Exchange rate forecasting with Bayesian Model Averaging

Tim Salmutter

doi:10.25365/thesis.17362

You are here: University of Vienna PHAIDRA Detail o:1279743

Title (eng)

Exchange rate forecasting with Bayesian Model Averaging

Parallel title (deu)

Wechselkursprognose mit Bayesian Model Averaging

Author

Tim Salmutter

Advisor

Jesus Crespo Cuaresma

Assessor

Jesus Crespo Cuaresma

Abstract (deu)

In dieser Arbeit verwende ich Bayesian Model Averaging um out-of-sample Wechselkursprognosen durchzuführen. Dabei folge ich dem Ansatz von Eklund und Karlsson (2007) und verwende predictive likelihoods zur Bestimmung der a-posteriori Modellwahrscheinlichkeiten. Zur Evaluierung der Prognosgüte ziehe ich den random walk, sowie das beste Einzelmodell und das Medianmodell als Vergleichsmaßstab heran. Bei den letzteren beiden handelt es sich um das Modell mit der höchsten a-posteriori Modellwahrscheinlichkeit, bzw. das von Baribieri und Berger (2004) propagierte Modell welches alle Variablen mit einer a-posteriori Modellinklusionswahrscheinlichkeit von zumindest 50% enthält. Das Ziel der Arbeit ist es herauszufinden welche Modellspezifikationen für welche Prognosehorizonte am besten geeignet sind. Dazu schätze ich zunächst einmal lineare Regressionsmodelle in Niveaus und Differenzen. Weiters untersuche ich den potentiellen Nutzen der Verwendung von Kointegrationsbeziehungen sowie rollierenden Modellgewichten bei der Bildung der gewichteten Durchschnittsprognosen. Schließlich vergleiche ich Ergebnisse für Modelle mit ein und zwei Lags pro Variable, sowie Modelle die länderspezifische Variablen verwenden versus solche die nur die Differenz dieser heranziehen. Prognosen werden für 8 verschiedene Prognosehorizonte und 20 verschiedene Wechselkurse durchgeführt. Diese ausgiebige empirische Analyse erlaubt es zuverlässigere Schlussfolgerungen hinsichtlich der Prognosequalität verschiedener Modelle über diverse Horizonte zu ziehen. Der idiosynkratische Einfluss einzelner Wechselkursbewegungen auf die Gesamtresultate wird hierbei reduziert. Die Verwendung zwei verschiedener Zeitfenster für Modellschätzungen und Prognosen erlaubt es zusätzlich die Robustheit der Ergebnisse zu überprüfen. Die Haupterkenntnisse der empirischen Analyse fassen sich wie folgt zusammen. Erstens, Bayesian Model Averaging führt zu besseren Prognoseresultaten als das Modell mit der höchsten a-posteriori Modellwahrscheinlichkeit oder das Medianmodell. Dies gilt im Wesentlichen für alle Modellspezifikationen, Zeitfenster und Prognosehorizonte. Zweitens, bei längeren Prognosehorizonten (9 und 12 Monate) führt Bayesian Model Averaging zu signifikant besseren Prognoseergebnissen als die random walk benchmark. Für kürzere Horizonte jedoch schneidet das random walk Modell insgesamt etwas besser ab. Drittens, Modelle in Niveaus führen bei längeren, Modelle in Differenzen tendenziell bei kürzeren Prognosehorizonten zu besseren Ergebnissen. Viertens, alternative Modellspezifikationen deuten teilweise auf Verbesserungsmöglichkeiten bezüglich Prognosequalität hin. Speziell Fehlerkorrekturmodelle schneiden vergleichsweise gut ab. Es bleibt jedoch abzuwarten, ob dies auch für den Fall gilt, dass die Kointegrationsbeziehung rollierend mit den jeweils verfügbaren Daten geschätzt wird. Rollierende Modellgewichtungen führen hingegen nur in der Differenzen-Spezifikation zu etwas besseren Resultaten, und dies auch nur für längere Horizonte. Da es aber gerade die längeren Prognosehorizonte sind bei denen ohnehin Modelle in Niveaus bessere Ergebnisse liefern, scheint der Ansatz nicht sonderlich vielversprechend zu sein. Schließlich lassen die Ergebnisse keinen Vorteil aus der Verwendung länderspezifischerVariablen gegenüber deren Differenzen erkennen. Gleichzeitig führt die Verdoppelung der Variablenanzahl naturgemäß zu einer mitunter deutlichen Erhöhung der Rechenzeit. Unter diesen Gesichtspunkten ist daher die herkömmliche Variante mit Differenzen länderspezifischer Variablen klar zu bevorzugen. Auch die Verwendung zweier anstatt einem Lag führt zu keiner Verbesserung der Resultate – im Gegenteil. Es ist daher wiederum das sparsamere Modell vorzuziehen.

Abstract (eng)

In this study I apply Bayesian Model Averaging to out-of-sample exchange rate forecasting. Following Eklund and Karlsson (2007) I employ predictive likelihoods rather than marginal likelihoods to determine posterior model probabilities. Forecasting results are evaluated relative to the standard random walk benchmark, as well as the best and median models. The latter two are the models with the highest posterior model probability and the model including all variables with a posterior inclusion probability above 50%, as suggested by Barbieri and Berger (2004), respectively. The main aim of this paper is to test various model specifications and find out which work best at what horizons. Specifications include level, difference, and error correction models. Furthermore, I examine the merit of using rolling model weights in forecast combination, and compare results for models using one and two lags, as well as models that include country specific variables versus cross-country differentials. Forecasts are performed for 8 different horizons and a set of 20 exchange rates. This extensive empirical analysis allows for a more reliable evaluation of various model specifications and forecasting performance over different horizons, reducing the influence of idiosyncratic movements in certain exchange rates on overall results. I also check for robustness of the results by performing forecasts over two different time windows. The main results are the following: one, Bayesian Model Averaging clearly outperforms single models (best or median) across all model specifications, time windows, and forecasting horizons in terms of RMSFE. Two, Bayesian model Averaging outperforms the random walk benchmark in terms of RMSFE significantly at longer horizons (9 and 12 months) but in general tends to do worse at shorter horizons. Three, level specifications appear to work somewhat better at longer horizons while difference specifications tend to do better at shorter horizons. Four, alternative specifications point to potential improvement. This is particularly true for the cointegration specification. However, it remains to be seen whether these results hold when estimating the cointegration relationship on a rolling basis, using only the data at hand at the time of the forecast. The rolling model weights specification offers some improvement at longer horizons for the difference specification. However, since level models tend to do better than difference models at these horizons, the approach does not appear particularly promising. Finally, the results do not indicate any systematic improvement in including country-specific variables compared to cross-country differentials. At the same time it entails using twice the number of variables and longer estimation time. From this standpoint it is therefore clearly advisable to use differentials. Using one lag instead of two leads to better results and is therefore also to be preferred, especially considering the reduction in estimation time.

Keywords (eng)

Bayesian Model AveragingPredictive LikelihoodExchange Rate Forecasting

Keywords (deu)

Bayesian Model AveragingPredictive LikelihoodWechselkursprognose

Subject (deu)

Währung

Subject (deu)

Volkswirtschaft: Allgemeines

Subject (deu)

Außenwirtschaft: Sonstiges

Subject (deu)

Geld, Inflation, Kapitalmarkt