本报告提出创新的IUS框架,融合了新闻文本的情感极性评分和汇率变动分类文本特征与结构化金融指标,通过因果驱动特征生成器提取特征,再以Optuna优化的Bi-LSTM模型进行EUR/USD汇率预测。实验证明该方法显著优于传统模型,MAE降低10.69%,RMSE降低9.56%,且结合结构化与非结构化数据的融合提升了预测准确性,特征选择优化亦提高了模型表现,为汇率预测提供了多源信息集成的新思路 .
提出IUS框架整合非结构化文本数据与结构化金融指标,利用ChatGPT-4.0清洗、注释新闻文本获得情感极性分数及次日汇率涨跌标注,通过微调RoBERTa-Large模型生成文本特征,并提取相关经济与金融市场指标形成定量特征,最终输入因果驱动特征生成器,提升特征表达能力 .
利用RoBERTa-Large模型的多头自注意力机制捕捉文本中长距离依赖,结合情感极性评分模块(SPSM)和汇率变动分类模块(MCM),扩展模型结构分别完成情感回归和汇率走势分类任务,训练时使用MSE和交叉熵损失函数优化 .
金融指标充分涵盖多个汇率、利率、期货、债券收益率和股指,使用线性插值法处理缺失值,指标体系详见表1,表明广泛考虑宏观经济与市场因素在汇率预测中的重要性 .
| 分类 | 指标名称 |
|---|---|
| 目标序列 | EUR/USD汇率 |
| 美元相关汇率 | USD/CAD, USD/MXN等 |
| 欧元相关汇率 | EUR/CNY, EUR/GBP等 |
| 货币指数 | 美元指数, 欧元指数 |
| 期货商品 | 原油WTI期货, 黄金期货等 |
| 债券收益率 | 美国10年期, 欧元区10年期等 |
| 银行间拆借利率 | SOFR, EURIBOR |
| 股指及股指期货 | 道琼斯, 标普500, 欧元斯托克50等 |
| 波动率指数 | VIX |
Causality-Driven Feature Generator基于文本来源分类(新闻、分析报告)和主题聚类(LDA模型),将情感与汇率运动特征转换为结构化特征矩阵,然后通过平均池化提取多种特征向量,最后融合文本和财务特征,采用VAR模型确定最佳滞后期并利用随机森林递归特征消除法(RFE)进行特征选择,最终选择43个关键特征输入模型 .
采用双向长短期记忆(Bi-LSTM)模型结合Optuna超参数优化提升预测能力,主要超参数空间包括隐藏层大小、全连接层大小、dropout比率、学习率、批次大小与窗口大小,最终模型能够捕捉序列中双向依赖信息 .
训练集覆盖2017.2.6至2022.4.4,预测集为2022.4.4至2024.1.19,严格避免数据泄漏。模型预测表现以均绝对误差MAE和均方根误差RMSE衡量 .
预测结果显示Optuna-Bi-LSTM模型在所有对比模型中表现最佳,MAE最低为0.003746,RMSE最低为0.004982,比次优模型分别提升10.69%和9.56%。预测曲线更贴近实际汇率走势,充分展示模型优越性 .
| 模型组别 | 模型名称 | MAE | RMSE | 排名 |
|---|---|---|---|---|
| 深度学习多变量 | Optuna-Bi-LSTM | 0.003746 | 0.004982 | 1 |
| 深度学习多变量 | Bi-LSTM | 0.004511 | 0.005814 | 4 |
| 其他机器学习多变量 | Random Forest | 0.005471 | 0.007672 | 7 |
| 统计单变量 | GARCH | 0.004282 | 0.005695 | 2 |
对比Diebold-Mariano (DM)检验结果显示,LSTM模型整体领先,但Optuna-Bi-LSTM紧随其后,反映其预测性能稳定且具备竞争力 .
窗口大小分析表明,窗口大小为3时,预测模型MAE和RMSE表现最优,窗口过大导致表现下降,体现了时间序列局部信息的重要性 .
消融实验揭示,仅使用文本特征预测表现较弱;仅用前12个最重要经济金融特征表现较好;结合二者(共43特征)效果最佳,说明文本特征与结构化数据互补,融合提高准确性 .
| 特征组合 | MAE | RMSE | 相较仅金融特征MAE提升 | 相较仅金融特征RMSE提升 |
|---|---|---|---|---|
| 仅文本特征 (31) | 0.025406 | 0.029987 | - | - |
| 仅金融特征 (12) | 0.004270 | 0.005502 | - | - |
| 文本+金融特征 (43) | 0.003746 | 0.004982 | 12.27% | 9.45% |
进一步细化文本特征子集比较,基于情感极性评分及来源分类的特征效果最好,基于运动分类及LDA主题聚类的特征表现稍弱且可能引入噪声,更多特征并不一定带来更优效果 .
递归特征消除测试显示,结合31个文本特征与12个重要财务特征时MAE和RMSE达到最小值,特征数量过多引入噪声反而降低表现 .
核心论点与目标:
该报告提出了一个名为IUS(Integration of Unstructured and Structured data)的全新预测框架,通过融合非结构化的文本数据(新闻、分析文本)和结构化的金融指标与汇率数据,辅以大型语言模型对文本的情感极性分析及汇率走势分类,进而利用一种基于Optuna优化的双向长短期记忆网络(Bi-LSTM)模型预测EUR/USD汇率。实验证明,该模型在预测准确度上显著优于传统基准模型,均方绝对误差(MAE)降低10.69%,均方根误差(RMSE)降低9.56%。此外,结果也显示融合非结构化和结构化数据的优势,以及通过递归特征消除(Recursive Feature Elimination, RFE)选出的12个重要量化特征与31个文本特征组合最优。报告主旨强调多源数据融合为汇率预测提供了有效提升手段。,1]
报告开篇指出EUR/USD汇率作为全球金融市场标志性的经济指标,其准确预测对投资者、跨国企业及政策制定者极为关键。传统模型依赖宏观经济指标和历史数据,但因数据发布时间滞和表达的线性假设,难以捕捉汇率波动的非线性与实时性。政治事件、国际危机等非结构化信息对汇率同样有巨大影响,然而这些数据处理难度大,且传统情感分析模型很难精准评价双货币相关文本的复杂语义。
动机部分强调,传统情感分析主要关注简短文本(新闻标题、推文),忽略了长文本中的丰富信息与语境,且基于词典的方法难以跟进金融市场特定的词汇变化和数字变化的差异性(例如0.005%与50%增幅的市场影响迥异)。此外,汇率市场与传统市场的情感影响存在根本差异,涉及双边正负消息的零和关系,使得判别与分析更为复杂(图1展示此差异)。因应此问题,本研究充分利用大型语言模型(LLMs)捕获长距离依赖与复杂语义,提升情感极性判断的准确性,尤其具备对数字信息差异敏感的能力。,2,3]
报告系统性回顾了汇率预测领域的文献,涵盖:
这些文献显示引入外部文本信息和深度学习能显著改善预测表现,但仍存在文本噪声大、语义复杂且情感细粒度难以判别的挑战。
核心框架分为五部分:
包含多类别金融指标,例如目标汇率本身、主要贸易伙伴国家汇率、货币指数、货币期货、原油及其他商品期货、债券收益率、银行间拆借利率、股票指数及其期货、期权隐含波动率指数等(详见表1,共32类指标组成多维数据),且对缺失值采用线性插值补全,确保特征时间序列完整。
数据集划分:
评价指标:
性能:Optuna-Bi-LSTM在MAE和RMSE上均领先所有对比模型。
趋势拟合:Optuna-Bi-LSTM预测曲线与实际汇率走势极为接近,趋势捕捉能力强(图12)。
Diebold-Mariano检验:尽管LSTM排名第一,Optuna-Bi-LSTM位列第二,两者均显著优于其他模型。GRU表现最差。
窗口大小影响:最佳窗口大小为3,窗口过大降低模型性能,表明显著短期依赖为预测提供最强信号(图13)。
报告未标注估值分析章节,本质为汇率时间序列预测,不涉及传统公司估值方法。模型实际通过多源特征学习非线性时序模式,输出下一个交易日汇率预测值。
报告未设专门风控章节,但可推断潜在风险包括:
本文提出的IUS框架创新性地将多源数据(结构化汇率金融指标与非结构化文本情绪与走势分类特征)融合,结合强大的大型语言模型RoBERTa微调产生精准文本表征,通过因果驱动特征生成器构造丰富特征空间,并应用优化的Bi-LSTM深度时序模型进行预测。实证阶段,该方法在EUR/USD汇率预测任务中表现出显著优势,均方绝对误差与均方根误差相较传统模型下降均超9%。
图表分析支持,该框架有效解决了文本语义复杂性、双货币情感零和关系、长文本依赖等挑战,体现了文本与结构化数据互补性。参数敏感性分析进一步确认短滑动窗口及合理特征数量为性能保证。消融实验突出显示文本数据虽单独效果有限,但与金融指标结合可带来超过10%的预测提升,验证了多源融合的有效性。
虽然DM检验结果中LSTM表现优于Optuna-Bi-LSTM,提示后者在统计显著性层面可能存在争议,但整体结果仍显示深度融合策略相较传统基准有明显优势。
综上所述,本报告提供了一个创新而切实可行的汇率预测技术方案,结合语言智能与深度学习,成功推动了汇率预测领域的技术进步和模型应用价值。其框架设计和方法论为未来多模态金融时间序列预测研究提供了重要借鉴和参考。
此为本次EUR/USD汇率预测研究报告的详尽深度解读,涵盖理论方法、技术实现、实验验证、图表解析及综合判断,满载专业洞察和细节,供金融分析、数据科学及相关学术研发人员参考使用。
2408.13214.pdf