《表1 单一模型预测误差》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习融合ARIMA模型的离岸人民币汇率预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。