Anmerkungen:
Nach Informationen von SSRN wurde die ursprüngliche Fassung des Dokuments June 30, 2022 erstellt
Beschreibung:
Korean Abstract: 본고에서는 광범위한 국내외 정보 변수를 활용하여 선형 및 비선형 예측 기법을 통한 원/달러 환율 변동의 예측력을 평가하였다. 선형 기법으로는 능형 회귀, LASSO, Elastic-Net 과 동태 요인 모형을 사용하였고 비선형 모형으로는 순환 인공신경망의 하나인 LSTM 기법을 사용하였다. 이와 함께 선형, 비선형 모형을 결합한 예측 조합 방식의 예측력도 분석하였다. 93개의 월별 자료를 정보 변수로 하여 2004년 1월부터 2019년 12월까지의 자료를 대상으로 분석한 결과 예측시계 3개월 이내에서는 대용량 자료를 이용한 모형의 예측력이 벤치마크 모형인 ARIMA 예측보다 우수하였다. LSTM 기법보다는 선형모형의 예측력이 더 우수한 것으로 분석되었으나 예측 시계에 따라 상대적 예측력은 상이한 모습을 보였다. 예측 조합 방식을 사용할 경우 모든 단기 시계에서 안정적으로 가장 우수한 예측력을 보여 단기 예측의 유용성이 높은 것으로 분석되었다
English Abstract: This paper examines the performance of forecasting the won/dollar exchange rate using a large set of macroeconomic and finance data. We consider ridge regression, least absolute shrinkage and selection operator, elastic-net, and dynamic factor model as well as a long short-term memory (LSTM) recurrent neural network. We also examine forecast combinations of single data mining forecasts. Finance and macroeconomic data from 93 months from January 2004 to December 2019 are used as information variables. We find that forecasts using a large data set perform better than the benchmark ARIMA based forecasts for periods of 3 months or less ahead. Linear methods such as Ridge, LASSO, Elastic-net, and factor model generally perform better than LSTM, while the relative forecasting performances of linear models differ across forecast horizons. The forecast combinations perform similar to the best single forecasts in all short term forecast horizons, which indicates the benefits of using combination methods rather than individual forecasts