Predicting High Frequency Exchange Rates using Machine Learning

Bachelor thesis English OPEN
Palikuca, Aleksandar ; Seidl,, Timo (2016)
  • Publisher: KTH, Matematisk statistik

This thesis applies a committee of Artificial Neural Networks and Support Vector Machines on high-dimensional, high-frequency EUR/USD exchange rate data in an effort to predict directional market movements on up to a 60 second prediction horizon. The study shows that combining multiple classifiers into a committee produces improved precision relative to the best individual committee members and outperforms previously reported results. A trading simulation implementing the committee classifier yields promising results and highlights the possibility of developing a profitable trading strategy based on the limit order book and historical transactions alone. Denna uppsats tillämpar en kommitté av artificiella neuronnät och stödvektormaskiner på hög-dimensionell, högfrekvent EUR/USD växelkursdata i ett försök att förutsäga marknadsriktning på en upp till 60 sekunders tidshorisont. Studien visar att en kommitté bestående av flera klassificerare ger bättre precision än de bästa enskilda kommittémedlemmarna och överträffar tidigare rapporterade resultat. En handelssimulering där kommittén tillämpas ger lovande resultat och framhåller möjligheten att utveckla en lönsam handelsstrategi baserad på enbart limit order book och historiska transaktioner.
Share - Bookmark