УДК 338.27:339.

743
Иващенко П.А., канд. экон. наук, Русецкий А.И., канд. техн. наук, Минко Е.П.

Метод краткосрочного прогнозирования курсов валют

Введение и обзор литературы по проблеме исследования.

Актуальность проблемы краткосрочного прогнозирования курсов валют
посредством статистических моделей обусловлена естественным стремлением
банков и других финансовых агентов обеспечить эффективность краткосрочных
операций с валютой.
Исследования этой проблемы ведутся непрерывно. Ей посвящена обширная
литература. Например, в работе К. Гренджера и О. Моргенштерна [1] исследована
динамика курсов акций и приведена обширная библиография по данной проблеме.
Адаптивные модели краткосрочного прогнозирования курсов валют предложены и
исследованы Ю.П. Лукашиным [11]. В 11-м издании фундаментального учебника
по финансовому менеджменту Ван Хорн Дж. и Вахович Дж. М. [10] детально
анализируют механизмы движения ценных бумаг на рынке капитала.
Существующие модели прогнозирования курсов валют развивались,
основываясь на линейном и нелинейном подходах [2-4, 9]. Модели, основанные на
линейном подходе, включают в себя простую эффективность рынка, случайность,
учет памяти, непараметрическую коинтеграцию [5, 6].
На данном этапе все большее количество ученых склоняется к тому, что
курсы валют и другие финансовые переменные являются нелинейными по своей
природе и они линейно непредсказуемы [7-9]. Структурная нелинейная модель
может рассматриваться как наиболее подходящая в моделировании данных
переменных. Модели в связи с этими, более ранними взглядами чаще всего
рассматриваются через призму фундаментального нелинейного подхода.
Примерами являются экспоненциальный подход, подход, основанный на
нейронных сетях или методе опорных векторов Вапника.
 2

Нерешенная часть проблемы создания и использования статистических

моделей краткосрочного прогнозирования курсов валют состоит в том, что в
известных (доступных) моделях в явном виде учитывается информация лишь за
предыдущий момент времени. Несмотря на то, что в данной ситуации
привлекаются (разрабатываются) адаптивные модели, представляется
небезынтересным создание версии моделей, которые используют больше
информации.
Постановка задачи.
Пусть x1, x2, …, xN – временной ряд последовательных ежедневных данных
(наблюдений) о курсе той или иной валюты по отношению к американскому
доллару или евро, N – длина ряда, точнее, длина исследуемого отрезка ряда. Задача
состоит в выявлении более или менее устойчивой зависимости i-го наблюдения от
предшествующих и, используя информацию о такой (таких) зависимости
(зависимостях), сделать прогноз на (N+1)-й момент. В [11, с. 340] рассмотрена
аналогичная постановка.
Основной раздел.
После анализа ряда на случайность [12, 13] и получения информации о
характере поведения ряда уже можно сделать попытку конкретизации задачи
прогнозирования. Она связана, во-первых, с выбором класса моделей и, во-вторых,
с подбором (выбором) или созданием (конструированием) конкретной модели из
выбранного класса. При этом должна быть приведена достаточно весомая
аргументация относительно сделанного выбора.
Задача построения прогноза курса валюты на следующий день состоит в
получении: а) оценок направления изменения курса за день и б) оценки величины
изменения курса. Такое разбиение задачи прогнозирования на две подзадачи во
многих случаях осуществления валютных операций делает достаточным для
получения положительного эффекта предвидение знака приращения курса валюты.
Другими словами, достаточно оценить движение (наличие или отсутствие)
колебания курса вверх или вниз.
 3

Сконцентрируемся на первой подзадаче – получения оценок направления

изменения курса за день. Возможный путь ее решения состоит в подборе
адекватного инструментария, обеспечивающего построение модели
прогнозирования. Далее выдвигаются и проверяются гипотезы о поведении
участников рынка, направленные на обеспечение реагирования модели на те или
иные возможные ситуации. Затем сконструированная модель применяется для
получения прогнозов на основе нескольких выборок (этап тестирования). Наконец,
выбирается система критериев, по которым оценивается качество модели
(прогнозов).
С целью реализации указанных шагов от данных x1, x2, …, xN прейдем к
первым разностям этого ряда Δx1, Δ x2, …, ΔxN-1, где
Δxi = Δxi+1 – Δxi, i = 1, 2, …, N-1. (1)
Учет знаков разностей может быть выполнен с помощью упрощающего
преобразования вида:
�+1,если Dxi > 0;
�
ki = �0,если Dxi =0; (2)
�-1,если Dxi < 0.
�
В результате получаем ряд k1, k2,…, kN-1. Его принято называть знаковым рядом [11,
с. 343].
Если считать величины x1, x2, …, xN случайными, имеющими произвольную,
но непрерывную плотность распределения, то преобразование (2) будет иметь
дискретный закон распределения, представленный в табл. 1.
Таблица 1
Закон распределения для случайной величины ki.
ki –1 0 +1
P(ki) 1/3 1/3 1/3
 4

Это следует из того, что для определения знака (2) требуется два последовательных
значения xi+1, xi, для которых возможны три порядка следования с равной
вероятностью. Следовательно,
1 1 1
M (ki ) = ( -1) � + (0) � + ( +1) � = 0 .
3 3 3
Для сравнения отметим, что существует иной критерий, основанный на знаках
разностей xi+1 – xi. В нем используется так называемая «счетная переменная»
(счетчик), принимающая только два значения 0 и 1 [11, с. 32-33]. Он, очевидно,
ориентирован на ряды, в которых одинаковые, рядом стоящие значения
встречаются редко.
N -1
Пусть k = �ki , тогда, очевидно, M (k ) = 0 . Далее
i =1

N -1 n -2
2
D(k ) = M (k - M (k )) = M (k ) = M [�k + 2�M (ki ) M (ki +1 )] = ( N - 1) ,
2 2 2
i
i =1 i =1 3
так как случайные величины ki, ki+1 независимы.
«Кирпичиками» для построения модели прогнозирования Ю.П. Лукашин
предлагает произведение
mi = ki ki -1 , (2)
принимающее значения
�+1,когда ki =1 и ki -1 =1 либо когда ki = -
1 и ki -1 = -
1;
�
mi = �0, когда ki = 0 и(или) ki = 0, ki-1 = 0; (3)
�-1,когда ki =1 и ki = -1 либо когда ki = -1 и ki -1 =1.
�
Математически функция mi = f (ki , ki -1 ) = ki ki -1 есть конечнозначная дискретная
функция. Области изменения двух аргументов и область значений этой функции
совпадают и могут быть представлены таблицей (см. табл. 2).
Таблица 2
Полная группа событий для изменения знака произведения Δxi-1Δxi
№ Возможные ki-1 ki ki-1 ki P(mi)
п/п варианты
 5

расположения
точек xi-1, xi, xi+1

1 +1 +1 +1 1/9

+1
2 –1 –1 1/9
–1
3 –1 +1 1/9
–1
4 +1 –1 1/9
0
5 +1 0 1/9
0
6 –1 0 1/9
+1
7 0 0 1/9
–1
8 0 0 1/9
0
9 0 0 1/9

В отношении выражения (3) следует заметить, что значения mi – это

комбинация (произведение) знаков соседних разностей исходного ряда в текущий
(i-й) и предыдущий (i–1-й) моменты времени, т.е. mi обладает памятью наряду со
знаком текущей разности о знаке предыдущей.
Если ряд {xi }iN=1 – случайный, то дискретный закон распределения для
случайной величины mi представлен в последнем столбце табл. 2. Объединяя
одинаковые значения, получаем окончательно табл. 3.
Характеристиками случайной величины mi являются: M(mi) = 0, D(mi) = 4/9.
Согласно Ю.П. Лукашину можно выдвинуть гипотезу об инерционности
действий основной массы участников торговли валютой. Возможны три ситуации.
 6

Таблица 3
Закон распределения для случайной величины mi
mi –1 0 +1
P(mi) 2/9 5/9 2/9

1. Основная масса участников валютного рынка ожидает, что направление

движения курса неизменно. Она полагает предпринять такие совместные действия
в отношении спроса и предложения, которые будут способствовать сохранению
знака курса.
2. Большинство участников на основании складывающейся конъюнктуры
предполагает изменить направления движения курса на противоположный.
3. Ситуация неопределенности, когда не ожидается ни роста, ни падения
курса. Она характеризуется явным присутствием элемента случайности.
Далее с целью выяснения того, какая ситуация встречается в последнее время
чаще, предлагается усреднить ряд mi за известный интервал методом
экспоненциального сглаживания. Для этого можно использовать рекуррентную
формулу
St = amt + (1 - a) St -1 . (4)
В (4) St – значение экспоненциальной средней в момент t, α – постоянная
сглаживания, называемая параметром адаптации, 0 < a �1 .
Если последовательно использовать рекуррентное соотношение (4), то
экспоненциальную среднюю St можно выразить через значения ряда mt :
St = amt + (1 - a) St -1 = amt + a(1 - a)mt -1 + (1 - a) 2 St -2 = ... =
N -2
= a �(1 - a)i mt -i + (1 - a ) N -1 S1 . (5)
i =0

В выражении (5) S1 можно трактовать как некоторую (начальную) случайную

величину, независящую от mt и имеющую нулевое математическое ожидание и

 7

неизвестную, но постоянную дисперсию s Si . Очевидно, что P ( St �1) = 1 , если

2

P ( S1 �1) = 1.
Найдем математическое ожидание (5)
N -2
M ( St ) = a �(1 - a)i M (mt -i ) + (1 - a ) N -1 M ( S1 ) = 0
i =0

и дисперсию
N -2
4 N -2
D( St ) = M [ St2 ] = M {[a �(1 - a )i mt -i + (1 - a) N -1 S1 ]} = a 2 �(1 - a ) 2 i + s 4St (1 - a ) 2( N -1) .
i =0 9 i =0
Для достаточно больших N имеем
4 2 (1 - a) N -1 - 1 4 a
D ( St ) ; a = .
9 (1 - a) 2 - 1 9 2 - a
Отсюда следует, что
4
0 �D( St ) � .
9
Для прогноза m на момент времени t+1 может быть использована функция
вида
�+1, St > 0;
�
� = Sign( S ) = 0, S = 0;
mt +1 t � t (6)
�-1, St < 0.
�
Окончательная модель прогноза знака прироста курса валюты на момент t+1
определяется Ю.П. Лукашиным как
�(Dx ) = Sign( m
Sign � k ). (7)
t +1 t +1 t

Необходимо отметить, что модель (7) является адаптивной, в которой

сомножитель (6) учитывает и адаптивный прогноз, и изменения знаков разностей в
предыдущие моменты времени, а kt явным образом дублирует знак первой
� на
разности исходного ряда в текущий момент времени. Операция умножения mt +1
 8

kt накладывает историю изменения знаков на знаки элементов ряда для текущего

момента времени.
Если смоделировать ряд случайных чисел xi, i = 1,…, N, c помощью датчика
случайных чисел СЛЧИС() электронной таблицы Excel и реализовать модель (7) с
целью проверки работоспособности, то в смоделированном ряде прогнозов
обнаруживается практическое отсутствие нулей (в том числе машинных). Это
наводит на мысль о том, что необходимо задавать пределы (верхний и нижний)
допустимых изменений величин Dxi , внутри которых принимается одно из трех

решений. Другими словами, для случая ki = 0 предлагается считать допустимым

lDx �100% – й предел колеблемости величин Dxi , где lDx – некоторая
положительная величина, выбор которой связывается со спецификой рыночного
поведения ряда {xi}. Таким образом, если значение xi+1 отличается от xi не более
чем на lDx �100% , то повода для волнений нет и считаем, что ki = 0 . В противном

случае следует соответствующая реакция: ki полагается равным или +1, или – 1.

Понятно, что этот процент для каждой ситуации, вообще говоря, свой.
Представляется, что такой (интервальный) подход, во-первых, более
реалистичен и, во-вторых, будет давать более точные прогнозы.
Итак, в силу сказанного предлагается следующая «интервальная» адаптивная
модель прогнозирования временного ряда с неустойчивым характером колебаний
(обозначения сохранены):
�+1,если Dxi > e x;
�
ki = �0,если Dxi �e x;
�-1,если Dxi < -e x,
�
где e x – ширина интервала безразличия, e x > 0 .
Далее полагаем
mi = ki ki -1 ; (уже с «памятью» (i–1))
St = amt + (1 - a ) sT -1;
 9

�+1, St > e s ;
�
� = Sign( S ) = 0, S �e ;
mt +1 t � t s
�-1, St < -e s ,
�
где e s – ширина интервала безразличия, для экспоненциальной средней St , e s > 0 .
Возможно, для e s необходим свой или тот же параметр адаптации α, что и для
mt .
Прогноз знака прироста курса валюты на момент t +1 определим
аналогичным (7) образом
�(Dx ) = Sign( m
Sign � k ). (8)
t +1 t +1 t

Машинные эксперименты в Excel показали, что прогнозы по интервальной

модели более точны, чем нулевой вариант модели Ю.П. Лукашина.
Если несколько обобщить модель (3) и перейти к модели вида
t
mi ,t = �ki - j , (9)
j =0

то представляет интерес выяснение величины τ (назовем ее лагом памяти) и

степени влияния сомножителей ki - j . При τ = 1 получаем модель (3).

В начале будем рассматривать «нулевой» вариант (т.е. e x = e S = 0 ). Интуитивно

можно предполагать, что с ростом j влияние ki - j на mi ,t должно ослабевать.

Однако, возникает вопрос, каким образом должен проявиться такой эффект?
Формальные рассуждения, приведенные на стр. 3, показывают, что функции
mi ,1 , mi ,2 ,..., mi ,t имеют одну и ту же область значений {-1,0, +1} .

Найдем математическое ожидание и дисперсию для mi ,t , если полагать ряд

{xi} случайным.
�t � t
�
M (mi ,t ) = M � ki - j �= �M (ki - j ) = 0
�j = 0 � j =0
в силу независимости случайных величин ki - j .
 10

2 t
�t � �t 2 � t �4 �
�
D( mi ,t ) = M � �
ki - j �= M � ki - j �= �M (ki - j ) = � �.
2

�9 �
�j = 0 � �j = 0 � j =0
Отсюда следует вывод: с ростом лага памяти τ вариация случайной величины mi ,t
убывает, а математическое ожидание остается нулевым. Таким образом, приходим
к задаче выбора лага памяти τ и постоянной сглаживания α таких, что количество

совпадений знаков (оправдавшихся прогнозов) у Dxi � k

и m было бы
i +1,t i

максимальным.
Для ее решения введем случайную величину – счетчик вида
� � k );
1, если Sign(Dxi ) = Sign(m
�
zi = � i ,t i
0,
� в противном случае.
Тогда количество оправдавшихся прогнозов будет равным
N -1
z = �zi ,
i =1

и задача сводится к отысканию

max z .
t ,a

Но z – случайная величина. Тогда возможна постановка задачи прогнозирования в

ослабленной форме: найти t и a такие, что
P ( z > 0,5( N - 1)) = b .
Чтобы иметь возможность ее решить, требуется знание закона распределения
случайной величины z. Можно показать, что при N � � случайная величина z
стремится к нормальному закону распределения с математическим ожиданием и
дисперсией, не содержащими величины t и a в явном виде (это, ведь,
непараметрическая статистика). Выход из сложившейся ситуации видится
следующиим. Можно выполнить компьютерное моделирование с использованием
сконструированных моделей для различных комбинаций значений t и a . В
результате будет получена таблица (см. табл. 4), из которой выбираем то сочетание
 11

t и a , при котором достигается max( zt,a ) . Модель с полученными значениями

параметров можно рекомендовать для прогнозирования исследуемого ряда.
Таблица 4
Значения zt,a
α
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
1
2 …
3 … z t ,a …
τ 4 …
5
6
7

Направлением дальнейших исследований является «обкатка» предложенного

подхода на рядах динамики курсов валют.
Предварительные расчеты показывают работоспособность метода
краткосрочного прогнозирования с учетом временного лага и интервалов
колебаний курсов.

Литература
1. Granger Clive W.J., Morgenstern Oscar. Predictability of stock market prices.
Massachusetts, 1970.
2. Christopher J.Neely and Lucio Sarno. How well do monetary fundamentals
forecast exchange rates? // Working Paper 2002-007A of Federal Reserve Bank of
St.Louis. – 2002.
3. Martin D.D. Evans, Richard K. Lyons. Order flow and exchange rate
dynamics.// NBER working paper series 7317. – 1999.
4. Brooks C. 1997. Linear and non-linear non- forcastability of high-frequency
exchange rates. Journal of forecasting 16: 125 – 145.
 12

5. Cheung Y.W. 1993. Long memory in foreign-exchange rates. Journal of business

and economics studies 11: 93 – 101.
6. Coakley J., Fuertes A. 2001. Nonparametric cointegration analysis of real
exchange rates. Applied financial economics 11: 1 – 8.
7. Kaminsky S., Reinhart C. 1999. Currency and banking crises: the early warnings
of distress. American economic review 89: 473 – 500.
8. M-Azali M. S., Habibullah, Baharumshah A. Z. 2001. Does PPP hold between
Asian and Japanese economies evidence using panel unit root and panel cointegration.
Japan and the world economy 13: 35 – 50.
9. Taylor M.P., Peel D.A. 2000. Nonlinear adjustment, long-run equilibrium and
exchange rate fundamentals. Journal of international money and finance 19: 33 – 53.
10. Ван Хорн Дж. К., Вахович Дж.М. Основы финансового менеджмента, 11-е
издание. - М.: Издательский дом «Вильямс», 2003. - 992 с.
11. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования
временных рядов. - М.: Финансы и статистика, 2003. – 416 с.
12. Кендэл М. Временные ряды. – М.: Финансы и статистика, 1977. – 145 с.
13. Іващенко П.О. Моделювання транзиційних процесів в економіці України. -
Х.: Видавничий центр Харківського національного університету імені В.Н.
Каразіна, 2002. - 188 с.
 13

Предлагается обобщение метода краткосрочного прогнозирования курсов валют,

предложенного Ю.П. Лукашиным в двух направлениях: учет истории ряда
динамики и интервальный подход в изменении знака ряда.

Пропонується узагальнення методу короткострокового прогнозування курсів

валют, запропонованого Ю.П. Лукашиним в двох напрямках: облік історії часового
ряду і інтервальний підхід при зміні знаку ряду.

The generalization of a method of short-term prediction of exchange offered

Lukaschin Ju. P. in two directions: the registration of a history of a number speakers and
interval approach in change of the sign of a number.
 14

Справка об авторах

Иващенко Петр Алексеевич: кандидат экономических наук, доцент кафедры

статистики, учета и аудита экономического факультета Харьковского
национального университета имени В.Н. Каразина
Домашний адрес: Украина, Харьков, 60166, проспект Ленина, д. № 19Б, кв. 77.
Контактные телефоны: 8-057-7-194-613, 8-097-440-08-71
Адрес электронной почты: ipaplin@mail.ru

Минко Евгения Петровна: стедентка Харьковского национального

университета имени В.Н. Каразина
Домашний адрес: Украина, Харьков, 60166, проспект Ленина, д. № 19, кв. 24
Контактные телефоны: 8-057-7-194-613, 8-097-440-08-71