随着中华民族伟大复兴事业不断推进,我国国民经济飞速发展的同时,越来越多的大宗海外交易成为常态化,作为外贸基础的人民币汇率承担着重要责任。人民币汇率在市场化探索中稳步前进,让人民币在国际市场交易中占据着越来越大的比重。此时,对人民币汇率预测模型的构建也成为了研究热点,但由于人民币汇率波动具有影响因素多,反应灵敏等特性,经量化研究后还发现其具有非平稳性、非线性和复杂性的多重特点,这些复杂特点使实现人民币汇率准确预测一直被认为是金融领域中最具挑战的课题之一。现今将发展日益完善的非线性模型和传统线性模型进行组合,这种通过组合模型完成人民币汇率预测的方法作为一种新的手段出现在大众视野。在对人民币汇率问题研究的过程中,为了更好地把握人民币汇率的内在信息,规避汇率波动所带来的风险,保护国家人民财产安全,本文通过对现有的汇率预测方法进行分析总结,提出了构建一种将传统线性模型ARIMA与非线性模型LSTM进行组合的人民币汇率预测框架,该模型实现了线性预测与非线性预测的有效融合,形成了一种全新的组合预测模型:ARIMA-LSTM。本文使用组合模型的残差法来实现不同模型间的融合,组合模型构建首先需要通过自适应噪声的完备经验模态分解CEEMD AN与小波包分析联合降噪方法,对原始汇率数据进行分解、降噪、重构,完成数据预处理部分。其次,模型线性部分的处理方式是将预处理后的汇率数据进行ARIMA建模,随后以拟合预测的形式从原序列中提取线性成分信息;然后对ARIMA拟合后的残差序列使用基于灰狼算法GWO优化的长短期记忆神经网络LSTM进行建模并预测,至此完成模型建立过程。最后,将ARIMA模型线性预测值与LSTM模型非线性预测值相加即可得到原汇率序列的最终预测结果。针对本文所提出的组合预测模型,选用了美元、欧元、英镑和加元兑人民币汇率的每日中间价作为研究样本进行预测。在实证过程中,利用四个评价指标对模型预测精度进行衡量,将组合预测模型结果分别与其它七个预测模型结果进行对比,形成多角度综合模型效果评价体系。结果表明:本文所提出的组合模型在预测精度方面都要优于其它七个预测模型;无论是在数据预处理、优化算法还是预测模型选择的方面,组合模型都呈现出一定的优势。最后得出,该组合模型能够较大程度地提高人民币汇率的预测水平,取得优异的预测结果。本文所构建的组合预测模型,主要创新内容包括以下几点:（1）考虑到汇率序列数据波动机制复杂,同时兼具噪声的影响,如果直接利用ARIMA模型拟合将影响模型定阶。本文通过一种新的基于CEEMDAN分解及小波包分析联合降噪方法,使用其对原始数据进行预处理,降低原始汇率数据的波动性和随机性,从而有效提高预测的性能。（2）汇率数据具有一定程度的相关性,LSTM模型能够通过自身特殊的结构,以此获得的记忆性来处理这种复杂的相关关系,相比于其它神经网络更适合于汇率数据的预测工作。同时利用灰狼算法进行模型优化,使模型的预测值最大限度逼近真实值,从而提高预测的精准度。（3）为了有效解决数据特征不同的问题,克服单一预测模型的不足,本文利用线性和非线性模型预测结果进行串联式组合的思想,将传统计量模型ARIMA模型与新兴深度学习方法LSTM神经网络进行组合。综上所述,本文通过对建模流程中各模块细分后均进行了有效的探索和优化,为人民币汇率建模预测研究提供新思路、新方法。