基于机器学习和组合模型的汇率预测研究

发布时间：2023-03-04 15:42

　　汇率是一个重要的宏观经济变量,影响着国家经济以及全球金融体系的稳定性.因此,对汇率的有效预测非常重要.基于此,本文以时间序列模型与机器学习模型为基础,提供了新的汇率预测方法.本文基于汇率数据本身利用组合模型对汇率进行预测.由于汇率数据具有高噪声的特点,本文首先利用奇异谱分析对数据进行去噪,然后分别对残差法组合预测模型以及权重法组合预测模型进行优化.1.基于残差法组合模型的优化.残差法利用ARIMA模型提取出汇率数据的线性主体,其次对其残差部分利用机器学习进行预测,最终预测值为两部分之和.目前,在汇率研究领域对残差的预测很少利用深度学习对其进行研究.因此,本文在已有研究的基础上做进一步的研究,即利用ARIMA模型预测汇率数据的线性主体部分,利用深度PSO-LSTM模型预测残差部分,最终搭建了 SSA-ARIMA-PSO-LSTM组合预测模型,并且实证结果显示,该组合模型预测结果良好.2.基于权重法组合模型的优化.单一模型是组合模型的关键,单一模型的选择要充分考虑到模型的预测性能以及模型之间的相关性,相关性较小的模型之间可以发挥各自不同的优势,实现优势互补.本文首先利用Pearson相关系...

【文章页数】：59 页

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 研究思路
    1.4 论文框架
    1.5 创新点
2 理论基础
    2.1 ARIMA模型
        2.1.1 ARIMA模型的原理
        2.1.2 ARIMA模型建模步骤
    2.2 XGBoost模型
        2.2.1 CART决策树
        2.2.2 XGBoost
    2.3 SVR模型
        2.3.1 支持向量分类机
        2.3.2 支持向量回归机
    2.4 LSTM神经网络模型
        2.4.1 神经元模型
        2.4.2 循环神经网络
        2.4.3 长短期记忆人工神经网络
    2.5 粒子群算法
3 数据处理与评价指标
    3.1 数据来源
    3.2 数据去噪
        3.2.1 奇异谱分析
        3.2.2 原始汇率数据去噪
    3.3 模型评价指标
4 实证分析
    4.1 单一模型的选取
    4.2 基于单一模型的实证分析
        4.2.1 基于ARIMA模型的实证分析
        4.2.2 基于XGBoost模型的实证
        4.2.3 基于PSO-SVR模型的实证分析
        4.2.4 基于PSO-LSTM模型的实证分析
    4.3 优化残差法组合模型
        4.3.1 组合模型的理论基础
        4.3.2 组合模型的实验设计
        4.3.3 组合模型的实证分析
    4.4 优化权重法组合模型
        4.4.1 组合模型的理论基础
        4.4.2 组合模型的实验设计
        4.4.3 组合模型的实证分析
    4.5 优化组合模型的优势分析
        4.5.1 优化残差法组合模型的优势分析
        4.5.2 优化权重法组合模型的优势分析
    4.6 实证分析小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
学位论文评阅及答辩情况表



本文编号：3754551