Modeling Stylized Facts in FX Markets with FINGAN-BiLSTM: A Deep Learning Approach to Financial Time Series
Notice bibliographique
Résumé
We propose the financial generative adversarial network-bidirectional long short-term memory (FINGAN-BiLSTM) model to accurately reproduce the complex statistical properties and stylized facts, namely, heavy-tailed behavior, volatility clustering, and leverage effects observed in the log returns of the foreign exchange (FX) market. The proposed model integrates a bidirectional LSTM (BiLSTM) into the conventional FINGAN framework so that the generator, discriminator, and predictor networks simultaneously incorporate both past and future information, thereby overcoming the information loss inherent in unidirectional LSTM architectures. Experimental results, assessed using metrics such as the Kolmogorov-Smirnov statistic, demonstrate that FINGAN-BiLSTM effectively mimics the distributional and dynamic patterns of actual FX data. In particular, the model significantly reduces the maximum cumulative distribution discrepancy in assets with high standard deviations and extreme values, such as the Canadian dollar (CAD) and the Mexican Peso (MXN), while precisely replicating dynamic features like volatility clustering and leverage effects, thereby outperforming conventional models. The findings suggest that the proposed deep learning-based forecasting model holds significant promise for practical applications in financial risk assessment, derivative pricing, and portfolio optimization, and they highlight the need for further research to enhance its generalization capabilities through the integration of exogenous economic variables.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 0,000 |
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 ».