随着经济全球化的深入,全球贸易往来离不开外汇的参与,外汇市场显然成为流动性最强的金融市场之一。由于各种因素的影响,汇率序列通常是非线性、不稳定的。如何有效挖掘数据的内在特征,提高汇率预测的精度、减小预测误差至关重要。正确分析和预测人民币汇率对于我国政府制订相关汇率调节政策、企业规避汇率风险、个人投资理财具有一定意义。得益于计算机技术的进步以及人工智能的发展,关于汇率的量化研究逐渐发展。计量模型、机器学习模型等已广泛应用在汇率时间序列预测中,但大多数学者研究外部因素对汇率价格的影响或直接对汇率序列预测,忽略了原序列内部的波动特征。而多尺度分析通过分解能够更好的提取序列内部的波动特征,提升预测精度。目前多尺度组合模型在外汇领域中的应用较少,因此本文将其用于汇率预测具有一定的理论以及现实意义。由于蝴蝶效应的存在,长期趋势难于进行预测,且长期趋势主要受基本面影响,因此,本文主要研究短期汇率价格的预测,以信号处理理论为基础,构建一个基于自适应白噪声的完整经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）的多尺度组合模型。本文多尺度组合模型（简记为CEEMDNAN-LSG）的构建过程如下:首先,运用CEEMDAN对货币对原序列去噪分解,得到多个本征模函数（IMFi）和一个剩余分量。然后,根据各分解序列的模糊熵值,将复杂度相似的子序列重构为高频、中频、趋势序列,通过对高频项、低频项以及趋势项的统计特征分析研究汇率内在波动机制。再对不同波动频率的序列采取合适的模型预测,即用长短期记忆（Long-short Term Memory,LSTM）模型、支持向量回归（Support Vector Regression,SVR）、梯度提升决策树（Gradient Boosting Decision Tree,GBDT）分别预测高频、低频以及趋势序列。最后将各重构序列的预测结果进行集成,得到货币对的最终预测值。本文以人民币兑美元汇率的中间价为实证对象。实验结果表明:CEEMDAN比EMD、EEMD对样本数据分解的完备性更好,同时有效改善了模态混叠问题。此外,本文构建的多尺度组合模型CEEMDAN-LSG和对比模型相比在各类模型评价指标上都表现优良,不仅预测误差较小,而且预测方向变化的准确度高。本文的创新点主要有三个方面:第一,研究思想的创新。现有的大多数研究把汇率序列作为一个整体,将外部因素引入预测模型或直接预测原序列。本文不同于这些研究,考虑到汇率序列内部波动特征,将多尺度分析引入汇率预测领域,采用“分解—重构—预测”的思想,用基于自适应白噪声的完整经验模态分解方法对人民币兑美元汇率序列进行分解,再对子序列重构预测,并实验证明了该方法对预测精度提升的影响。第二,预测方法的创新。本文对不同频率的重构序列根据其数据特性采取不同的模型进行预测,而非使用单一模型进行后续的预测,并实验证明了其有效性和合理性。此外引入深度学习模型,将LSTM用于高频数据的预测中。第三,模型评价指标的丰富。本文不仅纳入了评估预测精确度的统计评价指标,还引入预测方向准确度的评价指标,可有效评估模型预测走势方向变化的能力。本文提出的多尺度组合模型在短期汇率预测中具有不错的表现,但仍存在一定不足及改进空间。如在参数设置方面通过反复试验选定最优参数,在预测集成方式方面采用综合叠加的方式得到最终的预测结果。在后续的研究中可以考虑引入寻优算法、集成算法等加以改进,并将该模型应用于更多的场景中。