[论文解读] 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)|Feb 19, 2020

Stock Market Forecasting Methods被引用 5

一句话总结

本研究使用1994年4月至2018年12月的月度宏观经济数据，对比了传统计量经济学（VAR）、机器学习（SVM）和深度学习（LSTM-RNN）模型在预测美元/卢比汇率方面的表现。LSTM模型以97.83%的准确率表现最佳，优于SVM（97.17%）和VAR（96.31%），表明深度学习在多变量汇率预测中具有显著优势。

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.

研究动机与目标

• 评估并比较传统计量经济学、机器学习和深度学习模型在预测汇率方面的表现。
• 评估利用宏观经济指标进行多变量时间序列建模在预测美元/卢比汇率方面的有效性。
• 识别VAR、SVM或LSTM中哪一模型在预测外汇汇率时准确率最高。
• 分析预测模型中所用宏观经济变量之间的相互依赖关系与相关性。

提出的方法

• 本研究采用多变量时间序列方法，使用1994年4月至2018年12月期间美国和印度关键宏观经济指标的月度数据。
• 应用三种模型：作为传统计量经济学方法的向量自回归（VAR），作为现代机器学习方法的支持向量机（SVM），以及作为深度学习模型的长短期记忆（LSTM）循环神经网络。
• 所有模型均在相同数据集上进行训练和测试，以确保对预测准确率的公平比较评估。
• 通过准确率指标评估模型表现，基于测试数据上的预测准确率确定最佳表现模型。
• 对输入的宏观经济变量进行相关性与相互依赖性分析，以理解其对汇率变动的影响。

实验结果

研究问题

• RQ1 在预测美元/卢比汇率方面，VAR、SVM或LSTM中哪一模型的准确率最高？
• RQ2 在多变量宏观经济背景下，传统计量经济学、机器学习与深度学习模型的预测表现如何比较？
• RQ3 宏观经济变量之间的相互依赖关系在提升汇率预测准确率方面起到何种作用？
• RQ4 深度学习模型（如LSTM）在捕捉汇率变动中复杂非线性动态方面，相较于经典模型（如VAR）的优越程度如何？

主要发现

• 长短期记忆（LSTM）循环神经网络模型实现了最高的预测准确率，达到97.83%。
• 支持向量机（SVM）模型表现出色，准确率为97.17%。
• 向量自回归（VAR）模型作为传统计量经济学方法的代表，在三者中准确率最低，为96.31%。
• 结果表明，现代深度学习与机器学习技术在汇率预测中显著优于经典计量经济学模型。
• 对变量相互依赖关系的详细分析揭示了用作预测因子的宏观经济指标之间存在显著相关性。