---
title: "我们试图在五个货币对上跑赢随机游走，这是成绩单"
description: "我们在五年的真实数据、五个货币对上跑了外汇预测测试。随机游走全胜。更有意思的发现是：仅凭两个看似合理的选择，就足以让结果看起来像是我们赢了。"
canonical: "https://exchangerate.dev/zh/learn/we-tried-to-beat-the-random-walk"
---

# 我们试图在五个货币对上跑赢随机游走，这是成绩单

我们在五年的真实数据、五个货币对上跑了外汇预测测试。随机游走全胜。更有意思的发现是：仅凭两个看似合理的选择，就足以让结果看起来像是我们赢了。

2026年7月6日 · 8 分钟阅读

我们把[教程中的测试](https://exchangerate.dev/zh/learn/beat-the-random-walk-fx-forecasting)搬到了五个货币对、五年每日数据上真实运行。**随机游走在每一个货币对上都守住了阵地。** 但诚实的故事并不是"我们的模型输了"。真正的重点是：两个普通、看似合理的分析选择，就足以让一个货币对看起来像存在真实的、统计显著的优势，这也正是为什么任何外汇预测的结论都值得怀疑地阅读。

- 在我们事先固定好的设定下（70/30 划分、普通标准误），没有一个货币对能以统计显著的方式跑赢随机游走。
- 增加 300 个特征让每一个货币对的样本外准确率都变差，落在 -20% 到 -25% 的 R² 区间。复杂性在这里就是一种幻象，与 2025 年美联储论文的发现完全一致。
- 换成 HAC 标准误，或者调整训练/测试划分点，就能把两个货币对推过 5% 显著性门槛。数据没有任何变化，变的只是分析者的选择。
- 经过多重检验校正（对五个货币对做 Bonferroni 校正，t > 2.33），没有一个结果能存活。这才是真正的结果。
- 每一个数字都可以在免费套餐上复现，代码来自姊妹篇教程。

## 实验设定

与[教程](https://exchangerate.dev/zh/learn/beat-the-random-walk-fx-forecasting)完全相同的配方，对每个货币对一视同仁地应用：

- **数据：** 通过 `/v1/range` 端点获取 2021 年 1 月至 2026 年 1 月的每日汇率，丢弃前向填充的周末和假日行。
- **划分：** 前 70% 用于训练，最后 378 个交易日（五个货币对统一使用这一天数）作为留出测试集。模型永远看不到测试窗口。
- **简单模型：** 基于八个廉价特征（收益率滞后项、一周和一月动量、十日已实现波动率）的岭回归。
- **复杂模型：** 将同样的特征扩展为 300 个随机傅里叶特征，训练集和测试集共用同一个随机基。
- **基准：** 无漂移的随机游走。它对明天收益率的预测永远是零。
- **打分方式：** 相对随机游走的样本外 R²，以及单侧 Clark-West 检验。t 统计量高于 1.645 即跨过 5% 门槛。

我们是在看到任何结果*之前*就选定了 70/30 划分和普通标准误，这一点对后文很关键。

## 成绩单

```outofsampleresultssplitdiraccsimplemodel title="Out-of-sample results, 70/30 split (dir. acc = simple model)"
pair       OOS R2    CW t   p-value    complex R2   dir. acc
EUR/USD    -0.34%    0.84   0.200      -20.5%       49.5%
GBP/USD    -1.23%    0.17   0.432      -23.8%       51.9%
USD/JPY    -2.29%   -0.33   0.631      -24.9%       53.2%
AUD/USD    -0.52%    1.10   0.136      -24.2%       48.7%
USD/CAD    +0.61%    1.50   0.067      -20.5%       52.1%
```

在我们事先承诺的设定下，没有任何货币对跑赢随机游走。五个货币对中有四个的样本外 R² 为负，也就是说训练出的模型比"假设完全不变"表现更差。表中最好的 Clark-West t 统计量是 1.50（USD/CAD），未能达到 5% 优势所需的 1.645。USD/CAD 的 +0.61% R² 是唯一的正值，但其 0.067 的 p 值仍未过线。照表面数据读下来，故事就是：没有优势。

**复杂性让情况变得更糟，且在每一个货币对上都是如此。** 300 特征的模型并没有发现隐藏的结构。在每个特征平均只有约三行训练数据的情况下，它记住了训练噪声，样本外则全面崩溃，落在 -20% 到 -25% 的 R² 区间。在 USD/JPY 上，其 Clark-West t 统计量为 -2.05：不只是比随机游走差，而是显著更差。样本内，这个模型拟合得非常漂亮。它看起来很出色，直到遇到没见过的数据，这就是复杂性这个警示故事，浓缩在一个货币对里。

**方向预测就是抛硬币。** 预测涨跌的正确率落在 48.7% 到 53.2% 之间。在 378 个测试日下，任何落在大致 45%-55% 区间的结果都是统计噪声，而每个货币对都落在这个区间内。抛硬币也能拿到 50%。

## 你原本可以怎样"赢"下它

接下来这部分,应该让你对任何外汇预测结论都心存怀疑，包括我们自己的。"没有人跑赢随机游走"，这个结论只在我们事先固定的那组确切选择下成立。只要改动其中一两个,而且每一个改动单独看都合情合理，画面就会发生变化。

**换掉标准误。** 我们在 Clark-West 检验中用的是普通标准误。审稿人完全可以合理地要求改用 Newey-West（HAC）标准误，因为每日预测误差存在轻微的自相关。仅做这一处替换，就有两个货币对跨过了 5% 的门槛：

| 货币对 | Clark-West t（普通） | Clark-West t（HAC） |
| --- | --- | --- |
| AUD/USD | 1.10 | 1.66：显著 |
| USD/CAD | 1.50 | 1.83：显著 |

数据本身没有任何变化。变的只是误差范围的计算公式，而此刻却多出了两个"显著"结果，片刻之前它们还都不存在。

**挪动划分点。** 我们留出了最后 30% 作为测试集。改成留出最后 40%，同样是一条随意划定的线，USD/CAD 的 Clark-West t 统计量就爬升到了 2.26。在我们尝试过的每一个划分点上，它都保持为正：

```usdcadacrosstraintestsplits title="USD/CAD across train/test splits"
split          60/40    65/35    70/30    75/25    80/20
OOS R2        +1.25%   +0.33%   +0.61%   +0.87%   +0.71%
Clark-West t    2.26     1.58     1.50     1.43     1.31
```

有了两个可调的旋钮（用哪种标准误、用哪个划分点）,再加上五个可挑选的货币对,一个有动机的分析者就足以炮制出一条标题："机器学习在 USD/CAD 上跑赢随机游走，统计显著。"每一步单独看都合情合理。叠加在一起,这正是一个伪结果混进论文的方式。

**真正能拆穿它的纪律**

在看到数字之前就固定好你的选择，用样本外数据打分，并针对你测试了多少种情形做校正。以 5% 的水平检验五个货币对，仅凭运气就有约 23% 的概率出现至少一个假阳性，所以诚实的门槛应该更高：对五个货币对做 Bonferroni 校正，会把门槛推高到大约 t > 2.33。USD/CAD 最好的表现，60/40 划分下的 2.26，仍然不够。在我们跑过的每一个货币对、划分点和标准误选择组合中，没有一个能越过这条诚实的门槛。这才是真正的结果。

## 为什么这种情况会不断发生

短期的主要货币对外汇市场,几乎是最接近有效市场的存在。每天有数万亿美元易手，任何简单到岭回归模型仅凭价格历史就能发现的规律，早在传到你的笔记本之前就已经被套利消除了。今天的价格是对明天价格最好的点预测，因为下一期收益率的条件期望本质上就是零变化。模型没有问题，这种有效性本身就是发现。

不过要注意*点预测*这个措辞。条件均值不可预测，并不意味着整个分布都不可预测。波动率会聚集、区间会收窄和放大，这种结构既真实又可预测。这也正是真正有价值的地方。

## 我们从中得到的结论

我们做的是一个汇率 API，所以不妨把这个不便明说的结论直接说出来。我们不会上线一个"预测汇率"接口，因为在每日主要货币对上，我们无法诚实地跑赢"返回今天的汇率"。我们能做的，是准确、快速地提供当前汇率，并附上元数据（`source`、前向填充标志、波动率），让你能够量化不确定性，而不是假装它不存在。

如果你仍想自己试试，以上一切都可以在免费套餐上复现，代码来自[姊妹篇教程](https://exchangerate.dev/zh/learn/beat-the-random-walk-fx-forecasting)。真正能让我们印象深刻的门槛是：事先选定划分点和标准误，并在全部五个主要货币对的样本外数据上，跑赢经过 Bonferroni 校正的 Clark-West 统计量。做到这一点，你就完成了文献认为真正罕见的成就。

## 常见问题

### 有没有模型跑赢了随机游走？

没有。在五个主要货币对、五年每日数据上，一旦选择被事先固定并针对多重检验做了校正，没有任何模型能以统计显著的方式跑赢"无变化"的随机游走预测。五个货币对中有四个的样本外 R² 为负。

### 增加更多特征（复杂性）对外汇预测有帮助吗？

没有。将模型扩展到 300 个随机傅里叶特征后，每一个货币对的样本外准确率都变差了，落在 -20% 到 -25% 的 R² 区间，因为它过拟合了训练噪声。这与 2025 年美联储的发现一致：复杂性只带来脆弱、局部的收益。

### 一个伪造的外汇预测结果如何看起来像是显著的？

这是研究者自由度的问题。在我们的实验中，仅仅把普通标准误换成 HAC 标准误，或者调整训练/测试划分点，就能在完全不改变数据的情况下把两个货币对推过 5% 的门槛。有了多个货币对和几个看似合理的选择，分析者就可能呈现出一个其实只是噪声的表面优势，这也是为什么预先固定选择并针对多重检验做校正如此重要。

### 什么是 Bonferroni 校正，这里为什么要用它？

当你运行多个检验时，出现至少一个假阳性的概率会上升。以 5% 的水平检验五个货币对，大约有 23% 的概率会得到一个纯属运气的"显著"结果。Bonferroni 校正会收紧显著性门槛（此处约为 t > 2.33），以将整体错误率控制在 5%。在这一校正下，我们的结果没有一个能存活。

## 继续阅读

- [你能在外汇预测上跑赢随机游走吗？用 30 行代码验证](https://exchangerate.dev/zh/learn/beat-the-random-walk-fx-forecasting)
- [历史汇率与时间序列数据](https://exchangerate.dev/zh/learn/historical-fx-time-series)

Source: https://exchangerate.dev/zh/learn/we-tried-to-beat-the-random-walk
