[논문 리뷰] Forecasting Foreign Exchange Rate: A Multivariate Comparative Analysis between Traditional Econometric, Contemporary Machine Learning & Deep Learning Techniques.

Manav Kaushik, Amita Giri|arXiv (Cornell University)|2020. 02. 19.

Stock Market Forecasting Methods참고 문헌 27인용 수 6

한 줄 요약

이 연구는 1994년에서 2018년까지의 월간 다변량 거시경제 데이터를 사용하여 USD/INR 환율을 예측하기 위해 전통적인 계량경제학 모델(VAR), 기계학습 모델(SVM), 심층학습 모델(LSTM-RNN)을 비교한다. LSTM 모델은 97.83%의 가장 높은 정확도를 기록하여 SVM(97.17%)와 VAR(96.31%)를 앞서며, 외환 예측에서 비선형 역동성을 포착하는 데 있어 심층학습의 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

• 외환 환율 예측에서 VAR, SVM, LSTM-RNN 모델의 예측 성능을 평가하고 비교하기.
• 복잡한 거시경제 역동성을 포착하는 데 있어 단변량 접근 방식에 비해 다변량 시계열 모델의 효과성을 평가하기.
• 환율 변동에 영향을 주는 주요 거시경제 변수 간의 상호의존성과 상관관계를 분석하기.
• 최신 기계학습 및 심층학습 기법이 전통적인 계량경제학 모델에 비해 외환 환율 예측 정확도에서 뛰어나지 않는지 확인하기.

제안 방법

• 미국과 인도의 월간 데이터를 사용한 다변량 시계열 프레임워크를 적용하여 1994년 4월부터 2018년 12월까지의 데이터를 활용한다.
• 정상성과 선형성을 요구하는 기초적인 전통적 계량경제학 모델로 벡터 자기회귀(VAR)를 적용한다.
• 일반화 성능 향상과 과적합 감소를 위해 다변량 예측 변수에 대해 구조적 위험 최소화를 적용한 서포트 벡터 머신(SVM)을 활용한다.
• 비선형이고 비정상적인 시계열 역동성을 모델링하고 장기적 의존성을 포착하기 위해 장기 기억(long short-term memory, LSTM) 순환 신경망을 구현한다.
• 이자율, 통화 공급, 인플레이션, 무역 데이터를 포함한 포괄적인 거시경제 지표 세트를 예측 변수로 사용한다.
• 모델 간 호환성 확보 및 모델 안정성 향상을 위해 차분화와 정규화를 포함한 표준 전처리 절차를 적용한다.

실험 결과

연구 질문

• RQ1 VAR, SVM, 또는 LSTM 중에서 어느 모델이 USD/INR 환율에 대해 가장 높은 예측 정확도를 제공하는가?
• RQ2 다변량 거시경제 맥락에서 전통적 계량경제학, 기계학습, 심층학습 모델의 예측 성능는 어떻게 비교되는가?
• RQ3 다양한 거시경제 변수 간의 상호의존성이 단변량 모델에 비해 예측 정확도 향상에 얼마나 기여하는가?
• RQ4 LSTM 모델이 비선형성과 장기적 의존성을 포착할 수 있는 능력이 VAR와 같은 선형 모델에 비해 뛰어난 성능을 내는가?

주요 결과

• LSTM-RNN 모델은 97.83%의 가장 높은 예측 정확도를 기록하여 SVM과 VAR를 뚜렷이 앞서며, 이는 심층학습 모델이 외환 환율 변동의 복잡한 비선형 역동성을 포착하는 데 더 적합함을 시사한다.
• SVM 모델은 97.17%의 정확도를 기록하여 다변량 비선형 관계를 다루는 데 뛰어난 성능을 보였다.
• 전통적인 VAR 모델은 96.31%의 정확도를 기록하여 기초적인 신뢰성을 확인했지만, 선형성과 정상성 가정으로 인해 제한을 받는다.
• 이 연구는 LSTM과 같은 심층학습 모델이 외환 환율 변동의 복잡하고 비선형적인 역동성을 포착하는 데 더 적합하다는 것을 확인한다.
• 상관계수 분석을 통해 주요 거시경제 변수 간에 유의미한 상호의존성이 존재함을 확인했으며, 이는 다변량 모델링을 통해 예측 정확도 향상을 도모할 수 있음을 뒷받침한다.
• 결과적으로 모델 선택이 예측 성능에 상당한 영향을 미치며, 심층학습 기법이 외환 환율 예측 정확도 향상에 측정 가능한 이점을 제공한다는 점을 시사한다.