[论文解读] 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)|Jul 3, 2016

Stock Market Forecasting Methods参考文献 26被引用 50

一句话总结

本文提出了一种结合人工神经网络（ANN）与时间序列计量经济学的多变量预测框架，用于预测印度卢比兑美元汇率。基于国际收支、股票市场、大宗商品及波动率指数等变量，研究发现多层前馈神经网络（MLFFNN）和NARX模型在准确性和预测能力方面优于传统的GARCH与EGARCH模型。

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.

研究动机与目标

• 开发一种结合多样化经济与金融指标的多变量预测模型，用于预测印度卢比兑美元汇率。
• 评估人工神经网络（ANN）与传统时间序列计量经济学模型在预测性能上的相对表现。
• 纳入反映基本面国际收支状况及市场情绪的因子，如波动率指数与政治风险代理变量。
• 在统一的实证框架下评估MLFFNN、NARX、GARCH与EGARCH模型的预测准确性。

提出的方法

• 本研究采用包含8个关键解释变量的多变量框架：3个月期卢比兑美元远期汇率（FX4）、NIFTY收益率（NIFTYR）、道琼斯工业平均指数收益率（DJIAR）、恒生指数收益率（HSR）、DAX指数收益率（DR）、原油价格（COP）、CBOE波动率指数（CV）以及印度波动率指数（IV）。
• 所采用的人工神经网络模型包括多层前馈神经网络（MLFFNN）与带外生输入的非线性自回归模型（NARX）。
• 时间序列计量经济学模型包括广义自回归条件异方差模型（GARCH）与指数GARCH模型（EGARCH）。
• 模型基于历史汇率数据进行训练与测试，性能通过均方根误差（RMSE）与平均绝对误差（MAE）等标准预测准确性指标进行评估。
• 模型选择与评估基于在多个预测时间跨度下的样本外预测表现。
• 该框架整合了宏观经济、金融市场与波动率指标，以捕捉汇率变动中的基本面与情绪驱动因素。

实验结果

研究问题

• RQ1 人工神经网络模型与传统时间序列模型在预测印度卢比兑美元汇率方面表现如何比较？
• RQ2 宏观经济与金融市场变量（包括股票收益率与商品价格）在多大程度上提升了汇率预测的准确性？
• RQ3 在多变量设定下，哪种特定神经网络架构——MLFFNN或NARX——能提供最精确的汇率预测？
• RQ4 当波动率指数（CBOE VIX与印度VIX）作为外生输入纳入时，其对汇率预测有何影响？
• RQ5 纳入政治与制度风险因素（如合同执行质量）是否能提升预测性能？

主要发现

• 多层前馈神经网络（MLFFNN）在所有测试模型中表现出最高的预测准确性，优于GARCH与EGARCH模型。
• NARX神经网络模型也展现出强劲的预测性能，准确度排名第二，并有效捕捉了汇率变动中的非线性动态特征。
• 与仅使用宏观经济基本面的模型相比，纳入NIFTYR、DJIAR、HSR与DR等金融市场指标显著提升了模型表现。
• 波动率指数（CBOE VIX与印度VIX）被证实是汇率波动的重要预测因子，尤其在市场压力时期表现显著。
• 尽管GARCH与EGARCH模型在统计上稳健，但在捕捉数据中复杂非线性关系方面，其表现不如神经网络模型。
• 整体框架证实，结合多样化金融与宏观经济变量的多变量方法，相比单变量或有限变量模型，能实现更精确的汇率预测。