🤖 machine learning

Machine Learning and the Random Walk Puzzle: Forecasting the CAD/USD Exchange Rate with Expanding Window Evaluation and SHAP Interpretability

本研究评估了五种机器学习模型相对于随机游走基准在预测 2017 年至 2026 年每月美元/加元汇率方面的表现，结果发现，尽管线性回归在统计学上优于随机游走，但大多数机器学习模型仅提供了微小的改进，且高度依赖近期滞后项，从而证实了预测汇率的内在难度。

原作者： Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图猜测明天一杯咖啡的价格。你可以去研究复杂的天气模式、全球咖啡豆供应链，或者是全世界咖啡师的心情。或者，你也可以干脆假设明天的价格会和今天完全一样。

这篇论文本质上是这两类方法之间的一场高水平竞争，只不过它预测的不是咖啡，“价格”是加元（CAD）对美元（USD）的汇率。研究人员提出了一个简单的问题：那些花哨、现代的计算机程序（机器学习）能否比“明天看起来就像今天”这种简单的假设更好地预测货币价格？

以下是利用日常类比对他们研究结果的解读：

1. 参赛选手：“聪明型” vs. “简单型”

研究人员设立了一场比赛，分为两支队伍：

“聪明型”队伍（机器学习）： 这些是复杂的计算机模型，如随机森林（Random Forest）、XGBoost 和 AdaBoost。把它们想象成一群超智能侦探，能够从海量的线索中发现微小且隐藏的模式。它们旨在寻找人类可能会忽略的非线性、复杂的关系。
“简单型”队伍（基准模型）：
- 随机游走（Random Walk）： 这是“天真型”的猜测。它假设对明天的最佳预测就是今天的数值。这就像是在猜测明天的天气会和今天完全一样。
- 传统统计学家（ETS）： 一种经典的、老派的数学模型，试图寻找季节性模式（例如“七月份总是比较热”）。

2. 游戏规则

为了确保“聪明型”队伍没有通过“偷看未来”来作弊，研究人员使用了一个严格的**“扩张窗口”（Expanding Window）**规则。

类比： 想象你在参加一场考试，你只能学习到昨天为止的历史书。你对今天做一个预测，然后你被允许阅读今天的报纸，接着你再为明天做一个预测。你永远不能通过阅读下周的报纸来帮助你预测今天。这确保了模型是在现实世界的环境下进行测试，而不是仅仅在计算机模拟中运行。

3. 结果：“简单型”队伍获胜（基本如此）

在运行了 18 个月的数据后，发生了以下情况：

“简单”猜测（随机游走）是个强劲对手： 最令人惊讶的结果是，那个简单的猜测（“明天看起来像今天”）极其难以被超越。它在大部分时间里都是最准确的预测工具。这证实了一个著名的经济学谜题——Meese-Rogoff 谜题，该谜题指出，由于货币市场非常高效，复杂的模式很难被发现。
“聪明型”队伍失手了： 那些花哨的机器学习模型（那些超智能侦探）并没有击败简单的猜测。事实上，它们甚至比简单的猜测表现得稍差一些，尽管差距并不大。它们因为过于执着于寻找复杂的模式，导致在处理数据时出现了“过度思考”。
唯一的例外： 有一个模型确实击败了简单的猜测：线性回归（Linear Regression）。把它想象成一个“聪明的简单型”模型。它不是复杂的侦探，它只是一个连接各个点的直线。它之所以获胜，是因为在这种特定情况下，预测未来的最佳方式确实是观察最近的过去。复杂的模型对于这个需要简约性的工作来说过于复杂了。
“老派”模型落败： 传统的统计模型（ETS）表现最差，甚至连简单的猜测都没能战胜。

4. 为什么“聪明型”队伍失败了？（解释“黑箱”）

研究人员使用了一个名为 SHAP 的工具，打开了表现最好的机器学习模型（随机森林）的“黑箱”，看看它到底在想什么。

类比： 想象你在问一台超级计算机：“为什么你猜价格是 1.36 美元？”
回答： 计算机说：“嗯，昨天是 1.36 美元，前天也是 1.36 美元。”
启示： “聪明型”模型意识到，最重要的线索仅仅是最近的价格。它们忽略了原本旨在寻找的复杂长期模式，因为数据中并不存在这些模式。该货币的表现就像是“随机游走”——它只是在随机漂移，而唯一重要的就是最后一步所走的距离。

5. 结构性断点（“剧情转折”）

研究人员还观察了时间线，并发现了四个规则发生变化的重大“剧情转折”：

2018年： 美中贸易战开始。
2020年： 疫情爆发，世界陷入恐慌。
2022年： 加拿大银行为了对抗通胀而提高利率。
2024年： 加拿大银行开始降息。

即便经历了这些重大事件，简单的“随机游走”模型依然是那个最难被击败的对手。

总结

如果你想预测下个月的美元/加元汇率：

不要依赖于试图在数据中寻找隐藏秘密的超复杂 AI；它很可能会把事情复杂化。
要关注昨天发生了什么。
或许可以使用一个非常简单的线性数学模型，因为在本项研究中，它是唯一能够略微领先于“假设明天和昨天一样”这一策略的模型。

该论文得出结论：对于这一特定的货币对，市场是非常高效的，因此“简单”的方法仍然是王者，而花哨的机器学习模型尚未找到比仅仅观察现在更能预测未来的“魔力武器”。

技术摘要：机器学习与美元/加元预测中的随机游走谜题

问题陈述
本研究探讨了国际金融领域持久的“Meese-Rogoff 谜题”：即使用结构化宏观经济模型进行样本外汇率预测时，在经验层面难以超越朴素的随机游走基准。具体而言，本文研究了现代机器学习（ML）集成方法是否能够克服在预测每月美元/加元（USD/CAD）汇率时的这一局限性。作者之所以关注美元/加元货币对，是因为其对加拿大的经济重要性以及其作为商品相关货币的地位，并假设其结构性特征（例如与油价的相关性）可能提供了纯金融货币所缺乏的可预测动态。

研究方法
本研究采用了一个严谨、无数据泄露的评估框架，使用加拿大银行的日度数据（2017年1月至2026年5月），并将其重采样为113个月度观测值。

数据预处理： 日度序列被聚合为月度平均值。数据集被分为训练期（2017年1月至2024年11月， $T_0=95$ ）和严格的样本外测试期（2024年12月至2026年5月， $H=18$ ）。
特征工程： 为防止数据泄露，所有用于机器学习模型的预测因子均仅基于预测起点之前（ $\mathcal{F}_{t-1}$ $F_{t - 1}$ ）可获得的信息构建。特征包括：
- 滞后值（ $y_{t-1}$ 至 $y_{t-12}$ ）。
- 滚动统计量（3个月、6个月和12个月窗口内的均值和标准差）。
- 扩张均值（历史平均值）。
- 一阶差分和季节性循环编码（正弦/余弦）。
评估的模型：
- 基准模型： 无漂移的朴素随机游走（RW）和带有 Holt-Winters 季节性的指数平滑模型（ETS）。
- 机器学习模型： 线性回归、随机森林（RF）、梯度提升树、XGBoost 和 AdaBoost。
评估协议：
- 扩张窗口法： 模型在每一步都使用扩张训练集进行重新估计，以模拟实时预测条件。
- 指标： 通过 MAE、RMSE、MAPE、SMAPE 和 Theil's U 统计量评估性能。
- 统计检验： 使用 Diebold-Mariano (DM) 检验来确定预测误差是否与随机游走基准存在显著差异。
- 可解释性： 对表现最佳的机器学习模型应用 SHAP（Shapley 加性解释）值，以分解特征贡献。
结构分析： 使用 PELT 算法检测结构性断点，识别出对应于重大宏观经济事件的四个显著政权转换（2018年贸易战、2020年疫情复苏、2022年加息、2024年降息）。

核心结果

随机游走的支配地位： 朴素随机游走（等同于 ARIMA(0,1,0)）仍然是最稳健的基准。它实现了最低的 RMSE (0.0158) 和 MAPE (0.92%)。
机器学习的有限超越能力：
- 线性回归是唯一在统计上优于随机游走的模型（DM 统计量 = 3.0585， $p = 0.0071$ ）。作者将其归因于该模型在近单位根条件下能够以低方差近似随机游走。
- 集成模型： 所有复杂的机器学习模型（随机森林、梯度提升树、XGBoost、AdaBoost）的 DM 统计量均为负值，表明它们略逊于随机游走，尽管这种劣势在 5% 的水平上并不总是显著。
- ETS 表现： 传统的 ETS 模型表现最差，显著低于随机游走，这可能是由于在缺乏强季节性的序列中进行了伪季节性调整。
特征重要性 (SHAP)： 随机森林模型的 SHAP 分析显示，短期滞后项（ $lag\_1$ , $lag\_2$ ）和近期滚动均值主导了预测。 $lag\_1$ 占据了约 21% 的特征重要性。长周期滞后项和季节性特征的贡献极小，证实了该序列在很大程度上表现为具有短期动量的随机游走。
预测准确度： 尽管未能实现统计学上的超越，但所有机器学习模型都实现了“高准确度”（MAPE < 10%），并优于 ETS 基准。在非随机游走模型中，随机森林实现了最低的 MAPE (1.17%)。

意义与主张
本文声称针对指定的样本期间，为美元/加元汇率提供了一个直接且统计严谨的答案，回应了 Meese-Rogoff 谜题。其主要贡献在于：

强化了该谜题： 研究证实，即使使用先进的集成方法和严格的扩张窗口协议，发达经济体的汇率在使用仅有的内生历史数据时，仍然在很大程度上是无法预测的。
方法论的严谨性： 通过利用扩张窗口框架和 Diebold-Mariano 检验，本研究避免了机器学习预测文献中常见的由于数据泄露和过拟合导致的问题。
可解释性： SHAP 值的应用解决了机器学习在经济学中的“黑箱”批评，证明这些模型学习的是符合经济逻辑的、接近随机游走的行为，而非伪造的模式。
实践层面的细微差别： 虽然机器学习模型未能击败随机游走，但它们优于传统的统计模型（ETS）。作者建议，对于从业者而言，线性回归和随机森林（在扩张窗口下）可以作为有用的条件预测工具，特别是与经典基准相比，但同时也提醒不要将这些收益解读为可靠的交易规则。

作者总结认为，机器学习在汇率预测中的优势可能是阶段性的且依赖于模型的，受到数据近随机游走特性的严重约束；未来的提升可能需要引入宏观基本面（如利率差异、商品价格），而非仅仅依赖于历史价格数据。