经济系统是一个复杂的非线性系统,经济系统内部的非线性相互作用造成宏观经济变量的不规则涨落。汇率的形成机制也是一个非线性系统,具有高度的复杂性,因此难以用准确的数学模型来解决。因而我们希望能够建立一个参数随着预测环境的变化而变化的非线性模型,人工神经网络(Artificial Neural Net—ANN)方法为这一问题的解决提供了可能性,它的“黑箱”策略忽略了对非线性方程的判定,可以直接利用网络的输入输出变量进行网络训练和修正,来确定宏观经济变量的相互作用和影响,达到预测的目的。 并且由于在金融系统中,训练信号是模糊的,数据是有噪声的,一般很难正确给出每个执行的定量评价。为了克服这些困难,提高系统性能,可以采用遗传算法(Genetic Algorithm—GA)来优化神经网络。 本文针对汇率变化的非线性特征与经典BP人工神经网络在预测应用上的缺陷,对BP网络模型进行了改进,并利用遗传算法来优化误差反向传播(Error back Propagation—BP)人工神经网络模型,形成了实数编码的加速遗传算法(Real coded Accelerating Genetic Algorithm—RAGA)与BP网络的耦合模型,并进行了实证研究。证明此种耦合模型在计算精度、运行速度方面均有很大的提高;且应用到汇率的长期预测时也有很好的适应性,进一步提高了精度,最后得出结论RAGA-BP在应用于汇率这种复杂的非线性系统的预测方面有很好的价值。