Original title: Financial time series analysis based on innovative Machine Learning Signal Processing approaches
Translated title: Financial time series analysis based on innovative Machine Learning Signal Processing approaches
Authors: Tshiangomba, Reagan Kasonsa ; Sehnalová, Pavla (referee) ; Cicone, Antonio (advisor)
Document type: Master’s theses
Year: 2024
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [eng] [cze]
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.
Keywords: asymetrické prodloužení; funkce vnitřního režimu (IMFS); fúzní neuronová síť; IMFogram; iteraktivní filtrování (IF); konvoluční neuronová síť (CNN); symetrické rozšíření; Umělá neuronová síť (ANN); Časová řada; Artificial neural network (ANN); asymmetric extension; Convolutional neural network (CNN); Fusion Neural Network; IMFogram; Intrinsic Mode Functions (IMFS); Iterative Filtering (IF); symmetric extension; Time series

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/247249

Permalink: http://www.nusl.cz/ntk/nusl-618045


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses