论文部分内容阅读
利用信息技术对国际外汇交易价格进行预测是一项非常有意义的研究,它在帮助投资者们进行更加合理投资的同时,也可以为政策制定者提供重要的参考和依据。但是,对目前在国际外汇交易市场中经常被使用的模型方法而言,受限于模型最佳的数据输入大小介于3到10之间,无法充分处理和利用国际外汇市场的周期性特征,在长期时间范围内的预测准确度不高。所以,设计一个全新的模型和方法,以达到提高外汇时间序列预测的准确度,对学术研究和实际应用两方面都非常有价值。本论文利用国际外汇市场的周期性特征,提出了一种全新的将一维结构的外汇交易价格数据转换为二维结构数据的升维方法。在此方法的基础上,本论文基于卷积神经网络(Convolutional Neural Network)中的LeNet-5设计了一种模型,不仅可以处理外汇交易价格数据在交易日与交易日之间的变化,同时也可以处理交易日内数据的细节变化。得益于这一特性,该模型可以充分利用外汇交易市场的周期性特征。在我们的研究中,我们针对国际外汇交易市场中最为重要的三个货币对:欧元对美元(EUR/USD),美元对日元(USD/JPY)以及英镑对美元(GBP/USD),将所设计的基于卷积神经网络的模型与全连接人工神经网络(Fully Connected Artificial Neural Network,FCANN),支持向量回归(Support Vector Regression,SVR)以及门控循环单元模型(Gated Recurrent Unit,GRU)进行了全面详细的对比实验。在均方误差(Mean Square Error),平均绝对百分误差(Mean Absolute Percentage Error),可决系数(Coefficient of Determination),方向对称系数(Directional Symmetry)和累积和解释方差(CUSUM Explained Variance)这五种性能评价标准下,最终的实验结果证实了在和其他传统模型方法相比较时,本论文所设计的基于卷积神经网络的模型方法有着更好的性能表现。