摘要：隨著人民幣匯率市場化程度不斷提高,其波動程度也不斷增大,對人民幣的預(yù)測顯得越來越重要。近幾年來,人工智能在許多領(lǐng)域都取得了巨大的成功,證明了自身的優(yōu)越性,作為其主要組成部分的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型已經(jīng)逐漸被引入金融資產(chǎn)價格的預(yù)測研究中。本文將原本僅適用于二值型數(shù)據(jù)的Adaboost算法進行了優(yōu)化,使其也能適應(yīng)連續(xù)型數(shù)據(jù),并用其確定混合模型的權(quán)重,解決了過往大多數(shù)研究中混合模型權(quán)重設(shè)定較為主觀和隨意的問題。在此基礎(chǔ)上,本文融合了廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)撞長預(yù)測趨勢因素,而誤差反傳神經(jīng)網(wǎng)絡(luò)(BPNN)擅長預(yù)測隨機因素的優(yōu)點,組成了比單一神經(jīng)網(wǎng)絡(luò)模型更為強大的GR_BP_Adaboost強預(yù)測模型。最后,以均方誤差(MSE)、平均絕對誤差(MAE)和DM檢驗為標準,將GR_BP_Adaboost模型對人民幣匯率的預(yù)測結(jié)果與傳統(tǒng)的ARMA、ARCH和GARCH模型進行了對比,所有結(jié)果均表明GR_BP_Adaboost強預(yù)測模型的預(yù)測能力顯著優(yōu)于其他模型,說明人工智能預(yù)測技術(shù)相較于傳統(tǒng)方法具有較大優(yōu)勢,也說明匯率市場不是弱式有效。