本站小編為你精心準(zhǔn)備了遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在匯率預(yù)測中的應(yīng)用參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：匯率預(yù)測是金融領(lǐng)域最具挑戰(zhàn)性的研究課題之一。本文將幾種神經(jīng)網(wǎng)絡(luò)用于匯率預(yù)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(shù)據(jù)。結(jié)果表明基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)在匯率預(yù)測方面具有比單個(gè)神經(jīng)網(wǎng)絡(luò)更精確的預(yù)測結(jié)果。

關(guān)鍵詞：匯率預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法

隨著全球化的迅速發(fā)展和國際貿(mào)易激烈競爭的加劇，匯率對政府和企業(yè)的影響正在加強(qiáng)。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(guān)經(jīng)濟(jì)和金融的相關(guān)信息，這將有助于他們?yōu)槲磥碓O(shè)計(jì)更好的貨幣政策。對大型跨國公司而言，如果能夠準(zhǔn)確預(yù)測貨幣匯率，公司的整體盈利能力將大大提高。因此，外匯預(yù)測已成為國際金融研究人員和從業(yè)人員的主要研究之一。而神經(jīng)網(wǎng)絡(luò)由于具有分布存儲性、容錯(cuò)性、自學(xué)習(xí)型和自適應(yīng)性等的特點(diǎn)，成為匯率預(yù)測領(lǐng)域應(yīng)用最廣泛的方法。

1基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

BP（BackPropagation）于二十世紀(jì)八十年代中期由以Rumelhart和McCelland為首的科學(xué)小組提出，它是一種多層前饋網(wǎng)絡(luò)，它最核心的內(nèi)容是按照誤差反向傳播算法訓(xùn)練，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。在BP網(wǎng)絡(luò)的正向傳遞中，數(shù)據(jù)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層的結(jié)果并不符合網(wǎng)絡(luò)預(yù)期，就會轉(zhuǎn)入反向傳播，根據(jù)預(yù)測值與期望值之間的誤差來調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，從而使BP網(wǎng)絡(luò)的預(yù)測輸出不斷接近期望值。BP網(wǎng)絡(luò)可以學(xué)習(xí)和存貯大量的輸入-輸出模式的映射關(guān)系，而并不需要提前知道描述這種映射關(guān)系的數(shù)學(xué)表達(dá)式。基于遺傳算法（GA）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)（GA-BP）分為BP結(jié)構(gòu)確定，GA優(yōu)化和BP預(yù)測。BP結(jié)構(gòu)確定部分根據(jù)輸入和輸出參數(shù)確定BP的結(jié)構(gòu)，并進(jìn)一步確定遺傳算法個(gè)體的長度。GA優(yōu)化使用GA來優(yōu)化BP的權(quán)重和閾值。群體中的每個(gè)個(gè)體都包含網(wǎng)絡(luò)的所有權(quán)重和閾值。通過適應(yīng)度函數(shù)計(jì)算個(gè)體的適合度值。GA通過選擇，交叉和變異操作找到對應(yīng)于最佳適合度值的個(gè)體。BP預(yù)測部分預(yù)測由GA獲得的最佳個(gè)體以分配網(wǎng)絡(luò)的初始權(quán)重和閾值，并且網(wǎng)絡(luò)在訓(xùn)練之后預(yù)測功能輸出。算法流程圖。

2匯率預(yù)測

2.1數(shù)據(jù)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(shù)據(jù)。

2.2構(gòu)造樣本訓(xùn)練在使用神經(jīng)網(wǎng)絡(luò)模型之前，首先要對數(shù)據(jù)進(jìn)行預(yù)處理，本文使用滑動算法來對數(shù)據(jù)進(jìn)行處理，即用前兩個(gè)交易日來進(jìn)行第三個(gè)交易日的預(yù)測。

2.3匯率預(yù)測為了更清晰的展示本文所提出的神經(jīng)網(wǎng)絡(luò)在匯率預(yù)測方面的優(yōu)劣性，本節(jié)不僅展示了GA-BP的預(yù)測結(jié)果，同時(shí)展示了四個(gè)簡單的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，預(yù)測誤差如表1所示，可以清楚的看到不管是以MSE為評價(jià)標(biāo)準(zhǔn)，還是以MAE，MAPE為評價(jià)標(biāo)準(zhǔn)，GA-BP的誤差結(jié)果都是最小，因此，我們可以得出結(jié)論，GA-BP的預(yù)測結(jié)果在5個(gè)模型中是最好的。

3結(jié)論

總之，從上述比較中，我們可以得出以下結(jié)論。GA-BP神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)的簡單模型產(chǎn)生更高精度的預(yù)測。這可能是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的參數(shù)經(jīng)過遺傳算法優(yōu)化后，變得與網(wǎng)絡(luò)更加匹配。GA-BP優(yōu)于其他模型-無論以哪種誤差作為評價(jià)標(biāo)準(zhǔn)，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(yù)測精度。GA-BP模型可用作外匯預(yù)測的替代方法，并進(jìn)一步提高預(yù)測準(zhǔn)確性，同時(shí)，它也能用做其他具有非線性、波動性數(shù)據(jù)的預(yù)測。但是本文GA-BP神經(jīng)網(wǎng)絡(luò)模型只是基于歷史數(shù)據(jù)的預(yù)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(xiàn)

[1]歐陽亮.基于小坡分析與神經(jīng)網(wǎng)絡(luò)的匯率組合預(yù)測研究[D].長沙：湖南大學(xué),2008:4-6.

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

作者：魚丹單位：蘭州交通大學(xué)