[論文レビュー] Forecasting Foreign Exchange Rate: A Multivariate Comparative Analysis between Traditional Econometric, Contemporary Machine Learning & Deep Learning Techniques

Manav Kaushik, A K Giri|arXiv (Cornell University)|Feb 19, 2020

Stock Market Forecasting Methods被引用数 5

ひとこと要約

本研究では、1994年4月から2018年12月までの月次マクロ経済データを用いて、伝統的な計量経済学的（VAR）、機械学習（SVM）、ディープラーニング（LSTM-RNN）モデルを用いたUSD/INR為替レート予測を比較した。LSTMモデルは97.83%の精度を達成し、SVM（97.17%）およびVAR（96.31%）を上回り、多次元為替レート予測におけるディープラーニングの優位性を示した。

ABSTRACT

In todays global economy, accuracy in predicting macro-economic parameters such as the foreign the exchange rate or at least estimating the trend correctly is of key importance for any future investment. In recent times, the use of computational intelligence-based techniques for forecasting macroeconomic variables has been proven highly successful. This paper tries to come up with a multivariate time series approach to forecast the exchange rate (USD/INR) while parallelly comparing the performance of three multivariate prediction modelling techniques: Vector Auto Regression (a Traditional Econometric Technique), Support Vector Machine (a Contemporary Machine Learning Technique), and Recurrent Neural Networks (a Contemporary Deep Learning Technique). We have used monthly historical data for several macroeconomic variables from April 1994 to December 2018 for USA and India to predict USD-INR Foreign Exchange Rate. The results clearly depict that contemporary techniques of SVM and RNN (Long Short-Term Memory) outperform the widely used traditional method of Auto Regression. The RNN model with Long Short-Term Memory (LSTM) provides the maximum accuracy (97.83%) followed by SVM Model (97.17%) and VAR Model (96.31%). At last, we present a brief analysis of the correlation and interdependencies of the variables used for forecasting.

研究の動機と目的

• 為替レート予測における伝統的な計量経済モデル、機械学習モデル、ディープラーニングモデルの予測性能を評価・比較すること。
• マクロ経済指標を用いた多次元時系列モデリングの有効性を評価し、USD/INR為替レートを予測する能力を検証すること。
• VAR、SVM、LSTMのうち、為替レート予測において最も高い精度を示すモデルを特定すること。
• 予測モデルに使用されたマクロ経済変数間の相互依存性および相関関係を分析すること。

提案手法

• 本研究では、1994年4月から2018年12月までの月次データを用い、米国およびインドの主要マクロ経済指標について多次元時系列アプローチを採用した。
• 3つのモデルを適用した：伝統的な計量経済手法としてのベクトル自己回帰（VAR）、現代的な機械学習手法としてのサポートベクターマシン（SVM）、ディープラーニングモデルとしての長短期記憶（LSTM）再帰ニューラルネットワーク。
• モデルは同一のデータセットを用いて訓練およびテストを行い、予測精度の公平な比較評価を実施した。
• モデルの性能は精度指標を用いて評価され、テストデータにおける予測精度に基づいて最良のモデルが特定された。
• 入力マクロ経済変数間の相関関係および相互依存性分析を実施し、為替レートの変動に与える影響を理解した。

実験結果

リサーチクエスチョン

• RQ1 VAR、SVM、LSTMの中から、USD/INR為替レート予測において最も高い精度を示すモデルはどれか？
• RQ2 多次元マクロ経済的文脈において、伝統的な計量経済モデル、機械学習モデル、ディープラーニングモデルの予測性能はどのように比較されるか？
• RQ3 マクロ経済変数間の相互依存性が、為替レート予測精度の向上に果たす役割は何か？
• RQ4 LSTMのようなディープラーニングモデルは、VARのような古典的モデルに比べて、為替レート変動の複雑な非線形ダイナミクスをどの程度うまく捉えられるか？

主な発見

• 長短期記憶（LSTM）再帰ニューラルネットワークモデルが、97.83%の予測精度を達成し、最高の性能を示した。
• サポートベクターマシン（SVM）モデルは、97.17%の精度を示し、高い性能を発揮した。
• ベクトル自己回帰（VAR）モデルは、伝統的な計量経済手法を表しており、3つのモデルの中で最も低い精度（96.31%）を記録した。
• 結果から、現代のディープラーニングおよび機械学習手法が、古典的計量経済モデルに比べて為替レート予測において顕著に優れていることが示された。
• 変数間の相互依存性の詳細な分析から、予測に用いられたマクロ経済指標間に顕著な相関関係が存在することが明らかになった。