1994年1月1日,中国将官方汇率与外汇调剂价格并轨,开启了人民币市场化改革的进程。2005年7月21日,中国央行公布了人民币汇率形成机制改革方案,实行“以市场供求为基础、参考一篮子货币调节、有管理的浮动汇率制度”,将非美元兑人民币即期汇率围绕中间价的浮动幅度由1.5%扩大到3%,2007年又将美元兑人民币即期汇率浮动范围由3‰扩大至5‰。随着市场化改革的深入,2015年8.11汇改进一步放开对汇率中间价的管制,公开了人民币汇率中间价报价机制,加大了对一篮子货币的参考力度。随着人民币汇率波动的逐渐增大,如何准确的预测汇率进而制定有效的投资策略和风险管理决策,成为学界和实务界广泛关注的重要问题。目前汇率预测面临挑战,Meese和Rogoff(1983)的研究指出即使最简单的随机游走模型也能击败复杂的结构计量模型,随后大量的研究支持这一结论。各种时间序列模型被广泛用于汇率预测,但是这些模型通常采用线性形式,估计方法基本采用最大似然法,并假设变量服从正态分布,但是实际中汇率并不具有线性特征,不是线性可预测的。Kuan和Liu(1995)研究指出线性模型在汇率预测上并不具有优势。因此一个自然的问题是,是否非线性模型在汇率预测上更具有优势?本文首次采用ASAPP和麻省理工最新提出的简单循环单元(SRU)深度学习网络进行汇率预测,该模型除了具有对非线性特征完全的逼进能力之外,还具有并行计算、结构简单、防止过拟合与梯度消失的问题,显著提高深层网络的学习速度。本文数据选取2015年8月11日汇改至2018年8月9日USD/CNY、EUR/CNY、JPY/CNY、GBP/CNY等货币对的中间价作为预测对象,采用固定预测方法将简单循环单元(SRU)与同类型的长短期记忆模型(LSTM)和门循环单元(GRU),常用的反向传播神经网络(BP)和概率神经网络(PNN),以及传统的计量经济学模型进行比较。研究结果表明SRU的预测误差比传统的计量经济学模型下降49%。预测误差比浅层网络下降36.6%至44.7%。预测误差比同类型的深层网络下降29.7%至35%,在预测准确性提高的同时,学习速度也提升18%至23%。本文也对随机游走模型进行了比较,单步预测下除USD/CNY,SRU对其他三个货币对的预测精度均优于随机游走模型,并且随着预测长度的增加SRU的预测优势进一步增加。这一结果令人振奋,这说明深度学习通过对低层的特征进行重新组合,形成更抽象的高层特征,能够更有效地发现隐含于数据中的分布式特征。目前国际上金融与人工智能的学科交叉趋势日益明显,本文研究表明,在中国这样一个处于开放条件下经济转轨的发展国家中,影响汇率行为的因素较多,使得汇率变化更加复杂,这种环境条件下要提高汇率预测的准确性,必须加强包括深度学习在内的非线性预测模型的研究和运用,这对提升中国的经济预测能力和决策的前瞻性具有重要的意义。本文后续研究将进一步扩大研究的币种和样本数量,同时加强对深度学习最优网络结构的研究,并开发基于深度学习的自动化交易系统,提高我国的金融人工智能化水平。