[논문 리뷰] 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)|2016. 07. 03.

Stock Market Forecasting Methods참고 문헌 26인용 수 50

한 줄 요약

이 논문은 인도 루피-달러 환율을 예측하기 위해 인공신경망(ANNs)과 시계열 경제학 모델을 융합한 다변량 예측 프레임워크를 제안한다. 무역수지, 주식시장, 상품, 변동성 지수 등의 변수를 사용하여, 다층 피드포워드 신경망(MLFFNN)과 NARX 모델이 전통적인 GARCH 및 EGARCH 모델보다 정확도와 예측 능력 면에서 뛰어나다는 것을 발견하였다.

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.

연구 동기 및 목표

• 다양한 경제 및 금융 지표를 통합하여 인도 루피 대 미국 달러 환율에 대한 다변량 예측 모델을 개발하는 것.
• 인공신경망(ANNs)과 전통적인 시계열 경제학 모델 간의 상대적 예측 성능를 평가하는 것.
• 기본적인 무역수지 상태와 시장 심리(예: 변동성 지수 및 정치적 리스크 대체지표)를 반영하는 요소들을 포함하는 것.
• 통합된 실증적 프레임워크 내에서 MLFFNN, NARX, GARCH, EGARCH 모델의 예측 정확도를 평가하는 것.

제안 방법

• 연구는 8개의 핵심 설명변수를 포함한 다변량 프레임워크를 활용한다: 3개월 루피-달러 선물율(FX4), NIFTY 수익률(NIFTYR), 다우존스 산업평균수익률(DJIAR), 홍콩 항셍지수 수익률(HSR), 독일 DAX 수익률(DR), 유가 가격(COP), CBOE VIX(CV), 인도 VIX(IV).
• 사용된 인공신경망 모델은 다층 피드포워드 신경망(MLFFNN)과 외부 입력이 있는 비선형 자기회귀 모델(NARX).
• 시계열 경제학 모델은 일반화된 자기회귀조건이분산모형(GARCH)과 지수 자기회귀조건이분산모형(EGARCH)을 포함한다.
• 모델들은 역사적 환율 데이터를 기반으로 학습 및 테스트되며, RMSE 및 MAE와 같은 표준 예측 정확도 지표를 사용해 성능을 평가한다.
• 모델 선택 및 평가는 여러 예측 기간 동안의 샘플 외 성능 기반으로 이루어진다.
• 이 프레임워크는 거시경제, 금융시장, 변동성 지표를 통합하여 기본적 요인과 심리적 영향을 반영한 환율 변동을 포착한다.

실험 결과

연구 질문

• RQ1 인공신경망 모델은 전통적인 시계열 모델에 비해 인도 루피-달러 환율 예측에서 어떻게 성능을 발휘하는가?
• RQ2 주식 수익률과 상품 가격을 포함한 거시경제 및 금융시장 변수들은 환율 예측 정확도를 얼마나 향상시키는가?
• RQ3 특정 신경망 아키텍처 중에서, MLFFNN 또는 NARX 중 어느 것이 다변량 설정에서 가장 정확한 환율 예측을 제공하는가?
• RQ4 외부 입력으로 포함된 변동성 지수(CBOE VIX 및 인도 VIX)는 환율 예측에 어떤 영향을 미치는가?
• RQ5 계약 이행 품질과 같은 정치적 및 제도적 리스크 요소의 포함은 예측 성능을 향상시키는가?

주요 결과

• 다층 피드포워드 신경망(MLFFNN)은 테스트된 모든 모델 중에서 가장 높은 예측 정확도를 보였으며, GARCH 및 EGARCH 모델을 모두 앞섰다.
• NARX 신경망 모델도 강력한 예측 성능를 보였으며, 정확도 순서에서 두 번째로 높았고, 환율 변동의 비선형 동역학을 효과적으로 포착하였다.
• NIFTYR, DJIAR, HSR, DR 등의 금융시장 지표의 포함은 오직 거시경제적 기초 요인만을 사용하는 모델에 비해 모델 성능을 크게 향상시켰다.
• 변동성 지수(CBOE VIX 및 인도 VIX)는 특히 시장 불안정성 기간 동안 환율 변동에 중요한 예측 변수로 확인되었다.
• GARCH 및 EGARCH 모델은 통계적으로 탄탄한 성능를 보였지만, 데이터 내 복잡한 비선형 관계를 포착하는 데서 신경망 모델보다 성능이 열등하였다.
• 전반적인 프레임워크는 다양한 금융 및 거시경제 변수를 통합한 다변량 접근이 단변량 또는 제한된 변수 모델보다 더 정확한 환율 예측을 이끌 수 있음을 확인하였다.