结合GMDH算法和AC算法建模汇率预测.docVIP

结合GMDH算法和AC算法建模汇率预测 　　摘要： 汇率波动预测是金融市场的一个重要课题，本文结合GMDH算法（分组数据处理算法）和AC算法（相似体合成算法）建立模型用于预测汇率市场的波动。首先用相似体合成算法选择与当前时期有相同特征的相似体，再用分组数据处理算法将相似体进行加权组合，选择最优模式，用于预测当前时期的发展趋势。实证结果表明，此组合模型的预测效果较好。 Abstract： Exchange rate forecasting is an important subject in financial market. This article applies both parametric （group method of data handling， GMDH） and nonparametric （analog complexing， AC） self-organising modelling methods for exchange rate forecasting. The AC method used the data themselves to identify patterns with similar characteristics. The GMDH algorithm is used to combine the analog patterns and identify an optimum ensemble which has similar characteristics with the modelling object. The empirical results show that the combined method can well forecast exchange rate. 关键词： 自组织建模；相似体合成算法；分组数据处理；预测 Key words： self-organising modelling；analog complexing；GMDH；forecasting 中图分类号：F830.91 文献标识码：A 文章编号：1006-4311（2013）23-0148-02 0 引言 20世纪70年代布雷顿森林体系解体后，国际货币体制发生了根本改变，浮动汇率制取代固定汇率制成为了世界上主要的汇率制度，汇率变化显现出了复杂化和动态化的特征。汇率的波动使国际经济秩序和金融市场的稳定性受到影响，国际经济交易中的不确定性和风险大大增加。2005年中国人民银行宣布人民币实行有管理的浮动汇率制度，这使得人民币汇率更能有效的反映市场供求状况，但同时也导致人民币汇率的波动。因此汇率研究日益成为经济学的一个重要课题。 传统的汇率预测方法以现有的汇率决定理论（如购买力平价假说、国际收支学说、利率平价假说、资产市场假说等）为基础，在汇率与影响汇率的各种经济变量之间建立线性模型[1]-[3]。但是基于线性研究模式的传统汇率决定模型无法解释现实中的很多异像，如统计分布的“尖峰厚尾”性、波动的集群性等[4]-[5]。越来越多的研究表明汇率系统具有复杂的非线性特征，因此，近年来越来越多的非参数、非线性方法被应用到汇率预测的研究中，比如神经网络（Artificial Neural Network，ANN）、支持向量机（Support Vector Machine，SVM）、最小二乘支持向量机（Least squares support vector machine，LSSVM）、分组数据处理（Group Method of Data Handling，GMDH）、小波分析、遗传算法、混沌时序预测方法等等[6]-[9]。 本文提出一种结合参数自组织建模与非参数自组织建模的混合模型来预测汇率。参数自组织建模即多层迭代的GMDH算法，非参数自组织建模即相似体合成算法（Analog complexing，AC），用AC算法选择与当前时期有相同特征的相似体，再用GMDH算法将相似体进行加权组合，选择最优模式，用于预测当前时期的发展趋势。以上两种算法按照顺序组合起来，利用各自的优势，可以提高预测的精度，优于单一模式。将该混合模型用于实证分析外汇市场上的人民币（RMB）兑美元（USD）、人民币兑港币（HKD）两种汇率，并与单一的ANN模型和GMDH模型对比，结果表明该模型较具有较好的预测效果。 1 预测模型 1.1 GMDH算法原理 GMDH算法由Ivakhnenko于1967年提出，利用多层神经网络，借助自组织原理，由计算机利用数据相对客观地选择变量之间的关系，用外准则选取最优模型，实现对研究对象内部结构的模拟[10]-[12]。GMDH算法是神经网络的