Publikace detail

Deep learning-based exchange rate prediction during the COVID-19 pandemic

Autoři: Abedin Mohammad Zoynul | Moon Mahmudul Hasan | Hassan M. Kabir | Hájek Petr

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Annals of Operations Research

Název nakladatele: Springer

Místo vydání: Dordrecht

Strana od-do: 1335-1386

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Predikce směnných kurzů na základě hlubokého učení během pandemie COVID-19	Tato studie navrhuje ansámblový přístup hlubokého učení, který integruje regresi Bagging Ridge (BR) s obousměrnými neuronovými sítěmi Long Short-Term Memory (Bi-LSTM) používanými jako základní regresory, čímž vzniká model Bi-LSTM BR. Model Bi-LSTM BR byl využit k predikci směnných kurzů 21 měn vůči americkému dolaru v období před pandemií COVID-19 i během pandemie. Pro demonstraci účinnosti navrhovaného modelu byla jeho predikční výkonnost porovnána s několika tradičnějšími algoritmy strojového učení, jako jsou regresní stromy, regrese podpůrných vektorů a regrese náhodných lesů, a dále s algoritmy založenými na hlubokém učení, konkrétně LSTM a Bi-LSTM. Navrhovaný ansámblový model hlubokého učení překonal porovnávané modely v predikci směnných kurzů z hlediska predikční chyby. Výkonnost modelu se však výrazně lišila mezi obdobím mimo pandemii a obdobím pandemie COVID-19 napříč jednotlivými měnami, což poukazuje na zásadní roli predikčních modelů v obdobích vysoce volatilních devizových trhů. Poskytnutím vyšší predikční přesnosti a identifikací měn nejvíce zasažených pandemií je tato studie přínosná pro obchodníky na devizových trzích i další zainteresované subjekty, neboť nabízí příležitosti k potenciální obchodní ziskovosti a ke snížení dopadů zvýšeného měnového rizika během pandemie.	Bagging ridge; Bi-LSTM; COVID-19; Hluboké učení; Strojové učení; Predikce směnných kurzů
eng	Deep learning-based exchange rate prediction during the COVID-19 pandemic	This study proposes an ensemble deep learning approach that integrates Bagging Ridge (BR) regression with Bi-directional Long Short-Term Memory (Bi-LSTM) neural networks used as base regressors to become a Bi-LSTM BR approach. Bi-LSTM BR was used to predict the exchange rates of 21 currencies against the USD during the pre-COVID-19 and COVID-19 periods. To demonstrate the effectiveness of our proposed model, we compared the prediction performance with several more traditional machine learning algorithms, such as the regression tree, support vector regression, and random forest regression, and deep learning-based algorithms such as LSTM and Bi-LSTM. Our proposed ensemble deep learning approach outperformed the compared models in forecasting exchange rates in terms of prediction error. However, the performance of the model significantly varied during non-COVID-19 and COVID-19 periods across currencies, indicating the essential role of prediction models in periods of highly volatile foreign currency markets. By providing an improved prediction performance and identifying the most seriously affected currencies, this study is beneficial for foreign exchange traders and other stakeholders in that it offers opportunities for potential trading profitability and for reducing the impact of increased currency risk during the pandemic.	Bagging ridge; Bi-LSTM; COVID-19; Deep learning; Machine learning; Exchange rate forecasting

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte