Year: 2025
Type: dissertation
Abstract: Foreign exchange market is one of the most liquid markets on the planet.It has a significant impact on the economy, hence why predicting its future movements is an important topic.That being said, predicting forex is considered a challenging task due to the volatile and non-linear nature of financial time series.This thesis investigates whether a bidirectional LSTM model, combined with a custom-designed loss function (FLF), can improve prediction quality and trend sensitivity in foreign exchange rate forecasting.A proposed FLF-Bi-LSTM model was trained on historical EUR/USD exchange rate data and benchmarked against Bi-LSTM, LSTM and ARIMA models using common forecasting metrics MAE, RMSE and R 2 .While Bi-LSTM models outperformed LSTM and ARIMA, the FLF-Bi-LSTM did not significantly reduce prediction error.However, it produced more conservative forecasts, giving more weight on exchange rate dips.This suggests that custom loss functions like FLF can shape model behaviour in ways that may benefit risk-averse decision-making, even when error-based performance remains unchanged.Model generalization was also tested with other currency pairs and S&P500 stock index.These results show that if a proper model architecture is found, the model will have significant potential in predicting other datasets accurately.Tiivistelmä: Valuutat ovat yksi maailman likvideimmistä markkinoista.Niillä on merkittävä vaikutus talouteen, minkä vuoksi niiden tulevien liikkeiden ennustaminen on hyvin tärkeää.Valuuttakurssiennustaminen on kuitenkin haastavaa, sillä taloudelliset aikasarjat ovat ominaisuuksiltaan epävakaita ja epälineaarisia.Tässä tutkielmassa selvitetään, voiko kaksisuuntainen LSTM-malli räätälöidyllä tappiofunktiolla (FLF) parantaa ennusteiden laatua valuuttakurssien ennustamisessa.Ehdotettu FLF-Bi-LSTM-mallia koulutettiin historiallisilla EUR/USD-valuuttakurssidatalla ja verrattiin Bi-LSTM-, LSTM-ja ARIMA-malleihin käyttämällä yleisiä ennustemittareita MAE, RMSE ja R².Vaikka Bi-LSTM-mallit suoriutuivat paremmin kuin LSTM-ja ARIMA-mallit, FLF-Bi-LSTM ei vähentänyt ennustevirheitä merkittävästi.Se kuitenkin tuotti konservatiivisempia ennusteita tarkoittaen, että valuuttakurssien laskutrendit saivat suuremman painoarvon.Havainto viittaa siihen, että mukautetuilla tappiofunktioilla voidaan vaikuttaa mallin tekemien ennusteiden luonteeseen.Havainto voi olla hyödyksi esimerkiksi riskiaversiivisessa sijoitusstrategiassa. Mallin yleispätevyyttä testattiin muiden valuuttaparien sekä kryptovaluuttakurssin ja S&P500-osakeindeksin avulla.Tulokset osoittavat, että sopivan malliarkkitehtuurin löytyessä, FLF-Bi-LSTM-mallilla on merkittävää potentiaalia ennustaa muita valuuttapareja varsin tarkasti.
Author: Strengell, Samu
Institution: University of Eastern Finland
Language: English
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7215606778
