A Comparative Analysis of the Effectiveness of a Multivariate Approach in predicting Exchange Rate Time Series.

Abstract

[eng] Exchange rate forecasting is a highly relevant field for both professionals and academics as improved predictive modeling can translate into profitable trading strategies. A lot of research has been conducted comparing different forecasting techniques. This study compares the performance of univariate and multivariate models. Six different modeling techniques are considered: two stochastic, two machine learning and two deep learning models. The results show that depending on the model a multivariate approach can have a significant impact leading to either a better or worse model performance. The outcomes also suggest that when taking into account evaluation parameters for directional forecasting accuracy and economic performance the simple stochastic models in most cases outperform the more complex machine learning and deep learning models.

[spa] El pronóstico del tipo de cambio es un campo muy relevante tanto para profesionales como para académicos debido a que un modelo predictivo mejorado puede traducirse en estrategias comerciales muy rentables. Se han realizado muchos estudios comparando diferentes técnicas de predicción. Este estudio compara el rendimiento de los modelos univariantes y multivariantes. Se consideran seis técnicas diferentes: dos modelos estocásticos, dos de aprendizaje automático y dos de aprendizaje profundo. Los resultados muestran que, según el modelo, un enfoque multivariante puede tener un impacto significativo en el desempeño del modelo. Los resultados también sugieren que teniendo en cuenta parámetros de evaluación relacionado con la precisión del pronóstico direccional y el rendimiento económico, los modelos estocásticos simples en la mayoría de los casos superan a los modelos más complejos de aprendizaje automático y aprendizaje profundo.