随机游走

比较金融市场预测绩效的基础就是随机游走方法。

随机游走模型是由英国统计学家Kendall创立的。

Bachelier Fama和Samuelson在他们的研究中提出随机游走的假设已经在描述金融价格序列的研究中扮演很重要的角色。

在本模型中，时间序列上每一个点都会随机地游离现在的位置，产生的模型为
Yt=Yt-1+et, 其中Yt为t时间的预测值，et为预测误差。

随机游走从它的初始值开始游离但是却没表现出特定的方向或趋势。

已有很多研究表明外汇汇率包含单位根，支持随机游走假设。

此时，随机游走模型可以表示为St=St-1+et或者为Claudia Lawrence指出外汇汇率存在一个基础汇率，未来的汇率在基础汇率水平上下游离，在模拟实验中通过了单位根检验。

Richard Meese, Kenneth Rogoff表明即期汇率的对数形式近似服从随机游走，而且外汇时间序列中的任何序列相关在长期会消失。

这篇文章同时指出无论是短期还是长期预测随机游走都战胜了结构模型。

很多研究也如将随机游走模型作为汇率预测绩效的参照。

唐小我指出短期外汇市场是有效的，从而随机游走模型是最佳的短期汇率预测模型，而随着期限增加外汇市场效率降低，随机游走模型效率下降，组合模型的优势渐渐体现。

Lutz Kilian, Mark Taylor （2002）指出传统理论建立的模型不能战胜随机游走的原因有两个：一个是理论非线性和模型线性之间的冲突，另一个是理论符合的情形只在长期或短期内成立，理论模型不能在长期和短期都战胜随机游走。

他们利用ESTAR模型（非线性）与随机游走比较，发现对2-3年的预测理论模型表现更好，而在更短的时间内随机游走预测得更好。

近几年也有很多研究将主要研究的预测模型与随机游走模型进行比较，且出现了不同的比较结果。

张一，惠晓峰（2012）将奇异谱分析和随机游走模型进行比较，结果表明该方法由于随机游走模型。

熊志斌（2011）建立了ARIMA融合NN(神经网络）模型的人民币汇率时间序列预测模型，并且通过仿真实验表明融合模型的预测准确率显著高于随机游走模型。

参考文献
∙汇率的组合预测模型及应用唐小我
短期外汇市场是有效的，从而随机游走模型是最佳的短期汇率预测模型，而随着期限增加外汇市场效率降低，随机游走模型效率降低。

∙Explaining exchange rate volatility with a genentic algorithm, Lawrence 文章指出外汇汇率存在一个基础汇率，作为未来汇率发展的
∙基于奇异谱分析的汇率预测研究，张一，惠晓峰，《统计与决策》2012年第6期。

∙ARIMA融合神经网络的人民币汇率预测模型研究熊志斌，《数量经济技术经济研究》2011第6期P64-76。