摘要：隨著人民幣匯率市場(chǎng)化程度不斷提高,其波動(dòng)程度也不斷增大,對(duì)人民幣的預(yù)測(cè)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(jià)格的預(yù)測(cè)研究中。本文將原本僅適用于二值型數(shù)據(jù)的Adaboost算法進(jìn)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(zhǎng)預(yù)測(cè)趨勢(shì)因素,而誤差反傳神經(jīng)網(wǎng)絡(luò)(BPNN)擅長(zhǎng)預(yù)測(cè)隨機(jī)因素的優(yōu)點(diǎn),組成了比單一神經(jīng)網(wǎng)絡(luò)模型更為強(qiáng)大的GR_BP_Adaboost強(qiáng)預(yù)測(cè)模型。最后,以均方誤差(MSE)、平均絕對(duì)誤差(MAE)和DM檢驗(yàn)為標(biāo)準(zhǔn),將GR_BP_Adaboost模型對(duì)人民幣匯率的預(yù)測(cè)結(jié)果與傳統(tǒng)的ARMA、ARCH和GARCH模型進(jìn)行了對(duì)比,所有結(jié)果均表明GR_BP_Adaboost強(qiáng)預(yù)測(cè)模型的預(yù)測(cè)能力顯著優(yōu)于其他模型,說明人工智能預(yù)測(cè)技術(shù)相較于傳統(tǒng)方法具有較大優(yōu)勢(shì),也說明匯率市場(chǎng)不是弱式有效。