文/重慶大學(xué)建設(shè)管理與房地產(chǎn)學(xué)院 鐘 靜 徐鵬鵬

0 引言

近年來，許多建筑公司開始向海外擴(kuò)展，國際建筑工程和采購量不斷增加。由于項(xiàng)目周期長、工程款金額巨大、進(jìn)口材料與設(shè)備涉及進(jìn)出口等原因，匯率波動(dòng)成為國際工程項(xiàng)目重要風(fēng)險(xiǎn)之一，忽略匯率波動(dòng)可能給實(shí)際項(xiàng)目帶來巨大的收益損失。因此，準(zhǔn)確預(yù)測匯率變化情況對國內(nèi)建筑商承包海外項(xiàng)目十分重要。不同年份的匯率是一組時(shí)間序列值，具有高度非線性和模糊性，傳統(tǒng)的統(tǒng)計(jì)回歸方法難以反映時(shí)間序列曲線的真實(shí)波動(dòng)情況，機(jī)器學(xué)習(xí)算法應(yīng)對非線性問題具有優(yōu)越性，在時(shí)間序列預(yù)測中越來越受重視。

TAY等[1]研究了支持向量機(jī)（SVM）在金融時(shí)間序列預(yù)測中的可行性，并將其與多層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，表明支持向量機(jī)在預(yù)測金融時(shí)間序列方面優(yōu)于多層BP神經(jīng)網(wǎng)絡(luò)。KIM KJ[2]證明了支持向量機(jī)在預(yù)測股票價(jià)格方向上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，闡述了支持向量機(jī)將是未來股票市場預(yù)測的優(yōu)秀選擇。HA等[3]對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)3種演化方法的時(shí)間序列預(yù)測能力進(jìn)行評估，包括遺傳算法（GA）、差分進(jìn)化算法（DE）和分布算法估計(jì)（EDA），發(fā)現(xiàn)遺傳算法可有效優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測精確性。

許多學(xué)者對匯率帶來的國際工程風(fēng)險(xiǎn)進(jìn)行了大量研究，提出以下應(yīng)對措施。

1）對匯率波動(dòng)的研究 加強(qiáng)對匯率走勢的研究與預(yù)測，一切匯率風(fēng)險(xiǎn)規(guī)避方法是基于對未來匯率走勢的預(yù)期，因此加強(qiáng)匯率走勢預(yù)期研究是有效規(guī)避匯率風(fēng)險(xiǎn)的措施[4-7]。

2）投標(biāo)報(bào)價(jià)和合約談判 盡量要求按月進(jìn)行驗(yàn)收計(jì)價(jià)和支付工程款，盡量將大宗支付和外幣支付部分安排在工程計(jì)劃的前期，盡快回收工程款。

3）避險(xiǎn)工具的使用 可利用金融工具避險(xiǎn)[8-9]。

4）支付幣種的選擇 在評估幣種最大風(fēng)險(xiǎn)承受能力的前提下，選擇有利的支付幣種和幣種的優(yōu)化組合[10-13]。

5）國際工程承包企業(yè)自身風(fēng)險(xiǎn)評估能力的培養(yǎng) 必須重視和加強(qiáng)商務(wù)專業(yè)人才的儲(chǔ)備和培養(yǎng)[14]。

1 匯率預(yù)測模型構(gòu)建

1.1 數(shù)據(jù)源與準(zhǔn)備

本文使用的匯率數(shù)據(jù)源于Forex.com平臺(tái)，從該平臺(tái)下載2005年6月1日至2017年11月1日的月初匯率數(shù)據(jù)，使用的貨幣為美元兌人民幣（USD/CNY），共150個(gè)數(shù)據(jù)點(diǎn)。采用從2005年6月1日開始的數(shù)據(jù)的原因是，在此之前人民幣采用固定匯率，匯率變化很小或幾乎沒有變化。

1.2 數(shù)據(jù)挖掘模型介紹

1.2.1 基礎(chǔ)模型

1）人工神經(jīng)網(wǎng)絡(luò)（ANNs） 其信息處理單元是與人腦中的神經(jīng)元相似的人造神經(jīng)元，神經(jīng)網(wǎng)絡(luò)通過經(jīng)驗(yàn)學(xué)習(xí)，并使用這些經(jīng)驗(yàn)進(jìn)行決策。1個(gè)神經(jīng)網(wǎng)絡(luò)由1組連接到某些加權(quán)節(jié)點(diǎn)的神經(jīng)節(jié)點(diǎn)組成。每個(gè)節(jié)點(diǎn)模擬1個(gè)大腦神經(jīng)元，節(jié)點(diǎn)之間的連接類似于連接大腦神經(jīng)元的突觸。最常見的人工神經(jīng)網(wǎng)絡(luò)模型是多層感知（MLP）神經(jīng)網(wǎng)絡(luò)模型。在MLP神經(jīng)網(wǎng)絡(luò)模型中，輸入層包含1組感知輸入節(jié)點(diǎn)，1個(gè)或多個(gè)隱含層含有計(jì)算節(jié)點(diǎn)，輸出層含有1個(gè)代表結(jié)果的計(jì)算節(jié)點(diǎn)。用于訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)最廣泛使用及有效的學(xué)習(xí)算法是反向傳播（BP）算法。

2）分類和回歸樹（CART） 可根據(jù)樹的增長考慮誤分類成本，并在分類問題中指定先驗(yàn)概率分布。分類問題可以選擇GINI、雙化或有序雙化；回歸問題可使用最小二乘偏差（LSD）或最小絕對偏差（LAD）。

3）線性回歸（LR） 計(jì)算問題是將超平面擬合到n維空間，其中n是自變量的數(shù)目。對于具有n個(gè)輸入（自變量）χ和1個(gè)輸出（因變量）y的系統(tǒng)，簡化為最小二乘問題確定線性回歸模型的未知參數(shù)。

4）支持向量機(jī)回歸（SVR） 首先使用固定映像程序?qū)VR輸入映像到低維特征空間，然后將非線性核函數(shù)擬合到高維特征空間，與原始輸入空間中的輸入數(shù)據(jù)相比，輸入數(shù)據(jù)更易于分離。

1.2.2 組合模型

1）Voting Method 組合多個(gè)基本模型的最簡單方法。在預(yù)測問題中，單個(gè)基本模型的輸出被匯集，然后選擇具有最多投票數(shù)的結(jié)果作為最終決定。通常數(shù)字輸出可由概率估計(jì)的不同組合確定。

2）Bagging Method 自舉法被用來獨(dú)立訓(xùn)練多個(gè)基礎(chǔ)模型，并使用不同的訓(xùn)練集。建立n個(gè)重復(fù)訓(xùn)練數(shù)據(jù)集，通過隨機(jī)重新采樣并替換原始訓(xùn)練數(shù)據(jù)集構(gòu)造n個(gè)獨(dú)立分類器。每個(gè)訓(xùn)練樣本可能在n的任何特定復(fù)制訓(xùn)練數(shù)據(jù)集中重復(fù)出現(xiàn)或根本不出現(xiàn)，然后通過合適的組合方法（如概率的平均值）對n個(gè)分類器進(jìn)行聚合。

3）Stacking Method 使用第一級(jí)分類器的輸出訓(xùn)練“堆?！狈诸惼鳎吹诙?jí)分類器。最終決定取決于堆棧分類器的輸出。與上述“靜態(tài)”合并器進(jìn)行投票的組合方法不同，堆棧分類器是“可訓(xùn)練”的合并器，可識(shí)別特定學(xué)習(xí)數(shù)據(jù)集的分類器錯(cuò)誤并進(jìn)行糾正。

1.2.3 啟發(fā)式回歸模型

最小二乘支持向量回歸（LSSVR）是一種特殊的支持向量回歸（SVR）模型，由于LSSVR模型中的參數(shù)設(shè)定對模擬結(jié)果產(chǎn)生較大影響，因此采用自啟發(fā)式的優(yōu)化算法——螢火蟲算法（FA）對LSSVR模型中的高階參數(shù)進(jìn)行優(yōu)化，以期得到更好的結(jié)果。采用優(yōu)化算法與機(jī)器學(xué)習(xí)算法相結(jié)合，能在一定程度上提升訓(xùn)練效果，該算法采用Matlab進(jìn)行程序設(shè)計(jì)，程序命名為MetaFA-LSSVR。

1.3 模型結(jié)果及對比分析

對于基礎(chǔ)模型和組合模型，采用Weka軟件中的自帶模型進(jìn)行分析，啟發(fā)式回歸模型則采用MetaFA-LSSVR軟件進(jìn)行分析。為方便及易于使用，模型的基礎(chǔ)參數(shù)均采用默認(rèn)值。各模型表現(xiàn)分別以3個(gè)值進(jìn)行評估，為均方根誤差（RMSE），平均絕對誤差（MAE）及平均絕對百分誤差（MAPE）。采用Hold-out評估方法將數(shù)據(jù)的前80%作為訓(xùn)練集，后20%作為測試集。

分析可知，基礎(chǔ)模型中SVR模型表現(xiàn)最好；組合模型中Voting中的ANNs+CART+SVR和Stacking中的ANNs+CART+SVR表現(xiàn)較好；啟發(fā)式回歸模型MetaFA-LSSVR的表現(xiàn)也較好。根據(jù)上述表現(xiàn)較好模型測試的預(yù)測值與實(shí)際值對比情況可以發(fā)現(xiàn)，上述各模型的預(yù)測趨勢基本與實(shí)際情況相符，因此在預(yù)測后續(xù)值中，將采用上述表現(xiàn)較好模型的預(yù)測值進(jìn)行分析（見圖1）。

圖1 預(yù)測值與實(shí)際值對比

1.4 模型結(jié)果預(yù)測

選取表現(xiàn)較好的3種方法MetaFA-LSSVR、Voting（ANNs+SVR+CART）和Stacking（ANNs+SVR+CART）對2017年12月至2018年11月共向前12步的美元兌人民幣匯率進(jìn)行預(yù)測。隨著預(yù)測步數(shù)的增加，預(yù)測誤差也不斷累加，通過分析3種方法的誤差得出：Voting方法預(yù)測值隨時(shí)間上升，Stacking方法的預(yù)測值隨時(shí)間下降，而MetaFA-LSSVR的預(yù)測值在兩者之間波動(dòng)，風(fēng)險(xiǎn)較小。

2 國際工程項(xiàng)目匯率風(fēng)險(xiǎn)影響

國際工程項(xiàng)目工期一般2～3年，在此期間，材料費(fèi)用、匯率的波動(dòng)幅度較大。項(xiàng)目設(shè)備來自其他國家地區(qū)，因此需考慮多種貨幣匯率的影響。一般情況下，考慮到國際上人民幣升值壓力，報(bào)價(jià)中會(huì)將遠(yuǎn)期最低匯率作為基準(zhǔn)參考值，但在國際工程采購項(xiàng)目的報(bào)價(jià)實(shí)踐中，部分項(xiàng)目因未充分考慮到匯率變動(dòng)影響而造成巨大損失，如孟加拉國國鹽廠項(xiàng)目于2005年3月進(jìn)行合約商談，但談判過程中未考慮匯率改革的可能性，2005年7月21日前簽定的合約仍按固定匯率結(jié)算，造成合約收貨款時(shí)的嚴(yán)重虧損。

表1 使用動(dòng)態(tài)加權(quán)匯率測算EP價(jià)格的原理與方法

3 國際工程項(xiàng)目報(bào)價(jià)階段匯率風(fēng)險(xiǎn)管理

海德堡孟加拉國公司是海德堡集團(tuán)投資建設(shè)的水泥粉磨站，公司擬建設(shè)礦渣立磨項(xiàng)目，目的為滿足孟加拉國對水泥的需求。項(xiàng)目自合約簽定后24個(gè)月為整個(gè)項(xiàng)目的執(zhí)行期，包含訂貨階段、發(fā)貨階段及現(xiàn)場安裝、調(diào)試等階段。

在海外工程投標(biāo)實(shí)踐中，確定匯率、處理匯率變動(dòng)影響較科學(xué)的方法是采用動(dòng)態(tài)加權(quán)匯率測算投標(biāo)價(jià)格，并在總價(jià)中適當(dāng)考慮匯率變動(dòng)風(fēng)險(xiǎn)。該方法需數(shù)據(jù)支持，包括：合約中規(guī)定的各部分付款比例、中間付款申請及審批程序；商務(wù)價(jià)格的初步測算結(jié)果及其中各主要組成部分的人民幣成本；結(jié)合施工進(jìn)度估算收到每筆工程款的時(shí)間及比重；對合約執(zhí)行期間的外匯匯率較準(zhǔn)確預(yù)測。本項(xiàng)目合約工程工期24個(gè)月，假設(shè)從2017年11月27日合約生效，至次年11月臨時(shí)驗(yàn)收結(jié)束，不包括1年的質(zhì)量保證期。如表1所示，根據(jù)動(dòng)態(tài)加權(quán)匯率原理進(jìn)行價(jià)格測算。

表1中，“預(yù)期匯率”一欄為本文上述預(yù)測的從2017年12月至次年11月的預(yù)期匯率；“設(shè)計(jì)權(quán)重”到“其他權(quán)重”中的數(shù)據(jù)是根據(jù)合約中付款進(jìn)度計(jì)劃形成的構(gòu)成合約總價(jià)各部分或每月應(yīng)收款占合約總價(jià)的百分比，其中“設(shè)計(jì)權(quán)重”共占合約總價(jià)的10%，“采購權(quán)重”占40%，“設(shè)備交貨及安裝權(quán)重”占30%，“其他權(quán)重”占20%；“加權(quán)匯率”為構(gòu)成投標(biāo)價(jià)格的各個(gè)部分所占百分比的總和；“總權(quán)重”為相應(yīng)各列的數(shù)據(jù)之和。本合約預(yù)付款10%，在合約生效并提交履約保函后支付，在“其他”欄中反映。該項(xiàng)的假設(shè)時(shí)間為：設(shè)計(jì)工作于2016年2月完成，歷時(shí)3個(gè)月。采購工作于6月完成，歷時(shí)5個(gè)月。交貨與安裝同時(shí)進(jìn)行并于2017年9月完成，歷時(shí)7個(gè)月。最后1個(gè)月完成試運(yùn)、性能測試及臨時(shí)驗(yàn)收，完成后付剩余5%合約款。保證期1年，采用銀行保函形式，不留保證金。整個(gè)執(zhí)行期共24個(gè)月（2年）。將各期預(yù)期匯率與同期付款比重相乘，將各乘積相加，即為本項(xiàng)目預(yù)期的動(dòng)態(tài)加權(quán)匯率。在本項(xiàng)目中，以MetaFA-LSSVR的預(yù)期匯率計(jì)算的動(dòng)態(tài)加權(quán)匯率為6.5549，比項(xiàng)目初期的6.6718（取假設(shè)2017年8月匯率）低0.1169。同樣，以Voting的預(yù)期匯率計(jì)算的動(dòng)態(tài)加權(quán)匯率為6.7600，以Stacking的預(yù)期匯率計(jì)算的動(dòng)態(tài)加權(quán)匯率為6.4749（見表2）。

表2 測算結(jié)果

計(jì)算得到的匯率差在-0.1969～+0.0882，可見匯率波動(dòng)對工程收益影響較大，為此可采用適當(dāng)提高報(bào)價(jià)約3%、提高匯率風(fēng)險(xiǎn)準(zhǔn)備金至8%或及早收款等策略。但需要注意以下事項(xiàng)。

1）計(jì)算各期付款比重時(shí)應(yīng)以實(shí)際收到業(yè)主的付款為準(zhǔn)，而不是以承包商提交中間付款申請為準(zhǔn)。

2）采購付款時(shí)需現(xiàn)場到貨后經(jīng)業(yè)主方驗(yàn)收合格才能提交付款申請，有時(shí)也在貨物離岸后付少部分工程款。

3）根據(jù)市場調(diào)研、歷史數(shù)據(jù)等進(jìn)行原始價(jià)格測算時(shí)，除大部分以人民幣計(jì)價(jià)外，還有部分美元、歐元甚至當(dāng)?shù)貛诺膬r(jià)格測算數(shù)據(jù)，對這部分?jǐn)?shù)據(jù)應(yīng)妥善處理。

4）概算中采用動(dòng)態(tài)匯率法，該方法有相對先進(jìn)之處，但測算過程中仍存在主觀因素，加之國際金融形勢的復(fù)雜性、不確定性，完全準(zhǔn)確地預(yù)測準(zhǔn)匯率基本不可能。

5）為進(jìn)一步規(guī)避匯率波動(dòng)風(fēng)險(xiǎn)，除使用動(dòng)態(tài)加權(quán)匯率外，在構(gòu)成總價(jià)的不可預(yù)見及風(fēng)險(xiǎn)項(xiàng)目中，仍要適度考慮匯率變動(dòng)造成的成本影響。

4 結(jié)語

運(yùn)用機(jī)器學(xué)習(xí)算法對匯率進(jìn)行預(yù)測，將對國際工程項(xiàng)目投標(biāo)決策和合約報(bào)價(jià)具有指導(dǎo)作用?；A(chǔ)模型中，支持向量機(jī)回歸（SVR）表現(xiàn)最好，自啟發(fā)式回歸模型MetaFA-LSSVR表現(xiàn)較好。組合模型的準(zhǔn)確度相較于基礎(chǔ)模型不一定會(huì)上升，但在合適的組合及組合方式下，如Stacking（ANNs+CART+SVR）中，模型表現(xiàn)可以提升。各模型的預(yù)測誤差隨著預(yù)測步數(shù)的增加而不斷增大，如Stacking（ANNs+CART+SVR）中，向前1步的MAPE為0.8243%，向前12步的MAPE為4.4246%。