考虑投资者关注的人民币汇率深度学习预测模型探讨

本文是一篇投资分析论文，本文利用百度搜索指数刻画投资者关注，并将该指标纳入人民币汇率预测当中；构建了考虑投资者关注的深度学习预测模型；研究了LSTM和GRU模型最优的网络层数和单元数个数，并且对投资者关注的稳健性进行了分析，提供了最适宜的用于预测人民币汇率的深度学习模型结构；
第一章绪论
第一节研究背景与意义
一研究背景

投资分析论文怎么写

外汇市场是最活跃金融市场之一，分布于世界各地，具有交易量大、流动性强的特点。汇率本身是货币的价格，是一个国家对外交易的纽带，同时也是外汇市场最重要的经济指标之一。1984年我国提出经济体制改革的目标，外汇市场开始产生并发展。1985年，我国成立了国内第一家外汇调剂中心，开始办理外汇调剂业务。1994年，我国开始了外汇管理体制改革之路，将外汇市场由国家调控为主转向了以市场决定为主。2005年，我国开始实行浮动汇率制度，因此在一定程度上释放了当时积累的通货膨胀压力，提高了人民币地位。2015年，顺应供给侧结构性改革，人民币对美元汇率报价机制调整为以“收盘价+篮子汇率”的为准的中间价报价模式。之后的5年内，人民币通过加入特别提款权，改革形成机制，在国际市场的地位和透明化程度不断提升。总而言之，货币当局对汇率的干预越来越少，人民币的双向波动也变得越来越频繁，朝着市场化进程不断迈进。
过去三年，中国与世界经济的联系仍旧紧密，人民币成为了全球第五大支付货币。但人民币长期交替处于升值和贬值压力阶段，加上外汇市场依然不够完善，导致外汇风险较大。随着我国金融市场的全面开放，汇率风险问题越来越受到学术界的重视。如果能够找到合适的预测模型对汇率进行预测，就能够通过针对性的经济活动引导汇率市场健康运行，为我国经济发展提供正确的指导。
一直以来，金融行业对金融时间序列数据的成功预测十分关注，特别是资产价格预测，如股票价格、股票指数、外汇、石油、黄金等价格预测。自计算机普及开始，金融行业就在寻找能够精准预测汇率的方法，预测模型从传统计量模型向深度学习模型转变，从单一模型向组合模型过渡。传统计量模型属于线性预测模型，由于其无法反映金融变量之间交互作用带来的维度问题，所以难以从大量的信息中得到关键信息。近年来深度学习技术的发展为预测经济问题提供了新思路。深度学习模型在不需要人工提取数据特征的情况下，通过将各种金融问题转换为学习表示问题，可以充分的挖掘数据背后的信息。门控循环单元神经网络模型是较为流行的深度学习模型之一。
..............................
第二节研究内容与框架
本文以深度学习为理论依据，系统地研究了考虑投资者关注的人民币汇率预测方法。在对投资者关注的概念界定和对投资者关注与汇率的关系、汇率预测方法相关研究综述的基础上，探讨了投资者关注的常用的度量指标。利用主成分分析方法，对百度搜索指数获取的与投资者关注有关的汇率关键词进行筛选，确定了度量投资者关注的量化指标。进而，将ARIMA模型与深度LSTM模型相结合，构建了考虑投资者关注的人民币汇率的ARIMA-LSTM预测模型。同时，利用深度GRU模型处理汇率序列数据的优越性，构建了考虑投资者关注的深度GRU汇率预测模型。最后，选取2018年1月至2021年6月美元兑人民币汇率中间价的开盘价、最高价、最低价、收盘价和汇率的投资者关注五个指标的交易日数据，对考虑投资者关注的人民币汇率预测模型进行实证分析，对比分析的结果显示了不同预测模型的效果与优势。
本文的研究内容共分为五章，具体研究内容如下：
第一章绪论首先对本文的研究背景和研究意义进行描述，分析了汇率预测对个体投资者、机构投资者的交易及国家金融政策制定的重要意义和实用价值。然后，列出了本文的主要研究内容和框架，并指出了本文的研究特色与创新之处。
第二章相关概念与文献综述本章首先对汇率的预测方法进行总结，按照计量方法到浅层机器学习方法和深度学习方法的顺序进行概述。然后对国内外关于投资者关注与汇率时间序列的研究的现状进行阐述分析，同时对投资者关注的度量进行描述。本章的研究为本文提供了理论分析基础，为后续章节提出汇率预测模型做铺垫。
第三章考虑投资者关注的人民币汇率预测模型首先介绍了我国常用的投资者关注指标的选择方法。其次，通过百度指数获取投资者关注的初始预测指标，经过主成分分析法对这些指标进行筛选，确定了度量投资者关注的量化指标。进而，构建了考虑投资者关注的ARIMA-LSTM组合预测模型和GRU预测模型。
......................
第二章相关概念与文献综述
第一节投资者关注的概念与相关研究
投资者关注是投资者对某一信息的关注程度，是从投资者的整体角度出发的概念。投资者关注对个人和群体投资决策都起着重要的作用。由于投资者关注是抽象的，难以直接获取，所以对投资者关注指标的度量方法不尽相同。投资者关注指标大体上可以分为直接指标和间接指标。相比于间接指标，直接指标直观易得，更能及时反映投资者的关注。
一投资者关注的概念
（一）行为金融学理论
传统金融学理论支持有效市场假说，认为投资者能接收到市场表示出的所有信息，具有初步认识和深入理解市场信息的完全能力。假设不考虑搜寻信息的时间成本、渠道成本和相关耗费成本，投资者可以对不确定性事件进行合理估计。并且，当投资者接收到新信息时，能按照理性法则来正确地调整自己的投资决策重点，从而做出最优交易决策。总之，传统金融学认为投资者足够理性，能够利用和处理全部的市场信息进行最佳的决策。
但是在现实中，投资者不是完全的理性人，受限于自身教育经历等原因，投资者受到外界信息的刺激越多，处理信息的能力就越有限。同时投资者具有社会属性，容易受到周围社会关系网络的影响，产生非理性认知。而且现实中并非所有信息都是结构化的，所以传统金融学的研究前提并不完全适用于现存的市场信息。行为金融学认为信息并不全会引起投资者的足够关注，从投资者本身这一角度解释市场行为的表现，将投资者心理等因素纳入到分析的框架中[1]。行为金融学认为当投资者将有限的关注分配到某项资产上时，该项资产价格会受其影响而产生波动。
.................................
第二节汇率预测方法
随着技术的提高，汇率的预测方法从最初的计量模型方法发展到浅层机器学习模型方法，进而发展到深度学习模型方法。最初的计量模型能够形成一个具体的表达式，对汇率时间序列数据的线性趋势做出很好的预测。但是汇率本质上不是线性的，具有非平稳、高噪声的特点，使得计量模型的预测能力受到了限制。浅层机器学习模型可以通过残差逆向传播对线性权函数进行不断调整，以此对汇率数据的复杂部分进行更好的预测。然而，对于存在前后关联的序列数据，浅层机器学习模型无法保存这一关联的信息。深度学习模型的循环神经网络在网络结构加入了循环技术，通过权值共享，能够更好地对序列中相关的信息并进行预测。循环技术可能导致神经网络预测时陷入局部最小值，为解决这一问题，LSTM和GRU加入了门控机制，能够对人民币汇率进行更好的预测。
一计量模型
人民币汇率的自身价格随着时间变化，本质上是时序数据，属于金融时间序列。因此，可以通过时间序列的历史样本构建合适的模型。蔡宗武[22]认为时间序列自身的信息预测比宏观经济变量预测的准确。从20世纪30年代起，就有学者对时间序列进行预测研究。最初的方法主要是自回归移动平均模型（ARMA），自回归条件异方差模型（GARCH），后新增了指数平滑法、季节系数法等，如今这些经典计量方法已经十分成熟。该类模型的原理都是通过缩小线性最小均方误差来预测时间序列的。
最广泛使用的经典计量模型是差分整合移动平均自回归模型（ARIMA），该模型是一种考虑了差分的ARMA。ARIMA模型简单灵活，着重分析经济时间序列本身所蕴含的随机性质，是最受欢迎的计量模型之一。Rout[23]发现利用ARIMA模型特殊的差分处理方式能够有效应对数据冗余所带来的预测不准确的问题，能够采取更合适的函数形式模拟汇率波动。郭琨等人[24]通过ARMA模型和累积超常收益模型对汇率的适用性分析，对人民币汇率进行了短期预测，研究发现周期ARMA模型的预测结果更平稳。自回归条件异方差模型（ARCH），是Meese等人[25]1983年提出的，该模型可以避免同方差假设，以便处理数据方差时变性问题。广义自回归条件异方差(GARCH)模型是ARCH类模型中泛化能力较强的模型，也是目前最广泛的非线性参数模型。非线性参数模型与ARIMA之类的参数模型的区别在于，其能对整个回归函数进行估计。戴晓枫等人[26]构建了基于非线性参数模型和线性参数模型的汇率预测模型，对人民币兑美元的日汇率值进行了预测，结果显示EGARCH模型能准确地反映汇率的变动趋势。宋博等人[27]采用ARMA-GARCH模型对经过分解处理后的人民币汇率数据进行预测，取得了良好的预测效果。
...............................
第三章考虑投资者关注的人民币汇率预测模型...............16
第一节投资者关注的度量指标...........................16
一常用的度量指标...................................16
二汇率关键词的百度指数....................18
第四章考虑投资者关注的预测模型实证研究.................34
第一节数据来源与处理.......................34
一数据来源...................................34
二数据处理...............................35
第五章结论与展望.............................50
第一节研究结论................................50
第二节研究展望...............................51
第四章考虑投资者关注的预测模型实证研究
第一节数据来源与处理
一数据来源
根据以往的文献，选择汇率的开盘价，收盘价，最高价，最低价，并加入投资者关注指标作为特征来预测中间价。主要数据来源于外汇管理局官方网站和英为财情网。各变量定义如图所示。因为官方只提供汇率中间价的交易日数据，所以将其他特征交易日之外的数据进行剔除。数据的描述性统计如表4-1所示。

投资分析论文参考

.............................
第五章结论与展望
第一节研究结论
本文利用百度搜索指数刻画投资者关注，并将该指标纳入人民币汇率预测当中；构建了考虑投资者关注的深度学习预测模型；研究了LSTM和GRU模型最优的网络层数和单元数个数，并且对投资者关注的稳健性进行了分析，提供了最适宜的用于预测人民币汇率的深度学习模型结构；分别选取2018年1月-2021年6月美元兑人民币汇率中间价的最高价、最低价、开盘价、收盘价和投资者关注指标作为模型的预测指标兑人民币汇率进行预测。多个模型的实证结果显示了GRU模型对汇率预测很有帮助。论文的研究结论主要有：
1.本文考虑了投资者关注指标，并对初始46个关键词进行主成分分析，最终确定了能够代表投资者关注的百度指数关键词。相比以往大多数汇率预测模型在预测指标的选取上缺乏对投资者行为的考察这一问题，本文充分考虑了投资者的行为。相比于以往文章对投资者关注指标度量不够直观的问题，本文的选取的百度指数更具有现实意义和解释能力。
2.经过对比分析发现，考虑了投资者关注的ARIMA-LSTM模型和GRU模型预测误差更小，说明投资者关注指标对人民币汇率的预测准确率具有影响。对比模型性能的评价指标，可以发现两个模型的RMSE平均值和MAPE平均值均降低。因此在对人民币汇率进行预测时，应对投资者关注指标予以重点关注。
3.通过实证分析可以看出ARIMA-LSTM模型和GRU模型在预测方面的准确性、精度和稳定性优于其他模型，说明深度学习模型总体上的预测能力较强。同时证实了组合模型的优势，即对复杂趋势的序列可以进行针对性处理。IA-GRU模型预测效果优于其他模型，说明IA-GRU的高度可调节性在减少参数规模的同时优化了模型决策。不同预测结果都证明了深度学习模型对汇率预测的可用性和有效性，也为相关预测提供了一种较为科学的方法，即将深度学习模型结合投资者关注指标来预测人民币汇率。这对进出口企业、市场交易者、其他利益相关者和有关部门的监督管理有一定的参考意义。
参考文献（略）