Previsione dei tassi di cambio: Modelli ARIMA, XGBoost, LSTM e Monte Carlo

Il processo di conversione di una valuta in un'altra per una serie di scopi - più comunemente il commercio, il turismo o l'attività commerciale - è noto come foreign exchange, o forex (FX). Come coppie di tassi di cambio, le valute vengono scambiate l'una contro l'altra. Ad esempio, la coppia di valute EUR/USD consente ai trader di scambiare l'euro con il dollaro USA, mentre GBP/JPY (sterlina britannica/yen giapponese). I mercati dei cambi (Forex), essendo la più grande arena finanziaria del mondo, richiedono solide strategie di previsione per navigare nella loro natura dinamica e complessa. Questa ricerca intraprende un'analisi comparativa approfondita dei modelli di previsione che abbracciano due decenni, dal 2000 al 2019, utilizzando i dati delle serie temporali della Federal Reserve. Il progetto si addentra nel cuore della previsione dei tassi di cambio, affrontando il bisogno critico di accuratezza nella previsione dei movimenti dei tassi di cambio. In questo contesto, la ricerca esamina l'efficacia di diversi modelli, tra cui il tradizionale AutoRegressive Integrated Moving Average (ARIMA), il machine learning XGBoost, il deep learning Long Short-Term Memory (LSTM) e la prospettiva unica offerta dalle simulazioni Monte Carlo.

Dr Kirti Hemant Wanjale uzyskäa stopie- doktora na Wydziale In-ynierii Komputerowej w SSSTUMS, Sehore MP. Obecnie pracuje jako profesor na Wydziale In-ynierii Komputerowej w Vishwakarma Institute of Technology Pune. Ma 22-letnie do-wiadczenie. Jej g-ówne zainteresowania badawcze to bezprzewodowe sieci czujników, Internet rzeczy (IoT).