Modeling the Rwanda Exchange Rates by GARCH Models

Abstract

Volatility modeling and forecasts are essential tools to all financial sectors. This paper focuses on weekly exchange rate returns of the FRW versus USD from 2012 until 2018 obtained from the National Bank of Rwanda. The aim of this paper is to formulate an appropriate GARCH model which fits the data. The GARCH(1,1) model has been selected after using required techniques of model selection.Parameters have been estimated using Least Squares method first and then validated using MCMC method. Once the chain of parameters are found, both visual inspection and basic statistics are computed and in this study, they have illustrated a good compatibility between simulation and observations. Diagnostic of convergence of the chains of parameters has been checked and ensured the model to beaccurate. The results obtained from the LSQ and MCMC methods have been compared and found to be almost similar. An agreement between the model solution and actual data is obtained and a forecast is done by concluding that the estimated values are almost similar to the real data. Hence, the identified model is accepted for forecasting and recommended for further applications.

La modélisation et les prévisions de volatilité sont des outils essentiels pour tous les secteurs financiers. Cet article se concentre sur les rendements hebdomadaires des taux de change de la monnaie rwandaise par rapport au dollar americain entre 2012 et 2018, obtenus de la Banque nationale du Rwanda. L'objectif de cet article est de formuler un modèle GARCH approprié qui correspond aux données. Le modèle GARCH(1,1) a été sélectionné après avoir respecte les méthodes idoines en la matière. Les paramètres ont d'abord été estimés à l'aide de la méthode des moindres carrés, puis validés à l'aide de la méthode MCMC. Une fois la chaîne de paramètres trouvée, une combinaison de méthodes statistiques graphiques et quantitatives, illustrent une bonne compatibilité entre la set les observations. Le diagnostic de convergence des chaînes de paramètres a été vérifié et a permis d'assurer la précision du modèle. Les résultats obtenus à partir des méthodes LSQ et MCMC ont été comparés et se sont avérés presque similaires. Le modèle a été retenu en conséquence.