文/重慶大學建設管理與房地產(chǎn)學院 鐘 靜 徐鵬鵬

0 引言

近年來，許多建筑公司開始向海外擴展，國際建筑工程和采購量不斷增加。由于項目周期長、工程款金額巨大、進口材料與設備涉及進出口等原因，匯率波動成為國際工程項目重要風險之一，忽略匯率波動可能給實際項目帶來巨大的收益損失。因此，準確預測匯率變化情況對國內(nèi)建筑商承包海外項目十分重要。不同年份的匯率是一組時間序列值，具有高度非線性和模糊性，傳統(tǒng)的統(tǒng)計回歸方法難以反映時間序列曲線的真實波動情況，機器學習算法應對非線性問題具有優(yōu)越性，在時間序列預測中越來越受重視。

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

許多學者對匯率帶來的國際工程風險進行了大量研究，提出以下應對措施。

1）對匯率波動的研究 加強對匯率走勢的研究與預測，一切匯率風險規(guī)避方法是基于對未來匯率走勢的預期，因此加強匯率走勢預期研究是有效規(guī)避匯率風險的措施[4-7]。

2）投標報價和合約談判 盡量要求按月進行驗收計價和支付工程款，盡量將大宗支付和外幣支付部分安排在工程計劃的前期，盡快回收工程款。

3）避險工具的使用 可利用金融工具避險[8-9]。

4）支付幣種的選擇 在評估幣種最大風險承受能力的前提下，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)自身風險評估能力的培養(yǎng) 必須重視和加強商務專業(yè)人才的儲備和培養(yǎng)[14]。

1 匯率預測模型構建

1.1 數(shù)據(jù)源與準備

本文使用的匯率數(shù)據(jù)源于Forex.com平臺，從該平臺下載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個數(shù)據(jù)點。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 基礎模型

1）人工神經(jīng)網(wǎng)絡（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)絡通過經(jīng)驗學習，并使用這些經(jīng)驗進行決策。1個神經(jīng)網(wǎng)絡由1組連接到某些加權節(jié)點的神經(jīng)節(jié)點組成。每個節(jié)點模擬1個大腦神經(jīng)元，節(jié)點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)絡模型是多層感知（MLP）神經(jīng)網(wǎng)絡模型。在MLP神經(jīng)網(wǎng)絡模型中，輸入層包含1組感知輸入節(jié)點，1個或多個隱含層含有計算節(jié)點，輸出層含有1個代表結果的計算節(jié)點。用于訓練MLP神經(jīng)網(wǎng)絡最廣泛使用及有效的學習算法是反向傳播（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個輸入（自變量）χ和1個輸出（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）支持向量機回歸（SVR） 首先使用固定映像程序將SVR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 組合多個基本模型的最簡單方法。在預測問題中，單個基本模型的輸出被匯集，然后選擇具有最多投票數(shù)的結果作為最終決定。通常數(shù)字輸出可由概率估計的不同組合確定。

2）Bagging Method 自舉法被用來獨立訓練多個基礎模型，并使用不同的訓練集。建立n個重復訓練數(shù)據(jù)集，通過隨機重新采樣并替換原始訓練數(shù)據(jù)集構造n個獨立分類器。每個訓練樣本可能在n的任何特定復制訓練數(shù)據(jù)集中重復出現(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個分類器進行聚合。

3）Stacking Method 使用第一級分類器的輸出訓練“堆?！狈诸惼鳎吹诙壏诸惼?。最終決定取決于堆棧分類器的輸出。與上述“靜態(tài)”合并器進行投票的組合方法不同，堆棧分類器是“可訓練”的合并器，可識別特定學習數(shù)據(jù)集的分類器錯誤并進行糾正。

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)設定對模擬結果產(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)進行優(yōu)化，以期得到更好的結果。采用優(yōu)化算法與機器學習算法相結合，能在一定程度上提升訓練效果，該算法采用Matlab進行程序設計，程序命名為MetaFA-LSSVR。

1.3 模型結果及對比分析

對于基礎模型和組合模型，采用Weka軟件中的自帶模型進行分析，啟發(fā)式回歸模型則采用MetaFA-LSSVR軟件進行分析。為方便及易于使用，模型的基礎參數(shù)均采用默認值。各模型表現(xiàn)分別以3個值進行評估，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%作為訓練集，后20%作為測試集。

分析可知，基礎模型中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)較好模型測試的預測值與實際值對比情況可以發(fā)現(xiàn)，上述各模型的預測趨勢基本與實際情況相符，因此在預測后續(xù)值中，將采用上述表現(xiàn)較好模型的預測值進行分析（見圖1）。

圖1 預測值與實際值對比

1.4 模型結果預測

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行預測。隨著預測步數(shù)的增加，預測誤差也不斷累加，通過分析3種方法的誤差得出：Voting方法預測值隨時間上升，Stacking方法的預測值隨時間下降，而MetaFA-LSSVR的預測值在兩者之間波動，風險較小。

2 國際工程項目匯率風險影響

國際工程項目工期一般2～3年，在此期間，材料費用、匯率的波動幅度較大。項目設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，報價中會將遠期最低匯率作為基準參考值，但在國際工程采購項目的報價實踐中，部分項目因未充分考慮到匯率變動影響而造成巨大損失，如孟加拉國國鹽廠項目于2005年3月進行合約商談，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算，造成合約收貨款時的嚴重虧損。

表1 使用動態(tài)加權匯率測算EP價格的原理與方法

3 國際工程項目報價階段匯率風險管理

海德堡孟加拉國公司是海德堡集團投資建設的水泥粉磨站，公司擬建設礦渣立磨項目，目的為滿足孟加拉國對水泥的需求。項目自合約簽定后24個月為整個項目的執(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。

在海外工程投標實踐中，確定匯率、處理匯率變動影響較科學的方法是采用動態(tài)加權匯率測算投標價格，并在總價中適當考慮匯率變動風險。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；商務價格的初步測算結果及其中各主要組成部分的人民幣成本；結合施工進度估算收到每筆工程款的時間及比重；對合約執(zhí)行期間的外匯匯率較準確預測。本項目合約工程工期24個月，假設從2017年11月27日合約生效，至次年11月臨時驗收結束，不包括1年的質量保證期。如表1所示，根據(jù)動態(tài)加權匯率原理進行價格測算。

表1中，“預期匯率”一欄為本文上述預測的從2017年12月至次年11月的預期匯率；“設計權重”到“其他權重”中的數(shù)據(jù)是根據(jù)合約中付款進度計劃形成的構成合約總價各部分或每月應收款占合約總價的百分比，其中“設計權重”共占合約總價的10%，“采購權重”占40%，“設備交貨及安裝權重”占30%，“其他權重”占20%；“加權匯率”為構成投標價格的各個部分所占百分比的總和；“總權重”為相應各列的數(shù)據(jù)之和。本合約預付款10%，在合約生效并提交履約保函后支付，在“其他”欄中反映。該項的假設時間為：設計工作于2016年2月完成，歷時3個月。采購工作于6月完成，歷時5個月。交貨與安裝同時進行并于2017年9月完成，歷時7個月。最后1個月完成試運、性能測試及臨時驗收，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。整個執(zhí)行期共24個月（2年）。將各期預期匯率與同期付款比重相乘，將各乘積相加，即為本項目預期的動態(tài)加權匯率。在本項目中，以MetaFA-LSSVR的預期匯率計算的動態(tài)加權匯率為6.5549，比項目初期的6.6718（取假設2017年8月匯率）低0.1169。同樣，以Voting的預期匯率計算的動態(tài)加權匯率為6.7600，以Stacking的預期匯率計算的動態(tài)加權匯率為6.4749（見表2）。

表2 測算結果

計算得到的匯率差在-0.1969～+0.0882，可見匯率波動對工程收益影響較大，為此可采用適當提高報價約3%、提高匯率風險準備金至8%或及早收款等策略。但需要注意以下事項。

1）計算各期付款比重時應以實際收到業(yè)主的付款為準，而不是以承包商提交中間付款申請為準。

2）采購付款時需現(xiàn)場到貨后經(jīng)業(yè)主方驗收合格才能提交付款申請，有時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)等進行原始價格測算時，除大部分以人民幣計價外，還有部分美元、歐元甚至當?shù)貛诺膬r格測算數(shù)據(jù)，對這部分數(shù)據(jù)應妥善處理。

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

5）為進一步規(guī)避匯率波動風險，除使用動態(tài)加權匯率外，在構成總價的不可預見及風險項目中，仍要適度考慮匯率變動造成的成本影響。

4 結語

運用機器學習算法對匯率進行預測，將對國際工程項目投標決策和合約報價具有指導作用?；A模型中，支持向量機回歸（SVR）表現(xiàn)最好，自啟發(fā)式回歸模型MetaFA-LSSVR表現(xiàn)較好。組合模型的準確度相較于基礎模型不一定會上升，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。各模型的預測誤差隨著預測步數(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%。