论文部分内容阅读
期货市场在当前的国际金融市场中一直占据重要的作用和主导位置,随着国内和海外期货市场的快速繁荣发展,人们对于期货价格的长期波动及其走势、分析和对市场风险预测的高度关注越来越多,对于期货市场的股票价格波动进行合理地分析和预测可以有效规避市场投资风险,获得巨大的投资回报和收益.但是期货价格波动本质上通常来说难以预测,影响期货市场股票价格波动和走势的决定性因素很多,如期货市场价格变动的时间和趋势、供求与价格变动的比率、经济数据变化、财务报表以及期货市场历史的交易数据等.从经济统计学的基础研究角度和观点出发,常用的对期货价格波动预测的方法主要有时间序列预测的模型、灰色时间序列预测的模型、神经网络预测模型等.本文以国内期货市场为主要研究的对象,利用一种基于深度机器学习的方法理论与一种浅层结构的机器学习的算法相结合进行比较,建立了RNN-SVM期货价格波动预测的模型,为未来的投资者筛选提供一定的数据参考和借鉴.本文主要的工作研究内容如下:首先构建期货价格时间序列矩阵,选取豆一主连、郑棉主连、黄金主连和原油主连4种期货产品,每组共计401个样本数据,期货价格数据具有非线性、维度高等特点,因此在获取开盘价数据和相关变量指标后,对数据进行归一化处理和相关性分析,最终得到可以作为模型输入的时序.随之介绍了4种降维方法,分别是MDS、PCA、LLE和t-SNE,经Pearson相关系数检验选取的指标间有很大的相关性,说明后续对数据进行降维处理是合理有效的.其次建立RNN-SVM组合模型,先详细介绍了RNN自编码网络的特点和算法过程,并进一步提出利用RNN自编码网络特征对原始数据序列直接进行特征提取,与MDS、PCA、LLE和t-SNE算法结果分别进行比较分析,不断进行参数优化调整,多次训练直至模型基本收敛,将最后一层感知器转换为SVM,将提取后的数据作为感知器特征输入,SVM结果转换作为输出,以均方误差和平方相关系数为预测结果的衡量指标,发现该组合模型对4种期货产品平方相关系数分别是0.9932,0.9923,0.9891和0.9765,这充分说明RNN-SVM组合模型对期货开盘价格的预测是合理的.最后将本文的RNN-SVM组合模型与RNN、BP、SVM和随机森林提取预测的结果进行比较,对比RNN模型特征提取和MDS、PCA、LLE和t-SNE降维算法的特征提取预测结果,发现本文提出的组合算法和模型特征提取效果最优,表明本文的组合模型具有较好的预测和计算能力,间接说明了组合模型的有效性.