Нейронных сетей и обменный курс моделирования

Эта статья применяется модель нейронной сети для представления курса Соединенных Штатов с двумя ее основными торговыми партнерами, Канады и Евро странах. 1 периода отставала обменный курс был использован в качестве объясняющей переменной. Результаты показывают, что эта модель была достаточно успешной для прогнозирования валютных курсов изучали. Они также показывают, что модели отношений обменный курс с его объясняющей переменной может быть изменено по мере необходимости для оценки и прогнозирования.

I. Введение

Стоимость мировых валют ежедневно проходят торги приблизительно 3 трлн долл. США (Банк международных расчетов). Для сравнения, стоимость товаров и услуг будет составлять не менее 5 процентов от этой суммы (Froot и Талер, 1990). Следовательно, отношения между обменным курсом и его объясняющих переменных продолжает представлять интерес для исследователей. Большинство исследований использовать модель регрессии для оценки взаимосвязи между двусторонних обменных курсов и такие переменные, как относительная процентных ставок, денежной массы, промышленного производства, инфляция и другие макроэкономические показатели. Модели, как правило предположить линейную или логарифмическую связь между зависимой и независимых переменных.

Некоторые исследователи обнаружили, что модели случайных ходить лучше всего объяснить поведение валютных курсов (например, порнографии, и Рогофф, 1983). Другие, такие как Хупер и движение "(1982), Френкель (1983), Ботон (1987) и фюрер и Вайлер (1991) сделан вывод, что модели, основанные на экономических факторах, были более успешными в объяснении колебаний валютных курсов. Франкель и Роуз (1995) и Тейлор (1995) обеспечить сравнение различных различных моделей. Некоторые из них анализировали влияние вмешательства курсов и денежно-кредитной политики на обменный курс (Ким 2003). Большинство из этих моделей, однако, плохо для прогнозирования валютных курсов в краткосрочной перспективе. Поскольку в день или даже час или чаще торговли базируется на краткосрочных факторов, крайне важно, чтобы изучить другие средства для моделирования и прогнозирования валютных курсов.

Нейронные сети могут быть использованы для моделирования нелинейных связей между обменным курсом и независимых переменных. Цель данной работы состоит в применении модели нейронной сети для прогнозирования ежедневно двусторонних обменных курсов между Канадой и евро стран с Соединенными Штатами. Модель также может быть использован для создания более частыми прогнозы в случае необходимости.

Остальные статья организована следующим образом. Раздел II описывает модель нейронной сети, используемой в данном исследовании. В разделе III рассматриваются эмпирические результаты и заключительные замечания изложены в разделе IV.

II. Модель нейронной сети

Нейросетевые модели, вдохновленные нейронной архитектуры головного мозга, с успехом применяются во многих распознавания образов и "нелинейные задачи оценки. Нейронной сети представляет собой набор вычислительных элементов, нейроны, которые связаны между собой. Нейроны часто группируются в 3 слоя: входной слой, скрытый слой и выходной слой. Ввода принимает входные данные от внешних и передает их на скрытом слое. Каждый скрытого слоя нейронов получает взвешенной линейной комбинации входных и применяет нелинейного преобразования, прежде чем передать информацию в выходном слое. Выходных нейронов аналогичным преобразования данных, полученных до предоставления выходных сигналов.

Модель нейронной сети, используемой представительство в этом исследовании известен как прямого распространения модели. Оценки процесса в этом случае существенно один отображения из одного набора векторов на другой набор векторов

(Векторное пространство X) [стрелка вправо] [W] [стрелка вправо] (векторное пространство Y)

или Y = WX. Это означает, что набор входных данных, X, сеть ищет матрицы W, такой, что она дает вектор мероприятий, который максимально приближен к возможным выход целевого Ю. процесс известен как учебной сети. Начальное значение веса матрица может быть случайно выбрали.

В прямого распространения, ошибка вывода относительно мишени выход распространяется назад по сети, с тем чтобы регулировать вес. С математической точки зрения проблема заключается в получении набора веса, что уменьшает площадь разницу между фактическими результатами и целевых мероприятий.

Преимущество нейронных сетей является то, что функциональная зависимость между мишенью (зависимых) переменных и ввода (независимые) переменные не должны быть заданной как в уравнение регрессии. Сеть учится отношения на основе выборки из зависимых и независимых переменных, используемых для обучения сети.

В нашем примере, входы обменных курсов отставал на один день и целевые выходы Ежедневные курсы валют, которые должны быть получены из прошлого обменного курса. Мы выбрали эту простую отношения, потому что отставали значение обменного курса, как правило, единственная переменная, доступных с частотой как правило, необходимые для прогнозирования скорости обмена.

Источник данных и

Ежедневные данные с 2 января 2003 года по 15 августа 2003, были использованы для оценки двусторонних обменных курсов между США и Канады, а к евро стран. Все данные были получены из базы данных Федеральной резервной системы. Обменные курсы конце дня Значения, указанные непосредственно к доллару США.

III. Результаты

Эмпирические результаты представлены в таблице 1. Результаты показывают, что для Канады и стран Евро нейронной сети может составлять 98 процентов от изменения валютных курсов с Соединенными Штатами. Из образца прогнозы приводятся в колонке 3. При этом результаты показывают, что прогноз ошибка составляет менее 1 процента во всех случаях, за исключением одного, где ошибка составляла 1,25 процента. Это означает, что нейронная сеть представляет собой полезный инструмент для оценки и прогнозирования валютных курсов. Применение модели нейронной сети, используемые в этом исследовании, должен быть легким, поскольку только отставали значения обменных курсов используются для прогнозирования будущих значений.

IV. Выводы

Целью данной работы явилось модели обменных курсов между США и Канады и стран, использующих евро нейронной сети. Мы также использовали отставали курсу только объясняющей переменной.

Оценки обменных курсов национальных валют активен в теме исследования. Движение валютных курсов, представляет интерес как руководителей, так и политиков. Транснациональные корпорации и банки активно участвует в валютных рынках для хеджирования от колебаний валютных курсов. Центральные банки США и их торговыми партнерами совершить миллиардов долларов для стабилизации мировых валют. Модели, такие как нейронные сети, которая может захватить сильно нелинейной взаимосвязи между валютным курсом и пояснительные переменная должна быть полезной. С иностранной валюты торгуются на очень частой основе этой модели может быть полезной, поскольку она может быть обновлена для оценки и прогнозирования с одинаковой частотой.

Сноска

1 см. Reffies (1985)

Ссылки

Broughton, Джеймс М., "Испытание Выступление в сокращенной форме модели Обмен валюты", журнал Международная экономика 23 (август 1987), 41-56.

Френкель, Джеффри А., "Испытания денежно-Портфолио баланс Модели Exchange Определение Рейтинг", в Bhadari и Ptunurnedsi (ред.), гибких обменных курсов и экономической взаимозависимости, MIT Press, 1983.

Френкель, Джеффри А. и А. Роуз "Исправление Курсы валют: Виртуальный поисках основы". Журнал Monetary Economics 36, 1995, 3-37

Froot, Kenneth A. и Джеффри А. Френкель, "Вперед Скидка смещения: Это Premium Exchange риска" Ежеквартальный журнал экономики, февраль 1989, 139-161.

Фюрер, К. Джеффри и Кеннет Weiller J., "Многомерный подход Задняя Коэффициенты для оценки конкурирующих моделей обменного курса," Обзор экономики и статистики, февраль 1991, 113-124.

Хупер, Питер и Джон Мортон, "Колебания в США: Модель номинальных и реальных Обмен определения ставок", журнал "Международные денежные и финансов (апрель 1982), 39-56.

Ким, Soyoung "Денежно-кредитная политика, иностранной интервенции Exchange, и обменный курс в единые рамки", журнал "Международная экономика, август 2003, 355-386

Миз, А. Ричард и Кеннет Рогофф, "Эмпирические Курсы модели семидесятых: они Fit Из примера?", Журнал "Международная экономика, 14 (февраль 1983), 3-24.

Refnes, Апостолос-Поль, нейронные сети на рынках капитала, изд. John Wiley

Тейлор, Марк П., "Экономика Курсы валют", Журнал "Интернациональная литература", март 1995, 13-47.

A.M.M. Джамал

Юго-Восточная Луизиана университет

Контактный адрес электронной почты: <a href="mailto:ajamal@selu.edu"> ajamal@selu.edu </ A>