葡京娱乐手机版

金融科学

观点争鸣

当前位置: 首页 » 金融科学 » 观点争鸣 »

《金融科学》文章观点集粹: 深度学习能更好地预测人民币汇率吗

 

文章来源:《金融科学》2018年第一辑  网址:jrkx.cbpt.cnki.net

引用格式:周颖刚,陈海鹏,深度学习能更好地预测人民币汇率吗?,金融科学,2018(01): 41-62.

作者:周颖刚    厦门大学经济学院与王亚南经济研究院

      陈海鹏    厦门大学信息科学与技术学院

 

 

周颖刚,厦门大学经济学院金融系与王亚南经济研究院教授,首批教育部“长江学者”青年学者,厦门大学王亚南经济研究院副院长,研究领域为资产定价、金融风险、国际金融和贸易、中国金融开放与创新。在Management Science, Journal of Banking and Finance, Journal of Empirical Finance, Journal of Futures Markets, Journal of Real Estate Finance and Economics, Real Estate Economics等国际期刊和《经济研究》、《经济学(季刊)》、《管理世界》、《金融研究》等国内期刊上发表论文30余篇,研究成果曾荣获纽约证券交易所与泛欧交易所金融市场最优论文奖、芝加哥数量化联盟学术优胜奖、亚太衍生品协会最优论文奖及世界华人不动产学会最优论文奖等重要奖项。

 

 

 

 

 

 

 

研究背景

随着人民币国际化和汇率市场化改革的不断深化,人民币汇率的变化受到国内外的高度关注,如何预测人民币汇率成为一个非常重要的研究课题。传统的汇率波动预测均是以历史汇率作为基本数据的技术分析法或者是基于多重影响指标的马尔科夫链等线性预测模型,不仅无法很好地描述市场变化的随机性与波动性,而且没有考虑诸如网络舆论与媒体导向等新兴网络因素对于汇率波动的影响。而如今应用广泛的深度学习方法对于时间序列数据的学习与预测有着较好的效果,其对于波动性的判断与预测有着良好的模拟性,经过深度学习改善过的神经网络模型如今正处于一个飞速发展与应用的时期。

主要内容

基于上述背景,周颖刚,陈海鹏发表在《金融科学》2018年第1辑的《深度学习能更好地预测人民币汇率吗?》一文运用经过深度学习改善过的神经网络进行人民币汇率波动预测,对于汇率的长短期影响部分分别进行相关的预测研究,研究出汇率波动的长期走势与短期突变,进行精确的汇率预测。

在对汇率进行预测之前,文章根据购买力平价理论、利率平价理论、货币主义汇率假说、汇率资产组合理论和汇率新闻理论选择出影响汇率波动的相关因素,然后将所选取影响因素分类为短期影响因素与中长期影响因素。中长期影响因素有:货币供给(M2)、经济增长率(RGDP)、投资率(INN)、贸易条件(NBTT)经济开放度(EOR);短期影响因素有:国内利率(DIR)、国内通货膨胀率(DINF)、国外通货膨胀率(FINF)、国外利率(FIR)、净资本流入(CIN)、国际原油价格(OIL)、百度指数——人民币汇率上升搜索次数、恐慌指数(VIX)。随后,文章对多层卷积神经网络CNN)及小波分析方法予以介绍。

在基于深度学习的人民币汇率预测的实证研究部分,文章首先对长/短期影响因素以及人民币汇率进行小波分析,并绘制其分析前后的波形图对比,选取部分长期因素中的货币供应量(M2)、投资率(INN),短期因素中的国内利率、国际原油价格以及人民币兑美元汇率的分解结果进行展示,结果观察到各个原信号在原有的总体趋势之下,还有不同的波动幅度,而进行分解之后,短期影响部分的波动频率较大,变化较为频繁,而长期影响部分则变化得较为平缓,体现着一种总体趋势。接下来分别选取各个影响因素的短期部分来对汇率的短期部分进行预测,选取各个影响因素的长期部分对汇率的长期部分进行预测,最后结合所有影响因素对于汇率进行预测。

其次,文章应用短期神经网络模型,先采用主成分分析对所选的13个短期影响指标进行降维处理,依据方差贡献率达85%的判断选取前7个主成分因子作为神经网络的输入端,设定一系列不同的模型参数后,选取2004 12 月至2014 12月的数据为训练集,选取20151月至201512月的数据作为测试集进行网络训练,对比拟合结果发现,没加入网络搜索次数时的泛化精度为97.99%,而加入网络搜索次数的泛化精度为98.70%。仔细观察每个月的预测精度可得,前五个月两个预测模型的预测精度均较高,当缺少网络搜索量指标时,波动较强的后六个月模型的预测精度为96.67%,而当加入了网络搜索量之后,波动性较强的后六个月预测精度为97.84%

对于长期神经网络模型部分,文章认为长期影响因素不同于短期影响因素,其对于汇率波动的影响具有滞后期,由于无法确定滞后期的时长,于是使用逐期试验的方法,每次进行网络调试确定最优的隐含层节点与训练步数,并记录每次的训练结果,对比每次试验的训练误差,从而确定一个较优的滞后期来进行汇率预测。选取200412月至201412月的数据为训练集,选取20151月至201512月的数据作为测试集进行网络训练。先进行主成分分析降维,之后将主成分因子依次输入神经网络并调试出最优结果。观察得出泛化误差呈现先降后升的趋势,且随着滞后期的增加,主成分因子个数也随之增加,而训练集个数有限,不可避免出现了过拟合的现象,这也导致了泛化误差的上升。总体来看,CNN神经网络对于长期影响部分的预测效果较好。

结论及未来展望

运用基于深度学习方法改善而提出的卷积神经网络模型,可以更好地预测人民币汇率变动。首先,本文利用小波分析把影响汇率波动的主要因素分为长期部分与短期部分,由此分别利用长期与短期两个预测模型进行分析,发现网络搜索次数等新兴媒体指标能够提高短期模型的预测结果,同时,合并长、短期模型的结果得到的预测精度为99.39%,此结果优于直接利用所有影响因素进行预测的结果,也优于采用传统的神经网络以及贝叶斯平均分类回归模型(BACRN)、指数平滑模型与广义自回归条件异方差模型(GARCH)预测的结果。

本文的研究说明深度学习的新技术能更好地预测汇率波动,随着人民币国际化和汇率市场化,这些新技术将在汇率及其他资产价格预测中发挥不可忽视的作用。同时,加入新兴媒体指标来解释突变现象,可以更好地拟合汇率波动。对突发跳变的预测,是未来的一个研究方向。