Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

FX Trading Using Gaussian Processes

Daadooch, Ahmed LU (2018) EXTM10 20181
Department of Economics
Abstract
Machine learning and its application within finance have gained popularity the last decade. The traditional trading roles are changing rapidly and are being increasingly automated with algorithmic trading strategies, by proprietary trading firms, market makers, and other financial institutions. FX trading often involves strategies in the form of technical analysis – suggesting that the efficient market hypothesis might not always hold. Different machine learning techniques are often used in trading activities by Quant fund and other algorithmic and high-frequency trading firms.

In this thesis, I investigate if the Gaussian Process Regression (GPR) can predict prices on a EUR/USD FX Future from CME Globex. The GPR approach has its... (More)
Machine learning and its application within finance have gained popularity the last decade. The traditional trading roles are changing rapidly and are being increasingly automated with algorithmic trading strategies, by proprietary trading firms, market makers, and other financial institutions. FX trading often involves strategies in the form of technical analysis – suggesting that the efficient market hypothesis might not always hold. Different machine learning techniques are often used in trading activities by Quant fund and other algorithmic and high-frequency trading firms.

In this thesis, I investigate if the Gaussian Process Regression (GPR) can predict prices on a EUR/USD FX Future from CME Globex. The GPR approach has its advantages, being a non-parametric and probabilistic method, and often being much simpler to implement, in contrast to other machine learning techniques like neural networks, which might not always be easy to apply in practice. The last decades of developments within GPR has made it a solid competitor for real supervised learning applications. In this thesis the ARIMA model is used as a benchmark model for prediction. (Less)
Popular Abstract (Swedish)
Valutamarknaden är den största finansiella marknaden där cirka USD 5tn omsätts varje dag. Många aktörer inom finansvärlden har börjat bygga sofistikerade algoritmer för att försöka få en positiv avkastning i automatiserad valutahandel. I det här examensarbetet så undersöks Gaussian Process Regression (GPR) för maskininlärning. Fördelen med GPR är att det är en icke-parametrisk metod, vilket innebär att en funktion kan hittas till vilken typ av data som helst, utan att göra något antagande om relationen mellan in- och ut-datan.

En stor del av GPR modellen är val av en kovariansfunktion. Kovariansfunktionen beskriver kovariansen mellan två datapunkter. I det här arbetet så användes två kovariansfunktioner, Rational Quadratic och... (More)
Valutamarknaden är den största finansiella marknaden där cirka USD 5tn omsätts varje dag. Många aktörer inom finansvärlden har börjat bygga sofistikerade algoritmer för att försöka få en positiv avkastning i automatiserad valutahandel. I det här examensarbetet så undersöks Gaussian Process Regression (GPR) för maskininlärning. Fördelen med GPR är att det är en icke-parametrisk metod, vilket innebär att en funktion kan hittas till vilken typ av data som helst, utan att göra något antagande om relationen mellan in- och ut-datan.

En stor del av GPR modellen är val av en kovariansfunktion. Kovariansfunktionen beskriver kovariansen mellan två datapunkter. I det här arbetet så användes två kovariansfunktioner, Rational Quadratic och Ornstein-Uhlenbeck. Idén är att försöka träna GPR modellen så att den kan hitta en lämplig funktion som kan prediktera nya minutpriser.

GPR modelled jämfördes med en Autoregressive Moving Average (ARMA) model. GPR modellen hade lite bättre predektion mätt med mean squared error (MSE) och mean absolute error (MAE), dock var skillnaden mellan de två modellerna väldigt liten.

Modellen appliceras på EUR/USD FX Futures, som är standardiserade kontrakt som kan köpas och säljas elektroniskt. Datan består av 30.000 minutpriser. Datan delas in i trainingset, validationset och testset. Trainingsetet används för att träna modellen och validationsetet används för att validera modellen och se till att det inte overfitting sker. Slutligen används testsetet för att testa modellen och prediktera framtida minutpriser.

Två tradingmodeller utvecklades för simulering av handel. Den första modellen antar inga transaktionskostnader, den köper/säljer beroende på om nästa predikerade minutpris är högre/lägre än nuvarande pris. Den andra modellen antar transaktionsavgifter samt en Bid-Ask spread när handel sker, vilken gör att den är mer realistisk.

Modellerna användes tillsammans med GPR för att prediktera priset minutvis under ett test set med 25,000 minuter. Avkastningen från båda trading modellerna gav dåligt resultat, ofta väldig låg eller negativ.

Att GRP modellen inte var bra nog att prediktera EUR/USD priser kan bero på flera orsaker. EUR/USD är den mest likvida valutaparet, vilken betyder att eventuella ineffektiva förhållanden i marknaden sannolikt redan har exploaterats av sofistikerade aktörer.

Potentiella förbättringar är andra val av kovariansfunktion, samt undersöka möjligheten att kombinera flera GPR modeller, som predikterar i olika tidsskalor. På så sätt kan handelsbeslut baseras på längre tidshorisont är bara en minut framåt. (Less)
Please use this url to cite or link to this publication:
author
Daadooch, Ahmed LU
supervisor
organization
course
EXTM10 20181
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Gaussian Process Regression, Trading, FX, Foreign Exchange, Machine Learning
language
English
id
8950066
date added to LUP
2021-02-25 12:57:29
date last changed
2021-02-25 12:57:29
@misc{8950066,
  abstract     = {{Machine learning and its application within finance have gained popularity the last decade. The traditional trading roles are changing rapidly and are being increasingly automated with algorithmic trading strategies, by proprietary trading firms, market makers, and other financial institutions. FX trading often involves strategies in the form of technical analysis – suggesting that the efficient market hypothesis might not always hold. Different machine learning techniques are often used in trading activities by Quant fund and other algorithmic and high-frequency trading firms. 

In this thesis, I investigate if the Gaussian Process Regression (GPR) can predict prices on a EUR/USD FX Future from CME Globex. The GPR approach has its advantages, being a non-parametric and probabilistic method, and often being much simpler to implement, in contrast to other machine learning techniques like neural networks, which might not always be easy to apply in practice. The last decades of developments within GPR has made it a solid competitor for real supervised learning applications. In this thesis the ARIMA model is used as a benchmark model for prediction.}},
  author       = {{Daadooch, Ahmed}},
  language     = {{eng}},
  note         = {{Student Paper}},
  title        = {{FX Trading Using Gaussian Processes}},
  year         = {{2018}},
}