發(fā)布時間：2021-12-22 09:23

　　為了提高匯率預測精度,本文創(chuàng)新性地將深度學習方法 GRU神經(jīng)網(wǎng)絡應用于歐元匯率預測,進一步通過加入百度指數(shù)數(shù)據(jù)改進預測模型。研究結果表明:GRU神經(jīng)網(wǎng)絡相比傳統(tǒng)機器學習方法和經(jīng)典深度學習方法能更精準地預測匯率;將百度指數(shù)為代表的互聯(lián)網(wǎng)搜索行為數(shù)據(jù)應用于匯率預測模型有助于提升預測準確度;GRU神經(jīng)網(wǎng)絡對于預測步長并不敏感。此研究表明GRU神經(jīng)網(wǎng)絡可以對外匯預測管理提供重要參考,在外匯市場中具有較大應用價值。 

【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)絡結構

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，為防止訓練神經(jīng)網(wǎng)絡時發(fā)生過擬合現(xiàn)象，本文參照NSrivastava等（2014）在神經(jīng)網(wǎng)絡中加入Dropout，本文使用丟棄率為0.1，在模型訓練過程中每次迭代隨機丟棄神經(jīng)元可以有效防止過擬合，神經(jīng)網(wǎng)絡訓練時損失函數(shù)為均方誤差(mean-squareerror,MSE)，使用Adam優(yōu)化器進行訓練，Adam算法的學習率衰減等特性有助于模型更有效率地訓練，模型訓練批次（batch）為32，迭代次數(shù)（epoch）為200次。圖2GRU網(wǎng)絡預測效果全景圖

2019/0317貨幣時論模型構建完成后，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)作為標簽進行訓練，訓練結果如圖2所示。表1不同模型預測效果比較分析評價指標GRULSTMRNNCNNBPSVRMAE0.00790.00900.00950.00860.00850.0239MAPE0.03390.03820.04050.03650.03600.1148RMSE0.00980.01110.01180.01060.01050.0268訓練時（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)，訓練擬合值是指模型訓練完成后在訓練集上的預測值，測試預測值是在測試集上的預測值，由于本文使用日度數(shù)據(jù)，因此樣本點過多會導致將全部數(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測效果。圖3GRU網(wǎng)絡預測測試集結果通過圖3可以看出，使用GRU網(wǎng)絡對歐元對美元匯率預測效果極佳，幾乎和真實值一致，以上是對GRU網(wǎng)絡預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（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、長短期記憶模型（LSTM）、BP神經(jīng)網(wǎng)絡（BP）、支持向量機回歸（SVR）進行模型間比較分析�？梢钥闯�，其中除傳統(tǒng)機器學習方法之外，還有如CNN、RNN、LSTM這樣的深度學習方法，加入深度學習方法之間的比較可以使模型結果更具說服力，相關比較結果如表1所示。其中，LSTM神經(jīng)網(wǎng)絡、RNN神經(jīng)網(wǎng)絡結構和GRU網(wǎng)絡結構完全一致，只是把GRU層換成了LSTM層和簡單RNN層；CNN神經(jīng)網(wǎng)絡參照一維卷積官方例子，先使用兩個一維卷積層進行特征提取后，再使用一維池化層進行特征濃縮，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)絡由五個全連接層構成，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】：
期刊論文
[1]基于MEEMD組合模型的匯率預測[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測[J]. 王軒,楊海珍.  系統(tǒng)工程學報. 2017(03)
[3]基于HHT-SVR模型的匯率數(shù)據(jù)去噪與預測[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)絡在人民幣匯率預測中的應用[J]. 王曉輝,張衛(wèi)國,劉玉芳.  系統(tǒng)工程學報. 2014(03)
[5]基于雙正交小波核支持向量機的長記憶匯率預測[J]. 黃超,黃麗麗.  統(tǒng)計與決策. 2012(22)
[6]ARIMA融合神經(jīng)網(wǎng)絡的人民幣匯率預測模型研究[J]. 熊志斌.  數(shù)量經(jīng)濟技術經(jīng)濟研究. 2011(06)
[7]基于改進的RBF神經(jīng)網(wǎng)絡的人民幣匯率預測研究[J]. 錢曉東,肖強,羅海燕.  計算機工程與應用. 2010(10)
[8]徑向基神經(jīng)網(wǎng)絡的匯率預測模型研究[J]. 廖薇,馮小兵,許春冬,劉錦高.  計算機工程與應用. 2009(24)
[9]基于ARMA模型的人民幣匯率預測研究[J]. 黃藝嬋.  商業(yè)時代. 2009(20)
[10]人民幣匯率預測及方法選擇——基于ARIMA與GARCH模型[J]. 劉姝伶,溫濤,葛軍.  技術經(jīng)濟與管理研究. 2008(04)



本文編號：3546161