Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/32303Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Papatsimpas, Michail | en |
| dc.contributor.author | Παπατσίμπας, Μιχαήλ | el |
| dc.date.accessioned | 2023-01-31T12:01:24Z | - |
| dc.date.available | 2023-01-31T12:01:24Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/32303 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.12114 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | FOREX | en |
| dc.subject | Deep learning | en |
| dc.subject | Trading | en |
| dc.subject | Oprimization | en |
| dc.subject | Αγορά συναλλάγματος | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Βελτιστοποίηση | el |
| dc.title | Optimized FOREX trading system based on empirical mode decomposition and neural networks | en |
| dc.type | masterThesis | * |
| dc.type | info:eu-repo/semantics/masterThesis | * |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Forex | - |
| heal.dateAvailable | 2023-01-31T12:02:24Z | - |
| heal.language | en | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2022 | - |
| heal.abstract | The financial market is a complex and dynamical system, which is influenced by many factors subject to uncertainty. In order to raise the limited chances of beating the market, investors usually rely on diverse techniques that attempt to determine the underlying trading signal, and hopefully predict future market entry and exit points. The present thesis proposes a new trading system for the Foreign Exchange Mar ket (FOREX). The system consists of a hybrid algorithm that combines empirical mode decomposition (EMD), long short-term memory neural network (LSTM) and particle swarm optimization algorithm (PSO) (i.e., EMD-LSTM-PSO) to develop a prediction model for the daily closing prices of exchange rates. The EMD method is employed to decompose the initial signal to several intrinsic mode functions (IMFs) and residual. Then, for each IMF an LSTM neural network is constructed, and the final forecast is the aggregation of all the forecasts produced by the LSTM neural networks, optimized by the PSO algorithm. We measured our system’s performance against three currency pairs, namely EUR/USD, EUR/CHF and USD/CHF. Numerical testing demonstrates that the EMD-LSTM-PSO method can accurately predict the three currency pairs. The proposed system is fully automated, and it is able to handle all the trading requests (open/close positions), using the MetaTrader platform. In addition, it notifies the investor via push notifications using the Telegram application, about the produced trading signal. | en |
| heal.abstract | Η αγορά συναλλάγματος (FOREX) είναι η μεγαλύτερη παγκόσμια αγορά. Για τους επενδυτές αποτελεί συνεχή πρόκληση η πρόβλεψη των τιμών ή της τάσης της αγοράς. Στην πραγματικότητα πρόκειται για μια σύνθετη και περίπλοκη αγορά, όπου οι παράγοντες που την επηρεάζουν είναι πολλοί και συχνά απρόβλεπτοι (εκλογές, δημοψηφίσματα, γεωπολιτικά γεγονότα κ.α.). Αυτό μπορεί να επιφέρει απότομες διακύμανσεις και συνεπώς απώλεια ιδιωτικών κεφαλαίων και όχι μόνο. Προκειμένου να μπορέσουν οι επενδυτές να ανταπεξέλθουν στις ξαφνικές αλλαγές, αλλά και να εντοπίσουν πιθανά σημεία εισόδου/εξόδου της αγοράς, αναπτύσσουν σύνθετα υπολογιστικά μοντέλα με αυξημένη ικανότητα πρόβλεψης. Τέτοια τα συστήματα είναι κατεξοχήν υπεύθυνα για τη συμπεριφορά των επενδυτών στην αγορά. Στην παρούσα μεταπτυχιακή διπλωματική εργασία μελετάται ακριβώς το πρόβλημα πρόβλεψης μελλοντικών τιμών ενος συναλλάγματος. Πιο συγκεκριμένα, προ τείνεται ένα αυτοματοποιημένο σύστημα συναλλαγών για την αγορά συναλλάγμα τος. Για το σύστημα κατασκευάστηκε ένα υβριδικό μοντέλο που ενσωματώνει τρείς διαφορετικές μεθόδους, δηλαδή τη μέθοδο empirical mode decomposition (EMD), τα ανατροφοδοτούμενα νευρωνικά δίκτυα, LSTM (Long-Short Term Memory), καθώς και τον αλγόριθμο εξελικτικής βελτιστοποίησης PSO. Η μέθοδος EMD αποσυνθέτει την αρχική χρονοσειρά, παράγοντας τα intrinsic mode functions (IMF), καθώς και το υπόλοιπο (residual). Έπειτα, για κάθε IMF κατασκεύαζουμε ένα LSTM νευρωνικό δίκτυο και προβλέπουμε την επόμενη τιμή. Η τελική πρόβλεψη προκύπτει από το σταθμισμένο άθροισμα των προβλέψεων των LSTM δικτύων. Στο τελευταίο αυτό βήμα, για την εύρεση των καταλληλότερων βαρών του σταθμισμένου αθροίσματος, εφαρμόζουμε τον αλγόριθμο βελτιστοποίησης PSO. Στη συνέχεια, λαμβάνοντας υπόψιν την πρόβλεψη του μοντέλου και την στρατηγική μας παράγεται ένα σήμα (BUY, SELL ή HOLD) το οποίο στέλνεται στην πλατφόρμα, όπου εκτελούνται οι ανάλογες οδηγίες. Με την ολοκλήρωση της κίνησης, ο επενδυτής ενημερώνεται για την κίνηση του συστήματος μέσω της εφαρμογής Telegram. Το προτεινόμενο μοντέλο πρόβλεψης εφαρμόσθηκε σε τρία ζεύγη νομισματικών ισοτιμιών EUR/USD, EUR/CHF και USD/CHF. Εκτενή πειράματα έδειξαν ότι μπορεί να παράγει αποτελέσματα ανώτερης ποιότητας από άλλα μοντέλα πρόβλεψης. | el |
| heal.advisorName | Παρσόπουλος, Κωνσταντίνος | el |
| heal.committeeMemberName | Παρσόπουλος, Κωνσταντίνος | el |
| heal.committeeMemberName | Κόντης, Λυσίμαχος-Παύλος | el |
| heal.committeeMemberName | Σκούρη, Κωνσταντίνα | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 78 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. ΠΑΠΑΤΣΙΜΠΑΣ ΜΙΧΑΗΛ 2022.pdf | 17.85 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
