論文の概要: Forecasting Foreign Exchange Rate: A Multivariate Comparative Analysis
between Traditional Econometric, Contemporary Machine Learning & Deep
Learning Techniques
- arxiv url: http://arxiv.org/abs/2002.10247v1
- Date: Wed, 19 Feb 2020 18:11:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 13:43:46.645503
- Title: Forecasting Foreign Exchange Rate: A Multivariate Comparative Analysis
between Traditional Econometric, Contemporary Machine Learning & Deep
Learning Techniques
- Title(参考訳): 外国為替レートの予測--伝統的な計量的、現代的機械学習とディープラーニング技術との多変量比較分析
- Authors: Manav Kaushik and A K Giri
- Abstract要約: 我々は,1994年4月から2018年12月までのいくつかのマクロ経済変数について,米国とインドについて,USD-INR外為為替レートの予測に月毎の歴史的データを用いてきた。
その結果, SVM と RNN (Long Short-Term Memory) の現代的手法は, 広く使われている Auto Regression の手法よりも優れていることが明らかになった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- 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.
- Abstract(参考訳): 今日の世界経済において、外貨為替レートや少なくともその傾向を正確に推定するといったマクロ経済パラメータの予測の正確さは、将来の投資にとって重要な意味を持つ。
近年,マクロ経済変数の予測に計算知能を用いた手法が広く用いられている。
本稿では,3つの多変量予測モデリング手法(ベクトルオートレグレッション(従来の計量的手法),サポートベクターマシン(現代の機械学習技術),リカレントニューラルネットワーク(現代のディープラーニング技術)の性能を並列に比較しながら,交換レート(usd/inr)を予測するための多変量時系列手法を考案する。
米国とインドでは、1994年4月から2018年12月まで、いくつかのマクロ経済変数の月間履歴データを使用して、usd-inr外国為替レートを予測してきた。
その結果, SVM と RNN (Long Short-Term Memory) の現代的手法は, 広く使われている Auto Regression の手法よりも優れていることが明らかになった。
LSTM(Long Short-Term Memory)を備えたRNNモデルは、SVMモデル(97.17%)とVARモデル(96.31%)の最大精度(97.83%)を提供する。
最後に,予測に用いた変数の相関関係と相互依存性について簡単な解析を行った。
関連論文リスト
- Boosting Stock Price Prediction with Anticipated Macro Policy Changes [0.0]
我々は、より正確で株価を予測するための革新的なアプローチを導入する。
我々は、外的経済環境関連情報と株価を組み入れている。
提案手法は従来手法のRMSE値が1.61であり, RMSE値が1.75であるのに対し, 従来手法のRMSE値が1.61である。
論文 参考訳(メタデータ) (2023-10-27T04:57:45Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳(メタデータ) (2022-05-27T08:38:20Z) - Benchmarking Econometric and Machine Learning Methodologies in
Nowcasting [0.0]
Nowcastingは、政策立案者に対して、かなりのタイムラグで公表されたデータに対するタイムリな洞察を与える上で、重要な役割を果たす可能性がある。
本稿では、米国の四半期GDP成長の予測において、12の異なる手法の性能について検討する。
アメリカ経済史の3つの異なる期間において、パフォーマンスが評価された。
論文 参考訳(メタデータ) (2022-05-06T15:51:31Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。
数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
論文 参考訳(メタデータ) (2021-12-02T12:33:12Z) - ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without
Periodogram and Gaussianity Assumptions [91.3755431537592]
我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。
ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。
実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
論文 参考訳(メタデータ) (2021-11-08T03:36:06Z) - Economic Recession Prediction Using Deep Neural Network [26.504845007567972]
本稿では,米国における景気後退の開始と終了を予測するための最も正確なモデルとして,オートエンコーダを用いたBi-LSTMの深層学習手法を同定する。
我々は、さまざまな機械学習モデルの能力を比較して、サンプル内とサンプル外の両方で優れた予測を生成するために、一般的なマクロおよびマーケットコンディション機能を採用する。
論文 参考訳(メタデータ) (2021-07-21T22:55:14Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳(メタデータ) (2021-03-23T17:48:56Z) - A Time Series Analysis-Based Stock Price Prediction Using Machine
Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。
当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。
統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文 参考訳(メタデータ) (2020-04-17T19:41:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。