人民币兑美元汇率预测单一与混合模型比较研究.doc

人民币兑美元汇率预测单一与混合模型比较研究内容摘要：汇率作为具有线性和非线性复合特征的时间序列数据，单一模型和混合模型都常被用于刻画其波动特征。为验证两类模型的适用性，本文选择线性预测的ARMA模型和非线性预测的BP神经网络模型作为单一模型进行汇率预测，并选择小波-ARMA-BP神经网络模型作为混合模型进行预测，并得到相关结论。 关键词：汇率预测 小波 ARMA模型 BP神经网络 前言 汇率作为国家间货币折算的比率，是影响一国引进外商直接投资、银行国际金融业务、对外贸易及其风险管理的重要因素。自我国加入WTO后，随着金融开放程度的放大，外汇风险也在不断加大，因此，正确分析和预测外汇波动对我国政府金融政策的制定、外汇风险的规避均有至关重要的作用。但是由于汇率波动具有时变性、随机性、模糊性和混沌性等特点，使得汇率波动的趋势难以准确预测，但是看似无规律的汇率波动，却又具有显著的非线性时间依赖关系、长效记忆性和自相关性，这使得利用技术分析方法预测汇率成为可能。 常用的汇率技术预测方法为单一模型法与组合模型法： 单一模型预测法是基于时间序列分析的预测，包括参数和非参数模型（陈诗一，2007），以及线性和非线性模型（陈志民等，2007），如随机游走模型（RW）（Messe，s.t.，1983）、自相关移动平均模型（ARMA）（杨绍创等，2009）、广义自回归异方差模型（GARCH）（赵树然，2012），以及引入贝叶斯向量自回归模型（BVAR）（Sarantis，2006）、马尔科夫转换模型（Charles Engel，1994）和神经网络模型（Sfetsos s.t.，2005）等。由于单一模型各有其偏重和特长，模型的预测效果差别不大，难以较全面的反映汇率的波动规律（Sfetsos s.t.，2005），为加强预测效果，不同预测方法的组合模型应运而生。 组合预测模型可以分为线性组合模型和非线性组合模型。Bates和Granger是最初提出的线性组合预测理论的学者，随后这一思想被应用于汇率预测中。如：惠晓峰等（1999）利用购买力平价模型和货币模型的线性组合预测汇率，结果表明组合模型的预测结果较单一模型更稳定。但是，由于汇率的非线性特征，运用线性组合方法预测汇率仍有较大的局限性，因此，非线性组合模型成为学者近来研究的重点。神经网络和小波分析等方法被较多地引用到非线性组合模型中。如Tao H.（2006）利用小波-NN（Wavelet Neural Network）模型结合遗传算法对人民币兑欧元汇率日数据进行预测，结果显示这一混合模型的精度高于ARMA等单一模型，而且随着预测时间的延伸，预测精度并未降低。Pai，et al.（2006）采用线性和非线性SVM（Support Vector Machines）混合模型，通过遗传算法计算模型参数后，分别对英镑、法郎、德国马克和意大利里拉兑美元汇率的月度数据进行预测，发现这一混合模型的结果优于单一模型。 可见，汇率作为具有线性和非线性复合特征的时间序列数据（Zhang，2003），其预测方法已由简单的计量方法转化为复杂的组合预测方法。为探究两类模型在汇率预测中的准确度，我们选择常用于线性预测的ARMA模型和常用于非线性预测的BP神经网络模型作为单一模型进行预测，选择小波-ARMA-BP神经网络模型作为混合模型进行预测。这是因为：用于线性预测的ARMA模型能够较好地抓住时间序列的波动集群现象并能部分解释序列的尖峰厚尾特征。神经网络模型作为理论依据坚实，推导过程严谨，公式对称优美，具有强非线性拟合能力的模型，在选择适当的隐层数和相应的神经元数下，前馈神经网络能以任意精度逼近任意非线性函数。二者的特点决定了两个模型能够更好的预测汇率问题。而小波-ARMA-BP神经网络模型利用了小波变换的多分辨分析特点，将原始信号分解到不同频率通道上，并针对分解后不同信号分别采用线性预测模型和非线性模型进行预测，并将所得预测结果进行叠加，得到整个汇率的最终预测结果，这一方法为进一步提高波动性较大的汇率预测精度提供了一个新方法。 单一和混合汇率预测模型 （一）线性和非线性单一预测模型 1.ARMA预测模型。ARMA模型是自回归（AR）与移动平均（MA）模型的混合，其表达式为： Yt=α1Yt-1+α2 Yt-2+…+αp Yp-1+εt-β1 εt-1-…-βqεt-q 其中，αi（i=1，2，…，p）和βj（ j=1，2，…，q）作为待估参数，分别是AR模型和MA模型的系数，p和q是模型的阶数，{εt}为白噪声序列。 利用ARMA（p，q）模型预测的关键是阶数p和q的确定，以及参数αi和βj的估计。模型阶数是先依据自相关系数和偏自相关系数确定其取