Исследование: линейная регрессия точнее случайного блуждания предсказывает курс CAD/USD
Новое исследование, представленное на arXiv, оценило способность машинного обучения предсказывать месячный курс канадского доллара к американскому. Учёные проверили, могут ли алгоритмы превзойти так называемое случайное блуждание — эталонную модель, предполагающую, что лучший прогноз будущего курса — его текущее значение.
Для анализа использовались ежедневные данные Банка Канады с января 2017 по май 2026 года, преобразованные в 113 месячных наблюдений. Оценивались пять моделей: линейная регрессия, случайный лес, градиентный бустинг, XGBoost и AdaBoost. Их сравнивали со случайным блужданием и экспоненциальным сглаживанием Хольта-Уинтерса.
Тестирование проводилось в режиме расширяющегося окна, чтобы сохранить строгую вневыборочную проверку. Различия в точности оценивались тестом Диболда-Мариано. Исследователи также выявили четыре структурных сдвига в ряде, соответствующих эскалации американо-китайской торговой войны в 2018 году, восстановлению после COVID-19 в 2020-м, пику цикла повышения ставки Банка Канады в 2022-м и началу цикла снижения ставки в 2024-м.
Результаты показали, что случайное блуждание остаётся грозным конкурентом. Единственной моделью, которая статистически значимо его превзошла, стала линейная регрессия со значением DM-статистики 3,0585 и p-уровнем 0,0071. Ансамблевые модели продемонстрировали лишь маргинальное превосходство.
Среди всех моделей случайный лес с расширяющимся окном показал самую низкую среднюю абсолютную процентную ошибку (MAPE) — 1,17%, хотя это преимущество не было статистически значимым. Анализ SHAP, который объясняет вклад факторов, показал, что на прогнозы сильнее всего влияют краткосрочные лаги (lag1 и lag2) и скользящие средние, что подтверждает почти случайный характер поведения валютного курса.
