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

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

Stock Market Forecasting Methods参考文献 27被引用 6

一句话总结

本研究使用1994年至2018年的月度多变量宏观经济数据，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/印度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%），证明了深度学习在捕捉外汇预测中非线性动态方面的优越性。

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VAR、SVM和LSTM-RNN模型在预测汇率方面的预测性能。
• 评估多变量时间序列模型相较于单变量方法在捕捉复杂宏观经济动态方面的有效性。
• 分析影响汇率变动的关键宏观经济变量之间的相互依赖性和相关性。
• 确定现代机器学习和深度学习技术是否在外汇汇率预测准确率方面超越传统计量经济学模型。

提出的方法

• 采用多变量时间序列框架，使用1994年4月至2018年12月美国和印度的月度数据。
• 应用向量自回归（VAR）作为基准传统计量经济学模型，要求数据具备平稳性和线性特征。
• 利用支持向量机（SVM）结合结构风险最小化，以提升泛化能力并减少多变量预测器的过拟合。
• 采用长短期记忆（LSTM）循环神经网络，以建模非线性、非平稳的时间序列动态并捕捉长期依赖关系。
• 使用一组全面的宏观经济指标作为预测变量，包括利率、货币供应量、通货膨胀率和贸易数据。
• 应用标准预处理方法，包括差分和归一化，以确保各模型之间的兼容性并提高模型稳定性。

实验结果

研究问题

• RQ1 在VAR、SVM和LSTM三种模型中，哪一种对美元/印度卢比汇率的预测准确率最高？
• RQ2 在多变量宏观经济背景下，传统计量经济学模型、机器学习模型和深度学习模型的预测性能如何比较？
• RQ3 与单变量模型相比，宏观经济变量之间的相互依赖性在多大程度上提升了预测准确率？
• RQ4 LSTM模型捕捉非线性和长期依赖关系的能力是否导致其在性能上优于线性模型（如VAR）？

主要发现

• LSTM-RNN模型以97.83%的预测准确率达到最高水平，显著优于SVM和VAR。
• SVM模型的准确率为97.17%，表明其在处理多变量非线性关系方面表现强劲。
• 传统VAR模型的准确率为96.31%，证实其作为基线模型的可靠性，但受限于线性和平稳性假设。
• 本研究证实，LSTM等深度学习模型更适合捕捉外汇汇率变动中的复杂非线性动态。
• 相关性分析显示宏观经济变量之间存在显著的相互依赖性，支持采用多变量建模以提升预测性能。
• 结果表明，模型选择对预测性能有显著影响，深度学习技术在外汇汇率预测的准确性方面提供了可衡量的优势。