Prediction of Exchange Rate

The thesis deals with the forecasting of the /$ exchange rate. First, a benchmark which is a random walk model for the exchange rate is created. This benchmark model is compared with economic models, the PPP, the UIRP and the Monetary Model to assess one of the two main questions of the thesis: it it possible to outperform the random walk model? Because Deep Learning Algortihms gained relevance in the last years the MLP and the LSTM are applied to the forecasting of exchange rate either. Non of the models can outperform the random walk model consitently, but especially Deep Learning algorithms can model the direction of change quite accuratly. Hence, the performance of the models should not be seen under the aspect of the lowest forecast error which a lot of former studies did but under the direction of change criterion too.

La tesi si occupa della previsione del tasso di cambio / $. Innanzitutto, viene creato un benchmark che è un modello di camminata casuale per il tasso di cambio. Questo modello di riferimento viene confrontato con i modelli economici, il PPP, l'UIRP e il modello monetario per valutare una delle due domande principali della tesi: è possibile superare il modello di camminata casuale? Poiché Deep Learning Algortihms ha acquisito rilevanza negli ultimi anni, il MLP e l'LSTM sono applicati anche alla previsione del tasso di cambio. Nessuno dei modelli può sovraperformare il modello di camminata casuale in modo coerente, ma soprattutto gli algoritmi di Deep Learning possono modellare la direzione del cambiamento in modo abbastanza accurato. Quindi, le prestazioni dei modelli non dovrebbero essere viste sotto l'aspetto dell'errore di previsione più basso che molti studi precedenti hanno fatto, ma anche sotto la direzione del criterio di cambiamento.