Change search
ReferencesLink to record
Permanent link

Direct link
Combining Unsupervised and Supervised Statistical Learning Methods for Currency Exchange Rate Forecasting
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Mathematical Statistics.
2016 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Valutakursprediktion med hjälp av övervakade och oövervakade statistiska inlärningsmetoder (Swedish)
Abstract [en]

In this thesis we revisit the challenging problem of forecasting currency exchange rate. We combine machine learning methods such as agglomerative hierarchical clustering and random forest to construct a two-step approach for predicting movements in currency exchange prices of the Swedish krona and the US dollar. We use a data set with over 200 predictors comprised of different financial and macro-economic time series and their transformations. We perform forecasting for one week ahead with different parameterizations and find a hit rate of on average 53%, with some of the parameterizations yielding hit rates as high as 60%. However, there is no clear indicator that there exists a combination of the methods and parameters that outperforms all of the tested cases. In addition, our results indicate that the two-step approach is sensitive to changes in the training set.

This work has been conducted at the Third Swedish National Pension Fund (AP3) and KTH Royal Institute of Technology.

Abstract [sv]

I denna uppsats analyserar vi det svårlösta problemet med att prognostisera utvecklingen för en valutakurs. Vi kombinerar maskininlärningsmetoder såsom agglomerativ hierarkisk klustring och Random Forest för att konstruera en modell i två steg med syfte att förutsäga utvecklingen av valutakursen mellan den svenska kronan och den amerikanska dollarn. Vi använder över 200 prediktorer bestående av olika finansiella och makroekonomiska tidsserier samt deras transformationer och utför prognoser för en vecka framåt med olika modellparametriseringar. En träffsäkerhet på i genomsnitt 53% erhålls, med några fall där en träffsäkerhet så hög som 60% kunde observeras. Det finns emellertid ingen tydlig indikation på att det existerar en kombination av de analyserade metoderna eller parametriseringarna som är optimal inom samtliga av de testade fallen. Vidare konstaterar vi att metoden är känslig för förändringar i underliggande träningsdata.

Detta arbete har utförts på Tredje AP-fonden (AP3) och Kungliga Tekniska Högskolan (KTH).  

Place, publisher, year, edition, pages
2016.
Series
TRITA-MAT-E, 2016:48
National Category
Mathematical Analysis
Identifiers
URN: urn:nbn:se:kth:diva-190984OAI: oai:DiVA.org:kth-190984DiVA: diva2:954404
Subject / course
Mathematical Statistics
Educational program
Master of Science - Applied and Computational Mathematics
Supervisors
Examiners
Available from: 2016-08-22 Created: 2016-08-19 Last updated: 2016-08-22Bibliographically approved

Open Access in DiVA

fulltext(763 kB)13 downloads
File information
File name FULLTEXT01.pdfFile size 763 kBChecksum SHA-512
52fe0422bda4e1695b48211f4150d22db21de955c379e5dfd7ba9b6c3997b1ce2ce38b6380a2a9f587b75e569cd6c6021b82f3c853158166fc0c8ac06aa68268
Type fulltextMimetype application/pdf

By organisation
Mathematical Statistics
Mathematical Analysis

Search outside of DiVA

GoogleGoogle Scholar
Total: 13 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 83 hits
ReferencesLink to record
Permanent link

Direct link