考慮美元人民幣匯率影響的企業債收益預測研究

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進行主成分分析，篩選出最具代表性的特征值，根據特征值構建企債收益指標，在考慮美元人民幣匯率影響的基礎上，建立LSTM的預測模型，研究企債收益的規律，并對未來60個交易日的企債對數指數收益率進行仿真預測。希望研究結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。

關鍵詞：收益預測;上證企債指數;匯率;LSTM

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

一、背景描述

近年來，經濟全球化與信息科技的步伐不斷加快，經濟金融界對股票、外匯、債券和黃金等資產的投資與收益都進行了非常廣泛研究，但學界對交易債券尤其是企業債券的研究卻寥寥無幾。債券是政府、金融機構、工商企業等機構直接向社會借債籌措資金時向投資者發行的，承諾按一定利率支付利息并按約定條件償還本金的債權、債務憑證[1]。企業債券是有企業依照法定程序發行的有價債券，它是企業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。中國債券市場發展有其特殊規律，自2009年以來，交易所企業債發行、交易規模持續快速增長，已成為多層次資本市場的重要部分。

關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每個國家的債券市場存在波動溢出效應，這說明各國經濟市場是有交叉聯系的[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系[3]。Branson和Henderson（1985）將股票視為一種資產，匯率變動將影響資產價值，進而影響股票價格[4]。此外，我國央行也曾于2005年7月21日第一次改革匯率機制，改革期間人民幣匯率整體呈貶值態勢，從改革前的6.768 8降到6.768 1;同一時期，上證A股指數也開始下跌從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債指數和美元對人民幣的匯率為樣本，利用LSTM神經網絡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測研究。

二、LSTM神經網絡模型

長短期記憶網絡，即LSTM，它是RNN循環神經網絡的衍生，是為了解決長期記憶問題而專門設計出來的。RNN網絡是一種重復神經網絡模塊的鏈式形式，在標準RNN中，它是一個非常簡單的由重復的相同結構模塊組成的結構。LSTM同樣是這樣的結構，如圖1所示，但是重復模塊的結構是不同的。與單一神經網絡層不同的是，LSTM有四個網絡層，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很難學到長時間的影響來調整網絡。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”的結構。如圖2所示，“門”可以對通過的信息進行選擇通過或遺忘，具體過程是通過sigmoid 的神經層和逐點相乘的操作來實現的。LSTM網絡中，信息首先通過的是“遺忘門”它會決定我們會從細胞狀態中丟棄什么信息。該“門”會讀取ht-1和xt，輸出一個在0—1之間的數值賦值給每個細胞狀態Ct-1中的細胞。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表示的是上一個細胞的輸出，xt表示的是當前細胞的輸入，σ表示sigmod函數。

下一步是“輸入門”決定讓多少新的信息加入到細胞狀態中來。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容■t;下一步，把這兩部分聯合起來，對細胞的狀態進行一個更新如式（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胞狀態的步驟了。首先，將狀態為Ct-1的細胞更新為Ct。實際操作即把舊狀態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胞狀，輸出一個過濾后的版本。首先，我們運行一個sigmoid層來決定輸出細胞狀態的哪個部分如式（5），接著把細胞狀態通過一個tanh進行處理（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、實證研究

本文選用了上證企業債券指數自2003年6月9日開始到2019年4月19日的每日數據，共3 859條數據，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同一時間段的每日數據，以這些數據作為訓練集與測試集，預測未來60個交易日的企債對數指數收益率。

（一）數據處理

1.數據預處理。首先剔除匯率數據中多余數據，再對剩余的匯率數據進行z-score標準化處理，即通過式（7）使每列數據近似服從標準正態分布。

x=■（7）

最后將處理完的完整數據集并將分成三部分，其中，訓練集大小為3 000條，驗證集大小為709條，測試集的大小為60條，時間延遲為90天。

2.特征選擇和指標構建。特征選擇是對輸入數據進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、優化學習樣本，對提高訓練效率有很大幫助。對于收益率預測問題來說，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，而采集的數據，數據量較大，容易出現冗余數據，冗余數據會影響模型的訓練效率，因此必須去除。為了準確度量數據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據進行降維處理。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。

運行python對上證企債指數9個特征進行主成分分析，分析結果如表1所示。從表1中可以看出，收盤價對方差的貢獻率接近于1，而其他8個特征的方差貢獻都趨近于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的收盤價。

為了準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建企債收益復合指標，并稱之為企債對數指數收益率，如式（8）所示。構建出的指標將作為預測中的因變量，另外匯率指數則作為自變量。由于指標的特殊性，企債對數指數收益率的真實值是從2003年6月9日到2019年4月18日共3 858條數據。

今天企債對數指數收益率=log10■（8）

（二）模型的訓練

在python中建立LSTM模型，編譯時采用Keras中最主要的Sequential模型，一次訓練的樣本個數（batch_size）設為90，訓練次數（epochs）設為54。用均方誤差（mse）作為損失函數，用平均絕對誤差（mae）作為指標函數，激活函數默認為tanh函數，定義優化器為‘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）預測及結果分析

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

此外，運用訓練完成的模型，圖4還展示了應用此模型對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指數收益率進行預測的結果。結果顯示，未來8個交易日后，企債對數收益率將呈現下降的趨勢;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定呈上下波動的態勢。

結語

金融市場的投資收益問題一直是金融學界研究的熱點。本文通過建立神經網絡模型，考慮美元人民幣匯率對企債指數的影響，對企業債券未來的收益走勢進行比較準確的預測，這對想要購買企業債券的操作者具的較高的實際價值。采用LSTM模型，以上證企業債券指數自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據計算出每日的企債對數指數收益率作為真實值，以同樣時間段的美元人民幣匯率數據對模型進行訓練和測試，并將預測結果與真實值進行擬合操作，最后用訓練號的模型預測了未來60個交易日的企債對數指數收益率的走勢變化。訓練和測試結果表明，預測結果較為理想。它將在未來企債市場中具有廣泛的應用前景，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：

[1] ?劉國鵬，彭淑嫻.企業債市場風險的度量——基于GARCH和半參數法的VAR模型分析[J].金融與經濟，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神經網絡的美股股指價格趨勢預測模型的研究[D].北京：首都經濟貿易大學，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.基于深度學習LSTM神經網絡的全球股票指數預測研究[J].統計研究，2019，36（3）：65-77.

[9] ?陳衛華，徐國祥.基于深度學習和股票論壇數據的股市波動率預測精度研究[J].管理世界，2018，（1）.

[10] ?鄧鳳欣，王洪良.LSTM神經網絡在股票價格趨勢預測中的應用——基于美港股票市場個股數據的研究[J].金融經濟，2018，（14）：96-98.

[11] ?肖琪.人工神經網絡在股票預測中的應用研究[D].上海：華南理工大學，2017.

[12] ?任君，王建華，王傳美，王建祥.基于正則化LSTM模型的股票指數預測[J].計算機應用與軟件，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

[責任編輯 柯 黎]