机器学习与随机游走难题：使用扩展窗口评估和SHAP可解释性预测加元/美元汇率

arXiv cs.LG 论文
machine-learning forecasting exchange-rates shap time-series random-walk expanding-window

摘要

本文研究机器学习模型能否在预测美元/加元汇率方面击败随机游走基准，发现只有线性回归在统计上优于朴素模型，SHAP分析显示短期滞后项主导预测。

arXiv:2606.15058v1 Announce Type: new 摘要：本研究考察机器学习（ML）模型能否在预测月度美元/加元汇率方面优于朴素随机游走基准。使用加拿大银行2017年1月至2026年5月的日度数据，重采样为113个月度观测值，评估了五种ML模型：线性回归、随机森林、梯度提升、XGBoost和AdaBoost。这些模型以朴素随机游走模型和带有Holt-Winters季节性的指数平滑（ETS）为基准进行对比。所有模型均使用扩展窗口框架进行评估，以保持严格的样本外完整性，并使用Diebold-Mariano（DM）检验评估预测精度差异。结构性断点检测识别出序列中的四个显著断点，分别对应2018年中美贸易战升级、2020年COVID-19经济复苏、2022年加拿大银行加息周期峰值以及2024年加拿大银行降息周期开始。应用SHAP（Shapley Additive Explanations）分析来解释表现最佳ML模型的驱动因素。结果表明，朴素随机游走模型仍然是一个强大的基准。线性回归是唯一在统计上优于朴素随机游走模型的模型，DM统计量为3.0585，p值为0.0071，而ML集成模型仅表现出微小差异。使用扩展窗口框架的随机森林在所有模型中（除随机游走外）实现了最低的MAPE，为1.17%。SHAP分析证实，短期滞后项（尤其是lag1和lag2）以及近期滚动均值主导预测，这与汇率的近似随机游走行为一致。
查看原文
查看缓存全文

缓存时间: 2026/06/16 11:37 

# 机器学习与随机游走谜题：基于扩展窗口评估与SHAP可解释性的加元/美元汇率预测

来源：https://arxiv.org/abs/2606.15058  
查看PDF（https://arxiv.org/pdf/2606.15058）

> 摘要：本研究探讨机器学习模型能否在月度美元/加元汇率预测中超越朴素随机游走基准。研究使用加拿大银行2017年1月至2026年5月的日度数据，重采样为113个月度观测值，评估了五种机器学习模型：线性回归、随机森林、梯度提升、XGBoost和AdaBoost。这些模型以朴素随机游走模型以及带Holt-Winters季节性的指数平滑（ETS）为基准。所有模型均采用扩展窗口框架进行评估，以保持严格的样本外完整性，并使用Diebold-Mariano（DM）检验评估预测精度差异。结构断点检测识别出序列中四个显著断点，分别对应于2018年中美贸易战升级、2020年新冠疫情经济复苏、2022年加拿大银行加息周期高峰，以及2024年加拿大银行降息周期开始。SHAP（Shapley Additive Explanations）分析用于解释最优表现ML模型的驱动因素。结果表明，朴素随机游走模型仍是一个强大的基准。线性回归是唯一在统计上优于朴素随机游走模型的模型，其DM统计量为3.0585，p值为0.0071，而ML集成模型仅表现出微小差异。在除随机游走外的所有模型中，采用扩展窗口框架的随机森林实现了最低的MAPE（1.17%）。SHAP分析证实，短期滞后（尤其是lag1和lag2）以及近期滚动均值主导了预测，这与汇率接近随机游走的行为一致。

## 提交历史

来自：Edmund Agyemang \[查看邮件（https://arxiv.org/show-email/e13c952d/2606.15058）\] **\[v1\]**2026年6月13日星期六 02:13:18 UTC（1,675 KB）

相似文章

AI-Trader：在实时金融市场中对自主智能体进行基准测试

Papers with Code Trending

本文介绍了 AI-Trader，这是首个用于评估大语言模型（LLMs）在美股、A股和加密货币等金融决策方面的全自动实时基准测试平台。研究指出，通用智能并不必然保证交易成功，并强调了在自主智能体中风险控制的重要性。

利用深度学习进行具有不确定性意识的阿尔茨海默病进展纵向预测

arXiv cs.AI

本文提出了一种概率框架，用于阿尔茨海默病进展预测，该框架结合了有序诊断预测、多时间点轨迹生成和分解不确定性估计，采用 Temporal Fusion Transformer 编码器和自回归混合密度网络。在ADNI数据上，该模型优于基线，实现了接近标称的90%可信区间覆盖率，并提供了具有临床意义的不确定性信号。

算法度量学：算法反馈下的预测

arXiv cs.LG

本文介绍了算法度量学（algometrics），一个在算法反馈下进行时间序列预测的框架，证明了部署风险与历史风险不同，且无法仅从被动数据中识别。它提供了通过干预或随机化行动来估计部署风险的方法。