Forecasting of FOREX Price Trend Using Recurrent Neural Network - Long Short-term Memory

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F20%3A50016858" target="_blank" >RIV/62690094:18450/20:50016858 - isvavai.cz</a>

Výsledek na webu

<a href="https://digilib.uhk.cz/bitstream/handle/20.500.12603/212/Dobrovolny%20et%20al%20%281%29.pdf?sequence=1&isAllowed=y" target="_blank" >https://digilib.uhk.cz/bitstream/handle/20.500.12603/212/Dobrovolny%20et%20al%20%281%29.pdf?sequence=1&isAllowed=y</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.36689/uhk/hed/2020-01-011" target="_blank" >10.36689/uhk/hed/2020-01-011</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Forecasting of FOREX Price Trend Using Recurrent Neural Network - Long Short-term Memory

Popis výsledku v původním jazyce

Algorithms of neural networks (NN) can search and represent both structured and not structured data, we employ then on financial time-series. This paper describes the use of Long short-term memory (LSTM) for FOREX pair EUR/USD price prediction. Aim of the paper is to test and proposes the best time block to predict based on a daily FOREX data. We employ the mean of absolute errors and the least mean squared errors to assess prediction results in order to find the time block. We tested time blocks from ten to fifty-eight days and 100 or 300 epochs. Training dataset contained daily exchange rate data from 1.4.1971 until 9.5.2019. The best performing network has been trained for 30-day period and 100 epochs. This paper also describes the effect of training for a high number of epochs.

Název v anglickém jazyce

Forecasting of FOREX Price Trend Using Recurrent Neural Network - Long Short-term Memory

Popis výsledku anglicky

Algorithms of neural networks (NN) can search and represent both structured and not structured data, we employ then on financial time-series. This paper describes the use of Long short-term memory (LSTM) for FOREX pair EUR/USD price prediction. Aim of the paper is to test and proposes the best time block to predict based on a daily FOREX data. We employ the mean of absolute errors and the least mean squared errors to assess prediction results in order to find the time block. We tested time blocks from ten to fifty-eight days and 100 or 300 epochs. Training dataset contained daily exchange rate data from 1.4.1971 until 9.5.2019. The best performing network has been trained for 30-day period and 100 epochs. This paper also describes the effect of training for a high number of epochs.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Hradec economic days 2020/1

ISBN

978-80-7435-776-3

ISSN

2464-6059

e-ISSN

2464-6067

Počet stran výsledku

9

Strana od-do

95-103

Název nakladatele

Gaudeamus

Místo vydání

Hradec Králové

Místo konání akce

Hradec Králové

Datum konání akce

2. 4. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000568108700011