KFUPM ePrints

COMBINING DEEP LEARNING AND TECHNICAL ANALYSIS FOR MULTIRESOLUTION FORECASTING OF FINANCIAL STOCK MARKETS

l COMBINING DEEP LEARNING AND TECHNICAL ANALYSIS FOR MULTIRESOLUTION FORECASTING OF FINANCIAL STOCK MARKETS. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]PDF
Restricted to Abstract Only until 01 January 2020.

18Mb

Arabic Abstract

يعد التنبؤ بمستقبل السلاسل الزمنية للأسواق المالية من أكثر المجالات صعوبةً نتيجة للتركيبة المعقدة والتشويش الكامن في مكوناتها، وحديثاً زاد الاهتمام بالبحوث المتعلقة بالتعلم العميق وتطبيقاته على مشاكل واقعية، وقد أثبتت الشبكات العصبية الاصطناعية المعتمدة على التعلم العميق قدرةً عاليةً في معظم مجالات البحث العلمي. وتهدف هذه الدراسة إلى استخدام تقنية التحليل متعدد المستويات (Multiresolution Analysis) للتنبؤ بأسعار أسواق الأسهم العالمية بالاستفادة من منهجيات التعلم العميق المتعددة، كما تهدف أيضًا إلى دراسة مدى تأثير دمج المؤشرات التقنية (Technical Indicators) المختلفة مع التعلم العميق على النتائج. وقد تم تطوير العديد من أنواع الشبكات العصبية المتكررة العميقة (Deep Recurrent Neural Networks) للتنبؤ بالأسعار في المستقبل القريب والبعيد، وقامت الدراسة بتحليل ومقارنة طريقتين من طرق التحليل متعدد المستويات لتحليل البيانات إلى عدة أجزاء، ومن ثم اقتراح وتطوير طريقة باستخدام تركيبة مكونة من طريقة المويجات التحليلية التجريبية (Empirical Wavelet Analysis) مع أسلوب الشبكات العصبية المتكررة المبوبة (Gated Recurrent Unit)، وتضمنت الدراسة أيضًا تحليل دور المؤشرات التقنية (Technical Indicators) في تحسين النتائج، واستخدمت في تقييم الأداء مؤشر إس أند بي (S&P) ومؤشر داو جونز (DJIA) وهما من أكثر سلاسل البيانات استخدامًا في تقييم مستوى أداء الطرق المختلفة للتنبؤ بسلاسل البيانات المالية، وكذلك استخدمت الدراسة مؤشر سوق الأسهم السعودية تداول (TASI) في بعض التجارب. وقد أثبتت التجارب كفاءة ودقة الطريقة المقترحة مقارنةً ببعض الدراسات السابقة الحديثة، وتمت أيضًا مقارنة النتائج مع نموذج السير العشوائي (Random Walk) وتحليلها في ضوء فرضية كفاءة السوق (Efficient Market Hypothesis).

English Abstract

Forecasting financial time series is considered one of the most challenging problems due to the noisy and complex structure exhibited by its constructs. Recently, there has been a rapidly growing interest in deep learning research and its applications to real-world complex problems. Deep learning neural networks are proven to be superior in many research fields. The aim of this work is to develop a multiresolution forecasting approach for financial stock markets using a deep learning methodology. We analyze the significance of various technical indicators in improving forecasting of financial markets and explore the impact of combining technical analysis with deep learning on the forecasting results. Many deep learning architectures designed using variants of deep recurrent neural networks are developed to forecast short- and long-term prices. We investigate and compare two mutliresolution analysis methods for data decomposition. The proposed approach is developed using a combination of empirical wavelet analysis method with deep gated recurrent unit network. The impact of several technical indicators on the proposed approach is investigated and analyzed. The proposed methodology is evaluated using S&P and DJIA indices which are two of the most common benchmark time series widely employed to evaluate financial time-series forecasting. Furthermore, we evaluate the proposed approach on the TASI Saudi stock market index (Tadawul). Our proposed models show forecasting accuracies superior to some recent related work in literature. The achieved accuracies are compared to that of the random-walk model and analyzed with respect to the efficient market hypothesis. Our results indicate that efficient market hypothesis could be rejected for short-term (one day) forecast and approved for long-term (one month) forecast.



Item Type:Thesis (Masters)
Subjects:Computer
Divisions:College Of Computer Sciences and Engineering > Information and Computer Science Dept
Committee Advisor:Mohammed, Salahadin
Committee Members:El-Alfy, El-Sayed and Al-Khatib, Wasfi
ID Code:140874
Deposited By:KHALED AL-THELAYA (g201532610)
Deposited On:07 Jan 2019 14:18
Last Modified:07 Jan 2019 14:18

Repository Staff Only: item control page