西南财经大学学位论文原创性及知识产权声明
本人郑重声明：所呈交的学位论文，是本人在导师的指导下独立进行研
究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他
个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个
人和集体，均已在文中以明确方式标明，因本学位论文引起的法律结果完全
由本人承担。
本人同意在校攻读学位期间论文工作的知识产权单位属西南财经大学。
本人完全了解西南财经大学有关保留、使用学位论文的规定，即学校有权保
留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和
借阅。本人授权西南财经大学可以将本学位论文的全部或部分内容编入有关
数据库进行检索，可以采用影印、缩印、数字化或其他复制手段保存和汇编本
学位论文。
本学位论文属于
1、□保密，在_____年解密后适用本授权书。
2、□不保密
特此声明。
学位申请人：
年月日

摘要
金融全球化是经济全球化的一个重要组成部分，随着世界各国之间的金
融活动的联系越来越紧密，各国之间的资金的流动的频率和数量也随之增加，
汇率变化对于各国金融市场各种货币政策的制定、企业的经营活动及个人的
投资活动等的影响也更为显著，如何更加精确的进行汇率预测也越来越受到
关注。
本文在神经网络模型的基础上加入小波分析，将小波与神经模型结合起
来对 2012年 4月 30日到 2018年 12月 31日的澳元、欧元、日元、瑞士法
郎、加元、英镑、新西兰元及离岸人民币兑美元八大全球主要汇率的每日外汇
汇率的收益率的涨跌进行预测，并比较 OLS、Lasso、Ridge线性模型、ANN、
LSTM、叠加 LSTM、双向 LSTM标准神经网络模型、小波-神经网络混合模
型（W-ANN、W-LSTM、W-SLSTM和 W-BLSTM）的预测准确率，结果发
现，（1）相对于线性模型和标准神经网络模型，小波-神经网络混合模型对于
汇率预测精度的提高具有明显改善，四个小波-神经网络混合模型 W-ANN、
W-LSTM、W-SLSTM和 W-BLSTM在八大汇率市场中预测准确率最低分别
达到了 56.8%、57.4%、62.80%、64.12%，W-SLSTM和 W-BLSTM模型预测
的准确率明显提高；（2）其中，澳元、欧元、加拿大元和离岸人民币市场中，
W-BLSTM混合模型的预测准确率最高，英镑、新西兰元、瑞士法郎和日元市
场中 W-SLSTM混合模型预测准确率最高。在此基础上，我们建立了基于小
波-神经网络混合模型的预测结果的汇率量化策略模型，并且全面分析了汇率
实际交易成本的不同对于量化收益率的影响，发现基于小波-神经网络混合模
型的量化收益策略能够获得超额收益，但是实际量化收益率不仅受到模型预
测准确率的影响还受到交易成本的差异的影响；同时，研究结果也表明外汇
市场尚未达到弱有效。
关键字：汇率预测、神经网络、小波降噪、混合模型、量化策略

Abstract
This article adds a volatility analysis based on a neural network model. Since
April 30, the wavelet model and the neuron model have been merged to analyze the
Australian dollar, the euro, the Japanese yen, the Swiss franc, the Canadian dollar,
the British pound and New Zealand. We forecast the daily fluctuation using models
such as OLS, lasso, ridge linear model, ANN, LSTM, LSTM, bilateral LSTM
standard neural network model, and wavelet neural model. Compare online hybrid
models (W-ANN, W-LSTM, W-SLSTM and W-BLSTM), hybrid neural network
with linear models and simulated model accuracy, and use standard neural networks
to confirm the correctness of exchange rates forecast. The wavelet neural network
W-ANN, W-LSTM, W-SLSTM and W-BLSTM hybrid models have the lowest
purity at 8-digit exchange rates, 56.8%, 57.4%, 62.80% and 64.12% respectively.
Compared with 56.5% in the Petropoulos study (2017), the prediction has been
significantly improved. Among them, the accuracy of the W-BLSTM hybrid model
is most affected by the predictions of the Australian dollar, the euro, the Canadian
dollar and offshore RMB markets, and the British pound W-SLSTM hybrid version
approximately has higher accuracy in the following markets: Swiss francs and Japan.
Therefore, based on the mixed neural economic forecast of the mixed model and we
analyse the impact of real foreign exchange transactions, a quantitative policy model
is constructed, which can implement standard returns, but rate of return will not be
only affected by the accuracy. The model estimates will also be affected by the
difference in transaction costs. At the same time, our research shows that the foreign
exchange market is still weak and inefficient.
Keywords: Exchange Rate Prediction, Wavelet Analysis, Mixed model ,Neural
Network, Quantification
。。。以下略