论文部分内容阅读
大豆是我国重要的粮食和经济作物。随着我国食品加工与畜牧业迅猛发展,人民对食用豆油、植物蛋白及饲用豆粕等大豆加工品需求不断增加,我国成为大豆贸易进口大国。大豆价格因受到国际市场、政治、经济综合影响而频繁波动,给我国粮食安全、大豆生产、行业利益带来了新的问题和挑战。期货交易市场作为我国市场经济的重要组成部分,对价格发现、套期保值、风险规避都有重大作用。对大豆期货市场交易价格的有效预测,能够帮助我国大豆企业或农户合理规避市场价格波动风险、控制种植结构保证市场流通、参与期货交易套期保值,从而保证我国粮食安全、行业利益、产业稳定。本文数据源自大连商品交易所黄大豆一号期货数据,得到20、10、3和1年期的样本分别为4812、2398、698和209个。在介绍传统时间序列差分自回归移动平均(ARIMA)、指数平滑、机器学习(ML)理论及其数学模型基础上,通过选取样本数据自相关系数在0.70以上数据作为输入变量,当期指数价格作为输出变量,利用支持向量回归(SVR)、梯度提升回归树(GBRT)和长短期记忆网络(LSTM)模型对大豆期货价格进行预测。本文构建了基于机器学习的大豆期货价格混合预测模型,能够有效提取金融数据的线性与非线性信息,提高大豆期货预测的准确性。该模型是基于ARIMA＿ML、ES＿ML混合模型,将ARIMA模型和ES模型得到的预测值和真实值的残差作为新的时间序列,再通过SVR、GBRT、LSTM对残差进行拟合,将两者求和作为最后的预测结果。经过实证分析对比,ARIMA＿ML模型优于ARIMA,而ML优于ARIMA＿ML模型;ES＿ML模型优于ES模型,该混合模型对满足正态分布且波动较小的短期数据有较好预测效果,其中ES＿LSTM模型效果最优MAPE为0.21%,RMSE为8.23,而机器学习模型对多峰分布且波动较大的长期数据有更好的预测效果。所获结论表明机器学习模型优于传统时域预测模型,但混合模型不一定优于机器学习模型,只有合适的混合模型能有效提高预测精确度。