Forecasting exchange rates using feedforward and recurrent neural networks
使用前馈与循环神经网络预测汇率AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究汇率时间序列的样本外预测，并与随机游走模型比较。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
使用前馈与循环神经网络预测汇率
- 研究问题
- 前馈和循环神经网络能否提高汇率的样本外预测表现，如何选择网络结构，并与随机游走预测基准比较？
- 方法与思路
- 作者提出两步程序，先依据预测随机复杂度准则选择网络，再使用递归Newton算法和非线性最小二乘法估计。
- 材料陈述的贡献
- 摘要称，对部分汇率序列，某些选定网络具有显著择时能力，或相较随机游走具有显著更低的样本外均方预测误差。
- 阅读关注点
- 应核对汇率序列与预测期、训练和测试划分、网络选择是否使用测试信息，以及预测比较的显著性检验。
- 阅读边界
- 仅据所给Crossref摘要，结论限于部分序列与网络；未说明误差降幅、交易成本或稳健性，不能推广为普遍预测优势。
原文摘要
Abstract In this paper we investigate the out‐of‐sample forecasting ability of feedforward and recurrent neural networks based on empirical foreign exchange rate data. A two‐step procedure is proposed to construct suitable networks, in which networks are selected based on the predictive stochastic complexity (PSC) criterion, and the selected networks are estimated using both recursive Newton algorithms and the method of nonlinear least squares. Our results show that PSC is a sensible criterion for selecting networks and for certain exchange rate series, some selected network models have significant market timing ability and/or significantly lower out‐of‐sample mean squared prediction error relative to the random walk model.