基于GRU-LSTM混合网络的外汇汇率预测模型性能分析与比较

软计算快报3（2021）100009基于GRU-LSTM混合网络的外汇汇率预测M.S. Islama，1，E.Hossainb，2，a孟加拉国查托格拉姆港城国际大学计算机科学与工程系b孟加拉国Chattogram吉大港大学计算机科学与工程系aRT i cL e i nf o保留字：外汇预测货币预测时间序列分析外汇市场混合神经网络a b sTR a cT外汇市场是世界上最大的金融市场之一。每天有超过5.1万亿美元的外汇交易由银行、零售交易商、企业和个人进行。由于价格的复杂性、波动性和高波动性，很难在实际时间之前预测价格。交易者和投资者不断寻找新的方法来超越市场并赚取更高的利润。因此，世界各地的研究人员不断提出新的预测模型，以成功预测这个不稳定市场的性质。本文提出了一种新的模型，该模型结合了两个用于时间序列预测的强大神经网络：GRU（GatedRecurrent Unit）和LSTM（Long Short Term Memory），用于预测外汇货币的未来收盘价。我们提出的模型的第一层是具有20个隐藏神经元的GRU层，第二层是具有256个隐藏神经元的LSTM层。我们已经将我们的模型应用于四种主要货币对：EUR/USD，GBP/USD，USD/CAD和USD/CHF。使用2017年1月1日至2018年12月31日的数据进行10分钟时间段的预测，并使用2019年1月1日至2020年6月30日的数据作为概念验证。使用MSE、RMSE、MAE和RMB2评分对模型的性能进行了验证。���此外，我们将我们的模型的性能与独立的LSTM模型，独立的GRU模型和基于简单移动平均（SMA）的统计模型进行了比较，其中提出的混合GRU-LSTM模型在10分钟的时间范围内优于所有模型，并且在30分钟的时间范围内，在MSE，RMSE和MAE性能指标方面为GBP/USD和USD/CAD货币对提供了最佳结果。但在2002分方面，我们的系统优于所有比较模型，从而证明自己是所有模型中风险最小的模型1. 介绍外汇（FOREX）市场是世界交易员每天交易数万亿美元[2]。外汇市场非常复杂，波动性很大，经常与黑箱相比，因为货币汇率波动很大[3]。外汇市场全天24小时开放[4]，但交易基于四个主要时区进行：澳大利亚区，亚洲区，欧洲区和北美区[5]，每个区域都有自己的开放时间和关闭时间。需要大量的资金来对货币汇率进行影响，这使得市场免受骗子的影响[6]。与其他领域一样，预测外汇市场在过去几十年中一直是研究人员的主要兴趣。应用于市场的最重要的机制之一就是筹码与股票市场等常规市场相反，外汇市场不需要有大量的资金。在其最简单的定义中，杠杆允许开仓任何货币对只有部分资本保护。这种方法对于小资本的人来说是相当方便的.此外，这也是外汇市场吸引小型和私人投资者的最重要特征之一。外汇市场可以使用基本面分析和技术分析来预测[7]。基本面分析考虑了许多不同的因素，如公司和国家的经济和工业状况;技术分析仅根据以前的时间序列数据预测外汇市场。近年来，许多研究人员使用基本面分析进行外汇预测[8]。近年来，技术分析也被用于许多研究[9研究人员以前使用不同类型的方法来预测外汇汇率[12]。其中，AP-∗ 通讯作者。电子邮件地址：saifulrahat5@gmail.com（M.S. Islam），ehfahad01@gmail.com（E. 侯赛因）。1 [orcid=0000-0002-1051-0499]。2 [orcid=0000-0002-6422-1895]。https://doi.org/10.1016/j.socl.2020.100009接收日期：2020年6月7日;接收日期：2020年8月11日;接受日期：2020年10月21日2666-2221/© 2020作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表软计算快报期刊主页：www.elsevier.com/locate/soclM.S.伊斯兰教和E.Hossain软计算快报3（2021）100009基于神经网络的方法已被证明是最可靠的时间序列预测算法之一。不仅是可靠的，但他们也适应根据情况，并提供了一个很好的结果[13目前，大多数系统都使用RNN（递归神经网络）的不同实现来进行时间序列预测， 它的能力，以记住每一个信息，通过时间，也为改善预测能力，使用以前的输入系统。LSTM已被证明是时间序列预测中最准确和最成功的算法，紧随其后的是GRU[16]。GRU是LSTM的修订版，但工作过程非常相似。GRU需要较少的内存，因为它使用较少的训练参数，因此比LSTM更快。虽然LSTM有点耗时，但它更准确，因为它使用更长的序列。这促使我们基于两个最有前途的神经网络构建一个混合模型，并将这两个模型的功能结合到一个模型中。本研究的主要目的是证明组合功率两个最强大的时间序列分析器：门控递归单元（GRU）和长短期记忆（LSTM），预测外汇当前价格。为此，我们开发了一个混合模型，在前面层有一个GRU，在后面层有LSTM。我们应用我们提出的模型来预测四种主要外汇货币对的收盘价：欧元/美元，英镑/美元，美元/加元和美元/瑞士法郎。以证明你根据我们的概念，我们预测了外汇价格10分钟， 比实际时间早30分钟。尽管过去已经有很多研究对外汇市场进行了预测，但是研究者们仍然试图提出新的模型来预测这个市场的性质。虽然有许多机器学习和深度学习方法用于融资，但交易者不断寻找新技术以超越市场。这使得新方法的要求更高，因为它们的独特性有助于交易者以特定的方式满足他们的愿望。文章的其余部分组织如下。第2节介绍了近年来的相关工作，第3节简要讨论了GRU和LSTM模型，第4节解释了我们提出的方法。第5节讨论了我们的模型的结果，并将该模型与其他模型进行比较。最后，第六对本研究进行了总结，并对未来的研究方向进行了展望.2. 相关作品前几年已经看到了很多不同的技术已被应用于预测外汇市场。测试了多种方法，其中大多数方法基于机器学习技术。其中一些模型只包括一种处理技术，而一些研究人员则结合了两种或多种技术。近年来，许多机器学习技术，如回归技术、决策树、交易规则方法、模糊逻辑、支持向量机等，已被应用于外汇市场预测。Said、Omar和Aziz开发了一种基于回归技术的混合模型，他们将回归技术与布谷鸟搜索算法相结合[17]。他们的模型受到自回归移动平均（ARMA）模型的启发，他们用美元/ 欧元货币对的历史数据准备了数据集。采用支持向量回归（SVR）、多元线性回归（MLR）、CRT回归树和偏最小二乘（PLS）回归方法对数据集进行训练。由这四种算法生成的权重被用作布谷鸟搜索算法的输入。该实验是用两年的历史来完成的。 校准数据。多元线性回归（MLR）提供了更好的结果比SVR，PLS和CRT。他们的模型优于其他回归算法[18][19]。另一种混合模型由Paponpat，Kosin和Nattapol[20]开发，用于支持压缩向量自回归的统计检查和预测他们使用随机压缩技术将大量外汇数据减少到简化的形式。然后贝叶斯模型平均（BMA）技术对每个随机压缩数据进行加载，得到相交参数。他们使用的货币对有很高的均方误差，因为用于预测的预测因子是四个滞后因变量，以及其他外汇货币对的随机压缩。他们提出的模型被证明对6种货币对具有有效的结果：EUR/TRY，CAD/CHF，EUR/DKK，CAD/JPY，EUR/MXN和AUD/JPY，并且优于贝叶斯自回归的主流基准。其他研究人员[21，22]也采用了类似的方法来预测外汇货币。近年来，许多研究人员试图建立基于交易规则的预测模型。交易规则定义了交易者的进入、退出和资金管理标准。这些规则是判断一笔交易成功或失败所Jia，Yang，Xiao，Changqin，Gansen和Yong[23]提出了这种基于规则的模型，用于外汇在线预测，使用加权多数（WM）算法选择专家。当系统进行连续预测时，保持良好的预测率对他们来说是一个挑战。因此，作为一种解决方案，他们考虑了在线网站的建议，并根据建议进行预测该网站乃根据平均错误率及平均赚取溢利的结果而选定采用自适应经验风险最小化的WM算法选择一组具有良好平均收益和较小平均误差的合适专家。两组专家根据错误进行了评估，利润以及工会和交叉点。结果分析表明，交会法在20天的预报中取得了较好的精度，比基线提高了30%。许多其他研究人员也使用交易规则进行了预测[24，25]。决策树模型也有一些用途，但不像其他算法那样广泛。使用决策树，Juszczuk，Kozak和Trynda[26]创建了一个模型，可以从真实世界的外汇市场数据生成数据集然后将这些数据集转换为具有买入、卖出或等待属性的决策表。CART算法和C4.5算法也用于测试分类的质量他们使用三种货币对和每个货币对的三个数据集进行系统开发。他们发现，大多数数据（86-98%）都被分配给了等待类，这使得分析数据变得更加困难因此，他们使用算法来分析结果。通过对分类结果的准确性和决策树的大小进行分析，CART算法得到了最优的分类结果。Dadabada和Vadlamani也使用了这种方法[27]。另一种流行的统计预测技术是支持向量机（SVM）。支持向量机实现在个人和混合系统的预测能力。Thuy和Vuong[28]提出了一种使用SVM进行外汇预测的模型。他们用欧元/美元货币对用于其模型实施。他们对数据集使用了交叉验证方法，并将结果分为两类：正输出和负输出。他们使用准确率、正、负、宏观平均和微观平均来比较性能。结果表明，高斯RBF方法的训练集和测试集之间存在较大的差异（29.5%）。但在多项式模型中只发现了很小的差异。根据计算结果，从多项式中提取核函数具有较高的性能.他们将正常交易方法与SVM交易进行了比较，发现使用SVM模型SVM也被许多研究人员使用[29，30]。自然语言处理是近年来研究人员感兴趣的另一个子领域。与其他任何领域一样，外汇交易所也看到了用于预测汇率的基于自然语言处理的系统。除了基于文本的问题，NLP在预测方面也令人惊讶地显示出很好的结果[31，32]。吸引研究人员的最受欢迎的算法之一是优化技术。Smruti、Debahuti和Minakhi[33]提出了将Jaya优化技术与极端学习机器相结合的混合模型，该模型能够预测货币汇率。他们使用了两种货币对，M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009Fig. 1. 我们建议的管道的简单架构。美元。他们测试了他们的模型与ELM，NN和FLANN支持的其他模型。他们发现，在ELM、NN和FLANN之间，ELM显示出最有效的优化。与其评估数据一致对于MAE、ARV和Theils U模型，ELM TLBO、ELM PSO和ELM Jaya分别提供了最有效的结果对于外汇交易策略优化，Galeshchuk和Mukherjee[34]采用遗传算法来发展一套特殊的盈利交易规则，其灵感来自加权移动平均法。对于生成规则，他们的遗传 算 法 显 着 地 返 回 到 耗 尽 的 搜 索 之 上 Smruti 、 De- bahuti 和Minakhi[35]提出了另一种混合机器学习框架。他们提出的模型与ELM-Jaya和ELM相匹配，他们的模型可以使用技术指标，统计措施和混合两者来预测两种汇率的货币价格。其他研究人员[36][37]也使用了优化技术混沌理论近年来吸引了许多研究人员[38]。通过采用一种新的混合预测方法，包括混沌理论（Chaos）和多元自适应回归样条（MARS），Dadabada和Vadlamani预测了汇率[39]。他们测试了他们的系统，使用不同类型的基于混沌的预测模型对3种主要外汇货币进行预测：日元/美元，英镑/美元，欧元/美元，并通过混沌+MARS方法对这些货币进行了最高精度的预测。Raymond[40]提出了一种混沌区间2型模糊神经振荡网络（CIT 2-FNON），用于全球金融预测。CIT 2-FNON由混沌离散时间神经振荡器即李振子构成，李振子是递归网络的瞬态模糊输入神经元。该模型提出的混沌二型瞬态模糊逻辑（CT2TFL）提供了一种具有混沌瞬态模糊特性的二型模糊逻辑系统（T2FLS），以解决复杂性问题。更多的模型[41][42]是使用混沌理论来预测外汇价格。另 一 种 流 行 的 方 法 是 基 于 模 式 的 模 型 。 这 种 模 型 是 由 Erik 和Richard[43]开发的，他们提出了多维弦模型，可用于统计预测。他们用一个结合D2-brane的双端点开弦模型增强了单端点开弦模型。他们展示了统计数据 的预测因子经常被新的对象属性改变，用它们来模拟一系列时间序列系统。他们使用了四种不同的货币对来评估他们的系统。他们发现弦模型的高效率通常是通过使用更长的弦长度来实现的。Paponpat和Nattapol[44]提出了一种使用动态模型平均（DMA）和一般DMA的转换模型来预测外汇汇率的模型。他们将该模型应用于3种货币对JPY-USD，EUR-USD和GBP-USD。总数据的70%用于训练模型，30%用于评估。与结果一致他们提出的模型发现，四滞后自回归（也称为AR（4））和四滞后时变自回归（称为TVP-AR（4）模型）给出了最佳的USD-JYP预测结果。对于EUR-USD数据集，简约模型提供了良好的结果。他们认为，使用演化系数的随机过程的模型最适合用于这种预测。他们发现DMA和DMS具有可靠的一致性。其他研究人员也采用了类似的方法[45，46]。Dadabada和Vadlamani[47]提供了外汇汇率预测的概述。他们研究和审查了1998年至2017年期间用于货币汇率预测的82个混合系统。他们注意到基于人工神经网络的混合系统图二. 隐藏层的内部结构。M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009图三. EUR/USD 10分钟时间段的实际曲线和预测曲线之间的差异分布。在预测利率方面提供了更高的稳定性和准确性。分析表明，混合模型的性能优于独立模型。混合模型提供了更高的准确性，也降低了不确定性。这也促使我们结合使用GRU和LSTM预测外汇价格。在研究了基于人工神经网络的混合模型后，他们发现深度学习架构是货币汇率预测中使用较少的算法。尽管如此，近年来已经看到了大量基于神经网络的研究[48Lina等人提出了一种新的混合系统C-RNN方法。[51]第51话时间序列的预测C-RNN是递归神经网络（RNN）和卷积神经网络（CNN）的混合。他们使用数据驱动技术来观察外汇市场不断变化的特征。将该模型与基于长短期记忆（LSTM）和卷积神经网络（CNN）的算法进行了比较。使用RMSE性能评估，他们发现提出的C-RNN模型比基于LSTM和CNN的模型提供更少的错误。Jacek和Piotr[52]使用神经网络和基于遗传算法的系统进行外汇交易。该模型适用于欧元/美元收盘价。他们使用了其他模型，如：NGD，NGW，MACD，MA，并继续与他们提出的模型进行比较。他们提出了两种不同的方法，一种是用重量，另一种是用方向。他们发现，在对20个实验进行平均后，他们的加权版本表现最好，利 润 为 111% ， 而 方 向 版 本 的 利 润 为 56% 。 另 一 种 混 合 模 型 由Rajashree[53]开发，他使用改进的shuedfrog leaping（ISFL）和计算效率高的函数链接人工神经网络（CEFLANN）的混合物进行预测。采用改进的蛙跳算法，降低了系统的误码率她用了三种不同的方法-输入货币对USD/CAD，USD/CHF，和USD/JPY为她提议的系统。为了检验系统的性能，采用了两种不同的算法：蛙跳算法和粒子群优化算法。实验结果表明，该模型的性能优于两种算法。对于RMSE，美元/加元和美元/日元货币对的误差率在0.04-0.05之间，美元/瑞郎的误差率在0.03-0.04之间。其他研究人员也采取了类似的方法[54Svitlana[57]对各种ANN算法进行了性能分析。她用了三种不同的方法-输入货币对USD/EUR、JPN/USD和USD/GBP，以评估预测汇率的最有效模型。 她优化并预处理了原始输入文件，以便与神经网络模型一起使用。为了训练模型，她使用了反向传播算法。她预测了所有三种货币对的每日、每月和每季度三个不同阶段，并使用了具有一步预测模式的5-10-1结构的多层感知器。一个深刻的学习-Jerzy和Marcin[58]采用了这种方法，他们提出了一种预测金融统计数据的系统，可以用作A-Trader系统中的代理。他们分析了神经网络和深度学习方法的性能。他们为他或她的系统分别使用了78、64、87和63个神经元的4个隐藏层。在性能评估方面，采用了MLP代理和BH基准测试.他们把结果分为三个不同的时期。对于第一和第二阶段的组合，他们提出的系统表现更好。Sitty，Indrabayu和Sofyan[59]将统计方法与机器学习进行了比较。他们用开、闭、高、低变量进行实验。对于1天和1至5天的预测，ASTAR为高和接近的变量提供了更好的结果，其中GA-NN提供了改进的方法。M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009见图4。EUR/USD 30分钟时间段的实际曲线和预测曲线之间的差异分布。开放和低的结果。但对于长期预测（整个月），结果发生了变化，其中GA-NN为开放和高提供了更高的结果，而对于其余的ASTAR是更好的结果提供者，而SVM总是提供GA-NN和ASTAR的平均值。许多其他支持神经网络的系统也在前几年实现[60，61]。3. GRU和LSTM在本节中，我们简要讨论了递归神经网络（RNN）的两种强大变体：GRU和LSTM，它们用于本研究。它们更有效，更受研究人员的欢迎，特别是对于时间序列分析。3.1. Gated Recurrent UnitGRU（Gated Recurrent Unit）最早由Cho等人于2014年提出，并已成为递归神经网络（RNN）最有前途的算法之一。GRU的主要任务是处理标准递归神经网络中的梯度消失问题。GRU被认为是LSTM的变体，因为这两种算法都可以在某些情况下提供出色的结果。GRU有三个sig-moid层：更新门、重置门和tanh层。GRU使用最新的门和复位门来解决梯度消失问题，并决定输出结果。3.1.1. 更新门数据处理从更新门开始。首先，通过使用以下公式来计算时间步t处的更新门zt：������=���(������. [（−1），]）在计算中，Xt和h（t-1）乘以其权重并相加。然后使用sigmoid激活将结果在0和1之间转换。更新门帮助模型确定有多少过去的信息需要传递到未来的时间步长。3.1.2. 复位栅极使用以下等式计算在时间步t处的复位门rt的计算：������=���(������.[（− 1），]）计算从 Xt和h（t-1）乘以其权重开始，然后相加。然后使用sigmoid激活来转换值0和1之间的输出。重置门帮助模型确定需要忘记多少过去的信息3.1.3. 当前存储器内容这与复位门有关。这从引入新的存储器内容开始，该内容将使用复位门并存储来自过去的相关信息。数学方程如下：ℎ��� =��������� ℎ(���. [（−1），]）。计算从输入Xt乘以其权重开始。然后，对复位门rt和先前的输出ht-1进行逐元素乘法。这允许仅传递相关的过去信息。然后将两个计算结果相加，并应用双曲正切函数。3.1.4. 当前时间步最后，该单元必须计算HT矢量，该矢量保存当前单元的信息，并将信息进一步传递到网络。更新门zt在这方面起着关键作用M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009图五、欧 元 /美元10分钟时间段的实际值与预测值曲线。图六、欧 元 /美元30分钟时间段的实际值与预测值曲线。其数学公式为：=（1 −）（− 1）+（）。���������������������根据计算，如果矢量zt接近0，则当前内容的大部分将被忽略，因为它与预测无关。同时，由于zt在该时间步长处将接近于0，因此1-zt将接近1，允许保留大部分过去的信息。3.2. 长短期记忆LSTM是递归神经网络的另一种变体，可以使用优化算法（如梯度下降）对一组训练序列进行训练。LSTM最早由Hochreiter和Schmidhuber于1997年引入[63]，作为RNN的更新版本，用于解决消失梯度等问题，后来被简化或重新定义[64]。LSTM与时间反向传播相结合 用于计算优化过程中所需的梯度。这样做是为了改变LSTM网络的所有权重，与关于相应权重的错误率的推导成比例。LSTM能够学习长期依赖关系。它们能够使用记忆单元长时间记忆的方法。正常的RNN只有一层（tanh），而LSTM有四层。LSTM的关键组成部分是细胞状态。它沿着整个时间步直接运行，只有次要但重要的交互。LSTM可以使用几个门来添加或删除单元状态中的信息。每个门由一个sigmoid神经网络层组成。这些sigmoid层产生0到1之间的输出数字，表示每个组件应该通过多少信息。0代表“不让任何东西通过”，而1代表“让所有东西通过”。四层中的三层用于控制单元状态。LSTM的工作流程可以分为三个步骤。第一步LSTM的关键是决定从细胞状态中扣除哪些信息。sigmoid层也被称为M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009图7.第一次会议。英 镑 /美元10分钟时间段的实际值与预测值曲线。图8.第八条。英 镑 /美元30分钟时间段的实际值与预测值曲线。这个决定。它查看前一个时间步ht-1和xt，并产生0和1之间的输出该过程的数学方程������=���(������.[（− 1），]+）������第二步是决定哪些新信息将被存储在单元状态中。一个被称为“输出门”的sigmoid层首先决定哪些值将被更新。然后，tanh层创建候选值Ct的新向量，其可以被添加到小区状态。这些步骤的等式为：������=���(������.[（− 1），]+）������������=��������� ℎ(������.[（− 1），]+）������然后，旧的单元状态Ct-1需要被更新为新的单元状态Ct。其数学方程为：������=������ ∗ (������− 1 +������∗ ������)最后一步是决定系统的输出。输出基于细胞状态，但它是一个过滤版本。首先，sigmoid层决定细胞状态的哪些部分将作为输出。然后通过tanh函数将单元状态转换为然后将其与sigmoid层输出相乘，以仅获得所需的输出。在数学上，这是通过使用这两个等式来完成的：������=���(������. [（− 1），]+）=（）������������������4. 建议计划预测过程从获取EUR/USD、GBP/USD、USD/CAD和USD/CHF货币对的数据集开始。然后对系统进行训练，预测速率，最后得到性能M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009见图9。GBP/USD 10分钟时间段的实际曲线和预测曲线之间的差异分布。使用MAE，MSE，RMSE和RMSE2评分对模型进行评估。图1呈现了我们提出的系统的系统架构。4.1. 数据收集数据集收集自Histdata[65]网站。收集了四种主要货币对的数据：欧元/美元[66]，英镑/美元[67]，美元/加元[68]和美元/瑞士法郎[69]。我们收集了从2017年1月1日至2018年12月31日的两年历史时间序列数据，用于我们的10分钟预测模型，以及从2019年1月1日至2020年6月30日的30分钟预测模型。每个数据集包含共有5个属性：日期和时间、开盘价、高价、低价和收盘价。这些数据集包含每天24小时内1分钟间隔的OHLC（开盘-高-低-收盘）时间序列数据4.2. 数据预处理每个收集的数据集都没有任何缺失值，然而，数据集包含1分钟间隔的数据值，并且大小也很大我们将这些1分钟OHLC数据集转换为10分钟和30分钟数据集，其中我们以以下方式计算和组合数据值• 日期和时间：每个数据• 开盘价：10分钟数据集开始计算时10分钟时间间隔的第一分钟开盘价，开始计算30分钟数据集时的30分钟时间间隔的第一分钟。• 高价：在这10分钟和30分钟之间，各个数据集达到的最高价格值。• 低价：在这10分钟和30分钟之间，各个数据集达到的最低价格值。• 收盘价：分别为为了获得数据之间更好的关系和更好的训练结果，我们为数据集添加了一些额外的属性。这些属性是：小时，天，周，动量，平均价格，范围和OHLC价格。属性是从原始数据集计算的，如下所示。• 动量=开盘价• 平均价格=（低价+高价）/2• 范围=高价格• OHLC价格=（开盘价+最高价+最低价+收盘价）/44.3. 模型设计我们提出的混合模型使用四层构建，其中第一层包含具有20个隐藏神经元的GRU，第二层包含具有256个隐藏神经元的LSTM。第三层和第四层是密集层，分别有64个和1个隐藏神经元。我们使用10分钟和30分钟的间隔数据训练了这个模型，这些数据是我们从原始的1分钟间隔数据中处理出来的的M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009见图10。英镑/美元30分钟时间段的实际曲线和预测曲线之间的差异分布。训练数据和测试数据的百分比分别为80%和20%。在数字上，训练数据是大约平均略大于60000的10分钟预测模型和大约平均略大于14800的30分钟模型，而测试数据是大约平均略大于14000的10分钟模型和大约平均略大于3700的30分钟预测模型的所有货币对。图2示出了所提出的系统中不同隐藏层首先，数据集的所有属性都用作 GRU层。GRU是我们的第一个隐藏层。每个GRU神经元收集数据，并沿着路径生成加权值。然后数据从GRU层传递到LSTM层，这是我们的第二个隐藏层。同样，沿着从GRU层到LSTM层的路径生成加权值。类似地，数据然后被传递到密集层，这是第三个隐藏层。从LSTM到Dense层生成加权值。密集层是我们用来产生输出的普通神经网络层。从第三个隐藏层，然后将数据传递到输出神经元，并相应地生成权重。然后将输出与原始值进行比较，以找出误差函数。然后根据实际值和预测值的差异来更新加权值，直到它达到成本函数的最小点，并且权重被然后保存以备将来预测。根据保存的加权值，完成10分钟和30分钟的未来预测，并测量系统4.4. 模型验证验证是通过比较实际数据与预测数据来检查系统这里我们使用MSE（均方误差），RMSE（均方根误差），MAE（平均绝对误差）和R平方（R2）值来测量我们系统的性能。���其中在MSE和RMSE中，误差在取平均值之前，每个数据点的平方。 这意味着这两个度量对较大的误差施加了更多的权重。MSE和RMSE可以是非常有用的，当一个大的错误是非常不可取的，这是真实的外汇预测以及。另一方面，MAE取所有数据点绝对误差的平均值。与MSE或RMSE相比，MAE对离群值不太敏感。 但当性能是在连续数据上测量时，它是有用的，这在我们的情况下也是如此。这些矩阵的值越小，模型就越好。另一方面，更高的102度量值，也称为决定系数表明模型拟合较好。���2值表示模型拟合数据集的程度。���R2的值可以在0和1之间，其中0表示模型不适合给定的数据，而1表示模型完全适合给定的数据集。还有另一种对E12的重要解释，在金融界被广泛使用。���风险调整后的回报率也可用作风险调整后的回报率，帮助投资者评估现有和潜在的投资。102价值1意味着金融资产的变动（外汇价格在这种情况下）是完全公正的基准指数的变动。另一方面，0表示资产的变动根本没有被基准所证明。5. 结果和讨论在本节中，我们验证了我们所提出的系统对我们使用的四种主要货币对的性能：欧元/美元，英镑/美元，美元/加元和美元/瑞士法郎。我们已经应用我们的模型来预测M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009见图11。USD/CAD 10分钟时间段的实际曲线和预测曲线之间的差异分布。每个货币对的收盘价比实际时间早10分钟和30分钟。此外，我们还将我们提出的模型与独立的GRU、独立的LSTM和基于移动平均技术的统计模型进行了比较。5.1. 绩效评价对于每个货币对，我们的模型使用20-256-64隐藏层的形式进行训练，并运行100次。然后对总数据的20%进行预测。然后使用性能矩阵MSE、RMSE、MAE和比较实际和预测之间差异的102分值，并提供介于0和1之间的结果。我们选择性能矩阵MSE、RMSE和MAE来检查我们的模型提供的错误率，因为任何回归模型的质量都可以通过以下方式来理解：错误率。选择102我们的模特为了比较我们提出的模型的效率，我们选择了独立的GRU模型和独立的LSTM模型，因为我们想看看我们提出的模型是否提高了整体性能，并且可以优于这些算法中的任何一个，因为如果系统提供与单个模型相同或更差的性能，那么整个实验将毫无意义，并且如果没有适当的比较，就不可能理解差异。选择这两个模型的另一个原因是它们的性能，比其他深度学习方法更好[16]时间序列预测。GRU和LSTM模型都是使用相同的数据集，相同的隐藏层结构进行训练的，并且每个模型都运行了100次。此外，该模型还与一个简单的统计模型进行了比较，该模型使用前20天收盘价的移动平均值来预测未来价格以下4个小节讨论了我们在本研究中使用的四个主要曲线对的结果。5.1.1. 欧元/美元对于欧元/美元货币对，我们验证了10分钟模型的14886个样本和30分钟模型的3723个样本，分别占我们总数据的20%。该模型使用其余数据进行训练。图图3和图4呈现了图3和图4中提供的实际曲线和预测曲线之间的差异分布。 5和6所示。x轴表示实际值和预测值之间的差异，y轴表示每个值的得分频率。图5和图6分别显示了欧元/美元对10分钟和30分钟模型的实际价值与预测价值曲线。这里，x轴表示我们用于验证的样本数量，在本例中，10分钟和30分钟分别为14886和3723。 货币对的实际收盘价用黄色标记，模型预测收盘价用蓝色标记。Y轴表示该货币对的单位价值，在这种情况下是欧元/美元货币对的标准化收盘价。曲线的上下波动表明收盘价的起伏图表清楚地显示了预测的准确性：实际值和预测值几乎相互重叠。我们的模型对欧元/美元10分钟货币对的MSE、RMSE和MAE得分分别为0.00001、0.00301和0.00224。对于30分钟对，MSE、RMSE和MAE分数分别为0.00032、0.01790和0.01233。这些值还验证了预测模型在大时间范围和小时间范围内的高准确性。���在10分钟对和30分钟对的得分分别为0.99678和0.99205这意味着，前...M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009见图12。USD/CAD 30分钟时间范围内实际曲线和预测曲线之间的差异分布。货币对的价格变动几乎完全符合基准指数数据。因此，该模型的风险调整财务回报可忽略不计。5.1.2. 英镑/美元GRU-LSTM模型的建议方向并没有提供我们预期的结果。然而，一旦我 们改 变 了两 层 （LSTM-GRU ） 的形 成 ，模 型 的性 能 就提 高 了。GBP/USD 10 分 钟 模 型 的 MSE 、 RMSE 、 MAE 和 RMB2 得 分 分 别 为0.00001、0.00357、0.00253和0.99509在30分钟内模型，这些值分别为0.00084、0.02895、0.01448和0.93690。实际值与预测值的曲线见图1和图2。7和8X轴表示已用于预测的测试样品的数量（10分钟模型为14871个，30分钟模型为37224个）。货币对的实际收盘价被标记模型预测的收盘值用蓝色标记。Y轴表示GBP/USD货币对的标准化收盘价。曲线的上下波动表明收盘价的起伏。图图9和图10显示了图11和图12中提供的实际曲线和预测曲线之间的差异分布。分别为7和8。输出的差异和差异的频率分别由x轴和y轴表示5.1.3. 美元/加元对于USD/CAD货币对，我们已经测试了14685个10分钟时间框架样本和3740个30分钟时间框架样本的模型。我们得到的10分钟MSE、RMSE、MAE和RMSE2得分为0.00004、0.00597、0.00387和0.99510，而对于30分钟的时间段，这些值分别为0.00018、0.01358、0.00998和0.99287。实际值与预测值的曲线如图1和2所示。13和14号。 X轴表示测试样本的数量，Y轴表示USD/CAD对的标准化收盘价图图11和图12分别呈现了图13和图14中提供的实际曲线和预测曲线之间的差异分布。x轴和y轴类似地分别表示每个值的差异和差异的频率5.1.4. 美元/瑞郎最后，我们已经验证了我们提出的模型对14805美元/瑞士法郎样本为10分钟的时间框架和3727样本为30分钟的时间框架。与其他三种货币对一样，该模型的预测误差非常低。10分钟时间段的MSE、RMSE和MAE值分别为0.00001、0.00362和0.00261，而30分钟时间段的MSE、RMSE和MAE值分别为0.00001、0.00362和0.00261。分钟的时间范围内，我们分别得到0.00020、0.01422和0.01015。 在10分钟的时间段内，我们得到了0.99880，���我们测试的四个货币对中最好的10分钟间隔。但是对于30分钟的时间段，我们得到的102实际值与预测值的曲线如图1和图2所示。15和16号。X轴表示测试样本的数量，y轴表示样本的标准化收盘价。货币的实际收盘价和模型预测收盘价分别用黄色和蓝色标记。曲线的上下波动代表收盘价的上下波动。图图17和图18呈现了图17和图18中提供的实际曲线和预测曲线之间的差异分布。 15和16号。像以前一样，x轴M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009图13岁美 元 /加元10分钟时间段的实际价值与预测价值曲线。图十四岁美 元 /加元30分钟时间段的实际价值与预测价值曲线。表示实际值和预测值之间的差异，而y轴表示每个值的得分频率5.2. 性能比较为了确定模型的好坏，我们将我们的混合GRU-LSTM模型与独立的GRU模型、独立的LSTM模型和简单的统计模型进行了比较，在简单的统计模型中，我们使用了前20天收盘价的简单移动平均（SMA）。移动平均用于滤除噪音及平滑价格趋势。我们考虑了20天移动平均线来分析表现， 20天移动平均线被证明是最好的结果[70]。表1-对于ev-表1欧元/美元10分钟的性能比较。型号MSE RMSE MAE申报型号0.00001 0.00301 0.00224LSTM 0.00002 0.00468 0.003652009年12月31日2019 - 05 - 25 0.00008 0.00930 0.00722表2GBP/USD 10分钟业绩比较。模型MSERMSEMae该模型0.000010.003570.00253LSTM0.000040.006010.00449GRU0.000020.003910.002750.00016 0.01301 0.01064每一个货币对，我们提出的模型优于其他模型。M.S.伊斯兰教和E.Hossain软计算快报3（2021）100009图十五岁美 元 /瑞士法郎10分钟时间段的实际值与预测值曲线。图十六岁美 元 /瑞士法郎30分钟时间段的实际值与预测值曲线。表3USD/CAD 10分钟的性能比较。表5EUR/USD 30分钟的性能比较。模型MSERMSEMae模型MSERMSEMae该模型0.000040.005970.00387该模型0.000320.017900.01233LSTM0.000050.006860.00464LSTM0.000660.025730.01816GRU0.000410.020240.01721GRU0.000380.019550.01334SMA0.000080.009360.00788SMA0.000210.0