Прогнозы на курсы валют: Валютные прогнозы — Последние новости России и мира

Посмотрите причины укрепления курса доллара против мировых валют — ЭкспертРУ

С каждым днем позиции доллара, который буквально считанные недели назад, казалось, слабел на глазах, укрепляются. Американская валюта набирает силу, утверждает Bloomberg, на фоне ожидаемого сокращения закупок ФРС гособлигаций, сезонного спроса на американскую валюту и энергетического кризиса.

Возвращение доллара на лидирующие позиции, по крайней мере, в данный конкретный момент очевидно. Сейчас, например, за него дают столько же иен, сколько три года назад, в декабре 2018 года. К тому же, по данным CFTC, заемные средства сейчас занимают по отношению к нему наиболее сильную бычью позицию в этом году. К этим факторам следует прибавить и то, что сторнирование рисков для Bloomberg Dollar Index, сравнивающее стоимость опционов, показывает, что отношение инвесторов к доллару сейчас самое положительное с начала пандемии.

Статья по теме:

Победный марш доллара не замедлили даже разочаровывающие данные по безработице в США за сентябрь. Инвесторы продолжают надеяться, что ФРС начнет уже в этом году уменьшать объемы закупок гособлигаций и других активов. В инфляционных сигналах отчета Минтруда США многие инвесторы увидели признаки того, что ФРС начнет поднимать ключевую ставку скорее рано, чем поздно. Ее подъем приведет к увеличению процентных ставок по облигациям и дальнейшему укреплению доллара.

Джон Гварди из Saxobank считает, что доллар «сделает ужасной жизнь «медведей» в четвертом квартале».

Большинство экспертов полагает, что больше всего доллар усилится по отношению к валютам с низкой процентной ставкой (евро, иена и т.д.), потому что центробанки Европы и Японии скорее всего поднимут ключевую ставку после ФРС.

Статья по теме:

«Мы приближаемся к сворачиванию (количественного смягчения) в США, и остальные валюты с низкой процентной ставкой все еще остаются на солидном расстоянии,- объяснил аналитик CIBC Джереми Стретч в интервью Bloomberg TV Monday.

— Центробанки вроде ЕЦБ следующие пару-тройку лет вероятно будут выжидать, а такая ситуация на руку длинным позициям по доллару».

Сейчас у двухлетних американских гособлигаций процентная ставка на 99 базисных пунктов выше, чем у европейских облигаций с таким же сроком погашения, и на 41 пункт выше, чем у японских. Для наиболее популярных десятилетних облигаций разница в ставках еще больше: 173 для еврозоны и 152 для Японии.

Резкое изменение отношения к американскому доллару началось в сентябре, когда инвесторы лихорадочно искали безопасные варианты вложения денег после начала кризиса на рынке недвижимости в Китае и соединения замедления темпов восстановления глобальной экономики и ускорения инфляции. Еще один благоприятный для американской валюты фактор – энергетический кризис, который продолжает свирепствовать на глобальных рынках. Беспрецедентный рост цен на газ, нефть и электроэнергию идет на пользу доллару и ослабляет евро, потому что энергетическая безопасность США значительно выше, чем Европы.

Сейчас курс евро к доллару вплотную приблизился к самому низкому с июля 2020 года. Это произошло частично как раз благодаря укреплению доллара в последнее время. Со второй половины прошлого года валютные спекулянты закрывают долгие позиции по евро. На прошлой неделе они были самыми низкими с марта прошлого года.

В аналитической записке для клиентов JPMorgan ее автор Мира Чандан объяснила нынешнюю привлекательность доллара для инвесторов комбинацией снижения прогнозов темпов роста глобальной экономики и роста темпов инфляции.

Кстати, доллар как безопасное прибежище является относительно новым явлением. В тяжелые времена валютные торговцы обычно ищут спасение и стабильность в японской иене и швейцарском франке. Доллар присоединился к ним сейчас благодаря своей непоколебимой ликвидности и расширению разрыва в процентных ставках.

В следующие несколько месяцев в пользу доллара будет играть, полагает Bloomberg, и политика ФРС. Причем, доллар будет укрепляться не только по отношению к валютам традиционных «безопасных гаваней».

На стороне американской валюты и сезонные качели: в четвертом квартале она обычно укрепляется по отношению к остальным валютам G-10.

Прогноз курса гривны на конец года. Риски – МВФ, локдаун, Россия и Мотор Сич. Разбор — новости Украины, Экономика

Перспективы гривни на 2021 год улучшились. Укрепление по итогам первых двух кварталов и небольшая девальвация в конце года – таковы выводы обновленного консенсус-прогноза, который мы составили на основе опроса аналитиков крупнейших украинских банков и инвесткомпаний.

Предыдущие прогнозы финансисты давали в январе. С тех пор украинская экономика прошла один локдаун из-за вспышки коронавируса и вошла во второй – более жесткий, правительство – провалило переговоры с МВФ и начало борьбу с Китаем за Мотор Сич, а внешние инвесторы пересмотрели отношение к покупке украинских облигаций.

Что будет больше влиять на курс и сколько доллар будет стоить в конце июня и в конце декабря этого года?

Чего ждать от курса в апреле

Март закончился не очень удачно для гривни – курс впервые за несколько месяцев вернулся к уровню в 28 грн/$. Финансисты, которых еженедельно опрашивает LIGA.net

, объясняли это нервозностью в мире из-за новой глобальной вспышки коронавируса (доллар укрепился к валютам развивающихся стран) и холодной погодой в феврале-марте, что задержало посевную кампанию.

Еще одна возможная причина мартовской девальвации – закупки валюты «впрок» из-за санкций СНБО против сети АЗС Glusco, полагает старший финаналитик группы ICU Тарас Котович. Сеть принадлежит другу Виктора Медведчука и владельцу одного из крупнейших импортеров нефтепродуктов в Украину Proton Energy Group S.A. Ниссану Моисееву (Proton заявила об остановке поставок с 1 апреля, подробнее о возможном дефиците топлива читайте здесь). 

Второй месяц весны начинается лучше: по состоянию на вечер 1 апреля доллар на межбанке стоил 27,87 грн/$, в банках – 27,8-27,95 грн/$.

Банкиры ожидают укрепления гривни. Возврат в район 27,6 грн/$ возможен уже на второй неделе апреля, прогнозирует начальник управления казначейских операций банка Кредит Днепр Юрий Гриненко.

Что поддержит гривню. Прогноз до конца июня

Текущий консенсус-прогноз экономистов на конец июня 2021 – 27,3 грн/$. В январской редакции значилась цифра в 27,65 грн/$.

Что будет поддерживать гривню? Аналитики выделяют несколько факторов.

Локдаун. Этой весной Украина отказалась от общенационального карантина, однако многие крупные города объявили локдаун. В Киеве, как минимум, с 5 по 16 апреля будет действовать жесткая версия ограничений вплоть до работы транспорта по спецпропускам.

Это плохо для экономики (в ICU уже назвали свой прогноз роста ВВП на этот год в 5,6% слишком оптимистичным) и госбюджета, поскольку у Минфина нет пространства для увеличения расходов на случай экстренной ситуации.

Но для курса гривни это – плюс из-за сокращения импорта. Увеличения спроса на валюту в ближайшее время, вероятно, не будет, как раз по причине карантинов, отмечает аналитик Concorde Capital Евгения Ахтырко. По схожей логике в прошлом году гривня укрепилась во время локдауна с 28 до 26,5 грн/$.

Посевная. Основной источник валюты на рынке в апреле – продажи аграриев которые проводят посевную кампанию.

Работы задержались из-за холодов в феврале-марте. Сейчас это будет способствовать «небольшому укреплению» гривни, считает начальник аналитического отдела Альфа-Банка Украина Алексей Блинов.

Цены на экспорт. На стороне гривни – цены на товары украинского экспорта в мире, что влияет на объемы валютной выручки на межбанке.

В марте снизились цены на железную руду и пшеницу, но они остаются высокими, отмечает главный менеджер по макроэкономическому анализу Райффайзен Банка Аваль Сергей Колодий.

Нерезиденты и ОВГЗ. Иностранные инвесторы, которые зарабатывают на долгах украинского правительства, вернулись в Украину в конце прошлого года. С января нерезиденты увеличили гривневый портфель с 80 до 100 млрд грн, но в марте их интерес к гособлигациям ослаб.

Причина – активы развивающихся стран теряют привлекательность на фоне нового витка пандемии. Украина пока удерживает их внимание высокими ставками. Еще один момент – политика мировых центробанков (ФРС и ЕЦБ заявили, что не будут повышать ставки) позволяет рассчитывать на стабильный интерес к Украине со стороны нерезидентов, считает директор по рынкам капитала Альфа-Банка Украина Татьяна Попович.

Как следствие, можно предполагать увеличения их портфеля до 110-120 млрд грн, говорит Котович из ICU. Это даст дополнительную поддержку гривне, однако взрывного укрепления курса, как было в 2019 году, сейчас не будет, отмечают опрошенные финансисты.

«Надежды на мощный приток валюты от нерезидентов в гривневые ОВГЗ, которые возникли в конце прошлого года, не оправдались, – говорит Ахтырко из Concorde Capital. – Возможно, это не такой уж и плохой сценарий: нет сильного притока валюты, будет меньше опасений по поводу его прекращения».

Риски второго полугодия. Прогноз до конца 2021

Аналитики ожидают, что 2021 год гривня закончит на уровне 28,5 грн/$. В январе ожидания были хуже – 28,8 грн/$.

С чем будет связана осенняя девальвация гривни и когда она начнется?

Переломный момент – в августе. Плавная девальвация гривни начнется с конца августа-начала сентября, полагают собеседники LIGA.net.

Кроме чисто сезонных факторов (закупка импортных горюче-смазочных материалов аграриями во время уборки урожая, подготовка правительства к новому отопительному сезону), в этом году к рискам добавится неопределенность с МВФ, отмечает Колодий из Аваля.

Выплаты по госдолгу. Почему фактор МВФ особенно важен в конце лета?

В сентябре – пик выплат по госдолгу: более 100 млрд грн в эквиваленте, говорит Гриненко из банка Кредит Днепр. «Это традиционный период усиления девальвационных ожиданий, – поясняет он. – Если нам не удастся договориться с МВФ до этого времени, не исключено,  что девальвационные процессы начнутся уже в августе».

До того времени у Минфина есть еще одно крупное погашение – 80 млрд грн в июне. «Но летнему периоду больше присуща плавная ревальвация, потому, скорее всего, этот момент пройдет безболезненно для курса», – считает Гриненко.

Инфляция. Еще один нетипичный для последних лет фактор девальвации во второй части года – инфляция (7,5% в феврале и это – не предел).

«Инфляция и подорожание энергоносителей – основные риски для курса. Это ухудшит показатели внешней торговли», – объясняет руководитель Центра макроэкономического моделирования Киевской школы экономики Шоломицкий.

Что может пойти не так. Четыре угрозы 

Озвученные прогнозы курса не учитывают возможные потрясения, которые могут произойти с украинской экономикой в этом году. Рисков достаточно.

Карантин. Провал вакцинации свидетельствует: Украина не успеет вакцинировать основные группы риска до следующего периода холодов.

Это значит, что локдауны могут продолжиться и следующей осенью, предполагает глава департамента макроэкономических исследований группы ICU Сергей Николайчук. Это усилит девальвационные ожидания в конце года, считают банкиры.

«Дополнительными рисками могут быть резкая осенняя вспышка инфекции на фоне низкого уровня вакцинации, усиление карантинных ограничений в Украине при стабильной ситуации в Европе, закрытие границ для украинцев», – перечисляет Колодий из Райффайзен Банка.

Провал с МВФ. Отсутствие нового кредита от МВФ не создаст сложностей для выплат по долгам в этом году, «фундаментального» дефицита валюты не будет, говорит Ахтырко из Concorde Capital.

«Но это может отрицательно повлиять на настроения участников рынка и усилить девальвационные ожидания и раскачку курса», – добавляет она.

Мотор Сич. Совсем нетипичный риск – ситуация вокруг возможной национализации компании Мотор Сич (подробнее об этом – здесь), в которой спутались интересы Украины, Китая и США.

«Не уверен, что международные суды, куда Украину, вероятно, затянет КНР из-за Мотор Сичи, будут способствовать укреплению доверия иностранных инвесторов к ОВГЗ», – указывает директор департамента управления проектами рейтингового агентства IBI-Rating Виктор Шулик.

Война с Россией. Уже семь лет Украина живет в условиях, когда в любом экономическом прогнозе обязательно должна быть оговорка на тему «эскалации военных действий на востоке страны».

В последние недели этот фактор снова напоминает о себе. Одна из последних новостей: «1 апреля, Европейское командование вооруженных сил США (EUCOM) привело в максимальный уровень боеготовности армию из-за стягивания вооружения РФ к границе Украины».

Если Вы заметили орфографическую ошибку, выделите её мышью и нажмите Ctrl+Enter.

Курс нацвалют к доллару США на 2022 год — прогноз ЕАБР

В 2022 году при базовом сценарии развития ситуации сом, рубль и армянский драм по прогнозу аналитиков Евразийского банка развития укрепятся к доллару США. Об этом говорится в свежем макроэкономическом обзоре.

Так, средний курс американской валюты в 2022 году к сому сложится на уровне 84.1 (-0.47%), к рублю 72.4 (-1.76%), к армянскому драму 481 (-5.12%).

При этом стабильность сома будет вызвана сглаживанием скачков со стороны Национального банка КР.

«В базовом сценарии прогноза мы ожидаем, что текущая валютная политика в КР сохранится в среднесрочной перспективе. Монетарные власти продолжат проводить валютные интервенции для предотвращения резких колебаний обменного курса», — пишут аналитики ЕАБР.

Что касается рубля, то его средний курс к доллару прогнозируется в размере 73.7 в 2021 году и 72.4 в 2022-м. Рубль, по мнению экспертов, остается недооцененным и имеет пространство для укрепления.

«Более высокие ставки по рублевым активам в сравнении с долларовыми продолжат оказывать ограниченную поддержку российской валюте. Мы ожидаем, что Федеральная резервная система (ФРС) перейдет к сокращению покупки активов в конце 2021 – начале 2022 годов, однако первое повышение ставки по федеральным фондам закладываем только в конце 2022-го. Поддержку рублю в 2022 году может оказать инвестирование средств ФНБ, но это будет во многом зависеть от импортоемкости проектов и скорости расходования средств», — уточняют в ЕАБР.

По-прежнему рисками для рубля остаются геополитический фактор, неопределенность пандемии и вероятность более быстрого, чем заложено в базовый сценарий, ужесточения политики ФРС.

Курс армянского драма к доллару прогнозируется на уровне 507 в среднем за 2021 год. Национальная валюта начала укрепляться во второй половине года на фоне больших объемов притока денежных переводов, улучшения торгового баланса и митигации внутриполитических и геополитических рисков. В среднесрочной перспективе устойчивости национальной валюты будет способствовать сбалансированность платежного баланса страны.

В то же время тенге, белорусский рубль и сомони в 2022 году ослабнут к доллару США. Сильнее всего белорусский рубль, сразу на 4.7%, до 2.67 за $1.

«Прогнозируется умеренное ослабление белорусского рубля к доллару в результате последствий санкционного давления, девальвационных ожиданий и высокой инфляции в Беларуси. Средний курс белорусского рубля к доллару прогнозируется около 2.55 в 2021 году и 2.67 в 2022-м. Неопределенность прогноза крайне высока из-за сложности оценки потенциального влияния западных ограничений на белорусский экспорт, приток инвестиций и поведение домашних хозяйств», — говорится в Макрообзоре банка.

Тенге же, по мнению экспертов ЕАБР, продолжит обесцениваться умеренными темпами (около 1–2% в год), главным образом из-за более высокой инфляции в РК по сравнению со странами – торговыми партнерами. А сомони в краткосрочной перспективе сохранит стабильность курса к доллару, однако уже в 2022–2023 годы таджикская валюта возобновит снижение.

Курс валют на сегодня 3 ноября 2021 — Прогноз курса доллара на ноябрь

Несмотря на введение локдауна и угрозу энергетического кризиса, курс национальной валюты после кратковременного снижения вновь пошел вверх. Так, за последнюю неделю, с 27 октября, доллар подешевел на 13 копеек, а евро — на 19 копеек. В среду, 3 ноября, Национальный банк Украины установил официальные курсы на уровне 26,29 грн за доллар и 30,49 грн за евро. Гривня укрепилась и на наличном валютном рынке, подорожав на 10−15 копеек. В обменниках доллары можно сдать в среднем по 26,22 грн, купить — по 26,41 грн; евро — сдать по 30,27 грн, купить — по 30,59 грн. По мнению экспертов, в течение ноября курс национальной валюты может еще укрепиться. Любопытно, что важную роль в этом процессе играют украинские заробитчане.

«За минувшую неделю курс доллара к гривне снизился во всех сегментах валютного рынка на 0,2−0,6%, — сообщил «ФАКТАМ» старший аналитик компании «Альпари» Вадим Иосуб. — Так, с прошлого вторника официальный курс доллара США, устанавливаемый НБУ, снизился с 26,35 до 26,29 грн (-0,2%). Курсы спроса и предложения доллара на межбанке, по данным компании «УкрДилинг», за это же время снизились с 26,43−26,45 грн до 26,27−26,29 грн (-0,6%). Средние курсы покупки и продажи наличного доллара в банках за неделю упали с 26,34−26,53 грн до 26,24−26,42 грн (-0,4%). При этом разница между средними курсами продажи и покупки сохранилась на уровне 0,7%.

В течение ближайшей недели мы ожидаем незначительного снижения курса доллара к гривне. Доллар на межбанке может торговаться через неделю вблизи 26,2 грн, а наличный доллар в банках — около 26,1−26,3 грн.

Если говорить о боле долгосрочном прогнозе, то сначала стоит отметить, что в октябре гривня вновь укрепилась как к доллару (одиннадцатый месяц подряд, с декабря прошлого года), так и к евро (шестой месяц подряд, с мая), причем падение курса евро оказалось сильнее. Судя по официальным курсам, установленным НБУ, доллар за месяц снизился с 26,5760 до 26,3265 грн (-0,9%). Курс евро за это же время упал с 30,9810 до 30,5032 грн (-1,5%). Более заметное по сравнению с долларом снижение европейской валюты связано со снижением евро к доллару на мировом валютном рынке.

При этом с начала года доллар снизился к гривне на 6,9%, а евро подешевел к национальной валюте на 12,2%. Среди валют стран бывшего СССР гривня занимает второе место по укреплению к доллару с начала года после армянского драма. По укреплению в октябре гривня заняла четвертое место, пропустив вперед белорусский рубль, российский рубль и армянский драм.

Среди событий октября стоит отметить окончание работы в Украине онлайн-миссии МВФ. В случае согласования программы с Советом МВФ это откроет дорогу для получения транша в 700 млн долларов. Отличным подспорьем для гривни станет и выделение второго транша макрофинансовой помощи ЕС на 600 млн евро.

В ноябре мы ожидаем продолжения укрепления гривни к обеим основным мировым валютам. К концу месяца доллар может торговаться в диапазоне 25,8−26,3 грн, евро — в диапазоне 29,7−30,3 грн», — прогнозирует Вадим Иосуб.

Однако не все эксперты столь оптимистичны относительно укрепления курса гривни.

«Во вторник доллар к гривне немного ослаб, — рассказал «ФАКТАМ» аналитик компании RoboForex Андрей Гойлов. — НБУ выходил на межбанк с покупками иностранных валют. Регулятор приобрел на рынке около 5 млн долларов. Торговая сессия вторника по валютной паре доллар — гривня завершилась на уровне 26,32 грн, курс евро снизился до отметки 30,48 грн.

Минфин Украины вчера провел аукцион по размещению облигаций внутреннего государственного займа (ОВГЗ). Рынку были предложены гособлигации в гривнях со сроками обращения в 6, 12, 18, 24, 36 и 60 месяцев. В госбюджет было привлечено 6,66 млрд грн. Средневзвешенная доходность данных бумаг осталась практически без изменений, из-за чего нерезиденты проигнорировали это размещение. Вероятно, зарубежные инвесторы ждут свежей статистики о потребительской инфляции. От динамики указанного показателя будет зависеть решение НБУ по учетной ставке. Аналитики JPMorgan в своем последнем обзоре спрогнозировали рост ключевой ставки до 9,5% годовых уже в 2022 году, что послужит причиной увеличения доходности ОВГЗ.

По сообщению Нацбанка, гастарбайтеры за первые 9 месяцев нынешнего года перевели в Украину 10,33 млрд долларов, рост поступлений относительно аналогичного периода 2020 года составил 19,2%. Данный показатель поступательно растет с 2015 года. Переводы трудовых мигрантов стали одним из главных источников иностранных валют для нашей страны. Это, в свою очередь, служит поддержкой курсу гривни и стабилизирует украинский рынок труда.

Полагаю, что к концу текущей недели гривня относительно доллара опустится до уровня 26,50 грн. Единая европейская валюта, вероятно, укрепится до отметки 30,95 грн», — считает Андрей Гойлов.

Эксперты отмечают, что на курсе гривни могут негативно отразиться сложная энергетическая ситуация в стране и рост напряжения на границе с Россией.

«На межбанковском валютном рынке в среду, 3 ноября, курс гривни удерживается вблизи уровня 26,3 грн за доллар, — сообщил «ФАКТАМ» руководитель отдела аналитики компании Forex Club Андрей Шевчишин. — Рынок относительно стабилен и малоактивен на фоне новых карантинных мер и слабой деловой активности.

Рынок переваривает вчерашнее размещение ОВГЗ, в котором нерезиденты, вероятно, не принимали участия, поскольку не было предложено достаточной доходности. Накануне Министерство финансов привлекло 6,6 млрд гривен, самые длинные были пятилетние ОВГЗ с доходностью 12,75% годовых. По итогам вчерашнего дня портфель в гривневых ОВГЗ нерезидентов не изменился и составляет 93,2 млрд гривен.

Также рынок переваривает перестановки в Кабинете министров Украины и информацию о концентрации вооруженных сил РФ у границ Украины, что для нерезидентов повышает риски инвестиций.

Негативным фактором для гривни выступает сложная энергетическая ситуация в стране. Еще до наступления холодов, запасы угля на ТЭС существенно снизились и не позволят пройти отопительный период, в то время как Россия заблокировала поставки угля в Украину. В результате Украина в аварийном порядке импортировала электроэнергию из Беларуси. Мы по-прежнему полагаем, что газо- и углетрейдеры в случае выхода на валютный рынок могут существенно поддержать спрос на валюту и вызвать ослабление гривни.

В свою очередь, позитивным для гривни выступает встреча госсекретаря США Энтони Блинкена с президентом Украины Владимиром Зеленским. В ходе встречи США подтвердили поддержку американской стороной суверенитета и территориальной целостности Украины, а также заявили о намерении укреплять украинскую энергобезопасность. Поддержку гривне оказывает также прогноз JPMorgan, который ожидает курса гривни до конца года на уровне 26,3 грн за доллар.

По нашим оценкам, курс гривни в ближайшее время продолжит удерживаться в диапазоне 26,25−26,3 грн за доллар», — считает Андрей Шевчишин.

Стоит отметить, что в последнее время банки все чаще блокируют как переводы денег по банковской карте, так и счета клиентов. Причем такое происходит и в государственных, и в частных банках. Как рассказал «ФАКТАМ» управляющий партнер Консалтинговой компании «Финансовая студия» кандидат экономических наук Евгений Невмержицкий, данные ограничения вводятся в связи с усилением контроля за уплатой налогов, поскольку многие предприниматели ведут свой бизнес с использованием счетов частных лиц.

3575

Читайте нас в Telegram-канале, Facebook и Twitter

различных методов прогнозирования обменных курсов — видео и стенограмма урока

Паритет покупательной способности

Паритет покупательной способности (ППС) — широко используемый метод, основанный на теории закона единой цены. Этот Закон о единой цене гласит, что идентичные товары должны иметь одинаковые цены, независимо от страны. Кока-кола в Таиланде должна стоить столько же, сколько кока-кола в США (с учетом курсов обмена и доставки).

ППС также учитывает инфляцию от страны к стране.Если ожидается, что цены в Таиланде вырастут на 3%, а цены в США — всего на 1%, разница в инфляции составит 2%. Цены в Таиланде будут расти быстрее, чем в США. Таким образом, метод ГЧП предполагает, что тайский бат должен будет обесцениться примерно на 2% для поддержания паритета.

1 тайский бат = 0,03 доллара.

Следовательно, (1 + 0,02) * (0,03 доллара США за 1 бат) = 0,0309 доллара США за 1 бат

Подход относительной экономической устойчивости

Подход относительной экономической устойчивости менее точен, чем метод ППС.Это скорее общая оценка курсов валют страны. Относительная экономическая мощь Подход рассматривает экономический рост в данной стране для определения прочности ее здоровья. Если экономика сильнее, вы можете сделать довольно хорошее предположение, что этот рост привлечет инвесторов.

Чтобы купить инвестиции, вам нужно купить валюту этой страны. Это должно вызвать рост спроса, что приведет к росту курса валюты. Высокие процентные ставки также будут хорошим знаком для инвесторов, что также приведет к росту курса валюты.

Эконометрические модели

Идея эконометрических моделей может быть очень сложной, поскольку они основаны на экономической теории. По сути, вы выбираете экономический фактор, который повлияет на валюту, а затем создаете модель на его основе. По сути, это эконометрическая модель . Допустим, мы решили, что темпы роста ВВП и процентные ставки являются экономическими показателями.

Мы можем определить модель, которая могла бы выглядеть так:

USD / THB = z + a (GDP) + b (INT)

Не беспокойтесь о мельчайших деталях модели (они могут стать очень сложными и очень быстро).Основная идея заключается в том, что на переменные INT и GDP влияют коэффициенты a и b . Эти элементы влияют на обменный курс, положительно или отрицательно. Это, безусловно, самая сложная модель, но она позволяет нам учитывать больше переменных.

Модель временных рядов

Модель временных рядов — это модель, которая анализирует прошлые показатели как средство прогнозирования будущих событий. Вы можете включить историю батов за последние семь лет, а затем наметить модель будущих показателей.

Трейдер или инвестор могут взять здесь график и предсказать будущие результаты. Прямо сейчас график останавливается на 45-м месяце, но его можно расширить с учетом прошлых взлетов и падений. Это можно сделать в Excel для расчета скользящих средних.

Модель временных рядов смотрит на прошлые средние значения, чтобы предсказать будущее.

Итоги урока

Хорошо, давайте сделаем пару минут для повторения. Трейдерам и инвесторам необходимы методы прогнозирования обменных курсов, независимо от того, намерены ли они инвестировать в страну или торговать на валютных рынках.Важно иметь надежные прогностические данные.

Четыре метода прогнозирования обменных курсов включают следующие:

• Паритет покупательной способности (ППС), который основан на предпосылке, что товары в одной стране должны иметь равную цену в другой ( с учетом обменных курсов и инфляции).
• Относительная экономическая сила , который анализирует экономическую среду в стране для определения возможных будущих курсов валют.
• Экономические модели , которые могут быть очень сложными, поскольку они вводят один или несколько экономических факторов, которые могут повлиять на обменные курсы.
• Модель временного ряда , которая отображает прошлую производительность и отображает будущую модель и прогнозируемое поведение.

Прогноз обменного курса: прогнозирование временных рядов с помощью ARIMA | Эндрю Нгуен

Давайте подключим значения p, d, q к нашей модели ARIMA!

Как я объяснил ранее, количество значительных лагов на графиках ACF и PACF может быть преобразовано в соответствующие p & q.Давайте посмотрим, как ARIMA выглядит со следующими значениями:

• p = 3 как 3 значительных запаздывания в ACF
• d = 1 как вычислено в .shift (1)
• q = 2 как 2 значительных запаздывания в PACF

 от statsmodels.tsa.arima_model import ARIMAy = date_fx_log.iloc [:, 1] model_arima = ARIMA (y, (3,1,2)) 
 model_arima_fit = model_arima.fit () 
 print (model_arima_fit.summary ()) 

в общем, мы импортировали ARIMA из библиотеки Statsmodels и извлекли y из преобразованного набора данных.Затем мы подбираем модель ARIMA с указанными выше значениями (p, d, q) и вызываем .summary () :

Как бы сложно это ни выглядело, нам просто нужно сосредоточиться на двух показателях в таблице: AIC и p-значение (P> | z |).

• AIC = -183,227, который мы проверим по другой комбинации p, d, q, чтобы определить, является ли это наименьшим значением или нет.
• При p = 3 модель возвращает 3 разных p-значения для каждого AR в разных строках. В то время как у первых двух p-значения <0,05 (что в идеале рекомендуется), AR.L3 выше 0,05. Это означает, что на самом деле на графике АКФ может быть 2 значительных запаздывания.

Основываясь на результатах, давайте протестируем другую комбинацию (p, d, q) = (2,1,2):

В этом случае AIC (-183,096) не улучшается по сравнению с первой моделью. AIC (-183,227). Кроме того, p-значения AR.L1 (1-й p) и MA.L1 (1-й q)> 0,05, что указывает на то, что нам могут понадобиться только p = 1 и q = 1. Давайте проверим это с помощью (p, d, q) = (1, 1, 1):

Bingo! AIC значительно улучшился, так как это лучшее значение на данный момент после трех испытаний (самый низкий AIC и все p-значения <0.05).

Хорошо, этот процесс был слишком трудоемким и трудоемким. Как насчет того, чтобы использовать итерацию с циклом for и посмотреть, какая комбинация (p, d, q) дает самый низкий AIC?

 import itertoolsp = range (1, 4) 
 d = range (1, 2) 
 q = range (1, 3) pdq = list (itertools.product (p, d, q)) aics = [] 
 params = [] для параметра в pdq: 
 model = ARIMA (y, order = param) 
 model_fit = model.fit () 
 aic = model_fit.aic 
 aics.append (aic) 
 params.append (param) combo = list (zip (aics, params)) 
 combo.sort () combo_array = np.array (combo) 
 print (combo_array) 

Как видно выше, я создал разные диапазоны для p, d и q соответствует графикам ACF и PACF:

• p = диапазон (1, 4): поскольку в ACF видны 3 запаздывания
• d = диапазон (1, 2): поскольку нам нужно по крайней мере 1 разность, чтобы сделать data stationary
• q = range (1, 3): поскольку в PACF видны 2 задержки

Затем я использовал itertools.product () для создания различных комбинаций из заданных значений. Наконец, я применил для цикла и подобрал модель ARIMA для каждой сгенерированной комбинации.

Итак, самый низкий AIC составляет -185,892 из (p, d, q) из (1, 1, 1), что соответствует последнему испытанию выше!

Наконец, самый последний шаг из всех, прогнозирование:

 pred = model_arima_fit.forecast (12, alpha = 0.05) [0] 
 print (pred) model_arima_fit.plot_predict (1,42) 

Просто небольшое примечание, .Прогноз () включает количество значений , которые нам нужно спрогнозировать (в данном случае 12 месяцев в 2020 году после периода набора данных) и альфа = 0,05 как 95% доверительный интервал. plot_predict (1, 42) как (начало, конец) всего набора данных прогноза (в данном случае 1 как 1-й месяц, 01/2017, а 2 как последний месяц, 12/2020).

Что касается совместимости нашего значения y (оранжевый) и прогноза (синий), это неплохо! Фактически, если вы помните из диаграммы с полиномиальной регрессией, прогноз (синий) идеально соответствует линии, которую мы обнаружили!

Тадах! Мы почти подошли к завершению проекта, по которому мы прогнозировали обменные курсы на 2020 год.Если вы напечатаете прогнозируемые значения, это может показаться вам странным:

Это потому, что прогнозируемые значения взяты из набора данных, который был преобразован в логарифм перед запуском этой модели! Просто измените значения с помощью экспоненциальной функции , которая является обратной логарифмической шкале.

 pred = np.exp (pred) 
 прогноз = pred.tolist () fx_2020 = np.array (list (zip (month_year_future, прогноз))) 
 print (fx_2020) 

Отлично! Давайте визуализируем его как единое целое, с 2017 по 2020 годы!

 x_merge = ['2019-12', '2020-01'] 
 y_merge = [y_pred [-1], прогноз [0]] плт.figure (figsize = (14,6)) 
 plt.scatter (month_year, y_fx, alpha = 0.4) 
 plt.plot (month_year, y_fx_predict, color = 'b') 
 plt.plot (month_year, y_fx_predict_2, color = ' r ') 
 plt.plot (month_year, y_fx_predict_3, color =' g ') 
 plt.plot (month_year, y_pred, color =' black ') 
 plt.plot (x_merge, y_merge, color =' y ') 
 plt .plot (month_year_future, прогноз, цвет = 'y') 
 plt.legend (['1var', '2var', '3var', '3var' with Poly ',' Forecast ']) 
 plt.title («Линейная регрессия : Обменный курс AUD / USD (3 варианта: процентная ставка, ВВП и UER) ") 
 plt.xlabel («Месяц-год») 
 plt.ylabel («Обменный курс») 
 plt.xticks (fontsize = 5) 
 plt.show () 

AUD Прогноз на 2020 год | Прогнозы обменного курса для путешественников

Прогнозы обменного курса валют; интересно для некоторых, необходимо для многих и сбивает с толку всех.

В Travel Money Oz мы понимаем, что, если вы не работаете в мире финансов и экономики, вы, вероятно, не до конца понимаете, какие элементы используются для прогнозирования обменных курсов (и это не особо заботит — да ладно, мы здесь реалисты) .

Помимо фрагмента того, как курс австралийского доллара по отношению к доллару США от Кочи по утрам, большинство людей действительно обращают внимание только на обменные курсы и прогнозы австралийских долларов, когда дело доходит до планирования отпуска.

Даже в этом случае многие путешественники оставляют мониторинг и покупку своей иностранной валюты до последней минуты, что означает, что они часто не тратят немного денег ради удобства обмена в последнюю минуту.

С точки зрения австралийского путешественника, мы всегда хотим, чтобы австралийский доллар был лучше по отношению к другим валютам.Однако «слишком сильный» австралийский доллар может повлиять на нашу экспортную способность, поскольку наши товары более дороги на мировой арене. Это потенциально может привести к тому, что дома будут стоить дороже, и в первую очередь будет сложнее сэкономить на поездках.

Базовое понимание того, что влияет на обменный курс, а также предвидение прогнозов по австралийскому доллару в период между настоящим моментом и вашим следующим отпуском, могут не только сделать вас более осведомленными (привет вторник вечером мелочи), но и немного дополнительных денег на расходы в заднем кармане.

Не верите? Проверьте разницу между некоторыми максимумами и минимумами в наших основных валютах за последний год. Конечно, мы знаем, что большинство людей обычно не покупают иностранную валюту на год вперед (спасибо вам, если вы это сделаете, я даже не знаю, что у меня на ужин сегодня вечером), но это дает вам представление о том, сколько валюты может меняться со временем.

AUD / USD		Обмен 2k на AUD	Разница
Высокая: 26.02.19	0.7064	1412,80 долларов США	128.20 USD (или 64 хот-дога)
Низкий: 25.02.20	0,6423	1284,60 долларов США
AUD / EUR		Обмен 2k на AUD	Разница
Высокая: 26.02.19	0.6146	1229.20 евро	75.26 EUR (или 25 круассанов)
Низкий: 12.08.19	0,577	1154,00 евро
AUD / GBP		Обмен 2k на AUD	Разница
Высокая: 30.07.19	0.5435	1087,00 фунтов стерлингов	111,40 GBP (или 22 яйца виски)
Низкий: 25.02.20	0,4878	975,60 фунтов стерлингов
AUD / IDR		Обмен 2k на AUD	Разница
Высокая: 26.02.19	9242.88	18 485 760 рупий	2,292,440 (или 152 бинтанг)
Низкий: 23.02.20	8096.66	16 193 320 рупий

Хорошо, мы поняли. Прогнозирование кажется затруднительным ..?

Ты не ошибся, друг. Прогнозировать обменный курс труднее, чем уворачиваться от сорок весной.Финансовые аналитики ежедневно используют бесчисленное количество методов для прогнозирования движения валют. Ни один из этих методов не является надежным, поэтому компании и частные лица часто анализируют несколько прогнозов, прежде чем принять обоснованное решение.

Большинство из нас не станет углубляться в тонкости прогнозирования обменного курса в течение своей жизни (за исключением тех, кто получает степень по экономике). Однако понимание долгосрочной взаимосвязи между фундаментальными макроэкономическими показателями, описанными ниже, и обменными курсами поможет вам принять осознанное решение о том, когда обменять свои австралийские доллары на иностранные денежные средства.

Итак, соглашайтесь с Тимом Тэмом и оставайтесь с нами, мы обещаем *, в конце концов, это будет иметь смысл.

Прежде чем мы начнем, давайте кратко обрисуем несколько терминов. Произведите впечатление на своих коллег и бросьте этих плохих парней в ваш следующий конво у кулера для воды в офисе.

Оценка: Когда стоимость одной валюты увеличивается относительно другой. Например. Если австралийский доллар упал с 0,69 доллара до 0,71 доллара, он вырос (и австралийские путешественники это ценят).

Амортизация: Вы угадали; это когда стоимость одной валюты снижается относительно другой. Например. Если австралийский доллар упал с 0,71 доллара до 0,69 доллара, он обесценился. (Амортизация =dev австралийских путешественников).

Валюта с более высокой стоимостью: более дешевый импорт на (он же интернет-магазины WAZOO), более дорогой экспорт и лучшая окупаемость денег на дорогу.

Валюта с более низкой оценкой: более дорогой импорт (мы вернемся к DFO), более дешевый экспорт, а у австралийцев хуже с иностранной валютой.

Инфляция: Скорость повышения общего уровня цен на товары и услуги и, в свою очередь, снижения покупательной способности валюты. Вы знаете, когда ваша бабушка такая: «В свое время я могла купить 7 гобстопперов, 3 шоколадных батончика и маленькое сумчатое животное за 50 центов!» а теперь нам повезло получить мороженое от Маккаса и приветливую улыбку? Да, это из-за инфляции. Со временем стоимость валюты снижается в результате факторов спроса и предложения.

Экономический рост: Увеличение способности экономики производить товары и услуги. Рост в целом хороший, но не слишком быстрый. Хороший рост — это то же самое, что ходить в спортзал каждый день, плохой рост — это делать инъекции стероидов в течение месяца, а затем надеяться на лучшее, янно?

А теперь перейдем к более сложному. Для нас важно предварять это несколькими ключевыми моментами:

• На курсы валют влияет множество факторов.Ни у кого нет времени читать (или писать) об этом. Поэтому, когда дело доходит до прогнозов обменного курса, обязательно относитесь ко всему с недоверием и имейте всестороннее представление.
• В конечном счете, обменные курсы отражают спрос и предложение на валюту в простой для количественной оценки метрике. Сам спрос определяется восприятием людьми ценности валюты, и это восприятие определяется экономикой, политикой и средствами массовой информации. Осведомленность об этих трех элементах, безусловно, может помочь в понимании вашей покупательной способности при следующем отпуске.
• На рисунках ниже представлены концепции на самом базовом уровне. При определении обменного курса вы должны помнить, что изменения относятся к другой стране, в которой сравнивается валюта. Все элементы взаимодействуют и влияют друг на друга по отдельности, поэтому их необходимо рассматривать все вместе и согласовывать с обеими странами, чтобы получить действительно целостное представление.

Все эти факторы способствуют политической и экономической стабильности страны.Уровень воспринимаемой стабильности в конечном итоге влияет на степень доверия инвесторов к стране.

Больше доверия = больше людей, желающих инвестировать в страну = больший спрос на валюту = повышение

Меньше доверия = меньше иностранного капитала, инвестированного в страну = снижение спроса на валюту = амортизация

В зависимости от того, куда вы собираетесь, различные факторы будут иметь большее влияние на колебания курса валюты.

Как частные лица мы не имеем большого влияния на то, что AUD будет делать в будущем. Поэтому, переходя от одного путешественника к другому, мы рекомендуем вам забронировать этот отпуск, узнать, что происходит в том месте, куда вы направляетесь, и подписаться на уведомления о валютных курсах.

Если вы ошиблись и ставки пошли против вас, не волнуйтесь! Вы всегда можете защитить себя с помощью гарантии изменения ставки, это бесплатно и позволяет потребовать от нас разницу в течение 14 дней с момента покупки.

* Никаких обещаний, только наилучшие пожелания и удачи.Если вы действительно испытываете трудности, загляните в другие наши блоги, посвященные прогнозам. Или воспользуйтесь Google. У Google есть ответы на все вопросы.

Этот блог предназначен только для информации и не принимает во внимание ваши цели, финансовое положение или потребности. Вам следует подумать о том, подходят ли вам информация и предложения, содержащиеся в какой-либо записи в блоге, с учетом ваших собственных целей, финансового положения и потребностей. Хотя мы проявляем разумную осторожность при создании блога, мы не даем никаких гарантий или заявлений о том, что он является полным, точным или подходит для вас.Мы не несем ответственности за любые убытки, причиненные, будь то из-за небрежности или иным образом, в результате использования или доверия к информации и / или предложениям, содержащимся в этом блоге.

% PDF-1.5 % 467 0 obj> эндобдж xref 467 74 0000000016 00000 н. 0000003054 00000 н. 0000003214 00000 н. 0000001776 00000 н. 0000003257 00000 н. 0000003385 00000 н. 0000003840 00000 н. 0000003909 00000 н. 0000003965 00000 н. 0000004021 00000 н. 0000004096 00000 н. 0000004817 00000 н. 0000005473 00000 п. 0000006138 00000 н. 0000006206 00000 н. 0000006888 00000 н. 0000007611 00000 п. 0000008343 00000 п. 0000008688 00000 н. 0000009029 00000 н. 0000009417 00000 н. 0000009453 00000 п. 0000009508 00000 н. 0000009722 00000 н. 0000010499 00000 п. 0000011428 00000 п. 0000014098 00000 п. 0000026393 00000 п. 0000026888 00000 п. 0000027645 00000 п. 0000028596 00000 п. 0000029262 00000 п. 0000030035 00000 п. 0000032392 00000 п. 0000032740 00000 п. 0000125596 00000 н. 0000204223 00000 н. 0000204340 00000 н. 0000204455 00000 н. 0000204480 00000 н. 0000204505 00000 н. 0000204530 00000 н. 0000204646 00000 н. 0000204760 00000 н. 0000204831 00000 н. 0000204977 00000 н..k {%] + /

• Польша: прогноз обменного курса доллара к злотому на 2025 год

• Польша: прогноз обменного курса доллара к злотому на 2025 год | Statista

Другая статистика по теме

Пожалуйста, создайте учетную запись сотрудника, чтобы иметь возможность отмечать статистику как избранную. Затем вы можете получить доступ к своей любимой статистике через звездочку в заголовке.

Зарегистрируйтесь сейчас

Пожалуйста, авторизуйтесь, перейдя в «Моя учетная запись» → «Администрирование».После этого вы сможете отмечать статистику как избранную и использовать персональные статистические оповещения.

Аутентифицировать

Сохранить статистику в формате .XLS

Вы можете загрузить эту статистику только как премиум-пользователь.

Сохранить статистику в формате .PNG

Вы можете скачать эту статистику только как премиум-пользователь.

Сохранить статистику в формате .PDF

Вы можете загрузить эту статистику только как премиум-пользователь.

Показать ссылки на источники

Как премиум-пользователь вы получаете доступ к подробным ссылкам на источники и справочной информации об этой статистике.

Показать подробную информацию об этой статистике

Как премиум-пользователь вы получаете доступ к справочной информации и сведениям о выпуске этой статистики.

Статистика закладок

Как только эта статистика будет обновлена, вы сразу же получите уведомление по электронной почте.

Да, сохранить в избранное!

…и облегчить мою исследовательскую жизнь.

Изменить параметры статистики

Для использования этой функции вам потребуется как минимум Единственная учетная запись .

Базовая учетная запись

Познакомьтесь с платформой

У вас есть доступ только к базовой статистике.
Эта статистика не включена в в вашем аккаунте.

Единая учетная запись

Идеальная учетная запись начального уровня для индивидуальных пользователей

• Мгновенный доступ от до 1 млн статистики
• Скачать в форматах XLS, PDF и PNG
• Подробные ссылок

$ 59 $ 39 / месяц *

в первые 12 месяцев

Корпоративный аккаунт

Полный доступ

Корпоративное решение, включающее все функции.

* Цены не включают налог с продаж.

Самая важная статистика

Самая важная статистика

Самая важная статистика

Самая важная статистика

Самая важная статистика

самая важная статистика

Самая важная статистика

Дополнительная статистика

Узнайте больше о том, как Statista может поддержать ваш бизнес.

Министерство финансов (Польша). (1 октября 2021 г.). Прогнозы обменного курса доллара США (USD) к польскому злотому (PLN) в Польше с 2018 по 2025 год [График]. В Statista. Получено 6 ноября 2021 г. с сайта https://www.statista.com/statistics/1065353/poland-usd-to-pln-exchange-rate-forecasts/

Министерство финансов (Польша). «Прогнозы обменного курса доллара США (USD) к польскому злотому (PLN) в Польше с 2018 по 2025 год». Диаграмма. 1 октября 2021 г. Statista. По состоянию на 06 ноября 2021 г.https://www.statista.com/statistics/1065353/poland-usd-to-pln-exchange-rate-forecasts/

Министерство финансов (Польша). (2021 г.). Прогнозы курса доллара США (USD) к польскому злотому (PLN) в Польше с 2018 по 2025 год. Statista. Statista Inc .. Дата обращения: 6 ноября 2021 г. https://www.statista.com/statistics/1065353/poland-usd-to-pln-exchange-rate-forecasts/

Министерство финансов (Польша). «Прогнозы обменного курса доллара США (Usd) к польскому злотому (Pln) в Польше с 2018 по 2025 год.»Statista, Statista Inc., 1 октября 2021 г., https://www.statista.com/statistics/1065353/poland-usd-to-pln-exchange-rate-forecasts/

Министерство финансов (Польша), Прогнозы Обменный курс доллара США (USD) к польскому злотому (PLN) в Польше с 2018 по 2025 год Statista, https://www.statista.com/statistics/1065353/poland-usd-to-pln-exchange-rate-forecasts/ ( (последнее посещение — 6 ноября 2021 г.)

Прогнозирование волатильности валютных курсов с использованием методов глубокого обучения Autoencoder-LSTM

После распада Бреттон-Вудской системы в начале 1970-х годов валютный рынок стал важным центром внимания как академических кругов, так и ученых. и практические исследования.Существует множество причин, по которым иностранная валюта важна, но одним из наиболее важных аспектов является определение стоимости иностранных инвестиций. Таким образом, FX служит основой международных инвестиций и глобальной торговли. Кроме того, поскольку колебания валютного курса влияют на стоимость импортируемых и экспортируемых товаров и услуг, такие колебания оказывают важное влияние на экономическую конкурентоспособность транснациональных корпораций и стран. Поэтому волатильность валютных курсов вызывает серьезную озабоченность у ученых и практиков.Прогнозирование волатильности курсов валют — это важная финансовая проблема, которая привлекает значительное внимание из-за ее разнообразных последствий. В последнее время различные модели глубокого обучения, основанные на искусственных нейронных сетях (ИНС), широко используются в финансах и экономике, особенно для прогнозирования волатильности. Основная цель этого исследования состояла в том, чтобы эффективно предсказать волатильность курсов валют с использованием моделей ИНС. С этой целью мы предлагаем гибридную модель, которая объединяет модели долговременной краткосрочной памяти (LSTM) и автоэнкодера.Известно, что эти модели глубокого обучения хорошо работают при прогнозировании временных рядов для прогнозирования волатильности валютного курса. Таким образом, мы ожидаем, что наш подход будет подходящим для прогнозирования волатильности валютного курса, поскольку он сочетает в себе достоинства этих двух моделей. Методологически мы используем индекс волатильности иностранной валюты (FXVIX) в качестве меры волатильности валютного курса. В частности, рассматриваются три основных индекса FXVIX (EUVIX, BPVIX и JYVIX) с 2010 по 2019 год, и мы прогнозируем будущие цены, используя предложенную гибридную модель.Наша гибридная модель использует модель LSTM в качестве кодировщика и декодера внутри сети автокодировщика. Кроме того, мы исследуем индексы FXVIX с помощью анализа подпериодов, чтобы изучить, как на эффективность прогнозирования предлагаемой модели влияют распределения и выбросы данных. Основываясь на эмпирических результатах, можно сделать вывод, что предлагаемый гибридный метод, который мы называем моделью автокодировщика-LSTM, превосходит традиционный метод LSTM. Кроме того, способность узнавать масштабы разброса данных и особенностей определяет точность прогнозов, сделанных с использованием моделей глубокого обучения.Таким образом, в этом исследовании установлено, что волатильность валютных курсов можно точно предсказать, используя комбинацию моделей глубокого обучения. Наши выводы имеют важное значение для практиков. Поскольку прогнозирование волатильности является важной задачей для принятия финансовых решений, это исследование позволит трейдерам и политикам эффективно хеджировать или инвестировать и принимать политические решения на основе прогнозирования волатильности.

1. Введение

Среди различных рынков финансовых активов за последнее десятилетие валютный (FX) рынок стал все более волатильным и изменчивым.Согласно данным, опубликованным BIS (Банком международных расчетов) в апреле 2019 года, мировой объем торгов на товарных валютных рынках составлял 6,6 трлн долларов в день, что на 30% больше по сравнению с апрелем 2016 года (5,1 трлн долларов). С приходом глобализации и повышением спроса на зарубежные инвестиции количество валютных операций быстро увеличивалось за счет инвестиций в компании в разных странах. Кроме того, курсы валют существенно влияют на оценку валютных рисков и прибыли для международных сделок.Правительства и политики внимательно следят за колебаниями курсов валют для управления рисками. Поэтому FX считается наиболее важным финансовым индексом для международных валютных рынков (Хуанг и др. [1]).

Помимо курсов валют, волатильность валютных курсов также является серьезным источником беспокойства для практикующих специалистов. Волатильность курсов валют определяется колебаниями курсов валют, поэтому она также известна как мера валютного риска. Поскольку валютный риск напрямую связан с транзакционными издержками, связанными с международной торговлей, он имеет большое значение для транснациональных компаний, финансовых учреждений и трейдеров, которые хотят хеджировать валютные риски.В связи с этим волатильность валютного курса повлияла на конкурентоспособность внешнего сектора международной торговли и мировой экономики.

В частности, волатильность цен на финансовые активы является серьезной проблемой для ученых, инвесторов и политиков. Это связано с тем, что волатильность важна для ценообразования деривативов, хеджирования, выбора портфеля и управления рисками (см. Василеллис и Мид [2], Кнопф и др. [3], Браунлис и Галло [4], Галло и Отранто [5] и Боллерслев и др. [6]). Таким образом, прогнозирование и моделирование волатильности в последнее время стали предметом многих эмпирических и теоретических исследований в академических кругах.Точное прогнозирование волатильности остается важной задачей для ученых.

Поскольку многие ученые и практики интересуются волатильностью, было опубликовано множество исследований по прогнозированию волатильности. В этих исследованиях для прогнозирования использовалось множество подходов. Модели авторегрессионной условной гетероскедастичности (ARCH) и обобщенного ARCH (GARCH), предложенные Боллерслевом [7], в основном используются для прогнозирования волатильности (Ви и др. [8], Дхамия и Бхалла [9], Бала и Асемота [10], Камбурудис и другие.[11] и Köchling et al. [12]). Различные характеристики волатильности, такие как эффект кредитного плеча, кластеризация волатильности и устойчивость (Cont [13] и Cont [14]), являются основными причинами использования моделей на основе GARCH. Основываясь на недавней разработке моделей искусственной нейронной сети (ИНС), использование методов ИНС для прогнозирования волатильности расширилось (Прадепкумар и Рави [15], Лю [16], Рамос-Перес и др. [17] и Буччи [ 18]). В предыдущих исследованиях использовались различные модели ИНС, такие как случайный лес (RF) (Брейман [19]), машина опорных векторов (SVM) (Cortes and Vapnik [20]) и долговременная краткосрочная память (LSTM) (Hochreiter and Шмидхубер [21]).Несколько исследований показали, что методы ИНС превосходят основанные на GARCH модели для прогнозирования временных рядов (см. Pradeepkumar and Ravi [15], Liu [16] и Bucci [18]). Кроме того, были введены гибридные модели на основе ИНС и моделей типа GARCH (Хаджизаде и др. [22], Кристьянполлер и др. [23], Кристьянполлер и Минутоло [24], Ким и Вон [25], Баффур и др. [26] и Ху и др. [27]). Сообщается, что такие модели имеют преимущества по сравнению с использованием только моделей на основе ИНС или GARCH. Дополнительная литература по этой теме будет рассмотрена в Разделе 2.

Основываясь на вышеизложенном, мы фокусируемся на прогнозировании волатильности на основе волатильности валютного курса. В качестве мер валютной волатильности мы принимаем три индекса волатильности валютной пары (FXVIX), а именно: индекс волатильности валютной пары в евро (EUVIX), индекс волатильности валютного курса британского фунта (BPVIX) и индекс волатильности валютной иены (JYVIX), которые являются равно взвешенными индексами. 30-дневной подразумеваемой волатильности Чикагской биржи опционов (CBOE) для евро (EUR), фунта стерлингов (GBP) и японской иены (JPY) соответственно.Поскольку три валютные пары EUR / USD, USD / JPY и GBP / USD являются тремя наиболее активно торгуемыми валютными парами на валютном рынке, мы выбрали три соответствующих индекса FXVIX. Кроме того, эти индексы отражают глобальные экономические тенденции (см. Ishfaq et al. [28], Dicle and Dicle [29] и Pilbeam [30]). Как упоминалось ранее, прогнозирование волатильности на валютном рынке важно для глобальных фирм, финансовых институтов и трейдеров, которые хотят хеджировать валютные риски (см. Guo et al. [31], Abdalla [32] и Menkhoff et al.[33]).

Практически валютный рынок состоит из трех связанных компонентов: спотовых сделок, форвардных сделок и деривативных контрактов (Baffour et al. [26]). Кроме того, поскольку FX изначально определялся двумя валютами, FX имеет более наблюдаемые факторы, которые влияют на изменения, по сравнению с другими финансовыми индексами. Кроме того, согласно Liu et al. [34], периодические характеристики валютного рынка являются одними из основных причин, по которым трудно предсказать изменения на валютном рынке.Поэтому мы используем модели ИНС как методы, управляемые данными, а не методы, управляемые моделями, такие как модели типа GARCH, для прогнозирования трех вышеупомянутых FXVIX. В частности, мы используем модели LSTM и автоэнкодера (Rumelhart et al. [35]) в качестве методов ИНС. Мы предлагаем модель гибридной нейронной сети, основанную на этих двух моделях. Чтобы объединить автоэнкодер с LSTM, мы применяем LSTM в качестве кодировщика и декодера для данных последовательности внутри сети автоэнкодера. Следовательно, предлагаемая гибридная модель может использовать преимущества как автокодировщика, так и LSTM.Подробное обсуждение этой темы представлено в разделе 3.

Методологически мы применяем алгоритм машинного обучения (LSTM) для реализации модели автокодировщика-LSTM для прогнозирования FXVIX с 2010 по 2019 год. Мы оптимизируем принятые алгоритмы с помощью процедуры поиска по сетке. предоставляется Full-Stack Python. Тестирование также выполняется с использованием анализа подпериодов, чтобы выяснить, влияют ли отклонения и выбросы данных на обучение модели. Такой субпериодный анализ обычно применялся в предыдущих исследованиях (Sharma et al.[36], Гарсия и Кристьянполлер [37], Рамос-Перес и др. [17], а также Чой и Хонг [38]). В частности, мы разбили весь период выборки на три подпериода, которые называются Период 1 (с января 2010 г. по декабрь 2015 г.), Период 2 (с января 2016 г. по декабрь 2016 г.) и Период 3 (с января 2017 г. по декабрь 2019 г.). Период 2 демонстрирует неопределенность на европейском рынке, основанную на движении Brexit. Таким образом, мы исследуем точность прогнозов и производительность модели в соответствии с различными состояниями данных.

Есть два основных аспекта этого исследования, которые отличаются от предыдущих исследований.Во-первых, мы используем FXVIX, которые играют ключевую роль на валютном рынке. Хотя предыдущие эмпирические исследования предсказывали различные типы волатильности цен на финансовые активы с использованием различных моделей, исследований по прогнозированию FXVIX мало. Кроме того, проводятся исследования по прогнозированию цен FX и прогнозирования волатильности с использованием различных подходов, но исследования по прогнозированию FXVIX относительно редки. Следовательно, необходимо прогнозировать волатильность FXVIX. Во-вторых, мы предлагаем гибридную модель, основанную на автокодировщике и LSTM, для прогнозирования трех FXVIX.Известно, что LSTM хорош для прогнозирования временных рядов (Фишер и Краусс [39], Кумар и др. [40] и Музаффар и Афшари [41]), и одним из преимуществ автоэнкодера является то, что он может автоматически извлекать признаки из исходных данных (Phaisangittisagul и Chongprachawat [42], Zhang et al. [43] и Zeng et al. [44]). Поэтому метод автоэнкодера широко используется для прогнозирования данных временных рядов (Saha et al. [45], Lv et al. [46], Sagheer и Kotb [47], и Boquet et al. [48]). Предлагаемая гибридная модель имеет отличный потенциал в качестве нового метода прогнозирования FXVIX и временных рядов.

Основные вклады этого документа можно резюмировать следующим образом: Во-первых, мы расширяем предыдущие исследования, прогнозируя FXVIX с использованием моделей ИНС. Наши эксперименты были мотивированы наблюдением, что предыдущие исследования валютного рынка в основном были сосредоточены на валютном курсе, волатильности доходности или исторической волатильности. В частности, FXVIX представляют собой будущие меры валютного риска для участников рынка. Таким образом, наши выводы имеют важное значение для практиков, управляющих валютным риском.Во-вторых, мы предлагаем гибридную модель ИНС на основе автокодировщика и LSTM. Результаты прогнозирования показывают, что предлагаемая гибридная модель превосходит традиционные модели LSTM. Следовательно, это исследование вносит свой вклад в литературу по разработке моделей ИНС, представляя новую гибридную модель. Наш третий важный вклад — это оптимизация модели прогнозирования производительности с помощью анализа субпериодов. Основываясь на эмпирических результатах анализа субпериодов, мы можем сделать вывод, что широкое распределение исходных данных и приемлемое количество выбросов улучшают эффективность прогнозирования.

Остальная часть этого документа организована следующим образом. В разделе 2 представлен краткий обзор литературы по волатильности валютных курсов и исследований с использованием машинного обучения в финансах. Раздел 3 описывает данные и методологию, принятую в этом исследовании. В разделе 4 представлены результаты эмпирического анализа для полного периода выборки и анализа подпериода. Наконец, мы предоставляем заключительные замечания в Разделе 5.

2. Обзор литературы

Существует огромное количество литературы по прогнозированию финансовых временных рядов.В этом разделе мы разделяем предыдущие исследования курсов валют и исследования волатильности курсов валют в соответствии с основной направленностью предыдущих статей. Кроме того, мы также обсуждаем литературу по прогнозированию временных рядов с использованием ИНС.

Во-первых, поскольку обменный курс напрямую влияет на доход транснациональных фирм, многие исследования были сосредоточены на прогнозировании обменного курса, а многие исследования использовали модели ИНС для прогнозирования будущих валютных курсов. Например, Liu et al. [34] предсказали курсы EUR / USD, GBP / USD и JPY / USD, используя модель, основанную на сверточной нейронной сети (CNN).Они продемонстрировали, что такая модель подходит для обработки двумерных структурных данных о скорости обмена. Fu et al. [49] разработали модели эволюционной опорной векторной регрессии (SVR) для прогнозирования четырех обменных курсов юаня (RMB, китайский юань) (CNY по отношению к доллару США, EUR, JPY и GBP). Они также продемонстрировали, что предложенная модель превосходит нейронную сеть многослойного персептрона (MLP), нейронную сеть Элмана и модели SVR с точки зрения показателей точности прогнозирования уровня. Авторы Sun et al. [50] представили новый ансамблевой подход глубокого обучения, основанный на LSTM, и стратегию ансамблевого обучения для прогнозирования четырех основных валют (EUR / USD, GBP / USD, JPY / USD и USD / CNY).Согласно их эмпирическим результатам, предложенная ими модель обеспечила значительно улучшенную точность прогнозов по сравнению с традиционной моделью LSTM.

Как обсуждалось в предыдущем разделе, волатильность валютного курса также важна для многих ученых и практиков, поэтому многие исследования были сосредоточены на прогнозировании волатильности валютного курса. В целом, модели на основе GARCH использовались во многих исследованиях для прогнозирования волатильности валютных курсов. Кроме того, в некоторых исследованиях предсказывалась волатильность валютного курса путем включения различных методологий в модели GARCH для улучшения прогнозной силы.Например, авторы Vilasuso [51] предсказали различные волатильности валютных курсов (канадский доллар, французский франк, немецкая марка, итальянская лира, японская иена и британский фунт), используя частично интегрированную модель GARCH (FIGARCH) (Baillie et al. [Baillie et al. 52]). Эмпирические результаты их исследования показали, что модель FIGARCH лучше отражает особенности волатильности FX по сравнению с исходной моделью GARCH. Авторы Rapach и Strauss [53] продемонстрировали, что структурные сдвиги в безусловной дисперсии доходности валютного курса могут улучшить прогнозные характеристики моделей GARCH (1,1) для волатильности валютного курса за счет включения ежедневной доходности доллара США по отношению к валютам Канада, Дания, Германия, Япония, Норвегия, Швейцария и Великобритания.Pilbeam и Langeland [54] исследовали, могут ли различные модели, основанные на GARCH, эффективно прогнозировать волатильность валютных курсов четырех валютных пар евро, фунта, швейцарского франка и иены по отношению к доллару США. В частности, их эмпирические результаты показали, что модели GARCH лучше работают в периоды низкой волатильности по сравнению с периодами высокой волатильности. Ю и Лю [55] использовали подход GARCH-MIDAS (Энгл и др. [56]) для прогнозирования краткосрочной волатильности шести валютных курсов на основе фундаментальных денежно-кредитных принципов.Они продемонстрировали, что прогнозирующая сила ежедневной волатильности валютного курса значительно улучшается за счет включения ежемесячной фундаментальной денежно-кредитной волатильности.

Различные модели машинного обучения также использовались для прогнозирования временных рядов из различных областей, включая инженерию и финансы. В области финансов во многих исследованиях машинное обучение использовалось для прогнозирования будущих цен на акции. Например, Трафалис и Инс [57] сравнили SVR с обратным распространением с радиальной базисной функциональной сетью в задаче прогнозирования ежедневных цен на акции.Аналогичным образом, Henrique et al. [58] использовали SVR и метод случайного блуждания (RW) для прогнозирования ежедневных цен на акции на трех разных рынках (бразильском, американском и китайском). Основываясь на сравнении результатов прогнозирования цен моделей SVR и RW, они определили, что модели SVR могут работать лучше, чем модели RW, с точки зрения прогнозной эффективности. В последнее время появились сообщения о различных исследованиях с использованием методов машинного обучения и методологий глубокого обучения. Например, авторы Selvin et al. [59] использовали модели глубокого обучения, а именно рекуррентную нейронную сеть (RNN), LSTM и CNN, для прогнозирования цен на акции по минутам.Они определили, что алгоритм CNN обеспечивает лучшую производительность. Чонг и др. [60] использовали автоэнкодер для извлечения признаков из данных о запасах и построили глубокую нейронную сеть (DNN) для прогнозирования будущей доходности акций. Они определили, что можно извлекать признаки из большого набора необработанных данных, не полагаясь на предварительные знания о предикторах, что является одним из основных преимуществ DNN. Прадипкумар и Рави [15] предложили квантиль RNN, обученный оптимизации роя частиц, для прогнозирования волатильности валютного курса.Их модель обеспечивает более высокую эффективность прогнозирования по сравнению с моделью GARCH. В [16] и [18] различные модели ИНС использовались для прогнозирования волатильности фондового индекса S&P 500. Согласно результатам этих исследований, модели ИНС способны превосходить традиционные эконометрические методы, включая модели GARCH и авторегрессионные модели скользящего среднего. В частности, кажется, что модели LSTM повышают точность прогнозов волатильности. Кроме того, Рамос-Перес и др. [17] предсказал волатильность индекса S&P 500 с использованием модели с накоплением ИНС, основанной на наборе различных методов машинного обучения, включая усиление градиентного спуска, RF и SVM.Они продемонстрировали, что прогнозы волатильности можно улучшить, сложив алгоритмы машинного обучения. Кроме того, независимо от принятой модели волатильности, режимы высокой волатильности приводят к более высокому уровню ошибок.

В нескольких исследованиях предлагались гибридные модели, основанные на моделях на основе GARCH и моделях ИНС. Например, различные модели на основе GARCH были объединены с ИНС на основе MLP, и многие гибридные модели были использованы для повышения способности моделей GARCH прогнозировать волатильность доходности акций, золота и валютных курсов (Hajizadeh et al.[22], Кристьянполлер и др. [23], Кристьянполлер и Минутоло [24], а также Баффур и др. [26]). Кроме того, в некоторых исследованиях предлагались гибриды моделей LSTM и GARCH и использовались такие модели для прогнозирования волатильности финансовых активов (Ким и Вон [25] и Ху и др. [27]). Согласно эмпирическим результатам, гибридные модели, основанные на методах GARCH и ANN, демонстрируют улучшенные характеристики прогнозирования с точки зрения точности волатильности.

В частности, мы фокусируемся на исследованиях с использованием подходов LSTM и автоэнкодера для прогнозирования временных рядов.LSTM, который был введен Хохрайтером и Шмидхубером [21], широко используется для прогнозирования временных рядов во многих исследованиях прогнозирования. Этот метод в основном используется для анализа данных временных рядов, поскольку он может хранить записи прошлых данных. Некоторые исследования сравнивали LSTM с традиционными методами с использованием нейронных сетей или исследовали такие модели, реконструируя оба типа методов. Как обсуждалось Siami-Namini et al. [61] и Оганян [62], по мере увеличения вычислительной мощности внедрение моделей глубокого обучения становится более практичным, а их производительность превышает производительность традиционных моделей.Кроме того, Деорухкар и др. [63] продемонстрировали, что модели нейронных сетей в сочетании с авторегрессионным интегрированным скользящим средним или LSTM-моделями обеспечивают большую точность, чем любой тип модели по отдельности. В [64] было показано, что метод применения предварительно обработанных цен акций к модели LSTM с использованием вейвлет-преобразования превосходит традиционные методы.

Автокодер, представленный в [35], направлен на создание представления, максимально приближенного к исходному входу, из сокращенных результатов кодирования.Этот метод представляет собой преобразование базовой модели с использованием составных слоев, шумоподавления и разреженного представления и используется для прогнозирования финансовых временных рядов. Бао и др. [65] использовали LSTM и составные автокодеры для прогнозирования цен на акции и продемонстрировали, что этот тип гибридной модели более эффективен, чем одна только модель RNN или LSTM. В [66] составной автокодировщик шумоподавления, применяемый к гравитационному поиску, был эффективен при прогнозировании направления движения фондовых индексов, на которое влияют базовые активы.Кроме того, Sun et al. [67] объяснили, что составной автокодер шумоподавления, сформированный путем выбора обучающих наборов на основе подхода K-ближайших соседей, может повысить точность по сравнению с традиционными методами.

Это исследование дополняет существующую литературу по двум основным аспектам. Сначала мы предлагаем гибридную модель, сочетающую LSTM и автоэнкодер для прогнозирования волатильности валютных курсов. Существуют и другие исследования, в которых использовались гибридные модели, но они использовали модели, отличные от автоэнкодеров и LSTM.Кроме того, в большинстве исследований были разработаны гибридные модели, основанные на моделях GARCH. Однако, как обсуждалось выше, LSTM и автоэнкодеры хорошо работают при прогнозировании временных рядов, поэтому мы приняли эти два типа моделей для прогнозирования волатильности валютного курса. Во-вторых, как обсуждалось в Разделе 1, волатильность валютного курса имеет большое значение, но существует значительный недостаток исследований по прогнозированию ее изменений. Мы вносим свой вклад в финансовую литературу, прогнозируя FXVIX с использованием предложенной гибридной модели.

3. Описание данных и методология

3.1. Описание данных

VIX был впервые реализован на CBOE в 1993 году. Этот индекс основан на ценах опционов в реальном времени в индексе S&P 500. Поскольку он основан на ценовых исходных данных опционов на индекс S&P 500, этот индекс не только отражает ожидания рынка в отношении 30-дневной прогнозной волатильности, но также дает оценку рыночного риска и настроений инвесторов. Впоследствии были разработаны различные VIX с разными базовыми активами.

В этом исследовании мы исследовали, подходят ли методы машинного обучения для прогнозирования данных временных рядов волатильности валютного курса.Наши образцы данных взяты из CBOE. CBOE — одна из крупнейших биржевых холдинговых компаний в мире, которая предоставляет несколько производных инструментов, связанных с подразумеваемыми VIX. Мы приняли три индекса волатильности, связанных с валютой, а именно BPVIX, JYVIX и EUVIX. Как и в случае с VIX, волатильность валютного курса рассчитывается с использованием формулы, которая усредняет взвешенные цены опционов пут и колл вне денег.

Мы собрали 2520 ежедневных временных рядов данных FXVIX с января 2010 года по декабрь 2019 года. В зависимости от колебаний, вызванных движением Brexit, данные были разделены на подмножества с 2010 по 2015, 2016 и с 2017 по 2019 год на основе нестабильности в 2016 году. .Первый период представляет собой период восстановления после кризиса субстандартного ипотечного кредитования и содержит наибольшее количество данных (1514 данных за день). Как показано на Рисунке 1, вариативность всего разреза кажется большой. Это наблюдение подтверждается таблицей 1. Стандартные отклонения BPVIX, JYVIX и EUVIX в этом разделе являются самыми большими среди всех периодов, за исключением BPVIX в 2016 году.

Макс. Мин. Среднее Стандарт. Период 1 BPVIX 19.67 4,33 8,93 2,46 JYVIX 19,17 5,03 10,58 2,36 EUVIX 20,51 4,43 10,78 3,04 Период 2 BPVIX 29,10 5,31 12,02 4,21 JYVIX 17.54 9,60 12,80 1,70 EUVIX 19,41 4,62 9,67 1,75 Период 3 BPVIX 5,16 9,24 2,03 JYVIX 14,66 4,29 8,18 1,81 EUVIX 12.74 3,99 7,11 1,42

Второй период представляет собой период вокруг Brexit, который вызвал колебания на мировом фондовом рынке, особенно на европейском рынке. Как показано на Рисунке 2, больше всего колеблется индекс Великобритании, что влияет на волатильность европейского индекса. Согласно Таблице 1, BPVIX не только демонстрирует высокое стандартное отклонение, но также имеет наибольшую разницу между максимальным и минимальным значениями.

Последний период представляет собой время неопределенности после движения Brexit и восстановления во всем мире. Этот период имеет цикличность, потому что одни и те же проблемы возникают неоднократно. Поскольку промежуточные тенденции между функциями первого и второго разделов видны, этот раздел не имеет каких-либо примечательных особенностей по сравнению с другими разделами. Как показано на Рисунке 3, этот период длиннее, чем второй период, короче, чем первый период, и менее волатилен, чем оба периода, за исключением JYVIX.

В этом документе для удобства три периода упоминаются как Период 1, Период 2 и Период 3. В частности, Период 1 охватывает период с 2010 по 2015 год, Период 2 охватывает 2016 год, а Период 3 — с 2017 по 2019. Аналогичный подпериодический анализ был проведен в других исследованиях (Gazioglu [68] и Grammatikos and Vermeulen [69]).

В машинном обучении при построении модели проводятся оценки производительности. В это время, если модель, обученная на конкретном наборе обучающих данных, оценивается на том же наборе, производительность будет завышена из-за переобучения.Следовательно, исходный набор данных должен быть разделен на данные обучения и тестирования, а модель должна быть обучена на данных обучения. При оценке производительности данные тестирования, которые не использовались для обучения, вводятся в обученную модель. Не существует идеального соотношения распределения данных для обучения и тестирования. При большем количестве обучающих данных модель может видеть больше примеров и находить лучшие решения, но может произойти переоснащение. И наоборот, большее количество данных тестирования может привести к лучшему обобщению, но при этом может возникнуть недостаточное соответствие (Hastie et al.[70]).

Согласно Gu et al. [71], простая стратегия организации данных обычно использует данные для обучения и данные для тестирования. Эта стратегия была применена к разработке модели кубистского дерева регрессии. Мы организовали наши данные для использования данных для обучения и данных для тестирования, чтобы избежать переобучения. Различные подразделения данных приведены в Таблице 2.

Период Учебный набор Тестовый набор данных Период 1 (2010/01/04– 2015.03.20) (23.03.2015–2015.12.31) Период 2 (2016.01.04–2016.11.15) (2016.11.16 –2016/12/30) Период 3 (2017.01.03–2019.08.30) (2019.09.03–2019/31)

Для предотвращения переобучения также применялись методы перекрестной проверки.Однако, когда метод перекрестной проверки, который выбирает случайные выборки (например, перекрестная проверка в K-кратном размере), применяется к данным временного ряда, прошлые значения прогнозируются с использованием будущих значений. Поэтому в этом исследовании была принята вложенная перекрестная проверка временных рядов для поддержания временного порядка набора данных для постепенного перекрытия и обучения. Предложенная модель была обучена и настроена на обучающих и проверочных наборах в каждой группе, а затем оценена на тестовой выборке. Это позволило усреднить ошибки для получения несмещенной оценки ошибки (Варма и Саймон [72]).

3.2. LSTM

RNN — это репрезентативная нейронная сеть с повторяющимся скрытым слоем. Через этот скрытый слой обновления передаются в обратном направлении для обучения модели. Принимая результаты предыдущих скрытых узлов в качестве входных данных, можно изучать непрерывные формы. Поэтому RNN часто используются для анализа или прогнозирования последовательных данных временных рядов, таких как запасы.

LSTM, который является частным случаем RNN, был предложен Хохрайтером и Шмидхубером [21]. Эта модель предназначена для преодоления проблемы исчезающего градиента RNN, когда ранние слои не обучаются должным образом, когда сеть становится глубже.На рисунке 4 представлена ​​последовательность развития RNN и LSTM. В отличие от скрытых блоков RNN, структура LSTM состоит из блоков памяти. В модели LSTM есть три этапа (уровня): уровень забывания, который является основным преимуществом LSTM, входной уровень и выходной уровень. Во-первых, вентиль забывания использует сигмовидную функцию, которая является функцией активации, которая преобразует текущие входные данные и предыдущее скрытое состояние в числа от нуля до единицы. В частности, если результат близок к нулю, это означает, что информация не может быть передана в следующую ячейку.Напротив, вывод, близкий к единице, означает, что информация передается в следующую ячейку.

Во-вторых, входной вентиль является сигмоидной функцией и решает, какая информация хранится в состоянии ячейки. На этом этапе также есть слой, который создает вектор новых значений-кандидатов (), которые могут быть добавлены к состоянию ячейки. Состояние ячейки обновляется путем объединения выходных сигналов шлюза забывания и входного элемента. Путем умножения и определяется количество информации из ячейки предыдущего временного шага, которая будет сохранена.Кроме того, раз представляет собой обновленную информацию от входного вентиля.

Наконец, выходной вентиль применяет сигмоидальную функцию к предыдущему скрытому состоянию и текущему входу, чтобы решить, каким должно быть следующее скрытое состояние. Кроме того, текущее состояние ячейки передается через функцию. Мы умножаем выходные данные на сигмоидальные, чтобы решить, какую информацию должно нести скрытое состояние. Таким образом, уравнения перехода LSTM определяются следующим образом: Ворота: Входное преобразование: Обновление памяти: где и — веса и смещения, соответственно.Обозначает поэлементное умножение.

На рис. 5 входные значения проходят через три уровня для преодоления долгосрочных зависимостей с использованием следующих функций активации: (сигмоида) и. Сигмоидальная функция выводит число от нуля до единицы, которое является мерой того, сколько информации должен передавать каждый компонент. помогает сохранить градиент как можно дольше, чтобы предотвратить исчезновение проблем с градиентом.

3.3. Автоэнкодер

3.3.1. Базовый автоэнкодер

Автоэнкодер, который был впервые представлен в [35], использует нейронную сеть, состоящую из входного слоя, выходного слоя и скрытых слоев для самостоятельного обучения.Хотя эта структура похожа на структуру типичной нейронной сети, выходные и входные слои имеют изоморфные векторы. Цель этой модели — получить представление для входного набора данных (например, уменьшение размерности) и сделать реорганизованные данные как можно ближе к входным данным. Как показано на рисунке 6, кодер представляет собой этап, на котором модель может узнать важные характеристики входных данных, а декодер формирует выходные данные, аналогичные входным. Выход представляет собой состояние, в котором шум входов удален, что приводит к более четким характеристикам.На основе этих функций автокодеры в основном используются для восстановления изображений или уменьшения шума. Где — вес между входом X и скрытым представлением Y , — весовым коэффициентом между скрытым представлением Y и выходом и b является смещением и представляет кодировщик и декодер, соответственно, принимает и сжимает входные данные () в скрытое пространство () и отвечает за принятие представлений скрытого пространства () и восстановление исходных входных данных ().

Этот тип модели используется в нескольких методах для повышения производительности за счет управления скрытыми слоями. Многослойный автоэнкодер используется для решения проблемы исчезающего градиента путем наложения скрытых слоев, когда нейронная сеть является глубокой. На рисунке 7 (а) представлен простой пример составного автокодировщика. Эта структура увеличивает количество скрытых узлов за счет иерархического наложения автоэнкодеров. Автоэнкодер с шумоподавлением предназначен для извлечения стабильных структурированных данных из зависимых данных путем добавления шума к входным данным и подтверждения того, что выходные данные соответствуют чистым входным значениям.Как показано на рисунке 7 (b), эта модель имеет структуру, аналогичную структуре типичного автокодировщика, но она принимает входные данные с добавленным шумом в качестве новых входных данных.

3.3.2. Autoencoder-LSTM

Модель autoencoder-LSTM, которая сочетает в себе автокодировщик и расширенный RNN, реализована с кодировщиком LSTM и декодером для данных последовательности. Эта модель имеет тот же базовый фрейм, что и автоэнкодер, но состоит из слоев LSTM, как показано на рисунке 8 (а). Эта модель может изучать сложные и динамические данные входной последовательности из соседних периодов, используя ячейки памяти для запоминания длинных данных входной последовательности.

Компоненты кодера и декодера состоят из двух уровней LSTM. Для реализации этой структуры мы использовали инструмент RepeatVector, предоставленный Keras, который представляет собой API глубокого обучения. На рисунке 8 (б) представлена ​​получившаяся структура.

3.4. Оптимизация гиперпараметров

Гиперпараметр — это параметр, который оказывает значительное влияние на процесс обучения. Максимизация производительности модели путем нахождения оптимальных значений гиперпараметров для минимизации функции потерь называется оптимизацией гиперпараметров.Этот метод широко используется в машинном обучении и глубоком обучении. В этом исследовании был принят хорошо известный метод поиска по сетке.

Поиск по сетке находит лучшие параметры среди набора параметров, заданного пользователем, и последовательно применяет несколько кандидатов в параметры к модели, чтобы определить варианты с наилучшей производительностью. Если кандидатов в параметры мало, можно быстро получить оптимальные значения. Однако, если кандидатов много, оптимизация требует экспоненциально больше времени.

В этом исследовании мы использовали алгоритм поиска по сетке, потому что это самый простой и наиболее широко используемый алгоритм для получения оптимальных гиперпараметров (Шиллинг и др. [73]). Хотя случайный поиск может работать намного лучше, чем поиск по сетке для задач большой размерности, согласно Хаттеру и др. [74], наши данные представляют собой простой временной ряд, а набор параметров кандидатов ограничен. Это основные причины, по которым мы приняли алгоритм поиска по сетке (Sun et al. [75] и Thornton et al.[76]). В наших экспериментах использовался технологический стек Python. Мы реализовали алгоритмы машинного обучения и поиск по сетке с помощью пакетов Scikit Learn, Keras и TensorFlow.

Мы использовали поиск по сетке, чтобы определить и применить оптимальные параметры для каждого раздела нашей модели. Оптимизированные параметры — это размер партии, функция активации и функция оптимизатора. Для каждого параметра были определены две или три группы кандидатов.

Можно определить больше параметров и групп кандидатов, но это значительно увеличит время обучения.Мы разделили данные на три интервала и попытались сравнить две модели, тем самым ограничив группы кандидатов, чтобы максимально использовать наши ограниченные ресурсы.

Затем мы оптимизировали три параметра для стохастического градиентного спуска. Размер партии кандидатов составлял 50 и 100, функции активации были линейными и ReLU, а функциями оптимизации были Adam, rmsprop и nadam. Скорость обучения была значениями по умолчанию, встроенными в каждую функцию активации (sprosprop: 0,001, Adam: 0,001 и nadam: 0.002).

Наконец, модели автокодировщика и автокодера-LSTM были объединены в четыре уровня: два уровня кодирования и два уровня декодирования. На основании небольшого количества данных испытаний эта небольшая глубина была определена как достаточная.

4. Эмпирические результаты

Мы использовали вышеупомянутый поиск по сетке, чтобы найти оптимальные комбинации параметров. Среди всего 12 комбинаций параметров были определены лучшие параметры, и было выполнено шесть оптимизаций для двух моделей (LSTM и автокодировщик-LSTM) и трех периодов таким же образом.Результаты, полученные с помощью оптимизации гиперпараметров, перечислены в таблице 3.

Активация Оптимизатор Размер партии Период 1 LSTM ReLU RMSProp 50 AutoEncoder-LSTM Линейный Nadam 100 Период LSTar LSTM LSTM RMSProp 100 AutoEncoder-LSTM Линейный RMSProp 100 Период 3 LSTM Линейный Адам Адам Линейный AutoEncoder-LSTM 9006 0 Линейный Адам 100

Целью этого исследования было получение точной модели для прогнозирования FXVIX.Мы рассмотрели три FXVIX с разными распределениями, и выбросы были разными. Мы сравниваем эффективность прогнозирования наших моделей с точки зрения распределений и выбросов. Для этого результаты прогнозирования разбиваются по периодам и индексируются. В качестве методов измерения ошибки были приняты метрики ошибки регрессии: среднеквадратичная ошибка (MSE), среднеквадратичная ошибка (RMSE), средняя абсолютная ошибка (MAE) и средняя абсолютная процентная ошибка (MAPE). Кроме того, распределения определялись дисперсиями и стандартными отклонениями.Обнаружение выбросов применялось с использованием метода прямоугольной диаграммы Тьюки, который определяет выбросы как выборки, не попадающие в рамки, определенные ниже: где — квантиль, а — межквантильный диапазон, определяемый следующим образом:. Чтобы выявить экстремальные выбросы, умножение на 1,5 было заменено умножением на 3.

Наши основные результаты можно резюмировать следующим образом. Во-первых, возможности изучения волатильности и точности прогнозов имеют пропорциональную взаимосвязь. Другими словами, в обучающих данных есть много участков, которые растут и опускаются, и изучение этих тенденций может улучшить точность прогнозов.Как показано на Рисунке 9, распределение является широким, и существует множество выбросов в следующем порядке: (а) выбросы в периоде 1, (в) выбросы в периоде 3 и (б) выбросы в периоде 2. Во-вторых, как показано в таблицах 4–6 и 10–15, автокодировщик-LSTM больше подвержен дисперсии и выбросам, чем только LSTM. В ситуациях, когда отклонения и выбросы существуют в умеренном количестве, модель LSTM, использующая автокодировщик, который может точно определять особенности входных данных, работает лучше, чем модель без автокодировщика.В-третьих, среди методов глубокого обучения автоэнкодер-LSTM показывает лучшую производительность прогнозирования. В таблицах 4–6 результаты автокодировщика-LSTM были проанализированы, чтобы убедиться, что характеристики входных данных превосходят характеристики общего LSTM. Наглядные графики этой тенденции представлены на рисунках 10–15.

33 Период 1 ЛСТМ9 MSE RMSE MAE MPE (%) MAPE (%) 0.1550 0,3937 0,2656 -0,4904 3,0105 Автоэнкодер-LSTM 0,1846 0,4296 0,2839 -0,2830 3,2280 33 3,2280 33 33 90 LSTM 2,6645 1,6323 1,3887 9,5562 19,0619 Autoencoder-LSTM 1.4706 1,2127 0,8508 −3,0532 10,1669 Период 3 LSTM 2.2017 1.4838 1.0806 2 1.4838 1.0806 Автоэнкодер-LSTM 1.6874 1.2990 0.9039 −0,5791 9.1082

MSE 59 MAE 9608233 59 MSE MPE (%) MAPE (%) Период 1 LSTM 0.6152 0,7843 0,4611 -0,4230 4,6438 Автоэнкодер-LSTM 0,4359 0,6602 0,4430 -1,3870 4,5153 4,5153 900 90 LSTM 0,3321 0,5763 0,4525 −0,2644 3,5579 Autoencoder-LSTM 0.4261 0,6528 0,4933 0,79419 3,9160 Период 3 LSTM 3,8273 1,9563 1,042260 1,9563 1,042260 Автоэнкодер-LSTM 2,7176 1,6485 0,9447 2,6840 13,4985 MSE MSE MSE MSE MPE (%) MAPE (%) Период 1 LSTM 0.4104 0,6406 0,4893 2,5107 4,0954 Автоэнкодер-LSTM 0,2874 0,5361 0,3974 -0,2569 3,3006 LSTM 4,5074 2,1231 1,4746 3,8257 19,3755 Autoencoder-LSTM 3.8284 1,9566 1,4937 −6,4252 18,0702 Период 3 LSTM 1,5205 1,2331 0,4530 Autoencoder-LSTM 1,3250 1,1511 0,5018 -1,9384 8,7721 5.Резюме и заключительные замечания Целью этого исследования было разработать гибридную модель, основанную на моделях глубокого обучения, для прогнозирования волатильности валютного курса. В частности, мы использовали три FXVIX для измерения волатильности курсов валют. FXVIX представляет собой отношение между валютой страны и долларом США. Таким образом, это исследование имеет смысл, потому что FXVIX, связанный с США и мировой экономикой, точно отражает международные экономические тенденции. Методы, основанные на данных, более эффективны, чем методы, основанные на моделях, для прогнозирования данных временных рядов цен на активы (см. Kim et al.[77]). В этом исследовании мы исследовали, как данные, управляемые событиями, которые сосредоточены на таких событиях, как выбросы в анализе, управляемом данными, влияют на производительность модели. По данным Shahid et al. [78], события и выбросы разные, но выбросы можно рассматривать как тип события. Поскольку в данных, рассматриваемых в этом исследовании, присутствует только один тип выбросов, сравнение различий в производительности моделей имеет смысл. Наши эмпирические результаты позволяют сделать несколько интересных выводов с полезными практическими последствиями.Наши основные выводы можно резюмировать следующим образом. Во-первых, разброс данных и наличие выбросов повышают точность прогнозирования характеристик предлагаемой модели. Во-вторых, повышение точности прогнозирования более выражено с помощью автокодировщика-LSTM, чем с LSTM. Наконец, для прогнозирования FXVIX модель автокодировщика-LSTM превосходит LSTM. На основании эмпирических данных в Разделе 4 можно сделать некоторые выводы. Во-первых, поскольку модель нейронной сети представляет собой модель, имитирующую человеческий мозг, данные, которые необходимо изучить, важны.Как показано в этом исследовании, точность прогнозирования гибридной модели зависит от количества случаев, для которых можно изучить изменчивость и выбросы. Однако резкие выбросы в Период 2 ухудшили производительность модели. Далее, имеет смысл использование автокодировщика, который может преобразовывать важные свойства входных данных, аналогично анализу главных компонентов. Автоэнкодеры используются для шумоподавления изображений, удаления водяных знаков, уменьшения размерности и изменения функций среди других задач.В этом исследовании мы разработали концепцию вариации признаков. Кроме того, недавно было опубликовано несколько исследований с использованием автоэнкодеров для прогнозирования временных рядов (Gensler et al. [79], Bao et al. [65] и Sagheer and Kotb [47]). Наше исследование дополняет литературу, представляя новый подход, называемый автокодировщиком-LSTM, для прогнозирования временных рядов. На практике наши результаты могут быть полезны исследователям в лабораториях экономических исследований или руководителям политики, которые определяют национальную экономическую политику, потому что FXVIX выявляют важные тенденции для FX, которые влияют на глобальную экономику и волатильность, что означает, что они могут выявить психологию участников рынка.Например, Menkhoff et al. [33] продемонстрировали, что глобальная волатильность валютных курсов оказывает значительное влияние на торговые стратегии, основанные на финансовых данных. Guo et al. [31] подтвердили влияние волатильности обменного курса на фондовый рынок. Подобные эксперименты могут быть рассмотрены для будущих исследований различных финансовых индексов, таких как S&P 500 и Dow Jones Industrial Average, которые являются важными индексами для понимания американских и мировых рынков (Иванов и др. [80] и Лю и др. [81] ). США имеют крупнейший в мире финансовый рынок и играют важную роль в определении тенденций на международном финансовом рынке.Поэтому мы ожидаем, что прогнозирование этих индексов будет таким же значимым, как прогнозирование FXVIX. Кроме того, мы ожидаем, что сможем повысить точность прогнозов за счет изучения и включения данных, которые могут повлиять на каждый индекс, на основе результатов этого исследования, в котором мы рассматривали только FXVIX. Кроме того, оптимизация гиперпараметров выполнялась только с использованием поиска по сетке, который является широко используемым алгоритмом машинного обучения, но мы могли повысить надежность прогнозов, рассмотрев дополнительные алгоритмы оптимизации. Доступность данных Данные, использованные для подтверждения выводов этого исследования, можно получить у соответствующего автора по запросу. Конфликт интересов Авторы заявили об отсутствии конфликта интересов. Благодарности Работа S. Y. Choi была поддержана грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT) (№ 2019R1G1A1010278). Блог FX Initiative | Как прогнозировать обменный курс 4 сентября, 2017По FX Initiative Обзор валютного рынка, общие положения Непрерывное профессиональное образование, Валюта, Прогнозирование, Фундаментальный анализ, Валюта, Гипотеза, Менеджмент, Технический анализ, CPE, Валюта, Угадай, Прогноз, Риск 0 Прогнозирование обменных курсов — сложный, но необходимый аспект управления валютным риском.Не существует единого предписанного метода прогнозирования валютного курса, и это сложная задача, особенно для тех, кто не участвует на рынке ежедневно. Прогнозирование валютного курса имеет относительно низкую прогностическую силу, поскольку неопределенность всегда остается фактором, но, тем не менее, каждый участник рынка несет ответственность за разработку обоснованного предположения о том, в каком направлении обменные курсы будут двигаться в краткосрочной, среднесрочной и долгосрочной перспективе. Следующие два метода чаще всего используются для создания прогноза валютного курса. Технический анализ — Технический анализ использует исторические рыночные данные для прогнозирования более краткосрочных и долгосрочных движений обменного курса в будущем, при этом прошлые цены и объемы служат ориентиром для будущего. Фундаментальный анализ — Фундаментальный анализ использует текущие экономические показатели для прогнозирования будущих обменных курсов и рассматривает такие факторы, как процентные ставки, доходы, занятость, ВВП, жилищное строительство и производство, среди других областей для оценки текущего состояния экономики и помощи будущее. Многие участники рынка используют сочетание технического и фундаментального анализа для разработки прогнозов. Применяя эти методы на примере евро, прогнозист может использовать технический анализ, глядя на исторические данные, предоставленные Федеральной резервной системой для обменного курса евро к доллару США с момента введения евро в 1999 году до наших дней. Затем синоптик может наблюдать диапазон значений и определять, что максимум был 1,5759 в июле 2008 года, а минимум — 0.8525 в октябре 2000 года. Учитывая текущий обменный курс евро 1,1800, прогнозист может сделать вывод, что текущая оценка находится в нижней части торгового диапазона между 0,8525 и 1,5759 и, возможно, недооценена. Основываясь на этой предпосылке, прогнозист может затем использовать фундаментальный анализ для оценки текущего состояния экономики в еврозоне, где используется евро. Если прогнозист ожидает замедления экономического роста, вялых доходов, более слабой занятости, спада жилищного строительства, производства и ВВП, а также условий низких процентных ставок, тогда у евро может быть больше возможностей для обесценения.И наоборот, если прогнозист ожидал сильного роста экономической активности, здоровых доходов, роста занятости, положительных тенденций в жилищном строительстве, производстве и ВВП и соответствующего повышения процентных ставок, то, возможно, евро вырастет в цене. Все прогнозы должны быть привязаны к определенным временным рамкам, и каждый участник рынка должен использовать свое здравое суждение, чтобы оценить, как факторы спроса и предложения повлияют на обменные курсы. Среди участников рынка существуют различные взгляды и точки зрения, которые могут различаться по веским и существенным причинам, и интерпретация того, как факторы спроса и предложения определяют обменные курсы, и составление прогноза валютного курса — это больше искусство, чем наука.Обоснованный прогноз валютного рынка может быть сложным для разработки внутри компании, поэтому некоторые организации полагаются на консенсус-прогноз экспертов или исследования и идеи, которыми поделились их банковские партнеры или финансовые учреждения, чтобы помочь им. Чтобы узнать больше о прогнозировании обменных курсов, зарегистрируйтесь на тренинг FX Initiative по управлению валютным риском, чтобы получить полный доступ к нашим обучающим видео, интерактивным примерам и живым вебинарам. Мы проведем вас через реальные сценарии и смоделированные стратегии от ведущей глобальной организации, такой как Apple, чтобы проиллюстрировать ключевые концепции обучения в практичном и легком для понимания формате.Обмен валюты — ключевой компонент международного бизнеса, и FX Initiative может помочь вам снизить риски и максимально использовать возможности за рубежом. Готовы начать обучение управлению валютными рисками? Нажмите здесь, чтобы начать! Команда FX Initiative [email protected] . No related posts. Leave a Reply Cancel reply Your email address will not be published. Required fields are marked *