基于遗传算法的BP神经网络在汇率预测中的应用

法 。
ＧＡ优 化使用 ＧＡ来 优 化 ＢＰ的权重 和 阈值 。群体 中的每个 个 体
１基 于 遗传 算法 的 ＢＰ神 经 网络
都包含网络的所有权重和阈值 。通过适应度函数计算个体的适
ＢＰ （Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）于 二 十 世 纪 八 十 年 代 中 期 由 以 合度值。ＧＡ通过选择 ，交叉和变异操作找到对应于最佳适合度
２０１８年 ３月 ６号美元 ／人 民币汇率作为研究数据 。结果表明基于遗传算法的 ＢＰ神经网络在 汇率预测方面具有比单个神经网络
更 精确 的 预测 结 果。
关键词 ：汇率预测；ＢＰ神经 网络 ；遗传算法
中图分 类 号 ：Ｆ２２４，ＴＰｌ８
文 献标 识码 ：Ａ
文章 编 号 ：２０９６—４３９０｛２０１９）０３—０１００—０２
数字 的方 式 。功能 实现 模块 化 ，不 同的节 点实 现不 同 的功 能 ，这
样使 用用 户就 简 化 了系统 的设 计 和实 现 。
结束 语
基于 工业 以太 网 的优 势 ，取代 传统 的工 业 技术 已经成 为 必
然 的方 向 ，工 业 以 太 网 ，依 靠 其 传 输 速 率 快 ，兼 容 性 好 、资 源 共
Ｒｕｍｅｌｈａｒｔ和 ＭｃＣｅｌｌａｎｄ为 首 的科学 小组 提 出 ，它 是 一种 多 层前 值 的个 体 。ＢＰ预 测 部分 预测 由 ＧＡ获得 的最 佳个 体 以分 配 网络
馈 网络 ，它 最核 心 的 内容是 按照 误差 反 向传 播算 法训 练 ，是 目前 的初始 权重 和 阈值 ，并 且 网络 在训 练之 后 预测 功能 输 出。算 法
这将有助于他们为未来设计更好的货币政策。对大型跨 国公司 期望值 。ＢＰ网络可以学习和存贮大量的输入 一输出模式的映射
而言 ，如果能够准确预测货币汇率 ，公司的整体盈利能力将大大 关系，而并不需要提前知道描述这种映射关系的数学表达式。
提 高 。因 此 ，外汇 预测 已成 为国 际金 融研 究人 员 和从业 人 员 的 基于遗传算 法（ＧＡ）优化 的 ＢＰ神经 网络 （ＧＡ—ＢＰ）分为 ＢＰ
全，满足工业环境中的可靠性 和实时性 的要求。工业控制以太 【Ｍ】．北京：航 空航 天 大 学 出版 社，２０１０．
网遵循开放标准的网络协议 ，从发展。实践证 明只有坚持开
发标 准 的 网络 协议 才 能 扩大 现 有 的 市场 开 拓 未有 的 领 域 ，赢 得
享能为强等优点 ，受到 了各大工业 自动化公司的青睐。 目前随
着快 速 以 太 网技 术 的发 展 ，百 兆 及 千 兆 从 太 网 技 术 的成 熟 ，
在工 业控 制 网络 中 ，已 经在 控 制 层 与信 息 层 占据 着 主 导 的地 位
了，相信在不久的将来 ，工业 以太网必将取代传统的现场总线
主要 研究 之一 。而神 经 网络 由于 具有 分 布存储 性 、容 错性 、自学 结构确定 ，ＧＡ优化 和 ＢＰ预测。 ＢＰ结构确定部分根据输入和
习型 和 自适 应性 等 的特 点 ，成 为汇 率 预测 领 域 应用 最 广 泛 的方 输 出参数确定 ＢＰ的结构 ，并进一步确定遗传算法个体的长度 。
应用最广泛的神经网络模型之一 。在 ＢＰ网络的正向传递 中，数 流程 图如 图 １所 示 。
据 从输 入 层经 隐 含层 逐层 处 理 ，直至 输 出层 。每一 层 的神 经元
（转 下页 ）
结构 ，可以省去高额 的基础组件费用。使用工业控制以太网能
参 考文 献
够使工业控制在完成监控任务的同时 ，保障设备和人员 的安 【ｌ】郇极 ．工业 以 太 网现 场 总线 ＥｔｈｅｒＣＡＴ驱 动程序 设 计 及 应 用
随着 全球 化 的迅 速发 展 和 国际 贸易 激烈 竞争 的加剧 ，汇率 状态只影响下一层神经元状态 。如果输出层的结果并不符合网
对 政 府 和企业 的影响 正在 加 强 。对政 府 而言 ，通 过更好 地 了解 络预期 ，就会转入反向传播 ，根据预测值与期望值之间的误差来
汇率变动 ，政策制定者将能够提取有关经济和金融的相关信息， 调整网络的权值和阈值 ，从而使 ＢＰ网络 的预测输 出不断接近
一 １００一 科 学技 术创 新 ２０１９．０３
基于遗传算法的 ＢＰ神经网络在汇率预测中的应用
鱼 丹 （兰 州交通 大 学 ，甘 肃 兰州 ７３００７０）
摘 要 ：汇率 预测 是金 融 领域 最 具挑 战性 的研 究课 题 之 一。本 文将 几种 神 经 网络 用 于汇 率预 测 ，选取 从 ２０１０年 ６月 ３Ｏ到
更多 的用户 。使用工业控制 以太网 ，在 网络控制 中的节点和结
构可 根 据生 产 、改造 和 维 护 的要 求 ，方 便 的 进行 扩 展 和 重构 ，为
使用用户节省人力物力资源。工业控制 以太 网使用全数字化通
信 ，模 拟 量 由本 身 进行 数 字量 化 ，网络 上 传 递 的信 息 全 部 采 用
通 信 方 式 ，成 为 主 流 的工 业 控 制 通 信 网络 ，真 正 的 实 现 一 网 到
底 的理念 。
２ 汇率 预测 ２．１数据 选择 选 取 从 ２０１０年 ６月 ３０到 ２０１８ 年 ３月 ６号美元 ／人 民币汇率作为研 究数 据 。 ２．２构 造样 本训 练 在使用神经网络模 型之前 ，首先 要对 数 据 进行 预 处理 ，本 文使 用 滑 动 算 法来 对数 据 进行 处 理 ，即用前 两 个 交 易 日来进 行第 三个 交易 日的预 测 。 ２．３ 汇率 预测 为 了更 清 晰 的展 示 本 文 所 提 出 的神 经 网络 在 汇率 预 测 方 面 的 优 劣 性 ，本 节 不 仅展 示 了 ＧＡ—ＢＰ的预 测 结果 ，同时展示 了四个简单的神经 网 络模 型 的预测结 果 ，预测 误 差 如表 ｌ 所 示 ，可 以清楚 的 看到 不 管是 以 ＭＳＥ 为评 价标 准 ，还 是 以 ＭＡＥ，ＭＡＰＥ为 评 价标 准 ，ＧＡ—ＢＰ的误 差 结果 都 是最 小 ，因 此 ，我 们 可 以得 出结 论 ，ＧＡ—ＢＰ 的预测 结 果在 ５个模 型 中是 最好 的 。