深度学习与传统时间序列模型融合框架在汇率预测中的应用：以南非兰特兑美元、欧元和人民币为例

本研究针对传统时间序列模型和深度学习模型在汇率预测中的局限性，提出了一种SARIMA-LSTM混合框架。通过模拟数据和南非兰特(ZAR)兑美元(USD)、欧元(EUR)、人民币(CNY)的真实汇率数据验证，证明该混合模型在RMSE、MAE和MAPE指标上优于单一模型，为金融时间序列预测和政策制定提供了新工具。

　　

汇率波动直接影响国际贸易和投资决策，但传统时间序列模型如ARIMA难以捕捉金融市场的非线性特征，而纯深度学习模型对数据量和计算资源要求较高。针对这一矛盾，研究人员开发了结合季节性自回归移动平均(SARIMA)和长短期记忆网络(LSTM)的混合框架，以兼具线性建模能力和非线性模式识别优势。

研究团队首先通过模拟随机游走数据验证模型性能，随后采集2014-2024年南非兰特兑美元、欧元和人民币的2621组日汇率数据。采用5折交叉验证和80-20训练测试划分，对比了GRU、RNN、LSTM、ARIMA和SARIMA等模型的预测效果。关键技术包括：1)基于Augmented Dickey-Fuller检验确定差分阶数；2)构建含输入门、遗忘门和输出门的LSTM单元；3)设计SARIMA(2,1,1)-(0,1,2)₁₂季节性参数；4)采用Dropout率0.2防止过拟合；5)使用RMSE、MAE和MAPE三项指标评估性能。

【模拟数据验证】
通过1000次随机游走模拟显示，GRU在MAE指标上最优(0.0068)，而LSTM在RMSE表现最佳。混合模型综合评估最优，验证了框架的有效性。

【真实汇率分析】
Augmented Dickey-Fuller检验发现ZAR/USD、ZAR/EUR和ZAR/CNY需13阶差分才能平稳。SARIMA-LSTM在80-20划分中三项指标全面领先，如ZAR/USD的RMSE达0.008721，较传统SARIMA降低12.7%。5折交叉验证中，GRU和ARIMA在部分指标上接近混合模型性能。

【预测可视化】
600天预测显示：1)ZAR/USD呈现明显下跌趋势，预示南非需警惕美元债务风险；2)ZAR/EUR波动较小，损失程度较轻；3)ZAR/CNY呈正弦波动但总体偏弱。这与LSTM单独预测结果一致，但混合模型置信区间更窄。

研究表明，SARIMA-LSTM通过结合SARIMA的季节性特征提取和LSTM的非线性建模能力，在RMSE和MAE上分别比最优单一模型提升0.05%和0.6%。该成果不仅为南非央行制定货币政策提供量化工具，更通过精准预测支持了联合国可持续发展目标(SDG8)中的经济稳定增长指标。作者建议南非政府通过刺激出口、吸引外资等措施应对ZAR/USD的预期贬值，同时指出深度学习模型在突发政治事件预测上仍存在局限，未来可结合宏观经济指标进一步优化。论文发表于《Scientific African》，AI技术辅助了50%的文献综述语言润色工作。