遗传算法的BP神经网络在汇率预测中的应用范文

摘要：汇率预测是金融领域最具挑战性的研究课题之一。本文将几种神经网络用于汇率预测，选取从2010年6月30到2018年3月6号美元/人民币汇率作为研究数据。结果表明基于遗传算法的BP神经网络在汇率预测方面具有比单个神经网络更精确的预测结果。

关键词：汇率预测；BP神经网络；遗传算法

随着全球化的迅速发展和国际贸易激烈竞争的加剧，汇率对政府和企业的影响正在加强。对政府而言，通过更好地了解汇率变动，政策制定者将能够提取有关经济和金融的相关信息，这将有助于他们为未来设计更好的货币政策。对大型跨国公司而言，如果能够准确预测货币汇率，公司的整体盈利能力将大大提高。因此，外汇预测已成为国际金融研究人员和从业人员的主要研究之一。而神经网络由于具有分布存储性、容错性、自学习型和自适应性等的特点，成为汇率预测领域应用最广泛的方法。

1基于遗传算法的BP神经网络

BP（BackPropagation）于二十世纪八十年代中期由以Rumelhart和McCelland为首的科学小组提出，它是一种多层前馈网络，它最核心的内容是按照误差反向传播算法训练，是目前应用最广泛的神经网络模型之一。在BP网络的正向传递中，数据从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层的结果并不符合网络预期，就会转入反向传播，根据预测值与期望值之间的误差来调整网络的权值和阈值，从而使BP网络的预测输出不断接近期望值。BP网络可以学习和存贮大量的输入-输出模式的映射关系，而并不需要提前知道描述这种映射关系的数学表达式。基于遗传算法（GA）优化的BP神经网络（GA-BP）分为BP结构确定，GA优化和BP预测。BP结构确定部分根据输入和输出参数确定BP的结构，并进一步确定遗传算法个体的长度。GA优化使用GA来优化BP的权重和阈值。群体中的每个个体都包含网络的所有权重和阈值。通过适应度函数计算个体的适合度值。GA通过选择，交叉和变异操作找到对应于最佳适合度值的个体。BP预测部分预测由GA获得的最佳个体以分配网络的初始权重和阈值，并且网络在训练之后预测功能输出。算法流程图。

2汇率预测

2.1数据选择选取从2010年6月30到2018年3月6号美元/人民币汇率作为研究数据。

2.2构造样本训练在使用神经网络模型之前，首先要对数据进行预处理，本文使用滑动算法来对数据进行处理，即用前两个交易日来进行第三个交易日的预测。

2.3汇率预测为了更清晰的展示本文所提出的神经网络在汇率预测方面的优劣性，本节不仅展示了GA-BP的预测结果，同时展示了四个简单的神经网络模型的预测结果，预测误差如表1所示，可以清楚的看到不管是以MSE为评价标准，还是以MAE，MAPE为评价标准，GA-BP的误差结果都是最小，因此，我们可以得出结论，GA-BP的预测结果在5个模型中是最好的。

3结论

总之，从上述比较中，我们可以得出以下结论。GA-BP神经网络模型比传统的简单模型产生更高精度的预测。这可能是因为BP神经网络的参数经过遗传算法优化后，变得与网络更加匹配。GA-BP优于其他模型-无论以哪种误差作为评价标准，GA-BP模型都具有比其他模型更低的MSE，MAE和MAPE值，这表明GA-BP模型能够显着提高预测精度。GA-BP模型可用作外汇预测的替代方法，并进一步提高预测准确性，同时，它也能用做其他具有非线性、波动性数据的预测。但是本文GA-BP神经网络模型只是基于历史数据的预测，并未考虑影响汇率变动的其他因素，如国际收支、利率、新闻和心理因素，因此具有局限性。这也将是作者下一步的研究方向。

参考文献

[1]欧阳亮.基于小坡分析与神经网络的汇率组合预测研究[D].长沙：湖南大学,2008:4-6.

[2]余乐安，汪寿阳，黎建强，等．基于BPNN和WEB的智能外汇滚动预测与交易决策支持系统的开发[A].海峡两岸信息管理发展策略研讨会[C]．2005:109-114.

作者：鱼丹单位：兰州交通大学