Dự báo tỷ giá hối đoái Eur/Usd bằng thuật toán phân tách EEMD kết hợp LSTM

Abstract

Do dữ liệu chuỗi thời gian trong tài chính thường bị nhiễu và không ổn định, điều này khá làm cho việc dự báo tỷ giá hối đoái trở nên khó khăn đặc biệt là tỷ giá hối đoái EURUSD. Trong bài nghiên cứu này, nhóm tác giả đề xuất mô hình kết hợp giữa phương pháp phân tách các chế độ thực nghiệm tổng hợp (EEMD-ensemble empirical mode decomposition) và mạng thần kinh học sâu bộ nhớ dài ngắn hạn (LSTM – Long short-term memory). Mô hình kết hợp này thực sự cho thấy hiệu quả hơn so với các mô hình dự báo thống kê truyền thống. Phương pháp phân tách EEMD giải quyết vấn đề pha trồn phương thức đến từ phương pháp phân tách EMD cơ bản. Ngoài ra, LSTM có thể học được các dữ liệu trong dài hạn tốt hơn các mô hình dự báo chuoix thời gian cổ điển. Đã có nhiều nghiên cứu về nhiều tỷ giá hối đoái khác nhau bằng các mô hình kết hợp. Nhưng các mô hình kết hợp giữa phương pháp phân tách liên quan đến phương pháp phân tách chế độ thực nghiệm như EEMD và thuật toán học sâu như LSTM hiện không nhiều. Do đó nhóm nghiên cứu đi vào so sánh sự hiệu quả giữa các mô hình dự báo truyền thống so với mô hình mà đề tài nghiên cứu đề xuất là EEMD-LSTM. Và kết quả cũng cho thấy mô hình kết hợp EEMD-LSTM vượt trội hơn rất nhiều so với các mô hình dự báo truyền thống.