一种基于异质集成学习的汇率波动预测方法技术

该发明专利技术公开了一种基于异质集成学习的汇率波动预测方法，本发明专利技术涉及数据处理领域。由大量异质的普通传统预测模型作为第一层模型以及能处理复杂非线性问题的机器学习模型作为第二层模型构成的集成学习模型，第一层模型的预测值作为第二层模型的输入值，数据集的划分上单独预留了固定长度的处理集，同时起到筛选第一层更优模型以及计算第二层模型超参数的作用。将传统的线性模型、非线性模型结合起来，能同时考虑到市场的平稳性和波动性，为汇率波动的预测提供了一种新的思路和方法，处理集能同时检验第一层模型和处理第二层模型超参数，能将现有数据集最大程度利用起来。能将现有数据集最大程度利用起来。能将现有数据集最大程度利用起来。

【技术实现步骤摘要】
一种基于异质集成学习的汇率波动预测方法


[0001]本专利技术涉及数据处理领域，进一步涉及基于异质集成学习的汇率波动预测方法。

技术介绍

[0002]随着互联网行业的发展，国际局势动荡，信息技术占主导地位，金融市场由于市场运动规律，企业风险，政府干预风险，以及购买力风险导致金融市场的综合性，复杂性大大提升。金融市场中，汇率波动的精准预测尤其是各国外资、外贸企业，尤其是中小外贸企业管理市场风险的主要痛点。由于影响汇率变动例如各变量之间呈现同时拥有线性和非线性特性，因此，需要一种更加准确的汇率预测模型，对未来汇率进行量化预测，做好风险管理。
[0003]目前用于汇率预测的方法主要有利用贝叶斯模型的后验选择法选择其中后验概率最高的一些数据实现对自变量的更好筛选、基于禁忌搜索和微分进化的融合算法DETS将历史数据与预测数据融合成为新的数据以改善历史数据集的缺陷、基于神经网络模型与分类模型相结合的外汇汇率预测方法等，这些方法大多是从因变量数据的筛选和预处理等角度对预测过程进行优化，但由于外汇汇率预测方案存在不确定性较大，试错成本高，没有充分利用模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异质集成学习的汇率波动预测方法，该方法包括：步骤1：选取时间长度为L的如下自变量波动数据，建立样本数据，自变量包括：利率差额，物价差额；步骤2：建立第一层模型和第二层模型的模型库；第一层模型的模型库包括：线性回归、加权最小二乘、LASSO、岭回归、随机森林，模型编号为K＝{1,2,
…
,3,
…
,k}；第二层模型的模型库包括：随机森林(Random Forest、长短期神经网络(、卷积神经网络；步骤3：划分数据集以及定义处理集的作用；步骤3.1：在样本数据中设置数据训练集、处理集和验证集，其中处理集长度固定为H，假设从时间点s
‑
1到时间t
‑
1是时间长度固定为H的处理集，即s＝t
‑
H，处理集会随着时间向前滚动；时间点s
‑
1之前的数据集定义为训练集，时间点t开始的数据集定义为验证集；步骤3.2：采用处理集作为验证集对第一层模型进行筛选，衡量标准选用常用的样本外拟合优度R2以及均方误差，选出预测效果最好的一个或两个预测模型；筛选出的模型编号为K＝{m1,m2,
…
,mn
‑
1,mn}，具体公式如下：1,mn}，具体公式如下：其中，Y
s
表示s时点的样本观测值，也就是真实值，表示模型k用包含时点s
‑
1之前的全部数据进行训...

【专利技术属性】
技术研发人员：李佳颖，吴佳玲，唐远鸿，赵玲玲，韩雨伯，胡维昊，黄琦，张真源，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：