小波与混理论相结合汇率预测.docVIP

小波与混理论相结合汇率预测 　　[摘 要] 应用小波变换和混沌理论提出了一种汇率建模及预测的方法。首先应用小波分解理论对汇率序列进行分解，得到低频部分和高频部分；然后在此基础上作进一步分析，以确认高、低频部分都存在混沌特性；再应用混沌理论分别建立高、低频部分的预测模型，进行预测；最后对混沌模型预测的结果予以小波重构，实现对原始汇率序列的预测。对两种主要货币兑美元的日汇率序列进行了实证。研究表明，该方法具有较高的精度，并具有极大的应用前景。 　　[关键词] 小波分解 汇率 混沌 预测 　　 　　汇率在宏观经济政策、商业经营和个人决策制定上的作用越来越重要,这种重要性使汇率预测已经成为国内外学者研究的热点。然而，汇率系统是一个复杂的系统，它具有复杂的非线性动力系统特征,既受确定性规律支配,又表现出某种随机现象，因此要做到对汇率进行准确的预测是一个很难的研究课题。 　　汇率预测问题属于时间序列预测范畴, 传统的时间序列分析模型主要是基于线性自回归(Auto Regression, AR)模型和线性自回归滑动平均(Auto Regression Moving Average, ARMA)模型，如矢量自回归模型、双线性模型以及门限自回归模型等。这些模型对线性系统具有较好的预测效果，但用于预测汇率这样的非线性系统时，准确性较差。神经网络预测方法虽然具有逼近非线性的能力，然而，当用它来预测汇率系统时，其结果并不理想，而且还存在着算法收敛速度、网络推广能力等目前难以突破的障碍和困难。 　　小波分析的提出和发展为研究汇率预测问题提供了强有力的工具。小波变换具有独特的多尺度分析能力，能将时间序列按不同尺度分解成不同的层次，从而降低时间序列中存在的非线性程度，而使问题变得简单，便于分析和预测。基于此，本文提出一种方法，将小波变换与混沌理论相结合，对汇率预测进行研究，以期提高预测的精度。 　　一、小波分解理论概要 　　设其傅立叶变换为，当满足允许条件： 　　(1) 　　时，称为一个基本小波或母小波。将经伸缩和平移后得 　　(2) 　　称其为一个小波序列，式中，a为伸缩因子；b为平移因子。 　　小波分析的重要???用之一是多分辨分析。多分辨分析是一种对信号的空间分解的方法，在其基础上，产生了小波分解的Mallat算法。运用Mallat算法，可以将信号一层层进行分解，每一层分解的结果是将上次分解得到的低频信号再分解成低频和高频两部分。例如，从第一层开始分解，结果有高频部分D1和低频部分；接着，对低频部分进行进一步的分解，结果有高频部分D2和低频部分。如此，一直把信号进行分解，经过N层分解之后，原始信号X分解为： 　　X=D1+D2+∧+DN+AN (3) 　　式中，D1,D2,∧,DN分别为第1层、第2层到第N层分解得到的高频信号(又称细节信号)；AN为第N层分解得到的低频信号(又称逼近信号)。 　　如能对D1,D2,∧,DN和AN进行预测，然后通过小波重构算法即可实现对原始信号的预测。 　　二、汇率预测研究 　　汇率价格具有波动特性，由于波动的时间性，其在不同时间上波动的快慢是不同的，即它具有不同的高或低频特性，利用小波变换的特性能够扑捉到这种特性，当不能完全展现波动特性时（精度不满足要求）就需要通过多层次的变换去实现。 　　本文选取2005年7月22日～2008年11月7日的加拿大元兑美元和英镑兑美元日汇率数据，对汇率进行建模和预测。数据来源于美国联邦储备银行圣路易斯官方网站。 　　1.小波分解及特征分析 　　利用小波分解算法，分别对加拿大元兑美元和英镑兑美元日汇率序列进行五层分解，即将原始时间序列分别分解成低频部分 和高频部分 ，分解层数的选择是根据预测误差最小而定。加拿大元兑美元和英镑兑美元日汇率序列分解后的高低频部分的波形分别如图1，图2所示。 　　文献已证明汇率时间序列是具有混沌特性的，因此，两个汇率序列经小波分解后的高频部分很可能仍然具有混沌特征，需要进行判断。判断一个序列是否具有混沌特征，要看这个序列的最大Lyapunov指数是否为正。如果为正，则此序列是混沌的。本文采用小数据量方法分别求取各高频部分的最大Lyapunov指数，其结果都为正，因此可以判断两个汇率序列的高频部分都具有混沌特性，可通过建立各自的混沌模型进行预测。图1、图2所显示的低频部分虽然较平缓，然而经过计算，其最大Lyapunov指数仍为正，因此低频部分也具有混沌特性，也可通过建立各自的混沌模型进行预测。 　　2.汇率预测 　　2005年7月22日～2008年11月7日加拿大元兑美元和英镑兑美元汇率数据，其样本数量分别为833个，将其分别进行5层小波分解后，分别得到6层时间序列，每层时间序列均有833个数据。由于分解后的时