基于神经网络通货膨胀预测模型研究.docVIP

基于神经网络通货膨胀预测模型研究 　　◆ 中图分类号:F830 文献标识码:A 　　内容摘要:本文采用神经网络的方法,利用消费者物价指数、工业增加值和货币供给等数据,分别以BP神经网络、RBF神经网络和Elman神经网络建立通货膨胀预测模型。三个模型预测结果表明,采用神经网络方法建立的模型能够较好地预测通货膨胀的变动。通过比较BP神经网络和Elman神经网络预测结果可以看出,带有反馈机制的神经网络模型预测性能优于一般神经网络模型。 　　关键词:通货膨胀 预测 神经网络 　　 　　通货膨胀预测对于一个国家的经济运行非常重要。宏观政策制定者往往密切关注未来的通货膨胀趋势, 以作为制定宏观经济政策的参考因素之一。 　　国外学者对通货膨胀预测做了相关研究。如Gabriel Moser(2007)比较了预测澳大利亚通货膨胀的因素模型、VAR模型和ARIMA模型三种模型,实证结果表明因素模型优于VAR及ARIMA模型。Kirstin Hubrich(2005)的研究利用Random Walk方法、VAR方法、AR方法、菲利普斯曲线方法等方法预测欧洲地区的通货膨胀。Prasad S. B(2008)研究发现,考虑汇率因素会提高通货膨胀的预测精度。Cludia Duarte(2007)将总的通货膨胀指标看作不同层次的分解变量组合,如分解为教育、食品等不同的成分,并将分解后不同层次的成分使用不同的模型进行研究。 　　国内学者研究了我国通货膨胀的预测问题。如张德生等(2007)利用非参数回归模型建立了我国通货膨胀模型,预测结果良好。陈慎思(2005)研究了我国通货膨胀和GDP增长率之间的关系,研究表明通货膨胀率与GDP增长率之间存在着三次回归模型的非线性关系。 　　近年来,人工智能和神经网络技术的快速发展使得神经网络在金融及经济学中应用越来越广泛。神经网络对非线性关系模拟预测具有的特有优势,对金融时间序列数据具有很好的预测能力。Saeed Moshiri et al(1999)研究了静态、动态及混合型的神经网络在通货膨胀预测方面的应用。Emi Nakamura(2005),S.Adnan(2007)利用神经网络对不同国家的通货膨胀建立了相关模型,结果显示利用神经网络方法建立的模型预测结果优于传统的一些模型,如AR模型。本文将使用误差反传(BP)神经网络、径向基函数(RBF)神经网络及反馈型神经网络(Elman)三种不同的神经网络建立我国通货膨胀模型,并比较三种模型的预测能力。 　　 　　数据选取和神经网络的应用特点 　　 　　(一)数据选取 　　数据选取区间从2002年至2008年月度数据,数据来源:锐思数据库(http://www.省略)。通货膨胀主要与国内生产总值(GDP)和货币供给情况有关,因此本文建立模型考虑的因素包括消费者物价指数(CPI),以2000年12月为基期;由于我国没有GDP的月度数据,参考相关文献及研究惯例使用工业增加值增长率月度数据代替GDP增长率指标;货币供给情况选择货币(M2)供给增长率月度数据。以CPI代表通货膨胀水平。数据处理采用Matlab软件。 　　(二)神经网络的应用特点 　　BP神经网络结构如图1所示。 图1表示有N1个输入单元,中间有一个或多个隐含层,输出层有Nm个输出数据。各层之间互相连接,每个连接的权值不同,BP神经网络学习过程就是通过学习样本数据中的信息来修正权值的过程。BP网络是目前应用最为广泛和成功的神经网络,是一种多层网络的“逆推”学习算法。学习过程由信号的前向传播和误差的反向传播两个过程组成。 　　BP网络学习过程首先根据样本输入,通过前向传播计算方法得到网络输出,然后计算网络输出与期望输出之差,也就是样本实际输出的误差,按照误差反向传播计算的方法修正相关权值,直到网络输出达到误差要求(朱大奇、史慧,2006)。 　　基本的RBF神经网络有三层,其结构如图2所示。 　　RBF神经网络学习过程主要是调整βj的过程,其中βj为隐含层到输出层的连接权重,主要原则是根据输出数据与期望数据之间的误差做相应调整。过程如下: 　　其中,βj(t)是隐含层单元j在t时刻与输出层的连接权重,η表示学习效率。 　　Elman 神经网络的特点是隐含层的输出通过承接层的延迟与存储自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的(飞思科技产品开发中心,2005),其结构如图3所示。 　　 　　模型构建及实证分析 　　 　　下面分别采用上述三种神经网络建立通货膨胀预测模型。三种神经网络各具特点,BP神经网络是应用最早也是目前应用最广泛的一种神经网络;RBF网络是一种采用局部逼近技