Dissertação

{en_GB= A prediction based model for forex markets combining Genetic Algorithms and Neural Networks} {} CONFIRMED

{pt=Investir em mercados financeiros e sempre uma tarefa complexa e incerta. De modo a aumentar as pequenas possibilidades de obter uma rentabilidade que ultrapasse o ındice de mercado, os investidores recorrem a uma serie de técnicas que tem como objetivo tentar determinar futuros pontos de entrada e saída do mercado. Esta tese propoe um sistema de trading optimizado para o Foreign Exchange Market, normalmente conhecido por FOREX. Para desempenhar tal tarefa é usada uma Feedforward Neural Network (FNN), que recebe como input um conjunto de indicadores tecnicos (TI) calculados a partir de dados históricos de mercados FOREX, com uma amostragem horaria. O sistema foi estruturado seguindo uma metodologia de SupervisedLearning para criação das target variables, convertendo retornos horarios em um sinal binário, transposto para um problema de classificação. De modo a obter o melhor conjunto de parâmetros usados para gerar os indicadores técnicos e os hiper-parametros da rede neuronal, foi desenvolvida uma Estratégia Evolutiva (ES), baseada num Algoritomo Genetico (GA), dado que fazer uma busca exaustiva usando pelo espaço de resultados iria conduzir a um tempo de espera demasiado grande. O Algoritomo Genético providencia também um processo automatico de Feature Selection, de modo a seleccionar apenas as features mais relevantes. , en=Investing in financial markets is always a complex and difficult task. To raise the small chances of beating the market, investors usually rely on several techniques that attempt to determine the underlying trading signal, and hopefully predict future market entry and exit points. This thesis proposes a trading system optimized for the Foreign Exchange Market, widely known as FOREX. To perform such task, we use a Feedforward Neural Network (FNN), that take as input features a set of technical indicators (TI), calculated using FOREX hourly data. A supervised learning approach was considered to create the target variables, converting hourly returns into a binary trading signal, suitable for a classification problem. To get the best combination of parameters used to generate each TI and FNN hyperparameters, we deployed an Evolutionary Strategy (ES) based on a Genetic Algorithm (GA), since making an exhaustive search through the entire feature space would be an unfeasible task. The GA also deploys an automatic Feature Selection (FS) mechanism that enables the FNN to use only relevant features for the given problem. }
{pt=Algoritmos Genéticos, Aprendizagem Profunda, Aprendizagem Automática, Optimização, FOREX, Análise Técnica, en=Genetic Algorithms, Deep Learning, Machine Learning, Feature Optimization, FOREX, Technical Analysis}

Novembro 27, 2018, 9:30

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar