（管理科学与工程专业论文）基于UKW聚类与反馈神经网络的人民币兑欧元汇率预测.pdf

r e s e a r c ho nt h er m b e u re x c h a n g er a t ef o r e c a s t i n gb yu k w c l u s t e r i n gt e c h n i q u e a n dr e c u r r e n tn e u r a ln e t w o r k b y z h a n gj u a n b m ( h u n a nu n i v e r s i t y ) 2 0 0 7 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o r t h ed e g r e eo f m a s t e ro fm a n a g e m e n t l n m a n a g e m e n ts c i e n c ea n de n g i n e e r i n g i nt h e g r a d u a t es c h o o l o f h u n a nu n i v e r s i t y s u p e r v i s o r p r o f e s s o rx i ec h i a u g u s t ，2 0 0 9 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取 得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其 他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个 人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果 由本人承担。 作者签名：事长娟 日期：- 1 矿4 m2 月站日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学 校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查 阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关 数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位 论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“”) 作者签名： 导师签名： 狼柏 玉毽 _ - _ _ l _ 。- 、 日期：淅7 年9 月 8 日 日期：z 巧年孑月谚日 硕十? 学位论文 摘要 汇率既是联系国际间经济往来的纽带，也是可以及时有效地反映一国经济稳 定与金融安全状态的重要变量。近年来中欧经贸关系的突飞猛进、欧元国际地位 的迅速上升以及2 0 0 5 年汇改后人民币放弃单一即住美元等因素都使得人民币兑欧 元汇率受到越来越多的关注，特别是全球金融海啸爆发后人民币兑欧元汇率行为 变得更为复杂，对其准确描述与预测也迅速成为中国外汇管理的关键环节。 本文综合考虑了汇率行为的多尺度复杂性，以及现有汇率预测研究中神经网 络模型应用的局限性，在对研究期内的人民币兑欧元汇率数据进行正态性检验、 非线性检验以及混沌性判别的基础上，提出将多维空间聚类u k w 算法与动态反馈 神经网络组合构建汇率预测模型的方法，同时优化神经网络的输入变量和学习机 制。实证分析从样本内拟合、样本外预测及显著性检验三方面系统地比较了4 种 神经网络模型在不同参数条件下的预测能力，结果表明结合u k w 聚类与层反馈 r n n 2 网络构建的预测模型为人民币兑欧元汇率行为描述与预测能力最强的模型。 本文采用u k w 聚类结合反馈神经网络的方法实现了对汇改以来的人民币兑 欧元汇率行为较为准确的描述与预测，研究结果为制定与汇率有关的宏观经济政 策、规避外汇风险等决策均具有一定的现实指导意义。 关键词：人民币兑欧元；汇率预测；u k w 聚类；反馈神经网络：相空间重构 基于u k w 聚类j 反馈神绎网络的人民币兑欧元汇串预测 a b s t r a c t e x c h a n g er a t ei sn o to n l ya ni m p o r t a n tb r i d g et om a i n t a i ne c o n o m i ct i e sb e t w e e n c o u n t r i e s ，b u ta l s oac r i t i c a lv a r i a b l ew h i c hc a ne f f e c t i v e l ya n dt i m e l yr e f l e c t st h e e c o n o m i cs t a b i l i t ya n df i n a n c i a ls e c u r i t y i nr e c e n ty e a r s ，d u et ot h er a p i dg r o w t ho f t r a d er e l a t i o n sb e t w e e nc h i n aa n de u ，t h ee l e v a t e di n t e m a t i o n a ls t a r e so ft h ee o r oa n d c 缸i l a sa b a n d o no f s i n g l eu s d - p e g g i n ge x c h a n g er a t er e g i m es i n c et h er e f o r mi n2 0 0 5 ， t h er m b e u re x c h a n g er a t eh a sd r a w nm o r ea n dm o r ea t t e n t i o nf r o ma r o u n dt h ew o r l d i np a r t i c u l a r , s i n c ei t sb e h a v i o rh a ss h o w nm o r ec o m p l e x i t ya f t e rt h eg l o b a lf i n a n c i a l t s u n a m i ，i tb e c o m ee v e nm o r ei m p o r t a n tt om a k er e a l i s t i cd e s c r i p t i o na n da c c u r a t e p r e d i c t i o no ft h er m b e u re x c h a n g er a t ef o rc h i n a sf o r e i g ne x c h a n g em a n g a g e m e n t t h i s p a p e rc h o o s e sr m b e u rs e r i e s a st h eo b j e c t ，i nc o n s i d e r a t i o no ft h e m u l t i - s c a l ec o m p l e x i t yw i t h i ni t sb e h a v i o ra sw e l la st h el i m i t a t i o n so fa n nm o d e l a p p l i e di nt h ec u r r e n te x c h a n g er a t ep r e d i c t i o nr e s e a r c h e s b a s e do l lt h et e s t so f n o r m a l i t y , n o n l i n e a r i t ya n dc h a o se x i s t e di nt h er m b e u re x c h a n g er a t es e r i e s ，t h i s p a p e rp r o p o s e sah y b r i df o r e c a s t i n gm o d e lb yc o m b i n i n gt h em u l t i d i m e n s i o n a ls p a t i m u k w c l u s t e r i n ga l g o r i t h mw i t ht h ed y n a m i cr n nt e c h n i q u e ，w h i c hi ss u p p o s e dt o 0 1 3 1 ；t i m i z eb o t ht h ei n p u ts e l e c t i o na n dt h el e a r n i n gm e c h a n i s mo fa n nm o d e l f r o m t h r e ea s p e c t sa st h ei n - s a m p l ef i t ，o u t - o f - s a m p l ef o r e c a s t i n ga n dt h es i g n i f i c a n c et e s t ，i n t h e e m p i r i c a l s t u d i e st h ep r e d i c t i o n a c c u r a c yo ff o u ra n nm o d e l sv e i t hv a r i o u s p a r a m e t e r sa r ec o m p a r e d t h er e s u l t ss h o wt h a tu k wc l u s t e r i n gb a s e dr n n 2m o d e li s t h eb e s to n et od e s c r i b ea n df o r e c a s tt h eb e h a v i o ro fr m b e u re x c h a n g er a t e w i t ht h ec o m b i n a t i o no fu k w c l u s t e r i n ga n dr n nm o d e l t h i sp a p e rh a so f f e r e da b e t t e re x p l a n a t i o na n dp r e d i c t i o no ft h er m b e u r e x c h a n g er a t eb e h a v i o ra f t e rt h e r e f o r m ，w h i c hh a sa l li m p o r t a n ts i g n i f i c a n c ei nt h ee x c h a n g er a t er e l e v a n td e c i s i o n m a k i n gf o rb o t he c o n o m i cp o l i c i e sa n dr i s ka v e r s i o n k e yw o r d s ：r m ba g a i n s te u r o ；e x c h a n g er a t ef o r e c a s t i n g ；u k wc l u s t e r i n g ； r e c u r r e n tn e u r a ln e t w o r k ；p h a s es p a c er e c o n s t r u c t i o n i i i 硕l ：学位论文 目录 学位论文原创性声明和学位论文版权使用授权书i 摘要l i a b s t r a c t i i i 插图索引0 0 0 0 0 v i 附表索引”_ v i i 第1 章绪论1 1 1 研究背景及意义l 1 1 1 研究背景l 1 1 2 研究意义3 1 2 相关文献综述4 1 2 1 汇率行为描述与预测研究动态4 1 2 2 汇率预测的神经网络方法研究综述5 1 2 3 基于聚类的神经网络模型及其预测研究现状7 l - 3 研究思路及主要内容8 第2 章研究的方法论基础与理论分析1 0 2 1 神经网络预测方法与汇率预测建模1 0 2 1 1 人工神经网络原理1 0 2 1 2 神经网络预测模型的泛化能力与过拟合问题1 2 2 1 3 汇率预测的神经网络模型关键参数分析1 3 2 2 汇率预测与时间序列聚类分析技术1 5 2 2 1 时序数据聚类的相似性度量1 6 2 2 2 汇率复杂性与空间聚类技术分析1 6 2 2 3 非监督动态窗口u k w 聚类算法1 9 2 2 4 汇率数据的空间结构与相空间重构技术2 0 2 - 3 空间聚类与神经网络组合的汇率预测方法分析2 3 2 3 1 空间聚类与神经网络组合预测方法2 3 2 3 2 组合方法于人民币兑欧元汇率预测的适用性2 4 第3 章人民币兑欧元汇率时间序列u k w 聚类分析2 6 3 1 样本说明与数据描述2 6 3 2 替代数据方法与人民币汇率序列的非线性检验2 8 3 2 1 非线性检验的替代数据方法2 8 i v 基于u k w 聚类j 反馈神经网络的人民币兑欧兀汇率预测 3 2 2 人民币兑欧元汇率序列的非线性检验2 9 3 3u k w 聚类的关键参数设计3 0 3 3 1u k w 聚类数据的空间结构与c c 算法的改进3 0 3 3 2u k w 算法关键阈值的设定3 l 3 4 人民币兑欧元汇率时序数据的u k w 聚类3 5 3 4 1 人民币兑欧元汇率时序的空间数据结构3 5 3 4 2 建模样本集合的u k w 聚类分析_ 3 7 3 4 3 预测样本集合的聚类簇分配4 0 第4 章人民币兑欧元汇率聚类簇反馈神经网络预测实证4 3 4 1 基于u k w 聚类的反馈网络预测模型的构建4 3 4 1 1 汇率聚类簇与神经网络的输入向量4 3 4 1 2 网络结构的选择与层反馈r n n 2 网络4 4 4 1 3r n n 2 模型各层神经元数目的确定4 6 4 2 实证研究设计4 8 4 2 1 预测效果评价指标4 8 4 2 2 预测实证研究设计4 9 4 3 人民币兑欧元汇率聚类簇的预测效果分析5 l 4 3 1 样本内预测效果的比较与分析5 1 4 3 2 样本外预测效果的比较与分析5 4 4 3 3 模型预测效果的显著性检验? 5 8 结论一二6 0 参考文献0 0000 6 2 弱c 射6 9 附录a 攻读学位期间所发表的学术论文7 0 附录b 攻读学位期间所参与的科研项目7 l v 硕l j 学位论文 _ _ _ _ _ 目_ 目自目= e g = 目| j 自目e i i i e _ | - 盲- 目_ 口目目_ | 自j _ _ _ _ _ _ _ _ _ _ l _ _ _ l _ _ _ _ _ 日l 目目- 目目目目| 目e 目e 自_ _ 插图索引 图1 1 本文技术路线图9 图2 1 多层前馈型神经网络结构1 3 图2 2 多层反馈型神经网络结构1 4 图2 3 多维空间聚类算法分类1 7 图2 4u k w 聚类窗口动态变化示意图2 0 图2 5 空间聚类与神经网络组合预测结构图2 3 图3 12 0 0 5 年汇改后人民币兑欧元汇率价格序列与波动趋势图2 7 图3 2u k w 聚类窗口移动迭代过程示意图3 2 图3 3u k w 聚类窗口扩大迭代过程示意图3 3 图3 4u k w 聚类窗口之间交叉情况示意图3 4 图3 5u k w 聚类丢失类示意图3 5 图3 6 基本c c 算法( 左) 与改进c c 算法( 右) 的& u r 序列时间窗口3 6 图3 7 基本c c 算法( 左) 与改进c c 算法( 右) 的& u r 序列二维相图3 7 图3 8 重构& u r 序列前2 维数据的u k w 算法最优测试结果3 8 图3 9s e u r 序列建模样本u k w 聚类簇的区间分布3 9 图3 1 0 鞋u r 序列预测样本u k w 聚类分配结果的区间分布4 2 图4 1 三层m l p 神经网络结构“4 4 图4 2 三层r n n 2 网络预测模型结构- 小4 6 图4 34 类神经网络模型的样本外预测效果5 8 v l 基于u k w 聚类与反馈神经嘲络的人民币兑欧元汇率预测 附表索引 表2 1 几类空间聚类算法性能评价1 8 表3 1 人民币兑欧元汇率价格与波动情况的描述统计结果2 7 表3 2 重构& u r 序列建模样本u k w 聚类结果与统计特征3 8 表3 3 重构& u r 序列预测样本的u k w 聚类簇分配结果4 l 表3 4 重构& u r 序列预测样本u k w 聚类簇的统计特征4 1 表4 1 重构& u r 序列样本内预测指标结果山5 1 表4 2 重构& u r 序列聚类簇l 样本内预测指标结果5 2 表4 3 重构鞋u r 序列聚类簇2 样本内预测指标结果5 3 表4 4 重构& u r 序列聚类簇5 样本内预测指标比较结果5 3 表4 5 重构& u r 序列样本外预测指标结果5 5 表4 6 聚类簇1 、2 、5 样本外预测各指标比较表5 6 表4 7 重构& u r 序列样本外预测各指标比较结果5 7 表4 8 最优模型预测性能的显著性检验结果5 9 v l i 硕 ：学位论文 1 1 研究背景及意义 章绪论 1 1 1 研究背景 汇率既是联系国际间经济往来的纽带和桥梁，也是影响一国宏观经济运行和 微观资源配置的重要经济变量，一直都是国际经济与金融领域研究的热点。布雷 顿森林体系解体之后，国际货币体制发生了根本改变，各国纷纷进入浮动汇率时 期。此后，汇率变动异常频繁、波动幅度空前加大成为国际金融领域发生深刻变 化的突出表现之一。一方面，汇率变化情况可以在一定程度上体现经济和金融市 场运行的稳定状态。如m c k i n n o n 就曾指出，汇率波动对世界经济波动和国际金融 风险的反应具有很好的时效性和敏感性【l 】。另一方面，一国不确定的汇率变化极易 引发其货币危机，甚至演变为破坏力更大的金融危机，并通过各种传导机制向世 界范围传递。为此，对汇率行为趋势的准确把握和有效预测，不仅有利于各经济 体有针对地制定与汇率有关的宏观经济政策，保障经济稳定和金融安全，也有利 于微观主体进行相关的管理及投资决策，规避外汇风险。 随着中国经济与世界经济相互联系的日益紧密，人民币在国际货币中的重要 地位也越来越突显。与此同时，由于长期以来中国与其主要贸易伙伴国之间的贸 易摩擦不断，特别是以美国和欧盟为代表的经济体往往将其对中国巨额的贸易逆 差归咎于人民币汇率水平不合理，因此人民币汇率的变化趋势成为当前国际经济 对话中备受关注的焦点。 近年来，中欧经贸关系得到了突飞猛进的发展，自2 0 0 4 年起，欧盟已经连续 4 年超过日本和美国成为中国的第一大贸易伙伴。与此同时，欧元自2 0 0 2 年正式 流通使用以来，其国际地位就不断上升；而2 0 0 7 年以来美元的持续疲软，更促使 欧元逐渐成为国际外汇市场的主要盯住通货或参考货币，越来越多的企业在中欧 贸易中选择以欧元计价。随着欧盟对中国的贸易逆差的不断膨胀，人民币与欧元 的汇价关系也成为中欧经济会谈中的关键议题。 自2 0 0 5 年7 月2 1 日起，中国实行有管理的浮动汇率制度，人民币逐步放弃 盯住美元并通过参考一篮子货币进行调节。此后，人民币汇率的弹性有所增强， 波动幅度也日益增大。特别是2 0 0 7 年3 月开始，美国的次级贷款问题升级为危机 并迅速向全球扩散，美元的疲软导致了人民币兑美元汇率出现持续的小幅升值。 其间，由于与人民币相比，欧元对美元的升值幅度要大得多，从而致使至2 0 0 8 年 摹于u k w 聚类与反馈神经网络的人民币兑欧元汇牢预测 6 月底人民币兑欧元汇率累计贬值了7 5 4 。然而，随着次贷危机的愈演愈烈，各 主要国际金融市场均表现出较大幅度的震荡，人民币兑欧元汇率又开始出现波动 性升值。2 0 0 8 年9 月，以美国雷曼兄弟银行宣布破产为标志爆发了全球性金融海 啸，欧元区经济数据表现出的衰退导致欧元走软，使得人民币兑欧元的升值速度 进一步加快。 由此可见，相对于人民对美元的小幅升值而言，人民币兑欧元汇率的双向波 动更为频繁，其行为趋势也更为复杂和不确定。2 0 0 7 年1 0 月，欧盟首次将人民币 汇率水平认定为比美元或日元汇率更让其关切的事情，并对人民币升值施加压力。 金融危机爆发后，2 0 0 9 年3 月欧盟驻华大使赛日安博又曾呼吁中国在汇率问题上 更关注欧元。中国目前在汇率问题上仍然主要关注对美元汇率，事实上，考虑到 欧盟作为中国第一大贸易伙伴的地位，深入研究人民币兑欧元汇率行为，更好地 把握其变化趋势，对于维护中国对外贸易关系的全面稳定具有重要的意义。 目前，学术界对于汇率行为的研究主要集中于采用各种方法对汇率变化进行 描述与预测。在国际金融市场瞬息万变的背景下，汇率行为的发生和演化已经表 现为一个多尺度的复杂系统，汇率系统的各要素之间、系统要素和环境之间也已 形成了更为明显的非线性机制。为此，对汇率行为描述与预测的研究已经开始向 非参数的方法和非线性的思维范式转变。 在众多的非线性方法中，以数据驱动的人工神经网络模型以其较强的自适应 和非线性映射能力，在汇率预测领域受到了广泛的关注和应用。大量的实证研究 也表明，神经网络极大地提高了汇率预测的样本内拟合效果。由于神经网络的原 理是基于输入的历史数据，利用网络自身的学习机制，来识别和获取数据的生成 规则，并据此对未知数据进行预测。因此，学习机制和输入数据是影响神经网络 预测能力最为关键的两个因素。 神经网络内部神经元不同的连接方式构成了多种拓扑结构，使得不同的神经 网络可以提供不同的信息传递和学习机制。在汇率预测领域，目前应用得最为广 泛的为多层感知器网络m l p ( m u l t i p l a y e rn e u r a ln e t w o r k ) ，这种网络训练速度快， 对于样本内数据的拟合能力较强。然而，由于m l p 网络只包含前馈型结构，这种 静态属性使其在描述汇率这种复杂动态系统方面具有不适应性，从而限制了模型 对样本外数据的泛化能力。相对而言，反馈神经网络r n n ( r e c u r r e n tn e r u a ln e t w o r k ) 则由于引入了记忆模式，具备了对动态系统更强的适应能力，因而可以更好地学 习复杂时间序列的变化规律。 与此同时，神经网络的预测效果还取决于输入数据所能提供的预测信息。随 着越来越多的研究表明汇率系统存在多尺度复杂特征，具有某种貌似随机、对扰 动反应敏感的混沌属性，从而使得神经网络往往难以捕捉系统的全部特征，而只 能学习和测得系统的若干分量【2 】。在这样的背景下，以数据挖掘技术为代表的数据 硕i 二学位论文 预处理方法为优化神经网络的汇率预测效果提供了的新思路。聚类分析是一种重 要的数据挖掘技术，根据最大化“类间相异，类内相似”的原则对原始时间序列 数据进行聚簇分组，形成具有不同特征的多个类作为神经网络模型的输入集合， 分别训练神经网络，可以极大地提高神经网络对数据中预测信息的捕捉能力。 1 1 2 研究意义 本文在已有研究的基础上，深入分析2 0 0 5 年实行汇率改革以来人民币兑欧元 汇率的特征及其运行规律，以对其行为进行有效的预测。研究意义主要体现在： ( 1 ) 优化神经网络模型的预测效果，为人民币汇率提供一种准确描述与预测的 方法。当前金融危机冲击下复杂的国际经济环境对人民币汇率的准确预测提出了 更高的要求，非线性思维范式下的神经网络模型在汇率预测方面有着良好的应用 前景。针对神经网络模型在现有汇率预测应用研究中的不足，本文采用优势互补、 组合预测的思想，通过将聚类与动态反馈神经网络相结合的方法，同时优化神经 网络的输入变量和学习机制，以实现在不同时间尺度、不同特征模式类上对汇率 数据建立更具动态学习能力的神经网络模型，从而为人民币兑欧元汇率行为的描 述与预测提供一种更有效的预测方法。 ( 2 ) 深入分析汇改以来人民币兑欧元汇率的行为特征，一定程度上弥补以往在 人民币汇率行为研究中对非美元汇率应用研究的不足。本文选择了2 0 0 5 年汇改以 后的人民币兑欧元汇率作为研究对象，主要出于两方面考虑：一方面，近年来中 欧经贸关系的突飞猛进、欧元国际地位的迅速上升、人民币放弃单- - i t 住美元等 现实背景都迫切要求将人民币汇率行为的研究从“对美元汇率”转向对以欧元为 代表的一篮子货币的视角；另一方面，与人民币对美元汇率的稳定升值相比，近 年来人民币兑欧元汇率的波动性更为明显，特别是全球金融海啸爆发以来，受到 多重因素的影响，人民币兑欧元汇率的变化已经越来越复杂，对其行为的准确预 测既是当前外汇管理的重点，也是人民币汇率研究的关键环节。 ( 3 ) 在当前金融危机背景下，为国家有针对地制定与汇率有关的宏观经济政 策，保障经济稳定和金融安全提供决策支持。一方面，汇率水平是否合理，将会 影响一国宏观经济运行和微观资源配置；另一方面，汇率的波动对世界经济波动 和国际金融风险的反应具有很好的时效性和敏感性，并且不确定的汇率变化极易 引发其货币危机，甚至演变为破坏力更大的金融危机。只有通过有效把握汇率行 为的特征和变化趋势，才能更主动的通过制定各种相关政策，规避外汇风险，有 效应对金融危机的冲击。 ( 4 ) 有利于引导企业制定科学的贸易决策。出口贸易一直是中国经济增长的重 要引擎，金融危机爆发以后，全球主要消费市场持续低迷以及人民币相对非美元 货币的大辐升值给出1 2 1 企业造成较为严重的冲击。当前日益不确定的汇率变化将 基于u k w 聚类j 反馈神经网络的人民币兑欧元汇率预测 继续威胁出口产业的恢复和发展。考虑到欧盟作为中国第一大贸易伙伴国以及欧 元作为主要结算货币的重要地位，对人民币兑欧元汇率走势的准确预测，对于企 业掌握中欧进出口贸易的发展趋势，从而通过制定科学的发展战略，减少汇率波 动带来的损失和金融危机的影响具有重要意义。 1 2 相关文献综述 。1 2 1 汇率行为描述与预测研究动态 汇率行为描述与预测的研究一直是国际金融研究中的重点问题，对于该问题 的研究主要沿基本分析方法和技术分析方法两方面展开。汇率预测的基本分析方 法是建立在各种经济变量之间的相关基础上的，往往基于传统的汇率决定理论建 立汇率和基本宏观经济变量之间的数量关系。其中，有代表性的汇率决定理论包 括国际借贷说、购买力平价理论、利率平价理论和资本市场理论等。这些理论和 方法由于在预测汇率的长期变动趋势方面的贡献而得到了发展。 在人民币汇率行为描述与预测应用方面，相关研究主要是根据经典的汇率理 论先假设影响人民币汇率变动的经济因素，并在汇率与这些经济因素之间建立线 性模型，再利用有关计量方法对模型进行检验、修正，最后利用估计好的模型对 汇率进行预测。部分学者指出，各种汇率决定模型均是建立在市场机制基础上的， 中国目前还不具备应用这些理论模型的基本前提。例如，王爱俭和张全旺以及郑 。 春梅和肖琼等的研究都表明利率平价理论在人民币汇率的实证检验中是失效的， 预测结果与实际情况呈现相反的结论【3 4 】。还有部分学者则通过发展并修正传统理 论模型再应用于人民币汇率的预测，例如张晓朴、任兆璋和宁忠忠以及张道政等 在实证研究中分析了购买力平价和货币主义等理论模型偏离人民币汇率实际变动 的原因，并基于这些原因对经典的理论模型进行修正，以适用于人民币汇率研究， 实证结果表明经过修正的模型在长期预测方面有一定效果1 5 刁j 。 尽管基于基本分析法建立的汇率预测模型在长期预测方面具有一定的适用 性，但这种模型往往要预先假设一系列因果关系，并要求预测者利用数学模型概 括这一系列因果关系，这使得该方法对于具有混沌性、时变性和模糊性等特点的 汇率系统表现出越来越多的不适应，特别是在短期汇率预测方面，其效果不十分 理想。例如，m e e s e 在使用样本外预测分析的研究时发现，资产市场汇率模型在短 期的预测水平上并不明显胜过随机游走模型【8 j 。1 9 9 1 年m e e s e 在研究中强调了布 雷顿森林体系解体后汇率的不稳定性和预测的难度，对汇率预测的基本分析方法 提出了质疑【9 】。与国外研究的结论相似，国内学者的大量实证结果也证明了基础变 量预测法只在特定的条件下表现较好，且在长期预测效果优于短期，在中短期水 硕f 二学位论文 平上，技术分析方法能提供更好的准确度。 汇率预测的技术分析方法主要是根据汇率的历史数据建立单变量的时间序列 预测模型。技术分析方法的发展经历了从参数到非参数、线性到非线性的发展过 程。最早的时间序列参数模型是简单随机游走( r w ) 模型，其后不断有新的方法被 提出，如指数平滑( e x p o n e n t i a ls m o o t h i n g ) 模型、回归( a r ) 模型、移动平均( m a ) 模 型等。随着高级数学工具的引入，这类预测方法也在不断发展，产生了诸如贝叶 斯向量自回归模型( b v a r ) ，阈值模型( t h r e s h o l dm o d e l ) 、自回归移动平均模型 ( a r i m a ) 等等。 但是，由于汇率波动具有复杂性，上述时间序列预测模型往往精度不高。为 此，许多学者开始寻找新的汇率预测方法。其中，比较著名的有自回归条件异方 差( a r c h ) 族模型和平滑过渡自回归模型( s t a r ) 等建立在非线性计量经济模型上 的方法。a r c h 族模型由于可以较好的捕捉到汇率波动的尖峰厚尾性和非对称行 为，在人民币汇率研究中得到了较为广泛的应用，代表性研究如丁剑平和于群及 任兆璋和宁忠忠等【l o 1 2 1 。尽管这些参数模型极大地推进了人民币汇率的预测研究， 但由于参数模型都建立在严格的假设条件上，要求数据符合一定的分布规律，而 且越来越多的研究表明，汇率系统具有复杂的非线性动力系统的特征，存在明显 的时变性、随机性和模糊性的特点，很难满足参数模型严格的假设条件，因此导 致这些模型的预测精度有限。 此后，许多学者开始采用非线性、非参数的方法来研究和预测汇率，汇率预 测研究产生了一个全新的基础和研究范式。包括近年来兴起的人工神经网络 ( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 模型、灰色预测模型( g r e yp r e d i c t i o n ) 、小波分析模 型( w b a ) 、混沌时间序列预测方法等。其中，人工神经网络模型由于具有较强的 自学习、联想、识别等功能，并且其本质是一种大规模并行处理的非线性动力系 统，近年来在汇率预测领域得到了大量的应用，并且取得了较好的效果。 1 2 2 汇率预测的神经网络方法研究综述 近年来有许多学者采用神经网络方法对汇率进行预测的研究表明，它不但优 于传统的预测方法，而且还提高了这些预测的可信度。 运用神经网络预测汇率，根据输入变量的不同包括异质神经网络模型和同质 神经网络模型【1 3 】。异质神经网络模型基于多变量输入，往往基于某种汇率理论， 通过将影响汇率变动的各种经济变量作为输入建立神经网络模型来预测汇率。国 内外的代表性研究包括e 1s h a z l y 等、杨忻和马洪波、h u i 等的研列h 卅川。实证研 究表明，基于多变量输入的神经网络模型在长期预测方面表现较好，较为准确地 描述了汇率的变动趋势。然而，异质网络模型在应用中还存在一些问题，例如在 短期预测的表现不如长期，一些经济变量在与汇率序列相对应的时间频度内的数 慕于u k w 聚类j 反馈神经网络的人民币兑欧元汇牢预测 据不容易获得，以及如何从众多经济变量中选择合适的变量等将会影响模型预测 效果的关键问题均未得到很好的解决【1 7 】。 在国外学者的实证研究中，只以汇率序列的某些滞后期作为输入来进行预测 的同质神经网络应用的更为广泛，并且在短期预测方面往往能取得较好的结果 1 s - 2 0 。不少国内学者在该领域也相续开展了部分尝试性的研究，但其实证分析中 往往只是采用国外的汇率数据对模型进行检验。当中代表性的研究如魏巍贤和蒋 正华利用神经网络对马克兑美元汇率进行预测【2 ，董景荣利用模糊神经网络对美 元等5 种主要货币汇率进行非线性组合预测等【2 到。而在人民币汇率预测方面应用同 质神经网络模型的研究还比较少见。 早期国外学者在利用神经网络进行汇率预测时，基于k o l m o g o r o v 提出的三层 神经网络模型可以以任意精度逼近任何连续函数的结论【2 3 1 ，大量的研究集中在比 较证明典型的前馈型m l p 神经网络模型相对其它模型的汇率预测能力 2 4 - 2 6 ，而对 网络模型自身结构优化方面的研究不多。目前在人民币汇率预测的研究中，大部 分学者选用的也是m l p 神经网络，研究工作主要包括引入其它技术来改进网络的 训练效果，如将模糊理论与m l p 神经网络相结合【2 2 1 ，或是引入遗传算法优化网络 收敛算法( b p 算法) 等【27 2 8 1 ，而对影响网络模型预：i g 力的一些关键参数的设计， 特别是对网络结构的优化选择以及输入样本数据的预处理等方面都鲜有研究。 尽管在汇率预测方面的应用还比较少，但国外的部分学者已经针对神经网络 自身结构方面提出了一些优化方法，如在前馈型网络结构的基础上，通过引入反 馈过程形成反馈神经网络( r n n ) ，以使网络模型具备映射动态系统的功能。如一些 学者在实证研究中已经证明了r n n 网络在非线性时间序列预测方面要优于前馈型 神经网络【2 9 。3 1 】。由于汇率系统本质是具有复杂非线性的动态系统，因而适于用反 馈型神经网络进行动态建模。国外学者t e n t i 贝0 在研究中提出了三种包含局部反馈 过程的r n n 网络，包括输出反馈、层反馈以及延时反馈，并通过实证比较这三种 反馈网络与m l p 模型对德国汇率的预测结果，指出层反馈r n n 2 网络相对于m l p 及其它两种r n n 网络在汇率预测方面具有优势【3 2 1 。x i e 等在人民币兑美元汇率预测 方面的实证研究也支持了这一结论【33 1 。尽管不同的神经网络适用于不同时间序列 的研究【l9 1 ，但由于层反馈神经网络在结构原理上具有优势，因而可以认为其在人 民币兑欧元汇率预测的应用方面仍然别具潜力。然而，通常反馈网络在结构上往 往较前馈型m l p 网络更为复杂，导致网络训练速度较慢，因此在现有的汇率预测 研究中还比较少见，在人民币汇率预测研究方面还很薄弱。 综上所述，目前学者在利用神经网络模型预测人民币汇率的代表性研究主要 有以下三方面特点：一是大量采用基于多变量输入的异质神经网络模型，而对在 国外实证研究中表现较好的同质网络模型研究得较少；二是主要采用静态前馈型 神经网络结构，而对包含反馈过程的动态网络结构使用的很少；三是比较注重采 硕j j 学位论文 用其它相关技术来改进网络训练算法，而对网络模型中其它关键参数的估计，特 别是输入样本数据的选择和预处理方面却少有分析和讨论，从而限制了神经网络 这种以数据驱动建模方法的进一步应用。 1 2 3 基于聚类的神经网络模型及其预测研究现状 随着金融时间序列中的“数据太多，信息不足”矛盾逐渐被认识和发现，一 些学者在利用神经网络模型进行时间序列研究时，开始尝试采用聚类分析方法对 原始时间序列数据进行预处理，以改进神经网络模型的输入向量，从而提高以数 据驱动的神经网络模型的建模质量和预测效果。 在目前的研究中，一些学者已经采用基于聚类的神经网络模型对时间序列数 据进行描述与预测，代表性的研究如陈传波等、刘峰和瞿俊、陈佐等和周经野等 1 3 4 - 3 7 ，实证结果均说明基于聚类的神经网络的网络规模小，学习速度快，预测精 度高。 在现有的基于聚类的神经网络预测模型的研究和应用中，许多学者对不同聚 类算法的选择进行了各种讨论。目前使用较多的聚类方法主要是通过计算每一个 类的重心，以数据空间中点到重心的距离作为隶属某一类的程度。这类聚类方法 主要包括l b g 聚类算法、模糊k 。均值聚类算法、模糊c 均值聚类方法等。其中， k 均值聚类方法基于“近原型条件”，受到了较为广泛的应用。尽管k 均值聚类方 法简单易用，但也由于过于简单而存在某种不适应性。模糊c 均值聚类方法则由 于引入了不确定性，总体表现要优于k 均值聚类方法，但算法的收敛速度缓慢， 计算成本较高，因而极大地限制了其适用范围。 ： 另一些学者则采用神经网络技术进行聚类分析，并提出自组织特征映射( s o m ) 神经网络能较理想地实现样本的聚类功能。例如，王杰和闫东伟以及周巧临和傅 彦等在研究中利用s o m 神经网络预先对训练样本进行聚类处理，再将处理结果输 入神经网络中进行组合预测，所得预测模型的精度高于未聚类的单个神经网络的 预测结梨蹦j 圳。 此外，陈佐等采用了基于期望最大化( e m ) 聚类方法构建模糊神经网络预测模 型。e m 算法是一种非线性的输入空间聚类方法，可以简化神经网络的结构，实证 结果显示e m 聚类神经网络对股指收益率的预测精度优于m l p 网络。但是，e m 聚 类算法必须首先知道时间序列的分布函数形式，其应用是有局限性的p 引。 国外学者p a v l i d i s 等在研究中提出了一种基于空间重构的聚类算法，即非监督 动态窗1 ：3 ( u n s u p e r v i s e dk w i n d o w s u k w ) 算法，并将这种聚类方法与前馈神经网 络结合对汇率时间序列进行预测。通过实证分析基于u k w 聚类与基于g r o w i n g n e u r a lg a s 网络聚类、基于典型d b s c a n 聚类的神经网络模型对汇率序列的预测效 果，可发现三种聚类方法均能显著提高神经网络的预测效果，但相较而言u k w 算 基于u k w 聚类j 反馈神经网络的人民币兑欧元汇牢预测 法具有更好的鲁棒性 4 0 1 ，因而在人民币汇率行为描述与预测方面具有较大的潜力。 此外，在目前利用聚类与神经网络技术组合来提高时间序列预测效果的研究 中，采用的主要是前馈型神经网络结构，特别是m l p 网络或r b f 网络结构应用最 为广泛。然而，由于m l p 与r b f 网络结构本质上都是静态的，利用静态网络对动 态系统进行辨识，必然会引发许多问题。相对而言，包含反馈过程的r n n 网络结 构能够更直接更生动地反映系统的动态特性，但目前r n n 网络应用的限制主要是 由于它们往往需要较复杂的结构层次和记忆存储功能。为此，将时间序列先经过 聚类分析成为几个样本较小的类，再利用r n n 网络分别进行预测，将有助于结合 两种方法的优点，简化r n n 网络的结构，提高建模效率和预测精度，从理论上可 以预期到较好