Forecasting currency exchange rates using EMD-ARIMA Model
Notice bibliographique
Résumé
In today’s global economy, accuracy in forecasting currency exchange rates is of much importance to any future investment. Currency exchange rates portray non-linear and non-stationary characteristics hence to address these characteristics; this paper proposes a hybrid forecasting model using the Empirical Mode Decomposition (EMD) technique, and the ARIMA model. EMD is used to decompose the raw currency exchange rate data into several intrinsic mode functions and one residual. The process of extracting the IMFs from the data is called the sifting process. EMD was used to detect the moving trend of currency exchange rate data and improve the forecasting success of the ARIMA model. The data were obtained from the Central Bank of Kenya website between the periods January 2005 to May 2017. The best ARIMA model fitted to the raw data before decomposition based on information criterion statistics was found to be ARIMA (1,0,3) for the KShs/AE. Dirham, ARIMA (1,0,1) for KShs/Australian dollar and ARIMA (1,0,3) for KShs/Canadian dollar currency exchange rates. After forecasting, we then compared the forecasted values with the actual data to check the suitability of the ARIMA model. Further, EMD was applied to the exchange rate data and then fitted an ARIMA model to the IMFs. The best model was found to be ARIMA (1,0,1) for the KShs/AE. Dirham, ARIMA (0,0,1) for KShs/Australian dollar and ARIMA (1,0,1) for KShs/Canadian dollar currency exchange rates. The appropriateness of these models was tested using the Ljung-Box test. The forecasting performance of each model was evaluated using the RMSE.
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 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 | 0,013 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».