為了提高匯率預(yù)測精度,本文創(chuàng)新性地將深度學(xué)習(xí)方法 GRU神經(jīng)網(wǎng)絡(luò)應(yīng)用于歐元匯率預(yù)測,進(jìn)一步通過加入百度指數(shù)數(shù)據(jù)改進(jìn)預(yù)測模型。研究結(jié)果表明:GRU神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)機(jī)器學(xué)習(xí)方法和經(jīng)典深度學(xué)習(xí)方法能更精準(zhǔn)地預(yù)測匯率;將百度指數(shù)為代表的互聯(lián)網(wǎng)搜索行為數(shù)據(jù)應(yīng)用于匯率預(yù)測模型有助于提升預(yù)測準(zhǔn)確度;GRU神經(jīng)網(wǎng)絡(luò)對于預(yù)測步長并不敏感。此研究表明GRU神經(jīng)網(wǎng)絡(luò)可以對外匯預(yù)測管理提供重要參考,在外匯市場中具有較大應(yīng)用價值。 

【文章來源】：浙江金融. 2019,(03)

【文章頁數(shù)】：9 頁

【部分圖文】：

門控循環(huán)單元網(wǎng)絡(luò)結(jié)構(gòu)

個全連接層分別有32個和1個神經(jīng)元，使用非線性非飽和激活函數(shù)ReLU，相比sigmoid和tanh激活函數(shù)，ReLU函數(shù)能有效防止梯度消失問題，為防止訓(xùn)練神經(jīng)網(wǎng)絡(luò)時發(fā)生過擬合現(xiàn)象，本文參照NSrivastava等（2014）在神經(jīng)網(wǎng)絡(luò)中加入Dropout，本文使用丟棄率為0.1，在模型訓(xùn)練過程中每次迭代隨機(jī)丟棄神經(jīng)元可以有效防止過擬合，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時損失函數(shù)為均方誤差(mean-squareerror,MSE)，使用Adam優(yōu)化器進(jìn)行訓(xùn)練，Adam算法的學(xué)習(xí)率衰減等特性有助于模型更有效率地訓(xùn)練，模型訓(xùn)練批次（batch）為32，迭代次數(shù)（epoch）為200次。圖2GRU網(wǎng)絡(luò)預(yù)測效果全景圖

2019/0317貨幣時論模型構(gòu)建完成后，使用過去7個交易日數(shù)據(jù)作為特征，后一個交易日數(shù)據(jù)作為標(biāo)簽進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖2所示。表1不同模型預(yù)測效果比較分析評價指標(biāo)GRULSTMRNNCNNBPSVRMAE0.00790.00900.00950.00860.00850.0239MAPE0.03390.03820.04050.03650.03600.1148RMSE0.00980.01110.01180.01060.01050.0268訓(xùn)練時（s）404.57484.60167.8485.4461.820.0059其中，真實值是指從美聯(lián)儲官網(wǎng)獲得的歐元兌美元真實數(shù)據(jù)，訓(xùn)練擬合值是指模型訓(xùn)練完成后在訓(xùn)練集上的預(yù)測值，測試預(yù)測值是在測試集上的預(yù)測值，由于本文使用日度數(shù)據(jù)，因此樣本點過多會導(dǎo)致將全部數(shù)據(jù)點放在一張圖上時識別度不高，下面通過圖3提供僅在測試集上的預(yù)測效果。圖3GRU網(wǎng)絡(luò)預(yù)測測試集結(jié)果通過圖3可以看出，使用GRU網(wǎng)絡(luò)對歐元對美元匯率預(yù)測效果極佳，幾乎和真實值一致，以上是對GRU網(wǎng)絡(luò)預(yù)測效果的主觀圖形判斷，為使模型評價更加客觀，本文通過引入卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶模型（LSTM）、BP神經(jīng)網(wǎng)絡(luò)（BP）、支持向量機(jī)回歸（SVR）進(jìn)行模型間比較分析�？梢钥闯�，其中除傳統(tǒng)機(jī)器學(xué)習(xí)方法之外，還有如CNN、RNN、LSTM這樣的深度學(xué)習(xí)方法，加入深度學(xué)習(xí)方法之間的比較可以使模型結(jié)果更具說服力，相關(guān)比較結(jié)果如表1所示。其中，LSTM神經(jīng)網(wǎng)絡(luò)、RNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和GRU網(wǎng)絡(luò)結(jié)構(gòu)完全一致，只是把GRU層換成了LSTM層和簡單RNN層；CNN神經(jīng)網(wǎng)絡(luò)參照一維卷積官方例子，先使用兩個一維卷積層進(jìn)行特征提取后，再使用一維池化層進(jìn)行特征濃縮，隨后連接兩個全連接層，第一層卷積核為128，第二層卷積核為64個，兩層中的卷積核長度都為3；BP神經(jīng)網(wǎng)絡(luò)由五個全連接層構(gòu)成，神經(jīng)元個數(shù)分別為128、64、32、6、1個；支持向量回歸（SVR）則使?

【參考文獻(xiàn)】：
期刊論文
[1]基于MEEMD組合模型的匯率預(yù)測[J]. 傅魁,郭志穎.  統(tǒng)計與決策. 2018(11)
[2]基于互聯(lián)網(wǎng)搜索指數(shù)的多因素集成下人民幣匯率預(yù)測[J]. 王軒,楊海珍.  系統(tǒng)工程學(xué)報. 2017(03)
[3]基于HHT-SVR模型的匯率數(shù)據(jù)去噪與預(yù)測[J]. 方兆本,李勇.  數(shù)理統(tǒng)計與管理. 2015(05)
[4]融合ICA的BP網(wǎng)絡(luò)在人民幣匯率預(yù)測中的應(yīng)用[J]. 王曉輝,張衛(wèi)國,劉玉芳.  系統(tǒng)工程學(xué)報. 2014(03)
[5]基于雙正交小波核支持向量機(jī)的長記憶匯率預(yù)測[J]. 黃超,黃麗麗.  統(tǒng)計與決策. 2012(22)
[6]ARIMA融合神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測模型研究[J]. 熊志斌.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2011(06)
[7]基于改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測研究[J]. 錢曉東,肖強(qiáng),羅海燕.  計算機(jī)工程與應(yīng)用. 2010(10)
[8]徑向基神經(jīng)網(wǎng)絡(luò)的匯率預(yù)測模型研究[J]. 廖薇,馮小兵,許春冬,劉錦高.  計算機(jī)工程與應(yīng)用. 2009(24)
[9]基于ARMA模型的人民幣匯率預(yù)測研究[J]. 黃藝嬋.  商業(yè)時代. 2009(20)
[10]人民幣匯率預(yù)測及方法選擇——基于ARIMA與GARCH模型[J]. 劉姝伶,溫濤,葛軍.  技術(shù)經(jīng)濟(jì)與管理研究. 2008(04)



本文編號：3546161