基于卷积神经网络的外汇汇率预测
6
汇率。结果表明,该混合模型的预测效果比单独使用上述任意一个模型的预测效
果都更好。周颖刚和陈海鹏(2018)使用深度学习方法进行改进并提出了多层卷
积神经网络(CNN),然后分别建立了短期和长期模型来预测汇率波动,分析发
现可诸如网络搜索次数之类的媒体指标可以提高模型在短期的预测能力,短期模
型和长期模型相结合的结果要好于直接使用所有影响因素进行预测的结果,并且
优于使用传统的神经网络和时间序列分析方法(例如贝叶斯平均分类回归和广义
自回归条件异方差等模型)来预测的结果。徐超(2019)使用基于 SVR 模型和
ARIMA 模型的混合方法预测了四种货币兑美元的汇率。他将外汇汇率时间序列
分解为线性部分和非线性部分,将 ARIMA 模型用于预测外汇汇率的线性部分,
而 SVR 方法用于预测外汇汇率的非线性部分。结论表明,该混合模型的预测精
度高于 ARIMA 模型、随机游走模型和 SVR 模型的预测精度。
1.2.4 文献总结
从现有的相关文献来看,早期的相关研究主要是通过外汇汇率的历史数据建
立时间序列预测模型,例如 AR 模型、ARCH 模型和 GARCH 模型等。传统的计
量经济学模型在外汇汇率时间序列预测的方法中占有非常重要的地位,但是这类
模型始终存在着一定的局限性,例如外汇汇率具有复杂的非线性特征,而传统的
计量经济模型是基于线性关系的假设上建立的。因此,计量经济模型很难有效地
捕捉和解释外汇汇率中的非线性关系,存在一些难以调和的矛盾。例如,在预测
之前,需要先确定模型的特定形式,并且需要预先假定随机变量的概率分布。但
是实际上很难满足这种前提假设,因为外汇汇率的概率分布是未知的。
随着人工智能算法广泛应用于模式识别、数据挖掘等领域,由于传统的计量
经济模型的局限性和外汇汇率时间序列固有的动态非线性的特征,国内外的一些
学者寻求利用人工智能来实现准确的外汇汇率时间系列预测。由于神经网络是非
线性动态系统,它与传统的计量经济学模型方法相比最大的区别在于无需对问题
进行任何的先验假设,就可以通过对样本数据训练来对非线性时间序列进行建模
预测。与此同时,随着卷积神经网络(CNN)预测技术的改进,越来越多的学
者将卷积神经网络(CNN)用于研究外汇汇率、股票价格等金融时间序列的变
化趋势。与 BP 神经网络、支持向量回归(SVR)等传统的机器学习方法相比,
万方数据