2025年7月，SSRN发布“AI and Exchange Rate Predictability”一文。该研究重新审视 Meese 和 Rogoff提出的“汇率脱钩谜题”，并运用生成式 AI 技术基于经济基本面预测货币回报。研究者利用 ChatGPT 和 DeepSeek 分析主要货币组合的经济数据，量化各货币基本面强度。研究发现，AI 驱动的经济基本面指标具有显著截面预测力，做多强基本面货币并做空弱基本面货币的简易策略年化夏普比率超过0.7，且该策略收益在控制传统货币因子后依然显著。为了减轻对前瞻性偏差的担忧，作者进行了多项检验以确保可预测性源于 AI 的推理能力而非数据记忆。最后，研究探索了可预测性的潜在来源，泰勒规则被验证为汇率与基本面关联的核心机制。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。作者 | Amin Izadyar来源 | SSRN编译 | 吴秋锦1 引言汇率与经济基本面的预测关系始终是国际金融领域的核心难题。自Meese和Rogoff提出“汇率脱钩谜题”以来，传统基本面模型的预测表现长期逊于随机游走模型。尽管后续研究识别出部分预测变量，该谜题仍未完全破解。人工智能的发展为破解这一谜题提供了新路径。本研究利用GPT-4o和DeepSeek-V3分析1996-2024年间G10国家500余项经济指标，通过结构化提示词要求AI根据经济数据实际值、前期值与预期的差异生成货币走势信号（走强/走弱/中性），据此构建反映货币基本面强度的AIFX指数。实证显示，基于AIFX指数的多空策略年化夏普比率达0.7以上，在控制传统货币因子后仍产生显著alpha收益（占比74%）。面板回归证实该指数能有效预测下月汇率收益，其中通胀、就业和广义经济活动指标最具预测力。稳健性检验包括：模型替换、加权指数构建、时间序列策略转换等，结果均保持稳健。针对大语言模型的前瞻偏差风险，研究通过四重检验证实预测力源于合理推理：模型对数据发布年份的识别正确率仅5.6%；不同训练截止期的模型表现无显著差异；宏观变量相关性记忆测试呈阴性；构建的“后见之明组合”与策略收益正交。机制分析表明，泰勒规则框架是连接基本面与汇率的关键渠道。央行对负面冲击的更激进反应（如快速降息）导致负面消息的即时市场反应更强，而正面消息的影响则呈现渐进性，这解释了预测能力的非对称特征。这种政策倾向与货币政策政治经济学的研究发现一致，为理解汇率形成机制提供了新视角。2 数据本研究选取十国集团(G10)货币作为研究对象，包括美元(USD)、欧元(EUR)、日元(JPY)、英镑(GBP)、瑞士法郎(CHF)、加元(CAD)、澳元(AUD)、新西兰元(NZD)、瑞典克朗(SEK)和挪威克朗(NOK)。选择这些货币主要基于其经济数据发布的历史连续性优势。为衡量各货币的经济基本面，我们从Investing.com获取了经济日历数据。该数据集汇总了各国关键经济指标发布情况，涵盖GDP报告、就业统计数据、通胀读数、央行决策等544类独特指标。针对每个数据发布，数据集均提供实际值、前值及市场预期值。整体数据时间跨度为1996年1月至2024年10月，共计包含174,820个数据观测值。此外，我们从Bloomberg获取了伦敦时间收盘的即期汇率和一个月远期汇率数据。需特别说明的是，本研究涉及九组汇率报价，均采用单位外币兑换美元(USD/FCU)的标价方式。3 经济数据发布分析1.让人工智能作为金融分析师针对经济日历数据集中的每项经济数据发布，我们通过API向GPT-4o输入结构化提示词。该提示词包含数据发布的标题、实际值、前值以及市场预期值，并指示AI模型生成简要分析及方向性信号，判断该数据发布将导致相关货币走强、走弱或是影响不显著/不确定。需要特别说明的是，研究排除了所有关于发布时间或日期的信息。2.变量构建本研究采用一种直观的方法构建三个由人工智能驱动的变量。假设当前时间为 t，回溯期为 τ，则时间区间 L=(t−τ,t] 表示在时间 t 的回溯窗口。基于此，针对货币 c，构建以下变量：其中：Strength衡量货币c在回溯窗口L内的正面新闻占比；Weakness衡量货币c在回溯窗口L内的负面新闻占比；AIFX 定义为正面与负面新闻占比的差值，提供一项基于AI分类数据的综合货币强度指标。4 预测效果评估1.横截面交易策略本研究采用标准化的横截面交易策略来评估AIFX指数的预测能力。通过测试1-60个月不同长度的回溯期，在每月末根据AIFX指数对货币进行排序，构建做多前两位货币/做空末两位货币的投资组合。绩效表现方面，该策略在所有回溯期均获得正夏普比率，其中36-60个月回溯期的表现尤为突出，图1展示了不同回溯期对应的年化夏普比率。此外，策略收益呈现稳健增长趋势，投资组合调整频率适中，交易成本不会对收益造成显著侵蚀。研究通过构建如下回归模型控制传统货币因子：回归结果显示，AIFX策略收益不能被传统货币因子完全解释。以48个月回溯期为例，策略产生统计显著的alpha收益，占总平均收益的74%，表明仅有约1/4的收益可被传统因子解释。值得注意的是，在54-60个月回溯期，由于价值因子解释力增强，alpha的显著性有所降低。2.面板回归分析为验证AIFX指数的统计显著性，本研究构建了面板回归模型，其中被解释变量为货币在次月的超额收益，核心解释变量为采用不同回溯期计算的AIFX指数，并通过时间固定效应控制截面差异。实证结果显示，AIFX指数的回归系数在多数回溯期均呈现统计显著性，其t值变化趋势与夏普比率表现高度一致。即便将即期汇率作为被解释变量，虽然预测力有所减弱，但仍保持统计显著性。3.GPT-4o vs DeepSeek-V3本文核心部分的分析采用的是GPT-4o模型。在模型稳健性检验方面，通过对比GPT-4o与DeepSeek-V3两种AI模型构建的AIFX策略发现，其生成的夏普比率表现高度接近，且在不同回溯期均呈现一致的变化趋势，表明研究结论具有较好的模型无关性。4.替换AIFX指数构建方式此外，针对基础分析中未考虑数据重要性差异的局限，本研究进一步改进了指数构建方法，通过引入GPT-4o对每项数据发布的重要性赋权（1-100分），在保留原始计数法简明性的同时，有效捕捉了不同经济数据影响的异质性特征。这种加权AIFX指数的构建方法既维持了模型的解释力，又增强了经济逻辑的合理性，为研究结论提供了更为稳健的实证基础。5.时间序列交易策略本研究在横截面策略基础上，进一步构建时间序列交易策略以验证AIFX指数的预测稳健性。设AIFXc,t,τ为货币c的指标值，AIFXUS,t,τ为美元对应的指标值，通过定义货币相对强弱指标，在每月末根据指标正负号建立多空头寸。与美元中性的横截面策略不同，该策略可能形成美元风险暴露。实证结果显示，时间序列策略夏普比率虽略低于横截面策略，但在1-60个月回溯期内均保持经济显著性，其中45-60个月回溯期表现最佳。分解分析表明，基于美国基本面（AIFXUSD）的策略夏普比率稳定在0.4-0.5区间，单一货币基本面策略未显示显著预测能力。这表明时间序列预测力主要源自美国经济基本面，可能反映美国数据的市场影响力或数据完备性优势。5 前瞻性偏差检验前瞻性偏差指模型在训练中接触了未来信息，导致预测结果在回测中表现优异，但在实时预测中失效。作者通过以下检验排除了这一可能性：首先，研究测试了模型是否能“记忆”数据发布的年份。实验中，模型被要求仅根据经济数据内容（如GDP或CPI数值）猜测发布年份，而非分析经济影响。结果显示，模型猜测的年份分布与实际分布差异显著，平均正确率仅5.6%，且分类表现（F1分数）与策略收益无相关性，表明模型无法通过隐含记忆时间信息来提升预测表现。其次，研究利用GPT-4o和GPT-3.5的知识截止日期差异（分别为2023年10月和2021年9月）设计双重差分分析。若前瞻性偏差存在，GPT-3.5在2021年后的表现应显著劣于GPT-4o。然而，两模型输出的信号相关性在前后期保持稳定，且交互项系数不显著，说明模型性能不受训练数据时间范围的限制。第三，检验模型是否记忆了宏观经济变量（如CPI和失业率）与汇率回报的历史相关性。通过让模型直接报告这些变量的历史相关性，发现其输出分布与真实值偏离较大，且波动显著，表明模型并未固化此类关联记忆。最后，作者构建“后见之明组合”，仅基于模型对历史汇率涨跌的记忆生成交易信号。该组合收益与AIFX策略收益正交，且AIFX策略的alpha仍显著，说明其超额收益并非来自记忆污染。此外，“后见之明”组合在2008年金融危机等数据覆盖充分的时期表现突出，但在其他时段平庸，进一步佐证了AIFX策略的独立性。6 机制检验首先，文章通过实证分析确定了三类对汇率预测最关键的经济指标：通胀数据、就业数据和广义经济活动指标。研究发现，当排除这三类指标时，预测模型的夏普比率显著下降，而仅使用这些核心指标的策略反而使夏普比率提升了40%。这一发现与泰勒规则高度吻合，因为这些指标正是央行制定货币政策时重点关注的变量。然后，研究深入分析了市场对经济信息的不对称反应。通过拆解AIFX指数发现，“强势比率”（正面新闻占比）展现出持续稳定的预测能力，而“弱势比率”（负面新闻占比）则基本无效。具体数据显示，负面新闻发布当日平均引发4.99个基点的汇率跌幅，远超正面新闻带来的1.92个基点涨幅。这种差异源自央行政策执行的非对称性：面对经济下行时，央行倾向于快速采取宽松政策，而对经济过热则反应相对谨慎。接着，研究通过事件窗口分析进一步验证了这一机制。负面消息引发的汇率调整往往集中在发布当日完成，而正面消息的影响则呈现更持久的渐进式调整。例如加拿大GDP不及预期时，市场立即做出反应；而澳大利亚贸易顺差超预期时，升值趋势持续数周。这种差异解释了为何正面新闻具有更长期的预测价值。最后，研究排除了AI模型简单复制历史规律的可能性。测试显示，模型对历史相关性的记忆并不准确，表明其预测能力确实来自对即时经济数据的分析推理，而非机械记忆。这种实时分析特性使AI能够捕捉传统模型容易忽略的细微联系，随着货币政策框架的不断完善，AI模型在汇率预测领域的优势可能会进一步凸显。7 结论本研究通过生成式人工智能技术对汇率预测问题进行了创新性探索，为破解Meese与Rogoff提出的“汇率脱钩之谜”提供了新的理论视角。基于GPT-4o和DeepSeek-V3等先进模型，我们构建了涵盖主要货币对宏观经济基本面的AI分析框架，其核心发现具有重要理论价值。首先，AI生成的基本面指标展现出卓越的预测能力。无论是横截面策略还是时间序列分析，AIFX指数在不同回溯窗口和变量设定下均保持稳健表现。通过严格的前瞻性偏差检验，我们证实模型的预测力源自其对经济逻辑的推理能力，而非历史数据的简单记忆。其次，研究揭示了货币政策传导机制的关键作用。特别是中央银行基于泰勒规则的利率决策框架，被证明是连接经济基本面与汇率变动的核心渠道。这一发现为理解汇率形成机制提供了新的理论支点。本研究的重要贡献体现在三个方面：1）方法论的创新，首次将生成式AI系统应用于汇率预测领域；2）理论机制的深化，通过量化分析验证了泰勒规则在汇率决定中的核心地位；3）实践价值的开拓，证实AI作为金融分析工具的可行性，为智能投研范式的发展奠定了基础。未来研究方向包括：进一步探索预测力的微观机制，完善AI模型的经济解释能力，以及拓展其在其他金融市场的应用场景。AI分析师在大规模数据支持下，有望超越传统分析方法的性能边界。这些探索将为金融科技发展开辟新的可能性。以下为部分报告截图……获取完整报告请后台回复“AI与汇率”获取下载链接·END·责编/李锦璇编译/吴秋锦排版/吴秋锦【延伸阅读】期刊｜《全球金融科技动态》第四期（2025.6）FinTech China | 金融科技前沿精选（第210期）JFE | “先买后付”的经济学：商家视角会议回顾 | 2025国际货币论坛隆重举行 聚焦“地缘经济风险与全球金融治理改革”JFE | 基于信号“全集”的机器学习：特征工程的作用