基于新闻情感分析和区间分解的汇率预测研究OACSTPCD

汇率序列具有非线性和连续变化等特点,其细节波动是一系列事件和新闻综合影响的结果.然而,现有区间预测模型难以量化重大事件和公众情绪的影响,导致其缺乏广泛的适用性,且传统区间分解方法存在上下界混叠的缺陷.因此,论文从新冠疫情冲击出发,提出一种基于新闻情感分析和区间分解的汇率波动实时预测模型.首先,基于Snownlp情感词典对外汇新闻文本进行情感分析,获得相应的情感分数.另外,构建全球恐惧指数(the global fear index,简称GFI)以量化新冠疫情的影响,并将其与芝加哥期权交易所波动率(the Chicago board options exchange volatility index,简称VIX指数)相结合作为汇率的影响因素.然后,提出一种新的区间经验模态分解(interval empirical mode decomposition,简称IEMD)方法对区间汇率序列进行多尺度分解,并根据样本熵重构得到高、中、低频区间序列和残差项.其次,利用极限学习机(extreme learning machine,简称ELM)、多层感知机(multi-layer perceptron,简称MLP)、随机森林(random forest,简称RF)和二次曲面支持向量回归(quadric surface support vector regression,简称QSSVR)分别对不同特征的子序列进行组合预测,以提高预测结果的准确性和稳定性.最后,利用论文方法对美元兑人民币、澳元兑人民币和瑞士法郎兑人民币3种汇率进行实证预测分析,结果表明,论文模型适用于重大事件影响下的汇率区间波动预测,与现有方法相比具有较高的预测精度.