Forecasting currency rates using machine learning models

Abstract

Accurate forecasting of foreign exchange (FOREX) currency rates is crucial for various financial activities. However, both the time interval and the chosen model can have a significant impact on forecasting accuracy. Therefore, investigating the effect these elements have on the prediction accuracy of multivariate time series data representing Open, High, Low, and Close (OHLC) prices in FOREX markets, requires further research. The aim of paper is to evaluate and compare the performance of different quantitative forecasting models (VAR, LSTM, GRU, Random Forest) in predicting Foreign Exchange (FOREX) currency rates across various timeframes (daily (D), 4-hourly (H4), hourly (H1), 15-minute (M15)). The performance of VAR, LSTM, GRU, and Random Forest – was evaluated on four FOREX datasets. These datasets included data from different Timeframes including D, H4, H1, M15. Each model was trained on historical data, and then their prediction accuracy was assessed on unseen test data. Accuracy was measured using MAE and MSE. The influence of timeframe and machine learning methods on forecasting exchange rates EUR/USD is studied. Effectiveness of various forecasting models was analyzed. Random Forest model outperformed other models on every Dataset (Timeframe) with astounding result of MAE = 0.00004 and MSE = 0.000000007 on M15 Dataset. Future research will focus on: developing a forecasting method based on fuzzy logic; constructing a model capable of online learning with real-time data; and creating a decision support system for algorithmic trading.

Точне прогнозування валютних курсiв (FOREX) має вирiшальне значення для рiзних видiв фiнансової дiяльностi. Однак, як часовий iнтервал, так i обрана модель можуть мати значний вплив на якiсть прогнозiв. Тому вивчення впливу цих елементiв на точнiсть прогнозування багатовимiрних часових рядiв даних, що представляють цiни вiдкриття, максимуму, мiнiмуму та закриття (OHLC) на ринках FOREX, потребує подальших дослiджень. Метою роботи є оцiнка та порiвняння ефективностi рiзних кiлькiсних моделей прогнозування (VAR, LSTM, GRU, Random Forest) у передбаченнi валютних курсiв на мiжнародних валютних ринках (FOREX) за рiзними часовими iнтервалами (денний (D), 4-годинний (H4), годинний (H1), 15-хвилинний (M15)). Ефективнiсть VAR, LSTM, GRU та Random Forest було оцiнено на чотирьох наборах даних FOREX. Цi датасети включали данi з рiзних таймфреймiв, включаючи D, H4, H1, M15. Кожна модель була навчена на iсторичних даних, а потiм їх точнiсть прогнозування була оцiнена на невидимих тестових даних. Точнiсть була вимiряна за допомогою метрик MAE та MSE. Дослiджено вплив таймфрейму та методiв машинного навчання на прогнозування валютних курсiв ЄВРО/ДОЛАР США. Проаналiзовано ефективнiсть рiзних моделей прогнозування. Модель Random Forest перевершила iншi моделi на кожному наборi даних (тайм- фреймi) з вражаючим результатом MAE = 0.00004 та MSE = 0.000000007 на датасетi M15. Подальшi дослiдження будуть зосередженi на: розробцi методу прогнозування на основi нечiткої логiки; побудовi моделi, здатної до онлайн-навчання на даних в реальному часi; створеннi системи пiдтримки прийняття рiшень для алгоритмiчної торгiвлi.