Прогнозування часових рядів з використанням масивів індикаторів у Python

Abstract

An analysis of methods of forecasting financial time series was carried out, models using intelligent technologies were considered. A proprietary model for forecasting time series using arrays of indicators in Python is proposed. Time series forecasting is the application of a model to predict future values based on previously observed values. And although regression analysis is often used to test the theory that the current value of one or more independent time series affects the current value of another time series, this time series analysis is not called \"time series analysis\" but focuses on comparing the values of one time series in different moments of time. The rate of the EUR/USD currency pair for 08/03/19 - 03/03/20 was taken as test data. After reviewing existing methods for time series forecasting using Python, the LSTM model was chosen. After analyzing the obtained results, the received signal forecast can be used as a decision support system. The accuracy of forecasting is primarily achieved due to the use of the LSTM model, normalization of the input dataset, the use of auxiliary technical indicators and the ion of parameters for the forecasting model. After reviewing existing methods for time series forecasting using Python, the LSTM model was chosen. Using LSTM, time series forecasting models can predict future values based on past sequential data. This provides greater accuracy for demand forecasters, leading to better business decisions. NVIDIA`s cuDNN solves the computational problem. experience, cuDNN can deliver 10+ times faster than standard use of CUDA directly. Based on the fact that the predicted Close price values are not accurate enough, signals were designed to recommend buy/sell positions. This signal represents a value between 0 and 1, 0 is a buy and 1 is a sell.

Проведено аналіз методів прогнозування фінансових часових рядів, розглянуто моделі з використанням інтелектуальних технологій. Запропоновано власну модель для прогнозування часових рядів з використанням масивів індикаторів у Python. Прогнозування часових рядів є застосування моделі для прогнозування майбутніх значень на основі раніше спостережених значень. І хоча регресійний аналіз часто використовується для перевірки теорії про те, що поточне значення одного чи кількох незалежних часових рядів впливає на поточне значення іншого часового ряду, цей аналіз часових рядів не називається «аналізом часових рядів», а фокусується на порівнянні значень одного часового ряду в різні моменти часу. В якості тестових даних було взято курс валютної пари EUR/USD за 03.08.19 - 03.03.20. Після огляду існуючих методів прогнозування часових рядів за допомогою Python було обрано модель LSTM. Проаналізувавши отримані результати, отриманий прогноз сигналів можна використовувати як систему підтримки рішень. Точність прогнозування насамперед досягнута за рахунок використання LSTM моделі, нормуванню вхідного датасету, використанням допоміжних технічних індикаторів та підбором параметрів для моделі прогнозування. Після огляду існуючих методів прогнозування часових рядів за допомогою Python було обрано модель LSTM. Використовуючи LSTM, моделі прогнозування часових рядів можуть передбачати майбутні значення на основі попередніх послідовних даних. Це забезпечує більшу точність для прогнозистів попиту, що призводить до кращого прийняття рішень для бізнесу. Проблему з обчисленнями вирішує cuDNN від NVIDIA. З досвіду, cuDNN може запровадити в 10+ разів більшу швидкість, ніж стандартне використання безпосередньо CUDA. Виходячи з того, що передбачені значення ціни Close не є досить точними, було спроектовано сигнали для рекомендацій покупки/продажу позицій. Даний сигнал являє собою значення від 0 до 1, де 0 є купівля, а 1 – продаж.