Forecasting the EUR/USD exchange rate: an econometric and machine learning approach

Abstract

This thesis investigates the forecasting of the EUR/USD exchange rate, one of the most actively traded currency pairs in global financial markets. Exchange rate prediction is inherently challenging due to high volatility, nonlinear dynamics, and rapid responses to macroeconomic and geopolitical developments. The primary objective of this study is to compare and evaluate traditional econometric models alongside modern machine learning techniques in order to assess their predictive performance. The literature review highlights both the strengths and limitations of classical time series models, while also emphasizing the growing importance of advanced data-driven approaches in capturing complex financial patterns. In the empirical analysis, a wide range of macro-financial variables is employed, including stock market indices, commodity prices, interest rates, inflation indicators, and measures of market uncertainty. All time series are transformed into stationary processes to ensure statistical validity and to avoid spurious relationships. The study then applies both linear and nonlinear modeling frameworks, enabling a comprehensive comparison of their effectiveness. Special attention is given to the detection of structural breaks and regime shifts, which are crucial in understanding the evolving nature of exchange rate dynamics. Model performance is evaluated using both in-sample and out-of-sample techniques through a structured train–test framework, ensuring a realistic assessment of forecasting ability. The findings suggest that machine learning models generally provide improved flexibility in capturing nonlinear relationships and interactions among variables. However, no single model consistently outperforms others across all scenarios, highlighting the importance of combining methodologies. Overall, this thesis contributes to the field of exchange rate forecasting by demonstrating the value of integrating econometric and machine learning approaches, offering deeper insights into the behavior of the EUR/USD exchange rate and improving predictive accuracy in complex financial environments.Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της συναλλαγματικής ισοτιμίας EUR/USD, η οποία αποτελεί ένα από τα πιο σημαντικά και ευρέως διαπραγματεύσιμα ζεύγη νομισμάτων παγκοσμίως. Η πολυπλοκότητα της συμπεριφοράς των συναλλαγματικών ισοτιμιών, λόγω της υψηλής μεταβλητότητας, των μη γραμμικών σχέσεων και της άμεσης αντίδρασης σε μακροοικονομικά και γεωπολιτικά γεγονότα, καθιστά την πρόβλεψή τους ιδιαίτερα απαιτητική. Στόχος της μελέτης είναι η σύγκριση και αξιολόγηση παραδοσιακών οικονομετρικών μοντέλων και σύγχρονων μεθόδων μηχανικής μάθησης, προκειμένου να διερευνηθεί ποια προσέγγιση προσφέρει καλύτερη προβλεπτική ικανότητα. Αρχικά, γίνεται ανασκόπηση της βιβλιογραφίας, η οποία αναδεικνύει τα πλεονεκτήματα και τους περιορισμούς των κλασικών μοντέλων χρονοσειρών, καθώς και τη συμβολή των νέων τεχνικών στην αντιμετώπιση της μη γραμμικότητας και της δυναμικής των αγορών. Στο εμπειρικό μέρος, χρησιμοποιούνται μακροοικονομικοί και χρηματοοικονομικοί δείκτες, όπως χρηματιστηριακοί δείκτες, τιμές εμπορευμάτων, επιτόκια, δείκτες πληθωρισμού και δείκτες αβεβαιότητας. Τα δεδομένα μετασχηματίζονται ώστε να εξασφαλιστεί η στασιμότητα, αποφεύγοντας έτσι ψευδείς συσχετίσεις. Στη συνέχεια, εφαρμόζονται τόσο γραμμικά μοντέλα όσο και μη γραμμικές μέθοδοι, επιτρέποντας τη σύγκριση της απόδοσής τους. Ιδιαίτερη έμφαση δίνεται στην ανίχνευση διαρθρωτικών αλλαγών και στην αξιολόγηση της προβλεπτικής ικανότητας μέσω διαδικασιών εκπαίδευσης και ελέγχου (train-test). Τα αποτελέσματα δείχνουν ότι οι σύγχρονες μέθοδοι μπορούν να συλλάβουν πιο αποτελεσματικά τις πολύπλοκες σχέσεις των δεδομένων, αν και κανένα μοντέλο δεν υπερέχει απόλυτα σε όλες τις περιπτώσεις. Συνολικά, η εργασία συμβάλλει στην κατανόηση της συμπεριφοράς της ισοτιμίας EUR/USD, αναδεικνύοντας τη σημασία της συνδυαστικής χρήσης οικονομετρικών και υπολογιστικών τεχνικών για πιο αξιόπιστες προβλέψεις.