運用可解釋機器學習與宏觀經濟基本面預測匯率

1. 緒論

由於金融系統的複雜性、非線性以及頻繁的結構性斷裂，預測匯率向來是極具挑戰性的任務。傳統的計量經濟模型往往難以應對這些挑戰，且缺乏透明度。本研究透過在可解釋機器學習（ML）架構下，為加元/美元（CAD/USD）匯率開發一個基於基本面的模型，來彌補此一缺口。主要目標不僅是實現準確預測，更要為模型的決策提供符合理論的解釋，從而提高決策者和經濟學家的信任度，並提供具可行性的見解。

本研究的動機源自加拿大作為主要商品出口國的地位，特別是原油，其在2019年佔總出口額的14.1%。商品價格（尤其是石油）與加元之間的動態關係雖有充分記載，但極為複雜，常表現出非線性與時變特性，難以用線性模型捕捉。

2. 方法論與架構

2.1 可解釋機器學習方法

核心方法論結合了預測性機器學習模型（例如梯度提升、隨機森林或神經網路）與事後可解釋性技術。與「黑箱」模型不同，此方法使用如SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）等工具，來量化每個宏觀經濟變數對個別預測的貢獻。這使得我們能夠細緻地理解在特定時間點，哪些因素驅動了匯率變動。

2.2 資料與變數

模型納入了一系列假設會影響加元/美元匯率的宏觀經濟與金融變數。關鍵變數包括：

商品價格： 原油價格（WTI/布蘭特）、黃金價格。
金融指標： S&P/TSX綜合指數（加拿大股市）、美國股市指數、利率差（加拿大 vs. 美國）。
宏觀經濟基本面： GDP成長率差異、通膨率、貿易收支數據。
市場情緒與風險： VIX指數（波動率）。

資料可能來源於中央銀行（加拿大銀行、聯準會）、統計機構（加拿大統計局）以及金融市場資料庫。

2.3 模型架構與訓練

本研究採用監督式學習設定，其中目標變數是加元/美元匯率的未來變動或水準。特徵集包含宏觀經濟變數的滯後值。資料集被劃分為訓練集、驗證集和測試集，以確保穩健的樣本外評估。並進行了消融研究，根據可解釋性輸出的結果，系統性地移除變數，以精煉模型並提高預測準確度。

3. 實驗結果與分析

3.1 預測效能

與線性迴歸、向量自我迴歸（VAR）或隨機漫步模型等傳統基準相比，可解釋機器學習模型展現出更優越的預測準確度。報告了關鍵效能指標（例如均方根誤差 - RMSE、平均絕對誤差 - MAE、方向準確性），顯示出統計上顯著的改進。

模型效能概覽

基準（隨機漫步）： RMSE = X.XX

提出的可解釋機器學習模型： RMSE = Y.YY （改進：ZZ%）

3.2 特徵重要性與可解釋性

可解釋性分析揭示了清晰的驅動因素層級：

原油價格： 最重要的決定因素。其貢獻是時變的，其符號和幅度的變化與商品市場的重大事件（例如2014年油價崩盤、OPEC+決策、加拿大的輸油管發展）相符。
黃金價格： 第二重要的變數，扮演避險資產和商品貨幣的影響角色。
S&P/TSX綜合指數： 第三個關鍵驅動因素，反映了加拿大企業部門的健康狀況和資本流動。

圖表說明： SHAP摘要圖將視覺化地展示此層級結構。每個點代表一個資料實例（時間段）。X軸顯示SHAP值（對模型輸出的影響），Y軸列出按全局重要性排序的特徵。顏色表示特徵值（紅色=高，藍色=低）。對於原油，散佈在正負SHAP值兩側的點將證明其時變效應。

3.3 消融研究發現

消融研究證實了可解釋性結果。依序移除最重要的特徵（石油、黃金、TSX指數）會導致模型準確度急遽下降，驗證了它們的關鍵作用。相反地，移除較不重要的變數影響微乎其微，從而可以建立更簡潔、更有效率的最終模型。

4. 關鍵見解與討論

本研究成功地揭開了用於匯率預測的機器學習「黑箱」之謎。主要見解是：原油是加元/美元匯率最主要的、非線性的、且依狀態而定的驅動因素，這與加拿大的經濟結構相符。可解釋性框架提供了看似因果關係的敘述——例如，顯示何時油價上漲會推升加元（在風險偏好、需求驅動的漲勢期間），以及何時可能不會（在全球避險事件壓倒商品效應期間）。這彌合了機器學習預測與經濟理論之間的差距。

5. 技術細節與數學架構

預測模型可以表示為：$\hat{y}_t = f(\mathbf{x}_{t-k}) + \epsilon_t$，其中 $\hat{y}_t$ 是預測的匯率報酬率，$f(\cdot)$ 是機器學習模型（例如梯度提升函數），$\mathbf{x}_{t-k}$ 是滯後宏觀經濟特徵的向量，$\epsilon_t$ 是誤差項。

可解釋性是使用基於合作博弈論的SHAP值實現的。特徵 $i$ 的SHAP值 $\phi_i$ 計算如下： $$\phi_i = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|! (|N|-|S|-1)!}{|N|!} [f(S \cup \{i\}) - f(S)]$$ 其中 $N$ 是所有特徵的集合，$S$ 是排除 $i$ 的特徵子集，而 $f(S)$ 是使用特徵子集 $S$ 的模型預測。這為每個特徵公平地分配了預測差異。

6. 分析架構：範例個案研究

情境： 分析2020年第一季加元/美元貶值。

輸入： 2019年末/第四季的特徵集：WTI油價暴跌（COVID-19需求衝擊）、VIX上升（避險情緒）、TSX指數下跌。
模型預測： 預測加元將顯著走弱。
可解釋性輸出（SHAP）：
- 原油：高度負向貢獻（-50點）。低油價值強烈推低預測值。
- VIX：負向貢獻（-20點）。高避險情緒損害商品貨幣。
- TSX指數：負向貢獻（-15點）。
- 黃金：小幅正向貢獻（+5點）。其避險角色提供了輕微的抵消。
見解： 模型的預測被透明地歸因於主要是油價崩跌，並在更廣泛的避險情緒背景下進行情境化，這與觀察到的市場敘述完全吻合。

7. 未來應用與研究方向

即時政策儀表板： 中央銀行可將此類可解釋模型整合到儀表板中，即時監控關鍵驅動因素對貨幣的貢獻，為干預決策提供資訊。
多貨幣架構： 將方法論擴展到一系列商品貨幣（澳元、挪威克朗、俄羅斯盧布）和主要貨幣（歐元、日圓），以開發全球宏觀風險模型。
整合另類資料： 納入航運成本、石油庫存的衛星影像或新聞情緒分數，以增強特徵集。
因果發現： 結合因果推斷技術（例如Peter-Clark演算法），超越相關性，建立更強的因果連結。
可解釋人工智慧（XAI）標準： 這項工作有助於金融領域日益增長的可解釋人工智慧領域，正如MIT-IBM Watson AI Lab等機構的研究所倡導，強調在關鍵領域需要可信賴且可稽核的人工智慧系統。

8. 參考文獻

Neghaba, D. P., Cevik, M., & Wahab, M. I. M. (2023). Explaining Exchange Rate Forecasts with Macroeconomic Fundamentals Using Interpretive Machine Learning. arXiv preprint arXiv:2303.16149.
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy economics, 29(3), 390-404.
Bank of Canada. (2022). Monetary Policy Report.
U.S. Energy Information Administration. (2022). U.S. Imports from Canada of Crude Oil.
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?" Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining.

9. 分析師觀點：核心洞察、邏輯脈絡、優缺點、可行建議

核心洞察： 本文揭示了量化金融中一個強大卻常被忽視的真相：對於像加拿大這樣的資源驅動型經濟體，匯率並非複雜的謎團——它是一個對單一商品的槓桿化押注，包裹在其他嘈雜變數的面紗之下。作者使用可解釋機器學習，並非為了發現新的驅動因素，而是為了以傳統計量經濟學無法比擬的精確度，量化並驗證原油非線性、依賴於經濟狀態的主導地位。這不僅是預測，更是用數字進行的經濟敘事。

邏輯脈絡： 論證過程引人注目地簡單：1) 承認線性模型在混亂外匯市場中的預測失敗。2) 部署機器學習的模式識別能力以提高準確度。3) 使用SHAP/LIME打開「黑箱」並提問：「模型實際上學到了什麼？」4) 發現模型的智慧主要映射到最明顯的基本面故事——石油依賴性。其優雅之處在於使用尖端技術來強化，而非取代，經典的經濟直覺。

優缺點： 主要優點是其實用的混合方法，將機器學習的預測能力與決策者所需的解釋必要性相結合。消融研究是一個特別穩健的亮點。然而，缺點在於潛在的因果關係幻覺。SHAP解釋的是模型框架內的相關性，而非真正的因果關係。如果模型學到了一個虛假相關性（例如冰淇淋銷售額與加元之間的關係），SHAP也會盡責地解釋它。本文若能像Judea Pearl等人的開創性工作那樣，從一開始就整合因果發現方法，以區分驅動因素與單純的相關變數，將會更加有力。

可行建議： 對於基金經理：停止過度複雜化加元。 基於石油基本面建立您對加元的核心觀點，並使用此可解釋框架來動態權衡該觀點與次要因素（黃金、風險情緒）的關係。對於企業：使用此方法進行情境分析——將不同的油價路徑輸入已解釋的模型，以生成機率性的避險預算。對於監管機構：這是宏觀審慎政策中可稽核人工智慧的藍圖。在部署任何用於系統性風險評估的機器學習之前，要求達到此種程度的可解釋性，以了解模型真正對什麼敏感。未來不僅僅是人工智慧驅動的預測，更是人工智慧解釋的決策。

目錄