Financial time series analysis based on innovative Machine Learning Signal Processing approaches
Loading...
Date
Authors
Tshiangomba, Reagan Kasonsa
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Prognózování finančních časových řad bylo klasifikováno jako jeden z nejnáročnějších problémů v v posledním desetiletí kvůli jeho nestacionaritě a nelineárním vlastnostem. Na jednu stranu statistická techniky byly shledány neschopnými přesně předpovídat finanční časové řady. Na druhé straně techniky strojového učení dosáhly pozoruhodných výsledků, ale neposkytují explicitní způsob zacházení s nestacionární vlastností finančních časových řad. Navrhovaný přístup využívá schopnosti dekompozičních technik zpracování signálu k řešení nestacionární vlastnost finančních časových řad. Použitá technika rozkladu signálu v této práci je iterativní filtrování (IF), které generuje funkce vnitřního režimu (IMF). Tyto generované IMF spolu s původním signálem se používají k vytvoření časově-frekvenční reprezentace finanční časové řady zvané IMFogram. Dva typy údajů, jmenovitě MMF a IMFogram, se používají k trénování fúzní neuronové sítě pro predikci finančních časových řad. Jeden záznam součástí fúzní neuronové sítě je umělá neuronová síť (ANN), která bere jako MMF vstup. Další vstupní složkou fúzní neuronové sítě je konvoluční neuronová síť (CNN), která bere jako vstup IMFogram. Výstupy ANN a CNN jsou zřetězeny pro regresní úlohu. Ukážeme aplikaci tohoto nově vyvinutého přístupu k finančním datům, Abych byl přesný, série NASDAQ. A podáváme zprávy o jeho výkonu v různých scénářích hranic podmínky.
Forecasting financial time series has been classified as one of the most challenging problems in the last decade due to its non-stationarity and non-linear properties. On one hand, statistical techniques have been found incapable of accurately predicting financial time series. On the other hand, machine learning techniques have achieved remarkable results, but they do not provide an explicit way of handling the non-stationarity property of financial time series. The proposed approach leverages the capabilities of signal processing decomposition techniques to address the non-stationarity property of financial time series. The signal decomposition technique employed in this work is iterative filtering (IF), which generates intrinsic mode functions (IMFs). These generated IMFs, along with the original signal, are used to produce a time-frequency representation of the financial time series, called IMFogram. Two types of data, namely the IMFs and IMFogram, are utilized to train a fusion neural network for predicting the financial time series. One entry component of the fusion neural network is an artificial neural network (ANN) taking the IMFs as input. The other entry component of the fusion neural network is a convolutional neural network (CNN), which takes the IMFogram as input. The outputs of the ANN and the CNN are concatenated for a regression task. We show the application of this newly developed approach to financial data, NASDAQ series to be precise. And we report its performance in different scenarios of boundary conditions.
Forecasting financial time series has been classified as one of the most challenging problems in the last decade due to its non-stationarity and non-linear properties. On one hand, statistical techniques have been found incapable of accurately predicting financial time series. On the other hand, machine learning techniques have achieved remarkable results, but they do not provide an explicit way of handling the non-stationarity property of financial time series. The proposed approach leverages the capabilities of signal processing decomposition techniques to address the non-stationarity property of financial time series. The signal decomposition technique employed in this work is iterative filtering (IF), which generates intrinsic mode functions (IMFs). These generated IMFs, along with the original signal, are used to produce a time-frequency representation of the financial time series, called IMFogram. Two types of data, namely the IMFs and IMFogram, are utilized to train a fusion neural network for predicting the financial time series. One entry component of the fusion neural network is an artificial neural network (ANN) taking the IMFs as input. The other entry component of the fusion neural network is a convolutional neural network (CNN), which takes the IMFogram as input. The outputs of the ANN and the CNN are concatenated for a regression task. We show the application of this newly developed approach to financial data, NASDAQ series to be precise. And we report its performance in different scenarios of boundary conditions.
Description
Keywords
Umělá neuronová síť (ANN), konvoluční neuronová síť (CNN), fúzní neuronová síť, iteraktivní filtrování (IF), funkce vnitřního režimu (IMFS), IMFogram, symetrické rozšíření, asymetrické prodloužení, Časová řada, Artificial neural network (ANN), Convolutional neural network (CNN), Fusion Neural Network, Iterative Filtering (IF), Intrinsic Mode Functions (IMFS), IMFogram, symmetric extension, asymmetric extension, Time series
Citation
TSHIANGOMBA, R. Financial time series analysis based on innovative Machine Learning Signal Processing approaches [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2024.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
doc. Ing. Luděk Nechvátal, Ph.D. (předseda)
prof. RNDr. Josef Šlapal, CSc. (místopředseda)
prof. RNDr. Jan Franců, CSc. (člen)
doc. Ing. Jiří Šremr, Ph.D. (člen)
prof. RNDr. Miloslav Druckmüller, CSc. (člen)
Date of acceptance
2024-06-11
Defence
The student introduced his diploma thesis to the committee members and explained the fundamentals of his topic called Financial time series analysis based on innovative Machine Learning Signal Processing approaches. The supervisour's review and the opponenet's review were read. The opponent's questions were answered by the student satisfactorily.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení