不同期NDF数据与人民币汇率波动相关性研究.pdf

不同期NDF数据与人民币汇率波动相关性

研究

作者：侯铁珊，王楠

来源：《财经问题研究》2013年第6期

侯铁珊，王楠

（大连理工大学管理经济学部，辽宁大连116024）

摘要：汇率预测是一个非线性问题，本文使用非线性自回归神经网络对人民币汇率进行预

测，由于外部输入X(t)的选择与预测精度关系密切，本文使用NDF作为X(t)，取得了良好的效

果。市场中存在多种时间跨度的NDF，笔者对比了不同时间周期的NDF作为X(t)时的网络性能，

得出了NDF时间跨度与预测精度相关性不大，在预测中都能达到很好的效果，并且NDF参与汇

率预测是有效的结论。

关键词：人民币汇率；汇率预测；NDF;非线性自回归神经网络

中图分类号：F822.2

文献标识码：A

文章编号：1000-176X(2013)06-0048-04

汇率预测作为汇率风险管理的基础和前提，是汇率风险管理工作的重要步骤之一。把握汇

率，准确地进行汇率预测对于国家、涉外企业、金融机构以及每个公民都有着十分重要的意义。

而预测中，参与预测的数据选取对预测精度起着决定性的作用。

一、NARX网络的汇率预测

递归神经网络是神经网络的一种，它的计算能力已经得到了广泛验证，而有外部输入的非

线性自回归神经网络(NonlinearAutoRegressiveNeuralNetworkwithExogenousInputs,

NARX神经网络）是一种递归神经网络，当没有外部输入X时，NARX神经网络就是普通的非线性

自回归神经网络（NAR神经网络）。下文将NARX神经网络和NAR神经网络简称为NARX网络和

NAR网络。神经网络的工作过程可以归纳为将数据输入神经网络，经过训练的神经网络进行计

算，通过阈值函数将网络计算的结果通过结果神经元表达。利用NARX网络结构以及相应的权值

修正算法，我们能够建立一个非线性自回归模型(NonlinearAutoRegressiveModelswith

ExogenousInputs,NARXModels)，它是一类重要的离线时间非线性系统，可以表示为：

Y(t+1)=f[Y(t)，Y(t-I)，…,Y(t-ny+l),U(t),U(t-l),…,U(t-nu+l,W)]=f[Y(t)，U(t)，

W]。其中，Y(t)，U(t)表示网络在时间t的输入和输出，Y表示输入和输出的顺序，映射W是

一个非线性函数。当用一个多层神经网络来表达映射时，得到的网络就称为NARX网络。与其它

递归网络不同，NARX网络的反馈仅仅来自输出层，不接受来自隐层的反馈。具有有限参数的

NARX神经网络的计算能力已经在理论上得到了证实，虽然与传统的递归神经网络相比，NARX网

络仅使用了输出层作为反馈值的来源，但使用NARX网络不会造成计算能力的下降。NARX网络

在很多非线性系统建模工作中已经表现出了其适用性。而且，研究者们发现，与其它神经网络

相比，NARX网络具有收敛更快、归一性更好的优点。

顾名思义，NARX网络中，需要有一个外部输入X，显而易见，外部输入X(t)与时间序列

Y(t)的相关性越大，得到的预测值越准确。当X(t)为一个恒定的值（如零）时，此时的NARX

网络可以视作没有外部输入的非线性自回归网络，即NAR网络。当我们尝试使用NARX网络对人

民币汇率走势进行科学预测时，我们需要选择一个能够对预测有帮助的变量X加入NAR网络。

由于金融市场是一个受政策、消息影响剧烈的市场，人工神经网络无法将这些数据量化地放入

网络中，那么，有没有一个变量，能够代表政策的变化呢？近年来，离岸人民币无本金交割远

期市场已经引起越来越多学者的关注，其也为汇率预测提供了一定的参考依据。

二、无本金交割远期外汇

无本金交割远期外汇(Non-DeliverableForwards，NDF)，是一种远期外汇交易的模式，

也是一种衍生金融工具，亦称为“无本金”交割。结算的货币是自由兑换货币，一般为美元。

本文所用均为NDF交易数据，统一简称为NDF数据。从全球看，NDF交易主要集中在离岸市场，

类似澳大利亚的在岸NDF则相对少见。离岸NDF交易主要发生在中国香港、新加坡和伦敦等金

融发达、管制较少的国际金融中心，都是采用美元进行交割的离岸NDF。韩元与人民币的离岸

NDF交易主要发生于中国香