基于SS滤波与RBF神经网络的汇率预测研究

《基于SS滤波与RBF神经网络的汇率预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：青移呻融日期：扣ff年￡，月巧日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编

2、入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于l、保密口，在年解密后适用本授权书。2、不保密团。(请在以上相应方框内打“√”)作者签名：导师签名：日期：a扣‘}年叶月多7日日期：狮，t年乒月z，?日基于SS滤波与RBF神经网络的汇率预测研究摘要随着中国加入世界贸易组织和推动汇率制度的改革，人民币汇率的行为日益复杂，传统的基本分析方法与技术分析方法已经难以捕捉人民币汇率行为的全部特征，也难以进行准确、有效的预测。同时，考虑到欧盟已连续多年成为中国的最大贸易伙伴，两方的贸易总额逐年增加，本文提出一种基于

3、光顺样条滤波与径向基神经网络相结合的组合预测模型，旨在更好地捕捉人民币兑欧元汇率的特征，改善神经网络对数据的学习能力，进而提高模型的预测效果。本文首先回顾了汇率预测的理论与方法，讨论了人工神经网络、非参数估计技术特别是光顺样条滤波的原理及其在汇率预测领域的应用。然后从光顺样条(SmoothingSpline，ss)滤波的原理出发，提出一种针对汇率序列的多层次分解算法，并将该分解算法与径向基(RadialBasisFunction，RBF)神经网络组合构建汇率预测模型。最后针对人民币兑欧元汇率序列进行了实证分析，结果表明该模型拥有比传统BP神经网

4、络与单一的径向基网络更优秀的预测能力。本文运用光顺样条滤波与径向基神经网络对人民币汇率进行预测研究，不仅可以为中央银行制定与汇率有关的经济政策提供建议，而且能够为企业、投资者制定规避外汇风险的决策提供帮助，具有一定的现实意义。关键词：汇率预测；时间序列分析；光顺样条滤波：径向基神经网络II硕士学位论文AbstractWithChinajoiningWorldTradeOrganizationandreformingtheexchangeratesystem，thebehaviorofRMBexchangeratebecomesmoreandmo

5、recomplicated．Becauseofthis，traditionaltechnicalanalysisandfundamentalanalysiswerehardtocatchallthecharacteristicofexchangerateandforecastitaccurately．Besides，consideringthattheEuropeanUnionhasbecomethebiggesttradingpartnerofourcountryforyearsandthevolumeoftradebetweenthetwo

6、sideshasbeenincreasingeachyear，thispaperproposesacombinativemodelbasedonSmoothingSplinefilteringandRBFneuralnetworktocatchthecharacteristicofRMB／EURexchangeratebetterandinceasetheprecisionofforecastingmodel．Thispaperfirstlyreviewsthedevelopmentofexchangerateforecastingtheory

7、andtechniques，specificallyanalyzestheapplicationofneuralnetworkandnon-parametricestmation，especiallyinexchangerateforecastingfield．ThenproposesamultiplelevelsdecompositionaglorithmbasedonthetheoryofSmoothingSplinefiltering，andcombinethisaglorithmwithRBFneuralnetworktoconstru

8、ctthecombinativeforecastingmodel．Finallythecombinativeforecastingmodelistes