🤖 machine learning

Machine Learning and the Random Walk Puzzle: Forecasting the CAD/USD Exchange Rate with Expanding Window Evaluation and SHAP Interpretability

Diese Studie bewertet fünf Modelle des maschinellen Lernens gegenüber einem naiven Random-Walk-Benchmark für die Prognose des monatlichen USD/CAD-Wechselkurses von 2017 bis 2026 und stellt fest, dass die lineare Regression statistisch zwar den Random Walk übertrifft, die meisten ML-Modelle jedoch nur marginale Verbesserungen bieten und stark auf jüngste Lags angewiesen sind, was die inhärente Schwierigkeit der Wechselkursprognose bestätigt.

Ursprüngliche Autoren: Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, den Preis einer Tasse Kaffee für morgen zu erraten. Sie könnten komplexe Wetterlagen, globale Lieferketten für Kaffeebohnen oder die Stimmung der Baristas weltweit analysieren. Oder Sie könnten einfach davon ausgehen, dass der Preis morgen exakt derselbe ist wie heute.

Dieses Papier ist im Wesentlichen ein Wettkampf mit hohem Einsatz zwischen diesen beiden Ansätzen, aber anstatt Kaffee ist der „Preis“ der Wechselkurs zwischen dem Kanadischen Dollar (CAD) und dem US-Dollar (USD). Die Forscher stellten eine einfache Frage: Können ausgeklügelte, moderne Computerprogramme (Maschinelles Lernen) Währungspreise besser vorhersagen als die einfache Annahme, dass „morgen so aussieht wie heute“?

Hier ist die Aufschlüsselung ihrer Ergebnisse unter Verwendung alltäglicher Analogien:

1. Die Kontrahenten: Das „Schlaue“ vs. das „Einfache“

Die Forscher ließen ein Rennen mit zwei Teams antreten:

Das „Schlaue“ Team (Maschinelles Lernen): Dies sind komplexe Computermodelle wie Random Forest, XGBoost und AdaBoost. Denken Sie an ein Team von superintelligenten Detektiven, die in der Lage sind, winzige, verborgene Muster in einem riesigen Haufen an Hinweisen aufzuspüren. Sie sind darauf ausgelegt, nicht-lineare, komplizierte Beziehungen zu finden, die Menschen vielleicht übersehen würden.
Das „Einfache“ Team (Die Benchmarks):
- Der Random Walk (Zufallsbewegung): Dies ist die „naive“ Vermutung. Sie geht davon aus, dass die beste Vorhersage für morgen einfach der heutige Wert ist. Es ist, als würde man raten, dass das Wetter morgen exakt dasselbe sein wird wie heute.
- Der traditionelle Statistiker (ETS): Ein klassisches, altmodisches mathematisches Modell, das versucht, saisonale Muster zu finden (wie „im Juli ist es immer heißer“).

2. Die Regeln des Spiels

Um sicherzustellen, dass das „Schlaue“ Team nicht geschummelt hat, indem es in die Zukunft blickte, verwendeten die Forscher eine strenge „Expanding Window“-Regel (erweiterndes Zeitfenster).

Die Analogie: Stellen Sie sich vor, Sie machen einen Test, bei dem Sie nur erlaubt sind, die Geschichtsbücher bis gestern zu studieren. Sie machen eine Vorhersage für heute, dann dürfen Sie die heutige Zeitung lesen, und dann machen Sie eine Vorhersage für morgen. Sie dürfen niemals die Zeitung der nächsten Woche lesen, um Ihnen bei der Vorhersage für heute zu helfen. Dies stellt sicher, dass die Modelle so getestet werden, wie sie in der realen Welt funktionieren würden, und nicht nur in einer Computersimulation.

3. Die Ergebnisse: Das „Einfache“ Team gewinnt (meistens)

Nachdem das Rennen über 18 Monate an Daten gelaufen war, geschah Folgendes:

Die „einfache“ Vermutung (Random Walk) ist ein Biest: Das überraschendste Ergebnis war, dass die einfache Vermutung („morgen sieht aus wie heute“) unglaublich schwer zu schlagen war. Sie war die genaueste Vorhersage für den Großteil der Zeit. Dies bestätigt ein berühmtes ökonomisches Rätsel, das als Meese-Rogoff-Puzzle bekannt ist, welches besagt, dass Währungsmärkte so effizient sind, dass komplee Muster schwer zu finden sind.
Das „Schlaue“ Team stolpert: Die ausgeklügelten Machine-Learning-Modelle (die superintelligenten Detektive) konnten das einfache Team nicht schlagen. Tatsächlich waren sie etwas schlechter als die einfache Vermutung, wenn auch nicht um einen großen Abstand. Sie haben sich so sehr in dem Versuch verloren, komplexe Muster zu finden, dass sie die Daten „überanalysiert“ haben.
Die eine Ausnahme: Es gab ein Modell, das die einfache Vermutung tatsächlich schlug: die Lineare Regression. Betrachten Sie dies als ein „Schlaues-Einfaches“ Modell. Es ist kein komplexer Detektiv; es zieht lediglich eine gerade Linie durch die Punkte. Es gewann, weil in diesem spezifischen Fall der beste Weg, die Zukunft vorherzusagen, wirklich darin bestand, sich auf die ganz nahe Vergangenheit zu konzentrieren. Die komplexen Modelle waren zu kompliziert für einen Job, der Einfachheit erforderte.
Das „Old School“-Modell verlor: Das traditionelle statistische Modell (ETS) schnitt am schlechtesten ab und konnte nicht einmal die einfache Vermutung schlagen.

4. Warum ist das „Schlaue“ Team gescheitert? (Die „Black Box“ erklärt)

Die Forscher verwendeten ein Werkzeug namens SHAP, um die „Black Box“ des leistungsstärksten Machine-Learning-Modells (Random Forest) zu öffnen und zu sehen, was es eigentlich dachte.

Die Analogie: Stellen Sie sich vor, Sie fragen einen Supercomputer: „Warum haben Sie den Preis mit 1,36 $ geschätzt?“
Die Antwort: Der Computer sagt: „Nun, gestern war es 1,36 $ und der Tag davor war es 1,36 $.“
Die Erkenntnis: Die „schlauen“ Modelle erkannten, dass der wichtigste Hinweis einfach der jüngste Preis war. Sie ignorierten die komplexen, langfristigen Muster, nach denen sie eigentlich gebaut wurden, weil die Daten diese gar nicht aufwiesen. Die Währung verhielt sich wie ein „Random Walk“ – sie driftete einfach zufällig dahin, und das Einzige, was zählte, war der letzte Schritt, der getan wurde.

5. Die Strukturbrüche (Die „Plot Twists“)

Die Forscher untersuchten auch den Zeitverlauf und fanden vier große „Plot Twists“, bei denen sich die Regeln des Spiels änderten:

2018: Der Handelsstreit zwischen den USA und China begann.
2020: Die Pandemie traf die Welt und die Welt geriet in Panik.
2022: Die Bank of Canada erhöhte die Zinssätze, um die Inflation zu bekämpfen.
2024: Die Bank of Canada begann, die Zinssätze zu senken.

Selbst bei diesen großen Ereignissen blieb das einfache „Random Walk“-Modell der härteste Gegner, den es zu schlagen galt.

Zusammenfassung

Wenn Sie den USD/CAD-Wechselkurs für den nächsten Monat vorhersagen wollen:

Verlassen Sie sich nicht auf eine superkomplexe KI, die versucht, geheime Geheimnisse in den Daten zu finden; sie wird wahrscheinlich die Dinge zu kompliziert machen.
Schauen Sie stattdessen darauf, was gestern passiert ist.
Nutzen Sie vielleicht ein sehr einfaches lineares mathematisches Modell, da dies das einzige war, das in dieser spezifischen Studie die Strategie „Rate, dass es dasselbe ist wie gestern“ leicht übertreffen konnte.

Das Papier kommt zu dem Schluss, dass für dieses spezifische Währungspaar der Markt so effizient ist, dass der „einfache“ Ansatz immer noch der König ist und die ausgeklügelten Machine-Learning-Modelle noch kein magisches Mittel gefunden haben, um die Zukunft besser vorherzusagen, als indem man einfach nur die Gegenwart betrachtet.

Technisches Resümee: Maschinelles Lernen und das Random-Walk-Rätsel bei der USD/CAD-Prognose

Problemstellung
Diese Studie befasst sich mit dem anhaltenden „Meese-Rogoff-Puzzle“ in der internationalen Finanzwirtschaft: der empirischen Schwierigkeit, Wechselkurse out-of-sample mittels struktureller makroökonomischer Modelle vorherzusagen, die konsistent daran scheitern, einen naiven Random-Walk-Benchmark zu übertreffen. Konkret untersucht die Arbeit, ob moderne Ensemble-Methoden des maschinellen Lernens (ML) diese Einschränkung bei der Prognose des monatlichen USD/CAD-Wechselkurses überwinden können. Die Autoren konzentrieren sich auf das USD/CAD-Paar aufgrund seiner wirtschaftlichen Bedeutung für Kanada und seines Status als rohstoffgebundenes Währungspaar, wobei sie die Hypothese aufstellen, dass dessen strukturelle Merkmale (z. B. Korrelation mit Ölpreisen) prädiktive Dynamiken bieten könnten, die in rein finanziellen Währungen fehlen.

Methodik
Die Forschung verwendet ein rigoroses, vor Datenleckage geschütztes Evaluierungsframework unter Verwendung von täglichen Daten der Bank of Canada (Januar 2017 – Mai 2026), die auf 113 monatliche Beobachtungen resampelt wurden.

Datenvorverarbeitung: Die tägliche Serie wurde zu monatlichen Mittelwerten aggregiert. Der Datensatz wurde in eine Trainingsperiode (Januar 2017 – November 2024, $T_0=95$ ) und eine strikte Out-of-Sample-Testperiode (Dezember 2024 – Mai 2026, $H=18$ ) unterteilt.
Feature Engineering: Um Datenleckage zu vermeiden, wurden alle Prädiktoren für die ML-Modelle ausschließlich aus Informationen konstruiert, die zum Zeitpunkt des Prognoseursprungs ( $\mathcal{F}_{t-1}$ $F_{t - 1}$ ) verfügbar waren. Die Features umfassten:
- Lagged Werte ( $y_{t-1}$ bis $y_{t-12}$ ).
- Rollierende Statistiken (Mittelwerte und Standardabweichungen) über Fenster von 3, 6 und 12 Monaten.
- Expanding Mean (historischer Durchschnitt).
- Erste Differenzen und zyklische Kodierungen (Sinus/Cosinus) für Saisonalität.
Evaluierte Modelle:
- Benchmarks: Naiver Random Walk (RW) ohne Drift und Exponential Smoothing mit Holt-Winters-Saisonalität (ETS).
- Maschinelles Lernen: Lineare Regression, Random Forest (RF), Gradient Boosting, XGBoost und AdaBoost.
Evaluierungsprotokoll:
- Expanding Window: Die Modelle wurden in jedem Schritt unter Verwendung eines expandierenden Trainingsdatensatzes neu geschätzt, um reale Prognosebedingungen abzubilden.
- Metriken: Die Leistung wurde anhand von MAE, RMSE, MAPE, SMAPE und der Theils U-Statistik bewertet.
- Statistische Tests: Der Diebold-Mariano (DM) Test wurde verwendet, um zu bestimmen, ob die Prognosefehler signifikant von der Random-Walk-Benchmark abweichen.
- Interpretierbarkeit: SHAP-Werte (Shapley Additive Explanations) wurden auf das leistungsfähigste ML-Modell angewendet, um die Beiträge der Features zu dekomponieren.
Strukturelle Analyse: Der PELT-Algorithmus wurde zur Detektion struktureller Brüche eingesetzt, wobei vier signifikante Regimewechsel identifiziert wurden, die mit wichtigen makroökonomischen Ereignissen korrespondieren (Handelskrieg 2018, Pandemie-Erholung 2020, Zinserhöhungen 2022, Zinssenkungen 2024).

Kernergebnisse

Dominanz des Random Walk: Der naive Random Walk (äquivalent zu ARIMA(0,1,0)) blieb der robusteste Benchmark. Er erreichte den niedrigsten RMSE (0,0158) und MAPE (0,92 %) unter allen Modellen.
Begrenzte ML-Überlegenheit:
- Lineare Regression war das einzige Modell, das den Random Walk statistisch übertraf (DM-Statistik = 3,0585, $p = 0,0071$ ). Die Autoren führen dies auf die Fähigkeit des Modells zurück, den Random Walk unter Bedingungen mit geringer Varianz bei nahezu unit-root-ähnlichen Bedingungen zu approximieren.
- Ensemble-Modelle: Alle komplexen ML-Modelle (Random Forest, Gradient Boosting, XGBoost, AdaBoost) lieferten negative DM-Statistiken, was darauf hindeutet, dass sie geringfügig schlechter als der Random Walk waren, wenngleich dies nicht immer auf dem 5 %-Niveau statistisch signifikant war.
- ETS-Leistung: Das traditionelle ETS-Modell schnitt am schlechtesten ab und unterschritt den Random Walk signifikant, wahrscheinlich aufgrund spurischer saisonaler Anpassungen in einer Zeitreihe, die keine starke Saisonalität aufweist.
Feature-Wichtigkeit (SHAP): Die SHAP-Analyse des Random-Forest-Modells ergab, dass kurzfristige Lags ( $lag\_1$ , $lag\_2$ ) und rezente rollierende Mittelwerte die Vorhersagen dominierten. $lag\_1$ machte etwa 21 % der Feature-Wichtigkeit aus. Lags mit längerem Horizont und saisonale Features trugen minimal bei, was bestätigt, dass sich die Serie weitgehend wie ein Random Walk mit kurzfristigem Momentum verhält.
Prognosegenauigkeit: Trotz des Scheiterns, den Random Walk statistisch zu schlagen, erreichten alle ML-Modelle eine „hohe Genauigkeit“ (MAPE < 10 %) und übertrafen den ETS-Benchmark. Random Forest erzielte den niedrigsten MAPE (1,17 %) unter den Nicht-Random-Walk-Modellen.

Bedeutung und Behauptungen
Das Paper behauptet, eine direkte, statistisch rigorose Antwort auf das Meese-Rogoff-Puzzle für das USD/CAD-Paar innerhalb des spezifizierten Stichprobenzeitraums zu liefern. Seine primären Beiträge sind:

Verstärkung des Puzzles: Die Studie bestätigt, dass selbst mit fortgeschrittenen Ensemble-Methoden und strikten Expanding-Window-Protokollen Wechselkurse in entwickelten Volkswirtschaften unter Verwendung ausschließlich endogener historischer Daten weitgehend unvorhersehbar bleiben.
Methodische Rigorosität: Durch die Verwendung eines Expanding-Window-Frameworks und des Diebold-Mariano-Tests vermeidet die Studie die häufigen Fallstricke der Datenleckage und Überanpassung (Overfitting), die in der ML-Prognoseliteratur vorkommen.
Interpretierbarkeit: Die Anwendung von SHAP-Werten adressiert die „Black-Box“-Kritik an ML in der Ökonomie und zeigt, dass die Modelle ökonomisch sinnvolle, nahezu Random-Walk-ähnliche Verhaltensweisen erlernen anstatt spurischer Muster.
Praktische Nuancierung: Während ML-Modelle den Random Walk nicht statistisch übertrafen, übertrafen sie traditionelle statistische Modelle (ETS). Die Autoren legen nahe, dass für Praktiker Lineare Regression und Random Forest (unter Expanding Windows) als nützliche konditionale Prognosewerkzeuge dienen können, insbesondere im Vergleich zu klassischen Benchmarks, mahnen jedoch zur Vorsicht bei der Interpretation dieser Gewinne als zuverlässige Handelsregeln.

Die Autoren kommen zu dem Schluss, dass die Vorteile von ML in der Wechselkursprognose wahrscheinlich episodisch und modellabhängig sind, stark begrenzt durch die Near-Random-Walk-Natur der Daten, und dass zukünftige Fortschritte wahrscheinlich die Einbeziehung makroökonomischer Fundamentaldaten (z. B. Zinsdifferenziale, Rohstoffpreise) erfordern werden, anstatt sich nur auf historische Preisdaten zu verlassen.