Прогнозирование динамики валютного курса с использованием эконометрических методов и искусственных нейронных сетей
https://doi.org/10.34020/2073-6495-2023-4-094-108
Аннотация
В статье представлены возможности применения для анализа динамики валютного курса методов прикладной статистики, используемых в современном анализе. Валютный курс в современном мире является достаточно значимым инструментом экономической системы государства. Определение тенденции развития валютного курса важно практически в любом направлении бизнеса, которое предполагает вложение капитала. В современных экономических условиях он имеет достаточно дифференциальный характер, что сопровождается риском в той или иной степени. И хотя активы в долларах США за последние годы сократились, полного отказа от доллара в своих резервах Центральный банк не планировал, так как данная валюта необходима для поддержания финансовой стабильности с учетом высокой роли американской валюты во внешнеторговых расчетах и ее фундаментальной роли в финансовых потоках. Для прогнозирования динамики валютного курса был взят официальный курс доллара США. Для построения прогнозов предложены методы построения прогнозных моделей с использованием моделей ARIMA-model и модели прогноза на основе нейронных сетей. Проведена оценка моделей и предложен наиболее точный вариант – модель на основе построения нейронных сетей (модель MLP 12-8-1 (№ 4)) с ошибкой прогноза 6 %.
Об авторах
Л. П. БакуменкоРоссия
Бакуменко Людмила Петровна, доктор экономических наук, профессор, заведующий кафедрой прикладной статистики и цифровых технологий
Йошкар-Ола
И. А. Липатова
Россия
Липатова Ирина Александровна, магистр, кафедра прикладной статистики и цифровых технологий
Йошкар-Ола
Список литературы
1. Белотелова Н.П. Валютная система и международные валютно-кредитные отношения: монография. М.: Научный консультант, 2017. 94 с.
2. Букреева А.С. Перспективы повышения статуса российского рубля до международной резервной валюты // Устойчивое развитие науки и образования. 2021. № 10 (61). С. 30–34. EDN EODDXU.
3. Зарова Е.В., Заров И.К. Нейронные сети как средство моделирования и прогнозирования инфляционных процессов // Вестник Самарского государственного технического университета. Серия Физико-математические науки. 2005. № 34. С. 182–186.
4. Зенкина Е.В. Международные валютно-финансовые отношения в постиндустриальном мире: монография. М.: ИНФРА-М, 2018. 169 с.
5. Козадаев А.С. Предварительная оценка качества обучающей выборки для искусственных нейронных сетей в задачах прогнозирования временных рядов // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. 2008. Т. 13. Вып. 1. С. 100.
6. Aminian F., Suarez E.D., Aminian M., Walz D.T. Forecasting economic data with neural networks // Computational Economics. 2006. Vol. 28. Issue 1. P. 71–88.
7. Catik A.N., Karaçuka M. A comparative analysis of alternative univariate time series models in forecasting Turkish inflation // Journal of Business Economics and Management. 2012. Vol. 13. Issue 2. P. 275–293.
8. Годовой отчет Банка России за 2021 год. [Электронный ресурс]. URL: https://cbr.ru/Collection/Collection/File/40915/ar_2021.pdf (дата обращения: 27.12.2022).
9. Единая межведомственная информационно-статистическая система (ЕМИСС). [Электронный ресурс]. URL: https://www.fedstat.ru/ (дата обращения: 20.08.2023).
10. Мельник М.С. Инструменты срочного валютного российского рынка на этапе современного развития // Наука и образование сегодня. 2020. № 2 (49). URL: https://cyberleninka.ru/article/n/instrumenty-srochnogo-valyutnogo-rossiyskogo-rynka-naetape-sovremennogo-razvitiya (дата обращения: 10.01.2023).
11. Обзор деятельности Банка России по управлению активами в иностранных валютах и золоте. 2022. № 1 (61). [Электронный ресурс]. URL: https://www.cbr.ru/Collection/Collection/File/39684/2022-01_res.pdf (дата обращения: 20.08.2023).
12. РБК Экономика. [Электронный ресурс]. URL: https://www.rbc.ru/economics/23/07/2021/60faa84e9a7947c072b8caa3 (дата обращения: 09.08.2023).
13. Центральный банк Российской Федерации. [Электронный ресурс]. URL: https://cbr.ru/ (дата обращения: 29.05.2023).
14. «Statistical forecasting: notes on regression and time series analysis» Robert Nau, Introduction to ARIMA: nonseasonal models. [Электронный ресурс]. URL: https://people.duke.edu/~rnau/411seart.htm (дата обращения: 29.08.2023).
Рецензия
Для цитирования:
Бакуменко Л.П., Липатова И.А. Прогнозирование динамики валютного курса с использованием эконометрических методов и искусственных нейронных сетей. Вестник НГУЭУ. 2023;(4):94-108. https://doi.org/10.34020/2073-6495-2023-4-094-108
For citation:
Bakumenko L.P., Lipatova I.A. Forecasting the dynamics of the exchange rate using econometric methods and artificial neural networks. Vestnik NSUEM. 2023;(4):94-108. (In Russ.) https://doi.org/10.34020/2073-6495-2023-4-094-108