Перекрестной проверки, анализа нейронной сети вне образца в обмен на выполнение прогноза скорости

РЕЗЮМЕ

Эконометрические методы, используемые в иностранной прогноза обменного курса дали худшие результаты вне образца по сравнению с модели случайных ходить. Применение нейронных сетей показали смешанные результаты. В данной работе мы исследуем потенциал нейросетевых моделей, используя два перекрестной проверки схем. Влияние различных insample сроки и размеры выборки были рассмотрены. Из-оф-образец производительность оценивается с 4 критерии по три прогноза показывает, что горизонты нейронных сетей, более мощный метод прогнозирования, чем случайные модели ходить. Кроме того, нейронные сети прогнозы довольно точными, даже если размер выборки относительно мал. Предметные области: капитал / активы цен, валютных курсов, нейронных сетей, а также прогнозирования временных рядов.

ВВЕДЕНИЕ С начала плавающего обменного курса, прогноз обменного курса стала одной из основных мероприятий для исследователей и практиков в сфере международных финансов. Волатильность на валютных рынках делает прогноз обменного курса трудно еще сложной задачей для многонациональных компаний и портфельных менеджеров. Важность точных прогнозов обменного курса в корпоративном стратегическом планировании и трансграничных инвестиционных решений является общепризнанной. Точная прогнозирования будущих обменных курсов, могут помочь фирмам и портфельных менеджеров, чтобы лучше управлять рискованности международных сделок и снижения неблагоприятного воздействия будущего движения валюты на прибыльность. На академических фронта, различных теоретических моделей (Билсон, 1978а, 1978b; Дорнбуш, 1976; Френкель, 1976, 1979) были разработаны и испытаны. К сожалению, в эмпирических выборок результатов часто характеризуются неправильной знаки коэффициентов, низкой объяснительной силой, и незначительные величины. Известные работы Миз и Рогофф (1983a, 1983b, 1988) показали, что вне образец выполнения многих структурных и время моделей серии ничем не лучше, чем простые модели случайных ходить. Тем не менее, поиски лучшей модели прогнозирования никогда не останавливается.

Исследователи предприятие с более сложной модификации эконометрической методологии, позволяя различные характеристики динамики (Эдисон, 1985) и изменяющихся во времени коэффициентов (Schinasi

Потому что все модели исследованы в порнографии, и Рогофф (1983a, 1983b) являются линейными, то естественно предположить, что данные по обменным курсам содержат нелинейности, которые не могут быть полностью учтены или хорошо аппроксимируется линейной модели. В самом деле, линейная непредсказуемости валютных курсов была подтверждена многими исследованиями (Brooks, 1996; Чиарелла, Торф,

Разнообразие нелинейных параметрических моделей, таких как авторегрессии условной heteroskedasticity (ARCH) (Энгл, 1982; Се, 1989а), общее авторегрессии условной heteroskedasticity (GARCH) (Bollerslev, 1986, 1987, 1990), хаотическая динамика (Се, 1991; Пил

Нейронных сетей для прогнозирования валютных курсов Были предложены и рассмотрены в последние годы. Исследования показали, что нейронные сети могут стать полезным инструментом для прогнозирования временных рядов (Zhang, Patuwo,

Во-первых, это может привести к предвзятости в модели выбора и оценки, когда характеристики тест набор данных существенно отличаются от тех обучения. Во-вторых, он не принимает во внимание эффект от размера обучающей выборки. Это исследование вносит свой вклад в литературу, предложив перекрестной проверки методологии две схемы, чтобы изучить вне образца производительности нейронных сетей. Перекрестная проверка ресамплинг техника, которая использует несколько обучение и тестирование проб. Результаты crossvalidation анализ дает ценную информацию о степени надежности и устойчивости нейронных сетей в связи с изменением выборки. "Скользящий" проверки схемы с увеличением длины в подготовке серии используется для изучения влияния размера образца. "Перемещение" проверки схемы перемещения окон с фиксированной длины дает возможность исследовать влияние структурных изменений в серии об исполнении нейронной сети прогнозисты ..

Мы делаем ставку на один шаг вперед прогнозы, как в Diebold и Насон (1990). Значения обменного курса прогнозируется на один шаг впереди времени и фактической, а не прогнозируемые значения затем используются для следующего прогноза в горизонте прогнозирования. Один шаг вперед прогнозирования можно использовать для оценки надежности техники прогнозирования.

Кроме того, поскольку модели случайных ходьбы используется в качестве эталона для сравнения с использованием текущих наблюдений, чтобы предсказать следующее значение, модели случайных ходьбы производит более точную один шаг вперед, чем прогнозы многоступенчатым вперед прогнозы, которые опираются на одно наблюдение, прогнозы для всех будущих значений временного горизонта. Нейронных сетей для Прогнозирование временных рядов нейронных сетей являются вычислительные модели, используемые для распознавания образов и распознавание образов. Они учатся на примерах и опыте, и в частности, отметил их способность гибкого функционального картирования. Нейронных сетей, управляемых данными selfadaptive методов в том, что Есть несколько априорных предположений о образец формы для рассматриваемой задачи. Эти уникальные особенности делают их ценным инструментом для решения многих практических задач прогнозирования. Время серии моделей прогнозирования предположить, что есть основной процесс, в котором данные формируются и будущих значений временного ряда определяется только на основании прошлых и текущих наблюдений. Нейронные сети способны захватить автокорреляционной структуры временных рядов, даже если основной закон, регулирующий серии неизвестен или слишком сложны, чтобы описать.

Многочисленные модели нейронной сети были предложены и использованы для прогнозирования (Zhang и др.., 1998). Самых популярных и успешных модель Упреждающее многослойные сети или многослойного персептрона (MLP). MLP, как правило, состоят из нескольких слоев узлов. Первый или нижний слой ввода, в которой внешние получении информации.

Последнее или высокий слой выходного слоя, в котором решение задачи получается. Уровень входного и выходного слоя, разделенных одним или несколькими промежуточными слоями называемых скрытых слоев. Узлов в соседних слоях, как правило, полностью связаны ациклические дуги из нижнего слоя на более высокий уровень. Дизайн модели MLP является важным еще трудная задача. Теоретическая работа в нейронных сетях показал, что один скрытый слой является достаточным для сетей аппроксимировать любую сложную нелинейную функцию тех пор, пока достаточно скрытых узлов используются (Cybenko, 1989; Хорник и др.., 1989). Количество входных узлов соответствует числу запаздывающих наблюдений использоваться, чтобы обнаружить основные картины во время серии. Слишком мало или слишком много узлов ввода может отразиться на обучение или возможности прогнозирования сети. Эксперименты с опытного образца часто используется, чтобы найти соответствующее количество скрытых и узлов ввода. Количество выходных узлов сети Упреждающее относительно легко определить, поскольку он непосредственно связан с проблемой изучается. За один шаг вперед прогнозирования, только один выходной узел необходимо. Для многоступенчатого вперед прогнозирования, однако, один или несколько выходных узлов могут быть использованы.

Если один выходной узел используется для многошаговых вперед прогнозов, то итерационный подход прогноза предполагается, и прогноз значения многократно использоваться в качестве основы для следующего прогноза. С другой стороны, если количество выходных узлов равна длине горизонта прогнозирования, то прямой подход прогнозирования используется, в которых мы прогнозируем будущие значения непосредственно из сети мероприятий. КУРС ВАЛЮТ ПРОГНОЗ с помощью нейронной сети-Обзор литературы В начале применения нейронных сетей для прогнозирования валютных курсов, Weigend, Губермана и Rumelhart (1992) и Weigend, Rumelhart и Губермана (1991) предложил веса метод исключения, чтобы предотвратить overfitting проблемы в обучении нейронных сетей. Срок был добавлен к стоимости функцию обратного распространения наказывать сети сложности. Ежедневные курсы валют на немецкой марке (измеряется по отношению к доллару США) были использованы для иллюстрации. Целью их исследования было предсказать возвращение во вторник данная информация обменного курса через понедельник. Корма вперед сети было два выходных узлов, один за фактический величина возврата и другие для направления обратного движения. Ввода состоит из 45 узлов, представляющих прошлом дневных цен, возвращения беженцев, и других показателей.

Refenes (1993) разработали конструктивный алгоритм обучения, чтобы найти оптимальное нейронной сетевой конфигурации. Конструктивный метод обучения начал с фиксированной архитектуры с 1 скрытых узлов. Затем, скрытые узлы были добавлены к сети по одному, пока постепенно производительность сети не могут быть улучшены. Конструктивные системы обучения была использована для прогнозирования обменного курса между долларом США и немецких марках. Почасовой курс данные за период 1988 по 1989 г. были разделены на обучающей выборке составила наблюдений за первые 200 торговых дней, и тестовый набор с остальными 60 торговых дней. Хотя эта проблема прогнозирования было очень трудно, поскольку обучение входили в общий положительный наклон, а тестовый набор был отрицательный наклон, нейронные сети и показали хорошие результаты в обоих несколько шагов и одним шагом прогнозов. Кроме того, нейронные сети были значительно лучше в несколько шагов прогнозирования, чем экспоненциального сглаживания и авторегрессии моделей.

Кван и Лю (1995) рассмотрел вне образец выполнения Упреждающее и периодических нейронных сетей в прогнозировании 5 курсов иностранных валют. Обменные курсы британского фунта, канадского доллара, с немецкой маркой, японская иена и швейцарский франк, все измеряется по отношению к доллару США. Ежедневного открытия конвертов с предложениями цен на Нью-Йорк Валютный рынок, состоящий из 1245 наблюдений использовались в их расследовании, с последним 50, 100 и 150 баллов сохранить как периоды вне испытаний образцов. модели нейронной сети были построены на основе двухэтапной процедуры, в которых сети были выбраны в соответствии с интеллектуального стохастической сложности (PSC) критерия. Кван и Лю оценка прогнозирования производительности, используя один шаг вперед корень среднего квадрата ошибки (СКО), а доля правильных прогнозов знак (направление будущих изменений цен). Их результаты показали, что нейронные сети были значительные способности сроков рынка, а иногда и значительно ниже, чем СКО случайной модели ходить. Однако, нейронные сети и не имеют систематического повышения производительности во всех трех периодов тестирования.

У (1995) провел сравнительный анализ нейронных сетей и модели ARIMA в прогнозировании Тайвань / США обменный курс доллара. Среднемесячный обменный курс с января 1979 по декабрь 1992 года были использованы, с первых 162 наблюдений для построения моделей и последних 6 для тестирования. Оба 6-stepahead и один шаг вперед прогнозы были заняты. Нейронные сети произвел значительно лучшие результаты, чем лучшие модели ARIMA в обоих один шаг вперед и 6-шаг вперед прогнозирования.

Борисов и И. П. Павлова (1995) применяется нейронных сетей для прогнозирования русский рубля. Набор данных, содержащихся 164 наблюдений за 13 месяцев. Первые 10 месяцев были использованы для подготовки, а остальные три для тестирования. Две модели нейронной сети и две модели экспоненциального сглаживания, были использованы для прогнозирования валютных курсов. Прямого распространения основе нейронной сети исполнил лучшие во всех случаях, хотя это потребовалось больше времени, чтобы получить результаты. Они также пришли к выводу, что если набор данных, содержащихся выбросов, экспоненциального сглаживания лучше метод прогнозирования. С другой стороны, если ряд содержит меньше шума, то windowbased нейронной сети метод должен быть использован. В последнее время ряд прогнозов конкуренции (Weigend

Verkooijen (1996) сообщила о результатах за доллар США / Немецкая марка курс прогнозирования с использованием нейронных сетей. Использование ежемесячных данных, он обнаружил, что нейронные сети производительность была очень близка к линейной структурной модели в специальные прогнозно-образца. Однако, нейронные сети были лучше, чем линейные модели и модели случайных ходить в плане процент правильно предсказал знаков.

Ханна Steurer (1996) по сравнению нейросетевых моделей с линейными денежной модели прогнозирования курса доллара США / Deutsch знака обменного курса. Анализ основных компонентов была использована для эвристически найти множество скрытых узлов в три слоя Упреждающее сети. На основании вне образца результаты, они обнаружили, что для еженедельных данных, нейронные сети были гораздо лучше, чем линейные модели и наивные предсказания модели случайных ходить в связи с U меры Тей в, частота попадания, годовая прибыль, а Коэффициент Шарпа. Однако, если ежемесячные данные были использованы, нейронные сети не показали значительное улучшение по линейной модели. Этот результат согласуется с результатами теста BDS (Брок, Дечерт, Scheinkman,

Многошаговые прогнозы полезны для долгосрочного прогнозирования и выявление основных поворотных пунктов в данных валютных курсов. Single-шаг прогнозы являются желательными для принятия краткосрочных купить или продать решений. Single-шаг прогнозирования является также хорошим инструментом для оценки гибкости и надежности техники прогнозирования (Refenes, 1993). Наконец, нейронные сети вне образца исполнении является неоднозначным. Есть несколько возможных объяснений. Различия в производительности, вероятно, в результате изменения в сроки и количество наблюдений используются. Из-за высокой волатильности и хаотическая динамика обменных курсов, выборочный вариант может стать основным фактором, влияющим вне производительности образца. Длина горизонта прогноза также возможный источник изменчивости сообщили результаты с точки зрения интеллектуального способность нейронных сетей. Мы также заметить, в литературе, что не существует универсального согласован набор показателей эффективности. Абсолютный и относительный прогнозирования показателей эффективности были использованы. Исследования структуры и методологии Это исследование, как и во всех предыдущих исследований, основное внимание уделяется вне образца производительности нейронных сетей в обмен прогнозирования курса.

Как уже говорилось ранее, одним stepahead прогнозы моделируются. В частности, на следующие вопросы исследования рассматриваются: Как это надежные нейронные сети вне образца показателей в отношении выборочного изменения, сроки и размер выборки? Что такое прогнозирование способности нейронных сетей в длинные и короткие горизонты прогноз?.

Что вне образца производительности нейронных сетей по отношению к линейной временной ряд моделей, таких как ARIMA и случайных моделей ходить? Чтобы ответить на эти вопросы, во-первых, мы используем в 13 раз перекрестной проверки, метод с фиксированной и увеличением длины движущегося серии расследовать выборки эффекты изменения.

Во-вторых, три прогноз горизонтов с 4 показатели эффективности используются в данном исследовании. Наконец, традиционные модели Бокса-Дженкинса, а также модели случайных ходить применяются для рядов данных и вне образца результаты по сравнению с нейронных сетей. Этот раздел описывает первые данные, а затем вводит перекрестной проверки методологии. Вопрос о проектировании сети также подробно. Данные двусторонних обменных курсов между британский фунт (АД) и в долларах США (USD) получаются из Datastream International. Данные состоят из дневных ставок с начала 1976 до конца 1993 года. Цены котировки в 3:00 вечера по восточному времени с Banker Trust. Еженедельный замечания, взяты с закрытием ставки на среду в качестве представителя Ставки на этой неделе, чтобы избежать возможных погрешностей вызванных эффект выходных дней документально цен на многие активы. Если какой-то среде оказывается некоммерческого день, то либо вторник или четверг закрытия ставки будут сохранены. С Diebold и Насон (1990) указал, что существует мало вариаций в результате один курс на другой, мы используем британский фунт в качестве иллюстрации перекрестной проверки анализа нейронных сетей для прогнозирования валютного курса.

После Миз и Рогофф (1983), мы принимаем природных логарифмические преобразования для стабилизации временных рядов. Рисунок 1 представляет собой графическое представление исходных данных. Видно, что в нашей выборке период Существуют различные точки поворота или изменения тенденций в данных валютных курсов. Креста проверки мы используем два перекрестной проверки схемы в данном исследовании. Во-первых, "перемещение" crossvalidation метод с 13 наборов тест используется. Эта прогулка вперед процедуры тестирования используется несколько дублирования подготовки кадров и тест-наборы, как показано на рисунке 2а. Длина всего периода пребывания в образце же через 13 складки испытания или проверки множеств. Мы выбираем использовать пять лет как период выборки и один год испытательного срока. Еженедельный наблюдений за первые пять лет с 1976 по 1980 используются как-образец данных в первой группе проверки. Один шаг вперед прогнозы сделаны для 1981, сроком на 1 месяц (4 прогнозов), 6 месяцев (26 предсказания) и 12 месяцев (52 или 53 предсказаний). Во второй раз, мы будем опускать 1976 и 1981 добавить в период обучения. В-образец период с 1977 по 1981, и вне периода образца 1982 года. Последнее вне периода образец становится 1993, что соответствует в выборках период 1988 по 1992 год.

Это кросс-валидации процедура позволяет сети адаптироваться к меняющимся состоянием рынка быстро. Результаты показали, насколько чувствительно нейросетевых моделей являются по отношению к изменениям в структуре основных курсов валют с течением времени. Во-вторых, прокат перекрестной проверки процедуры (см. рис 2b по схеме) осуществляется в течение 13 раз рамок. В прокат мы имеем в виду, что в период выборки будут расширены последовательно, начиная с 1976 года. В период выборки в каждом последующем раз есть один дополнительный год, добавил. Например, в первой выборки период с 1976 по 1980 год, второй с 1976 по 1981, и 13 с 1976 по 1992. Для каждой из выборок в периоды, вне периода выборки состоит года после периода пребывания в образце. Следовательно, те же 13 из-ofsamples используются как в движущейся процедуры испытаний. Для каждого вне образца, мы приняли три различные сроки от 1 месяца, 6 месяцев и 12 месяцев, как в движущейся схема для изучения влияния прогноз горизонта. Прокат обычной проверки предоставляет информацию о влиянии размера выборки на нейронной сети интеллектуального потенциала. Проектирование нейронной сети Forecaster Трехслойные Упреждающее нейронных сетей используются для прогнозирования BP / USD обменного курса.

Мы используем узел смещения только для выходных узлов. Логистические функции активации работает в скрытом слое и линейной функцией активации используется в выходном слое. Поскольку мы заинтересованы в один шаг вперед прогнозы, один выходной узел развернут в выходном слое. Количество входных узлов и число скрытых узлов не определены априори. Эти сетевые параметры выбираются с помощью экспериментов с подмножеством серии курсу ..

Количество входных узлов соответствует числу отставали прошлых наблюдений. Она играет важную роль в определении автокорреляционной структуры временных рядов. Десять уровней количество входных узлов от 1 до 10 используются в данном исследовании. Число скрытых узлов в нейронной сети захватывает нелинейной структуры данных. Предыдущие исследования (Tang

Оценка дуги весов в нейронных сетей влечет за собой нелинейной оптимизации. Таким образом, глобальный оптимум не может быть гарантирована. Мы используем GRG2-(общего назначения, нелинейная оптимизатор) на основе системы (Subramanian

Выбор модели в данном исследовании зависит от числа входных и скрытых узлов. С первого набора в выборках (1976-1980) и вне образца (1981) периоды является общим для обоих перемещения и прокат схем, мы экспериментируем с этим подкомплекса в качестве экспериментального исследования. Каждый из 50 нейронной сети спецификации обучается 50 раз с различными наборами начала дуги веса. Окончательный набор учебных дуги весов нейронной сетевой архитектуры затем используется для тестового набора. Среди 50 нейронной архитектуры сети, модель с 7 входных узлов и 4 скрытых узлов имеет лучшие результаты тестов, и выбран в качестве модели нейронной сети для последующего анализа. Мы также применяются традиционные Бокса-Дженкинса ARIMA моделей данных обменного курса. Бокс-Дженкинс модели реализуются с помощью SCA статистической системы, используя SCA-ЭКСПЕРТ возможностей (Liu, 1996). SCA-ЭКСПЕРТ функция использует технологию экспертной системы для облегчения автоматического моделирования ARIMA. Благодаря повторяющемуся процессу идентификации модели, оценка параметров и диагностические проверки, SCA-ЭКСПЕРТ дает наилучшие линейные модели установлены на данных под рукой. Кроме того, общепринятой статистической парадигмы, что были правильно указаны модели исторических данных также будет оптимальной модели для прогнозирования (Филдс

Ъ-тест применяется для сравнения результатов по 13 раз перекрестной проверки перемещения и прокат схем. Кроме того, приводится сравнение между каждой из этих процедур и Бокса-Дженкинса модели. Эмпирические результаты Это не удивительно, что SCA-ЭКСПЕРТ выбирает простой модели случайного блуждания Yt = Yt-1 и др. для всех в 13-обучающей выборки множества независимо от того, перемещение или прокат схема. Это согласуется с предыдущими исследованиями, от курса прогнозирования, которые не имеют линейные модели временных рядов может превзойти модели случайных ходить. Потому что самое последнее замечание используется для прогнозирования следующего наблюдения, модели случайных ходьбы производит такой же прогноз по движущейся и подвижного схем. В следующей презентации, перемещение и прокат, относятся только к нейронной сети подходов ..

Таблица 1 показывает результаты, используя в качестве СКО показатели деятельности. Сравнение движущейся прогнозирования схема со скользящим систему, в рамках 1-месячного горизонта, мы видим, что для большинства вне образца периоды, двигаясь дает лучшие прогнозы, чем прокатки. Однако, когда горизонт прогноза возрастает до 6 месяцев и 12 месяцев, прокат чуть лучше, большую часть времени. Средний RMSEs из 13 наборов проверки также показывают, к тому же выводу. Это означает, что на более длительный прогноз горизонты, больше исторических данных в модели строительства может привести к улучшению прогноза точности. Тем не менее Ъ-тест результаты свидетельствуют о существенной разницы между движущимися и прокат на уровне 0,05.

Результаты в таблице 1 также показывают, что, в общем, чем дольше горизонт прогноза, тем хуже нейронных производительность сети будет в рамках обоих перемещения и прокат схем. Различия в СКО между нейронных сетей и случайных блужданий становится меньше, прогноз горизонт расширяется. Это наблюдение еще раз подтверждено Ъ-тест результаты, которые показывают, что Существуют никаких существенных различий между движущимися и случайного блуждания на 6 и 12-месячный горизонты, и различия между прокатки и случайные блуждания имеют значение лишь в 1 и 6- месяц горизонты.

Нейронные сети работают лучше, чем случайные модели ходьбы (RW). Для каждого прогнозируемого периода при различных горизонтах прогноз, тем меньше движущихся и подвижного RMSEs всегда меньше, связанный с случайного блуждания. За один месяц прогнозы, случайное блуждание имеет больший, чем RMSEs либо движущихся или подвижной состав в 11 из 13 случаев. Первое исключение происходит в 1983 году, когда случайное блуждание принимает значение СКО 0,0073 по сравнению с 0,00809 для прокатки. Обратите внимание, что в 1983 году, двигаясь дает СКО от 0,00329, гораздо меньшее значение, чем 0,0073 с случайного блуждания. В 1987, двигаясь со значением 0,00624, что немного больше, чем 0,00621 для случайного блуждания. Ъ-тест для 1-месячный горизонт отражает существенные различия между движущимися и случайного блуждания, а также между прокатки и случайного блуждания на 0,01 уровне значимости. Для более длительного прогноза горизонты, 2 нейронные схемы сети еще меньше, чем средняя RMSEs случайного блуждания. Тем не менее, разница не имеет значения, за исключением 6-месячный горизонт, в котором предсказывает, прокат значительно лучше, чем случайное блуждание на 0,05 уровне.

Независимо от того, какой метод прокатки или перемещения используется, Есть нет закономерностей в СКО в рамках каждого горизонта прогноза по всем 13 вне образца периоды. Изменения в результатах сравнительно большие горизонты краткосрочный прогноз для каждого метода. Например, в 1-месячный горизонт, СКО для прокатки составляет от 0,00158 до 0,01648, более чем десятикратное различие. С увеличением горизонта прогноза, наблюдается уменьшение вариации. Этот результат можно ожидать, так как структура временных рядов обменного курса варьируется в зависимости от периода к другому. Если выборки данных общего усиления тенденции в то время как вне образец находится в общем нисходящем направлении, то ни один из методов прогнозирования может предсказать, а особенно в краткосрочной перспективе, что приведет к большим изменениям в прогноз. Для более длительного прогноза горизонты, а фактические наблюдения служат для регулировки один шаг вперед прогнозы, предсказания являются более стабильными.

Результаты трех других показателей деятельности, МИД, МАПО, и MdAPE, показывают очень схожие. Только МАПО результаты представлены в таблице 2. Опять же, почти во всех случаях, нейронные сети и с движущейся и подвижного методологии составления прогнозов лучше, чем RW. Различия в среднем оказались статистически значимы на. Уровне ОС, не только в 1-месячного горизонта, но и для 6-месячного прогнозов. Это отличается от результата в таблице 1, где мы не нашли существенных различий между движущимися и случайного блуждания с СКО в. OS уровне. Все, нейронных сетей в прокат и перемещение схем лучше или, по крайней мере сопоставима с моделями случайных ходить.

РЕЗЮМЕ И ВЫВОДЫ

Прогнозирование курсов валют является важной и трудной задачей, как это было предложено многими исследователями в литературе. В данной работе мы исследуем возможности нейросетевых моделей в прогнозировании еженедельный британский фунт / US обменный курс доллара. Поскольку предыдущие исследования показали, неоднозначные результаты, что может быть связано с различиями между сроки и число наблюдений в обучающей выборки, мы используем перемещение и прокат перекрестной проверки схемы с целью изучения воздействия этих двух источников выборки вариации. Из-оф-образец производительность 3 Прогноз горизонты оценивается по четырем критериям, СКО, МИД, МАПО, и MdAPE. Наши результаты ясно показывают, что точность нейронных сетей не очень чувствительна к выборочной вариации.

Из-оф-образец прогнозы в движущейся схема показывает точность прогноза соответствует через различные структуры в серии обменного курса. Нейронные сети могут учиться на данные модели в период времени подготовку и успешно предсказывать результаты в течение испытательного срока. Перекрестная проверка результатов в рамках скользящую схему также показывают, что достаточно хорошо прогнозы могут быть получены с разных размеров обучающей выборки.

Это было показано в предыдущих исследований, что случайная модель ходить постоянно превосходит структурных и других моделей временных рядов. Все, нейронные сети прогнозы лучше, чем полученные путем случайной модели ходить. Кроме того, это исследование выявляет условия, при которых нейронных сетей может превзойти случайного блуждания. предсказаний нейронных сетей особенно когда начальник прогноз горизонта мало. Как прогноз горизонта увеличивается в длину, нет доминирования одного техника по сравнению с другими. Этот вывод находится в соответствии с этим Де Grooijer и Кумар (1992), который обнаружил, что "использование нелинейных (параметрического) модели, помимо обычных линейных класса ARMA, может привести к значительным более точные прогнозы, когда прогноз горизонт краткое" ( стр. 151).

Еще один интересный вывод из этого исследования является то, что нейронные сети являются надежной в отношении выполнения мер. Четыре различные меры используются в данном исследовании. Некоторые из них основаны означает, тогда как другие средней мер, основанных на. В то же время как абсолютное, так и относительных показателей используются. Зачастую показатели чувствительны к особенности методов и данных (Makridakis, Андерсон, Carbone, Файлдс, Хибдон, Левандовски, Ньютон, Парзена,

Некоторые ключевые управленческие выводы можно сделать из этого исследования. Во-первых, прогнозисты должны иметь больше уверенности в применении нейронных сетей для прогнозирования валютного курса. Нейросетевые прогнозы более точными, чем случайное блуждание. Даже в тех случаях, в которых нейронные сети некачественно прогнозы, результаты по-прежнему сравнимы с тех, которые будут случайного блуждания. Во-вторых, покупать и продавать решения в обменных курсах основываются главным образом на краткосрочные прогнозы. Результаты в этом исследования показывают, что краткосрочный прогноз горизонты, где нейронных сетей превосходят по случайным моделей ходить. Наконец, большие размеры образца полезны для достижения большей точности в более долгосрочные прогнозы, в то время, когда горизонт прогноза короткий, сравнительно небольшое количество наблюдений может производить точные прогнозы.

Один плодотворной областью для дальнейших исследований, методологии комбинированных линейных моделей, таких как Бокса-Дженкинса и нейронные сети. Есть подозрение, что большую часть времени содержат ряд линейных и нелинейных компонент. Поскольку он прочно утвердился в литературе, Бокса-Дженкинса типа моделей особенно эффективны для линейных моделей, в то время нейронные сети являются предпочтительными для нелинейных моделей узоры, сочетание подход даст еще лучшие результаты, чем либо линейный или нелинейный подходы использоваться по отдельности . [В редакцию: 4 февраля 1997. Принято: 17 декабря 1997.]

Ссылки

Билсон, J. (1978а). Денежные подход к обменных курсов, некоторые эмпирические доказательства. МВФ Сотрудники Работы, 25, 48-75.

Билсон, J. (1978b). Рациональные ожидания и обменного курса. В Я. И. Френкель

Bollerslev, Т. (1986). Обобщенные авторегрессии условной гетероскедастичности. Журнал эконометрика, 31 (3), 307-327.

Bollerslev, Т. (1987). Условно heteroscedastic модели временных рядов для спекулятивных цен и нормы прибыли. Обзор экономики и статистики, 69 (3), 542-547.

Bollerslev, Т. (1990). Моделирование согласованности краткосрочных номинальных обменных курсов: многомерной обобщенной модели ARCH. Обзор экономики и статистики, 72 (3), 498-505.

Борисов, А. Н.,

Брок, В. А., Дечерт, В. Д., Scheinkman, J.,

Брукс, C. (1996). Тестирование на нелинейность в Ежедневные курсы валют стерлингов. Прикладная Финансовая экономика, 6 (4), 307-317.

Чапел Д., Падмор, J., Мисти, П.,

Чиарелла, C., Торф, М.,

Чинн, М. Д. (1991). Некоторые линейные и нелинейные мысли об обменных курсах. Журнал международного Денежное обращение и финансы, 10 (2), 214-230.

Cybenko, G. (1989) Приближение суперпозициями сигмоидальных функции. Математическая сигналов управления Systems, 2, 303-314. Де Grooijer, J. Г.,

Diebold, F X.,

Дорнбуш, Р. (1976). Теории гибких режимов обменных курсов и макроэкономической политики. Скандинавский Журнал Экономика, 78, 255-279. Эдисон, J. H. (1985). Взлетов и падений: Тестирование альтернативных моделей определения обменного курса. Прикладная экономика, 17 (6), 1003-1021. Эдисон, J. H. (1991). Прогноз производительность моделей обменного курса вернуться. Прикладная экономика, 23 (1), 187-196.

Энгл, Р. F. (1982). Авторегрессии условной гетероскедастичности с оценками дисперсии инфляции Великобритании. Эконометрика, 50 (4), 987-1008. Энгл, Р. F.,

и не знаю, что рынки? American Economic Review, 80 (4), 689-713. Филдс Р.,

Френкель, А. J. (1976). Денежные подход к курсу: доктринальный аспекты и эмпирических данных. Скандинавский Журнал Экономика, 78, 200-224. Френкель, А. J. (1979). На марка: теория плавающих валютных курсов на основе реальных различий интересов. American Economic Review, 69 (4), 611-622.

Gradner, Е. С. (1983). Компромиссы в выборе метода временных рядов. Журнал прогнозирования, 2 (2), 263-267.

Ханн, Т. Х.,

Хорник К. Стинчкомб, М.,

Се, Д. А. (1988). Статистические свойства ежедневных валютных курсов: 1974-1983 годы. Журнал международной экономики, 24 (1-2), 129-145. Се, Д. А. (1989а). Моделирование гетероскедастичности в ежедневных валютных курсов. Журнал Бизнес и экономической статистики, 7 (3), 307-317. Се, Д. А. (1989b). Тестирование на нелинейную зависимость в повседневной иностранных валют. Журнал Бизнес, 62 (3), 329-368.

Се, Д. А. (1991). Хаос и нелинейной динамики: Заявление на финансовых рынках. Журнал Финанс, 46 (5), 1839-1877.

Куан, К. М.,

Makridakis, С. Андерсон А., Carbone Р., Файлдс Р., Хибдон, М., Левандовски, Р. Ньютон, J., Парзена Е.,

Миз, Р. А.,

Миз, Р. А.,

Миз, Р. А.,

Миз, Р. А.,

Mizrach, B. (1992). Многомерный ближайших соседей прогнозы курсов обмена EMS. Прикладная эконометрика, 7 (Дополнение), S 151-S 164. Пил, Д. А.,

Refenes, А. Н. (1993). Конструктивные обучения и его применение к валюте прогнозирования валютного курса. В R. R. Триппи

Schinasi, Г. J.,

Тан, З.,

Verkooijen, В. (1996). Нейросетевой подход к долгосрочным прогнозирования валютного курса. Вычислительная экономика, 9 (1), 51-65.

Weigend, А. С.,

будущее и понимания прошлого. Чтение, М.: Addison-Wesley. Weigend, А. С., Губермана, Б. А.,

Weigend, А. С., Rumelhart, Д. Е.,

Вольф, К. C. P. (1987). Изменяющихся во времени параметров и вне образца прогнозирования производительности структурных моделей обменного курса. Журнал Бизнес и экономической статистики, 5 (1), 87-98.

Ву, B. (1995). Модель свободного прогнозирования для нелинейных временных рядов (с применением валютных курсов). Вычислительные Статистика

Михаил Юрьевич Ху Цзиньтао

Департамент маркетинга, Кентский государственный университет, Kent, OH 44240, а также Департамент международного бизнеса, Китайский университет Гонконга, адрес электронной почты: <a href="mailto:mhu@bsa3.kent.edu"> mhu@bsa3.kent.edu </ A>

Гоцян (Питер) Чжан

Департамент Decision Sciences, J. Мак Робинсон бизнес-колледжа, Государственного университета штата Джорджия, Атланта 30303, адрес электронной почты: <a href="mailto:gpzhang@gsu.edu"> gpzhang@gsu.edu </ A>

Кристин X. Цзян и Б. Эдди Patuwo

Высшая школа менеджмента, Кентский государственный университет, Kent, OH 44240, адрес электронной почты: <a href="mailto:cjiang@bsa3.kent.edu"> cjiang@bsa3.kent.edu </ A>, <A HREF = "Посылка : epatuwo@bsa3.kent.edu "> epatuwo@bsa3.kent.edu </ A>

Михаил Юрьевич Ху профессор по маркетингу Кентского университета и приглашенный профессор международного бизнеса в китайском Университете Гонконга. Он получил докторскую степень в управлении науки из Университета Миннесоты в 1977 году. Он автор многочисленных публикаций в области нейронных сетей, маркетинговые исследования, международный бизнес и статистического контроля производственного процесса. Его статьи были опубликованы

в многочисленных журналах, в том числе Decision Sciences, компьютеры и исследование операций, OMEGA, журнал международного бизнес, финансовый менеджмент, и многие другие.

Чжан Цян доцент решение наук в Университете Джорджии. Его исследовательские интересы лежат в нейронных сетевых приложений, прогнозирования, систем учета и статистического контроля качества. Он был победителем из лучших студенческих работ на премию 1997 Midwest DSI совещания. Его статьи были опубликованы в Европейском журнале исследования операций, OMEGA, Международный научный журнал "Прогнозирование и Компьютеры и организации промышленного производства среди других. Кристин X. Цзян доцент кафедры финансов Кентского государственного университета. Она получила степень доктора философии Drexel University и магистра Sloan School менеджмента Массачусетского технологического института.

B. Эдди Patuwo является адъюнкт-профессор в Департаменте по административным наук Кентского государственного университета. Он получил докторскую степень в области промышленного производства и исследование операций из Вирджинии политехнического института и государственного университета. Его исследовательские интересы лежат в исследовании стохастических систем инвентаризации и нейронных сетей. Его исследования были опубликованы в решении наук, Институт международного образования Сделки, журнал исследования операций общества, и компьютеры и исследование операций и другие.