Machine Learning Classification Techniques to Predict Directional Change of Energy Prices Using High Dimensionality Reduction

Moni, Vidya; Mattipalli, Maheshwari; Badar, Altaf Q. H.

doi:10.1109/csase51777.2022.9759655

Cited by 1 publication

(1 citation statement)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sin embargo, su eficacia ha quedado plenamente demostrada en algunos estudios empíricos en los que se utiliza como referencia para evaluar el rendimiento de otros modelos de clasificación [55,478,479,391,480]. Otros enfoques se han beneficiado de la reducción de la dimensionalidad de los datos extrayendo características y utilizándolas en la construcción de modelos [481].…”

Section: H Análisis Discriminante Como Método De Selecciónunclassified

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

Predecir los precios y las tendencias de los instrumentos financieros para mejorar la efectividad de las decisiones de inversión es un reto clave para la industria financiera y los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia artificial en el análisis de las series de tiempo, el problema de predecir la dirección del movimiento de los tipos de cambio en el mercado Forex aún requiere soluciones parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta investigación presenta una metodología novedosa para clasificar la dirección de la tendencia de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de mercado que miden la acción de los precios, junto con las diferencias multidimensionales entre tendencias, para construir una función lineal discriminante (LDA).La metodología propuesta consta de cinco fases: preparación de datos, selección de características, detección de estructuras subyacentes, formulación de una función discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El período de muestra va desde enero de 1999 hasta abril de 2023.En contraste con algunos trabajos notables publicados en la literatura científica como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL), el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos resultados respaldan la construcción de métodos de clasificación interpretables, generalizables, precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento financiero y la reducción del riesgo en las estrategias de negociación. Además, esta metodología es aplicable en la selección de variables y se adapta fácilmente a otros activos financieros.

show abstract

Section: H Análisis Discriminante Como Método De Selecciónunclassified

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

show abstract

Machine Learning Classification Techniques to Predict Directional Change of Energy Prices Using High Dimensionality Reduction

Cited by 1 publication

References 22 publications

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Contact Info

Product

Resources

About