24、美国汇率建模中反向传播数值算法的探索

美国汇率建模中反向传播数值算法的探索

1. 引言

货币汇率预测对金融机构至关重要，它有助于评估货币风险、增加利润以及监控战略财务规划。外汇市场的参与者，如交易员、投资者和投机者，会不断进行套利和套期保值交易，这会影响金融机构的财富和国家经济。因此，这些参与者都依赖外汇市场的反应。如今，政府、经济学家和外汇市场参与者对能够准确预测货币汇率的模型越来越感兴趣。然而，货币市场通常被认为是非线性和非平稳的系统，难以预测。

过去，研究人员和学者广泛应用自回归移动平均（ARMA）、广义自回归条件异方差（GARCH）模型和线性回归方法来建模外汇汇率。但这些线性统计模型需要对数据的潜在规律和模型规格进行先验假设，其应用仅限于模型的线性规格，且要求变量和误差具有平稳性和正态分布。在现实生活中，这些假设往往不成立，导致预测质量不佳。

近十年来，多层人工神经网络（ANN）等软计算工具被引入货币汇率时间序列预测中。ANN无需上述假设，对噪声和不完整数据具有适应性和鲁棒性。它采用传统的经验风险最小化原则，通过反向传播算法最小化训练数据的误差。事实证明，ANN在不同的时间序列应用问题中都非常有效和准确，包括电力负荷、股票市场波动、河流流量、汽车燃料消耗、洪水和降雨径流预测等，最近也用于货币汇率预测。

虽然文献中对不同类型的人工神经网络进行了比较，但很少关注用于训练神经网络以建模和预测汇率的学习算法的选择。而训练算法的选择对人工神经网络预测货币汇率的成功至关重要。因此，本文旨在探索不同数值技术在反向传播神经网络（BPNN）训练中的有效性，包括共轭梯度（Fletcher - Reeves更新、Polak - Ribiére更新、Powell - Beale重启）、拟牛顿（Broyden -