1绪论
随着我国金融市场开放程度的不断提升和人民币国际化进程的稳步推进，外汇汇率的双向波动弹性显著增强，人民币的国际使用率不断提高。准确地预测外汇汇率走势，有利于提高政策制定的科学性，有利于企业决策，特别是有利于跨国企业汇率风险对冲，也有利于个人的投资决策。1.1节论述外汇汇率预测的背景与意义；1.2节概括本书的研究内容与研究框架；1.3节归纳本书的主要创新点与研究特色。
1.1研究背景与意义
1.1.1研究背景
随着全球经济一体化趋势的逐渐加强，国与国之间的经济贸易往来不断扩大，外汇汇率作为两种货币的相对价格，在维系两国或者多国经济贸易往来方面，起到非常重要的桥梁和枢纽作用（Mueller et al.，2017）。不论是国家或者多国联盟经济体，或是企业与个人，都与外汇汇率有着非常紧密的联系。对于一个国家来说，外汇汇率的变动不仅影响该国的资本流动、对外贸易和外汇储备等，还会影响到该国的商品进出口、国内就业、物价水平及居民的收人等（Goodman，1979；Engel，2016;丁志杰等，2018）。对于企业与个人来说，外汇汇率的小幅波动都可能会造成巨大的损失（Mitra et al.，2015）。因此，外汇汇率一直以来都是国际金融研究领域的一个重要课题和难题。自20世纪70年代布雷顿森林体系宣告崩溃，牙买加货币体系建立以来，浮动汇率制度成为世界上*主要的汇率制度。在浮动汇率制度下，外汇汇率波动日益加剧，这就使得各种投机者进行频繁的、巨额的投机活动而牟取暴利，这又进一步促使了外汇汇率的剧烈波动，导致国际投资与贸易风险剧增。因此，外汇汇率波动风险现已成为国际金融市场中重要的风险之一（Basher et al.，2016；Inoue et al.，2017；黄乃静和汪寿阳，2018；万義叶和陆静，2018）。数据显示，自2008年美国金融危机爆发以来，大多数国家的汇率波动幅度明显加剧，全球外汇市场的风险增大。例如，2000年1月至2007年12月，美元兑日元的方差为49.16，而2008年1月至2017年12月，美元兑日元的方差为187.51，是2000～2007年的3.81倍。
随着我国经济社会的快速发展，人民币汇率制度逐步完善。我国实行以市场供求为基础，参考一篮子货币进行调节，有管理的浮动汇率制度。且2014年以来，人民币对美元结束了单边升值态势，进人双向波动区间，人民币汇率波动性呈现出明显增强的趋势。2007年，中国首次超过美国成为全球*大的货物出口国之后，又在2013年首次超过美国成为全球*大的货物贸易国，当年中国的货物贸易进出口总额为4.16万亿美元，占到全球货物进出口总额的10.96%0。2015年11月30日，IMF宣布将人民币纳人SDR货币篮子，从2016年10月1日正式生效，成为可以自由使用的货币。2018年人民币跨境使用超过了10万亿元，超过了2017年全年水平，在整个跨境使用中，人民币占比已超过31%。SWIFT的数据显示，截至2018年7月，人民币在国际支付中占比2.04%，在国际支付货币中排名第5位。
目前，人民币在投资结算与跨境贸易中的规模逐步增大，越来越多的国家和地区认可并接受人民币，人民币的国际使用率显著提高，同时人民币汇率波动日益频繁且幅度日益加剧。作为全球外汇储备第一的国家，如何精准地预测外汇汇率波动，进而有效地规避外汇汇率风险是我国在新时代面临的重要难题之一。
1.1.2研究意义
外汇市场是一个典型的复杂动态系统，数据具有非线性、非平稳性、高波动性、突现性和不规则性等特征，其受到内外多种因素的共同作用。当前国际经济形势错综复杂，地缘政治冲突不断，导致外汇汇率的波动日益频繁，这就给理论研究与实证分析带来了新的挑战。
从外汇汇率数据本身来看，可以将其波动分解为不同因素（如投资者预期、突发事件、市场因素等）共同作用的结果，进而分别分析和预测这些不同因素对外汇汇率波动的具体影响。随着全球经济一体化和数字经济时代的到来，黑天鹅事件、灰犀牛事件等突发事件频发，不同类型的突发事件（如货币政策、汇率政策等）对外汇汇率波动造成的冲击程度及影响周期是不同的。为了准确预测外汇汇率的趋势，就必须基于外汇汇率数据自身波动的特征，进一步剖析不同类型的影响因素对外汇汇率的冲击，从而有利于准确把握外汇汇率运行机制特点及原理。因此，本书从多模态数据驱动建模角度来研究不同类型的影响因素对外汇汇率波动的影响，*后构建了一个多模态数据驱动综合集成外汇汇率预测方法，该方法对于精确地分析和预测外汇汇率趋势，具有非常重要的理论意义（Ban et al.，2016；Athanasopoulos and Hyndman，2011）。
本书从理论上提出了一个新的适用于复杂动态市场价格分析与预测的多模态数据驱动综合集成方法论。在该方法论的框架指导下，基于外汇市场的具体情况，首先，本书从多模态数据驱动建模角度出发，从汇率数据特点、汇率数据解构、投资者关注度和外汇新闻情感四个方面，提出了四个新的多模态数据驱动汇率预测方法：基于聚类的非线性集成学习的汇率预测方法、基于分解-聚类-集成学习的汇率预测方法、基于投资者关注度的集成深度学习汇率预测方法和基于在线外汇新闻情感挖掘的汇率预测方法。其次，在这四个新的汇率预测方法的基础上，利用EELM综合集成技术，构建了一个基于EELM的多模态数据驱动综合集成汇率预测方法，所提出的预测方法，有效提高了汇率预测精度，可以为国家的宏观决策机构、企业的投融资决策部门及广大的投资者提供科学的决策依据。
因此，如何科学有效地分析与预测外汇汇率变化，对于国家的政策制定机构、企业的投融资决策部门及广大的投资者都具有重大的理论和现实意义。
（1）外汇汇率预测对国家的意义。外汇汇率是一个国家非常重要的经济变量之一，外汇汇率的剧烈波动会对国家的社会经济产生不利的影响（Wangetal.，2016）。准确预测外汇汇率走势，有助于为汇率政策、利率政策等相关货币政策的制定与调整提供科学的依据；有助于引导国家对外投融资活动，如在投融资活动中规避外汇汇率波动造成的风险。
（2）外汇汇率预测对涉外企业的意义。随着国际贸易经济一体化的快速发展，如今越来越多的企业将市场拓展到国际范围内，这无疑提高了对企业投融资能力的要求。外汇汇率的波动可能会对企业的产品价格、成本及利润都产生很大的影响（Ghandar et al.，2016），如何选择合适的货币种类进行交易和国际结算是涉外企业经营面临的重要难题之一。因此，准确地分析与预测外汇汇率波动，有助于企业采取正确的措施，来对冲外汇汇率波动所带来的风险，从而避免企业遭受巨大的经济损失；有助于企业做出正确的投融资决策，赚取更多的利润。
（3）外汇汇率预测对商业银行的意义。在浮动汇率制度下，外汇汇率波动日益频繁且幅度很大，导致商业银行的资产负债结构发生变化，外汇相关的业务也会受到汇率波动的影响（Yang et al.，2017）。所以合理准确地分析与预测外汇汇率趋势，可以帮助商业银行利用衍生工具合理地规避汇率波动产生的风险，也可以提高商业银行自身的外汇汇率风险管理能力，提高其对外汇汇率波动的应变能力。
（4）外汇汇率预测对于个人的意义。如今，外汇汇率的变化已经与每个人的生活息息相关（Caraiani，2017）。个人的投资组合、出国旅游、海购、留学成本都会受到外汇汇率波动的影响。
总而言之，外汇汇率预测研究，不仅对个人生活、银行和企业的风险管理具有重要的影响，而且外汇汇率的波动也会影响一个国家宏观经济变量，如消费者物价水平、国际收支、国内就业、国内生产总值、经济增长水平等。显然，外汇汇率作为重要的经济指标，对一个国家宏观经济运行和微观经济活动都具有非常重要的调节作用。因此，外汇汇率预测研究具有广泛的社会经济效益，对于国民经济的正常运行有着非常重要的意义。
1.2研究内容与研究框架
本书的主要研究内容与研究框架结构安排如下。
第1章：绪论。该章主要介绍外汇汇率预测研究的背景与意义，并在此基础上介绍本书的研究内容与研究框架，以及本书的主要创新点与研究特色。
第2章：国内外研究现状。对目前国内外学者的相关研究从三方面进行了总结与评述：首先，对汇率预测研究的现状、影响汇率波动的主要因素及汇率预测研究方法做了一个比较全面的总结与评述；其次，对现有基于互联网搜索数据的预测研究论文进行了总结；*后，对基于情感分析的金融预测研究的相关文献进行了梳理归纳。
基于外汇市场的具体特征，本书从多模态数据驱动建模角度出发，从汇率数据特点、汇率数据解构、投资者关注度和外汇新闻情感四个方面，在第3～6章分别提出了四个新的多模态数据驱动汇率预测方法：基于聚类的非线性集成学习的汇率预测方法、基于分解-聚类-集成学习的汇率预测方法、基于投资者关注度的集成深度学习汇率预测方法和基于在线外汇新闻情感挖掘的汇率预测方法。
第3章：基于聚类的非线性集成学习的汇率预测方法。该章在非线性集成学习方法基础上使用不同的预测方法，构建了一个基于SOM-KELM的非线性集成学习的汇率预测模型，四个主要的外汇汇率预测的结果表明所提出的基于SOM-KELM的非线性集成学习汇率预测方法在水平预测性能和方向预测中都取得了很好的预测效果。
第4章：基于分解-聚类-集成学习的汇率预测方法。该章主要介绍了分解-聚类-集成学习方法的总体框架，并基于该框架构建了一个EEMD-LSSVR-K的分解-聚类-集成学习的汇率预测方法，并将该方法应用在四个主要的外汇汇率预测中，预测结果表明基于分解-聚类-集成学习的汇率预测方法的预测精度显著地优于分解-集成方法和传统的单模型的预测精度。
第5章：投资者关注度与汇率预测一基于集成深度学习方法。本章主要从行为金融学理论出发，采用互联网搜索数据和外汇市场技术分析指标作为投资者关注度的代理变量，探究了投资者关注度是否可以用来预测外汇汇率的趋势。具体的，本章利用深度学习、特征工程技术和集成学习方法的优势，提出了一种基于集成深度学习的预测框架，并通过此框架构建了一个融合Bagging集成学习、SAE和LSTM的基于B-SALS的集成深度学习的汇率预测方法。该章所提出的B-SALS集成深度学习在美元兑人民币汇率的趋势预测取得了很好的预测能力。
第6章：基于在线外汇新闻情感挖掘的汇率预测方法。本章结合自然语言处理技术和深度学习方法的优势，构建了一个基于在线外汇新闻情感挖掘的汇率预测方法。该方法首先，提出了一种快速构造面向外汇市场情感词典方法，并利用该方法扩充外汇情感词典，在扩展的外汇情感词典基础上计算外汇新闻情感极性分数；其次，对新闻情感极性分数和美元兑人民币汇率数据之间的格兰杰因果关系与协整关系进行计算；*后，使用新闻情感极性分数和其他金融数据为预测数据，采用LSTM对美元兑人民币汇率的走势进行预测。
第7章：基于多模态数据驱动综合集成方法论的汇率预测方法。本章针对复杂动态市场价格分析与预测的问题提出了一个多模态数据驱动综合集成方法论，该方法论包括多模态数据提取模块、多模态数据驱动建模模块和综合集成模块。在该方法论框架指导下，基于外汇市场基本情况，使用EELM，将基于聚类的非线性集成学习的汇率预测方法、基于分解-聚类-集成学习的汇率预测方法、基于投资者关注度的集成深度学习汇率预测方法和基于在线外汇新闻情感挖掘的汇率预测方法进行非线性综合集成，构建了一个基于EELM的多模态数据驱动综合集成汇率预测方法，该方法在美元兑人民币汇率的预测与交易中，得到了较高的预测精度与年化回报率。
为了便于从总体上了解本书的写作思路与结构，图1.1给出了本书写作的具体框架结构图
2国内外研究现状
本章主要对汇率预测研究领域、基于网络搜索数据的预测研究领域和基于情感分析的金融预测研究领域
展开
