《Scientific African》:Exchange Rate Forecasting in Post-Subsidy Nigeria: A Hybrid Approach Using Asymmetric Jump Diffusion and Deep Learning
编辑推荐:
在补贴政策取消后的尼日利亚时代,尼日利亚汇率出现的快速、非线性-非对称跳跃、长期依赖性和混沌性价格波动,对现有传统单变量自回归积分滑动平均模型(ARIMA)和广义自回归条件异方差模型(GARCH)的预测能力提出了日益严峻的挑战。为填补现有研究空白,本研究融合了
在补贴政策取消后的尼日利亚时代,尼日利亚汇率出现的快速、非线性-非对称跳跃、长期依赖性和混沌性价格波动,对现有传统单变量自回归积分滑动平均模型(ARIMA)和广义自回归条件异方差模型(GARCH)的预测能力提出了日益严峻的挑战。为填补现有研究空白,本研究融合了一个用于建模非对称跳跃的非对称跳跃扩散模型(AJD)与基于长短期记忆网络(LSTM)和循环神经网络(RNN)的深度学习方法,以捕捉补贴前后时代尼日利亚汇率数据中隐藏的非线性模式。研究所用数据为尼日利亚奈拉对主要货币(美元、英镑和欧元)的日汇率值,时间范围为1995年7月11日至2025年5月9日。补贴前后的时期分别界定为1995年7月11日至2023年5月29日,以及2023年5月30日至2025年5月9日。基于所得结果,混合非对称跳跃扩散深度学习模型在准确性和稳健性方面均优于传统预测模型。其中,市场跳跃成分由AJD组件捕捉,长期模式则由LSTM模型捕捉。长短期记忆网络和循环神经网络模型在补贴前时期表现卓越,但在补贴后时期则显示出显著的性能退化。误差度量显著增加,反映了它们在应对补贴政策变更所带来的不稳定性时的挣扎程度。仅有两种混合模型展现出可接受的适应性:AJD?+?RNN和LSTM?+?RNN,它们在2023年5月29日之后给出了相对较低的均方误差,分别为0.0234和0.0153。本研究的分析结果为政策制定者、企业和金融分析师提供了一种更为可靠的汇率预测工具。
论文主体部分解读如下:
在补贴政策取消后的尼日利亚,汇率预测面临着前所未有的复杂性与挑战。传统的经济理论与预测模型在面对由补贴政策突变引发的非线性、高波动性市场环境时往往显得力不从心。尼日利亚中央银行(CBN)为消除外汇市场腐败并吸引外资,于2023年5月29日实施了取消燃油补贴与统一汇率的重大政策改革。这一变革导致奈拉急剧贬值、进口商品价格上涨,并使得外汇市场呈现出前所未有的波动性、不确定性和混沌性特征。这种由宏观政策驱动的结构性突变,对包括购买力平价(PPP)方法和ARIMA-GARCH模型在内的传统预测工具构成了严峻考验,亟需发展更为可靠和灵活的预测框架以应对这一动态变化的情景。
研究人员提出并应用了一种融合非对称跳跃扩散(AJD)模型与深度学习(DL)技术的混合模型框架,旨在提升补贴政策取消后尼日利亚汇率的预测精度与整体有效性。AJD模型擅长捕捉金融市场中由突发性事件(如政策变更)引起的离散跳跃波动,而深度学习中的长短期记忆网络(LSTM)和循环神经网络(RNN)则能够有效解析时间序列数据中复杂的长期依赖关系和非线性模式。研究使用了来自彭博、路透和Investing.com等权威金融网站的1995年7月至2025年5月的尼日利亚奈拉对美元(USD)、英镑(GBP)和欧元(EUR)的日度次级数据。研究期被划分为补贴前(1995年7月11日至2023年5月29日)和补贴后(2023年5月30日至2025年5月9日)两个阶段,以评估不同市场环境下的模型表现。研究采用实验性方法,基于历史汇率数据进行预测建模,并利用均方误差(MSE)和平均绝对误差(MAE)等指标对包括单独模型(AJD、LSTM、RNN)及混合模型(AJD+LSTM、AJD+RNN、LSTM+RNN)在内的多种模型进行评估。
研究结果首先通过描述性统计分析证实了政策变更前后的市场环境存在显著差异。补贴后时期,美元/奈拉、欧元/奈拉和英镑/奈拉的汇率均值大幅上升,波动性(标准差)显著增加,收益率分布呈现高度尖峰肥尾和正偏特征,与正态分布严重偏离。这表明政策改革引发了市场结构的断裂和汇率动态的根本性变化。
针对各货币对的建模性能评估显示,在补贴前的相对稳定时期,以LSTM和RNN为代表的机器学习模型表现出色,预测误差极低。然而,补贴政策实施后,这些单独模型的预测性能急剧恶化,MSE和MAE值飙升数个数量级,凸显其在面对重大结构性突变时的脆弱性。传统的AJD模型虽然在捕捉市场跳跃行为和收益率分布的统计特征方面提供了有价值的见解,但其直接的回归预测精度通常不如机器学习模型。值得注意的是,混合模型在政策冲击后展现出了更强的适应性。特别是AJD+RNN和LSTM+RNN这两种混合模型,在补贴后时期仍能保持相对较低的预测误差(例如,在美元/奈拉对中,AJD+RNN的MSE为0.00335,LSTM+RNN的MSE为0.00731;在欧元/奈拉对中,二者分别为0.0226和0.0153),其表现明显优于单独的AJD、LSTM或RNN模型。这些混合架构通过结合AJD对跳跃风险的建模能力与深度学习网络对时间序列模式的捕捉能力,更好地适应了补贴后市场更高的波动性和不确定性。相比之下,AJD+LSTM混合模型虽然在补贴前表现良好,但在补贴后时期性能也出现下滑,甚至可能出现了过拟合。
总体而言,研究结论部分明确指出:对比研究清晰地揭示了模型性能、稳定性及对经济冲击适应性的趋势。机器学习模型在稳定市场环境中预测能力卓越,但其有效性在宏观经济政策发生突变时会受到严重制约。相反,混合模型,尤其是将时间序列学习技术与特定领域金融动力学相结合的AJD+RNN和LSTM+RNN混合模型,在应对冲击时始终能保持更高的预测准确性和稳健性。这项分析强调了在高度动态和政策敏感的外汇市场中,建立适应性强且灵活的预测框架的必要性。