基于ARIMA-SVM组合模型对人民币汇率的预测和实证研究

发布时间：2020-10-26 22:17

　　 随着我国经济的迅速发展,国际地位的不断提升,人民币汇率市场化进程不断加快,人民币汇率在国内外经济中扮演着越来越重要的角色。新汇改后,汇率走势的不确定性进一步增强,汇率波动幅度越来越大。且中美关系的逐渐恶化对汇率产生重大影响,使人民币汇率下降的趋势增大。在此背景下,提高汇率波动性预测的准确度无论是对企业、个人等微观主体规避外汇风险,还是对央行及相关管理部门加强金融监管和制定准确有效的汇率政策都具有重要的理论研究意义和实际应用价值。基于汇率序列同时含有线性与非线性成分的特点,本文选择使用ARIMA和SVM模型有效整合的方案,兼顾ARIMA模型和SVM模型各自在线性与非线性方面的优势,对人民币汇率进行预测分析。本文以平均绝对误差(MAE)、均方误差根(RMSE)以及平均绝对百分比误差(MAPE)三个指标为标准,将ARIMA-SVM组合模型的预测效果与单一的ARIMA模型、SVM模型进行对比分析,其中MAE、RMSE度量预测值和真实值之间的绝对误差,MAPE度量预测值和真实值之间的相对误差。研究结果表明,在对人民币兑美元汇率进行预测时,与单一ARIMA模型和SVM模型相比,ARIMA-SVM组合模型具有更好的预测效果,预测精度更高,且SVM模型预测精度高于ARIMA模型。
【学位单位】：江西财经大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F224;F832.6
【部分图文】：

最优分类面示意图

4 ARIMA-SVM 组合模型对人民币汇率的预测研究4 ARIMA-SVM 组合模型对人民币汇率的预测研究4.1 基于 ARIMA 模型对人民币汇率的预测研究4.1.1 数据选取本文选取 2018 年 1 月 2 日到 2018 年 10 月 2 日的人民币兑美元汇率中数据（如图 4-1 所示）作为样本区间，排除节假日后共有 203 个原始数据其中 2018 年 1 月 2 日至 2018 年 9 月 28 日之间的 183 个数据作为训练样本此来对模型参数经估计。2018 年 10 月 8 日至 2018 年 11 月 2 日排除日后的 20 个数据用来作为测试样本，对模型的预测效果进行检验。

基于 ARIMA-SVM 组合模型对人民币汇率的预测和实证研究是用来反映延迟阶数与自相关系数之间关系的垂线图，纵坐标代表自相关系，横坐标表代表延迟阶数，自相关系数的大小由悬垂线的长短表示。平稳时间列通常垂线较短，且随延迟阶数的增加，将会很快衰减向 0。而非平稳时间序自相关系数衰减向 0 的速度通常比较慢。
【参考文献】

相关期刊论文 前10条

1 曹霜;何玉成;;基于小波分解的SVM-ARIMA农产品价格预测模型[J];统计与决策;2015年13期

2 宫舒文;;基于GARCH族模型的人民币汇率波动性分析[J];统计与决策;2015年12期

3 毛游方;;基于ARIMA模型的“余额宝”收益率研究分析与预测[J];电子制作;2014年24期

4 魏红燕;孟纯军;;基于GARCH模型的短期汇率预测[J];经济数学;2014年01期

5 朱颜杰;樊顺厚;雷怀英;;基于SARIMA模型的居民消费价格指数的预测[J];统计与决策;2014年04期

6 俞国红;杨德志;丛佩丽;;ARIMA和RBF神经网络相融合的股票价格预测研究[J];计算机工程与应用;2013年18期

7 徐缘圆;;BP神经网络在汇率预测中的应用[J];时代金融;2013年03期

8 赵成柏;毛春梅;;基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J];长江流域资源与环境;2012年06期

9 程昌品;陈强;姜永生;;基于ARIMA-SVM组合模型的股票价格预测[J];计算机仿真;2012年06期

10 郭晓峰;;基于ARIMA模型的中国CPI走势预测分析[J];统计与决策;2012年11期

相关博士学位论文 前1条

1 孙叶萌;汇率决定理论和汇率预测[D];吉林大学;2008年

相关硕士学位论文 前6条

1 刘晨;基于卷积神经网络的外汇时间序列预测研究[D];郑州大学;2018年

2 邓景炜;基于神经网络的外汇汇率预测研究[D];暨南大学;2017年

3 袁磊;基于ARIMA-LSSVM混合模型的股指预测研究[D];哈尔滨工业大学;2015年

4 苏玉华;人民币汇率预测模型与实证研究[D];广西师范大学;2011年

5 李艳华;人民币汇率波动模型选择的实证研究[D];南开大学;2010年

6 黄腊梅;人民币汇率GARCH-GRNN组合预测研究[D];湖南大学;2009年

本文编号：2857587