社交微博可以用来预测日内汇率吗？

数据差异说明了非平稳性和趋势的问题，从而消除了预测中的潜在偏差。我们通过（a）固定预测水平指标和（b）交易模拟，评估了上述模型在两种类型的tes t集合（水平和差异）上的预测性能。

特别是，我们使用了三个固定的预测水平指标：（i）由M SE=VuTnV（NVXt=1e（t））定义的根平均平方误差指标（6）（ii）由Mae=NVNVXt=1 | e（t）|（7）式中e（t）=y（t）定义的平均绝对误差指标- y（t），^y（t）是预测，y（t）是时间t的实际闭合率；其他指标，如均方误差也被用于得出相同的结论。（iii）方向变化统计，即（a）在分析实际层面数据时，由DA=NVNVXi=1a（t）（8）确定的正确预测的平均升降次数=1，如果（y（t）- y（t）- nk））（^y（t）- y（t）- nk）>00，否则（9） 8 Panagiotis Papaioannou等人（b）分析的是回归率（对数差异数据），即根据gn=nvxi=1b（t）（10）正确预测的平均符号数，其中b（t）=1，如果（^y′（t）y′（t））>00，则为（11） 我们的交易模拟包括计算收益率，R（t）=σ（t）y（t）- y（t）- nk）y（t）- nk）100（12）这里我们使用了简单的mving averag e交易规则：σ（t）=1，如果^y（t）>y（t）m-1，如果^y（t）<y（t）m（13） 式中，y（t）mis为m阶移动平均值，定义为asy（t）m=mm-1Xi=0y（t- i） （14）4时间序列分析和交易模拟：表1给出了关于at级时间序列的结果和讨论，以及Na和nk=1的不同值所获得的Armodel参数值及其标准偏差。图3a、b、c总结了与Na和nk=1相关的装甲装备的RM SEs、MAE和DAs结果。基于RMSE、MAE，我们发现，对于一步时间预测原点，由a=-1，a=。。。ana=0不能被任何其他AR模式l超越（图3a，b）。therandom步行模型的RM SE为0.00186，M AE为0.0013；预测误差分布的方差为≈ 3.45E-6.

na>1的任何其他AR模型的RM-Se、MAEs均大于或几乎等于随机游走模型的RM-Se、MAEs。现在将来自T witter数据库的信息纳入ARX模型（定义为na>0，nb>0），我们构建了计算RM SE的二维等高线图，梅和达（图9社交微博可用于预测日内汇率？表1水平数据系列：符合训练数据集aaaaaaana=1-1na=2-1.0047 0.0048na=3-1.0014-0.0875 0.08914na=4-1-0.0802 0.1044-0.024na=5-1-0.0761 0.1013-0.0646 0.0397na=6-0.9976-0.078-0.1068-0.062-0.058-0.070-0.057-0.070-0.087-0.087-0.087-0.070-0.087-0.087-0-0.087-0.087-0.087-0-0.087-0.087-0.087-0-0.088-0.087-0.087-0.087-00.0648-0.995-0.095-0.090 0 0 0 0 0 0 0 0 0 0 0 0 0.09970 0.09970.1221-0.0597-0.0 0 0 0 0 0 0 0.0719-0.0319-0 0.1312 2 0 0 0 0 0 0.0119-0 0 0.0339 0 0 0 0 0 0 0 0 0 0 0 0.0339 0.1321 1 1 1 1 0 0 0 0.0719-0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0197-0 0 0 0 0 0 0 0 0 0 0 0 0 0-0 0 0 0 0 0 0 0 0 0 0 0-0 0 0 0 0 0 0 0 0 0 0 0 0.0597-0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0334（±0.0132）b=-0.0265（±0.0153）b=0.01634（±0.0152）b=-0.00388（±0.01498）b=-0.00309（±0.01495）b=0.00622（±0.0149）b=-0.0172（±0.0149）b=0.02099（±0.0128）3d，e，f）对于nk=1和na，n范围从1到10。结果表明，be-stARX预测因子在na=1、2和nb=2的范围内- 10使RM SES约为0.00181，MAE约为0.00128，DA约为0.65；估计误差的方差约为3.8E-6.模拟结果表明，noARX模型在RM SE和MAE方面可以显著优于随机游走模型。事实上，na=2，nb=10的最佳ARX预测因子的RMSE为0.00181，略好于通过na-ive随机游动获得的结果。

然而，rando m walk和最佳ARX预测值之间估计误差分布均值的单向方差分析统计检验没有显示出显著差异。然而，在DA度量中，可以看出na=1、2、nb=1的ARX模型- 与随机游动相比，8产生了显著更高的值（见图3f）。特别是，对于这一参数范围，DA的范围为0.67（对于na=1，nb=1）到0.6（对于na=1，nb=7）。表2给出了na=1和nb=7的ARX系数a s值及其不确定度（标准偏差）。使用ANN模型得到了与上述类似的结果。图3g、h、i总结了相应的RMSE、MAE和DAs。bestANN预测因子为na=1和nb=1，2，RMSE在0左右。0017，M AE约为0.00123，DA aro和0.65。对于这一参数范围，估计误差的变化范围为3E-6).以上结果表明，Twitter中包含的信息可以在短期（日内）提高预测效率。我们还使用NK>1定义的其他预测范围进行了计算。为了便于说明，图4,5总结了nk=2和nk=4的RM SEs、MAES和DAs，分别用AR计算，10.861.871.841.841.841.8510-10.811.841.841.85x 10-10-3（d）2 4 10-10-3（d）2 8 8 8 8 8 8 8 8 8 8 8 8 8（4）10 10 10 10 10（4）10 10 10 10（4）4 4（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10（4）10）10（4）10（4）10（4）10）10（4（4）10）10）10（4（4）10）10）3（4（4）10）10（4（4）10）10（4）10）10）10）10（4（3（4）10）10）10）10（4（4（4）10）10）10）3（4（4）10 567x10-3（g）246881024681023456x10-3（h）24688102468100.50.550.60.65（i）RMSEMAEDANANANBNBNBNFIG。

3级数据分析：分别针对订单SNA和NBNK=1和ANN模型的RMSEs（（a）、（d）、（g））、M AEs（（b）、（e）、（h））和DAs（（c）、（f）、（i））f或AR、ARX和ANN模型。相应的方差约为1E-5适用于Arx和ANNs两种型号。如图所示，当nk>1时，ARX和ANN模型在所有指标上都表现出朴素随机游动。然而，这应该是一个ttr，归因于实际/原始数据在da ta水平的明显趋势。值得注意的是，即使在相对较长的eCast时间范围内（例如，对于nk=4），Twitter中包含的信息也能显著增强预测性能（如图5f、g、h）。我们还进行了交易模拟，其中“交易者”使用通过模型预测获得的估计价格，如果估计高于当前移动平均实际损失，则产生“买入”信号（s=1）和“卖出”信号（s=-1） 如前一节所述。图6a是如何利用社交微博预测日内汇率的随机游走模型的累积收益率？（a）a（a）0 0 0 0 0 0 0 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 8 8 10 10 9 9 9 9 1.9 9 9 1.9 9 9 1.9 9 9 1.9 9 9 9 9 1.9 9 9 9 9 1.9 9 9 9 9 9 9 9 9 9 9 9 9 9 1.9 9 9 9 9 9 9 9 9 9 9 9 9 1.9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 1.9 9 9 9 9 9 1.9 9 9 9 9 9 1.9 9 9 9 9 9 9 9 9 1.9 9 9 9 9 9 9 1.9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 1.9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 5.533.544.5x 10-3（h）2 4 6 8 10246810 0.50.550.60.650.7（i）RMSEMAEDANANANBNBNBNFIG。4级数据分析：分别针对Na阶和Nb阶的AR、ARX和ANN模型的RMSE（（a）、（d）、（g））、M AEs（（b）、（e）、（h））和DAs（（c）、（f）、（i）），其中nk=2m=4，nk=1。

如图所示，交易模拟结果是累积的。图7a显示了使用AR模型时，m=4，nk=1的计算累积回报率的平均值。图7b、c显示了分别使用ARX和ANN模型对m=4、nk=1进行交易模拟计算的累积收益平均值的等值线图。交易模拟表明，ARX和ANN模型中包含的推文携带的信息增强了预测能力，从而使NB和na订单的某些价值成为可预测的交易机会，从而超越AR模型（缺乏推文信息）。表明，在图6b中，我们展示了由12名帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕帕550.560.570.580.59（f）24 6 8 102468103.544.555.566.5x 10-3（g）2 4 6 8 10246810 33.544.55x 10-3（h）2 4 6 8 10246810 0.50.550.6（i）RMSemaedanannabn图。5级数据分析：分别针对订单SNA和nb的RMSE（（a）、（d）、（g））、M AEs（（b）、（e）、（h））和DAs（（c）、（f）、（i））f或AR、ARX和ANN模型，其中nk=4使用na=3和nb=6的ANN模型，对一步预测期（nk=1）进行移动平均交易模拟。在这一点上，我们应该注意到，上述结果是由于在水平数据中的趋势。

为了验证在排除趋势的情况下，采用twitter数据库中包含的信息的ARX和ANN模型的预测效率是否比单纯的r andom walk和一般的AR模型更好，我们还使用通过日志差异得出的去趋势数据进行了相同的分析。图8、9、10分别描述了在nk=1、nk=2和nk=4的情况下，交换/推文的AR、ARX和ANN模型的计算RMSE、MAE和SGN（对数差异）（理论值从1到10）。对于nk=1，rando m walk提供的社交微博可以用来预测日内汇率吗？130 100 200 400 500-6-5-4-3-2-101（a）0 100 200 400 500-101234567（b）累积收益累积收益STTFIG。6与其他AR模型相比，使用（a）随机游走模型，（b）na=3和nb=6最小RM SE和MAE的ANN模型（R m SE约为0.1405，MAE约为0.1）对一步预测期（nk=1）进行移动平均交易模拟（移动平均水平定义为m=4）得出的累积收益。对于相同的时滞，最佳ARX模型（na=1，nb=8- 10） 给出了大约0.1372的R M SE和0.0975的Forme。最佳ANN模型（na=1，nb=2）的相应RMSE和M AE值分别为RMSE的0.1361和MAE的0.098。最佳ARX和ANN模型的估计误差平均值与随机游动之间的单向方差检验显示无显著差异。在其他nk>1的情况下观察到相同的行为。例如，对于nk=4，r和OMWALK给出了最小的RM SE和M AE（RM SE约为0.140，MAE约为0.1）与其他AR车型相比。对于相同的时滞，bestARX模型（na=1，nb=6）给出的RMSE和M AE分别为0.1395和0.1。b est ANN模型（na=6，nb=6）的相应值为RMSE的0.1361和M AE的0.0986。

同样，最佳ARX和ANN模型的估计误差平均值与随机游走之间的单向Anova检验没有显示出显著差异。根据Sgn描述的方向变化统计数据，该统计数据描述了模型正确预测速率变化迹象的次数比例，NK=1的AR模型得出的Sgn值约为0.5（随机游动得出的结果约为0.53）。然而，值得注意的是，一些ARX和ANN模型结合了推文中包含的信息，产生了相当高的Sgn值，高达0.59（见图8f，i）。特别是，就Sgn统计而言，最好的ARX模型是na=1，nb=1- 4，nk=1给出了从0.5 74（na=1，nb=4）到0.596（na=1，nb=2）的Sgn值（图8f）。na=7、nb=4和nk=1时观察到的最佳ANN性能给出了大约0.6的Sgn值（见图8i）。为了测试最佳ARX和ANN模型产生的结果的统计意义，我们对总共5000个随机扰动的验证数据重采样进行了bootstr。使用最佳ARX模型（na=1，nb=2）和14个Panagiotis Papaioannou等人0 2 4 8 10-2.6-2.4-2.2-2-1.8-1.6-1.4-1.2（a）2 4 8 1012345678910-1.6-1.4-1.2-0.8-0.6-0.4-0.200.2（b）2 4 6 1012345678910-3-1012345678（c）平均累积回报图。

7使用（a）AR、（b）ARX、（c）ANN modelsCan社交微博，通过移动平均交易模拟（m=4和nk=1）得出的平均累积收益是否可用于预测日内汇率？150 2 4 6 8 100.14050.1410.14150.1420.14250.14350.143（a）0 2 4 6 8 100.09950.10.10050.1010.10150.102（b）0 2 4 6 8 100.460.480.50.520.540.56（c）2 4 6 8 10246810 0.13750.13850.1390.13950.140.1405（d）2 4 6 8 10246810 0.09750.0980.09850.0990.09950.1（e）2 4 6 8 102468100.5200 0.540.560.58（f）2 4 6 8 10246810 0.1380.140.1420.1440.1460.148（g）2 4 6 8 10246810 0.0980.10.1020.1040.1060.108（h）2 4 6 810246810 0.450.50.550.6（i）RMSEMAGNANANANANBNBNFIG。8收益率（对数差异）分析：AR、AR X和ANN模型的RMSE（（a）、（d）、（g））、MAEs（（b）、（e）、（h））和SGNS（（c）、（f）、（i））分别与订单SNA和nb有关，nk=1最佳ANN模型（na=7，nb=4）。ARX和ANN模型得到的5000次重采样的SGN的经验自举分布分别如图11a和图11b所示。可以清楚地看到，使用最佳ARX和ANN模型获得的值远远超过了由此产生的引导分布的最大值。这些结果表明，推文信息可以用来提高速率方向变化的预测效率。对于预测范围的较大值，即。

对于nk>1，未观察到显著差异（SGN的值约为0.5，偏差较小）（参见图8c、f、i和图9c、f、i）16 Panagiotis Papaioannou等。0 2 4 6 8 100.1410.14150.1420.14250.1430.1440.1435（a）0 2 4 6 100.10.10050.1010.1025（b）0 2 4 6 100.40.420.440.460.480.5（c）2 4 8 1410.468100.1020.1020.1430.1020.1020.1020（b）d（e） 2 4 6 8 102468100.420.440.460.480.5（f）2 4 6 8 10246810 0.140.1450.15（g）2 4 6 8 10246810 0.10.1020.1040.1060.1080.110.112（h）2 4 6 8 10246810 0.440.460.480.50.52（i）RMSEMAGNANANANANBNFIG。9.收益率（对数差异）分析：AR、AR X和ANN模型的RMSE（（a）、（d）、（g））、MAEs（（b）、（e）、（h））和SGNS（（c）、（f）、（i））分别与订单SNA和NB有关，其中nk=25结论过去几年已经证明，基于网络的搜索引擎和最近的Twitter等社交媒体可以用于预测某些未来复杂的事件。同样，在当代货币和经济管理研究中，一个尚未解决的问题，即短期外汇汇率预测（e x）也可能受益于社交微博的使用。在这项工作中，我们试图通过Witters的社交网络和交流平台，检验有效市场假说在外汇方面的有效性。