提升汇率预测精度：结合长短期记忆网络与技术指标

《Structural Change and Economic Dynamics》：Enhancing exchange rates forecasting: Leveraging long short-term memory with technical indicators

　　摘要：本文通过运用序列模型，对汇率预测中的技术指标进行了全面评估，并展示了LSTM在存在结构性断裂时的适应能力。研究结果表明，将长短期记忆网络与技术指标相结合，相较于单独使用某种技术指标或多种指标的组合，能显著提升五种高频交易货币的样本外预测性能。我们的研究还发现，不同的技术指标对不同国家的汇率预测效果存在差异。此外，日元和瑞士法郎在情绪水平较高时预测性更强，而在经济衰退期间，各类货币的预测性普遍有所提升。我们验证了LSTM与技术指标结合使用的稳健性及持续预测能力，这种性能在多种模型配置下均保持稳定，且不受结构性断裂的影响。

引言：汇率预测是国际经济学与金融领域的重要课题。Meese和Rogoff（1983）等研究指出，与简单的基准模型相比，预测外汇汇率存在相当大的难度。不过，已有研究表明，外汇汇率的波动受多种因素影响，包括货币政策、商品价格、经济不确定性、国际股票配置以及可贸易商品的运输成本（Kim，2003；Ferraro等人，2015；Christou等人，2018；Camanho等人，2022；Burstein等人，2003），这些因素对汇率的影响程度各不相同。多项实证研究也为技术指标在汇率预测中的应用提供了有力支持。例如，Hassanniakalager等人（2021）发现，尽管技术分析带来的利润空间相对有限，但在外汇交易中仍具有重要意义。而若结合贝叶斯统计方法，还可将技术交易规则的盈利能力提升至原来的五倍，这说明只要采用合适的方法，技术指标就能为外汇汇率预测提供有效依据。目前，整个行业都广泛认可技术指标在预测外汇汇率中的作用。Menkhoff和Taylor（2007）指出，尽管技术交易规则的表现会随时间出现较大波动，但外汇从业者仍经常将其作为决策工具。关于技术分析为何能在外汇市场中具备预测价值，已有诸多解释。一种观点认为这与市场摩擦有关，包括噪声交易、投资者情绪、暂时的市场效率低下、风险溢价以及市场微观结构效应（Park和Irwin，2007）；另一种观点则认为机构因素，如订单流和央行的干预，可能会形成汇率走势中的持续性模式（Neely等人，1997）。不过，技术交易规则的盈利能力会随时间波动，且随着市场效率的提升而下降（Menkhoff和Taylor，2007；Olson，2004）。近期研究显示，算法和机器学习方法能够从技术指标中提取更复杂的非线性模式（Lo等人，2000；Jiang等人，2023），这也促使我们运用LSTM来研究技术指标中蕴含的序列信息是否有助于提升汇率预测精度，以及模型性能在重大结构性断裂发生时是否会发生变化。本研究聚焦于在外汇市场中，利用LSTM这一循环神经网络的分支，探讨技术指标的预测能力。我们选择LSTM主要有三个原因：首先，LSTM专门用于捕捉长期依赖关系并存储长序列信息，因此非常适合用于建模汇率数据中的复杂自相关模式；其次，基于历史汇率趋势得出的汇率与技术指标之间的关系可能呈现非线性特征，而LSTM在处理这类非线性关联方面表现优异；最后，不同的技术指标对汇率的影响各异，而LSTM擅长处理多变量时间序列数据，便于将多种技术指标作为模型特征纳入分析。本研究的主要目标是，以美元为基准货币，探讨五种高频交易货币——加元、日元、瑞士法郎、英镑和澳元——的汇率行为与预测性，研究过程中采用了LSTM与技术指标相结合的方法。参照Panopoulou和Souropanis（2019）的研究，我们所使用的技术指标包括移动平均线、动量指标、相对强度指数以及指数移动平均线规则。研究结果表明，与历史平均值基准相比，LSTM结合技术指标的方法在预测月度汇率时具有较强的样本外预测能力。具体而言，LSTM方法的样本外R2值在加元时为1.80%，在澳元时高达10.68%，根据MSFE调整后的统计标准，这些数值在1%的水平上都具有显著性。同时，我们发现，无论是单独使用某一种技术指标，还是将多种技术指标组合使用（称为“POOL”），都无法为未来货币走势提供有意义的预测信息。接着，我们利用LSTM方法研究了技术指标在汇率预测过程中的重要性差异。参照Gu等人（2020）的方法，我们将变量重要性定义为：将某一预测变量的数值设为零后，预测R2值的下降幅度，以此作为该变量的重要性指标。我们发现，不同货币的主要预测变量存在显著差异，这表明LSTM能够从众多技术指标中高效提取并利用有用信息，从而针对每种货币的特性生成精准的汇率预测结果。此外，我们还在不同的经济环境下，利用LSTM与技术指标分析了汇率预测的稳定性，这些经济环境包括投资者情绪处于不同水平的情况，以及NBER划分的经济周期扩张期和衰退期。研究结果表明，汇率的预测性具有货币特异性。例如，在投资者情绪较低时期，加元、英镑和澳元的预测性会提升，而当投资者情绪较高时，日元和瑞士法郎的预测性更为准确。其可能的原因是，这些货币通常被视为避险资产，在情绪低迷时期，市场对避险资产的需求可能会在日元和瑞士法郎市场中占据主导地位，从而降低技术指标的预测作用。总体而言，我们的分析表明，在经济衰退期间，大多数货币的汇率预测性更为稳定。我们还测试了不同模型配置下外汇汇率预测的稳健性，研究结果显示，即使采用为期六个月的训练数据，或与随机游走基准模型相比，LSTM结合技术指标的方法依然具备较强的汇率预测能力。随后，我们研究了LSTM模型对重大制度转变的适应性，这些转变是通过Bai-Perron检验确定的。最后，我们发现，随着预测时间范围的延长，汇率的预测性会下降。我们从三个层面做出了重要贡献：首先，我们为现有文献提供了支持外汇汇率预测的统计证据，通过研究实现了汇率的样本外预测，从而回应了此前关于汇率预测可行性的争论（Meese和Rogoff，1983；Mark，1995）；其次，我们的研究进一步证明了技术指标能为未来货币走势提供重要信息（Hsu等人，2016；Jamali和Yamani，2019；Ivanova等人，2021），同时也补充了Hassanniakalager等人（2021）的研究，即只要采用合适的方法，就能利用技术指标实现稳定的汇率预测。我们采用了动态训练方法来分析LSTM的性能，通过考虑经济结构的变动，丰富了机器学习应用的相关研究（Bloise和Tancioni，2021），同时还证明了在面临新的结构性断裂时，LSTM的序列长度、隐藏神经元数量以及丢弃率会随之调整。在包括1985年广场协议、1992年英镑危机、2008年全球金融危机以及2015年瑞士法郎突然放弃固定汇率制在内的所有断裂事件中，LSTM的样本外预测精度在10%的水平上都具有显著性。最后，本文也为逐步增加神经网络在金融市场预测中的应用做出了重要贡献（例如Kellner等人，2022）。关于变量重要性的研究结果表明，LSTM能够为特定的预测任务高效提取关键信息，本文还将Murray等人（2024）关于LSTM在股票市场预测能力的研究扩展到了外汇市场。本文的其余部分结构如下：第2节回顾相关文献，第3节介绍数据来源与方法，第4节展示实证研究结果，第5节给出结论。

片段摘录：外汇汇率预测：外汇汇率预测通常被视为金融时间序列分析中最具挑战性的任务之一。例如，Meese和Rogoff（1983）是最早在样本外环境中比较不同结构性和时间序列模型在汇率预测精度方面的研究之一，他们发现，随机游走模型对汇率的预测效果通常优于基于经济理论构建的其他模型。Kilian和Taylor（2003）的研究则未得出类似结论。

数据来源：我们从国际货币基金组织的数据库中获取了加拿大、日本、瑞士、英国和澳大利亚这五个国家的月度外汇汇率数据。与以往研究一致，我们以美元作为计价货币，将外汇汇率表示为本国货币单位与1美元的比率，而汇率回报则基于即期价格的对数差值计算得出。数据样本的时间范围为1973年1月至今。

主要研究结果：在本节中，我们采用了滑动窗口方法，即使用12个月的数据窗口来生成预测结果。具体而言，我们首先利用过去12个月的历史技术指标对LSTM模型进行训练，然后使用该模型来预测下一个月汇率回报的波动情况。我们的研究结果如表2所示，A面板展示了Campbell和Thompson（2008）提出的ROS2值及其对应的统计指标。

结论：本文研究了结合技术指标的LSTM网络在汇率预测方面的表现。我们的研究结果表明，与简单基准模型相比，单一技术指标无法提供可靠的汇率预测结果，不过技术指标确实能为未来汇率走势提供重要参考，通过恰当的方法可以从中提取有价值的信息。我们的研究还表明，LSTM在处理这类信息时具有显著优势。

CRediT作者贡献说明：Juan Du负责撰写原文初稿、模型验证、软件开发、方法设计、资金申请、正式分析以及概念构思工作；Desheng Wu负责文章审阅与编辑工作以及正式分析工作。

资金支持：本研究得到了中国国家社会科学基金重大项目的支持，项目编号为25&ZD161，项目名称为“基于多源时空异构大数据的绿色转型风险监测与防控研究”；同时也得到了山东省自然科学基金的支持，项目编号为ZR2021QG065，项目名称为“基于机器学习方法的商品期货金融化研究”。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Juan Du | Desheng Wu
山东财经大学金融学院，中国济南