[论文解读] Using Recurrent Neural Networks To Forecasting of Forex
本文提出一种循环神经网络（RNN）模型，利用时间序列数据和移动平均线等技术指标来预测外汇汇率。在以美元对日元、法国法郎、英镑和欧元的货币对上进行训练，该RNN模型的复决定系数（R²）达到至少0.65，表明在主要货币对上，经过稳健的统计预处理和验证，其非线性预测性能具有统计可靠性。
This paper reports empirical evidence that a neural networks model is applicable to the statistically reliable prediction of foreign exchange rates. Time series data and technical indicators such as moving average, are fed to neural nets to capture the underlying "rules" of the movement in currency exchange rates. The trained recurrent neural networks forecast the exchange rates between American Dollar and four other major currencies, Japanese Yen, Swiss Frank, British Pound and EURO. Various statistical estimates of forecast quality have been carried out. Obtained results show, that neural networks are able to give forecast with coefficient of multiple determination not worse then 0.65. Linear and nonlinear statistical data preprocessing, such as Kolmogorov-Smirnov test and Hurst exponents for each currency were calculated and analyzed.
研究动机与目标
- 评估循环神经网络在具有统计可靠性的情况下预测外汇汇率的可行性。
- 探究是否能够通过基于技术指标和历史价格训练的神经网络捕捉汇率变动中的非线性模式。
- 使用复决定系数（R²）等多种统计指标评估预测准确性。
- 应用如柯尔莫哥洛夫-斯米尔诺夫检验和赫斯特指数分析等预处理技术，以在建模前理解数据特征。
- 通过分析残差行为和数据分布，比较RNN与线性模型的预测能力。
提出的方法
- 该模型采用循环神经网络（RNN）处理外汇汇率的序列时间序列数据。
- 输入特征包括历史汇率和移动平均线等技术指标。
- 统计预处理包括使用柯尔莫哥洛夫-斯米尔诺夫检验评估数据分布，以及通过赫斯特指数计算评估长程依赖性。
- RNN在美元对日元、瑞士法郎、英镑和欧元的每日汇率数据上进行训练。
- 通过复决定系数（R²）评估预测质量，并在所有货币对上进行额外的统计验证。
- 模型在多个时间跨度上进行测试，并使用标准统计估计技术进行验证。
实验结果
研究问题
- RQ1循环神经网络能否有效建模并预测外汇汇率变动中的非线性动态？
- RQ2像移动平均线这样的技术指标在多大程度上增强了RNN在外汇预测中的预测能力？
- RQ3R²及其他指标所衡量的RNN预测结果在统计上是否可靠？
- RQ4数据特征如长程依赖性（赫斯特指数）和分布特性在多大程度上影响模型性能？
- RQ5RNN能否在捕捉货币汇率时间序列中的复杂非线性模式方面优于线性模型？
主要发现
- RNN模型在所有测试的货币对上均实现了至少0.65的复决定系数（R²），表明其具有强大的预测性能。
- 统计预处理揭示了汇率序列存在显著的长程依赖性，这由赫斯特指数值所指示。
- 柯尔莫哥洛夫-斯米尔诺夫检验证实了收益率序列的非正态分布，支持采用非线性建模方法的必要性。
- 该模型在相对于美元的四种主要货币对（日元、瑞士法郎、英镑、欧元）中均表现出一致的预测准确性。
- 结果表明，RNN能够捕捉线性模型可能遗漏的外汇数据中复杂的非线性模式。
- 稳健的统计验证确认了RNN预测的可靠性，支持其在实际金融预测任务中的应用。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。