基于混合人工神经网络的人民币汇率预测研究——兼与ARMA、ARCH、GARCH的比较

发布时间：2021-02-02 15:44

　　随着人民币汇率市场化程度不断提高,其波动程度也不断增大,对人民币的预测显得越来越重要。近几年来,人工智能在许多领域都取得了巨大的成功,证明了自身的优越性,作为其主要组成部分的人工神经网络（ANN）模型已经逐渐被引入金融资产价格的预测研究中。本文将原本仅适用于二值型数据的Adaboost算法进行了优化,使其也能适应连续型数据,并用其确定混合模型的权重,解决了过往大多数研究中混合模型权重设定较为主观和随意的问题。在此基础上,本文融合了广义回归神经网络（GRNN）擅长预测趋势因素,而误差反传神经网络（BPNN）擅长预测随机因素的优点,组成了比单一神经网络模型更为强大的GR_BP_Adaboost强预测模型。最后,以均方误差（MSE）、平均绝对误差（MAE）和DM检验为标准,将GR_BP_Adaboost模型对人民币汇率的预测结果与传统的ARMA、ARCH和GARCH模型进行了对比,所有结果均表明GR_BP_Adaboost强预测模型的预测能力显著优于其他模型,说明人工智能预... 

【文章来源】：国际经贸探索. 2019,35(09)北大核心CSSCI

【文章页数】：15 页

【部分图文】：

典型三层BPNN结构示意图

BPAdaboost强预渊?

计上处理的方便，本文对样本进行对数化处理。Ｒt=ln(Pt)－ln(Pt－1)(9)其中，Ｒt是t期对数收益率，Pt是t期名义汇率。表1为对数化后的四种汇率描述统计结果，图4为对数化后的收益率波动图。表1:四种汇率的描述统计结果均值标准差最小值最大值偏度峰度美元－0．0000510．001418－0．0092630．0184031．29006723．282600欧元－0．0000680．005910－0．0692880．033370－0．31740611．381220日元0．0000370．006321－0．0514970．036273－0．1020198．220515英镑0．0001540．005989－0．0724820．040912－0．83975014．542290从以上结果来看，人民币对美元汇率的波动最小，而对欧元、日元和英镑的波动则相对较大。在此期间，美元对人民币汇率有一段时间波动极小，是因为受到美国金融危机影响，中国从2008年7月开始缩小美元对人民币汇率的波动幅度，直到2010年6月才再次放开，开放后美元对人民币汇率收益率又回到了之前的波动水平，而近期美元对人民币汇率收益率波动加大是因为美国经济复苏和加息等多种因素引起的汇率预期变化。总体来看，四种汇率收益率都存在某一段时间波动较大，而另一段时内波动较小的现象，即方差大的观测值聚集在一起，而方差较小的观测值也聚集在一起，存在明显的波动性聚集特征。在对样本观测值对数化后，后30个观测值将用于考察各模型的预测效果，其余观测值则用于GＲ_BP_Adaboost、AＲMA、AＲCH、GAＲCH等模型的建立。34周晓波，陈璋，王继源:基于混合人工神经网络的人民币汇率预测研究

【参考文献】：
期刊论文
[1]人民币均衡汇率的再研究:1998-2015[J]. 姚宇惠,王育森.  国际金融研究. 2016(12)
[2]人民币汇率均衡与失衡:基于一般均衡框架的视角[J]. 王彬,马文涛,刘胜会.  世界经济. 2014(06)
[3]购买力平价与汇率背离原因研究[J]. 王磊,范超.  数量经济技术经济研究. 2013(11)
[4]人民币均衡汇率测算:基于DSGE模型的实证研究[J]. 孙国峰,孙碧波.  金融研究. 2013(08)
[5]购买力平价及在亚洲新兴市场的实证分析[J]. 王娟.  统计研究. 2012(03)
[6]购买力平价与人民币均衡汇率[J]. 杨长江,钟宁桦.  金融研究. 2012(01)
[7]ARIMA融合神经网络的人民币汇率预测模型研究[J]. 熊志斌.  数量经济技术经济研究. 2011(06)
[8]基于BEER模型的人民币均衡汇率与汇率失调的测算:1994Q1～2009Q4[J]. 唐亚晖,陈守东.  国际金融研究. 2010(12)
[9]均衡汇率新思维:一个内外均衡条件下的购买力平价模型及其应用[J]. 徐家杰.  数量经济技术经济研究. 2010(09)
[10]汇改后人民币汇率波动的非线性特征研究——基于门限自回归TAR模型[J]. 靳晓婷,张晓峒,栾惠德.  财经研究. 2008(09)



本文编号：3014951