Generating currency exchange rate data based on Quant-GAN model

Abstract

This paper discusses the use of machine learning algorithms to generate data that meets the demands of academia and industry in the context of exchange rate fluctuations. Research results. The paper builds a Quant-GAN model using temporal convolutional neural networks (CNN) and trains it on end-of-day and intraday high-frequency rates of currency pairs in the global market. The generated data is evaluated using various statistical methods and is found to effectively simulate the real dataset. Experimental results show that data generated by the model effectively fits statistical characteristics and typical facts of real training datasets with good overall fit. The results provide effective means for global FX market participants to carry out various tasks such as stress tests and scenario simulations. Future work includes accumulating data and increasing computing power, optimizing and improving GAN models, and establishing evaluation standards for generating exchange rate price data. As computing power continues to grow, the GAN model’s ability to process ultra-large-scale datasets is expected to improve.У цьому документі обговорюється використання алгоритмів машинного навчання для генерації даних, які відповідають вимогам наукових кіл та промисловості в контексті коливань обмінного курсу. Результати дослідження. У статті створено модель Quant-GAN з використанням часових згорткових нейронних мереж (CNN) і навчено її на високочастотних курсах валютних пар на світовому ринку наприкінці дня та всередині дня. Згенеровані дані оцінюються за допомогою різних статистичних методів і виявляються такими, що ефективно імітують реальний набір даних. Експериментальні результати показують, що дані, згенеровані моделлю, ефективно відповідають статистичним характеристикам і типовим фактам реальних навчальних наборів даних із загальною хорошою відповідністю. Результати надають учасникам глобального валютного ринку ефективні засоби для виконання різноманітних завдань, таких як стрес-тести та моделювання сценаріїв. Майбутня робота включає накопичення даних і збільшення обчислювальної потужності, оптимізацію та вдосконалення моделей GAN, а також встановлення стандартів оцінки для генерації даних про ціни обмінного курсу. Оскільки обчислювальна потужність продовжує зростати, очікується, що здатність моделі GAN обробляти надвеликі масиви даних покращиться.