摘 要 采用神经网络Elman网络模型对汇率进行预测.处理过程对样本序列进行了分类，并对训练与测试样本进行了残差分析.预测结果表明：该方法对汇率涨落方向的预测准确度达到74.54%，对汇率预测值与实际值之间的偏差略为偏大的情况，并分析了产生误差的原因.
关键词 Elman网络； 时间序列；残差分析； 涨落方向
中图分类号 O29 文献标识码 A
1 引 言
汇率，即以另一国的货币来衡量本国货币的价格.它作为一个重要的经济变量，其变动对国民收入的增减、工农业的发展、国内利率、人民就业等各方面都有着重要的影响.汇率同时也是国际贸易中一个极其重要的调节杠杆，它对在对开放条件下的宏观经济运行和微观经济层面上的资源配置具有重要的影响，在某种意义上说，它直接影响着商品在国际市场上的竞争力.因此，汇率预测受到广泛的关注，大量的模型被用于汇率波动的预测.
一般常用的预测方法包含时间序列方法（随机时间序列方法、指数平滑法、移动平滑法）、灰色预测方法、相关（回归）分析法等.由于汇率为服从耗散结构的非线性、开放的动态系统，传统的预测方法对其经济指标预测难以胜任，固定汇率制度下汇率的变化是确定性的，且利用中国的汇率数据采用实证方法， 得到固定比率制度下汇率是时间的函数； 而浮动汇率制度下汇率的变化是随机的[1]，而考虑到神经网络具有非线性映射、自适应学习及鲁棒容错性等优良特性，使其能够较为精确地描述非线性的动态过程.并且神经网络具有传统的建模方法所不具备的许多优点：对被建模对象经验知识的要求不多，一般情况不必事先知道有关被建模对象的参数、结构以及动态特性等方面的知识，而只需给出对象的输入及输出数据，通过网络本身的学习功能便可达到输入和输出的映射关系.因此这也为对汇率变化趋势的预测研究提供一条崭新的思路.
利用神经网络进行汇率预测的模型有两大类：同质模型和异质模型[2].同质模型主要通过历史汇率来预测未来汇率；异质模型中要考虑影响汇率的一些关键因素，如利率、通货膨胀率、原油价格等.由于影响汇率波动的因素太多，关键因素很难确定且历史数据也不容易得到，因此通常采用同质模型进行预测.目前应用最广的两类神经网络是前馈神经网络和递归神经网络.前馈神经网络是一种静态映射，它是单元之间的连接，不会形成有向圈，不适合用来表示动态映射，动态递归神经网络具有逼近系统的动态过程，而且由于其固有的反馈结构，往往只需单层的网络就可以表达复杂的动态系统，其中Elman网络就是一种典型的动态递归神经网络.
3 结 论
本文采用神经网络Elman网络模型对汇率进行预测.可见，在预测期内，实际值与预测值的走势大致相当，但预测值与实际值之间的偏差略为偏大，尤其是170期以后的预测值，导致偏差较大的原因可能是：
1）影响因素的复杂性.影响汇率变动的因素是多样的，不仅仅受到经济因素的影响也受到政治因素等不确定因素的影响.影响汇率的外汇市场具有一定非线性特征，而汇率预测的依据是以过去与现在推测未来，使其预测难度较大.这些均会影响预测效果，使得预测的准确性欠佳.
2）误差传递.由于神经网络是通过学习输入模式进行建模的，在神经网络训练过程中，网络输出值要反馈给输入端作为输入的一部分，那么在网络输出存在的误差又将带入输入层.因此，这种反馈模式下的误差与不确定性，进而影响到预测的准确性.
3）无自检验.在神经网络预测过程中，每一次输入得到一个相应结果，而这样的结果并不能确保可靠性，进而也会影响预测的准确性.[6]
参考文献
[1] 李亚琼， 黄立宏. 两种汇率制度的双币种期权定价模型及其解[J]. 经济数学， 2009， 26（4）：14-19.
[2] Xiaofeng HUI， Zhewei Li，Quan QING.Using fuzzy neural networks for RMB/USD real exchange rate forecasting [J].Journal of Harbin Institute of Technology （New Series），2005，12（2）：189-192.
[3] 陈明等. MATLAB神经网络原理与实例详解[M]. 北京：清华大学出版社， 2013：388-389.
[4] 国家外汇管理局：人民币汇率中间价. http：//.cn/qkpdf/jjsu/jjsu201402/jjsu20140204.pdf" style="color:red" target="_blank">原版全文