文摘
今天,全球外汇市场一直是全球最大的贸易市场,其数量将达到近5.345万亿美元,吸引了大量的投资者。基于投资者和投资机构的角度来看,本文结合理论与实践,创造性地提出了一个创新的双目标优化模型测量的预测分析投资组合。更具体地说,本文提出了两种算法预测的波动交换,深度学习和NSGA-II-based dual-objective测量交流投资组合优化算法。与典型的传统汇率预测算法相比,深度学习模型更精确的结果,NSGA-II-based模型进一步优化投资组合的选择,最终使投资者更合理的投资组合计划。总之,本文的方案可以有效地帮助投资者做出更好的投资和外汇市场的决策。
1。介绍
无论对交易所投资或交易所套期保值的目的,准确的交易分析和预测和外汇衍生品交易策略已成为各国家机构和个人的研究内容(1]。越来越多的政府机构、经济学家和金融机构开始关注利用金融模型分析的宏观参数动态时间序列来预测汇率(2]。
然而,建立高精度的金融时间序列预测模型仍然是一个困难和重要的话题对于科学家而言,经济学家和决策者。传统方法通常不能捕获复杂的不连续的特点,非线性,高频交易金融时间序列数据集(3]。在这种背景下,从个人或机构外汇交易员的角度,本文构造了一个dual-objective交换优化计量经济模型预测分析投资组合从交易所电子交易平台的整个过程选择数据收集汇率分析外汇投资组合优化选择,以达到更准确的预测投资组合选择通过技术分析,收入的最大化和投资组合风险的最小化4]。深度学习还没有广泛应用于时间序列预测,但它一直在探索;目前,学者主要关注基于DBN的时间序列预测算法,根据蒸发器深而时间序列预测网络模型很少完成(5]。
剩下的纸是组织如下:部分2相关工作在汇率预测模型。部分3包含设计基于深度学习模型,这是本文详细描述。部分4包含深刻的学习模型的结果。部分5得出一些重要的发现。
2。相关工作
很长一段时间,汇率预测模型的研究吸引了许多科学家、经济学家和经济政策的决策者。总的来说,以前的文献主要探讨了三个方面:第一,大多数研究采用基于时间的条件异方差性的标准模型和使用变化的主要参数。这些模型可分为首次提出的著名的拱门和GARCH方法Ayachi et al。6]。这种类型的模型描述不确定性的重要性的进化,也显示了平均平方误差的时间演化。虽然拱和GARCH框架已被证明是非常有效的预测波动性变化,学术界一直未能统一的经济解释的最终聚类不确定性。因此,在[7],可变性相当于一年的时期很可预测的,但是在[8),(9),所有的研究结果证实,可预见性的波动主要存在于一个短期的维度。此外,它进一步提出基于ARCH模型的有效性评价也明显受到结构变化的影响。其次,另一种类型的汇率预测模型试图建立一个合理的预期假说通过理性分析宏观基本面因素的特点,并进一步构造一个汇率预测模型(10]。这些模型通常是通过分析国内货币和货币的供给和需求。最长的引用分析指标通常包括相对通货膨胀率,相对基本利率、国内生产总值、贸易平衡、收入水平和其他参数(11]。简而言之,这种类型的预测模型通常是基于平均购买力模型、覆盖或noncovered利率评价模型,以及货币模型。然而,这种类型的预测模型基于宏观基本面分析也暴露了一系列的缺陷和不足。例如,政策因素在不同的国家和投资者心理的变化往往会导致不可预知的黑市投机,或不同的影响因素通常发生在不同时期,产生各种各样的影响结果(13]。因此,在[14),指出这种结构化模型的预测能力在短期内甚至不能是纯随机游走模型。深度学习回到主流的研究吸引了越来越多的研究者的注意,深学习算法也完成了探索的经验应用在许多领域,包括时间序列预测(15]。姚明等人提出了一个DBN模型组成的多层严格时间序列预测[勃兹曼机16]。这个模型使用at基准数据和粒子群优化算法。在这个研究中,DBN算法已被证明成功超越传统的议员ARIMA神经网络模型和统计模型。胡等人提出了一种基于深度学习方法,集成算法的DBN模型用于时间序列预测(17]。彭等人提出了一个基于DBN模型深层结构多任务学习交通流预测(18]。此外,Prusa和Khoshgoftaar使用训练集构造一个overcomplete词典和提出了一种时间序列预测基于稀疏编码(19]。Parwez等人利用稀疏编码模型扩大在线时间序列预测的方法,解决了L1-standard凸优化问题对于每一个新的时间序列向量(20.]。最后,如今,越来越多的交流预测模型研究人员已开始转变他们的思想领域的人工智能。大多数这种类型的研究成果使用时间序列数据预测汇率的运动,并且它已逐渐被证明大大超越传统的预测。方法(21:这种类型的预测方法主要包括回归模型和代理模型基于行为金融学的概念和遗传算法和人工神经网络模型;这些模型通常落入这样的陷阱,当地的最低标准(22]。除了支持向量回归,SVR模型被认为是更强大的比ANN模型预测方法,因为它可以实现全局优化(23]。总之,在大量的参数统计模型,安的优势是影响较小的模型错误识别问题,它是迄今为止最常用的预测模型24]。经过多年的改进和优化,虽然取得了显著改善模型的准确性,它仍然不能超过的最大隐层设置2层由于非凸优化问题。因此,使用深度网络提高精度的困难一直无法前进(25- - - - - -30.]。
本文结合理论与实践和创新提出一个创新dual-objective优化模型对汇率预测测量和分析投资组合。总的来说,交换dual-objective优化度量模型预测和分析投资组合提出了本文提出的数据收集从交易所交易平台,拥有强大的参考和指导意义的交易投资者的实际应用。具体来说,意义的两个核心算法提出的模型如下:汇率预测算法基于蒸发器深度学习获得更准确的结果比一般传统的汇率预测算法(如神经网络和支持向量机);dual-objective度量投资组合的优化算法进一步使用上述模型预测的结果来优化投资组合的选择,最后使投资者更合理的投资组合计划。
3所示。汇率预测分析和投资组合优化基于深度学习计量经济学模型设计
3.1。深度学习模型
以一个典型的单输出神经网络为例,图1显示了一个神经网络有三个输入单元,三个隐藏的单位,和一个输出单元。
神经网络的参数被定义为 ,在哪里表示参数连接层的j元素l的第一个元素层l+ 1,表示层的第i个元素后的偏差l+ 1。因此,在神经网络结构如图1, , ;此外,该参数 被定义为的激活因子i层单元l,这也可以被理解为神经单元的输出,和L3被定义为输出层 。在图中所示的结构1是一个数值,数据参数。到目前为止,神经网络的结构功能关系可以表示为下面的公式:
一般来说,有两种选择神经网络;一个是乙状结肠功能:
另一个常用的激活函数是双曲正切函数(双曲正切函数):
以一个典型的小单输出神经网络为例,如图2:一层一层I1是输入(输入),一层一层L3是输出(输出)和L2层是隐藏层,因为它不能观察到神经元。如图2,+ 1的神经元标记是一个偏差单元,相当于一个截距项。总而言之,这是一个神经网络有三个输入单元,三个隐藏的单位,和一个输出单元。
(一)
(b)
(c)
(d)
(e)
当网络结构更加复杂,为了使结构函数更简洁和清晰,输入参数的加权和的第i个单元层l被定义为然后 ;因此, 。神经网络的结构编写为一个更简洁的函数,如下:
本文将使用深度学习算法在提取数据集的特性,具有良好的性能和SAE-SVR算法综合提高预测能力。因此,本文最后提出了一个创新的集成算法更准确预测的时间序列。以下将介绍的创新基于SAE-SVR深学习算法。
其结构如图3。之前讨论的神经网络结构通常是基于隐层单元的情况下,S2 L2层很小,但当隐层单元的数量大(甚至远远大于输入的数量),它仍然可以获得更好的性能通过隐层的限制。
具体地说,本文构造了一个系统,一个输入层、输出层,和K隐藏层的神经网络;每一层是由稀疏编码。整个过程可以分为六个步骤,如图3。
3.2。汇率预测分析和投资组合优化
从个人或机构投资者在交易所交易的角度,探讨了核心交换数据分析和投资组合的过程测量和选择的过程中外汇衍生品交易和投资。在过去,交换研究只关注交易影响因素的研究,交换决定因素模型,汇率预测,和其他领域。站在交易所投资和交易的整个过程,他们通常显示一个链接的特点。本文的作者建议交易所交易衍生品投资分析的总体框架,如图4。
多元化的外汇投资组合,投资组合选择的根本目的在不同交易货币对回报最大化和最小化风险。本文所涉及的外汇投资组合多元化,返回向量是设置为N的资产R= (R, R, RZ),它巧妙地代表的比例和投资我th外汇资产。投资组合的预期收益率是表示为呃(x);投资组合的风险表示为红外(x);反对(R, R)的协方差和i汇率是多少,好吗jth汇率;然后交换组合的双目标测量模型建立如下:
条件下,预期回报率ER (R)是最大的和虚拟现实的风险(R)的投资组合是最小的,投资组合的投资分配方案。的过程中实现多元化dual-objective测量模型为28个货币对外汇投资组合,本文采用NSGA-II,是一个快速nondominated排序遗传算法模型与精英Kalyanmoy Deb提出的策略。NSGA-II NSGA算法是一种改进。基于帕累托的遗传算法NSGA算法排序,可以直接解决多目标优化问题。每一次,它可以得到一组不同的一系列解决方案。NSGA-II的创新在于一系列排序算法的分层设计和拥挤距离,可以找到一个好的帕累托最优解决方案,迅速接近帕累托前沿,大大提高NSGA算法的性能。
具体地说,以供应点的流动测量优化算法基于NSGA-II如图5。NSGA-II算法的三个核心步骤如下:第一步:设计的快速非惯用排序操作。设计一个多目标优化问题的关键是找到帕累托最优解集。快速非惯用NSGA-II算法排序是根据一系列的水平层人口的解决方案,和它的功能是引导搜索方向帕累托最优解集。这是一个循环的适应价值分级的过程。首先,找到集团的惯用的解集,和第一个非惯用层f是确定的。所有个人给出了(我是个体的非惯用秩序价值的地方),从整个集团:然后,其余组中的非惯用解集,第二个非惯用F2层是记录,和个人。这样做,直到整个人口分层,和个人在同一层非惯用的顺序相同米∗。步骤2:个人拥挤距离算子的设计。为了能够选择性地在个人,NSGA-II提出个人拥挤距离的概念。个体的拥挤距离我是两个人之间的距离我+ 1,我−1相邻我在目标空间。计算步骤如下:我。初始化个人同一层的距离。使l [l] = 0 (l [l]代表任何个人的拥挤距离我)。二世。个人在同一层按升序排列m-objective函数的值。三世。使个体排序边缘具有选择优势。鉴于大量W,z[0]=z[我]= 0。四世。个人中间的秩序,拥挤距离计算。V。对于不同的目标函数,重复步骤II-IV个体的拥挤距离4 l i通过选择个人拥有大量拥挤距离优先,结果可以是均匀分布在目标空间保持种群的多样性。步骤3:精英策略选择算子的设计。精英策略是保持出色的父代个体直接进入后代,以防止损失的帕累托最优解。精英策略选择符分为三个索引的父母C,P的后代P人口和合成R。最优选择是组建一个新的父人口C。最后,填充的顺序C从大到小是继续根据人群个人的距离Fi直到人口数量达到N。
4所示。模型评价结果
4.1。计量经济模型的评价标准
指传统的评估时间预测模型,本文使用三个统计参数:平均绝对误差,均方误差和均方根误差作为标准来评估集成算法的有效性和准确性。具体计算方法如下:
4.2。人工神经网络模型的实证结果
摘要时间序列的MATLAB工具箱r2o15a系统使用该模型用于研究。在本部分中,目前数据集作为一个例子。
首先,数据转换应根据所需的数据格式进行MATLAB工具箱系列。算法如下:步骤1:导入exchangeate。xlsx file containing the time series information of 28 currencies to the MATLAB workspace.步骤2:提取数据集1美元的汇率。xlsx,双存储格式。步骤3:创建一个空单元数组具有相同大小的数据集1美元。步骤4:使用循环语句的双重数据存储单元阵列的1美元。第五步:将单元阵列.Mat格式保存到本文件,并命名为1美元。垫子上。
处理后的数据集格式按照安工具箱,工具箱基于MATLAB r2015a可以选择基于视觉工具箱或算法米代码。首先,本文使用可视化工具来执行1美元数据训练和测试过程;具体过程如下。
首先,基于金融时间序列的特点,本文选择NAR结构网络,即非线性自回归模型,进行实证研究。
其次,训练集,验证集和测试集的目前数据集分为70%、20%和10%。其中,训练集用于训练神经网络一步一步,为了最大化网络参数符合数据集的特点,但如果训练过度,将会产生一个过度拟合现象,验证集是用于判断和防止过度训练的神经网络。训练集和验证集后,神经网络得到一个固定的参数不会改变。测试组使用培训评估网络的性能。
第三,我们需要设置网络结构,暂时确定隐层元素是10和延迟窗口是6。由于神经网络的调试是一个反馈和调整的过程根据训练结果,随后的实证研究将继续调整隐层单元的数量和延迟窗口,直到符合标准。
神经网络的训练效果主要是由两个参数决定。他们分别是误差自相关和时间序列响应。神经网络的性能是判断错误值显示的性能,这两个参数。它可以从数据6和7自相关误差的误差自相关的置信区间内和预测值和实际值之间的误差也在0,所以该模型表现良好。
进一步调查其MSE值显示,如图8,最好的MSE的验证集是2.2106×10−4。
然而,考虑到深入学习算法的实现图形可视化直观和容易理解,它有很大的局限性,不能扩展,不能完全满足实验的需要。因此,这篇论文也提高了深度学习模型的算法代码。
4.3。支持向量回归模型的实证结果
STR模型算法本文采用libswm version 3.21工具箱联合开发池玉兰涌Chang和池玉兰珍林在2015年12月和更新。在具体实验过程中,我们仍然需要先对数据进行预处理。以目前的数据集作为一个例子,本文选择支持向量机类型为νSVR,径向基核函数,即 ,使用。摘要伽马值设置为0.06。根据上述过程,本文进一步进行了实证计算货币对数据集,28日和结果总结在表1。
5。基于深度学习的实证结果的组合
基于深度学习,dual-objective度量模型交换的组合实现了利用MATLAB平台。在具体操作中,本文使用gamultiobj函数包含在遗传算法和直接搜索工具箱完成。
这个算法的输入数据来自SAE-SVR集成模型的预测结果输出在前面的过程。之前的归一化预处理数据训练模型,需要恢复数据之前完成算法。恢复算法如下:
代表了数据归一化预处理后,代表数据恢复后,恢复输出数据集。本文以外汇数据前50天的6月1日,2021年,作为一个例子,根据公式(11)和(12)dual-objective计量经济学模型的外汇投资组合设计摘要:
基于MATLAB, NSGA-II交换组合双目标测量优化算法实现,和最优投资组合的解决方案与计算28货币对的投资目标。为了接近帕累托点更准确、迅速,本文首先认为13与负回报利率削减货币对。只剩下15货币对。
帕累托点得到的实验结果如图所示9。本文验证算法的不同的结果在不同的迭代。重复实验结果表明,该算法具有最高预期收益率和投资风险最低的150次迭代。表2显示9 150次迭代下投资组合方案;预期回报的顺序是从大到小:
(一)
(b)
(c)
(d)
(e)
从实验结果可以看出,与消极的预期回报交换资产投资的比例是0,这是符合实际的需求。根据不同投资者投资组合的结果,可以根据自己的特点选择相应的投资组合。对风险厌恶投资者来说,选择9可以选择。尽管预期回报率仅为0.919%,风险相对较低,只有0.006224。相反,投资者要求更高回报,可以承担一定的风险,可以选择选项1。这时,预期回报率是1.6%,但风险也相对较高,他们必须承担0.009088。与线性规划的解决方案相比,预期回报率已得到改进和投资的多样性也减少了,所以投资组合的质量明显提高。它有一个良好的参考价值投资者的实际操作。
5.1。实验结果和比较
实验总结了汇率预测结果的基础上,深度学习算法。通过比较表3可以看出,MSE深度学习算法的预测精度可以达到小数点后四位数,而MSE SVR算法的预测精度只能达到小数点后三位数。可以看出,深入学习算法的性能在汇率预测显然是比SVR算法。摘要SAE-SVR与深度学习算法的提升价值定义如下:
根据起重柱的计算结果,解除28货币对的值是负的,除了欧元对美元、5 usdcad 7 gbpcad 10 gbpaud, 11美元对日元汇率,22 usdcny 23 eurcny 25 cadcny 26 audcny;,深入学习算法的预测结果比SAE-SVR算法提出了本文和其他19的提升价值货币是积极的,这意味着SAE-SVR算法具有良好的预测精度。太多的数据集的原因可能是导致某些错误,或深度学习的准确性预测算法提出的这个问题需要进一步的改进,在未来的研究将逐步改善。在这种情况下,为了进一步验证预测SAE-SVR算法的优化程度,增加28货币对的推广价值,和总MSE和梅的值分别为610.92%和240.61%,分别。换句话说,SAE-SVR算法是6倍深学习算法在汇率预测基于MSE。简而言之,深入学习算法提出了比传统算法更好的性能。
6。结论
深度学习使用当前单元格数据和逐点详述的产品计算方法的学习。其结构可通过简单的单位。叠加形式建设,而使用跳连接方法,防止过度拟合和梯度的消失问题,显著提高学习速度和深度网络的预测精度。具体来说,两个核心算法模型,提出了SVR汇率预测算法叠autoencoders深度学习的基础上,实现更精确的结果比神经网络和支持向量机。基于NSGA-II dual-objective计量经济学优化算法进一步SAE-SVR集成模型的预测结果适用于投资组合选择的优化,最后使投资者更合理的投资组合计划。投资者可以直接在市场运营结果显示该算法通过使用适当的外汇衍生品工具。在数据选择方面,本文使用的有效历史数据Metatrader4实际交流交易平台,直接安全汇率货币提供的安全并选择52223 28货币对真实数据从3月23日,2009年,2016年2月1日。本文使用MATLAB R2015a 32位Windows 7操作系统实验平台。最后,本文提出的创新模式是通过自编程序实现,并取得了理想的结果。一方面,本文可以尝试更多的深度学习算法。 In addition to stack autoencoders, the typical algorithms of deep learning also include deep belief networks and convolutional neural network. In the next step, we should combine these two deep learning algorithms to do more research and empirical research on exchange forecasting algorithms. On the other hand, this paper only studies the technical aspects of exchange rate analysis, but the analysis of fundamentals is only limited to the carding and elaboration of the influencing factors of macro fundamentals, but there is no further research on the effect of the correlation of the influencing factors. This point can also be used as the next research direction of this paper.
数据可用性
相关数据可以要求所有作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由上海大学。