{en_GB=Hybrid System Combining Artificial Neural Networks and Support Vector Machines for Trading the Forex Market Intraday} {} EVALUATED

Detalhes: {pt=Esta tese propõe um sistema de negociação de Forex intra-diário composto por uma máquina de vetores de suporte capaz de identificar e classificar diferentes tipos de mercado, nomeadamente bullish,bearish e sideways e várias redes neuronais artificiais, uma para cada tipo de mercado, capazes deencontrar padrões de preço intradiários e prever os movimentos do mesmo desde as 12:00 horas até às 16:30. Uma média móvel de janela incremental é aplicada numa transformação de preço de taxas de retorno logaritmicas, criando assim a transformação de dados que é fornecida à ANN como a entrada do sistema e os valores a prever, cada amostra representa um dia. A SVM recorre a sequências de preço em janelas de aproximadamente três meses, para usar como dados de entrada. Várias estratégias,baseadas na previsão das redes neuronais, são propostas de modo a optimizar o desempenho finaldo sistema de negociação. As estratégias propostas são focadas nas regras para entrar ou não no mercado, e em que direção, comprar ou vender, e também no nível de confiança para cada previsão,representado pelo volume usado em cada transação. O treino foi feito com dados desde 2004 até 2018 e testado no ano de 2019. O sistema final optimizado alcançou um retorno no investimento de 87.5% ao longo do ano de teste e um drawdown de 13%, resultados largamente melhores que os métodos de comparação, Buy & Hold and Sell & Hold., en=This thesis proposes an intradaily Forex trading system combining a Support Vector Machine capable of identifying and classifying different types of markets, namely bullish, bearish and sideways and several Artificial Neural Networks, one for each market type, capable of finding intradaily price patterns and predict price movements from 12:00pm till 4:30pm. An incremental window moving average is applied on a price transformation of logarithmic return rates, creating the transformed data that is fed to the ANN as the features and target value, each sample representing a trading day. The SVM uses price sequence windows, of approximately three months, as features. Several strategies are proposed based on the forecasting done by the ANNs, in order to optimize the final performance of the trading system. The strategies proposed focus on the trading rules to enter the market, and in which direction, long or short, and also the level of confidence, which is represented in the trading size applied for each trade. The training was done with data from 2004 until 2018 and tested for the year of 2019. The final optimized system achieved a return on investment of 87.5% over the testing year and a maximum drawdown of 13%, largely overperforming the comparison methods of Buy & Hold and Sell & Hold.}

Discussão: janeiro 20, 2021, 16:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Vasco Amorim do Amaral (ist181532)

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar