汇率预测研究论文

【摘要】利用人工神经网络研究汇率预测，与使用混沌理论的动机相同，都是为了弥补线性模型的天然缺陷[3]。它是由数据决定模型的结构与参数，不介入其他任何建立在预先假设基础上的参数约束。

【关键词】人工神经网络 GRNN 汇率

一、汇率趋势与预测

自2005年以来，人民币对美元汇率升值幅度已超30%。但2014年开始出现较大幅度贬值，仅3个月的时间贬值3.5%左右。汇率的趋势逆转引发社会对人民币汇率的各种猜测，人民币汇率再度成热点话题。有观点指出人民币汇率已趋向于动态均衡状态，继续单边升值的基本面因素已经发生改变[1]。并且随着人民币汇率形成机制更加市场化，人民币汇率将更多的出现双向波动的情形。

汇率预测，是指对货币间比价关系的波动范围及变化趋势做出判断与推测，是外汇风险管理的重要组成部分。影响一国对别国汇率的主要因素有国际收支、通货膨胀、利率、经济增长、外汇储备、财政和政治因素等多方面。相关部门、银行、企业和个人都希望能够对汇率趋势做出短、中、长期的判断，以使其获得利益、规避风险或是实现特定管理目标。因此对汇率趋势的预测具有重要的现实意义。

二、预测模型GRNN神经网络

广义回归神经网络GRNN（Generalized regression Neural Network），属于径向基神经网络，由美国学者Donald F. Specht 1991年提出。它分别由输入层、模式层、求和层与输出层这4层构成。

（1）输入层（input layer）：该层神经元数目为学习样本向量维数，即X=[x1，x2，...，xn]T。

GRNN网络具有较强的非线性映射能力和较高的鲁棒性与容错性，很适合用于解决非线性问题。且GRNN在学习速度和拟合能力上比RBF更具优势；在样本数据较少时，预测效果也相对更好[2]。故GRNN已被广泛的应用于信号过程、控制决策系统、生物和金融领域等。

三、实验内容介绍

（1）实验样本采集数据：样本数据字段来源于影响汇率的多个要素，包含国际收支、CPI、存贷款利率、国内生产总值以及外汇储备等要素，采集起止时间为1999到2013年共15组数据。其中前14组作为网络的训练数据，最后1组作为网络预测数据（数据来源为国家外汇管理局和国家统计局官方网站）。

四、实验步骤与结果

采用MATLAB作为实验工具，将以上数据输入矩阵P，将相对应历年人民币对美元汇率输入至向量T，初始化待训练GRNN网络即net=newgrnn（P，T，SPREAD）。因训练数据较少，实验采用交叉验证方法训练GRNN神经网络，并采用循环的方法找出SPREAD参数最佳值。实验结果当SPREAD取0.7时，得到预测值为6.3274。2013年实际汇率均值为6.1932，相差0.134，误差率约为2%，且较实际值偏高。以下为实验数据结果：

四、总结

利用人工神经网络研究汇率预测，与使用混沌理论的动机相同，都是为了弥补线性模型的天然缺陷[3]。它是由数据决定模型的结构与参数，不介入其他任何建立在预先假设基础上的参数约束。人工神经网络中的学习与训练（Learning & Training）过程正是利用数据去寻找逼近合理参数的过程。其本质是一个非线性方式联结的众多输入要素集合与众多输出要素集合的系统，具有无参变量的特征。而汇率本身可以看作由多个因素共同影响的一种不能线性表达的机制产生，汇率的波动具有非线性相关性。因而利用合适类型的人工神经网络来拟合该机制所确定的不可线性表达的波动规律是可行并值得进一步深入研究的。

参考文献

[1]上海证券报.多角度解析人民币贬值[EB/OL].http：// news.xinhuanet.com/fortune/2014-03/26/c_126316599.htm，2014-03-26.

[2]王小川等编著.《MATLAB神经网络43个案例分析》[m].北京航空航天大学出版社.2013-8，66.

[3]（英）Imad A.Moosa 著，刘君等译.《汇率预测——技术与应用》[m].经济管理出版社，2004，266.