《表1 单一模型预测误差》
由于趋势序列的走势更线性化,而周期序列走势的非线性更强,因此,本文利用ARIMA模型对趋势序列进行分析,利用机器学习模型对周期序列进行分析。本文同样选取1 693个样本作为样本内数据建立模型,选取400个数据作为样本外数据对预测效果进行检验。表2报告了预测效果,可以看出,ARIMA模型在预测趋势序列时的效果尤为突出,其RMSE仅为0.000 4,Theil-U指数接近于0,DAR达到0.986 7,相比于表1的汇率原始序列预测,模型的精度有了很大的提升。机器学习模型的预测效果也有了大幅改进,RNN模型的RMSE由0.095 2降至0.020 7,Elman模型的RMSE更是从0.284 3降至0.019 7,ANN和rf模型的预测效果也有了大幅提升。但是,由于机器学习模型预测的是波动极大的周期序列,从图7来看,序列方向变动极不明确,因此,除了Elman模型外,其他模型的DAR并没有明显改进。综合来看,采用HP滤波法将汇率序列区分为趋势序列和周期序列,并利用ARIMA和机器学习模型进行预测,都能取得优于利用原始序列直接进行预测的效果。
图表编号 | XD00137624100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.25 |
作者 | 周亮 |
绘制单位 | 湖南财政经济学院学报编辑部 |
更多格式 | 高清、无水印(增值服务) |