Forecasting Currency Exchange Trend on USD/CAD
Notice bibliographique
Résumé
Currency exchange rate forecast has been, and remains a challenging tasks. With unpredictable natural disasters, political instabilities, government policies, and many other factors, it becomes difficult to correctly forecast the currency exchange rate. Many researchers in the past have done great works on forecasting the exchange rate of the United State Dollar (USD)/Canadian Dollar (CAD) using statistical approach. Even the Fundamental approach of relying on macroeconomic factors of the two countries, such as GDP ratio, Import/Export, government revenue, etc. were considered at various points. But (while forecasting the USD/CAD exchange rate), none of the previous methods considered deeply the underlying market trends which forms the basics of Technical analysis. We have included various machine learning models and time sensitive indicators that directly aligns with the USD/CAD exchange rate movement so as to improve on this issue. These features will create a new dimension for researchers to predict and forecast the USD/CAD exchange rate. We have considered various types of models for predicting and forecasting the USD/CAD exchange rate, and realized that among all our models, Time Series models provides the best accuracy. While building our model, I relied of daily forex statistical data maintained by Tick Data Suite (TDS) and Investing.Com. All our macroeconomics data (Consumer Price Indices (CPI), Interest Rates, Imports, Exports, and Un Employment Rates) were automatically downloaded from the Federal Reserve Economic Data (FRED)’s portal via an API. Due to huge data size available to me, I used 90% of my data for training my models, and the remaining 10% for my testing. At the end, we were able to come up with good results from our models, of which Linear Regression, Bayesian Ridge Regression, and Random Forest Regressor (RFR) outperformed others based on accuracy.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».