Методы прогнозирования временных рядов и валютный курс

В рамках прогнозирования временных рядов анализируются прошлые наблюдения переменной для создания модели, описывающие основную взаимосвязь между прошлыми и текущим значениями.

Методы прогнозирования временных рядов и валютный курс

Затем данная модель используется для экстраполяции данных на будущий период и создания прогноза ожидаемых значений.

Кстати, весьма полезно смотреть прогнозы аналитиков (ежедневные прогнозы рынка Форекс), а затем сравнивать их со своими.

Если вы серьезно занимаетесь игрой на валютных курсах на Forex, то знание следующих методик и моделей для вас необходимо.

ARIMA и FARIMA

Одной из наиболее важных и широко используемых моделей линейных временных рядов является модель ARIMA (Auto-Regressive Integrated Moving Average), разработанная Боксом и Дженкинсом. Данной модели посвящено исследований, прежде всего работа самих Бокса и Дженкинса — Time Series Analysis: Forecasting and Control. Методика FARIMA, которая является продолжением подхода Бокса и Дженкинса, была спроектирована Фанг-Мей Ценг для прогнозирования валютного курса. Данная модель позволяет не только прогнозировать динамику валютного курса, но и проектировать худший и лучший сценарии развития событий. Ее практическое применение не ограничивается валютными курсами, фондовыми рынками и экономическими вопросами, с ее помощью проводятся эмпирические исследования в области социологии, инженерии, биотехнологий и т.д.

Эконометрические методы прогнозирования валютных курсов

К эконометрическим методам прогнозирования относят модель экспоненциального сглаживания, разработанную Брауном, которая далее получила свое развитие в рамках работ Хольта , и модель CEWMA И.С. Светунькова. Данные модели достаточно просты и позволяют осуществлять успешное прогнозирование с учетом трендовых или сезонных зависимостей.

Прогнозирование с помощью нейронных сетей

Второй класс методов прогнозирования временных рядов состоит из структурных моделей, таких как нейронные сети, цепи Маркова, классификационные деревья и т.д. Искусственные нейронные сети способны минимизировать последствия нелинейности данных для получения наиболее точного прогноза и представить рамки вычислений для моделирования широкого спектра нелинейных задач. Преимущества данного метода заключаются в том, что отсутствуют требования априорного знания модели ряда и учитываются нелинейные взаимосвязи между данными. Одним из преимуществ модели нейронных сетей (ANN) среди нелинейных моделей является универсальность аппроксиматора, который может приблизить большое количество функций с высокой степенью точности. Никаких предварительных предположений о форме модели не требуется в процессе ее построения. Сетевая модель во многом определяется характеристиками данных. Для моделирования и прогнозирования временных рядов наиболее широко используется однонаправленная сеть с одним скрытым слоем.

Фрактальный анализ

Новым направлением в области прогнозирования валютного курса является фрактальный анализ, который основывается на анализе фракталов (изломанных линий / волн), а не трендов. Родоначальником данного метода является математик Ф. Мандельброт, в соавторстве с Р. Хадсоном описавший, как этот подход может использоваться на рынке. В России данная теория получила развитие в работе А. Алмазова. Автор подробно описывает методику фрактального анализа на практических примерах и раскрывает сложные математические понятия. В целом данный метод является перспективным для дальнейших исследований, однако его использование во многом затруднено сложностью восприятия и необходимостью наличия навыков работы с математическими моделями.

Прогнозирование с помощью модели случайного блуждания

Точность прогнозирования временных рядов является основополагающим фактором для многих процессов принятия решений, поэтому появляются все новые исследования, нацеленные на улучшение и повышение эффективности прогнозных моделей. В фундаментальной работе Миза и Рогоффа доказывается гипотеза о том, что прогнозы, полученные с помощью модели случайного блуждания, не хуже, а в иных случаях даже лучше прогнозов, основанных на макроэкономических моделях. Исследователи пытались найти модель, которая стала бы наилучшей альтернативой модели случайного блуждания. В ходе тестирования они сравнивали модель случайного блуждания с моделями ARIMA и локального тренда. Однако использование последних не позволило значительно улучшить прогнозы, полученные с помощью модели случайного блуждания на месячном отрезке времени. Основываясь на данных результатах, исследователи пришли к выводу об отсутствии доказательств того, что указанные модели способны прогнозировать валютные курсы в условиях монетарного дисбаланса и негибких цен.

По материалам статьи: Назарова В. Ульзутуева Б. Модели прогнозирования валютных курсов: от теории к практике // Управление финансовыми рисками, №3, 2017 г.

Чем обеспечен рубль? Дестабилизация мировой валютной системы из-за девальвации валют Риск изменения курса валют Долгосрочный равновесный реальный обменный курс валюты От чего зависит реальный обменный курс валюты Банк России и шоковая девальвация в декабре 2014 года Причина высоких темпов прироста ВВП после 1998 года: падение курса рубля ​Преимущества свободно плавающего валютного курса Концепция «невозможной троицы», базирующаяся на выводах модели Манделла-Флеминга

1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Пока оценок нет)
Загрузка...

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *