Abstract
<jats:p>целью исследования является сравнительный анализ прогнозной точности классических эконометрических моделей семейства GARCH и рекуррентных нейронных сетей при моделировании условной волатильности валютных курсов USD/RUB и CNY/RUB. Методы: использованы модели GARCH(1,1), EGARCH(1,1), GJR-GARCH(1,1) с t-распределением Стьюдента, а также рекуррентные нейронные сети LSTM и GRU. Исследование основано на дневных данных курсов USD/RUB и CNY/RUB за период с января 2019 по март 2026 года, полученных из ЦБ РФ, Московской биржи, Investing.com и FRED/МВФ. Для предварительного анализа применены тесты Дики–Фуллера, Жарка-Бера и Льюнга-Бокса. Прогнозная сила моделей оценена методом rolling forecast по метрикам MAE, RMSE и тесту Диболда-Мариано. Результаты: установлено, что нейросетевые модели статистически значимо превосходят все модели семейства GARCH для пары USD/RUB, что подтверждено тестом Диболда-Мариано. Для пары CNY/RUB GRU также показывает лучший результат RMSE = 0.688. Среди классических моделей GJR-GARCH(1,1) демонстрирует преимущество, подтверждая наличие эффекта рычага на российском валютном рынке. Выводы: предложены дифференцированные рекомендации по выбору моделей для хеджирования валютных рисков: GJR-GARCH для оперативного расчета VaR, LSTM/GRU для задач, требующих максимальной точности. Результаты могут быть использованы компаниями-импортерами для управления валютными рисками в условиях переориентации торговых потоков с доллара на юань.</jats:p> <jats:p>the study aims to compare the predictive accuracy of classical GARCH family econometric models with recurrent neural networks for modeling conditional volatility of USD/RUB and CNY/RUB exchange rates. Methods: GARCH(1,1), EGARCH(1,1), and GJR-GARCH(1,1) models with Student's t-distribution, as well as LSTM and GRU recurrent neural networks, were employed. The study is based on daily USD/RUB and CNY/RUB exchange rate data for the period from January 2019 to March 2026, obtained from the Central Bank of the Russian Federation, the Moscow Exchange, Investing.com, FRED, and the IMF. The Augmented Dickey-Fuller, Jarque–Bera, and Ljung–Box tests were applied for preliminary analysis. The predictive power of the models was evaluated using the rolling forecast method based on MAE, RMSE metrics, and the Diebold-Mariano test. Findings: neural network models were found to be statistically significantly superior to all GARCH family models for the USD/RUB pair, as confirmed by the Diebold–Mariano test. For the CNY/RUB pair, GRU also demonstrates the best RMSE result of 0.688. Among the classical models, GJR-GARCH(1,1) shows an advantage, confirming the presence of the leverage effect in the Russian foreign exchange market. Conclusions: differentiated recommendations on models choice for hedging currency risks are proposed: GJR-GARCH for VaR operational calculation, LSTM/GRU for tasks requiring maximum accuracy. The results can be used by importing companies to manage currency risks in trade flows context reorientation from the dollar to the yuan.</jats:p>