[논문 리뷰] 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)|2020. 02. 19.

Stock Market Forecasting Methods인용 수 5

한 줄 요약

이 연구는 1994년 4월부터 2018년 12월까지의 월간 거시경제 데이터를 사용하여 USD/INR 환율을 예측하기 위해 전통적인 계량경제학 모델(VAR), 기계학습 모델(SVM), 딥러닝 모델(LSTM-RNN)을 비교한다. LSTM 모델은 97.83%의 가장 높은 정확도를 기록하며, SVM(97.17%)와 VAR(96.31%)를 앞서며, 다변량 환율 예측에서 딥러닝의 우수성을 입증한다.

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.

연구 동기 및 목표

• 기존 계량경제학 모델, 기계학습 모델, 딥러닝 모델의 예측 성능을 평가하고 비교하는 것.
• 거시경제 지표를 활용한 다변량 시계열 모델링의 효과성을 평가하여 USD/INR 환율을 예측하는 데에 활용하는 것.
• VAR, SVM, LSTM 중에서 외환 환율 예측 정확도가 가장 높은 모델을 특정하는 것.
• 사용된 거시경제 변수들 간의 상호의존성과 상관관계를 분석하는 것.

제안 방법

• 1994년 4월부터 2018년 12월까지 미국과 인도의 주요 거시경제 지표에 대한 월간 데이터를 사용한 다변량 시계열 접근법을 채택한다.
• 세 가지 모델을 적용한다: 전통적인 계량경제학 기법인 벡터 자기회귀(VAR), 현대적인 기계학습 방법인 서포트 벡터 머신(SVM), 딥러닝 모델인 장기 숏텀 기억(LSTM) 순환 신경망.
• 모델들은 동일한 데이터셋을 기반으로 훈련 및 테스트하여 예측 정확도에 대한 공정한 비교 평가를 수행한다.
• 모델 성능 평가에는 정확도 지표를 사용하며, 테스트 데이터에서의 예측 정확도에 기반해 최고 성능을 보인 모델을 식별한다.
• 입력 거시경제 변수들 간의 상관관계 및 상호의존성 분석을 수행하여 환율 변동에 미치는 영향을 이해한다.

실험 결과

연구 질문

• RQ1 VAR, SVM, LSTM 중에서 USD/INR 환율 예측 정확도가 가장 높은 예측 모델은 무엇인가?
• RQ2 다변량 거시경제적 맥락에서 기존 계량경제학 모델, 기계학습 모델, 딥러닝 모델의 예측 성능는 어떻게 비교되는가?
• RQ3 거시경제 변수들 간의 상호의존성이 환율 예측 정확도 향상에 어떤 역할을 하는가?
• RQ4 LSTM와 같은 딥러닝 모델이 VAR와 같은 전통적 모델보다 복잡한 비선형 역학을 얼마나 잘 포착하는가?

주요 결과

• 장기 숏텀 기억(LSTM) 순환 신경망 모델이 97.83%의 가장 높은 예측 정확도를 기록한다.
• 서포트 벡터 머신(SVM) 모델은 97.17%의 높은 성능을 보이며 강력한 예측 능력을 입증한다.
• 벡터 자기회귀(VAR) 모델은 기존 계량경제학 기법을 대표하며, 세 모델 중에서 가장 낮은 정확도인 96.31%를 기록한다.
• 결과는 현대적인 딥러닝 및 기계학습 기법이 기존 계량경제학 모델보다 외환 환율 예측에서 뚜렷이 뛰어나다는 것을 시사한다.
• 변수 간 상호의존성에 대한 세부 분석을 통해 예측 변수로 사용된 거시경제 지표들 사이에 유의미한 상관관계가 존재하는 것으로 확인된다.