---
title: "你能在外汇预测上跑赢随机游走吗？用 30 行代码验证"
description: "经典结论是：一个\"不做任何预测\"的策略，明天汇率等于今天，在样本外击败几乎所有模型。这里是让你亲自验证这一结论的代码，用的是真实的每日汇率数据。"
canonical: "https://exchangerate.dev/zh/learn/beat-the-random-walk-fx-forecasting"
---

# 你能在外汇预测上跑赢随机游走吗？用 30 行代码验证

经典结论是：一个"不做任何预测"的策略，明天汇率等于今天，在样本外击败几乎所有模型。这里是让你亲自验证这一结论的代码，用的是真实的每日汇率数据。

2026年7月6日 · 7 分钟阅读

任何汇率预测都必须先跨过一道门槛：**随机游走**，这个什么都不做的预测认为，明天的汇率就等于今天的。自 Meese 和 Rogoff（1983）以来，短期内几乎没有模型能跑赢它，2025 年美联储的一篇工作论文用现代机器学习再次验证了这一点。本文是[《四十年的高墙》](https://exchangerate.dev/learn/can-you-predict-exchange-rates)的实操姊妹篇：大约 **30 行 Python 代码**，拉取数据、搭建基准、诚实地为一个模型打分。

- 任何外汇预测都必须跑赢的基准是随机游走：明天的汇率等于今天的。在每日主要货币对上，这个基准出奇地难以被击败。
- 用 Plus 或 Pro 密钥拉取序列，再搭建"无变化"基准，以样本外 R² 和 Clark-West 检验打分。
- 要丢弃前向填充的周末和假日行（`is_forward_filled` 标志），否则你的模型会悄悄从"周日汇率不变"这种假象中学到错误的规律。
- 增加模型复杂性只会让样本外准确率变差，而不是变好。你可以实时观察到过拟合的发生。
- 姊妹篇在五个货币对上跑了同样的测试，展示了仅凭两个看似合理的分析选择，就足以"制造"出一个统计显著的优势假象。

## 基准："明天等于今天"

1983 年，[Meese 和 Rogoff](https://scholar.harvard.edu/rogoff/publications/empirical-exchange-rate-models-seventies-do-they-fit-out-sample) 证明了：没有任何宏观模型能跑赢"明天的汇率就是今天的汇率"这个预测。利率差、货币供给、购买力平价，统统没用。这个"模型"就是随机游走，四十年来越来越精巧的经济学研究大多在它面前碰壁。我们在[《你能预测汇率吗？》](https://exchangerate.dev/learn/can-you-predict-exchange-rates)中讨论了背后的原因。本文是实操的另一半：亲自验证这一结论的代码。

2025 年 9 月，一位美联储经济学家用同样的测试检验了现代机器学习。这篇论文，[*Virtue or Mirage? Complexity in Exchange Rate Prediction*](https://www.federalreserve.gov/econres/feds/files/2025089pap.pdf)（Rehim Kılıç，FEDS 2025-089），让基于随机傅里叶特征（Random Fourier Features）的岭回归（Ridge regression）对阵随机游走，用样本外 R² 以及 Clark-West 和 Diebold-Mariano 检验评判。结论很审慎：复杂性只带来了"微弱、局部的收益"，且"脆弱、很少具有统计显著性"，从未转化为对随机游走的系统性优势。

**我们能复现什么，不能复现什么**

这篇论文使用了汇率 API 不提供的月度宏观基本面数据，因此我们无法完全复现它。但我们可以检验那个真正重要的问题，大多数开发者实际会遇到的问题：只用价格历史，一个训练出的模型能否跑赢"明天等于今天"？

## 拉取数据

用 Plus 或 Pro 密钥通过 `/v1/range` 获取五年的每日 EUR/USD 数据。

```pythonfetchadailyseries title="python, fetch a daily series"
import requests, numpy as np, pandas as pd

def fetch_range(base, symbol, start, end, key=None):
    rows, cursor = [], None
    headers = {"Authorization": f"Bearer {key}"} if key else {}
    while True:
        p = {"base": base, "symbols": symbol, "start_date": start, "end_date": end}
        if cursor: p["cursor"] = cursor
        d = requests.get("https://api.exchangerate.dev/v1/range",
                         params=p, headers=headers, timeout=30).json()
        rows += [{"date": r["date"], "rate": r["rates"][symbol]} for r in d["data"]]
        if not d.get("has_more"): break
        cursor = d["next_cursor"]
    df = pd.DataFrame(rows).drop_duplicates("date")
    df["date"] = pd.to_datetime(df["date"])
    return df.sort_values("date").set_index("date")

fx = fetch_range("EUR", "USD", "2021-01-01", "2026-01-01", key="YOUR_API_KEY")
```

有件事值得做对：每一行都携带 `is_forward_filled` 标志和 `source` 字段。周末和假日的数据是前向填充的，因此严谨的研究会丢弃这些行。你不希望模型从一个"平坦的周日"中"学到"东西：这是[《无前视偏差的数据回填》](https://exchangerate.dev/learn/backfill-without-lookahead)中提到的前视陷阱的一个缩影。

## 搭建基准和一个挑战者模型

随机游走每天都预测零收益率（Meese 和 Rogoff 使用的无漂移鞅）。给挑战者模型提供仅从价格序列中就能获得的所有廉价特征：动量、均值回归、已实现波动率，再让岭回归（论文本身采用的估计器）预测明天的收益率。

```pythonfeaturesandaridgemodel title="python, features and a Ridge model"
from sklearn.linear_model import Ridge

fx["ret"] = np.log(fx["rate"]).diff()
f = pd.DataFrame(index=fx.index)
for lag in (1, 2, 3, 5, 10): f[f"lag{lag}"] = fx["ret"].shift(lag)
f["mom5"], f["mom20"] = fx["ret"].rolling(5).sum().shift(1), fx["ret"].rolling(20).sum().shift(1)
f["vol10"], f["y"] = fx["ret"].rolling(10).std().shift(1), fx["ret"]
f = f.dropna()

split = int(len(f) * 0.7)
X = [c for c in f.columns if c != "y"]
m = Ridge(alpha=1.0).fit(f.iloc[:split][X], f.iloc[:split]["y"])
pred, y = m.predict(f.iloc[split:][X]), f.iloc[split:]["y"].values
```

## 诚实地打分

计算相对随机游走的样本外 R²（正值意味着你赢了），再加上 Clark-West 检验，当随机游走嵌套在你的模型内部时，这是正确的检验方法。

```pythonoutofsamplerandclarkwest title="python, out-of-sample R² and Clark-West"
from scipy import stats
r2 = 1 - np.sum((y - pred)**2) / np.sum(y**2)
f_hat = y**2 - ((y - pred)**2 - pred**2)
t = f_hat.mean() / (f_hat.std(ddof=1) / np.sqrt(len(f_hat)))
print(f"OOS R2 {r2:+.4%} | Clark-West t {t:+.2f} p {1-stats.norm.cdf(t):.3f}")
```

在 EUR/USD、GBP/USD、USD/JPY 以及几个不同窗口上跑一遍，规律相当顽固。样本外 R² 基本处于零或以下，从大致持平到负几个百分点不等，也就是说训练出的模型通常比"假设完全不变"表现更差。Clark-West 统计量很少达到显著水平，那些接近显著的格子只要你稍微调整划分点或标准误就会变来变去。把特征数量拉高来增加"复杂性"，样本外表现只会更差。你正在实时观察过拟合的发生。我们[在五个货币对上跑了完整测试](https://exchangerate.dev/zh/learn/we-tried-to-beat-the-random-walk)，并公布了每一个数字。

## 如果你在做产品，为什么这很重要

如果你上线一个"预测汇率"功能，你必须跑赢的基准就是"返回今天的汇率"，而在每日主要货币对数据上，这个基准出奇地难以击败。一个悄悄表现更差的预测接口，就是一个自信满满却错误的数字，安放在别人的结算流程或财资仪表盘里。

真正站得住脚的价值在别处。准确、快速地提供当前汇率水平，因为对下一个汇率最好的点预测确实就是当前值。与其做点预测，不如量化不确定性：波动率和置信区间是真正有用的，而且不需要跑赢随机游走。同时对预测的时间跨度要诚实，可预测性在日度层面基本为零，只有拉长到数月才会略有提升,而这正是文献中发现些许优势存在的地方。

> 那条平坦的随机游走线本身就是信息。它在说：今天的价格已经包含了关于明天几乎所有可知的东西。对一个数据提供方而言，真正的制胜之道是比任何人都更准确、更快地发布这个价格，并且对预测的局限性保持坦诚。

## 常见问题

### 外汇预测中的随机游走基准是什么？

这是最简单的预测：明天的汇率等于今天的，没有参数，也不依赖任何基本面。正因为它在样本外太难被击败，任何严肃的预测主张都必须以它为标准基准来衡量。

### 机器学习能在货币预测上跑赢随机游走吗？

在短期内基本不能形成系统性优势。2025 年美联储的一篇工作论文发现，复杂模型看似存在的优势是一种"幻象"，随着测试窗口拉长会逐渐消退；在一个你可以自己复现的纯价格测试中，增加特征只会让样本外准确率变差，而不是变好。

### 如何用 Python 检验外汇预测能否跑赢随机游走？

拉取一段每日序列（例如通过 exchangerate.dev 的 /v1/range 端点），按时间顺序划分，确保模型永远看不到测试窗口的数据，预测下一期收益率，然后用相对于零收益率随机游走的样本外 R² 以及 Clark-West 显著性检验来打分。完整代码见本文。

### 为什么回测前要丢弃前向填充的行？

周末和假日的汇率是从最后一个交易日前向填充而来的。保留这些行会让模型学习到它本不可能真实交易过的平坦重复值,从而虚高表面上的准确率。每条 API 响应都用 is_forward_filled 标记这些行，方便你将其丢弃。

## 继续阅读

- [我们试图在五个货币对上跑赢随机游走，这是成绩单](https://exchangerate.dev/zh/learn/we-tried-to-beat-the-random-walk)

Source: https://exchangerate.dev/zh/learn/beat-the-random-walk-fx-forecasting
