基于BP神经网络的人民币汇率预测分析

王芮莹

摘 要 在经济全球化的形势下，汇率是影响中国整个经济领域的重要因素。因此，对人民币/美元汇率进行预测分析是十分必要的。本文以中国1985～2014年的人民币/美元汇率为数据样本，通过BP神经网络模型对汇率进行预测分析。结果表明，未来人民币/美元汇率呈缓慢增长趋势。虽然，目前美联储加息逐渐增强、美元指数上涨，给人民币汇率带来贬值压力，但据预测结果来看，预估人民币持续大规模贬值的可能性不大。

关键词 BP神经网络 汇率 预测

一、引言

随着国际经济一体化的迅速发展，汇率作为各国货币兑换的量尺，在各国的经济往来中起到了不可或缺的作用。在浮动汇率制度下，汇率波动幅度大、变化突然、波动频繁的特征。各国汇率变动均会对国内外经济均衡产生深远影响。为此，研究汇率的动态行为特征并对汇率变化进行准确的预测分析，对国家经济发展具有重要意义。新中国成立初期，我国采用固定汇率制度，汇率体制缺乏弹性。改革开放以来，国家开始进行汇率制度改革，逐渐发展到以市场供求为基础、参考一篮子货币进行调整、有管理的浮动汇率制度。自我国汇率体制改革以来，人民币汇率逐步趋于稳定，波动频率与幅度相对较小，由于基本经济因素仍在不断变化，使用传统的汇率决定模型将会存在较大的问题和困难。因此，本文利用神经网络模型对汇率进行训练模拟、预测分析，取得了较好的拟合效果。

二、神经网络模型

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，在神经网络模型中使用较为广泛。

BP神经网络工作的依据为：将输入学习样本对应向前面传播，在隐藏层对应节点处通过相应功能函数对其作用后，将隐藏层中相应的隐藏节点信号传输出去，一直传递到输出层对应的输出节点处，即可得到相应输出的结果。由于BP神经网络的这一系列工作机制及特点，使用该模型对汇率进行预测分析是相对精确的。

（一）预测效果的评价指标

由于神经网络模型的特性，无法使用计量经济学中常见的检验指标检验其训练效果。因此，本文将采用均方误差作为判断神经网络预测的性能指标。

设T为真实汇率值，a为预测汇率值，Q为长度，通过具体运算得到输出值。本文将使用均方误差（MSE）作为预测效果的评价指标，如下式：

（1）

MSE值越小则拟合效果越好。由于将误差进一步扩大后，MSE仍很小，则其反映出相对精确的实验结果，因此将其作为汇率预测的评价指标。

（二）过拟合问题与泛化能力

汇率数据序列中存在复杂的非线性特征，而神经网络是非线性模型的代表，被众多的学者应用到汇率预测中，而且研究表明其预测效果比传统的预测效果好。但神经网络在预测过程中容易出现过拟合现象，进而会影响预测的泛化能力。

因此，在进行预测分析前，对数据进行归一化处理是十分重要的。首先将数据转换为0～1之间的数据，在实验后利用反归一化进行数据还原。对真实汇率数据进行简单的处理，可以有效防止在预测过程中出现的过拟合现象。

三、汇率理论及预测

汇率，是指不同国家间进行货币互兑的价格，它是货币的价格。一般又可划分为实际和名义两种汇率。二者分别是指两国间商品的相对价格与货币的相对价格，且能够相互转换。它们之间的数量关系可表示为：名义汇率=实际汇率*外国商品价格/本国商品价格。

想要全面理解汇率波动的特征，除了需要全面把握和分析汇率决定理论以外，对于汇率制度的研究也非常重要，因为汇率制度直接决定汇率怎样变化和变化的幅度。传统观点认为，浮动汇率制会带来剧烈的汇率波动，并影响到国际经济领域的正常运行。为了减少汇率风险，了解汇率波动情况，预测分析汇率是相对有效的办法。

（一）数据收集

改革开放以来我国进行汇率体制改革，取得显著成效。随着汇率体制改革，人民币汇率逐步趋于稳定，但改革之初汇率浮动比例仍相对较大。由于基本经济因素仍在变化，每年的汇率总会有所波动。本文选取1985～2014年30年间的汇率数据作为样本数据，模型样本数据见表1。

从表1中我们可观察到前十年的汇率波动幅度较大，之后数年汇率的波动情况逐步趋于稳定，2008年遭受金融危机，汇率开始有所下降。随着全球经济复苏，我国汇率在另一个数据区间又逐步趋于稳定。

（二）预测分析

实验中对样本数据进行处理后，利用BP神经网络模型对汇率数据进行训练，并绘制出真实汇率和模拟汇率曲线，（如图1）我们可以直观清晰地观察实际数据与训练数据的差异。这两条汇率曲线是较为吻合的，只有在峰值突出的地方差异略为显著。

本文采用平均误差作为判断神经网络预测的评价指标。根据实验结果可得平均误差率仅为0.046407%，表明该误差在可接受范围内。由误差率可得，在汇率数据变化激增时误差变化相对较大，其余误差均相对较小，说明该模拟曲线和原始曲线的拟合效果较好。根据实验结果还可得到平均准确率为92.1%，预测结果较为精准。

基于上述两个神经网络预测效果评价指标表示，该模型应用于汇率的预测分析是合理的。它可以较为精确的拟合出预测曲线，并求出结果。在本文中对2015～2017年的汇率进行了预测，这三年的预测值分别为648.0326、667.7332、681.4492。预测曲线如图2所示。

由于引起汇率波动的因素很多，对其未来的波动变化情况做出预测是件困难的事。有些模型虽然可以实现对历史数据较好的拟合，但预测能力较弱。本文将1985年～2014年30年间的数据作为检验数据，以样本均方误差MSE作为预测精度的评价指标，利用神经网络模型进行预测，该模型不仅在拟合程度上而且在预测方面也表现良好。由于其他经济因素仍在不断发生变化，预测值会与真实值稍有出入。

四、结语

本文主要针对BP神经网络进行简要介绍，利用BP神经网络算法对人民币/美元相关汇率波动序列进行了对应预测，给出了相应分析，并比较模型样本与对应样本拟合相关预测效果，简要总结得到以下结论。通过预测结果分析得出：虽然人民币升值的压力很大，但不会出现大规模贬值的状态，应加快汇率形成机制的改革，同时应降低美元储备的比例。

由于我国改革开放程度的不断深化，汇率在我国整个经济领域中的作用越来越重要，人民币汇率动态行为也将出现越来越多的新特征，因此，对人民币汇率的研究范围和深度也将逐渐日益扩大。本文在现有的研究条件下，对人民币汇率的历史、现状和未来走势进行了分析，但仅限于人民币汇率单方面的考察，没有涉及汇率对其他宏观经济变量的影响和作用，也未能对汇率制度进行深入探讨，这些问题需要进一步完善与研究。

（作者单位为重庆工商大学电子商务及供应链系统重庆市重点实验室）

参考文献

[1]晗蕾.基于GARCH模型的人民币汇率走势预测[J].时代金融，2013（05）.

[2]丁晖.基于神经网络模型的人民币汇率预测研究[D].河南大学，2008.

[3]金艳凤.基于BP神经网络的汇率预测模型研究[D].武汉理工大学，2013.

[4]李旭帅.基于神经网络的汇率预测研究[D].南京航空航天大学，2005.

[5]戴晓枫，肖庆宪.时间序列分析方法及人民币汇率预测的应用研究[J].上海理工大学学报，2005（04）.

[6]孙叶萌.汇率决定理论与汇率预测[D].吉林大学，2008.