Dinggao Liu (The University of British Columbia) o efektach badania realizowanego wspólnie z dr. hab. Robertem Ślepaczukiem, prof. ucz.
Chętnie dzielimy się efektami badań, realizowanymi przez naukowców Wydziału wspólnie z badaczami z ośrodków z całego świata. Tym razem zapraszamy do wysłuchania wykładu, w trakcie którego Dinggao Liu (The University od British Columbia) przedstawi prelekcję pt. „A Time-Varying Interpretable Multi-Scale Transformer for Exchange Rate Returns Forecasting and Investment Decision Support”.
Współautorami badania są dr hab. Robert Ślepaczuk, prof. ucz. (Katedra Finansów Ilościowych i Uczenia Maszynowego WNE) oraz Zhenpeng Tang (Fujian Agriculture and Forestry University).
Na spotkanie zapraszamy 1 grudnia br. o godz. 18:30 do sali B002 (WNE, ul. Długa 44/50). Umożliwiamy również udział on-line.
(link: https://uw-edu-pl.zoom.us/j/91585591246?pwd=8FrBk2Il30OFS7CjOBuCTRoBcbPIU1.1). W celu uzyskania danych do logowania poprosimy o wiadomość mailową (gY/^&zP\v?rWn3'C%iLH-Z]#[XLyLs^7=33a9w&zLgNBQxG).
Prelekcja potrwa ok. 45 minut, po niej – zwyczajowo, odbędzie się dyskusja.
Wszystkich zainteresowanych wysłuchaniem wykładu prosimy o obecność możliwie na 5 minut przed jego rozpoczęciem. Abstrakt – dostępny jest jn.
---
Accurately forecasting daily exchange rate returns represents a longstanding challenge in international finance, as the exchange rate returns are driven by a multitude of correlated market factors and exhibit high-frequency fluctuations. This paper proposes EXFormer, a novel Transformer-based architecture specifically designed for forecasting the daily exchange rate returns. We introduce a multi-scale trend-aware self-attention mechanism that employs parallel convolutional branches with differing receptive fields to align observations on the basis of local slopes, preserving long-range dependencies while remaining sensitive to regime shifts. A dynamic variable selector assigns time-varying importance weights to 28 exogenous covariates related to exchange rate returns, providing pre-hoc interpretability. An embedded squeeze-and-excitation block recalibrates channel responses to emphasize informative features and depress noise in the forecasting. Using daily EUR/USD, USD/JPY, and GBP/USD returns, we conduct out-of-sample evaluations across five different sliding windows. The model consistently outperforms the random walk benchmark, improving directional accuracy by a statistically significant margin of 8.5-22.8%. Nearly one year of trading backtests shows that these statistical gains translate into economically meaningful performance, obtaining cumulative net returns of 7%, 19%, and 9% with Sharpe ratios exceeding 1.8 after transaction costs. The robustness checks further confirm the model’s superiority under high-volatility and bear-market regimes. EXFormer offers a practical, interpretable, and knowledge-driven tool into exchange rate dynamics for international investors, multinational firms, and policy institutions.