基于RBF 神经网络美元兑人民币汇率的预测.docVIP

基于RBF神经网络美元兑人民币汇率的预测 肖强1 钱晓东1 （1．兰州交通大学经济管理学院 甘肃兰州 730070） 摘要：本研究旨在通过神经网络实现美元兑人民币汇率的预测而进行分析和探讨。通过选用RBF神经网络，并利用改进的K-均值聚类算法，动态的确定RBF神经网络中心，并采用最小二乘法进行RBF神经网络的权值调整，通过美元兑人民币汇率数据的分析和处理，实表明本预测模型的拟合和预测精度均较好 其中为隐含层第i个单元的输出，x为N维输入矢量，为隐含层第i个单元高斯函数的中心，为该隐节点的宽度，n为隐含层的节点数。 由图1可知径向基RBF网络输入和输出之间可认为一种映射关系[6]，即F(x)可表示为： 由此可知，只要选择合适的权值和神经网络中心即可实现网络通过非线性基函数的线性转换，从而也就可以实现从现有数据到未来数据的预测。 1.2 改进的RBF神经网络学习算法 由上述RBF的结构映射关系式(2)可知，该神经网络有两个参数需要确定，即径向基函数的中心点和宽度；输出层和隐含层连接权重，因此RBF神经网络的学习过程可分为两步：RBF网络径向基函数的中心与宽度选择，网络输出层和隐含层权值之间的确定。为此在本文中采用改进的K-均值聚类算法来确定RBF网络径向基函数的中心与宽度，同时利用最小二乘法来确定网络输出层和隐含层之间的权值。 1.2.1 RBF网络径向基函数中心点和宽度的学习算法[7] 由于K-均值算法中表示样本空间的聚类中心的个数是预先知道的，但大多数给定的聚类中心的个数是无法确定的，因此在本改进的算法中将按如下步骤实现： 步骤1：确定聚类中心的类别个数 根据数据的整体选择适当的高斯函数宽度，并将输入的样本令为初始聚类中心及，将数据与中心点进行距离计算当满足，不产生新类，若，则产生新类，并将，依次将k个数据进行上述比较，确定出数据的聚类中心个数M和聚类中心。 步骤2：初始化 根据聚类中心个数M，设置类别数M，则每个类别中心的聚类中心赋初值即： 步骤3：样本划定 将每个样本与M类中心之一相联系，其划分条件要满足 对所有i=1，2…M，i≠j 其中代表第l次迭代时的类别j的全体。 步骤4：计算新的聚类中心 在步骤3中建立的新类的所有成员集合，来重新计算每类的中心位置，以便使从类别中的每个矢量到新的聚类中心的距离之和最小即： 是使公式（4）最小化的所有样本的平均值，因此新的聚类中心用如下公式计算： 其中是步骤3种属于的样本矢量的数量。 步骤5：检查收敛 若满足公式： 则说明没有任何聚类中心位置再变动，否则就要回到步骤4继续迭代。 1.2.2 确定RBF神经网络的权值 利用公式(1)求得隐单元的输出G(x),并利用已知希望输出的数d=[x1 x2 …xM],利用最小二乘法求得RBF神经网络与输出层间的权值即： 最后利用上述RBF网络学习训练的结果将数据代入公式（2），从而可以预测出新的数据结果。 2．RBF神经网络用于美元兑人民币汇率的预测 下图2是2006年7月-2008年7月近两年的人民币汇率兑美元汇率图，如图2所示 图2：2006年7月-2008年7月美元兑人民币汇率图 由图可知，美元兑人民币汇率的数据可以看做一个时间序列，即，考虑到人民币汇率一周有五个交易日的数据，本文将建有一个五个输入点和一个输出节点的RBF神经网络作为预测模型，希望通过序列前5个时刻得值预测后一个时刻的值，在本文中将采用序列的前5个时刻为滑动窗，并将其映射为1个值，这个值代表滑动窗之后的预测值，具体实现如下表1： 5个输入 1个输出 x1,x2,…x5 x6 x2,x3…x6 x7 … … xk,xk+1, …xk+5 Xk+6 表1： 数据的样本划分表 美元兑人民币汇率数据总共488个，即时间序列长度L=488，首先将2006年7月至2007年6月的241个样本作为学习样本，利用上述算法进行RBF神经网络的中心节点数和权值的确定，然后将2007年7月至2008年7月的247个样本作为与预测样本的比对样本，对已学习好的RBF神经网络进行预测检验，具体预测结果及预测误差如图3，图4 所示： 图3：2007年7月-2008年7月美元兑人民币汇率预测曲线图 图4：2007年7月-2008年7月美元兑人民币汇率预测误差曲线 从图3，图4中可以看出本预测模型预测的结果和实际值的差别并不大，说明本模型在预测美元兑人民币汇率上的可行性；同时从图3中的预测曲线走势也可以看出人民币汇率在近期内加速升值或一次性大幅度升值可能性不大，人民币升值的速度会变缓，同时变动的频率和幅度也会不断增加，长期内升值的趋势仍然存在参考文献[4] 刘志杰 季 令 叶玉玲等 基于径向基神经网络的集装箱吞吐量组合预测US dollar/RMB e