Supervised decision making in forex investment using ML and DL classification methods

Abstract

The suggested trading system offers an approach that takes into account the complexity and high trading volume of the foreign exchange (FX0) market. Its main objective is to address the challenges faced by traders in the GBP/JPY currency pair and assist them in making quick decisions. To achieve this, machine learning and deep learning techniques are integrated to propose a trading algorithm. The proposed algorithm works by combining data from different time intervals. The Long Short-Term Memory (LSTM) model is used to predict indicator values, while the XGBoost classifier is employed to determine trading decisions. This method aims to adapt to rapidly changing patterns in the forex market and enables the detection of subtle changes in price dynamics through a sliding window training approach. Experiments conducted have shown promising results for the suggested trading system. Positive outcomes have been obtained in terms of capital growth and prediction accuracy. However, since this method is highly risky and requires further development in terms of risk management, the inclusion of risk management techniques and algorithm optimization is targeted. This study contributes to the improvement of trading strategies while bridging the gap between researchers and traders. It also demonstrates the potential of machine learning and deep learning techniques to enhance decision-making processes in financial markets. This trading system offers traders a range of advantages. The utilization of machine learning and deep learning techniques enables rapid analysis of large amounts of data and decision-making capabilities. Additionally, by combining data from different time intervals, it becomes possible to evaluate long-term trends and short-term fluctuations more effectively. In conclusion, the suggested trading system empowers traders to be competitive in the forex market and achieve better outcomes. Furthermore, it contributes to the increased utilization of machine learning and deep learning techniques in financial markets and encourages further research in the field.

Önerilen işlem sistemi, döviz (FX) piyasasının karmaşıklığını ve yüksek işlem hacmini dikkate alan bir yaklaşım sunmaktadır. Bu sistemin temel amacı, GBP/JPY döviz çifti için tüccarların karşılaştığı zorlukları ele almak ve hızlı kararlar alabilmelerine yardımcı olmaktır. Bu amaçla, makine öğrenimi ve derin öğrenme teknikleri entegre edilerek bir işlem algoritması önerilmektedir. Önerilen algoritma, farklı zaman aralıklarındaki verileri birleştirerek çalışır. Uzun Kısa Vadeli Bellek (LSTM) modeli, gösterge değerlerini tahmin etmek için kullanılırken, XGBoost sınıflandırıcısı ise alım satım kararlarını belirlemek için kullanılır. Bu yöntem, kayar pencere eğitim yaklaşımıyla döviz piyasasındaki hızla değişen kalıplara uyum sağlamayı hedefler ve fiyat dinamiklerindeki ince değişiklikleri algılamayı mümkün kılar. Gerçekleştirilen deneyler, önerilen işlem sisteminin umut verici sonuçlar gösterdiğini göstermektedir. Sermaye büyümesi ve tahmin doğruluğu açısından olumlu sonuçlar elde edilmiştir. Ancak, bu yöntem yüksek riskli olduğundan ve risk yönetimi açısından daha fazla geliştirme gerektirdiğinden, risk yönetimi tekniklerinin ve algoritma optimizasyonunun dahil edilmesi hedeflenmektedir. Bu çalışma, araştırmacılar ve tüccarlar arasındaki boşluğu kapatırken işlem stratejilerinin geliştirilmesine katkıda bulunmaktadır. Ayrıca, finansal piyasalardaki karar verme süreçlerini iyileştirmek için makine öğrenimi ve derin öğrenme tekniklerinin potansiyelini göstermektedir. Bu işlem sistemi, tüccarlara bir dizi avantaj sunar. Makine öğrenimi ve derin öğrenme tekniklerinin kullanımı, büyük miktarda veriyi hızlı analiz etme ve karar alma yeteneği sağlar. Ayrıca, farklı zaman aralıklarındaki verilerin birleştirilmesi sayesinde uzun vadeli trendleri ve kısa vadeli dalgalanmaları daha iyi değerlendirmek mümkün olur. Sonuç olarak, önerilen işlem sistemi tüccarların döviz piyasasında rekabetçi olmasını ve daha iyi sonuçlar elde etmesini sağlar. Aynı zamanda, makine öğrenimi ve derin öğrenme tekniklerinin finansal piyasalardaki kullanımının artmasına ve daha ileri araştırmaların yapılmasına katkıda bulunur.