論文の概要: Neural ARFIMA model for forecasting BRIC exchange rates with long memory under oil shocks and policy uncertainties
- arxiv url: http://arxiv.org/abs/2509.06697v1
- Date: Mon, 08 Sep 2025 13:49:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:04.173187
- Title: Neural ARFIMA model for forecasting BRIC exchange rates with long memory under oil shocks and policy uncertainties
- Title（参考訳）: 長期記憶を用いたBRIC交換レート予測のためのニューラルARFIMAモデル
- Authors: Tanujit Chakraborty, Donia Besher, Madhurima Panja, Shovon Sengupta,
- Abstract要約: 為替レートのダイナミクスの主な要因は、世界経済政策の不確実性、米国株市場のボラティリティ、米国の金融政策の不確実性、原油価格の上昇率、国固有の短期金利差などである。
本稿では,ARFIMAの長期記憶表現とニューラルネットワークの非線形学習能力を組み合わせたニューラル自己回帰分節統合型移動平均モデルを提案する。
NARFIMAはBRIC交換率の予測において,最先端の統計モデルや機械学習モデルよりも一貫して優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate forecasting of exchange rates remains a persistent challenge, particularly for emerging economies such as Brazil, Russia, India, and China (BRIC). These series exhibit long memory, nonlinearity, and non-stationarity properties that conventional time series models struggle to capture. Additionally, there exist several key drivers of exchange rate dynamics, including global economic policy uncertainty, US equity market volatility, US monetary policy uncertainty, oil price growth rates, and country-specific short-term interest rate differentials. These empirical complexities underscore the need for a flexible modeling framework that can jointly accommodate long memory, nonlinearity, and the influence of external drivers. To address these challenges, we propose a Neural AutoRegressive Fractionally Integrated Moving Average (NARFIMA) model that combines the long-memory representation of ARFIMA with the nonlinear learning capacity of neural networks, while flexibly incorporating exogenous causal variables. We establish theoretical properties of the model, including asymptotic stationarity of the NARFIMA process using Markov chains and nonlinear time series techniques. We quantify forecast uncertainty using conformal prediction intervals within the NARFIMA framework. Empirical results across six forecast horizons show that NARFIMA consistently outperforms various state-of-the-art statistical and machine learning models in forecasting BRIC exchange rates. These findings provide new insights for policymakers and market participants navigating volatile financial conditions. The \texttt{narfima} \textbf{R} package provides an implementation of our approach.
- Abstract（参考訳）: 特にブラジル、ロシア、インド、中国(BRIC)などの新興国では、為替レートの正確な予測は引き続き持続的な課題である。
これらのシリーズは、従来の時系列モデルが捉えるのに苦労する長い記憶、非線形性、非定常性特性を示す。
さらに、世界経済政策の不確実性、米国株式市場のボラティリティ、米国の金融政策の不確実性、原油価格の上昇率、国固有の短期金利差など、為替レートのダイナミクスの重要な要因がいくつか存在する。
これらの経験的複雑さは、長期記憶、非線形性、外部ドライバの影響を両立できるフレキシブルなモデリングフレームワークの必要性を浮き彫りにしている。
これらの課題に対処するために,ARFIMAの長期記憶表現とニューラルネットワークの非線形学習能力を組み合わせたニューラル自己回帰分節統合移動平均(NARFIMA)モデルを提案し,外因性因果変数を柔軟に組み込んだ。
我々はマルコフ連鎖と非線形時系列法によるNARFIMAプロセスの漸近定常性を含むモデルの理論的性質を確立する。
NARFIMAフレームワーク内の共形予測間隔を用いて予測の不確かさを定量化する。
6つの予測地平線にまたがる実証的な結果から、NARFIMAはBRIC交換レートの予測において、最先端の統計モデルや機械学習モデルよりも一貫して優れていることが示された。
これらの知見は、不安定な金融条件をナビゲートする政策立案者や市場参加者に新たな洞察を与える。
\texttt{narfima} \textbf{R} パッケージは、我々のアプローチの実装を提供します。
関連論文リスト
- Time-varying Factor Augmented Vector Autoregression with Grouped Sparse Autoencoder [4.769637827387851]
本稿では、Spyke-and-Slab Lassoを前に採用したGrouped Sparseオートエンコーダを紹介する。
時間変化パラメータをVARコンポーネントに組み込んで、進化する経済力学をよりよく捉えます。
我々の米国経済への実証的な応用は、グループスパースオートエンコーダがより解釈可能な要素を生み出すことを示す。
論文 参考訳（メタデータ） (2025-03-06T12:37:55Z) - Advanced Risk Prediction and Stability Assessment of Banks Using Time Series Transformer Models [10.79035001851989]
本稿では,時系列トランスモデルに基づく予測フレームワークを提案する。
モデルとLSTM, GRU, CNN, TCN, RNN-Transformerモデルを比較した。
実験結果から,Time Series Transformerモデルは平均二乗誤差(MSE)と平均絶対誤差(MAE)評価指標の両方において,他のモデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-12-04T08:15:27Z) - GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。
本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。
クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
論文 参考訳（メタデータ） (2023-11-04T19:40:16Z) - Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty
Quantification [44.598503284186336]
Conditional-Flow NeRF (CF-NeRF) は、不確実な定量化をNeRFベースのアプローチに組み込む新しい確率的フレームワークである。
CF-NeRFは、モデル化されたシーンに関連する不確実性を定量化するために使用される全ての可能な放射場モデリング上の分布を学習する。
論文 参考訳（メタデータ） (2022-03-18T23:26:20Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - A Hierarchical Variational Neural Uncertainty Model for Stochastic Video
Prediction [45.6432265855424]
本稿では,モデルの予測不確かさの原理的定量化であるニューラル不確実性量化器(NUQ)を紹介する。
提案するフレームワークは,最先端モデルと比較して効果的に訓練する。
論文 参考訳（メタデータ） (2021-10-06T00:25:22Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳（メタデータ） (2021-07-05T10:15:23Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [2.8579459256051316]
我々はDeep Switching State Space Model(DS$3$M)として知られる新しいモデリングフレームワークを紹介する。
このフレームワークは、動的に隠された不規則な状態を特定しながら、そのような時系列の正確な予測を行うように設計されている。
本研究は,DS$3$Mの短期および長期の予測テストを通じて,シミュレーションおよび実世界の幅広いデータセット上でのDS$3$Mの有効性とレギュラー識別能力を検証する。
論文 参考訳（メタデータ） (2021-06-04T08:25:47Z) - Deep Dynamic Factor Models [0.5156484100374059]
ディープ・ダイナミック・ファクター・モデル(D$2$FM)と呼ばれる新しいディープ・ニューラルネットワーク・フレームワークは、利用可能な情報をエンコードすることができる。
設計上、モデルの潜在状態は依然として標準因子モデルとして解釈できる。
論文 参考訳（メタデータ） (2020-07-23T09:54:52Z)
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。