Revue des Economies financières bancaires et de management
Volume 15, Numéro 1, Pages 48-67
2026-04-30
Financial Risk Modeling Of Exchange Rate Volatility Using Deep Learning Techniques: An Applied Framework
Authors : Benazza Hicham .
Abstract
This study addresses escalating exchange rate volatility, which intensified by 37% during 2023-2025, with projected annual growth of 12-15% through 2030. Employing deep learning architectures—Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks—the research develops predictive models benchmarked against traditional ARIMA approaches. Findings reveal superior performance of neural network models, achieving 89-94% accuracy versus 72-78% for conventional methods, representing a 17-22 percentage point improvement. The framework integrates Explainable Artificial Intelligence (XAI) to enhance hedging decision transparency by 43%. Evidence from the European Central Bank demonstrates 28% reduction in hedging losses, while Singapore's Monetary Authority achieved 35% decreased forecasting errors (2023-2025). The study projects 67% of global financial institutions will adopt deep learning for exchange rate risk management by 2030, signaling a paradigm shift in financial forecasting methodologies. Cette étude aborde la volatilité croissante des taux de change, qui s'est intensifiée de 37 % entre 2023 et 2025, avec une croissance annuelle projetée de 12 à 15 % jusqu'en 2030. S'appuyant sur des architectures d'apprentissage profond – réseaux LSTM (Long Short-Term Memory) et GRU (Gated Recurrent Unit) – la recherche développe des modèles prédictifs comparés aux approches ARIMA traditionnelles. Les résultats révèlent la performance supérieure des modèles de réseaux neuronaux, atteignant une précision de 89 à 94 % contre 72 à 78 % pour les méthodes conventionnelles, soit une amélioration de 17 à 22 points de pourcentage. Le cadre intègre l'intelligence artificielle explicable (XAI) afin d'améliorer la transparence des décisions de couverture de 43 %. Des données de la Banque centrale européenne démontrent une réduction de 28 % des pertes de couverture, tandis que l'Autorité monétaire de Singapour a enregistré une diminution de 35 % des erreurs de prévision (2023-2025). L'étude prévoit que 67 % des institutions financières mondiales adopteront l'apprentissage profond pour la gestion du risque de change d'ici 2030, ce qui marque un changement de paradigme dans les méthodologies de prévision financière. تتناول هذه الدراسة تزايد تقلبات أسعار الصرف، التي ارتفعت بنسبة 37% خلال الفترة 2023-2025، مع توقعات بنمو سنوي يتراوح بين 12 و15% حتى عام 2030. وباستخدام بنى التعلم العميق - شبكات الذاكرة طويلة المدى (LSTM) ووحدات التكرار البوابية (GRU) - يطور البحث نماذج تنبؤية تُقارن بأساليب ARIMA التقليدية. وتُظهر النتائج أداءً متفوقًا لنماذج الشبكات العصبية، حيث حققت دقة تتراوح بين 89 و94% مقابل 72-78% للطرق التقليدية، ما يُمثل تحسنًا يتراوح بين 17 و22 نقطة مئوية. يدمج الإطار الذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز شفافية قرارات التحوط بنسبة 43%. وتُشير الأدلة من البنك المركزي الأوروبي إلى انخفاض خسائر التحوط بنسبة 28%، بينما حققت هيئة النقد في سنغافورة انخفاضًا في أخطاء التنبؤ بنسبة 35% (2023-2025). تتوقع الدراسة أن 67% من المؤسسات المالية العالمية ستعتمد التعلم العميق لإدارة مخاطر أسعار الصرف بحلول عام 2030، مما يشير إلى تحول نموذجي في منهجيات التنبؤ المالي.
Keywords
Keywords: Deep Learning, Neural Networks, Exchange Rates, Financial Risk Management, Hedging Strategies, Explainable Artificial Intelligence.
Les articles similaires
Hellal Aouatef
.
Djeddou Messaoud
.
Loukam Imed
.
A. Hameed Ibrahim
.
Al Dallal Jehad
.
Shawaqfah Moayyad
.
pages 69-83.
Dermechi Feriel
.
Zakane Ahmed
.
pages 154-170.
مداحي محمد
.
ترقو Tergou
.
ص 278-294.
Settah Mustapha
.
pages 294-304.
Oulddali Oussama
.
Benabdallah Soumeya
.
pages 8-30.
