基于混合模型的人民币兑美元汇率预测研究.pdfVIP

基于混合模型的人民币兑美元汇率预测研究 摘 要 2016 年 10 月1 日，继美元、英镑、欧元、日元后，人民币正式被纳入到SDR 货币篮子，成为全球第五个主要储备货币，人民币汇率市场化程度得到明显提升。伴 随中美贸易摩擦的持续升级，人民币汇率波动逐渐成为市场关注焦点，因此对人民币 汇率波动规律的把握并对其进行预测具有非常重要的意义。但汇率作为金融时间序列 数据的一种，本身具有非线性、非平稳、多尺度、长记忆性等特征，这些特征在一定 程度上影响了汇率数据的预测精度。诸多学者针对这一问题，试图从不同角度出发， 给出提高预测准确度的解决办法。 基于上述背景，本文将结合数据特征分解技术和深度学习相关模型，探索高效预 测人民币兑美元汇率变动趋势的方法。除了在单项模型 （长短时记忆网络、时序卷积 网络）中进行人民币兑美元汇率的预测对比外，本文还在混合模型中进行对比。数据 WT EEMD 特征分解方法采用小波分解 （ ）、集合经验模态分解 （ ）和深度学习中的 LSTM TCN 长短时记忆网络 （ ），预测模型选择的是时序卷积网络 （ ）和门控循环单 GRU WT-TCN-GRU 元 （ ），兼顾数据特征分解和序列预测两者性能后，提出 、 EEMD-TCN-GRU Seq2seq RMSE 和序列到序列 （ ）模型。最终以均方根误差 （ ）、平 MAE MAPE R2 均绝对误差 （ ）、平均绝对百分比误差 （ ）和决定系数 （ ）作为本文 模型预测准确度的评判标准。 在以模型预测误差为评判标准的体系下，本文通过各单项模型间、不同分解方法 间的性能进行对比分析，实证发现单项预测模型中，TCN 模型在人民币兑美元汇率 序列的预测误差要小于LSTM 模型，预测准确度更佳，丰富扩展了TCN 模型方法在 金融时间序列上的应用。在混合模型中，Seq2seq 模型在人民币兑美元汇率序列上的 WT-TCN-GRU EEMD-TCN-GRU 预测准确度均高于 和 两种混合模型，表现出良好的 可行性和优越性，将分解集成混合预测模型中的多尺度分解方法用神经网络来代替形 成新的Seq2Seq模型，能提供一定的参考价值给外汇市场参与者。此外，本文还建立 模型预测步长的敏感度分析，即用滞后多少个交易日的汇率数据作为特征，研究结果 发现，数据间越高相关性对应步长越短，预测效果更佳。不过是否是越短步长的预测 结果越佳，还需要分析数据以外的影响因素。为此在后续研究中，要合理控制步长参 数大小，保证模型预测结果更加客观。 关键词：小波分解；集合经验模态分解；门控循环单元；时序卷积网络；Seq2seq模 型；混合预测模型 1 基于混合模型的人民币兑美元汇率预测研究 目 录 第一章 绪论1 第一节 研究背景与研究意义 1 一、研究背景 1 二、研究意义2 （一）理论意义2 （二）实际意义2 第二节 文献综述3 一、汇率预测研究现状3 二