匯率是一個重要的宏觀經(jīng)濟(jì)變量,影響著國家經(jīng)濟(jì)以及全球金融體系的穩(wěn)定性.因此,對匯率的有效預(yù)測非常重要.基于此,本文以時間序列模型與機(jī)器學(xué)習(xí)模型為基礎(chǔ),提供了新的匯率預(yù)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(jìn)行預(yù)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(jìn)行去噪,然后分別對殘差法組合預(yù)測模型以及權(quán)重法組合預(yù)測模型進(jìn)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(jī)器學(xué)習(xí)進(jìn)行預(yù)測,最終預(yù)測值為兩部分之和.目前,在匯率研究領(lǐng)域?qū)埐畹念A(yù)測很少利用深度學(xué)習(xí)對其進(jìn)行研究.因此,本文在已有研究的基礎(chǔ)上做進(jìn)一步的研究,即利用ARIMA模型預(yù)測匯率數(shù)據(jù)的線性主體部分,利用深度PSO-LSTM模型預(yù)測殘差部分,最終搭建了 SSA-ARIMA-PSO-LSTM組合預(yù)測模型,并且實證結(jié)果顯示,該組合模型預(yù)測結(jié)果良好.2.基于權(quán)重法組合模型的優(yōu)化.單一模型是組合模型的關(guān)鍵,單一模型的選擇要充分考慮到模型的預(yù)測性能以及模型之間的相關(guān)性,相關(guān)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(bǔ).本文首先利用Pearson相關(guān)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(chǔ)
    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(jī)
        2.3.2 支持向量回歸機(jī)
    2.4 LSTM神經(jīng)網(wǎng)絡(luò)模型
        2.4.1 神經(jīng)元模型
        2.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.3 長短期記憶人工神經(jīng)網(wǎng)絡(luò)
    2.5 粒子群算法
3 數(shù)據(jù)處理與評價指標(biāo)
    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(biāo)
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(chǔ)
        4.3.2 組合模型的實驗設(shè)計
        4.3.3 組合模型的實證分析
    4.4 優(yōu)化權(quán)重法組合模型
        4.4.1 組合模型的理論基礎(chǔ)
        4.4.2 組合模型的實驗設(shè)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(quán)重法組合模型的優(yōu)勢分析
    4.6 實證分析小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
學(xué)位論文評閱及答辯情況表



本文編號：3754551