МОДЕЛЮВАННЯ ТА ПРОГНОЗУВАННЯ ВАЛЮТНОГО КУРСУ В УКРАЇНІ МЕТОДАМИ ШТУЧНОГО ІНТЕЛЕКТУ
Article Sidebar
Надіслано: 31-01-2025
Опубліковано: 30-06-2025
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
Проблема прогнозування фінансових показників, зокрема валютних курсів, належить до одних із найскладніших і найбільш актуальних завдань у сучасній економіці та фінансах. З початком повномасштабної війни росії проти України 24 лютого 2022 року складність і важливість прогнозування валютного курсу в Україні суттєво зросли. Прогнозування стало критично необхідним для підтримки національної економіки в умовах війни. Об'єктом дослідження є середньоринковий валютний курс гривні щодо долара США. Предметом дослідження є використання інструментальних і економіко-математичних методів штучного інтелекту й теорії нечітких множин для створення верифікованих прогнозів на період до двох років. У межах дослідження висунуто гіпотезу, що в умовах війни з 2025 року валютний курс гривні може знизитися вдвічі протягом двох років. Мета дослідження полягає в прогнозуванні валютного курсу в Україні за допомогою методів нейролінгвістичного моделювання, що дозволяє описувати фактори впливу на курс у лінгвістичній формі та отримувати прогнози у вигляді кількісних і якісних значень. У процесі дослідження визначено 16 основних факторів впливу, згрупованих за економічними, політичними та воєнними ознаками, які також описані в лінгвістичній формі. Результатом роботи стала економіко-математична модель прогнозування валютного курсу в Україні, на основі якої було здійснено прогноз на два роки. За оцінками, протягом цього періоду курс гривні до долара США може знизитися на 50%. Отримані результати можуть бути корисні для державних установ України в плануванні економічної політики в умовах війни, а також викликати інтерес у міжнародних організацій, агентств і фондів для розвитку економічних і фінансових відносин.
Article Details
Посилання
Advanter Group (2022). Official site. https://advanter.ua/
Asadullah, M., Bashir, A., & Aleemi, A. R. (2021). Forecasting Exchange Rates: An Empirical Application to Pakistani Rupee. The Journal of Asian Finance, Economics and Business, 8(4), 339-347. https://doi.org/10.13106/jafeb.2021.vol8.no4.0339
Al-Gounmein, R. S., & Ismail, M. T. (2020). Forecasting the exchange rate of the Jordanian Dinar versus the US dollar using a Box-Jenkins seasonal ARIMA Model. International Journal of Mathematics and Computer Science, 15(1), 27-40. https://future-in-tech.net/15.1/R-AlGounmeein.pdf
Bilenko, D., Kozlovskyi, S., Ivanyuta, N., Baidala, V., Lavrov, R., & Kozlovskyi, V. (2022). Efficiency Assessment of Tax Measures in the European Countries Against the Effects of COVID-19. Problems of sustainable development, 17(1), 16-22. https://doi.org/10.35784/pe.2022.1.02 DOI: https://doi.org/10.35784/pe.2022.1.02
Board (2022). Official site. https://board.business/
Boero, G., & Marrocu, E. (2002). The Performance of Non-linear Exchange Rate Models a Forecasting Comparison. Journal of Forecasting, 21(7), 513-542. http://dx.doi.org/10.1002/for.837 DOI: https://doi.org/10.1002/for.837
Ding, Y., Li, S., & Li, L. (2009). An Analysis on the Chaos Behavior of currency Exchange Rate Undulation. First International Workshop on Education Technology and Computer Science, 2, 599-602. http://dx.doi.org/10.1109/ETCS.2009.394 DOI: https://doi.org/10.1109/ETCS.2009.394
Dunis, C. L., Laws, J., & Sermpinis, G. (2009). Modeling and trading the EUR/USD exchange rate at the ECB fixing. European Journal Finance, 16(6), 541-560. http://dx.doi.org/10.1080/13518470903037771 DOI: https://doi.org/10.1080/13518470903037771
Federici, D., & Gandolfo, G. (2011). The Euro/Dollar Exchange Rate: Chaotic or Non-Chaotic? Esifo Area Conference on Macro. Money and International Finance, Munich. https://www.econstor.eu/bitstream/10419/46414/1/66018074X.pdf DOI: https://doi.org/10.2139/ssrn.1824229
Hetmantsev, D. (2010). The state as a party to a financial and legal obligation. Pravo Ukraini, 8, 130-134. https://pravoua.com.ua/uk/store/pravoukr/pravoukr_2010_8
Huang, S. C., Chuang, P. J., Wu, C. F., & Lai, H. J. (2010). Chaos-based support vector regressions for exchange rate forecasting. Expert Systems with Applications, 37(12), 8590-8598. http://dx.doi.org/10.1016/j.eswa.2010.06.001 DOI: https://doi.org/10.1016/j.eswa.2010.06.001
IMF «International Monetary Fund» (2024). Official site. https://www.imf.org
Kaletnik, G. M., Zabolotnyi, G. M., & Kozlovskyi, S. V. (2011). Innovative models of strategic management economic potential within contemporary economic systems. Actual Problems of Economics, 4(118), 3-11. http://socrates.vsau.org/repository/getfile.php/24702.pdf
Kozlovskyi, S. V. (2001). Application of the latest methods of modeling the state of the currency market of Ukraine. Bulletin of the Ternopil Academy of National Economy, 12, 80-91.
Kozlovskyi, S. V., & Kozlovskyi, V. O. (2005). Macroeconomic modelling and forecasting of the exchange rate in Ukraine. Vinnytsia: Kniga-Vega.
Kozlovskyi, S. V., & Gerasimenko, Y. V. (2007). Investment processes modelling in Ukraine agroindustrial complex. Vinnytsia: Globe Press.
Kozlovskyi, S. V., & Pchelyanska, G. O. (2010). Modeling of pricing processes in agroindustrial complex of Ukraine. Economics of APK, 2, 66-73.
Kozlovskyi, S. V. (2010). Management of modern economic systems, their development and suitability. Vinnytsia: Mercuri-Podillia.
Kozlovskyi, S. V., & Kireieva, E. A. (2014). Management of regional food security on the basis of the innovative method of modeling – fuzzy logic. Economy and state, 3, 18-23. http://www.economy.in.ua/pdf/3_2014/5.pdf
Kozlovskyi, S. V., & Burlaka, O. M. (2014). Modelling and forecasting of sustainability of the region's agrarian sector on the basis of the theory of fuzzy logic. Еconomic forum, 3, 83-96. https://e-forum.com.ua/uk/journals/tom-1-3-2014
Kozlovskyi, S. V., & Zhurakivskyi, Y. S. (2016). Modelling and forecasting the level of economic safety of the agrarian sector of Vinnitsa region by means of the fuzzy logic theory. Economic Prostir, 107, 112-125.
Kozlovskyi, S. V., & Mazur, H. F. (2017). Simulation and forecasting of the level of state stimulation of agroindustrial production in Ukraine on the basis of the theory of fuzzy logic. Еconomy and state, 9, 8-15. http://www.economy.in.ua/pdf/9_2017/4.pdf
Kozlovskyi, S., Butyrskyi, A., Poliakov, B., Bobkova, A., Lavrov, R., & Ivanyuta, N. (2019). Management and comprehensive assessment of the probability of bankruptcy of Ukrainian enterprises based on the methods of fuzzy sets theory. Problems and Perspectives in Management, 17(3), 370-381. http://dx.doi.org/10.21511/ppm.17(3).2019.30 DOI: https://doi.org/10.21511/ppm.17(3).2019.30
Kozlovskyi, S., Nikolenko, L., Peresada, O., Pokhyliuk, O., Yatchuk, O., Bolgarova, N., & Kulhanik, O. (2020). Estimation level of public welfare on the basis of methods of intellectual analysis. Global Journal of Environmental Science and Management, 6(3), 355-372. http://dx.doi.org/10.22034/gjesm.2020.03.06
Kozlovskyi, S., Petrunenko, Ia., Baidala, V., Myronchuk, V., & Kulinich, T. (2021a). Assessment of public welfare in Ukraine in the context of the COVID-19 pandemic and economy digitalization. Problems and Perspectives in Management, 19(1), 416-431. http://dx.doi.org/10.21511/ppm.19(1).2021.35 DOI: https://doi.org/10.21511/ppm.19(1).2021.35
Kozlovskyi, S., Khadzhynov, I., Varshavska, N., Petrunenko, Ia., Draskovic, M., Korniichuk, O., & Lavrov, R. (2021b). Competitiveness of the agrarian sector of Ukraine in the conditions of integration to the European market. Montenegro: ELIT, Podgorica. https://r.donnu.edu.ua/bitstream/123456789/1503/1/Book_Oblojka_Kozlovskyi_et_al_2021.pdf
Kozlovskyi, S., Bilenko, D., Ivanyuta, N., Tomchuk, O., Prykaziuk, N., & Lobova, O. (2021c). Comparative Assessment of the Different Cryptocurrencies Investment Efficiency on the Different Time Periods. Montenegrin Journal of Economics, 17(4), 189-198. https://r.donnu.edu.ua/bitstream/123456789/1503/1/Book_Oblojka_Kozlovskyi_et_al_2021.pdf DOI: https://doi.org/10.14254/1800-5845/2021.17-4.17
Kvetnyi, R. N., & Kozlovskyi, S. V. (2001). Mathematical modeling of the state currency market, on the basis of fuzzy logic. Visnyk VPI, 2(35), 47-58.
Lin, C. S., Chiu, S. H., & Lin, T. Y. (2012). Empirical mode decomposition–based least squares support vector regression for foreign exchange rate forecasting. Economic Modelling, 29(6), 2583-2590. http://dx.doi.org/10.1016/j.econmod.2012.07.018 DOI: https://doi.org/10.1016/j.econmod.2012.07.018
Lech, A. (2003). Risk Management – Key to Stability. WIB Publishing House, Warsaw.
Matviychuk, A., Lukianenko, O., & Miroshnychenko, I. (2019). Neuro-fuzzy model of country’s investment potential assessment. Fuzzy Economic Review, 24(2). http://www.sigef.net/2014-09-26-07-16-23/summaries-and-abstracts/item/653-neuro-fuzzy-model-of-country-s-investment-potential-assessment DOI: https://doi.org/10.25102/fer.2019.02.04
Miciuła, I. (2014). The Concept of FTS Anylysis in Forecasting Trends of Exchange Rate Changes. Economics & Sociology, 7(2), 172-182. https://www.economics-sociology.eu/files/19_95_Miciula.pdf DOI: https://doi.org/10.14254/2071-789X.2014/7-2/14
Meade, N. (2002). A comparison of the accuracy of short term foreign exchange. International Journal of Forecasting, 18(1), 67-83. https://doi.org/10.1016/S0169-2070(01)00111-X DOI: https://doi.org/10.1016/S0169-2070(01)00111-X
MEU «Ministry of Economy of Ukraine» (2022). Official site. https://www.me.gov.ua
MFU «Ministry of Finance of Ukraine» (2022). Official site. https://www.mof.gov.ua
Moosa, I.A. (2000). Technical Analysis. In: Exchange Rate Forecasting: Techniques and Applications. Finance and Capital Markets Series. Palgrave Macmillan, London. https://link.springer.com/chapter/10.1057/9780230379008_7 DOI: https://doi.org/10.1057/9780230379008_7
NBU «National Bank of Ukraine» (2022). Official site. https://bank.gov.ua
Oliinyk, V., & Kozmenko, S. (2019). Forecasting and management of gross domestic product. Journal of International Studies, 12(4), 214-228. https://www.jois.eu/files/14_799_Oliinyk_Kozmenko.pdf DOI: https://doi.org/10.14254/2071-8330.2019/12-4/14
Panoshichen, Y., Kozachko, O., & Panoshichena, I., (2010). Fuzzy model for assessing the creditworthiness of individuals-borrowers of commercial banks. Vis. HNU., 1(t2), 161-168.
Pratar, R. (1999). Getting started with Matlab 5. A quick introduction for scientists and engineers. Oxford University Press. https://books.google.com.ua/books/about/Getting_Started_with_MATLAB_5.html?id=CoKPQgAACAAJ&redir_esc=y
Poon, S., & Granger, C. W. J. (2003). Forecasting volatility in financial markets: A review. Journal of Economic Literature, 41, 478-538. https://www.aeaweb.org/articles?id=10.1257/002205103765762743 DOI: https://doi.org/10.1257/jel.41.2.478
Qia, M., & Wu, Y. (2002). Nonlinear prediction of exchange rates with monetary fundamentals. Journal of Empirical Finance, 10(5), 623-640. http://dx.doi.org/10.1016/S0927-5398(03)00008-2 DOI: https://doi.org/10.1016/S0927-5398(03)00008-2
Radhwan, A., Kamel, M., Dahad, M., & Hassanien, A. (2015). Forecasting Exchange Rates: A Chaos-Based Regression Approach. International Journal of Rough Sets and Data Analysis, 2(1), 38-57. https://www.igi-global.com/article/forecasting-exchange-rates/122778 DOI: https://doi.org/10.4018/ijrsda.2015010103
Rotshtein, A. (1999). Intellectual identification technologies: fuzzy logic, genetic algorithms, neural networks. Vinnytsia: Universum. http://pdf.lib.vntu.edu.ua/books/2019/Rotshtejn_1999_320.pdf
Rotshtein, A., & Shtovba, S. (2009). Modeling of the Human Operator Reliability with the Aid of the Sugeno Fuzzy Knowledge Base. Automation and Remote Control, 70, 163-169. http://dx.doi.org/10.1134/S0005117909010123 DOI: https://doi.org/10.1134/S0005117909010123
Rotshtein, A., & Shtovba, S. (2007). Genetic Optimization of Multidimensional Technological Process Reliability. Computational Intelligence in Reliability Engineering (SCI), 39, 287-300. https://link.springer.com/chapter/10.1007/978-3-540-37368-1_9 DOI: https://doi.org/10.1007/978-3-540-37368-1_9
Rotshtein, A.P., & Shtovba, S.D. (2002). Influence of Defuzzification Methods on the Rate of Tuning a Fuzzy Model. Cybernetics and Systems Analysis, 38, 783-789. https://link.springer.com/article/10.1023/A:1021851228684 DOI: https://doi.org/10.1023/A:1021851228684
Sharma, S., Aggarwal, V., & Yadav, M.P. (2021). Comparison of linear and non-linear GARCH models for forecasting volatility of select emerging countries. Journal of Advances in Management Research, 18(4), 526-547. http://dx.doi.org/10.1108/JAMR-07-2020-0152 DOI: https://doi.org/10.1108/JAMR-07-2020-0152
Schröder, M., & Dornau, R. (2000). Do Forecasters use Monetary Models? An Empirical Analysis of Exchange Rate Expectations. Applied Financial Economics, 12(8), 535-543. http://dx.doi.org/10.1080/09603100010013646 DOI: https://doi.org/10.1080/09603100010013646
Strozzi, F., & Comenges, J. M. Z. (2006). Towards a non-linear trading strategy for financial time series. Chaos, Solitons, and Fractals, 28(3), 601-615. http://dx.doi.org/10.1016/j.chaos.2005.08.006 DOI: https://doi.org/10.1016/j.chaos.2005.08.006
Strozzi, F., & Zaldivar, J. M. (2005). Non-linear forecasting in high-frequency financial time series. Physica A: Statistical Mechanics and its Applications, 353, 463-479. http://dx.doi.org/10.1016/j.physa.2005.01.047 DOI: https://doi.org/10.1016/j.physa.2005.01.047
The World Bank (2024). Official site. https://www.worldbank.org
Torkamani, M. A., Mahmoodzadeh, S., Pourroostaei, S., & Lucas, C. (2007). Chaos Theory and Application in Foreign Exchange Rates vs. IRR (Iranian Rial). International Journal of Humanities and Social Science, 1(3). https://www.researchgate.net/publication/239602450_Chaos_Theory_and_Application_in_Foreign_Exchange_Rates_vs_IRR_Iranian_Rial
Witkowska, D. (2005). Basic Econometrics and Forecasting Theory. Economic Publishing
House Cracow.
WTO «World Trade Organization» (2024). Official site. https://www.worldbank.org
Zadeh, L. (1976). The concept of a linguistic variable and its application to making approximate decisions. Information Sciences, 8(3), 199-249. https://doi.org/10.1016/0020-0255(75)90036-5 DOI: https://doi.org/10.1016/0020-0255(75)90036-5
Zhi, Su, Xuanye, Cai, & You, Wu (2022). Exchange rates forecasting and trend analysis after the COVID-19 outbreak: new evidence from interpretable machine learning. Applied Economics Letters, 30(15), 2052-2059. https://www.tandfonline.com/doi/full/10.1080/13504851.2022.2089621?needAccess=true DOI: https://doi.org/10.1080/13504851.2022.2089621