Application of ARIMA Model in Forecasting Exchange Rate: Evidence from Bangladesh
Notice bibliographique
Résumé
This paper attempts to apply the ARIMA time series model to forecast the exchange rate of seven currencies (United States Dollar, Euro, Pound sterling, Australian Dollar, Japanese Yen, Canadian Dollar and Swedish Krona) in terms of Bangladeshi Taka (BDT) and to investigate the accuracy of the model by comparing the forecasted rates with the actual exchange rates. It considered daily currency exchange rates (244 selling price) of seven currencies for twelve months from January 2018 to December 2018 to forecast the subsequent one month (25 selling rate) in January 2019 rate. The Durbin-Watson test result shows an autocorrelation in the daily foreign currency exchange rate with the previous rate. The Augmented Dickey-Fuller test result shows data have unit roots and non-stationary. But the 1st differencing becomes data stationary to apply d equal to 1 in ARIMA model. Also, autocorrelation function considers MA(0) and partial autocorrelation function considers AR(1) for the ARIMA model. So, ARIMA (1,1,0) models are selected based on Ljung-Box test, root mean square error, mean absolute percent error, mean absolute error and R-square values. By using the above ARIMA models, forecasted foreign currency exchange rates next one month calculated and compared with the respective actual rates, which validate with Chi-Square test, mean absolute percent error, mean square error, root mean square error values of Goodness fit test. The result shows that predicted foreign currency exchange rates follow ARIMA (1,1,0) model, which may be applied to forecast the foreign currency exchange rates in Bangladesh.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».