Comparison of Genetic Algorithm Approach and other Approaches in Predicting the Exchange Rate

Fattahi, Shahram; Ahmadi, Arash; Akram Mirzaee, Ali

doi:10.22096/esp.2013.26156

Comparison of Genetic Algorithm Approach and other Approaches in Predicting the Exchange Rate

Document Type : Original Article

Authors

Shahram Fattahi ¹

Arash Ahmadi ²

Ali Akram Mirzaee ³

¹ Assistant Professor, Faculty of Social Sciences, Razi University of Kermanshah

² Assistant Professor, Faculty of Engineering, Razi University of Kermanshah

³ Master student of the Faculty of Social Sciences, Razi University of Kermanshah

10.22096/esp.2013.26156

Abstract

Economists and financial experts are always looking for ways to predict the behavior of economic and financial variables such as exchange rates. Many studies have been done on structural models and forecasting time series of exchange rates. However, predicting the exchange rate has always been a complex issue and has become a challenge to the modeling the exchange rates among international finance researchers and econometric experts.
In this study, first a combination of structural models and time series models using the genetic algorithm are presented. Then, the performance of structural models will be compared to single time series model and to the other combination methods such as the use of averages approach. The results show that the genetic algorithm combined model, among other methods of forecasting exchange rates, has a higher accuracy.

Keywords

Exchange Rate

structural model

Time Series Model

Combination of Forecasts

genetic algorithm

الف- فارسی
1. باوی، امید؛ صالحی، منوچهر؛ الگوریتم ژنتیک و بهینهسازی سازههای مرکب، انتشارات عابد، چاپ اول، 1387.
2. خاشعی، مهدی؛ بیجاری، مهدی؛ «بهبود عملکرد پیشبینیهای مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکههای عصبی مصنوعی»، فصلنامه پژوهشهای اقتصادی، 1387، شماره2.
3. خاشعی، مهدی؛ بیجاری، مهدی؛ «بکارگیری مدل میانگین متحرک خودرگرسیون انباشته فازی به منظور پیشبینی نرخ ارز»، استقلال، ویژهنامه روشهای عددی در مهندسی، 1386، شماره2.
4. درگاهی، حسن؛ «پویایی نرخ ارز با تأکید بر نقش انتظارات و اطلاعات جدید»، مؤسسه تحقیقات پولی و بانکی، چاپ دوم، 1378.
5. درگاهی، حسن؛ انصاری، رضا؛ «بهبود مدلسازی شبکههای عصبی در پیشبینی نرخ ارز، با بکارگیری شاخص تلاطم»، تحقیقات اقتصادی، 1387، شماره 5.
6. رضایی، علیرضا؛ رنجبران، سجاد؛ آموزش کاربردی الگوریتم ژنتیک در نرم افزار MATLAB، نشر آذر، چاپ اول، 1386.
7. زراء نژاد، منصور؛ فقه مجیدی، علی؛ رضایی، روح الله؛ «پیشبینی نرخ ارز با استفاده از شبکههای عصبی مصنوعی و مدل ARIMA»، فصلنامه اقتصاد مقداری، 1387، شماره 4.
8. سالواتوره، دومینیک؛ مالیه بینالملل: نظریهها و سیاستهای اقتصاد بینالملل، نشر نی، 1379.
9. طیبی، کمیل؛ موحدنیا، ناصر؛ کاظمینی، معصومه؛ «بکارگیری شبکههای عصبی مصنوعی در پیشبینی متغیرهای اقتصادی و مقایسة آن با روشهای اقتصادسنجی: پیشبینی روند نرخ ارز در ایران»، مجله علمی و پژوهشی شریف، 1387، شماره 43.
10. علیرضا، مهدی ؛(1386)؛ مقدمهای بر الگوریتم ژنتیک و کاربردهای آن، انتشارات ناقوس اندیشه، چاپ دوم، 1386.
11. مرزبان، حسین؛ اکبریان، رضا؛ جواهری، بهنام؛ «یک مقایسه بین مدلهای اقتصادسنجی ساختاری، سری زمانی و شبکه عصبی برای پیشبینی نرخ ارز»، مجله تحقیقات اقتصادی، 1384.
12. یعقوبی، مهدی؛ اکبرزاده توتونچی، محمدرضا؛ بهرهپور، مجید؛ «ارائه یک روش نوین سری زمانی فازی برای پیشبینی نوسانات قیمت ارز»، سیزدهمین کنفرانس ملی انجمن ملی کامپیوتر ایران، 1386.
ب- لاتین
1. Andreou, S.A. & Georgopoulos, E.F. & Likothanassis, S.D; 2002, "Exchange-Rates Forecasting: A Hybrid Algorithm Based on Genetically Optimized Adaptive Neural Networks", Computational Economics, 20, pp, 191–210.
2. Bates, J.M. & Granger, C.W.J; 1969, "The combination of forecasts", Operations Research Quaeterly, 20,pp, 451-468.
3. Beenstock, M. & Szpiro, G; 2002, "Specification search in nonlinear time-series models using the genetic algorithm", Journal of Economic Dynamics & Control, 26, pp, 811-835.
4. Bisignano, J. & Hoover, k; 1982, "Some Suggested Improvements to a Simple Portfolio Balance Model of Exchange Rate Determination with Special Reference to the US Dollar Rate", American Economic Review, 119, 19-37.
5. Brandl, B. & Wildburger, u.l. & Pickl, s; 2009, "Increasing the fitness of fundamental exchange rate forecast models", International Journal Contemp. Math. Sciences, 4, No16, pp, 779-798.
6. Cheung, Y.W. & Chinn, M.D. & Pascual, A.G; 2005, "Empirical exchange rate models of the nineties: Are any fit to survive?", Journal of Internatinal Money and Finance, 24, pp, 1150-1175.
7. Diebold, F.X. & Pauly, P; 1990, "The use of prior information in forecast combination", International Journal of Forecasting, 6, pp, 503-508.
8. Diebold, F.X. & Pauly, P; 1987, "Structural change and the combination of forecasts", Journal of Forecasting, 6, pp, 21-40.
9. Eichenbaum, M. & Evans, C; 1995, "Some empirical evidence on the effects of shocks to monetary policy on exchange rates", Quarterly Journal. Economics, 110, pp, 975-999.
10. Gonzalez, E.A. & Rodriguez, F.F; 2001, "Model selection via genetic algorithms", Spanish Ministry of Science and Technology, 2-8.
11. Holland J. H; 1975, Adaptation in Natural and Artificial Systems, University of Michigan Press.
12. Lam, L. & Fung, L. & Yu, I.W; 2008, "Comparing forecast performance of exchange rate models", Hong Kong Monetary Authority, 6.
13. Lawrenz, C. & Westerhoff, F; 2003, "Modeling exchange rate behavior with a genetic algorithm", Computational Economics, 21, pp, 209-229.
14. Makridakis, S; 1989, "Why combining works?", International Journal of Forecasting, 5: 601-603.
15. Mark, N.C; 1995, "Exchange rates and fundamentals: Evidence on long-horizon predictability", American Economic Review, 85, pp, 201-218.
16. Meese, R.A. & Rogoff, K; 1983, "Empirical exchange rate models of the Seventies: Do they ﬁt out of sample?", Journal of International Economics, 14, pp, 3-24.
17. Mitra, SH. & Mitra, A; 2006, "Modeling exchange rates using wavelet decomposed genetic neral networks", Statistical Methodology, 3, pp, 103-124.
18. Moura, M.L. & Lima, A.R.S; 2007, "Empirical exchange rate models fit: The case of Brazil", IMF, 3.
19. Nag, A.K. & Mitra, A; 2002, "Forecasting daily foreign exchange rates using genetically optimized neural networks", Journal of Forecasting, 21, pp, 501-511.
20. Neely, CH.J. & Weller, P.A; 2002, "Predictiog exchange rate volatility: Genetig programming versus GARCH and RiskMetrices", Federal Reserve Bank of St. Louis, 43.
21. Qi, M. & Wu, Y.(2003), "Nonlinear prediction of exchange rates with monetary fundamentals", Journal of Empirical Finance, 10, 623-640.
22. Rasekhi, S. & Jafari Samimi, A. & Abounoori, E. & Rostamzadeh, M; 2011, "Application of genetic algorithms in the fundamental and technical models of exchange rate optimization: A case study for Iran", World Applied Sciences Journal, 14, pp, 98-107.
23. Shin, T. & Han, I; 2000, "Optimal signal multi-resolution by genetic algorithms to support artificial neural networks for exchange rate forecasting", Expert System with Application, 18, pp, 257-269.
24. Smith, J. & Wallis, K F; 2009, "A Simple Explanation of the Forecast Combination Puzzle", OXFORD BULLETIN OF ECONOMICS AND STATISTICS, 71, PP, 331-355.
25. Timmermann, A; 2006, "Forecast combination", In Elliott G., Granger C. W. J. and Timmermann A.(eds), Handbook of Economic Forecasting, North-Holland, Amesterdam, pp, 135-196.