Investigation Of Exchange Market Prediction Model Based On High-Low Daily Data

Stankeviien, Jelena; Maknickien, Nijol; Maknickas, Algirdas

doi:10.3846/bm.2014.040

Cited by 4 publications

(5 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Schmidhuber et al (2005) proposed the forecasting tool 'Evolution of recurrent systems with Optimal Linear Output' (EVOLINO), which was adopted to predict exchange rates. Maknickienė and Maknickas (2016) and Stankevičienė et al (2014) investigated the support system for investors in the exchange market (Maknickas and Maknickienė, 2019). With the emergence of a new class of artificial intelligence algorithms, a predictive RNN implementation using the deep learning library Keras interfaced (Chollet et al, 2015) with the TensorFlow (Abadi et al, 2015) neural network framework was proposed.…”

Section: Figure 1 Long Short-term Memory (Lstm)mentioning

confidence: 99%

Trading support method based on computational intelligence for speculators in the options market

Maknickienė¹,

Maknickas²,

Martinkutė-Kaulienė³

2020

Journal of International Studies

Self Cite

View full text Add to dashboard Cite

The financial world has changed dramatically in recent decades. Electronic data processing, globalisation, and deregulation have changed markets, and the biggest part of these major changes includes derivatives. As financial markets become more interconnected and global, volatility in these markets may increase dramatically in the future. It is natural that the derivatives market is gaining attention and popularity among market participants as an alternative to traditional investment and speculative instruments. The growing number of technologydriven applications and innovations in the financial sector encourages the inclusion of products relating to automated trading and robotic advice in financial decision-making. The aim of this paper is to investigate different option-trading strategies and to evaluate the effect of computational intelligence on trading success in the derivatives markets. The recurrent neural network (RNN) Keras was adopted for forecasting option prices, and the results were compared with the forecasting using the evolution of recurrent systems with optimal linear output algorithms (EVOLINO) for RNNs. This forecasting

show abstract

Section: Figure 1 Long Short-term Memory (Lstm)mentioning

confidence: 99%

Trading support method based on computational intelligence for speculators in the options market

Maknickienė¹,

Maknickas²,

Martinkutė-Kaulienė³

2020

Journal of International Studies

Self Cite

View full text Add to dashboard Cite

show abstract

“…Forecasting by the Keras recurrent neural network uses the high-low distribution method (Stankevičienė, Maknickienė, & Maknickas, 2014). According to the obtained Keras recurrent neural network exchange rate forecasts, four currency trading strategies that have four different two-dimension (profitability-risk) portfolios were constructed.…”

Section: Strategies Of Asset Allocationmentioning

confidence: 99%

Computation Intelligence Based Daily Algorithmic Strategies for Trading in the Foreign Exchange Market

Maknickienė

Kekytė

Maknickas

2018

10th International Scientific Conference “Business and Management 2018”

Self Cite

View full text Add to dashboard Cite

Successful trading in financial markets is not possible without a support system that manages the preparation of the data, prediction system, and risk management and evaluates the trading efficien-cy. Selected orthogonal data was used to predict exchange rates by applying recurrent neural network (RNN) software based on the open source framework Keras and the graphical processing unit (GPU) NVIDIA GTX1070 to accelerate RNN learning. The newly developed software on the GPU predicted ten high-low distributions in approximately 90 minutes. This paper compares different daily algorith-mic trading strategies based on four methods of portfolio creation: split equally, optimisation, orthogonality, and maximal expectations. Each investigated portfolio has opportunities and limita-tions dependent on market state and behaviour of investors, and the efficiencies of the trading sup-port systems for investors in foreign exchange market were tested in a demo FOREX market in real time and compared with similar results obtained for risk-free rates.

show abstract

“…Finansų srityje plačiai naudojami iš laiko eilučių teorijos susiformavę modeliai, tokie kaip ARIMA, ARCH, GARCH, ir kt. (Vejendla, Enke 2013 (Stankevičienė et al 2014). Dauguma autorių siekia sukurti savo modelius, pritaikomus kuo daugiau skirtingų akcijų, nes ne visada modelis, tinkamas vienai akcijai, gali tikti kitai akcijai ar kitokiam turtui.…”

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

“…Taigi dirbtinis neu ronų tinklas gali būti taikomas akcijų rinkai prognozuoti (Maknickienė, Maknickas 2013a). Toks dirbtiniu intelektu pagrįstų modelių kūrimas sudaro galimybes mokslininkams pritaikyti jau žinomas investavimo strategijas ir tobulinti naujas (Stankevičienė et al 2014). Dauguma autorių siekia sukurti savo modelius, pritaikomus kuo daugiau skirtingų akcijų, nes ne visada modelis, tinkamas vienai akcijai, gali tikti kitai akcijai ar kitokiam turtui.…”

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

2017 © Straipsnio autoriai. Leidėjas VGTU leidykla "Technika". Šis straipsnis yra atvirosios prieigos straipsnis, turintis Kūrybinių bendrijų (Creative Commons) licenciją (CC BY-NC 4.0), kuri leidžia neribotą straipsnio ar jo dalių panaudą su privaloma sąlyga nurodyti autorių ir pirminį šaltinį. Straipsnis ar jo dalys negali būti naudojami komerciniams tikslams. ISSN 2029-2341 / eISSN 2029-2252 De Oliveira et al. 2013). Taigi pagrindinė mokslinė problema, kuri bus sprendžiama šiame straipsnyje, yra informacijos ir kriterijų trūkumas, pagal kuriuos investuotojas ar rinkos tyrinėtojas rinktųsi investavimo modelį. Kadangi yra daug įvai-rių modelių bei sprendimų paramos sistemų, kyla sunkumų norint išsirinkti tinkamiausią dinamiškai rinkai ir didelėms duomenų apimtims analizuoti. Modelių palyginimas pagal jų privalumus, trūkumus, taikomus metodus ir rezultatus galėtų būti svarus indėlis sprendžiant įvardytą mokslinę problemą. MOKSLAS -LIETUVOS ATEITIS SCIENCE -FUTURE OF LITHUANIATradicinių inovacijų augimo požiūriu inovacijos finan sų srityje padeda gerinti įvairių banko paslaugų kokybę, palengvinti rizikos valdymą, išpildyti rinką ir galiausiai padidinti išteklių paskirstymo efektyvumą (Berger 2003;Houston et al. 2010). Lerner ir Tufano (2011) teigia, kad finansinės naujovės teigiamai veikia finansų sektoriaus stiprėjimą, taip pat ir ekonominį augimą. Taigi aukštesnis finansinių inovacijų lygis skatina spartesnį atskirų pramonės sektorių ir visos šalies ekonominį augimą bei suteikia daugiau galimybių didinti plėtros efektyvumą (Beck et al. 2016).Per pastaruosius kelis dešimtmečius finansinių duomenų analizė, padedanti prognozuoti akcijų kainas, prekybos vietas ir investicinius portfelius, tapo labai populiari mokslinių tyrimų tema (Wu et al. 2014 Santrauka. Sparti finansų rinkų plėtra lemia naujus iššūkius tiek investuotojams, tiek investavimo problematiką nagrinėjantiems mokslininkams. Kyla būtinybė sukurti inovatyvius, šiuolaikines finansų rinkų sąlygas atitinkančius investicijų portfelio sudarymo ir valdymo sprendimus. Finansų rinkos sulaukia ypatingo dėmesio, atliekami įvairūs tyrimai, įskaitant įvairių investavimo modelių formavimą, kurie apima finansinės rizikos valdymą ir investavimo sprendimų paramos sistemas. Mokslininkai pripažįsta būtinumą nagrinėti finansines problemas integruotais ir realybę atitinkančiais būdais, grindžiamais sudėtinga kiekybinės analizės technika. Taigi matematinio modeliavimo vaidmuo finansų sektoriuje tampa labai svarbus. Straipsnyje nagrinėjami įvairūs investavimo sprendimų priėmimo modeliai, apimantys prognozavimą, optimizavimą, stochastinius procesus, dirbtinį intelektą ir kt., kurie tampa reikšmingo-mis priemonėmis priimant investicinius sprendimus.reikšminiai žodžiai: investavimas, sprendimų priėmimo modeliai, akcijų rinka, portfelis, duomenų analizė, prognozavimas. ĮvadasFinansų rinkos palengvina tarptautinę prekybą, sujungia ir suteikia informacijos apie organizacijų bei ekonomikos ateities perspektyvas, yra ekonomikos augimą skatinanti priemonė . Tačiau šiuolaikinėje finan...

show abstract

Investigation Of Exchange Market Prediction Model Based On High-Low Daily Data

Cited by 4 publications

References 25 publications

Trading support method based on computational intelligence for speculators in the options market

Trading support method based on computational intelligence for speculators in the options market

Computation Intelligence Based Daily Algorithmic Strategies for Trading in the Foreign Exchange Market

Comparative Analysis of Investment Decision Models

Contact Info

Product

Resources

About