Machine learning approaches for financial time series forecasting

Abstract

This paper is discusses the problems of the short-term forecasting of financial time series using supervised machine learning (ML) approach. For this goal, we applied several the most powerful methods including Support Vector Machine (SVM), Multilayer Perceptron (MLP), Random Forests (RF) and Stochastic Gradient Boosting Machine (SGBM). As dataset were selected the daily close prices of two stock index: SP 500 and NASDAQ, two the most capitalized cryptocurrencies: Bitcoin (BTC), Ethereum (ETH), and exchange rate of EUR-USD. As features we used only the past price information. To check the efficiency of these models we made out-of-sample forecast for selected time series by using one step ahead technique. The accuracy rates of the forecasted prices by using ML models were calculated. The results verify the applicability of the ML approach for the forecasting of financial time series. The best out of sample accuracy of short-term prediction daily close prices for selected time series obtained by SGBM and MLP in terms of Mean Absolute Percentage Error (MAPE) was within 0.46-3.71 %. Our results are comparable with accuracy obtained by Deep learning approaches.

Accounting journal entries as a long‐term multivariate time series: Forecasting wholesale warehouse output

“…The authors applied models to natural logs of monetary value produced and cost of production and tons of raw material processed. 2.3 | Supervised ML models Derbentsev et al (2020) discussed the problems of the short-term forecasting of financial time series using supervised ML approach. The authors applied several of the most powerful methods including support vector machine (SVM), Multilayer Perceptron (MLP), random forests (RFs), and stochastic gradient boosting machine (SGBM).…”

Моделі Глибокого Навчання Для Прогнозування Часових Рядів

“…Використана архітектура ШНМ на основі RNN для прогнозування часових рядів передбачає декілька фіксованих функціональних блоків активації, по одному на кожний часовий крок [9]. Кожен модуль має внутрішній стан, який визначає попередні знання, які мережа містить на даному етапі.…”

“…Кожен модуль має внутрішній стан, який визначає попередні знання, які мережа містить на даному етапі. Внутрішній стан оновлюється на кожному лкроці, щоб відобразити зміну знань мережи про минуле на поточному етапі [9].…”

Короткострокове Прогнозування Нестаціонарних Часових Рядів З Використанням Моделей MLP Та LSTM

“…Часовий ряд представлений вектором, який відображає значення, що характеризують протікання якогось процесу протягом останніх N інтервалів часу, [10]. Відповідність вхідних даних до умови стаціонарності дозволяє отримати точніші дані прогнозу, на відміну від прогнозування нестаціонарних часових рядів, які є більш поширеними у економіці і тому проблема прогнозування саме нестаціонарних рядів є більш актуальною [10].…”