Cascading model for Forex market forecasting using fundamental and technical indicator data based on bert

แบบจำลองการทำนายอัตราแลกเปลี่ยนเงินตราสากลแบบลำดับขั้นโดยใช้ข้อมูลปัจจัยพื้นฐานและตัวชี้วัดทางเทคนิคบนการเข้ารหัสแบบสองทิศทางโดยอาศัยตัวแปลง

Name: Arisara Pornwattanavichai

Abstract: The foreign exchange rate market is the world's biggest and most liquid financial market, and it's where all currency pairs' exchange rates are set. Since foreign exchange (Forex) rates play a critical role in financial technology and business, many researchers are now interested in forecasting them. The characteristics of Forex data, that include fluctuation, non-linearity, and random walk phenomena, make it difficult for forecasting. Several related studies integrate fundamental data (FD) and technical indicator data to generate Forex forecasting signals (TI). TI is a price pattern-based signal, whereas FD is an indicator of the country's economic conditions. Nevertheless, when it comes to deployment, these two indicators have two major drawbacks. Gradient vanishing and information loss occur when modeling a sequential neural network. Furthermore, although FD has a big impact on currency prices, it was updated quarterly or monthly which is not as frequent as price change. This restriction is known as the FD releasing problem. Moreover, Forex forecasting with FD and TI is usually done in equal aggregation, which leads to inaccurate predictions due to unequal data changing frequency. In this paper (BERTFOREX), we introduce a cascading model for forex market forecasting using FD and TI based on BERT (BERTFOREX). The following are the steps in the BERTFOREX processing system: 1) BERT is applied to FD to extract hidden patterns. 2) Because the frequency of FD changes more slowly than that of TI, these hidden FD patterns are aggregated as additional weights for TI. 3) BERT is used to extract the aggregated pattern within TI and FD. 4) The BERTFOREX efficiency is demonstrated by feeding the aggregated pattern into a simple neural network for forecasting. From the experimental results, the proposed method outperforms other methods in terms of correct signal percentage, sensitivity, specificity, precision, and negative predictive value.

Abstract: ตลาดแลกเปลี่ยนเงินตราต่างประเทศ (Forex) เป็นตลาดทางการเงินที่ใหญ่และมีสภาพคล่องสูงที่สุดในโลก เป็นสถานที่กำหนดอัตราแลกเปลี่ยนระหว่างประเทศ เนื่องจากอัตราแลกเปลี่ยนเงินตราต่างประเทศมีบทบาทสำคัญในเทคโนโลยีด้านการเงินและธุรกิจ จึงทำให้นักวิจัยหลายท่านมีความสนใจในด้านการทำนายอัตราแลกเปลี่ยน โดยลักษณะข้อมูลของ Forex นั้น มีความผันผวนสูง มีคุณสมบัติไม่เป็นเส้นตรง และบางครั้งก็เกิดขึ้นในรูปแบบการเดินสุ่ม (random walk) ทำให้ยากต่อการทำนาย มีงานวิจัยที่เกี่ยวข้องหลายงาน พยายามสร้างการทำนาย Forex โดยการรวมข้อมูลด้านปัจจัยพื้นฐาน (FD) และ ข้อมูลจากตัวชี้วัดทางเทคนิค (TI) โดยข้อมูลจากตัวชี้วัดทางเทคนิคนั้น เป็นสัญญาณที่สะท้อนถึงรูปแบบของราคา ในขณะที่ข้อมูลด้านปัจจัยพื้นฐานจะเป็นข้อมูลที่เป็นตัวชี้วัดสภาพทางเศรษฐกิจของประเทศนั้นๆ อย่างไรก็ตาม เมื่อข้อมูลสองประเภทนี้ถูกนำไปใช้งานจริงกลับมีข้อจำกัดสำคัญถึง 2 ประการ ข้อจำกัดแรกคือปัญหาด้านโมเดล เมื่อใช้แบบจำลองโครงข่ายประสาทเทียมแบบลำดับในการพยากรณ์ ทำให้เกิดปัญหาการสูญหายของค่า gradient (Gradient vanishing problem) และการสูญหายของข้อมูล (information loss) ข้อจำกัดที่สองคือด้านการใช้ข้อมูลปัจจัยพื้นฐาน แม้จะมีผลกระทบต่ออัตราแลกเปลี่ยนเป็นอย่างมาก แต่ข้อมูลจะถูกอัปเดตรายไตรมาส หรือรายเดือน ซึ่งความถี่ในการอัปเดตไม่เท่ากับการเปลี่ยนแปลงของอัตราแลกเปลี่ยนสกุลเงิน ข้อจำกัดนี้มีชื่อว่า ข้อจำกัดการปล่อยของข้อมูลด้านปัจจัยพื้นฐาน ยิ่งไปกว่านั้น โดยปกติในการพยากรณ์อัตราแลกเปลี่ยนที่อาศัยข้อมูลด้านปัจจัยพื้นฐาน และ ข้อมูลจากตัวชี้วัดทางเทคนิค มักถูกนำมารวมเพื่อสร้างการทำนาย โดยให้ความสำคัญเท่ากัน ซึ่งนำมาสู่การพยากรณ์ที่ไม่แม่นยำ เนื่องจากความถี่ของข้อมูลทั้งสองนั้นไม่เท่ากัน ในงานวิจัยนี้ (BERTFOREX) ผู้วิจัยนำเสนอโมเดลการรวมแบบน้ำตก (cascading model) สำหรับการพยากรณ์ราคาอัตราแลกเปลี่ยนโดยอาศัย ข้อมูลด้านปัจจัยพื้นฐาน และ ข้อมูลจากตัวชี้วัดทางเทคนิค บนการข้ารหัสแบบสองทิศทางโดยอาศัยตัวแปลง (BERT) โดยการทำงานในแบบจำลองมีขั้นตอนดังต่อไปนี้ 1) ข้อมูลด้านปัจจัยพื้นฐานจะถูกนำไปสกัดหาลักษณะแฝงของข้อมูล โดยอาศัยการข้ารหัสแบบสองทิศทางโดยอาศัยตัวแปลง 2) เนื่องจากความถี่ของข้อมูลด้านปัจจัยพื้นฐานนั้น เปลี่ยนแปลงช้ากว่าข้อมูลจากตัวชี้วัดทางเทคนิค ลักษณะแฝงที่สกัดได้ของข้อมูลด้านปัจจัยพื้นฐาน จึงถูกรวมเข้ากับ ข้อมูลตัวชี้วัดทางเทคนิค ในรูปแบบน้ำหนักเสริม 3) ข้อมูลการรวมที่ได้จากข้อมูลด้านปัจจัยพื้นฐาน และ ข้อมูลจากตัวชี้วัดทางเทคนิค จะถูกนำไปสกัดลักษณะแฝง โดยอาศัยการข้ารหัสแบบสองทิศทางโดยอาศัยตัวแปลง 4) เพื่อแสดงถึงประสิทธิภาพของโมเดลนี้ รูปแบบการรวมที่สกัดได้ จะถูกนำไปเข้าโครงข่ายประสาทเทียมอย่างง่ายเพื่อสร้างการทำนาย จากผลการทดลอง งานวิจัยนี้สามารถเอาชนะงานวิจัยอื่นๆในเชิง จำนวนสัญญาณที่ถูกต้อง ความไว (sensitivity) ความจำเพาะ (specificity) ความเที่ยงตรง (precision) และค่าทำนายเมื่อผลเป็นลบ (negative predictive value)

Chulalongkorn University. Office of Academic Resources

Address: BANGKOK

Email: cuir@car.chula.ac.th

Name: Saranya Maneeroj

Role: advisor

Name: Somjai Boonsiri

Role: co-advisor

Created: 2021

Modified: 2024-01-03

Issued: 2024-01-03

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Computer Science and Information Technology

Grantor: Chulalongkorn University

©copyrights Chulalongkorn University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	6172630023[1].pdf	969.51 KB	9	2024-08-28 22:13:24

ใช้เวลา

0.024701 วินาที