《表1 数据相关统计量:人民币汇率的双成分混合波动率模型》
理论上讲,三层自回归神经网络中的隐含层只要有足够数量的神经元,就可以逼近大部分函数.本文的隐含层中包括10个神经元,为了比较神经元数量对模型的影响,本文还测试了隐含层中包含5和15个神经元的混合模型的精度.图6给出了包含5个、10个和15个隐含层神经元的预测结果.下图中线条代表10个隐层神经元的预测结果.本文发现在澳元兑人民币预测区间(1,20)以及欧元兑人民币预测区间(1,5)和(1,20)之外,剩下所有数据的预测区间,包含10个隐层神经元的混合模型都取得了稳定且显著优越;的预测性能.包含15个隐层神经元的混合模型却并未取得显著优越性能,可能本文提出的模型应用15个神经元会在平滑的成分建模中达到过拟合,从而影响预测精度.因此本文提出的混合模型在对外汇波动率预测中,自回归神经网络参数选择10则足够获得良好预测精度.该结论与文献[32,33]的研究结论一致.据此,图6中的实验数据表明,“神经网络增强型混合双成分波动率模型”能够在具有10个隐藏神经元的三层自回归神经网络结构下达到最佳的预测性能.
图表编号 | XD00133300200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.01 |
作者 | 姚远、刘振清、翟佳、曹弋 |
绘制单位 | 河南大学管理科学与工程研究所、河南大学管理科学与工程研究所、索尔福德大学商学院、爱丁堡大学商学院 |
更多格式 | 高清、无水印(增值服务) |