一种用于可持续汇率预测的多特征深度学习方法

《Alexandria Engineering Journal》：A multi-feature deep learning approach for sustainable exchange rate forecasting

　　

研究目标：提升汇率波动预测的准确性。研究方法：通过构建数据驱动的时空Transformer（DDST）汇率预测模型，对每个时间周期的空间相关性进行独立建模，以捕捉动态空间关系。同时，采用多时间跨度分支，在不同分支之间补充空间特征，从而提高空间相关性建模的精度。最后，在特征融合阶段引入通道注意力和空间注意力机制，以充分整合预测特征，使模型能够同时预测局部和全局空间相关性。研究结果：使用2014年9月至2024年9月期间美元/人民币（US/CN）汇率波动驱动因素进行的实验表明，在均方根误差（RMSE）评估指标下，DDST汇率预测模型相比基线集成模型，准确率提升了16.91%（1天预测期）、6.34%（3天预测期）和3.24%（6天预测期）。结论：DDST模型作为一个可持续且稳健的汇率预测框架，展现了优越的性能。

**多特征深度学习模型DDST在可持续汇率预测中的应用解读**

**研究背景与问题**
汇率剧烈波动对各国发展的可持续性构成不利影响。汇率数据流具有复杂的统计与动态特性，包括显著的非线性、时间非平稳性、高波动性以及由经济、政治和市场等多因素交互导致的非规则波动模式。同时，金融市场高度互联，众多因素共同影响汇率变动，使得精确预测极为困难。传统分析模型（如ARMA、GARCH）通常假设汇率数据流是线性和平稳的，将原始观测转化为平滑时间序列，虽能捕捉历史与未来交易数据间的线性关系，但难以拟合非线性、非平稳的汇率数据，可能导致原始信息大量丢失。随着机器学习发展，研究人员通过捕捉多样输入特征中的复杂非线性关系来克服这些限制。但传统浅层学习模型（如支持向量机SVM、人工神经网络ANN、随机森林）在输入特征维度增加时，提取有效信息的能力有限，且难以捕捉数据集内的层次化或深层嵌入表示。深度学习模型（如卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM）虽然提升了预测性能，但仍存在不足：单一深度神经网络不足以全面建模汇率时间序列中的时空动态；依赖单一模型可能无法捕获所有相关特征模式，导致部分信息丢失和预测性能下降。现有集成模型（如DeepAR、StemGNN、MTGNN、AGCRN）虽能自动学习序列间相关性，但大多通过独立的时间模块（如LSTM）和空间模块（如图卷积网络GCN）分别建模，忽略了跨尺度时间动态与空间拓扑之间的耦合效应，因此无法捕捉随时间演化的空间动态。例如，汇率的5分钟波动（微观尺度）与同期影响汇率波动的宏观因素存在非线性交互，现有模型难以同时表征这些特性。为此，研究人员开展了本研究，旨在开发一种能动态捕捉多尺度时空相关性的汇率预测框架。

**研究内容与结论**
研究人员提出了一种数据驱动的动态时空Transformer（DDST）模型，用于预测汇率波动。该模型首先引入多尺度时间耦合空间Transformer（MSTCST，Multi-Scale Time-Coupled Spatial Transformer）模块，捕捉影响汇率波动的不同因素之间的空间相关性；随后沿时间维度对汇率波动序列进行分割，对每个时间周期独立进行空间相关性建模以捕捉动态空间关系；在此基础上，采用多时间跨度分支确保分支间空间特征互补，提升空间相关性建模精度；最后在特征融合阶段联合使用通道注意力和空间注意力机制，增强预测特征的整合能力，使模型能同时捕捉局部和全局空间相关性。实验采用2014年9月至2024年9月期间美元/人民币（USD/CNY）汇率波动驱动因素数据（共2088个观测值作为训练集，522个观测值作为测试集）以及英镑/人民币（GBP/CNY）和100日元/人民币（100JPY/CNY）十年历史数据。结果表明，在均方根误差（RMSE，Root Mean Square Error）评估指标下，DDST模型相比基线集成模型在1天、3天和6天预测期上分别提升了16.91%、6.34%和3.24%；在平均绝对百分比误差（MAPE，Mean Absolute Percentage Error）指标下，三个预测期分别达到0.1925%、0.3023%和0.4296%，均为所有对比方法中最低。该论文发表在《Alexandria Engineering Journal》。该研究的重要意义在于：DDST模型通过分段时间维度和多时间尺度分支动态捕捉空间相关性，解决了现有模型无法同时兼顾不同时间尺度动态特性的问题；通过通道注意力和空间注意力的双重优化，有效解决了特征冗余和局部细节敏感性问题，实现了更高的预测精度和可解释性，为国际贸易从业者、全球投资者和政策决策者提供了准确且稳健的汇率趋势预测工具。

**主要关键技术方法**
研究人员为开展研究采用了几个关键的技术方法：（1）多尺度时间耦合空间Transformer（MSTCST）模块：将多尺度时间维度（如分钟、小时、天）编码为图节点，通过自适应邻接矩阵显式建模跨尺度时间依赖，克服传统单尺度序列建模的局限。（2）时空特征提取模块：由多个堆叠的时空块（STBlock）构成，每个STBlock串联MSTCST模块和时间Transformer模块，分别捕捉空间相关性和长期时间依赖。（3）局部-全局空间特征融合模块：局部融合采用密集连接卷积神经网络（Densely Connected CNN）增强特征复用，引入通道注意力机制抑制冗余通道；全局融合使用专门的MSTCST变体（时间跨度为1、分支数为1）捕捉长距离空间依赖。（4）核函数优化：针对区间预测，采用复合核函数（如White核+RBF核）构建高斯过程，通过贝叶斯信息准则（BIC，Bayesian Information Criterion）选择最优核函数。样本队列来源：USD/CNY汇率数据来自2014年9月至2024年9月（2088个训练观测值+522个测试观测值），GBP/CNY和100JPY/CNY使用十年历史数据（2014-2024年）。

**研究结果**
根据论文主体部分，研究结果分为以下几个小节：

**4.4 分析DDST模型的预测性能**：研究人员选取五种传统方法（ARMA、SVR、RS、RW、XGBoost）和四种深度学习方法（LSTM、GRU、MVO-BiGRU、ICEEMDAN-CNN-LSTM）作为基准进行对比。在USD/CNY数据集上，DDST模型在1天、3天、6天预测期上的MAPE分别为0.1925%、0.3023%和0.4296%，均为最低；RMSE分别为1.7687%、2.6994%和3.7362%；R²分别为0.8852、0.8737和0.8361，均为最高。与最新方法（ICEEMDAN-CNN-LSTM）相比，RMSE分别提升16.91%、6.34%和3.24%。预测曲线与真实曲线高度吻合，验证了模型在多尺度预测中的有效性。

**4.5 消融实验**：
- **4.5.1 LGTM与DDST模型对比**：将独立的时间和空间模块称为LGTM（局部-全局时间-空间模型）作为对照。在USD/CNY数据集上，DDST在1天、3天、6天预测期上的RMSE分别比LGTM降低17.62%、9.83%和3.88%，MAPE分别降低20.56%、9.19%和4.88%，表明DDST的纵向耦合处理方式（沿时间维度分割并独立建模空间相关性）优于LGTM的横向单流处理方式。
- **4.5.2 DDST消融研究**：逐步添加DDST架构的五个主要组件（输入嵌入层IEL、时空特征提取模块TSFEM、线性投影模块LPM、局部-全局空间特征融合模块LGF、预测模块）。实验配置编号8（包含全部组件）在USD/CNY数据集上获得最低MSE（0.000599）、MAPE（0.017537）和MAE（0.253199）。逐项分析显示：卷积层和IEL同时加入比单独加入效果更好，MSE降低0.01557以上；TSFEM的加入使MSE、MAPE、MAE分别下降30.45%、7.48%和6.85%；LPM和LGF同时使用比单独使用LPM或LGF效果更优，MSE进一步降低0.000257和0.000345。

**4.6 汇率波动区间预测**：
- **4.6.1 数据选择与评估标准**：采用GBP/CNY和100JPY/CNY十年历史数据，按8:2划分训练集和测试集。评估指标包括覆盖概率（CP，Coverage Probability）、平均窗口宽度（AW，Average Width）和归一化平均窗口宽度（NAW，Normalized Average Width）。
- **4.6.2 不同核函数对区间预测的影响**：通过BIC最小化准则，两种货币对的最优核函数均为White核+RBF核的组合（kernel3）。在95%、90%、85%置信水平下，DDST模型（kernel3）在GBP/CNY上的CP分别为98.34%、93.67%、85.14%，NAW分别为0.24094、0.18383、0.12069；在100JPY/CNY上的CP分别为99.69%、94.96%、86.31%，NAW分别为0.24424、0.18635、0.12235。复合核函数优于单一核函数，能更好地处理非线性、非平稳汇率数据。

**4.7 稳健性初步统计检验**：对USD/CNY的28个潜在影响因素进行单位根检验（ADF检验）。原始序列中，USD/CNY收盘价、上证指数SSEC、中美利差TBCN/US、美国经济政策不确定性EPUUS、中美IPO数量比IPOICN/US、USD/CNY动量MOM、变动率ROC、相对强弱指数RSI为平稳序列，其余为非平稳。所有非平稳序列经一阶差分后在1%显著性水平下变为平稳，呈现一阶单整特性。

**讨论与结论部分总结**
在讨论部分，研究人员指出DDST汇率预测模型通过分段时间维度和多时间尺度分支捕捉动态空间相关性，解决了现有方法无法考虑空间相关性动态特性及跨时间尺度多样性的问题；通过通道注意力增强有用特征通道、抑制无关通道，通过空间注意力放大目标区域特征、抑制背景区域，实现了“特征类型筛选+空间定位”的双重优化，从而获得显著优越的性能。实验表明，在RMSE指标下，DDST模型相比基线集成模型在1天、3天、6天预测期上分别提升16.91%、6.34%和3.24%。模型的价值体现在三个方面：（1）预测精度提升：多模态融合使短期预测精度提高10%–15%；（2）可解释性增强：通过注意力权重可视化使决策可解释；（3）动态市场适应：DDST模型可在1小时内调整策略以应对突发冲击（如2025年美联储意外降息）。此外，该模型可应用于调整止损仓位等场景。论文结论部分翻译如下：针对现有汇率波动预测方法未能考虑空间相关性的动态特性及其在不同时间尺度上的多样性这一不足，DDST汇率预测模型采用分段时间维度和多时间尺度分支，捕捉动态空间相关性，使模型能够识别时间序列数据中不同尺度的时间模式，从而解决了单分支模型“顾此失彼”的问题。DDST模型通过通道注意力增强有用特征通道、抑制无关通道，解决了“特征冗余”问题并直接提升了模型对关键数据的捕捉能力；空间注意力放大目标区域特征、抑制背景区域，减少数据干扰，增强模型对局部细节的敏感性。这种“特征类型筛选+空间定位”的双重优化带来了显著优越的性能。实验结果表明，在RMSE评估指标下，DDST汇率预测模型相比基线集成模型在1天、3天、6天预测期上分别提升16.91%、6.34%和3.24%。DDST模型作为一个可持续且稳健的汇率预测框架，展现了优越的性能。