遺傳算法的BP神經網絡在匯率預測中的應用范文

本站小編為你精心準備了遺傳算法的BP神經網絡在匯率預測中的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：匯率預測是金融領域最具挑戰性的研究課題之一。本文將幾種神經網絡用于匯率預測，選取從2010年6月30到2018年3月6號美元/人民幣匯率作為研究數據。結果表明基于遺傳算法的bp神經網絡在匯率預測方面具有比單個神經網絡更精確的預測結果。

關鍵詞：匯率預測；BP神經網絡；遺傳算法

隨著全球化的迅速發展和國際貿易激烈競爭的加劇，匯率對政府和企業的影響正在加強。對政府而言，通過更好地了解匯率變動，政策制定者將能夠提取有關經濟和金融的相關信息，這將有助于他們為未來設計更好的貨幣政策。對大型跨國公司而言，如果能夠準確預測貨幣匯率，公司的整體盈利能力將大大提高。因此，外匯預測已成為國際金融研究人員和從業人員的主要研究之一。而神經網絡由于具有分布存儲性、容錯性、自學習型和自適應性等的特點，成為匯率預測領域應用最廣泛的方法。

1基于遺傳算法的BP神經網絡

BP（BackPropagation）于二十世紀八十年代中期由以Rumelhart和McCelland為首的科學小組提出，它是一種多層前饋網絡，它最核心的內容是按照誤差反向傳播算法訓練，是目前應用最廣泛的神經網絡模型之一。在BP網絡的正向傳遞中，數據從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態。如果輸出層的結果并不符合網絡預期，就會轉入反向傳播，根據預測值與期望值之間的誤差來調整網絡的權值和閾值，從而使BP網絡的預測輸出不斷接近期望值。BP網絡可以學習和存貯大量的輸入-輸出模式的映射關系，而并不需要提前知道描述這種映射關系的數學表達式。基于遺傳算法（GA）優化的BP神經網絡（GA-BP）分為BP結構確定，GA優化和BP預測。BP結構確定部分根據輸入和輸出參數確定BP的結構，并進一步確定遺傳算法個體的長度。GA優化使用GA來優化BP的權重和閾值。群體中的每個個體都包含網絡的所有權重和閾值。通過適應度函數計算個體的適合度值。GA通過選擇，交叉和變異操作找到對應于最佳適合度值的個體。BP預測部分預測由GA獲得的最佳個體以分配網絡的初始權重和閾值，并且網絡在訓練之后預測功能輸出。算法流程圖。

2匯率預測

2.1數據選擇選取從2010年6月30到2018年3月6號美元/人民幣匯率作為研究數據。

2.2構造樣本訓練在使用神經網絡模型之前，首先要對數據進行預處理，本文使用滑動算法來對數據進行處理，即用前兩個交易日來進行第三個交易日的預測。

2.3匯率預測為了更清晰的展示本文所提出的神經網絡在匯率預測方面的優劣性，本節不僅展示了GA-BP的預測結果，同時展示了四個簡單的神經網絡模型的預測結果，預測誤差如表1所示，可以清楚的看到不管是以MSE為評價標準，還是以MAE，MAPE為評價標準，GA-BP的誤差結果都是最小，因此，我們可以得出結論，GA-BP的預測結果在5個模型中是最好的。

3結論

總之，從上述比較中，我們可以得出以下結論。GA-BP神經網絡模型比傳統的簡單模型產生更高精度的預測。這可能是因為BP神經網絡的參數經過遺傳算法優化后，變得與網絡更加匹配。GA-BP優于其他模型-無論以哪種誤差作為評價標準，GA-BP模型都具有比其他模型更低的MSE，MAE和MAPE值，這表明GA-BP模型能夠顯著提高預測精度。GA-BP模型可用作外匯預測的替代方法，并進一步提高預測準確性，同時，它也能用做其他具有非線性、波動性數據的預測。但是本文GA-BP神經網絡模型只是基于歷史數據的預測，并未考慮影響匯率變動的其他因素，如國際收支、利率、新聞和心理因素，因此具有局限性。這也將是作者下一步的研究方向。

參考文獻

[1]歐陽亮.基于小坡分析與神經網絡的匯率組合預測研究[D].長沙：湖南大學,2008:4-6.

[2]余樂安，汪壽陽，黎建強，等．基于BPNN和WEB的智能外匯滾動預測與交易決策支持系統的開發[A].海峽兩岸信息管理發展策略研討會[C]．2005:109-114.

作者：魚丹單位：蘭州交通大學