基于ARMA-稀疏贝叶斯模型的汇率预测研究.pdf

《基于ARMA-稀疏贝叶斯模型的汇率预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第37卷第8期合肥工业大学学报(自然科学版)Vo1．37No．82014年8月JOURNALOFHEFEIUNIVERSrrYOFTECHNOIOGYAug．2014Doi：10．3969／j．issn．1003—5060．2014．08．025基于ARMA一稀疏贝叶斯模型的汇率预测研究李明景，汪金菊(合肥工业大学数学学院，安徽合肥230009)摘要：文章基于ARMA模型和稀疏贝叶斯模型，提出了ARMA-稀疏贝叶斯模型，充分利用ARMA模型和稀疏贝叶斯模型在线性模型及非线性模型预测中的优势，将收益率序列

2、分解为线性自相关主体和非线性残差2个部分，然后用ARMA模型对线性自相关主体数据进行预测估计，用稀疏贝叶斯模型对非线性残差进行预测估计，最后合成人民币兑美元日汇率中间价序列预测结果。研究结果证明，运用所建模型预测人民币日汇率中间价和上证指数收盘价，均取得了较好的效果。关键词：ARMA模型；稀疏贝叶斯模型；ARM．&稀疏贝叶斯模型；汇率；预测中图分类号：O212．8文献标识码：A文章编号：1003—5060(2014)08—1019—06ExchangerateforecastusingARMA-spar

3、seBayesianmodelLIMing-jing，WANGJinu(SchoolofMathematics，HefeiUniversityofTechnology，Hefei230009，China)Abstract：TheARMA—sparseBayesianmodelisputforwardbasedonARMAmodelandsparseBayes—ianmode1．ThemodeltakesfulladvantageoftheuniquecharacterofARMAandsparseBay

4、esianmodelsinlinearandnonlinearmodeling．Theyieldsequenceisdecomposedintothelinearcomponentandnonlinearresidualcomponent．AndthentheARMAmodelisusedtoforecastthelinearcompo—nent，whilethesparseBayesianmodelisusedtoforecastthenonlinearresidualcomponent．Finall

5、y，therelevantresultisforecastedfromthesynthesisoftheRMBagainsttheUSdollarratesequence．TheexperimentalresultsshowthattheforecastofRMBexchangerateandtheclosingpriceofSSECompositeIndexusingARMA-sparseBayesianmodelachievesgoodresults．Keywords：ARMAmodel；spars

6、eBayesianmodel；ARMA-sparseBayesianmodel；exchange英白rate；forecastjI—汇率是一个国家重要的对外经济变量，随着绍了时间序列的ARMA模型，并以人民币兑我国经济开放程度的提高，汇率的作用越来越重镑的收盘价为时间序列，对其进行差分处理和要。2005年7'月21日，我国人民币汇率法律制噪声检验，最终建立预测模型进行预测；文献[度由原来的盯住美元汇率制转变为有管理的浮动介绍了GARCH模型，并运用一步向前法对人民汇率制，此后，汇率的波动幅度增大。因此，

7、如何币兑美元的汇率进行了预测；文献[4]介绍了参数准确描述及预测人民币汇率对于整个金融领域具GARCH模型和非参数GARCH模型，并运用非有重要的现实意义。参数GARCH模型对人民币兑日元、美元的汇率文献[1]从贸易账户平衡角度，运用面板数据中间价进行拟合；文献E53介绍了GARCH—M模模型分析了人民币兑美元的汇率走势；文献[2]介型，并利用该模型建立了一个汇率的计量模型，以收稿日期：2013—06—21；修回日期：2013一10—22基金项目：安徽省自然科学基金资助项目(1208085MF91；11

8、040606M03)；教育部人文社会科学研究基金资助项目(1OYJA910005)作者简介：李明景(1987一)，女，山东汶上人，合肥工业大学硕士生；汪金菊(1978一)，女，安徽南陵人，博士，合肥工业大学讲师，硕士生导师．囊i．)1020合肥工业大学学报(自然科学版)第37卷⋯此分析人民币汇率的走势；文献[6]介绍了Mark—，(X)]为N×(N+1)维设计矩阵，且OV链模型的基本原理，并通过建立Markov链模()=[1，K(z，X1)