Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/167601 
Authors: 
Year of Publication: 
2017
Series/Report no.: 
Ruhr Economic Papers No. 704
Publisher: 
RWI - Leibniz-Institut für Wirtschaftsforschung, Essen
Abstract: 
There is empirical evidence for a time-varying relationship between exchange rates and fundamentals. Such a relationship with time-varying coefficients can be estimated by a Kalman filter model. A Kalman filter estimates the coefficients recursively depending on the prediction error of the examined model. Using a Taylor rule based exchange rate model, which in the literature was found to have promising forecasting abilities, it is possible to further improve the performance if the utilization of information from the prediction error is restricted. This is necessary as classic exchange rate models do not perform badly solely because they neglect the time-varying relationship, but also due to missing explanatory information. So, if the Kalman filter uses the entire information from the prediction error, it would overestimate the need for coefficient adjustment. With this calibration of the Kalman filter model the short-term out-ofsample forecasting accuracy can be enhanced for 10 out of 12 exchange rates.
Abstract (Translated): 
Es gibt zahlreiche empirische Studien, die nachweisen, dass die Beziehungen zwischen Wechselkursen und ihren Fundamentaldaten über die Zeit variieren. Solche über die Zeit variierenden Beziehungen können mit einem Kalman-Filter geschätzt werden. Ein Kalman-Filter schätzt die Koeffizienten rekursiv abhängig von der Größe des Fehlerterms des untersuchten Modells. In dieser Studie wird versucht, die Vorhersagen von Taylor-Regel-Modellen, welche über gute Prognosequalitäten verfügen, mithilfe solch eines Kalman-Filters zu verbessern. Unser Befund ist, dass dies nur funktioniert, wenn nicht die gesamte Größe des Fehlerterms bei der rekursiven Schätzung der Koeffizienten verwandt wird. Dies ist notwendig, weil der Fehlerterm bei klassischen Wechselkursmodellen nicht nur groß ist, da eine über die Zeit konstante Beziehung unterstellt wird, sondern auch, da erklärende Variablen fehlen. Wenn der Kalman-Filter also die gesamte Größe des Fehlerterms zur Schätzung nutzen würde, würde er die Koeffizienten zu stark anpassen. Mit unserem Kalman-Filter-Modell sind wir in der Lage, die Kurzfristprognose für zehn aus zwölf Wechselkursen zu verbessern.
Subjects: 
exchange rates
forecasting
Kalman filter
state space models
JEL: 
C53
F31
F37
Persistent Identifier of the first edition: 
ISBN: 
978-3-86788-818-9
Document Type: 
Working Paper

Files in This Item:
File
Size
499.67 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.