基于GRU神经网络的欧元兑美元汇率预测研究
发布时间：2021-12-22 09:23
为了提高汇率预测精度,本文创新性地将深度学习方法 GRU神经网络应用于欧元汇率预测,进一步通过加入百度指数数据改进预测模型。研究结果表明:GRU神经网络相比传统机器学习方法和经典深度学习方法能更精准地预测汇率;将百度指数为代表的互联网搜索行为数据应用于汇率预测模型有助于提升预测准确度;GRU神经网络对于预测步长并不敏感。此研究表明GRU神经网络可以对外汇预测管理提供重要参考,在外汇市场中具有较大应用价值。
【文章来源】：浙江金融. 2019,(03)
【文章页数】：9 页
【部分图文】：
门控循环单元网络结构
个全连接层分别有32个和1个神经元，使用非线性非饱和激活函数ReLU，相比sigmoid和tanh激活函数，ReLU函数能有效防止梯度消失问题，为防止训练神经网络时发生过拟合现象，本文参照NSrivastava等（2014）在神经网络中加入Dropout，本文使用丢弃率为0.1，在模型训练过程中每次迭代随机丢弃神经元可以有效防止过拟合，神经网络训练时损失函数为均方误差(mean-squareerror,MSE)，使用Adam优化器进行训练，Adam算法的学习率衰减等特性有助于模型更有效率地训练，模型训练批次（batch）为32，迭代次数（epoch）为200次。图2GRU网络预测效果全景图
2019/0317货币时论模型构建完成后，使用过去7个交易日数据作为特征，后一个交易日数据作为标签进行训练，训练结果如图2所示。表1不同模型预测效果比较分析评价指标GRULSTMRNNCNNBPSVRMAE0.00790.00900.00950.00860.00850.0239MAPE0.03390.03820.04050.03650.03600.1148RMSE0.00980.01110.01180.01060.01050.0268训练时（s）404.57484.60167.8485.4461.820.0059其中，真实值是指从美联储官网获得的欧元兑美元真实数据，训练拟合值是指模型训练完成后在训练集上的预测值，测试预测值是在测试集上的预测值，由于本文使用日度数据，因此样本点过多会导致将全部数据点放在一张图上时识别度不高，下面通过图3提供仅在测试集上的预测效果。图3GRU网络预测测试集结果通过图3可以看出，使用GRU网络对欧元对美元汇率预测效果极佳，几乎和真实值一致，以上是对GRU网络预测效果的主观图形判断，为使模型评价更加客观，本文通过引入卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、BP神经网络（BP）、支持向量机回归（SVR）进行模型间比较分析。可以看出，其中除传统机器学习方法之外，还有如CNN、RNN、LSTM这样的深度学习方法，加入深度学习方法之间的比较可以使模型结果更具说服力，相关比较结果如表1所示。其中，LSTM神经网络、RNN神经网络结构和GRU网络结构完全一致，只是把GRU层换成了LSTM层和简单RNN层；CNN神经网络参照一维卷积官方例子，先使用两个一维卷积层进行特征提取后，再使用一维池化层进行特征浓缩，随后连接两个全连接层，第一层卷积核为128，第二层卷积核为64个，两层中的卷积核长度都为3；BP神经网络由五个全连接层构成，神经元个数分别为128、64、32、6、1个；支持向量回归（SVR）则使?
【参考文献】：
期刊论文
[1]基于MEEMD组合模型的汇率预测[J]. 傅魁,郭志颖. 统计与决策. 2018(11)
[2]基于互联网搜索指数的多因素集成下人民币汇率预测[J]. 王轩,杨海珍. 系统工程学报. 2017(03)
[3]基于HHT-SVR模型的汇率数据去噪与预测[J]. 方兆本,李勇. 数理统计与管理. 2015(05)
[4]融合ICA的BP网络在人民币汇率预测中的应用[J]. 王晓辉,张卫国,刘玉芳. 系统工程学报. 2014(03)
[5]基于双正交小波核支持向量机的长记忆汇率预测[J]. 黄超,黄丽丽. 统计与决策. 2012(22)
[6]ARIMA融合神经网络的人民币汇率预测模型研究[J]. 熊志斌. 数量经济技术经济研究. 2011(06)
[7]基于改进的RBF神经网络的人民币汇率预测研究[J]. 钱晓东,肖强,罗海燕. 计算机工程与应用. 2010(10)
[8]径向基神经网络的汇率预测模型研究[J]. 廖薇,冯小兵,许春冬,刘锦高. 计算机工程与应用. 2009(24)
[9]基于ARMA模型的人民币汇率预测研究[J]. 黄艺婵. 商业时代. 2009(20)
[10]人民币汇率预测及方法选择——基于ARIMA与GARCH模型[J]. 刘姝伶,温涛,葛军. 技术经济与管理研究. 2008(04)
本文编号：3546161
【文章来源】：浙江金融. 2019,(03)
【文章页数】：9 页
【部分图文】：
门控循环单元网络结构
个全连接层分别有32个和1个神经元，使用非线性非饱和激活函数ReLU，相比sigmoid和tanh激活函数，ReLU函数能有效防止梯度消失问题，为防止训练神经网络时发生过拟合现象，本文参照NSrivastava等（2014）在神经网络中加入Dropout，本文使用丢弃率为0.1，在模型训练过程中每次迭代随机丢弃神经元可以有效防止过拟合，神经网络训练时损失函数为均方误差(mean-squareerror,MSE)，使用Adam优化器进行训练，Adam算法的学习率衰减等特性有助于模型更有效率地训练，模型训练批次（batch）为32，迭代次数（epoch）为200次。图2GRU网络预测效果全景图
2019/0317货币时论模型构建完成后，使用过去7个交易日数据作为特征，后一个交易日数据作为标签进行训练，训练结果如图2所示。表1不同模型预测效果比较分析评价指标GRULSTMRNNCNNBPSVRMAE0.00790.00900.00950.00860.00850.0239MAPE0.03390.03820.04050.03650.03600.1148RMSE0.00980.01110.01180.01060.01050.0268训练时（s）404.57484.60167.8485.4461.820.0059其中，真实值是指从美联储官网获得的欧元兑美元真实数据，训练拟合值是指模型训练完成后在训练集上的预测值，测试预测值是在测试集上的预测值，由于本文使用日度数据，因此样本点过多会导致将全部数据点放在一张图上时识别度不高，下面通过图3提供仅在测试集上的预测效果。图3GRU网络预测测试集结果通过图3可以看出，使用GRU网络对欧元对美元汇率预测效果极佳，几乎和真实值一致，以上是对GRU网络预测效果的主观图形判断，为使模型评价更加客观，本文通过引入卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、BP神经网络（BP）、支持向量机回归（SVR）进行模型间比较分析。可以看出，其中除传统机器学习方法之外，还有如CNN、RNN、LSTM这样的深度学习方法，加入深度学习方法之间的比较可以使模型结果更具说服力，相关比较结果如表1所示。其中，LSTM神经网络、RNN神经网络结构和GRU网络结构完全一致，只是把GRU层换成了LSTM层和简单RNN层；CNN神经网络参照一维卷积官方例子，先使用两个一维卷积层进行特征提取后，再使用一维池化层进行特征浓缩，随后连接两个全连接层，第一层卷积核为128，第二层卷积核为64个，两层中的卷积核长度都为3；BP神经网络由五个全连接层构成，神经元个数分别为128、64、32、6、1个；支持向量回归（SVR）则使?
【参考文献】：
期刊论文
[1]基于MEEMD组合模型的汇率预测[J]. 傅魁,郭志颖. 统计与决策. 2018(11)
[2]基于互联网搜索指数的多因素集成下人民币汇率预测[J]. 王轩,杨海珍. 系统工程学报. 2017(03)
[3]基于HHT-SVR模型的汇率数据去噪与预测[J]. 方兆本,李勇. 数理统计与管理. 2015(05)
[4]融合ICA的BP网络在人民币汇率预测中的应用[J]. 王晓辉,张卫国,刘玉芳. 系统工程学报. 2014(03)
[5]基于双正交小波核支持向量机的长记忆汇率预测[J]. 黄超,黄丽丽. 统计与决策. 2012(22)
[6]ARIMA融合神经网络的人民币汇率预测模型研究[J]. 熊志斌. 数量经济技术经济研究. 2011(06)
[7]基于改进的RBF神经网络的人民币汇率预测研究[J]. 钱晓东,肖强,罗海燕. 计算机工程与应用. 2010(10)
[8]径向基神经网络的汇率预测模型研究[J]. 廖薇,冯小兵,许春冬,刘锦高. 计算机工程与应用. 2009(24)
[9]基于ARMA模型的人民币汇率预测研究[J]. 黄艺婵. 商业时代. 2009(20)
[10]人民币汇率预测及方法选择——基于ARIMA与GARCH模型[J]. 刘姝伶,温涛,葛军. 技术经济与管理研究. 2008(04)
本文编号：3546161
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3546161.html
