数字会计：使用人工神经网络预测汇率，包括VAR-VECM残差分析和预测线性组合

使用人工神经网络预测汇率，包括VAR-VECM残差分析和预测线性组合

欢迎来到数字会计专栏，本期将为您介绍的文章是:

Using Artificial Neural Networks to forecast Exchange Rate, including VAR‐VECM residual analysis and prediction linear combination

《使用人工神经网络预测汇率，包括VAR-VECM残差分析和预测线性组合》

Using Artificial Neural Networks to forecast Exchange Rate, including VAR‐VECM residual analysis and prediction linear combination

Author

Alejandro Parot，Kevin Michell，Werner D. Kristjanpoller

Summary

The Euro US Dollar rate is one of the most important exchange rates in the world, making the analysis of its behavior fundamental for the global economy and for different decision‐makers at both the public and private level. Furthermore, given the market efficiency of the EUR/USD exchange rate, being able to predict the rate's future short‐term variation represents a great challenge. This study proposes a new framework to improve the forecasting accuracy of EUR/USD exchange rate returns through the use of an Artificial Neural Network (ANN) together with a Vector Auto Regressive (VAR) model, Vector Error Corrective model (VECM), and post‐processing. The motivation lies in the integration of different approaches, which should improve the ability to forecast regarding each separate model. This is especially true given that Artificial Neural Networks are capable of capturing the short and long‐term non‐linear components of a time series, which VECM and VAR models are unable to do. Post‐processing seeks to combine the best forecasts to make one that is better than its components. Model predictive capacity is compared according to the Root Mean Square Error (RMSE) as a loss function and its significance is analyzed using the Model Confidence Set. The results obtained show that the proposed framework outperforms the benchmark models, decreasing the RMSE of the best econometric model by 32.5% and by 19.3% the best hybrid. Thus, it is determined that forecast post‐processing increases forecasting accuracy.

Keywords

Embedded Models，Artificial Neural Network，Exchange rate return，VAR，VECM，Cointegration

使用人工神经网络预测汇率，包括VAR-VECM残差分析和预测线性组合

作者

Alejandro Parot，Kevin Michell，Werner D. Kristjanpoller

总结

欧元兑美元汇率是世界上最重要的汇率之一，因此，分析其行为对于全球经济以及公共和私人层面的不同决策者都至关重要。此外，鉴于欧元/美元汇率的市场效率，能够预测汇率的未来短期变化是一个巨大的挑战。本研究提出了一个新的框架，通过使用人工神经网络（ANN）以及矢量自动回归（VAR）模型、矢量误差校正模型（VECM）和后处理，提高欧元/美元汇率回报的预测准确性。其动机在于整合不同的方法，这将提高对每个单独模型的预测能力。鉴于人工神经网络能够捕获时间序列的短期和长期非线性组件，VECM 和 VAR 模型无法做到这一点，因此尤其如此。后处理寻求结合最好的预测，使一个比它的组件更好。根据根均方误差（RMSE）作为损耗函数比较模型预测能力，并使用模型置信集分析其显著性。结果表明，该框架优于基准模型，将最佳计量经济学模型的RMSE降低了32.5%，将最佳混合模型的RMSE降低了19.3%。因此，确定预测后处理提高了预测精度。

关键字

嵌入式模型、人工神经网络、汇率回报、VAR、VECM、集成

研究方法

使用每日滚动窗口实现矢量自动回归（VAR）模型，以确定变量之间的长期关系。

在每个窗口中验证共积分向量的存在，并实现矢量纠错模型（VECM），以获得框架的计量经济学预测部分。因此，每个窗口中的预测由VECM或VAR（称为VAR-VECM），具体取决于是否有共积分向量。

它生成的错误尊重原始系列，并与在另一个每日滚动窗口中的原始序列的过去信息，以馈送不同的ANN配置以获得预测。

对最佳嵌入式模型进行排名，确定最佳配置，并加权其预测以获取最终预测。

本文的独创性在于为欧元/美元每日回报预测提供了一个多步框架的命题，旨在提高预测准确性，以支持决策。

研究目的

本研究的目的是验证是否有使用时对汇率回报的预测进行改进嵌入式模型，而不是只使用计量经济学或人工智能模型，所有在滚动的窗口框架。

关键词解释

均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替。标准误差 对一组测量中的特大或特小误差反映非常敏感，所以，标准误差能够很好地反映出测量的精密度。这正是标准误差在工程测量中广泛被采用的原因。因此，标准差是用来衡量一组数自身的离散程度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计算过程类似。

矢量自动回归（VAR）模型用于通过一组方程来显示一组变量之间的同时交互，该方程认为每个方程的解释变量集是由每个模型的内源变量的滞后以及其确定性或外源变量及其各自的滞后组成。VAR模型是用模型中所有当期变量对所有变量的若干滞后变量进行回归。VAR模型用来估计联合内生变量的动态关系，而不带有任何事先约束条件。

经过一些现代计量经济学家门的研究，给出了一种非结构性建立经济变量之间关系模型的方法，这就是所谓VECM模型。

相似文章

基于人工神经网络和随机游走模型的汇率预测?

作者：洪嘉灏，暨南大学,经济学院

摘要：由于金融数据具有随机性特征，使得建模和预测变得极其困难。提出一种组合预测方法，即假定任何金融时序数据由线性和非线性两部分组成，将其中线性部分的数据通过随机游走(RW)模型进行模拟，剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理。从实证结果可知，该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度。

关键词：诶尔曼神经网络,人工神经网络,随机游走模型,组合预测,金融时间序列,[金融工程],EANN，artificial neural network，random walk model，combination forecast，financial time series

人工神经网络在中长期汇率预测中的应用

作者：杨炘，马洪波

摘要：随着世界经济的发展，世界各国经济的联系越来越紧密，汇率就成了人们越来越关注的问题。现在各国都投入大量人力和物力进行汇率预测。影响汇率变动的因素是很多的，既有经济因素又有政治因素和心理因素，还有各国中央银行的直接干预。值得注意的是，汇率也受国际炒家的影响因此，要做好汇率预测工作，就需要认真地考虑和分析这些因素，诸如，国际收支状况、通货膨胀率、利率水平、政府的政策和干预态度、外汇市场的投机性力量，以及国际金融环境的变化，甚至社会环境的稳定程度、公众心理因素也会对汇率产生直接或间接的影响。由此可见，进行汇率预测是十分困难的，进行中长期汇率的预测尤其如此。

关键词：人工神经网络,汇率预测,预测效果,实际汇率,随机游走模型,学习算法,神经元,连接模型,预测方法,货币供应量

资料来源：百度百科

编辑：谢嘉琪