Modelling EURNOK Returns using Genetic Programming Symbolic Regression

Abstract

Denne masteroppgaven undersøker ikke-lineære sammenhenger mellom den norske kronen og makroøkonomiske faktorer for å bedre forstå bevegelser i kronekursen. Genetic Programming Symbolic Regression (GPSR) brukes til å utvikle en ikke-lineær beskrivende modell for daglige EURNOK-avkastninger fra 2002 til 2022.

Resultatene viser at GPSR er en effektiv og hensiktsmessig metode for utvikling av en modell for EURNOK-avkastning som overgår sammenlignbare modeller, og som overkommer begrensningene til tradisjonelle lineære modeller og maskinlæringsmodeller. De ikke-lineære sammenhengene som er identifisert gir viktige innsikter i hvordan EURNOK-valutakursen svinger. Vi identifiserer flere strukturelle endringer mellom 2002 og 2022 som påvirker forholdene mellom modellens faktorer og hvordan faktorene påvirker modellens prediksjoner. En betydelig nedadgående trend som bidrar til svekkelse av kronen forblir imidlertid uforklart.

Å forstå bevegelsene til den norske kronen er av stor interesse for økonomer, beslutningstakere og andre interessenter. Vi identifiserer ikke-lineære forhold mellom faktorer som ikke har blitt undersøkt i litteraturen. Videre forskning som undersøker disse ikke-lineæritetene kan gi verdifulle innsikter for å bedre vår forståelse av kronens svingninger og bevegelser. Våre funn underbygger GPSRs effektivitet og hensiktsmessighet som et alternativ til tradisjonelle modelleringstilnærminger, og oppfordrer til videre studier av GPSRs muligheter for anvendelse innenfor økonomi og finans.

This master thesis explores nonlinearities suspected to exist between the Norwegian krone and macroeconomic fundamentals, aiming to enhance understanding of movements in the krone exchange rate. Genetic programming symbolic regression (GPSR) is employed for developing a non-linear descriptive model for daily EURNOK returns from 2002 to 2022.

The results demonstrate that GPSR successfully develops a parsimonious model for EURNOK returns that outperforms benchmark models, surpassing the limitations of traditional linear models and machine learning models. The identified non-linear relationships provide valuable insights into understanding the nature of EURNOK returns. Several structural shifts are identified between 2002 and 2022, affecting the relationships and the features' impacts on the model predictions. A large drift contributing to the krone's depreciation however remains unexplained.

Understanding the Norwegian krone dynamics is of great interest to economists, policymakers, and other stakeholders. This thesis identifies non-linear dependencies which have previously not been studied to a great extent. Further research exploring these nonlinearities could be insightful for enhancing understanding of the krone and EURNOK movements. The findings of this thesis also encourage future studies to apply GPSR to other fields in economics and finance to further examine the validity and efficiency of GPSR as an alternative to traditional modelling approaches.