Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Neural Computing and Applications
Erschienen in: Neural Computing and Applications 1/2019

09.05.2017 | Original Article

Research on exchange rate forecasting based on deep belief network

verfasst von: Jing Zheng, Xiao Fu, Guijun Zhang

Erschienen in: Neural Computing and Applications | Sonderheft 1/2019

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Exchange rate forecasting has always been a research hot spot of international finance studies. Deep belief network (DBN) model of deep learning is a new method of predicting the exchange rate data, and the designing of DBN structure and the learning rules of parameters are the most important parts of DBN model. The paper firstly divides the time series data into training and testing sets. By optimizing the DBN parameters, the paper analyses the results of the training analysis and answers how to do node setting. Then, the paper adjusts the number of hidden nodes, inputs nodes and hidden layers, and by using multiple variance analysis, it determines the sensitive range of the node. Finally, the experiments of INR/USD and CNY/USD have proved that compared with the FFNN model, the improved DBN model could better forecast the exchange rate.
Vorheriger Artikel Powered Gaussian kernel spectral clustering
Nächster Artikel Control of unmanned agricultural vehicles using neural network-based control system

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Zhang G, Hu MY (1998) Neural network forecasting of the British pound/US dollar exchange rate. Omega 26(4):495–506CrossRef
2.
Zhang R, Shen F, Zhao J (2014) A model with fuzzy granulation and deep belief networks for exchange rate forecasting. In: International joint conference on neural networks, pp 366–373
3.
LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521(7553):436–444CrossRef
4.
Schmidhuber J (2015) Deep learning in neural networks: an overview. Neural Netw 61:85–117CrossRef
5.
6.
Hinton GE, Salakhutdinov RR (2008) Using deep belief nets to learn covariance kernels for Gaussian processes. In: Advances in neural information processing systems, pp 1249–1256
7.
Kuremotoa T, Kimuraa S, Kobayashib K, Obayashia M (2014) Time series forecasting using a deep belief network with restricted Boltzmann machines. Neurocomputing 137(15):47–56CrossRef
8.
Shen F, Chao J, Zhao J (2015) Forecasting exchange rate using deep belief networks and conjugate gradient method. Neurocomputing 167(C):243–253CrossRef
9.
Chen H, Murray AF (2003) Continuous restricted Boltzmann machine with an implementable training algorithm. IEE Proc Vis Image Signal Process 150(3):153–158CrossRef
10.
Minsky M, Papert S (1988) Perceptrons, vol 84(1). MIT Press, Cambridge, pp 449–452MATH
11.
Erhan D, Manzagol PA, Bengio Y, Bengio S, Vincent P (2009) The difficulty of training deep architectures and the effect of unsupervised pre-training. In: Immunology of fungal infections, vol 5, pp 153–160
12.
Erhan D, Bengio Y, Courville A, Manzagol PA, Vincent P (2010) Why does unsupervised pre-training help deep learning? J Mach Learn Res 11:625–660MathSciNetMATH
13.
Hinton GE, Dayan P, Frey BJ (1995) The “wake–sleep” algorithm for unsupervised neural networks. Science 268(5214):1158–1161CrossRef
14.
Hinton GE (2002) Training products of experts by minimizing contrastive divergence. Neural Comput 14(8):1771–1800CrossRefMATH
15.
Ma X, Wang X (2016) Average contrastive divergence for training restricted Boltzmann machines. Entropy 18(1):35CrossRef
16.
Chen H, Murray A (2002) A continuous restricted Boltzmann machine with a hardware-amenable learning algorithm. In: Artificial neural networks—ICANN 2002, pp 358–363
17.
Frey BJ (1997) Continuous sigmoidal belief networks trained using slice sampling. In: Advances in neural information processing systems, pp 452–458
18.
Khashei M, Bijari M, Ardali GAR (2009) Improvement of auto-regressive integrated moving average models using fuzzy logic and artificial neural networks. Neurocomputing 72(4):956–967CrossRef
19.
Dhamija AK, Bhalla VK (2011) Exchange rate forecasting: comparison of various architectures of neural networks. Neural Comput Appl 20(3):355–363CrossRef
20.
Kodogiannis V, Lolis A (2002) Forecasting financial time series using neural network and fuzzy system-based techniques. Neural Comput Appl 11(2):90–102CrossRef
Metadaten
Titel
Research on exchange rate forecasting based on deep belief network
verfasst von
Jing Zheng
Xiao Fu
Guijun Zhang
Publikationsdatum
09.05.2017
Verlag
Springer London
Erschienen in
Neural Computing and Applications / Ausgabe Sonderheft 1/2019
Print ISSN: 0941-0643
Elektronische ISSN: 1433-3058
DOI
https://doi.org/10.1007/s00521-017-3039-z

Weitere Artikel der Sonderheft 1/2019

Neural Computing and Applications 1/2019 Zur Ausgabe

Original Article

Computational and physical aspects of MHD Prandtl-Eyring fluid flow analysis over a stretching sheet

S.I. : Machine Learning Applications for Self-Organized Wireless Networks

The landing safety prediction model by integrating pattern recognition and Markov chain with flight data

S.I. : Machine Learning Applications for Self-Organized Wireless Networks

Research on high-resolution improved projection 3D localization algorithm and precision assembly of parts based on virtual reality

Original Article

Robust state estimation for stochastic complex-valued neural networks with sampled-data

S.I. : Machine Learning Applications for Self-Organized Wireless Networks

Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN

Editorial

Special issue on machine learning applications for self-organized wireless sensor networks