Neural ARFIMA model for forecasting BRIC exchange rates with long memory
用于金砖四国长记忆汇率预测的神经 ARFIMA 模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕汇率时间序列的长记忆建模及多期预测，未说明以资产收益预测作为目标。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于金砖四国长记忆汇率预测的神经 ARFIMA 模型
- 研究问题
- 如何同时刻画汇率序列的长记忆、非线性动态及外生宏观与不确定性指标，并据此改善多预测期的点预测和区间预测？
- 方法与思路
- 作者提出 NARFIMA，将 ARFIMA 长记忆结构与神经网络非线性逼近结合，纳入外生指标，并构造 conformal 预测区间。
- 材料陈述的贡献
- 摘要称建立过程的渐近平稳性，金砖四国汇率应用中多个预测期优于多种基准，并提供实现该方法的 narfima R 包。
- 阅读关注点
- 应核对渐近平稳性的参数条件、长记忆下区间覆盖的理论依据，以及训练与评估划分、基准调参和外生指标的可获得性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出误差数值或区间覆盖条件，无分布表述不能理解为无需依赖假设。
原文摘要
Exchange rate forecasting remains a challenging problem, particularly for emerging economies, where the observed time series exhibit pronounced long-memory dependence, nonlinear dynamics, and sensitivity to macro-financial drivers. Classical models such as ARFIMA capture long-range persistence but fail to adequately represent nonlinear relationships, while modern machine learning approaches often neglect the underlying long-memory structure in macroeconomic series. To address this gap, we propose a Neural AutoRegressive Fractionally Integrated Moving Average (NARFIMA) model that integrates ARFIMA-based long-memory modeling with neural networks for nonlinear function approximation, while incorporating exogenous macroeconomic and uncertainty indicators. The framework provides a unified approach for capturing persistence, nonlinear dynamics, and external shocks. We establish asymptotic stationarity of the NARFIMA process and develop conformal prediction intervals for distribution-free uncertainty quantification. Empirical results for BRIC exchange rates show that NARFIMA consistently outperforms a broad range of forecasting benchmarks across multiple horizons, underscoring the importance of explicitly modeling long-memory dependence in exchange rate dynamics. The `narfima' R package provides an implementation of our approach.