基于SS滤波与RBF神经网络的汇率预测研究
发布时间：2020-11-21 10:25
随着中国加入世界贸易组织和推动汇率制度的改革,人民币汇率的行为日益复杂,传统的基本分析方法与技术分析方法已经难以捕捉人民币汇率行为的全部特征,也难以进行准确、有效的预测。同时,考虑到欧盟已连续多年成为中国的最大贸易伙伴,两方的贸易总额逐年增加,本文提出一种基于光顺样条滤波与径向基神经网络相结合的组合预测模型,旨在更好地捕捉人民币兑欧元汇率的特征,改善神经网络对数据的学习能力,进而提高模型的预测效果。 本文首先回顾了汇率预测的理论与方法,讨论了人工神经网络、非参数估计技术特别是光顺样条滤波的原理及其在汇率预测领域的应用。然后从光顺样条(Smoothing Spline, SS)滤波的原理出发,提出一种针对汇率序列的多层次分解算法,并将该分解算法与径向基(Radial Basis Function, RBF)(?)神经网络组合构建汇率预测模型。最后针对人民币兑欧元汇率序列进行了实证分析,结果表明该模型拥有比传统BP神经网络与单一的径向基网络更优秀的预测能力。 本文运用光顺样条滤波与径向基神经网络对人民币汇率进行预测研究,不仅可以为中央银行制定与汇率有关的经济政策提供建议,而且能够为企业、投资者制定规避外汇风险的决策提供帮助,具有一定的现实意义。
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2011
【中图分类】：F832.52;F224
【文章目录】：
摘要
Abstract
插图索引
附表索引
第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 相关文献综述
1.2.1 汇率预测研究方法
1.2.2 基于人工神经网络的汇率预测
1.2.3 非参数估计应用现状
1.3 研究思路与研究内容
第2章 相关研究基础与理论分析
2.1 汇率理论与汇率预测方法
2.1.1 基于基础分析的汇率预测
2.1.2 基于技术分析的汇率预测
2.2 人工神经网络原理
2.2.1 人工神经网络技术原理
2.2.2 感知器神经网络及其分析
2.2.3 BP神经网络及其分析
2.2.4 RBF神经网络及其分析
2.3 非参数估计方法
2.3.1 非参数估计原理
2.3.2 SS滤波技术原理
2.4 SS滤波与RBF神经网络组合预测方法
第3章 基于SS滤波与RBF模型的预测方法设计
3.1 组合预测模型框架的提出
3.2 SS滤波分解算法的提出
3.2.1 SS滤波的参数选择
3.2.2 分解算法停止准则的设计
3.3 序列最优滞后期的估计
3.4 RBF神经网络的构建
3.4.1 RBF神经网络的创建方式
3.4.2 扩展系数的选择
第4章 基于SS滤波与RBF模型的人民币汇率预测
4.1 样本选取与基本统计特征
4.2 模型关键参数的估计
4.2.1 基于SS滤波的汇率多层次分解
4.2.2 各子序列最优滞后期的确定
4.2.3 RBF神经网络参数的确定
4.3 模型预测效果的比较分析
4.3.1 模型预测效果的评价标准
4.3.2 模型群样本内拟合能力比较
4.3.3 模型群样本外预测能力比较
4.4 模型群预测性能的显著性检验
结论
参考文献
致谢
【参考文献】
本文编号：2892873
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2011
【中图分类】：F832.52;F224
【文章目录】：
摘要
Abstract
插图索引
附表索引
第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 相关文献综述
1.2.1 汇率预测研究方法
1.2.2 基于人工神经网络的汇率预测
1.2.3 非参数估计应用现状
1.3 研究思路与研究内容
第2章 相关研究基础与理论分析
2.1 汇率理论与汇率预测方法
2.1.1 基于基础分析的汇率预测
2.1.2 基于技术分析的汇率预测
2.2 人工神经网络原理
2.2.1 人工神经网络技术原理
2.2.2 感知器神经网络及其分析
2.2.3 BP神经网络及其分析
2.2.4 RBF神经网络及其分析
2.3 非参数估计方法
2.3.1 非参数估计原理
2.3.2 SS滤波技术原理
2.4 SS滤波与RBF神经网络组合预测方法
第3章 基于SS滤波与RBF模型的预测方法设计
3.1 组合预测模型框架的提出
3.2 SS滤波分解算法的提出
3.2.1 SS滤波的参数选择
3.2.2 分解算法停止准则的设计
3.3 序列最优滞后期的估计
3.4 RBF神经网络的构建
3.4.1 RBF神经网络的创建方式
3.4.2 扩展系数的选择
第4章 基于SS滤波与RBF模型的人民币汇率预测
4.1 样本选取与基本统计特征
4.2 模型关键参数的估计
4.2.1 基于SS滤波的汇率多层次分解
4.2.2 各子序列最优滞后期的确定
4.2.3 RBF神经网络参数的确定
4.3 模型预测效果的比较分析
4.3.1 模型预测效果的评价标准
4.3.2 模型群样本内拟合能力比较
4.3.3 模型群样本外预测能力比较
4.4 模型群预测性能的显著性检验
结论
参考文献
致谢
【参考文献】
相关期刊论文 前10条
1 谢赤;张娟;孙柏;;汇改进程中的人民币兑欧元汇率行为研究[J];当代财经;2009年10期
2 周振;;基于径向基神经网络的人民币汇率预测[J];电脑开发与应用;2009年03期
3 常振海;张德生;张华;黄师娟;;小波分析与非参数估计在汇率中的应用研究[J];纺织高校基础科学学报;2009年01期
4 刘潭秋;王巧玲;;新加坡汇率管理的SETAR模型研究及启示[J];系统工程;2006年07期
5 任兆璋,宁忠忠;购买力平价理论与人民币汇率升值压力实证分析[J];南方金融;2003年12期
6 戴晓枫,肖庆宪;时间序列分析方法及人民币汇率预测的应用研究[J];上海理工大学学报;2005年04期
7 张奕韬;;基于ARIMA模型的外汇汇率时间序列预测研究[J];华东交通大学学报;2009年05期
8 路威,余旭初,刘娟;高光谱遥感数据三次光滑样条滤噪[J];测绘学院学报;2005年01期
9 张萍;利率平价理论及其在中国的表现[J];经济研究;1996年10期
10 惠晓峰,柳鸿生,胡伟,何丹青;基于时间序列GARCH模型的人民币汇率预测[J];金融研究;2003年05期
相关硕士学位论文 前1条
1 吕晓华;中国股市的非线性特性分析[D];浙江工商大学;2008年
本文编号：2892873
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/2892873.html
