基于神经网络的外汇汇率预测模型

基于神经网络的外汇汇率预测模型指导教师答辩人所属院系信息科学学院专业名称信息管理与信息系统大纲1研究背景与意义2研究内容与方法3研究总结与附录4致谢研究背景与意义人工神经网络技术是一种非线性系统逼近和建模的有效工具，使用神经网络技术来对动态、非线性的汇率系统进行预测被证明行之有效。本文针对欧元兑美元和英镑兑美元等汇率数据，进行描述和检验其自相关性和非线性。然后对欧元/美元汇率序列建立BP神经网络预测模型，预测的效果较好能较正确反映汇率变动的趋势。本文的研究结果将对央行制定正确的外汇干预和货币政策、企业正确规避汇率风险和个人进行外汇投资具有一定的实际参考作用。研究外汇汇率的特征和其内在的运行规律，并在此基础上对汇率水平和波动序列分别进行有效预测的意义主要体现在以下几个方面（1）为外汇汇率预测提供一个可行的方法（2）有助于汇率政策和贸易决策的制定和调整（3）有助于外汇投资和套期保值决策的运用（4）有助于降低外汇相关经济活动的风险研究内容与方法汇率预测方法神经网络理论汇率数据分析与检验汇率预测实证研究汇率预测方法对汇率预测的研究主要包括两类方法9基础分析方法9技术分析方法基础分析方法主要体现在汇率决定理论的发展，包括购买力平价理论（PPP）、利率平价理论（IRP）、预期汇率理论、国际借贷汇率理论（II）、资产组合汇率理论（PA）。在汇率与影响汇率的经济因素之间建立线性模型，再利用计量等工具对模型进行检验、矫正。然而每种汇率理论都只在特定的条件下特别是针对汇率的长期行为表现具有解释力，而在短期波动的研究方面表现不佳。技术分析方法主要是根据汇率的历史数据，即使用汇率自身时间序列数据进行预测，建立单变量的时间序列预测模型。技术分析遵循从参数到非参数、线性到非线性的发展路线。在中短期水平上，技术分析方法提供更好的准确度。技术分析方法的研究经历了有限性的、参数的方法到非线性的、非参数方法的发展。汇率预测方法技术分析基础分析购买力平价理论利率平价理论预期汇率理论国际借贷汇率理论资产组合汇率理论线性预测研究方法非线性预测研究方法组合预测研究方法随机游走模型自回归移动平均模型自回归条件异方差模型平滑过渡自回归模型指数平滑过渡自回归模型自我激励阀值自回归模型人工神经网络模型小波分析模型灰色预测方法混沌时序预测模型遗传算法模型马尔可夫预测方法BAYES网络预测（3）对日后的汇率进行技术预测，存在一定的“时滞”现象。（3）分析比较直接，分析的结果更接近实际市场的局部线性（2）强调即使的短期性跟踪和分析，对长期投资运作很难地发挥作用（2）与基本分析相比，见效快，获得利益的周期短（1）只关心汇率价格变化，忽视了影响汇市运行和发展的众多因素。（1）同市场接近，考虑问题比较直接。缺点优点（3）对日后的汇率进行技术预测，存在一定的“时滞”现象。（3）分析比较直接，分析的结果更接近实际市场的局部线性（2）强调即使的短期性跟踪和分析，对长期投资运作很难地发挥作用（2）与基本分析相比，见效快，获得利益的周期短（1）只关心汇率价格变化，忽视了影响汇市运行和发展的众多因素。（1）同市场接近，考虑问题比较直接。缺点优点1基本分析法的特点2技术分析法的特点神经网络理论人工神经网络（ARTIFICIALNEURALNETWORK,ANN），是对自然神经网络或人脑若干基本特性的抽象和模拟。它是由大量神经元组成的非线型动力系统，具有通过学习获取只是并解决问题的能力。汇率数据分析与检验30DEC0825APR0918AUG0912DEC09时间130001400015000EURUSD汇率30DEC0825APR0918AUG0912DEC09时间00200000000020000400DIFFEURUSD汇率,1选取欧元/美元（EUR/USD）汇率的日收盘价数据作为实证研究对象，样本区间为2009年1月2日起至2009年12月31日，样本数各260个，共520个。所有数据来源于METATRADER40和飞狐交易师。30DEC0825APR0918AUG0912DEC09时间00200000000020000400DIFFEURUSD汇率,130DEC0825APR0918AUG0912DEC09时间0050000000DIFFGBPUSD汇率,1数据的波动性为分析汇率价格水平的变动和波动变化，本文对原价格水平序列进行平稳化处理，计算汇率波动序列。从图可以看出，两种汇率波动序呈现出一定的群聚特征。其中英镑/美元的波动很大，欧元/美元的波动较小。事实上，伦敦作为全球最大的外汇交易中心，英镑往往是世界顶尖金融强手最活跃交易的币种，所以汇率变动较其他货币更大起大落。而欧元作为使用国最多的非美货币，交易量浩大，且各经济体相互制衡的特点也使欧元变动趋于平稳。相关性检验严格的随机游走模型认为时间序列是不相关的，时间序列在超前或滞后任意阶数上的自相关系数均应为零。可计算样本序列的自相关系数与偏相关系数来判断其相关性。汇率数据分析与检验自相关性检验偏相关性检验两种汇率价格水平序列在各阶的自相关系数都很大，偏相关系数除了在滞后1阶时显著异于0，其余2至16阶都在上下置信区间之内，表明汇率价格序列存在明显的自相关。自相关性检验的结果拒绝了严格的随机游走模型认为时间序列是不相关的假设，以下将进一步的进行独立性检验，判断汇率时间序列是否存在非线性。汇率数据分析与检验4512940660334642743226612481364198335570294322707154948043009370363028122319146626423913906329667219680565432/检验参数独立性检验由于汇率价格水平序列存在明显的自相关，而波动序列的自相关性不明显，所以本文只对波动序列进行检验。检验参数范围定义在M26，0520，对欧元/美元汇率波动序列进行BDS检验，检验结果如下从上表结果中可以看出,两种汇率序列的所有统计结果在参数（M26，0520）的条件下，均拒绝独立同分布的原假设。由此可以估计，这种汇率时间序列均存在非线性依赖特征。根据独立性检验可以看出序列是非线性的，应使用非线性模型进行汇率预测。汇率预测实证研究网络结构采用三层动态BP网络，输入20个数据，输出一个数据；关于隐含层，进行了3个隐节点数的实验结果。时间段2009年1月1日至2009年2月15日共30个交易日。训练数据30个数据里的前20个数据。检验数据30个数据里的后10个数据。训练结果TRAINGD,EPOCH69/1000,MSE984319E005/00001,GRADIENT000545144/1E010TRAINGD,PERFORMANCEGOALMET汇率预测实证研究1298912885129851294712775127241291212868128231286812963129991280212834128561291312983129121312613075128351281213011129621312212962131571309612939128751302412938130771294213021129951281812749128401278912775127911284612907127421276212833128571298512857130991307412837128161297713012130861301213098130581282712802128551281612930128162295012900127121270812810127941272912821128991294312722127671286912942预测值实际值预测值实际值预测值实际值预测值实际值收盘价最高价最低价开盘价网络模型的仿真BP网络每一次训练结束后，都进行网络性能的验证。验证时，使用SIM函数模拟训练后的网络。可以通过预报误差分析或者想关系分析来验证网络预报精度，看能否作为准确的预测工具。代码为ASIMNET,P得到的10个预测结果是汇率预测实证研究（1）模型用于欧元/美元的汇率波动趋向预测的较准确。在要预测的10天时间里，预测汇率涨跌的准确度达到90，说明模型能较准确地掌握汇率变动的趋向。（2）拟合的效果较好。（3）预测值比实际值的波动幅度更大。汇率实际值与预测值对比图1251261271281291313113212345678910时间汇率实际值预测值研究总结与展望为提供预测外汇汇率价格变化的有效工具，本文对外汇数据进行了正态性、序列相关性、波动性和独立性等进行非线性检验，并建立非线性的神经网络模型对欧元/美元序列进行拟合和预测。本文作出的主要结论有外汇汇率时间序列的自相关性很强，说明并不能够使用随机游走模型进行分析和预测。外汇汇率时间序列具有非线性，说明使用线性的技术分析方法对汇率价格预测是难以解释汇率的变化欧元/美元和英镑/美元的走势具有较强的相关性，并且英镑/美元的汇率波动性更加剧烈。建立的模型对汇率变动的趋势预测得较准确，但预测值比实际值的波动更大。在模型设置系数较适当的情况下，BP神经网络模型是可以较好地预测汇率价格的变动趋势的，而准确性则有待使用其他模型方法进行优化和加强。附录部分程序输入向量P（省略，为2594的矩阵，4个列向量因素分别为开市价、最高价、最低价和收盘价）目标向量T省略，为14的矩阵）把数据归一化到11之间PN,MINP,MAXP,TN,MINT,MAXTPREMNMXP,T隐层数为3NETNEWFFMINMAXP,3,1,TANSIG,PURELIN,TRAINGD训练50次刷新一下训练图NETTRAINPARAMSHOW50学习率NETTRAINPARAMLR005训练次数