基于随机森林算法和模糊信息粒化的汇率预测组合模型研究

摘要：

研究目标:本文致力于利用智能算法,提升汇率预测精度,为跨境资本流动和汇率风险防范提供参考依据.研究方法:引入机器学习前沿领域的随机森林算法RF,结合模糊信息粒化FIG,利用参数和非参数模型构建具有更精准汇率预测能力的组合模型.研究发现:基于RF和FIG构建的组合模型其汇率预测精度分别优于常用的ARIMA、GARCH、SVR单一模型15.5％、16.7％和36.6％;模糊信息粒化可以实现汇率的变尺度的区间预测,且区间均值比点预测更加精准;模糊粒化窗口为季度时模型表现最好,模型误差随窗口宽度先增后减.研究创新:一是利用随机森林算法合理分配权重将三种单一模型导入汇率预测组合模型,经过PCA降维和FIG处理,增强汇率预测精度.二是利用模糊信息粒化将汇率波动预测从点预测转化为区间预测,并可通过修改时间窗变换预测的时间周期.研究价值:随着人民币国际化和汇率市场化不断深化,汇率双向波动加强,精准预测汇率对宏观决策和微观主体都具有重要意义.

关键词：汇率预测、随机森林算法、模糊信息粒化、组合模型

所属期刊栏目：38

分类号：F821.6(货币)

资助基金：国家社会科学基金19ZDA093

在线出版日期：2021-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共22页

页码：135-156