Convolutional Neural Network – Based Algorithm for Currency Exchange Rate Prediction
Notice bibliographique
Résumé
The foreign exchange market is one of the complex monetary markets in the world. Each day trillions of dollars are traded in the FOREX market by banks, retail traders, corporations, and individuals. It is very challenging to predict the price in advance due to the complex, volatile and high fluctuation. Investors and traders are constantly searching for innovative ways to outperform the market and increase their profits. As an outcome, forecasting models are continually being developed by scholars around the globe to accurately predict the characteristics of this nascent market. This study intends to apply the Random Forest (RF) approach to Convolutional Neural Networks, which involves two key steps. The first step is starting with feature selection using Convolutional neural network.The attention layer is then employed to assign weight.The random forest strategy is designed in the second stage to generate high-quality feature subsets. Thus the better result generated by CNN-RF model. Actually, this strategy combines the advantages of two different strategies to produce an outcome that is more consistent with what exchange market decision-makers anticipate happening in the exchange market.The main currency pairs considered in this study's proposed model for predicting exchange rates five and ten minutes in advance are the British Pound Sterling (GBP) against the US Dollar (USD), the Australian Dollar (AUD) against the US Dollar (USD), and the European Euro (EUR) against the Canadian Dollar (CAD) are also used to evaluate the performance of the proposed model. In compared to the other three models (Multi-Layer Perceptron, Autoregressive Integrated Moving Average, and Recurrent Neural Network), CNN-RF yields better results. This conclusion has been backed by a large body of empirical research, which also suggested that this methodology be regularly used due to its high efficacy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».