ECO412 Project 

Forecasting Exchange Rates 

through Machine Learning and 
Econometric Models 
 

Utkarsh Barsaiyan | 160757 

   
Introduction 
An  exchange  rate  between  the  two  countries'  currencies  indicates the value of 
one  currency  relative  to  the  other.  Exchange  rates  can  be  fixed  or  floating.  If  a 
country  fixes its currency to that of another country, the exchange rate between 
those  two  currencies  will  not  change.  If  a  country  has  a floating exchange rate, 
the  rate  between  its  currency  and  any  other  currency  will  adjust  to  market 
conditions.  The  exchange  rates  of  a  country with respect to the other countries 
depend  upon  a  variety  of  factors  including  changes  in  interest  rates,  inflation 
rates,  government  debts,  terms  of  trade,  political  stability,  etc.  Moreover,  the 
exchange  rates  have  a  direct  impact  on  the  country’s  economic  growth, 
international trade, interest rates, capital flows and even inflation. 

An  important  milestone  in  the  history  of  exchange  rates  is  the  Bretton  Woods 
Conference,  which  led  to  the  establishment  of  the  IMF  (International  Monetary 
Fund),  to  monitor  exchange  rates  and  to  lend  reserve  currencies  to  nations, 
and the IBRD (now the World Bank), to provide financial assistance for countries 
during  reconstruction  after  the  World  War  1  phase.  The  conference was held in 
1944  and  was  attended  by  44  allied  nations.  Under  this  agreement,  to 
exchange  currencies  the  countries  settled  their international balance in dollars, 
while  US  dollars  were  fully  convertible  to  gold.  This  agreement  dissolved 
between  1968-1973  due  to  the  over-valuation  of  the  dollar  which  led  to 
concerns  over  exchange  rates  and  their  tie  to  the  price  of  gold.  After  the 
dissolution  of  this  system,  most  of  the  countries  started  using  the  floating 
exchange rate system. 

In  today’s  global  economy,  precision  in  predicting  the  exchange  rates  or  at 
least  forecasting  the  trend  correctly  is  of  high  significance  for  any  investment. 
Using  an  exchange  rate  estimate  can  help  brokers  and  businesses  make 
informed  judgments  to  help  minimise  risks  and  maximize  gains.  Though 
numerous  research  papers  have  been  published  in  this  area  since  decades, 
forecasting  exchange  rates  with  extraordinary  accuracy  is  still  a challenge. The 
rates  are  inherently  noisy,  non-stationary  and  deterministically  chaotic.  In  this 
project,  I  will  explore the two prominent ways of exchange rate predictions - via 
Machine Learning and through Econometric models. 
Literature Review 
The  difficulty  in  forecasting  the  exchange  rates  is  partly  reflected  in  the 
existence  of  multiple  theoretical  models  of  exchange  rate  prediction  and 
several  modelling  approaches.  Before  the  breakdown  of  Bretton  Woods,  most 
of  the  exchange  rate  models  were  based  on  the  fixed price assumptions. Now, 
machine  learning  and  econometric  models  have  made  them  obsolete.  Still, 
there  are  two  fundamental  models  that  are  also  worth  mentioning  -  exchange 
rate  prediction  through  PPP  forecasting  and  the  relative  economic  strength 
model. 

The  PPP  forecasting  approach  is  based  on  the  theoretical  law  of  one  price, 
which  states  that  identical  goods  and  services  in  different  nations  should  have 
identical  prices.  For  example,  this  law states that a pencil in India should be the 
same  price  as  a  pencil  in  the  United  States  after  taking  into  account  the 
exchange  rate  and  excluding  shipping  and  transaction  costs.  In  other  words, 
there  should not arise an arbitrage opportunity for someone to buy inexpensive 
pencils  in  one  country  and  sell  them  in  another  for  a  profit.  The  PPP  approach 
forecasts  that  the  exchange  rate  will  change  to  offset  price  changes  due  to 
inflation based on this underlying principle. 

The  relative  economic  strength  model  predicts  the  direction  of  exchange rates 
by  taking  into  consideration  the  strength  of  economic  growth  in  different 
countries.  The  idea  behind  this  approach  is  that  strong  economic  growth  will 
attract  higher  investments  from  foreign  investors.  To  pay  for  these investments 
in  a  particular  country,  the  investor  will  buy  the  country’s  currency,  thereby 
increasing the demand and price of the currency of that particular country. 

The  econometric  models  have  received  a  lot  of  attention.  Obstfeld  and  Rogoff 
(1994)  developed  an  analytically  tractable  two-country  model  that  marries a full 
account  of  dynamics to a supply framework based on monopolistic competition 
and  sticky prices. It offers simple and intuitive predictions about exchange rates 
and  current  accounts.  Dua  and  Ranjan  (2011)  analyzed  several  univariate 
exchange  rate  models  and  various  extensions  thereof  in  the  vector 
autoregressive  (VAR)  and  Bayesian  VAR  framework.  The  results  showed  that 
both  VAR  and  BVAR  generally  outperform  the random walk based on forecasts 
in  a  projection  of  one  year  and  less  than  one  year.  Ghalayini  (2014)  estimated 
several  univariate  ARIMA  models  using  lagged  values  as  explanatory variables 
and  extensions  with  two fundamental explanatory variables, which showed that 
the  PPP  theory  explains  the  main  part  of  the  euro/dollar  exchange  rate,  and  in 
this  case  the  interest  differential  of  the  fundamental  variable  explains  only  a 
small  proportion  of  subsequent  changes  in  exchange  rates.  Balter, Dumitrescu 
and  Hansen  (2015)  used  a  realized  GARCH  model  and  showed  that  it 
outperforms  the  traditional  CCC,  cDCC  and  diagonal  BEKK  models  up  to  10 
period-ahead.  Bayas  (2018)  predicted  the  monthly  EUR/USD  exchange  rate 
using  linear  regression  with  PPP  index,  Basis  SWAP  Libor,  and  historical 
volatility  as  the  features  or  inputs.  They  obtained  the  percentage  errors  below 
2.9% in their initial models and as low as 0.09% in their improved model. 

Kamruzzaman  and  Sarker  (2004)  developed  and  examined  three  Artificial 

Neural  Network  (ANN)  based  forecasting  models  using  Standard 
Backpropagation (SBP), Scaled Conjugate Gradient (SCG) and Backpropagation 
with  Bayesian  Regularization  (BPR)  for  Australian  Foreign  Exchange  to  predict 
six  different  currencies  against  the  Australian  dollar.  Their  experimental  results 
demonstrated  that  all  the  ANN-based  models  outperform  the  ARIMA  models 
and  the  ANN-based  models  can  closely  forecast  the  forex  market.  Rojas  and 
Herman  (2018)  make  use  of  machine  learning  methods  to  forecast  the  US 
Dollar  against  the  Mexican  Peso  exchange  rate.  They  trained  multiple  ML 
algorithms  on  the  dataset  and  conducted  binary  classification  and  continuous 
target  experiments.  The  best  results  were  produced  by  SVM  in  the  binary 
classification  case  and  Ridge  regression  in  the  continuous  target  case,  both  in 
terms  of  accuracy  and  cumulative  profits.  Nagpure  (2019)  applied  Support 
Vector  Regression  (SVR),  deep  learning  using  Artificial  Neural  Network  (ANN) 
and  Long  Short-Term  Memory  Networks  (LSTM)  approaches  to  predict  the 
multi-currency  exchange  rates.  The  results  claim  that  the  average  accuracy  of 
the predicting model exceeds 99%. 

   
Methodology 
Data Extraction 

The  currencies  selected  for  this  project  are  the  U.S  Dollar  and  the  Indian 
Rupee,  more  specifically,  the  USD/INR  exchange  rate.  This  pair  was  chosen  as 
the  Indian  Rupee  is  the  most  relevant  currency  for  more  than  a  billion  Indians 
and  not  much  research  work  is  focused  on  it.  Moreover,  the  US  Dollar  and  the 
Indian  Rupee  are  both  mainly  affected  by  macroeconomic  agents,  and  not 
much  affected  by  news  or  political  issues,  which  are  not  incorporated  into  this 
project. 

The  weekly  USD/INR  exchange  rate  historical  data  was  obtained  from  the 
World  Bank  website.  The  dataset  contains  the  following  fields:  Date,  Opening 
Price,  Closing  Price,  Highest  Price,  Lowest  Price  and  the  Change  Percentage. 
Data  from  October  2005  to  November  2019  was  used.  The  data  was  sorted 
and  checked  for  any  missing  or  illegal  values.  It  was  then  divided  into  training 
and  test  data,  with  the  first  80%  values  comprising  the  training dataset and the 
last 20% comprising the test dataset. 

 
Data Visualisation 

The  data  was  visualised  using  matplotlib’s  pyplot  to  envision  the  trends  in  the 
data and to appreciate the significant variations. The exchange rate was around 
Rs.  45  in  2005  and  has  risen  to  around  Rs.  70  in  2019,  with  achieving  a  low of 
Rs.  40  during  the  Great  Recession  of  2008  and  almost  touching  Rs.  75  a  few 
months back. 

Moving Average 

Moving  Average  (MA)  is  a  widely  used  metric  in  time  series  analysis  that 
smooths  out  price  variations  by  filtering  out  the  noise  from  random  short-term 
price fluctuations. 

 
The  two  most  frequently  used  moving  averages  are  the  Simple  Moving 
Average  (SMA)  and  the  Exponential  Moving  Average  (EMA).  SMA  is  simply  the 
average  of  a  series  over  a  fixed  number  of  time  periods,  and  the  EMA  gives 
higher  weight  to  more  recent  values.  The  most  popular  applications  of  moving 
averages  are  to identify the trend and its direction and to ascertain support and 
resistance  levels.  Moving  averages  also  form  the  precursor  for  other  technical 
metrics such as the Moving Average Convergence Divergence (MACD). 

Seasonal ARIMA 

An  ARIMA  model,  sometimes  called  Box-Jenkins  after  the  original  authors,  is  a 
statistical  analysis  model  that  uses  time-series  data  to  better  understand  the 
data  set  or  to  predict  the  future  points  in the series. ARIMA models are applied 
in  cases  when  the  data  is  non-stationary,  and an initial differencing step can be 
used  one  or  more  than  one  times  to  eliminate  the  non-stationarity.  It  is  a 
method  of  regression  analysis  that  measures  the  strength  of  one  dependent 
variable  relative  to  the  other  variables.  The  model's  goal  is  to  predict  future 
trends  in  the  series  by  examining  the  differences  between  values  in  the  series 
instead of the actual values. 

In  the  ARIMA(p,d,q)  model,  the  three  parameters  p,  d  and  q  account  for  the 
seasonality, trend, and noise in the data respectively. 

● p:  The  number  of  time  lags  of  the  autoregressive  model,  also  called  the 
lag order. 
 ● d:  The  degree  of  differencing  or  the  number  of  times  that  the  raw 
observations are differenced. 
● q:  The  lag  of  the  error  component,  also  called  the  order  of  moving 
average.  The  error  component  is  a  part  of  the  time  series  not  explained 
by trend or seasonality. 

The  main  application  of  the  ARIMA  model  is  in  the  area  of  short  term 
forecasting.  It  requires  at  least  forty  historical  data  points.  It  works  best  when 
the  data  displays  a  steady  or  consistent  pattern  over  time  with  little  or  no 
outliers.  ARIMA  is  usually  superior  to  exponential  smoothing  techniques  when 
the  data  is  reasonably  long,  and  the  correlation between the past observations 
is  stable.  If  the  data  is  short  or  highly  volatile,  then  some  smoothing  method 
may perform better. 

ARIMA  models, however, cannot capture the seasonal nature of the data, called 
seasonality.  Here  comes  the  seasonal  ARIMA  model  that  also  takes  into 
account  the  seasonality  of  the  data.  Seasonal  ARIMA  models  are  usually 
denoted  as  ARIMA(p,  d,  q)*(P,  D,  Q,  S),  where  S  refers to the number of periods 
until  the  pattern  repeats.  The  lowercase  p,  d  and  q  refer  to  the  non-seasonal 
part  and  is  the  same  as  described  for  the  ARIMA  model.  The  capital  P,  D,  Q 
refer  to  the  autoregressive,  differencing,  and  moving  average  terms  for  the 
seasonal  part  of  the  ARIMA  model.  In  a  seasonal  ARIMA  model,  the  seasonal 
AR  and  MA  terms  predict  the  variable  using  actual  values  and  errors  at  times 
with  lags  which  are  multiples  of  S,  the  span  of  the  seasonality.  A  seasonal 
ARIMA  model  combines  both  the  non-seasonal  and  the  seasonal  factors  in  a 
model. 

The multiplicative seasonal ARIMA model has the following form: 

  

Long Short-Term Memory (LSTM) 

Vanilla Neural Network 

Artificial  Neural  networks  (ANNs)  are  a  type  of  nonlinear  models  that  can 
approximate  any  nonlinear  function  to  an  arbitrary  degree  of  accuracy. 
Recurrent  Neural  Networks  (RNN)  are  a  variety  of  Neural  Networks  where  the 
output  from  the  previous  stage  is again fed as input to the current stage, unlike 
the  vanilla  ANNs.  In  conventional  neural  networks,  all  the  inputs  and  outputs 
are  independent  of  each  other.  But  many  a  time,  it  is  required  to  take  into 
consideration  the  past  outputs  to  predict  future  values.  For  example,  in 
predictive  keyboards  which  predict  the  next  word  of  a  sentence,  the  previous 
words  of  the  sentence  are  required  so  that  the  context  is  known, and hence, it 
is  necessary  to  remember  the  preceding  words.  RNNs  remember  the  previous 
calculations and use them to make better predictions. 

In  a  vanilla  neural  network  (basic  feedforward  ANN),  an  input  vector  of  a  given 
size  is  transformed  into  an  output  vector. In order to convert this network into a 
“recurrent”  neural  network,  the  transformations  are  repeatedly  applied  to  a 
series  of  given  input  producing  a  series  of  output  vectors.  In  addition  to 
producing  the  output,  which  is  a  function  of  the  input and the hidden state, the 
hidden  sate  itself  is  updated  based  upon  the  input,  and  then  used  in 
processing the next input. 

 
As  you are reading this line, you don’t start thinking about each and every word 
from  scratch  but  rather  understand  it  on  the  basis  of your understanding of the 
previous  words  in  the  sentence.  The  past  words  persist  in  your  memory  and 
they  influence  your  understanding  of  the  upcoming  words.  RNNs  work  pretty 
much in a similar fashion.  

Long  Short-Term  Memory  (LSTM)  networks  are  a  special  kind  of  RNNs,  which 
have  undergone  quite  a  few  refinements  over  the  years  resulting  in  their 
widespread  use  and  improved  accuracy,  especially  in  time-series  modelling, 
outperforming  the  competitors  like  Econometric  models  by  huge  margins. 
RNNs  perform  remarkably  well  in  predicting  words  in  a  sentence  like  “The 
colour  of  the  sky  is  ____”  and  may  predict  “blue”  with  high  accuracy.  But  in 
sentences  such  as  “I  live  in  Spain…  I  am  fluent  in  ____”  RNNs  may  struggle  to 
predict  “Spanish”  correctly.  The  reason  being  that  RNNs,  at  least  in  practice, 
seem  to  better  connect  with  recent  information  than  past  encounters.  LSTMs 
overcome  this  shortcoming  and  are  proficient  in  learning  long-term 
dependencies.  

 
  

A  popular  version  of  the  LSTM  network  can  be  represented  by  the  following 
equations: 

   
Results 
The following results were obtained by the various methods: 

Moving Average 

 
RMSE: 14.7009 

Seasonal ARIMA 

 
RMSE: 7.1669 
  

prophet by Facebook 

Prophet  is  an open-source Python library for forecasting time-series data based 

on an additive model where non-linear trends are fit with seasonal effects. 

 
  
RMSE: 3.0000 

Long Short-Term Memory 

 
RMSE: 0.7873 

It  can  be  deduced  from  the  above  results  that  LSTM  networks  put all the other 
models  to  shame  as  it  predicts  the  future weekly USD/INR exchange rates with 
high accuracy.   
Conclusions 
The  seemingly  difficult  job  of  forecasting  exchange rates has been achieved to 
a  remarkable  threshold  with LSTMs. Though, this does not imply that the model 
can  be  now  directly  used  by  traders  and  speculators  to  predict  the  future 
prices.  Weekly  exchange rates are affected by a variety of other factors such as 
the  recent  political  and  economic  news  and  their  past  values  only  reveal  a 
small part of the story. 

Hence,  the  model  can  be  improved  by  incorporating  information  gained 
through  news  analysis  that  affects  the  currency  pair  exchange  rates.  This 
approach  has  not  been  dealt  with  frequently  as  news  is  difficult  to  extract, 
process  and  model.  Moreover,  a  longer  time  frame  would  perhaps  provide 
more accurate predictions. 

All  models  here  focus  only  on  the  USD/INR  exchange  rate  pair.  It  is  not  yet 
known  how  this  model  performs  on  other  currency  pairs,  especially  those  that 
are  highly  volatile.  Hence,  it  is  recommended  to  test  this  model  for  other 
currency pairs for further studies. 

   
References 
1. Obstfeld,  M.,  Rogoff,  K.  (1994)  Exchange  Rate  Dynamics  Redux. Published: 
Journal of Political Economy 102 (June 1995), pp 624-660. 
2. Dua,  P.,  Ranjan,  R. (2011) Modelling and forecasting the Indian RE/US dollar 
exchange rate. http://econpapers.repec.org/paper/cdecdewps/197.htm 
3. Ghalayini,  L.  (2014)  Modeling  and forecasting the US dollar/euro exchange 
rate. International Journal of Economics and Finance, 6(1):194-207. 
4. Balter,  A.,  Dumitrescu,  E.I.,  Hensen,  P.R.  (2015)  Exchange  rate  volatility 
forecasting:  a  multivariate  Realized-GARCH  approach.  https:// 
forecasters.org/wp-content/uploads/E.Dumitrescu_SAS-grant-report.pdf 
5. Bayas, A. C. (2018). Currency Risk Management: Predicting the EUR/USD 
Exchange Rate. Retrieved from 
https://digitalcommons.wpi.edu/mqp-all/3661 
6. Kamruzzaman,  J.,  Sarker,  R.A.  (2004)  Forecasting  of  currency  exchange 
rates  using  ANN:  A  case  study.  DOI:  10.1109/ICNNSP.2003.1279395 
Source: IEEE Xplore 
7. Rojas,  C.G.,  Herman,  M., (2018) Foreign Exchange Forecasting via Machine 
Learning http://cs229.stanford.edu/proj2018/report/76.pdf 
8. Nagpure,  A.R.  (2019)  Prediction  of  Multi-Currency  Exchange  Rates  Using 
Deep  Learning.  International  Journal  of  Innovative  Technology  and 
Exploring  Engineering  (IJITEE)  ISSN:  2278-3075,  Volume-8  Issue-6,  April 
2019