考慮美元人民幣匯率影響的企業(yè)債收益預(yù)測研究

周穎

摘 要：匯率變動對我國金融市場具有不可忽視的影響力。因此，首先對上證企債指數(shù)進(jìn)行主成分分析，篩選出最具代表性的特征值，根據(jù)特征值構(gòu)建企債收益指標(biāo)，在考慮美元人民幣匯率影響的基礎(chǔ)上，建立LSTM的預(yù)測模型，研究企債收益的規(guī)律，并對未來60個交易日的企債對數(shù)指數(shù)收益率進(jìn)行仿真預(yù)測。希望研究結(jié)果可以為廣大企債投資者做投資買賣決策時提供重要的參考依據(jù)。

關(guān)鍵詞：收益預(yù)測;上證企債指數(shù);匯率;LSTM

中圖分類號：F822;TP21 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ?文章編號：1673-291X（2019）17-0149-03

一、背景描述

近年來，經(jīng)濟(jì)全球化與信息科技的步伐不斷加快，經(jīng)濟(jì)金融界對股票、外匯、債券和黃金等資產(chǎn)的投資與收益都進(jìn)行了非常廣泛研究，但學(xué)界對交易債券尤其是企業(yè)債券的研究卻寥寥無幾。債券是政府、金融機(jī)構(gòu)、工商企業(yè)等機(jī)構(gòu)直接向社會借債籌措資金時向投資者發(fā)行的，承諾按一定利率支付利息并按約定條件償還本金的債權(quán)、債務(wù)憑證[1]。企業(yè)債券是有企業(yè)依照法定程序發(fā)行的有價債券，它是企業(yè)融資不可或缺的手段，也是金融市場上的重要金融工具之一。中國債券市場發(fā)展有其特殊規(guī)律，自2009年以來，交易所企業(yè)債發(fā)行、交易規(guī)模持續(xù)快速增長，已成為多層次資本市場的重要部分。

關(guān)于企債市場的波動性，在國外研究中，Vasilik D.Skintzi和Apostolos N.Refenes（2006）研究表明，整個歐洲版塊的債券市場甚至是美國債券市場都對歐洲地區(qū)每個國家的債券市場存在波動溢出效應(yīng)，這說明各國經(jīng)濟(jì)市場是有交叉聯(lián)系的[2]。Branson和Frankel（1983）從宏觀層面入手分析匯率與股票價格之間的關(guān)系[3]。Branson和Henderson（1985）將股票視為一種資產(chǎn)，匯率變動將影響資產(chǎn)價值，進(jìn)而影響股票價格[4]。此外，我國央行也曾于2005年7月21日第一次改革匯率機(jī)制，改革期間人民幣匯率整體呈貶值態(tài)勢，從改革前的6.768 8降到6.768 1;同一時期，上證A股指數(shù)也開始下跌從3398.418跌到3 931.177。種種研究顯示，匯率變動對我國金融市場具有不可忽視的影響力;而債券作為金融市場中的重要組成部分，匯率對其更是起到了重要影響作用。因此，在本研究中將以交易所企業(yè)債指數(shù)和美元對人民幣的匯率為樣本，利用LSTM神經(jīng)網(wǎng)絡(luò)模型刻畫在美元人民幣匯率的影響下對企債收益波動的預(yù)測研究。

二、LSTM神經(jīng)網(wǎng)絡(luò)模型

長短期記憶網(wǎng)絡(luò)，即LSTM，它是RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的衍生，是為了解決長期記憶問題而專門設(shè)計出來的。RNN網(wǎng)絡(luò)是一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)叫问剑跇?biāo)準(zhǔn)RNN中，它是一個非常簡單的由重復(fù)的相同結(jié)構(gòu)模塊組成的結(jié)構(gòu)。LSTM同樣是這樣的結(jié)構(gòu)，如圖1所示，但是重復(fù)模塊的結(jié)構(gòu)是不同的。與單一神經(jīng)網(wǎng)絡(luò)層不同的是，LSTM有四個網(wǎng)絡(luò)層，并且以一種非常特殊的方式相互交替。由于RNN存在梯度消失[5]的問題，使得在誤差反向傳播時，在后續(xù)時間上計算出的誤差并不能反饋到更早的時間中，這意味著RNN很難學(xué)到長時間的影響來調(diào)整網(wǎng)絡(luò)。直到1997年Sepp Hochreiter和Jurgen Schmidhuber提出了長短期記憶（LSTM），才很好地解決了長期記憶問題[6]。

LSTM的特殊之處在于它的信息傳遞是通過一種叫做“門”的結(jié)構(gòu)。如圖2所示，“門”可以對通過的信息進(jìn)行選擇通過或遺忘，具體過程是通過sigmoid 的神經(jīng)層和逐點(diǎn)相乘的操作來實(shí)現(xiàn)的。LSTM網(wǎng)絡(luò)中，信息首先通過的是“遺忘門”它會決定我們會從細(xì)胞狀態(tài)中丟棄什么信息。該“門”會讀取ht-1和xt，輸出一個在0—1之間的數(shù)值賦值給每個細(xì)胞狀態(tài)Ct-1中的細(xì)胞。其中，1表示“完全保留”，0表示“完全舍棄”。

ft=？滓（Wi*[ht-1，xt]+bf）（1）

其中，ht-1表示的是上一個細(xì)胞的輸出，xt表示的是當(dāng)前細(xì)胞的輸入，σ表示sigmod函數(shù)。

下一步是“輸入門”決定讓多少新的信息加入到細(xì)胞狀態(tài)中來。這包含兩個步驟，首先，輸入層的 sigmoid 層決定哪些信息需要更新如式（2），tanh層生成一個向量，也就是備選的用來更新的內(nèi)容■t;下一步，把這兩部分聯(lián)合起來，對細(xì)胞的狀態(tài)進(jìn)行一個更新如式（3）。

it=？滓（Wi*[ht-1，xt]+bi）（2）

■t=tanh（WC*[ht-1，xt]+bC）（3）

然后就到了更新舊細(xì)胞狀態(tài)的步驟了。首先，將狀態(tài)為Ct-1的細(xì)胞更新為Ct。實(shí)際操作即把舊狀態(tài)Ct-1與ft相乘，丟棄掉我們確定需要丟棄的信息。接著，加上it*■t這就是新的候選值，隨著我們需要更新每個狀態(tài)的程度而變化如式（4）。

Ct=ft*Ct-1+it*■t（4）

最終，我們需要決定輸出什么值稱“輸出門”。輸出值將會基于我們的細(xì)胞狀，輸出一個過濾后的版本。首先，我們運(yùn)行一個sigmoid層來決定輸出細(xì)胞狀態(tài)的哪個部分如式（5），接著把細(xì)胞狀態(tài)通過一個tanh進(jìn)行處理（得到一個在-1—1之間的值）并將它和sigmoid層的輸出相乘，最終就可以僅僅得到我們確定輸出的部分如式（6）。

Ot=？滓（WO[ht-1，xt]+bO）（5）

ht=Ot*tanh（Ct）（6）

三、實(shí)證研究

本文選用了上證企業(yè)債券指數(shù)自2003年6月9日開始到2019年4月19日的每日數(shù)據(jù)，共3 859條數(shù)據(jù)，其中包括收盤價、最高價、最低價、開盤價、前收盤、漲跌額、漲跌幅、成交量、成交金額9個變量。匯率同樣采用與企債指數(shù)同一時間段的每日數(shù)據(jù)，以這些數(shù)據(jù)作為訓(xùn)練集與測試集，預(yù)測未來60個交易日的企債對數(shù)指數(shù)收益率。

（一）數(shù)據(jù)處理

1.數(shù)據(jù)預(yù)處理。首先剔除匯率數(shù)據(jù)中多余數(shù)據(jù)，再對剩余的匯率數(shù)據(jù)進(jìn)行z-score標(biāo)準(zhǔn)化處理，即通過式（7）使每列數(shù)據(jù)近似服從標(biāo)準(zhǔn)正態(tài)分布。

x=■（7）

最后將處理完的完整數(shù)據(jù)集并將分成三部分，其中，訓(xùn)練集大小為3 000條，驗(yàn)證集大小為709條，測試集的大小為60條，時間延遲為90天。

2.特征選擇和指標(biāo)構(gòu)建。特征選擇是對輸入數(shù)據(jù)進(jìn)行降維操作的一個過程，通過去除冗余特征、降低輸入向量空間維數(shù)、優(yōu)化學(xué)習(xí)樣本，對提高訓(xùn)練效率有很大幫助。對于收益率預(yù)測問題來說，影響因素很多，每日開盤價收盤價，一天中的最高價和最低價等，都有可能影響收益，而采集的數(shù)據(jù)，數(shù)據(jù)量較大，容易出現(xiàn)冗余數(shù)據(jù)，冗余數(shù)據(jù)會影響模型的訓(xùn)練效率，因此必須去除。為了準(zhǔn)確度量數(shù)據(jù)中各因素對企債收益率的影響，篩選出影響最大的幾個因素，本文采用主成分分析法對數(shù)據(jù)進(jìn)行降維處理。處理過程中只保留包含絕大部分方差的維度特征，而忽略包含方差幾乎為0的特征維度。

運(yùn)行python對上證企債指數(shù)9個特征進(jìn)行主成分分析，分析結(jié)果如表1所示。從表1中可以看出，收盤價對方差的貢獻(xiàn)率接近于1，而其他8個特征的方差貢獻(xiàn)都趨近于0，按照處理原則，我們只保留方差最大的部分即每日上證企債指數(shù)的收盤價。

為了準(zhǔn)確度量美元人民幣匯率對企債收益的影響，本文將基于主成分分析篩選出的最具代表性的特征即收盤價來構(gòu)建企債收益復(fù)合指標(biāo)，并稱之為企債對數(shù)指數(shù)收益率，如式（8）所示。構(gòu)建出的指標(biāo)將作為預(yù)測中的因變量，另外匯率指數(shù)則作為自變量。由于指標(biāo)的特殊性，企債對數(shù)指數(shù)收益率的真實(shí)值是從2003年6月9日到2019年4月18日共3 858條數(shù)據(jù)。

今天企債對數(shù)指數(shù)收益率=log10■（8）

（二）模型的訓(xùn)練

在python中建立LSTM模型，編譯時采用Keras中最主要的Sequential模型，一次訓(xùn)練的樣本個數(shù)（batch_size）設(shè)為90，訓(xùn)練次數(shù)（epochs）設(shè)為54。用均方誤差（mse）作為損失函數(shù)，用平均絕對誤差（mae）作為指標(biāo)函數(shù)，激活函數(shù)默認(rèn)為tanh函數(shù)，定義優(yōu)化器為‘rmsprop。模型代碼如下：

model=models.Sequential（）

model.add（layers.LSTM（32，input_shape=（90，4）））

model.add（layers.Dense（1））

model.compile（optimizer=rmsprop，loss=mse，metrics=[mae]）

history=model.fit（x_train，y_train，batch_size=90，epochs=54，validation_data=（x_val，y_val））

（三）預(yù)測及結(jié)果分析

運(yùn)行程序后得到的圖3是損失函數(shù)（loss）與訓(xùn)練次數(shù)（epoch）的關(guān)系圖，記錄了訓(xùn)練集及測試集損失。從圖3中很明顯可以看出，訓(xùn)練次數(shù)越多，不論是訓(xùn)練集還是測試集，損失都越在減少，并逐漸下降到接近0的位置。在50次以后，變化幅度已經(jīng)很小，訓(xùn)練集隨著訓(xùn)練次數(shù)增加，損失最終下降為0.000 027，測試集則會產(chǎn)生一些微小的波動，損失最終下降為0.000 031。綜合考慮，本文在實(shí)際操作中將訓(xùn)練次數(shù)設(shè)為54次。

此外，運(yùn)用訓(xùn)練完成的模型，圖4還展示了應(yīng)用此模型對2019年4月19日后未來60個交易日基于美元人民幣匯率的影響對企債對數(shù)指數(shù)收益率進(jìn)行預(yù)測的結(jié)果。結(jié)果顯示，未來8個交易日后，企債對數(shù)收益率將呈現(xiàn)下降的趨勢;在第13個交易日后則開始回升，直到17個交易日后逐步趨于穩(wěn)定呈上下波動的態(tài)勢。

結(jié)語

金融市場的投資收益問題一直是金融學(xué)界研究的熱點(diǎn)。本文通過建立神經(jīng)網(wǎng)絡(luò)模型，考慮美元人民幣匯率對企債指數(shù)的影響，對企業(yè)債券未來的收益走勢進(jìn)行比較準(zhǔn)確的預(yù)測，這對想要購買企業(yè)債券的操作者具的較高的實(shí)際價值。采用LSTM模型，以上證企業(yè)債券指數(shù)自2003年6月9日開始到2019年4月19日的3 859個交易日的收盤價數(shù)據(jù)計算出每日的企債對數(shù)指數(shù)收益率作為真實(shí)值，以同樣時間段的美元人民幣匯率數(shù)據(jù)對模型進(jìn)行訓(xùn)練和測試，并將預(yù)測結(jié)果與真實(shí)值進(jìn)行擬合操作，最后用訓(xùn)練號的模型預(yù)測了未來60個交易日的企債對數(shù)指數(shù)收益率的走勢變化。訓(xùn)練和測試結(jié)果表明，預(yù)測結(jié)果較為理想。它將在未來企債市場中具有廣泛的應(yīng)用前景，可以對企債購買觀望者做買賣決策時提供參考信息，使企債購買者獲得更大的收益，避免投資失誤。

參考文獻(xiàn)：

[1] ?劉國鵬，彭淑嫻.企業(yè)債市場風(fēng)險的度量——基于GARCH和半?yún)?shù)法的VAR模型分析[J].金融與經(jīng)濟(jì)，2015，（3）：70-75.

[2] ?Vasiliki D.Skintzi，Apostolos N.Refenes.Volatility spillovers and dynamic correlation in European bond markets.Journal of International Financial Markets，Institutions and Money，2006，Volume 16，23-40.

[3] ?Frankel，J.A.Monetary and portfolio-balance Models of Rate Determination[J].Economic Interdependence and Flexible Exchange Rates，MIT，Cambrige，1983：112-123.

[4] ?Branson，W.H.Macroeonomic Determinants of Real Exchange Risk[M].Managing Foreign Exchange Risk，Canbridge University Press，Cambridge，1983：87-89.

[5] ?孫瑞奇.基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2015.

[6] ?Hochreiter S，Schmidhuber J.Long Short-term Memory[J].Neural Computation，1997，12（9）：1735-1780.

[7] ?Forecasting the volatility of stock price index： A hybrid model integrating LSTM with multiple GARCH-type models[J].Ha Young Kim，Chang Hyun Won.Expert Systems With Applications，2018.

[8] ?楊青，王晨蔚.基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測研究[J].統(tǒng)計研究，2019，36（3）：65-77.

[9] ?陳衛(wèi)華，徐國祥.基于深度學(xué)習(xí)和股票論壇數(shù)據(jù)的股市波動率預(yù)測精度研究[J].管理世界，2018，（1）.

[10] ?鄧鳳欣，王洪良.LSTM神經(jīng)網(wǎng)絡(luò)在股票價格趨勢預(yù)測中的應(yīng)用——基于美港股票市場個股數(shù)據(jù)的研究[J].金融經(jīng)濟(jì)，2018，（14）：96-98.

[11] ?肖琪.人工神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究[D].上海：華南理工大學(xué)，2017.

[12] ?任君，王建華，王傳美，王建祥.基于正則化LSTM模型的股票指數(shù)預(yù)測[J].計算機(jī)應(yīng)用與軟件，2018，35（4）：44-48，108.

Study on the Prediction of Corporate Bond return considering the effect of US dollar RMB Exchange rate

—Based on LSTM neural network

ZHOU Ying

（Managament college，Shanghai University of Science andTechnology，Shanghai 200093，China）

Abstract：The exchange rate change has an important influence on Chinas financial market.Therefore，firstly，the principal component analysis of Shanghai enterprise bond index is carried out，and the most representative eigenvalues are screened out.According to the characteristic value，the index of enterprise bond income is constructed.On the basis of considering the influence of US dollar RMB exchange rate，the prediction model of LSTM is established，the law of enterprise bond return is studied，and the rate of return of enterprise bond logarithmic index in the next 60 trading days is simulated and predicted.It is hoped that the research results can provide an important reference for the majority of corporate bond investors to make investment and trading decisions.

Key words：earnings forecast;Shanghai Enterprise Bond Index;Exchange rate;LSTM

[責(zé)任編輯 柯 黎]