МОДЕЛЮВАННЯ ВАЛЮТНОГО КУРСУ ЕКОНОМІКО-МАТЕМАТИЧНИМИ МЕТОДАМИ

Анотація

Стаття присвячена порівняльному аналізу використання адаптивних методів та моделей, авторегресійних ­моделей та нейронних мереж у прогнозуванні курсу основних резервних валют: євро, швейцарського франка, японської єни та британського фунта щодо долара США. У процесі дослідження було розглянуто праці українських та іноземних вчених з наведеної тематики та визначено, що найбільш використовуваними методами й моделями у прогнозуванні курсу валют на основі часових рядів є авторегресійні моделі (представлені ARIMA та SARIMA моде­лями), нейронні мережі (представленні MLP та ELM архітектурами) та методи експоненційного згладжування. У процесі побудови моделей проведено дослідження часових рядів на стаціонарність на основі тесту Дікі-Фуллера та ­здійснено адитивну декомпозицію досліджуваних часових рядів для визначення основних їх складових (тренд, сезонність, випадкова складова). Здійснено побудову прогнозних моделей, на основі яких відбувся їх порівняльний аналіз. Продемонстровано основні недоліки та проблеми використання обраних методів та визначено кращі прогнозні моделі. Визначено, що основним недоліком усіх методів прогнозування на основі часових рядів є їх «пристосовуваність» до вхідних даних, а прагнення покращити оціночні характеристики моделей в результаті може призвести до того, що прогнози значним чином відрізнятимуться від фактичних значень. Також визначено, що для прогнозування курсу обраних валютних пар найкраще підходять нейронні мережі, які мають як високі оціночні характеристики, так і відповідність прогнозу реальним значенням, причому кращі результати демонструє MLP мережа у порівнянні з ELM мережею. Високі оціночні характеристики також демонструють адаптивні моделі. Проте, лінійних характер прогнозу не дає змоги адаптивним моделям здійснити точний прогноз у довгостроковій перспективні. Авторегресійні моделі хоча і демонструють гірші оціночні характеристики, проте в розрізі відповідності реальним значенням вони за окремими валютними парами перевершують нейронні мережі.