論文の概要: Machine Learning and the Random Walk Puzzle: Forecasting the CAD/USD Exchange Rate with Expanding Window Evaluation and SHAP Interpretability

• arxiv url: http://arxiv.org/abs/2606.15058v1
• Date: Sat, 13 Jun 2026 02:13:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.752086
• Title: Machine Learning and the Random Walk Puzzle: Forecasting the CAD/USD Exchange Rate with Expanding Window Evaluation and SHAP Interpretability
• Title（参考訳）: 機械学習とランダムウォークパズル: CAD/USD交換レートの予測とウィンドウ評価とSHAP解釈可能性
• Authors: Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko,
• Abstract要約: 本研究では、機械学習(ML)モデルが、月間USD/CAD交換率の予測において、単純ランダムウォークベンチマークよりも優れているかどうかを検討する。 カナダのバンク・オブ・カナダ(英語版)から毎日のデータを113の月次観測に再サンプリングし、5つのMLモデルを評価する。 線形回帰は、単純なランダムウォークモデルよりも統計的に優れている唯一のモデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study examines whether machine learning (ML) models can outperform the naive random walk benchmark in forecasting the monthly USD/CAD exchange rate. Using daily data from the Bank of Canada spanning January 2017 to May 2026, resampled into 113 monthly observations, five ML models are evaluated: linear regression, random forest, gradient boosting, XGBoost, and AdaBoost. These models are benchmarked against the naive random walk model and exponential smoothing with Holt-Winters seasonality (ETS). All models are evaluated using an expanding-window framework to maintain strict out-of-sample integrity, and forecast-accuracy differences are assessed using the Diebold-Mariano (DM) test. Structural break detection identifies four significant breakpoints in the series, corresponding to the escalation of the US-China trade war in 2018, the COVID-19 economic recovery in 2020, the peak of the Bank of Canada rate-hiking cycle in 2022, and the start of the Bank of Canada rate-cutting cycle in 2024. SHAP, or Shapley Additive Explanations, analysis is applied to interpret the drivers of the best-performing ML model. The results show that the naive random walk model remains a formidable benchmark. Linear regression is the only model that statistically outperforms the naive random walk model, with a DM statistic of 3.0585 and a p value of 0.0071, whereas the ML ensemble models show only marginal differences. Random Forest with an expanding-window framework achieves the lowest MAPE of 1.17 percent among all models except the random walk. SHAP analysis confirms that short-term lags, particularly lag1 and lag2, and recent rolling means dominate predictions, consistent with the near-random-walk behavior of exchange rates.
• Abstract（参考訳）: 本研究では、機械学習(ML)モデルが、月間USD/CAD交換率の予測において、単純ランダムウォークベンチマークよりも優れているかどうかを検討する。 2017年1月から2026年5月にかけてのカナダ銀行の日次データを用いて、リニア回帰、ランダム森林、勾配上昇、XGBoost、AdaBoostの5つのMLモデルを評価する。 これらのモデルは、単純無作為なランダムウォークモデルと、ホルトウィンターズ季節性(ETS)による指数的滑らか化とをベンチマークする。 全てのモデルは,厳密なサンプル外整合性を維持するために拡張ウィンドウフレームワークを用いて評価され,Diebold-Mariano (DM) テストを用いて予測精度の違いを評価する。 2018年の米中貿易戦争の激化、2020年の新型コロナウイルス(COVID-19)の景気回復、2022年のカナダ銀行の利上げサイクルのピーク、2024年のカナダ銀行の利下げサイクルの開始に対応する。 SHAP(Shapley Additive Explanations)は、最高のパフォーマンスのMLモデルのドライバを解釈するために用いられる。 その結果,無作為な無作為な歩行モデルがいまだに強い評価基準であることが示唆された。 線形回帰は、DM統計学が3.0585、pが0.0071であり、MLアンサンブルモデルが限界差を示すのに対して、単純無作為なランダムウォークモデルよりも統計的に優れている唯一のモデルである。 拡張ウインドウの枠組みを持つランダムフォレストは、ランダムウォークを除く全てのモデルの中で最低1.7%のMAPEを達成する。 SHAP解析により, 短期のラグ, 特にラグ1およびラグ2, および最近の圧延手段が, 交換レートのほぼランダムな歩行挙動と一致して支配的な予測を行うことを確認した。

関連論文リスト

• Forecasting Downstream Performance of LLMs With Proxy Metrics [37.61408486519996]
  本稿では,トークンレベルの統計値(エントロピー,トップk精度,エキスパートトークンランクなど)を集約することで,プロキシメトリクスを構築することを提案する。 3つの設定で、我々のプロキシは損失ベースのベースラインと計算ベースのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-18T16:17:15Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• ReLE: A Scalable System and Structured Benchmark for Diagnosing Capability Anisotropy in Chinese LLMs [37.23311145049677]
  本稿では,機能異方性(Capability Anisotropy)を診断するためのスケーラブルなシステムであるReLEを提案する。 我々は,207,843サンプルからなる領域$times$ Capability SymbolicMatrixの304モデルを評価した。
  論文  参考訳（メタデータ） (2026-01-24T09:57:59Z)
• Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination [67.67725938962798]
  大規模なWebスケールコーパスの事前トレーニングは、広く使用されているベンチマークでデータ汚染の影響を受けやすいQwen2.5が残る。 我々はRandomCalculationと呼ばれる任意の長さと難易度を持つ完全クリーンな算術問題を生成するジェネレータを導入する。 精度の高い報酬信号のみがベースモデルの性能境界を超える安定した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-07-14T17:55:15Z)
• Do Contemporary Causal Inference Models Capture Real-World Heterogeneity? Findings from a Large-Scale Benchmark [39.06952509635041]
  本研究では,条件平均処理効果(CATE)推定アルゴリズムを大規模ベンチマークで評価し,予期せぬ結果を示す。 CATE推定の62%は、自明なゼロエフェクト予測器よりも平均正方形誤差(MSE)が高く、非効率であることがわかった。 これらの結果は、現在のCATEモデルにおける重要な課題を浮き彫りにして、より広範な評価と方法論的改善の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-10-09T16:04:40Z)
• Movement-Prediction-Adjusted Naive Forecast [6.935130578959931]
  MPANF (Motion-Prediction-Adjusted Naive forecast) は, 偏差ベースラインを超えて点予測を改善するために設計されている。 MPANFは、信頼できる動き予測が利用できる場合に有効な第2段階の手法として機能する。
  論文  参考訳（メタデータ） (2024-06-20T16:32:18Z)
• Analyzing Currency Fluctuations: A Comparative Study of GARCH, EWMA, and IV Models for GBP/USD and EUR/GBP Pairs [0.0]
  グレートブリテンポンド(GBP)の値の変動について検討する。 本研究では,2組の日次リターンの20日間の変動を予測する上での有効性を評価するために,様々な数学的モデルを適用した。 実験の結果, GBP/USDペアでは, GARCHモデルの利用から最も正確なボラティリティ予測が得られた。
  論文  参考訳（メタデータ） (2024-02-12T06:29:57Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)

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。