论文部分内容阅读
正确的分析和预测汇率对制定相关经济金融政策,企业规避外汇风险来说一直都是具有非常重要的意义的。外汇汇率市场作为一个非线性变化的动态市场,汇率的波动变化有着非常显著的非线性和历史依赖的特征。神经网络模型其具有处理非线性特征系统的优势被广泛应用于外汇预测中并被证明比以往的时间序列预测具有更高的精度。但传统的神经网络模型却忽略了序列内部的先后时序关系,后来有学者提出具有记忆持久化功能的递归神经网络(RNN)来解决时序依赖的问题,但RNN在实践中常有梯度消失、难以训练的问题。因此后来人们提出基于门控制长短期记忆单元神经网络即LSTM神经网络(Long Short-Term Memory),这种神经网络独特的“门式”控制和记忆单元结构使得其在金融时间序列中被证明比传统RNN具有更高的预测精度。目前将深度学习LSTM神经网络应用于汇率预测方面的研究相对来说比较少,主要还是集中在股指、期货数据上。对于此本文采用LSTM模型来对不同时间跨度的外汇汇率时间序列进行预测。一方面,本文在六种货币对的每分钟汇率收盘价数据的基础上,利用LSTM神经网络对不同时间跨度的短期汇率序列进行预测并对比几种常用的传统预测模型(BP神经网络,支持向量回归)结果表明:深度LSTM模型的汇率预测模型的预测误差要优于这两个传统预测模型。另一方面,在外汇汇率更长时间跨度预测上,对于神经网络在时间间隔增大时预测误差会变大这样一个问题,本文在LSTM模型预测的基础上探究采用迁移学习的方法来提升汇率的变长时间跨度下预测性能,利用三种货币对的日度汇率序列进行时间迁移和货币对迁移两方面不同时间粒度下的汇率预测实证并与LSTM模型直接预测比较,实证结果表明:1、基于时间粒度迁移和货币对迁移的LSTM模型具有更低的预测误差;2、在对澳元兑美元和人民币兑美元汇率的预测中,货币对迁移对LSTM模型预测性能的提升比时间粒度迁移更大。另外本文以时间跨度为3天的人民币汇率为例,通过EEMD(集合经验模态分解)方法,将迁移LSTM和LSTM模型预测结果序列进行分解并与真实序列分解的分量序列进行对比,发现迁移学习之所以能够有效提升LSTM模型对更长时跨度汇率预测的性能,是因为迁移学习在对低时间跨度汇率序列进行预训练的过程中,模型能够更加充分地学习汇率波动的长期变化和趋势特征,因而在对长时间跨度汇率序列的预测中迁移学习LSTM模型能具有更高的精度。