[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, Amita Giri|arXiv (Cornell University)|Feb 19, 2020

Stock Market Forecasting Methods参考文献 27被引用数 6

ひとこと要約

本研究では、1994年から2018年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モデル（VAR）、機械学習モデル（SVM）、深層学習モデル（LSTM-RNN）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%の最高精度を達成し、SVM（97.17%）およびVAR（96.31%）を上回り、為替予測における非線形ダイナミクスを捉える能力において深層学習の優位性を示した。

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VAR、SVM、LSTM-RNNモデルの予測性能を評価・比較すること。
• 単変量アプローチと比較して、多変量時系列モデルが複雑なマクロ経済ダイナミクスをどれだけ効果的に捉えられるかを評価すること。
• 為替レートの変動に影響を与える主要なマクロ経済変数間の相互依存関係および相関関係を分析すること。
• 現代の機械学習および深層学習技術が、従来の計量経済モデルを上回って為替レート予測の正確さを向上させられるかどうかを特定すること。

提案手法

• 1994年4月から2018年12月までの米国およびインドの月次データを用いた多変量時系列フレームワークを採用した。
• 定常性および線形性の仮定を必要とする、ベンチマークとしての伝統的計量経済モデルとしてのベクトル自己回帰（VAR）を適用した。
• 一般化性能の向上と過学習の低減を目的として、構造的リスク最小化を用いたサポートベクターマシン（SVM）を用いた。
• 非線形かつ非定常な時系列ダイナミクスをモデル化し、長期的依存関係を捉えるために、長短期記憶（LSTM）再帰的ニューラルネットワークを実装した。
• 金利、マネーサプライ、インフレーション、貿易データを含む包括的なマクロ経済指標のセットを予測子として使用した。
• 差分化および正規化を含む標準的な前処理を実施し、モデル間の整合性を確保するとともに、モデルの安定性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 VAR、SVM、LSTMという3つのモデルの中で、どのモデルがUSD/INR為替レートの予測精度が最も高いか。
• RQ2 多変量マクロ経済的文脈において、伝統的計量経済モデル、機械学習モデル、深層学習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関係が、単変量モデルと比較して予測精度をどの程度向上させるか。
• RQ4 LSTMモデルが非線形性および長期的依存関係を捉える能力に優れているため、線形モデル（VAR）よりも優れたパフォーマンスを示すのか。

主な発見

• LSTM-RNNモデルは97.83%の予測精度を達成し、SVMおよびVARを顕著に上回った。
• SVMモデルは97.17%の精度を記録し、多変量非線形関係を効果的に扱える強力な性能を示した。
• 伝統的VARモデルは96.31%の精度を達成し、その基準的信頼性は確認されたが、線形性および定常性の仮定による制限が存在した。
• 本研究では、LSTMのような深層学習モデルが、為替レート変動における複雑な非線形ダイナミクスを捉えるのに適していることが確認された。
• 相関分析により、マクロ経済変数間に顕著な相互依存関係が確認され、より良い予測のための多変量モデリングの有効性が裏付けられた。
• 結果から、モデル選択が予測パフォーマンスに顕著な影響を与えることが示され、為替レート予測において深層学習技術が正確性の面で明確な利点を提供することが分かった。