[論文レビュー] Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework

Tamal Datta Chaudhuri, Indranil Ghosh|arXiv (Cornell University)|Jul 3, 2016

Stock Market Forecasting Methods参考文献 26被引用数 50

ひとこと要約

本稿では、人工ニューラルネットワーク（ANN）と時系列計量経済学を組み合わせた多変量予測フレームワークを提案し、ルピー対米ドル為替レートを予測する。決済勘定、株式市場、商品、ボラティリティインデックスからの変数を用いて、マルチレイヤーフィードフォワードニューラルネットワーク（MLFFNN）とNARXモデルが、従来のGARCHおよびEGARCHモデルよりも精度と予測力に優れていることが判明した。

ABSTRACT

Any discussion on exchange rate movements and forecasting should include explanatory variables from both the current account and the capital account of the balance of payments. In this paper, we include such factors to forecast the value of the Indian rupee vis a vis the US Dollar. Further, factors reflecting political instability and lack of mechanism for enforcement of contracts that can affect both direct foreign investment and also portfolio investment, have been incorporated. The explanatory variables chosen are the 3 month Rupee Dollar futures exchange rate (FX4), NIFTY returns (NIFTYR), Dow Jones Industrial Average returns (DJIAR), Hang Seng returns (HSR), DAX returns (DR), crude oil price (COP), CBOE VIX (CV) and India VIX (IV). To forecast the exchange rate, we have used two different classes of frameworks namely, Artificial Neural Network (ANN) based models and Time Series Econometric models. Multilayer Feed Forward Neural Network (MLFFNN) and Nonlinear Autoregressive models with Exogenous Input (NARX) Neural Network are the approaches that we have used as ANN models. Generalized Autoregressive Conditional Heteroskedastic (GARCH) and Exponential Generalized Autoregressive Conditional Heteroskedastic (EGARCH) techniques are the ones that we have used as Time Series Econometric methods. Within our framework, our results indicate that, although the two different approaches are quite efficient in forecasting the exchange rate, MLFNN and NARX are the most efficient.

研究の動機と目的

• 多様な経済的および金融的指標を統合した、インドルピー対米ドル為替レートの多変量予測モデルの開発を目的とする。
• 人工ニューラルネットワーク（ANN）と従来の時系列計量経済モデルとの間の相対的な予測性能を評価することを目的とする。
• 基本的決済勘定状況と市場センチメント（ボラティリティインデックスや政治的リスクの代理指標を含む）を反映する要因を組み込むことを目的とする。
• 統一された実証的枠組みにおいて、MLFFNN、NARX、GARCH、EGARCHモデルの予測精度を評価することを目的とする。

提案手法

• 本研究では、8つの主要な説明変数（3か月物ルピー・ドル先物レート（FX4）、NIFTYリターン（NIFTYR）、ダウ・ジョーンズ・インダストリアル・アベレージ・リターン（DJIAR）、ハンガリー・セング・リターン（HSR）、DAXリターン（DR）、原油価格（COP）、CBOE VIX（CV）、インドVIX（IV））を用いた多変量フレームワークを採用した。
• 使用された人工ニューラルネットワークモデルには、マルチレイヤーフィードフォワードニューラルネットワーク（MLFFNN）と非線形自己回帰型外部入力付き（NARX）モデルが含まれる。
• 時系列計量経済モデルには、一般化自己回帰的条件異分散性（GARCH）と指数的自己回帰的条件異分散性（EGARCH）モデルが含まれる。
• モデルは歴史的為替レートデータを用いて学習およびテストされ、予測精度の指標（RMSEおよびMAEなど）を用いて評価された。
• モデル選択と評価は、複数の予測期間におけるアウトオブサンプル予測性能に基づいて行われた。
• フレームワークは、マクロ経済的、金融市場的、ボラティリティ指標を統合し、基本的要因とセンチメントに起因する為替レート変動を捉えることを目的とした。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークモデルは、従来の時系列モデルと比較して、インドルピー対米ドル為替レートの予測においてどの程度優れているか？
• RQ2 マクロ経済的および金融市場の変数（株式リターンや商品価格を含む）は、為替レート予測の精度をどの程度向上させるか？
• RQ3 具体的に、MLFFNNとNARXのうち、どの神経ネットワークアーキテクチャが多変量設定において最も正確な為替レート予測を提供するか？
• RQ4 ボラティリティインデックス（CBOE VIXおよびインドVIX）を外部入力として含めると、為替レート予測にどのような影響を与えるか？
• RQ5 契約執行の質などの政治的・制度的リスク要因を含めることで、予測性能は向上するか？

主な発見

• マルチレイヤーフィードフォワードニューラルネットワーク（MLFFNN）は、テストされたすべてのモデルの中で予測精度が最も高く、GARCHおよびEGARCHモデルを上回った。
• NARXニューラルネットワークモデルも強力な予測性能を示し、精度では2番目に高く、為替レート変動の非線形的ダイナミクスを効果的に捉えていた。
• NIFTYR、DJIAR、HSR、DRなどの金融市場指標の組み込みにより、マクロ経済的根拠のみを用いたモデルと比較して、モデルのパフォーマンスが著しく向上した。
• ボラティリティインデックス（CBOE VIXおよびインドVIX）は、市場不安定期において特に為替レート変動の予測に有意な予測要因であることが判明した。
• GARCHおよびEGARCHモデルは統計的に堅牢であったが、データ内の複雑な非線形関係を捉える能力において、ニューラルネットワークモデルに劣っていた。
• 全体としてのフレームワークは、多様な金融的およびマクロ経済的変数を統合した多変量アプローチが、単変量または変数が限定されたモデルよりも正確な為替レート予測をもたらすことを確認した。