基于LSTM模型的深度学习与迁移学习在预测外汇汇率中的应用研究
发布时间：2020-10-12 17:01
正确的分析和预测汇率对制定相关经济金融政策,企业规避外汇风险来说一直都是具有非常重要的意义的。外汇汇率市场作为一个非线性变化的动态市场,汇率的波动变化有着非常显著的非线性和历史依赖的特征。神经网络模型其具有处理非线性特征系统的优势被广泛应用于外汇预测中并被证明比以往的时间序列预测具有更高的精度。但传统的神经网络模型却忽略了序列内部的先后时序关系,后来有学者提出具有记忆持久化功能的递归神经网络(RNN)来解决时序依赖的问题,但RNN在实践中常有梯度消失、难以训练的问题。因此后来人们提出基于门控制长短期记忆单元神经网络即LSTM神经网络(Long Short-Term Memory),这种神经网络独特的“门式”控制和记忆单元结构使得其在金融时间序列中被证明比传统RNN具有更高的预测精度。目前将深度学习LSTM神经网络应用于汇率预测方面的研究相对来说比较少,主要还是集中在股指、期货数据上。对于此本文采用LSTM模型来对不同时间跨度的外汇汇率时间序列进行预测。一方面,本文在六种货币对的每分钟汇率收盘价数据的基础上,利用LSTM神经网络对不同时间跨度的短期汇率序列进行预测并对比几种常用的传统预测模型(BP神经网络,支持向量回归)结果表明:深度LSTM模型的汇率预测模型的预测误差要优于这两个传统预测模型。另一方面,在外汇汇率更长时间跨度预测上,对于神经网络在时间间隔增大时预测误差会变大这样一个问题,本文在LSTM模型预测的基础上探究采用迁移学习的方法来提升汇率的变长时间跨度下预测性能,利用三种货币对的日度汇率序列进行时间迁移和货币对迁移两方面不同时间粒度下的汇率预测实证并与LSTM模型直接预测比较,实证结果表明:1、基于时间粒度迁移和货币对迁移的LSTM模型具有更低的预测误差;2、在对澳元兑美元和人民币兑美元汇率的预测中,货币对迁移对LSTM模型预测性能的提升比时间粒度迁移更大。另外本文以时间跨度为3天的人民币汇率为例,通过EEMD(集合经验模态分解)方法,将迁移LSTM和LSTM模型预测结果序列进行分解并与真实序列分解的分量序列进行对比,发现迁移学习之所以能够有效提升LSTM模型对更长时跨度汇率预测的性能,是因为迁移学习在对低时间跨度汇率序列进行预训练的过程中,模型能够更加充分地学习汇率波动的长期变化和趋势特征,因而在对长时间跨度汇率序列的预测中迁移学习LSTM模型能具有更高的精度。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.6
【部分图文】：
主要介绍本文的研究背景、研究意义，国内外研究现状以要介绍外汇汇率定义、相关汇率决定理论，迁移学习概念以及络、支持向量回归等相关模型理论；要应用 LSTM 模型、BP 神经网络模型和 SVR 模型对六种汇上进行分钟级的汇率序列预测并对模型的预测性能进行对比述基于 LSTM 模型的迁移学习在更长时间跨度下的汇率预测基模型以及最优冻结层数的基础上，对比分析直接 LSTM 预TM 模型和货币对迁移 LSTM 模型在不同的时间粒度上预测用 EEMD 方法将迁移 LSTM 模型和 LSTM 模型的汇率预测序列分解分量进行相关相似度指标对比，分析迁移学习在长列预测性能的原因；论与展望，对本文的主要工作进行总结并指出本文的不足之
间序列预测领域当中，常用的机器学习模经网络其良好的非线性拟合能力使得其成支持向量回归具有完善的统计数学基础，支持向量回归在各种特征和数据预处理方。一个回归平面让集合内所有的数据到该)与 y 之间最多有 的偏差，当 ( )与 y 之SVR 原理图所示，以 ( )为基准线，一个样本处于这个间隔带中，则认为这个训练带来的损失为 0。
C 越大，代表越不能容忍误差，也越容易过拟合差，越容易欠拟合。 神经网络网络是一种典型的多层正向反馈的神经网络，可以拟合任意线。其拓扑结构主要分为三层：输入层、中间隐藏层和输出层。三图 2-2 BP 神经网络结构示意图所示。神经网络中层与层之间的但同一层的神经元之间是不连通的。神经网络训练的思想就是模出的刺激下不断优化网络各神经元之间的连接权值，从而使得网望的输出。神经网络所建立的映射逼近数据本身输入输出之间的映射关系训练神经网络,通过合理地设置参数使得训练出来的神经网络具
【参考文献】
本文编号：2838036
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.6
【部分图文】：
主要介绍本文的研究背景、研究意义，国内外研究现状以要介绍外汇汇率定义、相关汇率决定理论，迁移学习概念以及络、支持向量回归等相关模型理论；要应用 LSTM 模型、BP 神经网络模型和 SVR 模型对六种汇上进行分钟级的汇率序列预测并对模型的预测性能进行对比述基于 LSTM 模型的迁移学习在更长时间跨度下的汇率预测基模型以及最优冻结层数的基础上，对比分析直接 LSTM 预TM 模型和货币对迁移 LSTM 模型在不同的时间粒度上预测用 EEMD 方法将迁移 LSTM 模型和 LSTM 模型的汇率预测序列分解分量进行相关相似度指标对比，分析迁移学习在长列预测性能的原因；论与展望，对本文的主要工作进行总结并指出本文的不足之
间序列预测领域当中，常用的机器学习模经网络其良好的非线性拟合能力使得其成支持向量回归具有完善的统计数学基础，支持向量回归在各种特征和数据预处理方。一个回归平面让集合内所有的数据到该)与 y 之间最多有 的偏差，当 ( )与 y 之SVR 原理图所示，以 ( )为基准线，一个样本处于这个间隔带中，则认为这个训练带来的损失为 0。
C 越大，代表越不能容忍误差，也越容易过拟合差，越容易欠拟合。 神经网络网络是一种典型的多层正向反馈的神经网络，可以拟合任意线。其拓扑结构主要分为三层：输入层、中间隐藏层和输出层。三图 2-2 BP 神经网络结构示意图所示。神经网络中层与层之间的但同一层的神经元之间是不连通的。神经网络训练的思想就是模出的刺激下不断优化网络各神经元之间的连接权值，从而使得网望的输出。神经网络所建立的映射逼近数据本身输入输出之间的映射关系训练神经网络,通过合理地设置参数使得训练出来的神经网络具
【参考文献】
相关期刊论文 前4条
1 马超;徐瑾辉;蓝斌;侯天诚;欧阳泽拯;;基于EMD与NARX网络的汇率预测方法研究[J];西安文理学院学报(自然科学版);2015年02期
2 庄福振;罗平;何清;史忠植;;迁移学习研究进展[J];软件学报;2015年01期
3 黄益平;王勋;华秀萍;;中国通货膨胀的决定因素[J];金融研究;2010年06期
4 杨炘,马洪波;人工神经网络在中长期汇率预测中的应用[J];系统工程;1999年01期
本文编号：2838036
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/2838036.html
