In recent years, more forecasting s

In recent years, more forecasting success is being reported from the use of innovative
econometric methods, such as switching models, factor models and better forecast test
statistics. For example, Nikolsko-Rzhevskyy and Prodan (2012) suggest modelling the
exchange rate as a 2-state Markov switching random walk with drift and demonstrate
that this model strongly outperforms the random walk at both short and long horizons.
There is also a growing literature on using factor analysis in modelling exchange
rates. For example, Engel, Mark and West (2012) construct I(1) factors from a cross
3section of 17 quarterly exchange rates and use the idiosyncratic deviations from the
factors for forecasting. They demonstrate that forecasts using factors, and using factors
combined with PPP fundamentals improve on random walk benchmark for the
sample 1999–2007. Greenaway-McGrevy, Mark, Sul and Wu (2012) apply a similar
methodology to a panel of 23 monthly bilateral exchange rates with the U.S. dollar for
the period January 1999 to December 2010. They identify counterparts of the three
factors to be euro/dollar, yen/dollar and swiss frank/dollar exchange rate. The authors
demonstrate that the exchange rate model incorporating factors has a significant
predictive power. Like many other recent papers, these two studies focus on improved
asymptotic forecasting tests, in particular the Clark-West test, to assist in the success
of their estimation models in defeating the random walk.
Our approach extracts common components in the movements of bilateral exchange
rates, utilizing the principal components for forecasting. We also call them ‘factors’
although the PCA method is different from factor analysis in several aspects. In particular,
there is an explicit model in factor analysis for unobservable factors and their
relationship with the variables of interest. Also, the principal components in PCA are
orthogonal to each other while the factors in factor models need not be. We do not
use I(1) factors as Engel et al. (2012) and Greenaway-McGrevy et al. (2012). Instead,
we are interested in principal component analysis and since it can only be applied generally
to stationary (or non-integrated) time series, we consider percentage changes of
the exchange rates. In this respect our approach is similar to Lustig, Roussanov and
Verdelhan (2011) who also consider changes in exchange rates and identify a global
risk factor driving these changes. However, their focus is more on asset pricing and
they are not directly interested in forecasting.
One advantage of using principal component analysis is that we concentrate on a
subset of the estimated factors, which are the most important for explaining the cross-
4sectional variance in the percentage changes of exchange rates. However, this approach
has a disadvantage: the constructed factors do not always have obvious interpretations.
Using fifteen monthly percentage changes in bilateral exchange rates against the U.S.
dollar since 1999, the purpose of this paper is to identify the most important estimated
factor (or component) that drives changes in all the bilateral U.S. exchange rates.
Given the commonality of the U.S. in this dataset of bilateral exchange rates, we conjecture
that this factor is closely related to U.S. fundamentals, including both nominal
and real macroeconomic variables, and financial market variables. The dominance of
the U.S. for this factor is also recommended because it is the world’s major economy
and its safe haven in times of uncertainty. We find this conjecture is supported, and
further that other countries, however large, play no statistical part. Using the information
yielded by this factor alone, we find that we can forecast the levels of bilateral
exchange rates significantly better than the random walk (using the Clark-West test)
for almost all currencies considered in the sample. In addition to monthly data we also
consider weekly and daily data. We find that the first principal component is useful
for forecasting at a weekly frequency but cannot beat the random walk for daily data.
The rest of the paper is organised as follows. Section 2 performs the principal component
analysis, identifies the main factor and links it to the U.S. macro and financial
variables. Section 3 discusses the relationship between the first principal component
and the fundamentals across the time. Section 4 presents the results of exchange rate
forecasting using monthly data. Section 5 focuses on exchange rate forecasting using
weekly and daily frequencies. Section 6 concludes.

ผลลัพธ์ (ไทย) 1:

ในปีที่ผ่านมา ความสำเร็จที่คาดการณ์เพิ่มเติมกำลังรายงานจากการใช้นวัตกรรมวิธี econometric เช่นการสลับรูปแบบ แบบจำลองปัจจัย และทดสอบดีกว่าคาดการณ์สถิติการ ตัวอย่าง Nikolsko Rzhevskyy และ Prodan (2012) แนะนำแบบจำลองอัตราแลกเปลี่ยนเป็นแบบ Markov 2 สถานะสลับเดินสุ่มกับดริฟท์ และสาธิตนี้รุ่นขอ outperforms เดินสุ่มที่ฮอลิซันส์ทั้งสั้น และยาวมีวรรณคดีที่เติบโตในการใช้วิเคราะห์ปัจจัยในการสร้างแบบจำลองที่แลกเปลี่ยนราคาพิเศษ ตัวอย่าง Engel เครื่องหมาย และทิศตะวันตก (2012) สร้าง I(1) ปัจจัยจากกางเขน3section รายไตรมาสที่ 17 อัตราแลกเปลี่ยน และใช้ความเบี่ยงเบน idiosyncratic จากการปัจจัยสำหรับการคาดการณ์ พวกเขาแสดงให้เห็นถึงการที่คาดการณ์โดยใช้ปัจจัย และการใช้ปัจจัยรวมกับ PPP พื้นฐานดีเดินสุ่มอย่างแท้จริงตัวอย่างปี 1999-2007 Greenaway McGrevy หมาย เน และวู (2012) ใช้คล้ายกันวิธีการที่แผงของ 23 เดือนทวิภาคีอัตราแลกเปลี่ยนกับดอลลาร์สหรัฐสำหรับช่วง 1999 มกราคมถึง 2553 ธันวาคม พวกเขาระบุคู่สามปัจจัยให้ อัตราแลกเปลี่ยนของแฟรงค์/ดอลลาร์ดอลลาร์/ยูโร เยน/ดอลลาร์ และสวิส ผู้เขียนแสดงให้เห็นว่า แบบจำลองอัตราแลกเปลี่ยนเพจปัจจัยมีความสำคัญพลังงานงาน เช่นในเอกสารล่าสุดอื่น ๆ ความศึกษาสองเหล่านี้ดีขึ้นasymptotic พยากรณ์ทดสอบ เฉพาะคลาร์ก-เวสท์ทดสอบ ให้ความช่วยเหลือในความสำเร็จรุ่นประเมินของพวกเขาในการเอาชนะเดินสุ่มของวิธีแยกส่วนประกอบทั่วไปในการเคลื่อนไหวของอัตราแลกเปลี่ยนระหว่างราคาพิเศษ ใช้คอมโพเนนต์หลักสำหรับการคาดการณ์ เรายังเรียก 'ปัจจัย'แม้ว่าวิธี PCA จะแตกต่างจากการวิเคราะห์ปัจจัยในด้านต่าง ๆ โดยเฉพาะมีรูปแบบชัดเจนในการวิเคราะห์ปัจจัยปัจจัย unobservable และของพวกเขาความสัมพันธ์กับตัวแปรที่น่าสนใจ ยัง มีส่วนประกอบหลักใน PCAorthogonal กันในขณะที่ปัจจัยในรูปแบบสัดส่วนต้องไม่ เราไม่ได้ใช้ปัจจัย I(1) Engel et al. (2012) และ al. et Greenaway McGrevy (2012) แทนเรามีความสนใจ ในการวิเคราะห์ส่วนประกอบหลัก และเนื่อง จากมันสามารถถูกใช้โดยทั่วไปกับชุดเครื่องเขียน (หรือไม่ใช่รวม) เวลา เราพิจารณาเปอร์เซ็นต์การเปลี่ยนแปลงของอัตราแลกเปลี่ยน ในนี้ ของเราวิธีจะคล้ายกับ Lustig, Roussanov และVerdelhan (2011) ที่ยังพิจารณาการเปลี่ยนแปลงในอัตราแลกเปลี่ยน และระบุสากลปัจจัยเสี่ยงที่เปลี่ยนแปลงเหล่านี้ขับรถ อย่างไรก็ตาม โฟกัสของพวกเขาเป็นข้อมูลเพิ่มเติมเกี่ยวกับการกำหนดราคาสินทรัพย์ และพวกเขาจะไม่สนใจโดยตรงในการคาดการณ์ประโยชน์ข้อหนึ่งของการใช้การวิเคราะห์ส่วนประกอบหลักคือ ว่า เรามีสมาธิในการย่อยของการประเมิน ที่สำคัญสุดสำหรับอธิบายข้าม-ผลต่าง 4sectional ในเปอร์เซ็นต์การเปลี่ยนแปลงของอัตราแลกเปลี่ยน อย่างไรก็ตาม วิธีการนี้มีข้อเสียเปรียบ: ปัจจัยสร้างเสมอไม่ชัดเจนตีความใช้ห้าเดือนเปอร์เซ็นต์การเปลี่ยนแปลงในอัตราแลกเปลี่ยนระดับทวิภาคีกับสหรัฐอเมริกาดอลลาร์ นับตั้งแต่ปี 1999 วัตถุประสงค์ของเอกสารนี้คือการ ระบุสำคัญโดยประมาณปัจจัย (หรือส่วนประกอบ) ที่ขับเปลี่ยนแปลงในทั้งหมดทวิภาคีสหรัฐฯ อัตราแลกเปลี่ยนเรากำหนด commonality ของสหรัฐฯ ในการนี้ชุดข้อมูลของอัตราแลกเปลี่ยนระหว่าง คาดคะเนว่า ปัจจัยนี้มีสัมพันธ์ใกล้ชิดกับสหรัฐฯ พื้นฐาน รวมทั้งว่ายอมและตัวแปรเศรษฐกิจมหภาคจริง และตัวแปรการตลาดทางการเงิน ปกครองของสหรัฐอเมริกาสำหรับปัจจัยนี้ยังแนะนำเนื่องจากเป็นเศรษฐกิจหลักของโลกและเป็นที่หลบภัยในความไม่แน่นอน เราพบข้อความคาดการณ์นี้ได้รับการสนับสนุน และเพิ่มเติมว่า ประเทศอื่น ๆ อย่างไรก็ตามขนาดใหญ่ เล่นส่วนหนึ่งทางสถิติ โดยใช้ข้อมูลผล โดยปัจจัยนี้อยู่คนเดียว เราพบว่า เราสามารถคาดการณ์ระดับของอัตราแลกเปลี่ยนอย่างมีนัยสำคัญดีกว่าเดินสุ่ม (ใช้ทดสอบคลาร์กตะวันตก)สำหรับสกุลเงินเกือบทั้งหมดที่พิจารณาจากตัวอย่าง นอกเหนือจากข้อมูลประจำเดือนเรายังพิจารณาข้อมูลรายสัปดาห์ และรายวัน เราพบว่า ส่วนประกอบหลักแรกเป็นประโยชน์สำหรับการคาดการณ์ความถี่ประจำสัปดาห์ แต่ไม่สามารถตีเดินสุ่มข้อมูลประจำวันบทเหลือของกระดาษดังนี้ 2 ส่วนทำงานส่วนประกอบหลักวิเคราะห์ ระบุปัจจัยหลัก และลิงค์แมสหรัฐฯ ทางการเงินตัวแปร หมวดที่ 3 กล่าวถึงความสัมพันธ์ระหว่างส่วนประกอบหลักแรกและข้อมูลพื้นฐานของข้ามเวลา 4 ส่วนแสดงผลของอัตราแลกเปลี่ยนการคาดการณ์โดยใช้ข้อมูลรายเดือน 5 ส่วนเน้นการคาดการณ์โดยใช้อัตราแลกเปลี่ยนความถี่รายสัปดาห์ และรายวัน ส่วนที่ 6 สรุป

ผลลัพธ์ (ไทย) 2:

ในปีที่ผ่านมาประสบความสำเร็จในการคาดการณ์มากขึ้นจะถูกรายงานจากการใช้นวัตกรรมวิธีการทางเศรษฐมิติเช่นการเปลี่ยนรูปแบบจำลองปัจจัยและการทดสอบการคาดการณ์ที่ดีกว่าสถิติ ยกตัวอย่างเช่น Nikolsko-Rzhevskyy และ Prodan (2012) ชี้ให้เห็นการสร้างแบบจำลองอัตราแลกเปลี่ยนเป็น2 รัฐมาร์คอฟเปลี่ยนเดินสุ่มกับดริฟท์และแสดงให้เห็นว่ารุ่นนี้เป็นอย่างยิ่งมีประสิทธิภาพดีกว่าเดินสุ่มทั้งขอบฟ้าสั้นและระยะยาว. นอกจากนี้ยังมีวรรณกรรมที่กำลังเติบโต เกี่ยวกับการใช้การวิเคราะห์ปัจจัยในการแลกเปลี่ยนการสร้างแบบจำลองอัตรา ยกตัวอย่างเช่นอีมาร์คและเวสต์ (2012) สร้างผม (1) ปัจจัยจากการข้าม3section 17 อัตราแลกเปลี่ยนรายไตรมาสและใช้การเบี่ยงเบนที่มีนิสัยแปลกจากปัจจัยในการพยากรณ์ พวกเขาแสดงให้เห็นว่าการคาดการณ์โดยใช้ปัจจัยและการใช้ปัจจัยบวกกับปัจจัยพื้นฐานของพรรคพลังประชาชนในการปรับปรุงมาตรฐานเดินสุ่มสำหรับตัวอย่าง1999-2007 กรีน-McGrevy มาร์คโดซูลและวู (2012) ใช้คล้ายกับวิธีการที่จะแผง23 อัตราแลกเปลี่ยนทวิภาคีรายเดือนที่มีค่าเงินดอลลาร์สหรัฐสำหรับเดือนมกราคมปี1999 ถึงเดือนธันวาคม 2010 พวกเขาระบุคู่ของทั้งสามปัจจัยที่จะเป็นยูโร/ ดอลลาร์ เยน / ดอลลาร์และแฟรงก์สวิส / ดอลลาร์อัตราแลกเปลี่ยน ผู้เขียนแสดงให้เห็นว่ารูปแบบอัตราแลกเปลี่ยนผสมผสานปัจจัยที่มีนัยสำคัญอำนาจในการพยากรณ์ เช่นเดียวกับเอกสารจำนวนมากล่าสุดอื่น ๆ ทั้งสองการศึกษามุ่งเน้นไปที่การปรับปรุงการทดสอบการคาดการณ์เชิงโดยเฉพาะอย่างยิ่งการทดสอบคลาร์กเวสต์เพื่อช่วยในความสำเร็จของรูปแบบการประมาณค่าของพวกเขาในการเอาชนะเดินสุ่ม. วิธีการของเราสารสกัดจากส่วนประกอบที่พบบ่อยในการเคลื่อนไหวของการแลกเปลี่ยนทวิภาคีอัตราการใช้องค์ประกอบหลักในการพยากรณ์ นอกจากนี้เรายังเรียกพวกเขา 'ปัจจัย' แม้ว่าวิธี PCA จะแตกต่างจากการวิเคราะห์ปัจจัยในหลายแง่มุม โดยเฉพาะอย่างยิ่งมีรูปแบบที่ชัดเจนในการวิเคราะห์ปัจจัยปัจจัยสำรวจของพวกเขาและความสัมพันธ์กับตัวแปรที่น่าสนใจ นอกจากนี้องค์ประกอบหลักใน PCA เป็นมุมฉากกับแต่ละอื่นๆ ในขณะที่ปัจจัยในรูปแบบปัจจัยที่ไม่จำเป็นต้องเป็น เราไม่ได้ใช้ผม (1) ปัจจัยที่เป็นอี et al, (2012) และกรีน-McGrevy et al, (2012) แต่เรามีความสนใจในการวิเคราะห์องค์ประกอบหลักและเนื่องจากมันสามารถนำมาประยุกต์ใช้โดยทั่วไปจะนิ่ง(หรือไม่รวม) อนุกรมเวลาเราจะพิจารณาการเปลี่ยนแปลงร้อยละของอัตราแลกเปลี่ยน ในแง่นี้วิธีการของเราก็คล้าย ๆ กับลุสติ, Roussanov และVerdelhan (2011) ที่ยังพิจารณาการเปลี่ยนแปลงของอัตราแลกเปลี่ยนและทั่วโลกระบุปัจจัยเสี่ยงขับรถการเปลี่ยนแปลงเหล่านี้ แต่โฟกัสของพวกเขามากขึ้นในการกำหนดราคาของสินทรัพย์และพวกเขาจะไม่สนใจโดยตรงในการพยากรณ์. ข้อดีอย่างหนึ่งของการใช้การวิเคราะห์องค์ประกอบหลักคือการที่เรามีสมาธิในส่วนหนึ่งของปัจจัยที่คาดซึ่งเป็นสิ่งสำคัญที่สุดสำหรับการอธิบายข้ามแปรปรวน4sectional ใน การเปลี่ยนแปลงร้อยละของอัตราแลกเปลี่ยน แต่วิธีนี้มีข้อเสีย:. ปัจจัยที่สร้างไม่เคยมีการตีความที่ชัดเจนโดยใช้สิบห้าการเปลี่ยนแปลงร้อยละรายเดือนในอัตราแลกเปลี่ยนในระดับทวิภาคีกับสหรัฐดอลลาร์ตั้งแต่ปี1999 จุดประสงค์ของบทความนี้คือการระบุประมาณที่สำคัญที่สุดปัจจัย(หรือส่วนประกอบ ) ที่ไดรฟ์การเปลี่ยนแปลงในทุกอัตราแลกเปลี่ยนสหรัฐทวิภาคี. ป.ร. ให้คนธรรมดาสามัญของสหรัฐในชุดของอัตราแลกเปลี่ยนในระดับทวิภาคีนี้เราคาดว่าปัจจัยนี้จะต้องเกี่ยวข้องกับปัจจัยพื้นฐานของสหรัฐรวมทั้งระบุตัวแปรเศรษฐกิจมหภาคและจริงและตัวแปรตลาดการเงิน. การปกครองของสหรัฐอเมริกาสำหรับปัจจัยนี้ยังแนะนำเพราะมันเป็นเศรษฐกิจที่สำคัญของโลกและที่หลบภัยในช่วงเวลาของความไม่แน่นอน เราพบการคาดเดานี้ได้รับการสนับสนุนและต่อประเทศอื่น ๆ ที่มีขนาดใหญ่ แต่เล่นไม่ได้มีส่วนสถิติ โดยใช้ข้อมูลที่ให้ผลโดยปัจจัยนี้เพียงอย่างเดียวเราจะพบว่าเราสามารถคาดการณ์ระดับทวิภาคีของอัตราแลกเปลี่ยนอย่างมีนัยสำคัญดีกว่าเดินสุ่ม(โดยใช้การทดสอบคลาร์กเวสต์) สกุลเงินเกือบทั้งหมดพิจารณาในตัวอย่าง นอกจากข้อมูลรายเดือนเรายังพิจารณาข้อมูลสัปดาห์และรายวัน เราพบว่าองค์ประกอบหลักแรกจะเป็นประโยชน์สำหรับการคาดการณ์ที่ความถี่รายสัปดาห์ แต่ไม่สามารถเอาชนะเดินสุ่มสำหรับข้อมูลในชีวิตประจำวัน. ส่วนที่เหลือของกระดาษที่ถูกจัดขึ้นดังต่อไปนี้ ส่วนที่ 2 ดำเนินการองค์ประกอบหลักวิเคราะห์ระบุปัจจัยหลักและการเชื่อมโยงไปยังสหรัฐอเมริกาและมหภาคการเงินตัวแปร ส่วนที่ 3 กล่าวถึงความสัมพันธ์ระหว่างองค์ประกอบหลักแรกและพื้นฐานข้ามเวลา หมวดที่ 4 นำเสนอผลของอัตราแลกเปลี่ยนการคาดการณ์โดยใช้ข้อมูลรายเดือน หมวดที่ 5 มุ่งเน้นไปที่การคาดการณ์อัตราแลกเปลี่ยนโดยใช้ความถี่สัปดาห์และรายวัน มาตรา 6 สรุป

ผลลัพธ์ (ไทย) 3:

ใน ปี ล่าสุด มากกว่าการพยากรณ์ความสำเร็จคือการรายงานจากการใช้วิธีทางเศรษฐมิติใหม่
เช่นการสลับองปัจจัย และดีกว่าคาดทดสอบ
สถิติ ตัวอย่างเช่น nikolsko rzhevskyy และ prodan ( 2012 ) แนะนำแบบจำลอง
อัตราแลกเปลี่ยนเป็น 2-state แบบสลับสุ่มเดินลอย และสาธิต
ว่ารุ่นนี้ขอโปรโตเดินสุ่ม ทั้งในระยะสั้นและระยะยาว ขอบเขต
ยังมีเติบโตในวรรณคดีโดยใช้การวิเคราะห์ปัจจัยในแบบจำลองอัตราแลกเปลี่ยน

ตัวอย่างเช่น แองเจล มาร์คและตะวันตก ( 2012 ) สร้าง ( 1 ) ปัจจัยจากข้าม
3section 17 รายไตรมาสที่อัตราแลกเปลี่ยนและใช้ความแตกต่างมีจาก
ปัจจัยในการพยากรณ์พวกเขาแสดงให้เห็นว่าการคาดการณ์การใช้ปัจจัยและใช้ปัจจัย
รวมกับพื้นฐาน PPP ปรับปรุงมาตรฐานเดินสุ่มสำหรับ
ตัวอย่าง 2542 – 2550 mcgrevy กรีน เวย์ และ มาร์ค ซุลวู ( 2012 ) ใช้วิธีการคล้ายกัน
ไปที่แผง 23 เดือนทวิภาคีอัตราแลกเปลี่ยนกับเงินดอลลาร์สหรัฐสำหรับ
ช่วงมกราคม 2542 ถึงธันวาคม 2553 พวกเขาระบุคู่ของ 3
ปัจจัยที่เป็นยูโร / ดอลลาร์ , เยน / ดอลลาร์ และ สวิส แฟรงค์ / อัตราแลกเปลี่ยนดอลลาร์ . ผู้เขียนแสดงให้เห็นว่าอัตราแลกเปลี่ยน

มีรูปแบบผสมผสานปัจจัยสําคัญอำนาจพยากรณ์ . เช่น เอกสารล่าสุดอื่น ๆอีกมากมาย เหล่านี้สองการศึกษามุ่งเน้นการปรับปรุง
แหล่งการพยากรณ์การทดสอบ โดยเฉพาะคลาร์กตะวันตกทดสอบเพื่อช่วยในความสำเร็จ
รูปแบบการประมาณค่าของพวกเขาในการเอาชนะเดินสุ่ม วิธีการสกัดองค์ประกอบทั่วไป

ระหว่างการเคลื่อนไหวของอัตราแลกเปลี่ยน โดยใช้องค์ประกอบหลักในการพยากรณ์ เรายังเรียกพวกเขา ' ปัจจัย '
ถึงแม้ว่า PCA วิธีการจะแตกต่างจากการวิเคราะห์ปัจจัยหลายๆด้าน โดย
มีรูปแบบชัดเจนในการวิเคราะห์ปัจจัย ปัจจัย unobservable
และของพวกเขาความสัมพันธ์กับตัวแปรที่สนใจ นอกจากนี้ ส่วนประกอบหลักใน PCA มี
) กับแต่ละอื่น ๆในขณะที่ปัจจัยในรูปแบบปัจจัยไม่ต้อง . เราไม่ได้
ใช้ผม ( 1 ) ปัจจัยที่เป็นแองเจล et al . ( 2012 ) และ กรีน เวย์ mcgrevy et al . ( 2012 ) แทน
เราสนใจในการวิเคราะห์องค์ประกอบหลักและเนื่องจากมันสามารถใช้โดยทั่วไป
จะนิ่ง ( หรือไม่รวม ) อนุกรมเวลาเราพิจารณาการเปลี่ยนแปลงของอัตราแลกเปลี่ยนค่า
. ในส่วนนี้ วิธีการของเรา คล้ายกับตลก roussanov
, และ verdelhan ( 2011 ) ที่ยังพิจารณาการเปลี่ยนแปลงในอัตราแลกเปลี่ยนและระบุทั่วโลก
ปัจจัยเสี่ยงขับรถการเปลี่ยนแปลงเหล่านี้ อย่างไรก็ตาม โฟกัสของพวกเขาในการกำหนดราคาสินทรัพย์ และพวกเขาไม่ได้โดยตรงสนใจ

ในการพยากรณ์ประโยชน์ข้อหนึ่งของ โดยใช้การวิเคราะห์องค์ประกอบหลักคือเราฝักใฝ่
ย่อยของประเมินปัจจัย ซึ่งเป็นสิ่งที่สำคัญที่สุด สำหรับการอธิบายข้าม -
4sectional แปรปรวนร้อยละการเปลี่ยนแปลงของอัตราแลกเปลี่ยน อย่างไรก็ตาม วิธีการนี้
ข้อเสีย : สร้างปัจจัยไม่เสมอมีการตีความที่ชัดเจน
ใช้ 15 เดือน ร้อยละการเปลี่ยนแปลงของอัตราแลกเปลี่ยนเงินตราทวิภาคีกับดอลลาร์สหรัฐ
ตั้งแต่ปี 2542 การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษา ปัจจัยที่สำคัญที่สุดที่ประมาณ
( หรือส่วนประกอบ ) ที่เปลี่ยนแปลงในทวิภาคีสหรัฐอัตราแลกเปลี่ยน .
ระบุ commonality ของสหรัฐอเมริกาในนี้ข้อมูลอัตราการแลกเปลี่ยนเงินตราทวิภาคี เราเดา
ปัจจัยนี้เกี่ยวข้องกับสหรัฐความรู้พื้นฐาน ทั้งชื่อ และตัวแปรทางเศรษฐศาสตร์มหภาค
จริงและตัวแปรของตลาดการเงิน การปกครองของ
สหรัฐฯ ปัจจัยนี้แนะนำเพราะมัน
เศรษฐกิจหลักของโลก และยังปลอดภัยในช่วงเวลาของความไม่แน่นอน เราพบการคาดเดานี้คือการสนับสนุนและ
ต่อไปที่ประเทศอื่นแต่ขนาดใหญ่เล่นอย่างมีนัยสำคัญทางสถิติ ส่วน โดยใช้ข้อมูล
ผลจากปัจจัยนี้โดยลำพัง เราพบว่า เราสามารถปรับระดับของอัตราการแลกเปลี่ยนเงินตราทวิภาคี
อย่างมีนัยสำคัญดีกว่าเดินสุ่ม ( โดยใช้คลาร์กตะวันตกทดสอบ )
เกือบจะทุกสกุลเงินถือว่าในตัวอย่าง นอกจากนี้เรายังให้ข้อมูลรายเดือนรายสัปดาห์และรายวัน
พิจารณาข้อมูล . เราพบว่าองค์ประกอบหลักแรกเป็นประโยชน์
สำหรับการพยากรณ์ที่ความถี่ รายสัปดาห์ แต่ไม่สามารถชนะเดินสุ่มข้อมูลรายวัน .
ส่วนที่เหลือของกระดาษจัดดังนี้ หมวด 2 การการวิเคราะห์องค์ประกอบ
หลัก ระบุปัจจัยหลักและการเชื่อมโยงกับตัวแปรมหภาคและการเงินอเมริกา

ส่วนที่ 3 กล่าวถึงความสัมพันธ์ระหว่างองค์ประกอบหลักแรก
และปัจจัยพื้นฐานในเวลาส่วนที่ 4 แสดงผลของอัตราแลกเปลี่ยน
การพยากรณ์โดยใช้ข้อมูลรายเดือน มาตรา 5 ที่เน้นการคาดคะเนอัตราแลกเปลี่ยน
รายสัปดาห์ และรายวัน โดยใช้ความถี่ มาตรา 6
แสดงความคิดเห็น