Loading...
Publication
Short-term exchange rate forecasting with machine learning
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 7.12 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This master thesis aimed at forecasting exchange rates returns at a weekly and monthly frequency, focusing on the United States Dollar, Euro, Japanese Yen and British Pound. Exchange rate movements are notoriously hard to predict, which leads the literature to consider the random walk without drift as the de-facto benchmark which is consistently hard to outperform. The main goal of the prediction task was motivated by the hypothesis that sovereign risk priced by the market in various instruments would provide information into the future course of exchange rates. Machine learning models (Elastic Net, Random Forest, XGBoost) were built and trained using this data with the goal of producing predictions of the currency movements. Faithful to its role of benchmark, the random walk outperforms our models during the test phase. This test period included events like the COVID pan- demic, the inflationary spikes that followed the reopening of the world economy as well as regional and global political tensions, a period which led to volatility spikes across asset classes and during which our models strongly underperformed. This unsuccessful attempt shines a light once again on the strenuous task of consistently predicting forecast exchange rates, especially at higher frequencies, and raised questions about the limitations of machine learning models when not purposely built with the limitations of the forecasted variable in mind.
Esta tese de mestrado teve como objetivo a previsão dos retornos das taxas de câmbio com uma frequência semanal e mensal, focando-se no Dólar dos Estados Unidos, Euro, Iene Japonês e Libra Esterlina. Os movimentos das taxas de câmbio são particularmente difíceis de prever, o que leva a literatura a considerar o random walk sem drift como o benchmark de facto que é consistentemente difícil de superar. O principal objetivo da tentativa de previsão baseou-se na hipótese de que a evolução do risco soberano, avaliado no mercado através de vários instrumentos, forneceria informações sobre a evolução futura das taxas de câmbio. Os modelos de aprendizagem automática (Elastic Net, Random Forest, XGBoost) foram construídos e treinados com base nestes dados, com o objetivo de produzir previsões das taxas de câmbio. Fiel ao seu papel de referência, o random walk superou os nossos modelos durante a fase de teste, que incluiu eventos como a pandemia de COVID, os picos inflacionistas que se seguiram à reabertura da economia mundial, bem como as tensões políticas regionais e globais, um período que conduziu a picos de volatilidade em todas as classes de activos e durante o qual os nossos modelos tiveram um desempenho fortemente inferior. Esta tentativa sem sucesso voltou a chamar a atenção para a árdua tarefa de prever taxas de câmbio de forma consistente, especialmente em frequências mais elevadas, e levantou questões sobre as limitações dos modelos de aprendizagem automática quando não são construídos propositadamente tendo em conta as limitações da variável prevista.
Esta tese de mestrado teve como objetivo a previsão dos retornos das taxas de câmbio com uma frequência semanal e mensal, focando-se no Dólar dos Estados Unidos, Euro, Iene Japonês e Libra Esterlina. Os movimentos das taxas de câmbio são particularmente difíceis de prever, o que leva a literatura a considerar o random walk sem drift como o benchmark de facto que é consistentemente difícil de superar. O principal objetivo da tentativa de previsão baseou-se na hipótese de que a evolução do risco soberano, avaliado no mercado através de vários instrumentos, forneceria informações sobre a evolução futura das taxas de câmbio. Os modelos de aprendizagem automática (Elastic Net, Random Forest, XGBoost) foram construídos e treinados com base nestes dados, com o objetivo de produzir previsões das taxas de câmbio. Fiel ao seu papel de referência, o random walk superou os nossos modelos durante a fase de teste, que incluiu eventos como a pandemia de COVID, os picos inflacionistas que se seguiram à reabertura da economia mundial, bem como as tensões políticas regionais e globais, um período que conduziu a picos de volatilidade em todas as classes de activos e durante o qual os nossos modelos tiveram um desempenho fortemente inferior. Esta tentativa sem sucesso voltou a chamar a atenção para a árdua tarefa de prever taxas de câmbio de forma consistente, especialmente em frequências mais elevadas, e levantou questões sobre as limitações dos modelos de aprendizagem automática quando não são construídos propositadamente tendo em conta as limitações da variável prevista.
Description
Keywords
Aprendizagem automática Credit default swaps Elastic net Exchange rates Implied volatility Interest rates Machine learning Previsão do retorno Random forest Return prediction Swap spreads Taxas de câmbio Taxas de juro Volatilidade implícita XGBoost
Pedagogical Context
Citation
Publisher
CC License
Without CC licence