Application of ARIMA Model in Forecasting Exchange Rate: Evidence from Bangladesh
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle