LSTM-GRU混合模型在汇率预测中的表现.docxVIP

LSTM-GRU混合模型在汇率预测中的表现

一、引言

在开放经济环境下，汇率是连接国内外经济循环的核心价格变量，其波动直接影响跨境贸易结算、跨境资本流动、外汇储备管理、企业汇率风险管理乃至宏观金融稳定，准确预判汇率走势一直是国际金融领域学术界和实务界共同关注的核心命题。早期的汇率预测研究多基于宏观经济理论构建线性模型，但随着全球金融市场一体化程度加深，外汇市场参与主体更加多元，影响汇率波动的因素从传统的贸易收支、利差水平，扩展到市场情绪、政策沟通、地缘冲突、跨境资本流动等多个维度，汇率序列呈现出明显的非平稳、非线性、长记忆与短期波动聚集共存的特征，传统模型的线性假设与真实汇率运行规律的偏差持续扩大，预测有效性不断受到质疑（Meese等，1983）。

从行业实践来看，从最早的购买力平价、利率平价等理论模型，到传统统计时序模型，再到浅层机器学习模型，各类方法的迭代始终围绕“更精准捕捉汇率波动规律”这一核心目标，但始终难以突破线性假设、长程记忆缺失等固有局限。深度学习技术的发展为时序建模提供了新的工具，门控循环类神经网络因为解决了长序列训练中的梯度消失问题，逐渐成为汇率预测领域的主流技术路线，其中长短期记忆网络和门控循环单元是应用最广泛的两种模型结构。但大量实证研究发现，单一结构的模型在汇率预测中始终存在短板：长短期记忆网络的长程趋势捕捉能力强，但训练效率低、对短期波动反应慢；门控循环单