ПРОГНОЗИРОВАНИЕ КУРСА УЗБЕКСКОГО СУМА НА ОСНОВЕ МОДЕЛЕЙ ARIMA–GARCH–МОНТЕ-КАРЛО

Авторы

  • Научно-исследовательский центр «Научные основы и проблемы развития экономики Узбекистана» при Ташкентском государственном экономическом университете

DOI:

https://doi.org/10.60078/2992-877X-2026-vol4-iss6-pp102-119

Аннотация

Точное прогнозирование валютного курса имеет важное практическое значение для развивающихся и пограничных рынков. Это обусловлено тем, что на таких рынках валютные курсы характеризуются высокой волатильностью и могут существенно колебаться под воздействием девальвационного давления, внешних экономических шоков, различий в уровнях инфляции и неопределённости на финансовых рынках. В данной статье для прогнозирования обменного курса доллара США к узбекскому суму применены модели ARIMA–eGARCH–Монте-Карло. Исследование основано на ежедневных данных обменного курса USD/UZS за период с января 2018 года по апрель 2026 года. На первом этапе были рассчитаны логарифмические доходности валютного курса, а их стационарность проверена с использованием тестов ADF, Phillips–Perron и KPSS. Затем для оценки средней динамики доходностей обменного курса была использована модель ARIMA, а для анализа кластеризации волатильности и асимметричных шоков проведено сравнительное исследование моделей семейства GARCH, включая sGARCH, eGARCH и gjrGARCH. По результатам оценки наиболее адекватной моделью была признана eGARCH(1,1). На следующем этапе на основе выбранной модели методом Монте-Карло были выполнены 50 000 сценарных симуляций для прогнозирования обменного курса на 252 торговых дня. Полученные результаты позволили сформировать вероятностные сценарии динамики курса USD/UZS на предстоящий год. Согласно базовому медианному прогнозу, ожидаемый курс составил 12 518 сумов за один доллар США, тогда как 90%-й прогнозный интервал находился в диапазоне от 11 621 до 13 218 сумов. Результаты исследования свидетельствуют о том, что девальвационные шоки оказывают существенное влияние на динамику курса USD/UZS, а применение вероятностных сценариев обеспечивает более эффективную оценку будущего обменного курса по сравнению с традиционными точечными прогнозами. Предложенный подход имеет практическую значимость для Центрального банка, коммерческих банков, экспортно-импортных предприятий и риск-менеджеров при оценке валютных рисков и проведении стресс-тестирования.

Ключевые слова:

курс USD/UZS прогнозирование валютного курса модель ARIMA модель eGARCH моделирование Монте-Карло волатильность риск девальвации

Библиографические ссылки

Bauwens, L., Laurent, S., & Rombouts, J. V. K. (2006). Multivariate GARCH models: A survey. Journal of Applied Econometrics, 21(1), 79 – 109.

Black, F. (1976). Studies of stock price volatility changes. Proceedings of the 1976 Meeting of the American Statistical Association, Business and Economics Statistics Section, 177–181.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327.

Bollerslev, T. (1987). A conditionally heteroskedastic time series model for speculative prices and rates of return. The Review of Economics and Statistics, 69(3), 542–547.

Bollerslev, T., Chou, R. Y., & Kroner, K. F. (1992). ARCH modeling in finance: A review of the theory and empirical evidence. Journal of Econometrics, 52(1–2), 5–59.

Cheung, Y.-W., Chinn, M. D., & Garcia Pascual, A. (2005). Empirical exchange rate models of the nineties: Are any fit to survive? Journal of International Money and Finance, 24(7), 1150–1175.

Chkili, W., Aloui, C., & Nguyen, D. K. (2012). Asymmetric effects and long memory in dynamic volatility relationships between stock returns and exchange rates. Journal of International Financial Markets, Institutions and Money, 22(4), 738–757.

Christoffersen, P. F. (1998). Evaluating interval forecasts. International Economic Review, 39(4), 841–862.

Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263.

Engel, C., Mark, N. C., & West, K. D. (2007). Exchange rate models are not as bad as you think. NBER Macroeconomics Annual, 22, 381–441.

Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007.

Engle, R. F., & Manganelli, S. (2004). CAViaR: Conditional autoregressive value at risk by regression quantiles. Journal of Business & Economic Statistics, 22(4), 367–381.

Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779–1801.

Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: Does anything beat a GARCH(1,1)? Journal of Applied Econometrics, 20(7), 873–889.

Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1–22.

Kupiec, P. H. (1995). Techniques for verifying the accuracy of risk measurement models. The Journal of Derivatives, 3(2), 73–84.

McMillan, D. G., & Speight, A. E. H. (2001). Non-Fourier estimation of exchange rate volatility. Applied Economics Letters, 8(5), 313–318.

Meese, R. A., & Rogoff, K. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 14(1–2), 3–24.

Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370.

Rossi, B. (2013). Exchange rate predictability. Journal of Economic Literature, 51(4), 1063–1119.

Su, C. (2010). Application of EGARCH model to estimate financial volatility of daily returns: The empirical case of China. University of Gothenburg, Masterʼs Thesis.

Опубликован

Как цитировать

Синдаров , Ф. (2026). ПРОГНОЗИРОВАНИЕ КУРСА УЗБЕКСКОГО СУМА НА ОСНОВЕ МОДЕЛЕЙ ARIMA–GARCH–МОНТЕ-КАРЛО . Экономическое развитие и анализ, 4(6), 102-119. https://doi.org/10.60078/2992-877X-2026-vol4-iss6-pp102-119