匯率是一個重要的宏觀經(jīng)濟變量,影響著國家經(jīng)濟以及全球金融體系的穩(wěn)定性.因此,對匯率的有效預測非常重要.基于此,本文以時間序列模型與機器學習模型為基礎,提供了新的匯率預測方法.本文基于匯率數(shù)據(jù)本身利用組合模型對匯率進行預測.由于匯率數(shù)據(jù)具有高噪聲的特點,本文首先利用奇異譜分析對數(shù)據(jù)進行去噪,然后分別對殘差法組合預測模型以及權重法組合預測模型進行優(yōu)化.1.基于殘差法組合模型的優(yōu)化.殘差法利用ARIMA模型提取出匯率數(shù)據(jù)的線性主體,其次對其殘差部分利用機器學習進行預測,最終預測值為兩部分之和.目前,在匯率研究領域對殘差的預測很少利用深度學習對其進行研究.因此,本文在已有研究的基礎上做進一步的研究,即利用ARIMA模型預測匯率數(shù)據(jù)的線性主體部分,利用深度PSO-LSTM模型預測殘差部分,最終搭建了 SSA-ARIMA-PSO-LSTM組合預測模型,并且實證結果顯示,該組合模型預測結果良好.2.基于權重法組合模型的優(yōu)化.單一模型是組合模型的關鍵,單一模型的選擇要充分考慮到模型的預測性能以及模型之間的相關性,相關性較小的模型之間可以發(fā)揮各自不同的優(yōu)勢,實現(xiàn)優(yōu)勢互補.本文首先利用Pearson相關系...

【文章頁數(shù)】：59 頁

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 研究思路
    1.4 論文框架
    1.5 創(chuàng)新點
2 理論基礎
    2.1 ARIMA模型
        2.1.1 ARIMA模型的原理
        2.1.2 ARIMA模型建模步驟
    2.2 XGBoost模型
        2.2.1 CART決策樹
        2.2.2 XGBoost
    2.3 SVR模型
        2.3.1 支持向量分類機
        2.3.2 支持向量回歸機
    2.4 LSTM神經(jīng)網(wǎng)絡模型
        2.4.1 神經(jīng)元模型
        2.4.2 循環(huán)神經(jīng)網(wǎng)絡
        2.4.3 長短期記憶人工神經(jīng)網(wǎng)絡
    2.5 粒子群算法
3 數(shù)據(jù)處理與評價指標
    3.1 數(shù)據(jù)來源
    3.2 數(shù)據(jù)去噪
        3.2.1 奇異譜分析
        3.2.2 原始匯率數(shù)據(jù)去噪
    3.3 模型評價指標
4 實證分析
    4.1 單一模型的選取
    4.2 基于單一模型的實證分析
        4.2.1 基于ARIMA模型的實證分析
        4.2.2 基于XGBoost模型的實證
        4.2.3 基于PSO-SVR模型的實證分析
        4.2.4 基于PSO-LSTM模型的實證分析
    4.3 優(yōu)化殘差法組合模型
        4.3.1 組合模型的理論基礎
        4.3.2 組合模型的實驗設計
        4.3.3 組合模型的實證分析
    4.4 優(yōu)化權重法組合模型
        4.4.1 組合模型的理論基礎
        4.4.2 組合模型的實驗設計
        4.4.3 組合模型的實證分析
    4.5 優(yōu)化組合模型的優(yōu)勢分析
        4.5.1 優(yōu)化殘差法組合模型的優(yōu)勢分析
        4.5.2 優(yōu)化權重法組合模型的優(yōu)勢分析
    4.6 實證分析小結
5 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
學位論文評閱及答辯情況表



本文編號：3754551