论文部分内容阅读
【中图分类号】 F832.48 【文献标识码】 A 【文章编号】 2236-1879（2018）08-0194-01
一、引言
期货作为虚拟经济中的一员，不稳定性、高度流动性、高投机性和高风险性是期货的特征。期货的价格趋势受到众多因素的影响，比如，国际经济形势、财政政策和货币政策、社会发展状况以及投资者的从众心理。因此，对期货价格的预测是非常复杂的，它的规律也是难以把握的，但是这并没有阻碍国内外的众多学者们对股票预测研究的积极性。自从证券投资市场成立以来，学者们就没有停止对股票价格预测的探索。随着科学技术的进步和人工智能的发展，用以分析期货市场的方法层出不穷，本文选用非线性的神经网络模型对期货产品的价格进行短期预测，为期货投资者做出量化的交易策略。
二、文献综述
期货市场常用的预测方法有如下三类：一是传统投资方法，如基本面分析和技术面分析；二是时间序列分析法，如移动平均法、趋势外推法、指数平滑法、ARMA模型、ARIMA模型等；三是非线性系统分析法，如神经网络模型。很多学者用传统模型和神经网络模型同时进行分析研究，均认为后者的预测效果更好。
“人工神经网络”的概念在1943年被Warren. McCulloch和Walter. Pitts两位学者提出来，他们基于人类大脑处理信息的方式，通过数学模型来研究生物神经元的信息处理方式，从原理上证明了人工神经网络可以进行算术运算和逻辑运算。神经网络的理论和实践从此拉开了帷幕。
用BP神经网络可以解决很多行业中的实际问题，如Mi Zhang和Changhao Xia（2017）建立非线性类型神经网络模型对电力系统载荷进行预测；Kolarik和 Rudorfer在1994年将人工神经网络模型与ARIMA模型进行比较，发现前者的预测精度较高；李小刚和王静等（2017）采用BP神经网络对土壤墒情进行预测研究，结果表明对短期的预测有效果；张泽国和尹建川等（2017）通过粒子群优化算法，即SAPSO-BP神经网络模型对港口潮汐进行预报，达到了理想的预测效果；林中冠和栾健（2017）运用双隐层BP网络对雷暴潜势进行预测，得到的预报结果和现实情况差距不大；何丹（2017）将遗传神经网络应用在CPI的预测中，实证表明此方法比传统的BP神经网络的预测效果要好，并有很好的应用前景。
RBF神经网络在其他科学领域也有很多的作用，如宋苏民与旷文珍等（2017）经过比较灰色预测、BP神经网络和RBF神经网络对铁路货运量预测的误差，得出RBF神经网络的误差最小，并且为后续的相关研究提供了一种优良的方法；石波和张冬青等（2016）利用遗传算法对RBF神经网络进行了优化，来分析和预估我国大豆价格的趋势，研究结果表明此模型能够很好地把握大豆价格变化规律，能促进我国大豆市场更健康地发展；徐静和王勃（2017）将RBF神经网络应用于企业人力资源需求方面，取得了很好的预估效果；李瑞和张悟移（2016）利用RBF神经网络对我国2020年的物流业能源消耗进行了预料，并与GM（1，1）模型和BP神经网络进行比较，得出RBF神经网络的预估精度最高。
综合上述，到目前为止，神经网络模型是预测股票期货等金融产品价格最合适的方法。
三、研究内容及方法
本文选取了2016年6月1日至2017年6月19日铁矿石期货的收盘价和成交量数据，如图1。收盘价的样本均值与中位数相差1.5%，表明数据基本不存在较大的左偏或右偏；而成交量的均值远大于中位数，表明成交量呈右偏分布，即存在某几天的交易量极大。
四、实验设计与结论
本文建立BP神经网络模型和RBF神经网络模型以铁矿石期货价格为研究对象进行预测，通过比较模型的平均绝对百分比误差得出：RBF神经网络模型的MAPE（平均绝对百分比误差）包含五个输入变量——第一至五天的收盘价——时，模型的MAPE（平均绝对百分比误差）为1.97%，包含六个输入变量——第一至五天的收盘价和第五天的交易量——时，模型的MAPE（平均绝对百分比误差）为5.85%；BP神经网络模型包含六个输入变量——第一至五天的收盘价和第五天的交易量——时，MAPE（平均绝对百分比误差）为3.68%，包含五个输入变量——第一至五天的收盘价——时，MAPE（平均绝对百分比误差）为6.40%，因此，综合而言RBF神经网络模型在短期的预测效果更好，有较高的应用价值，可以作为一种预测方法进行推广。
参考文献
[1] Mi Zhang，Changhao Xia.A Loose Wavelet Nonlinear Regression Neural Network Load Forecasting Model and Error Analysis Based on SPSS[J].I.J.Information and Computer Science，2017（4）：24-30.
[2] Kolarik T，Rudorfer G.Time Series Forecasting Using Neural Networks[J].Time Series and Neural Networks，1994，12（3）：86-94.
[3] 李小剛，王静等.基于BP神经网络的土壤墒情预测精度研究[J].土壤通报，2017，48（2）：292-297.
[4] 张泽国，尹建川等. 基于SAPSO-BP网络模型的港口潮汐实时预报[J].水运工程，2017（1）：34-40.
一、引言
期货作为虚拟经济中的一员，不稳定性、高度流动性、高投机性和高风险性是期货的特征。期货的价格趋势受到众多因素的影响，比如，国际经济形势、财政政策和货币政策、社会发展状况以及投资者的从众心理。因此，对期货价格的预测是非常复杂的，它的规律也是难以把握的，但是这并没有阻碍国内外的众多学者们对股票预测研究的积极性。自从证券投资市场成立以来，学者们就没有停止对股票价格预测的探索。随着科学技术的进步和人工智能的发展，用以分析期货市场的方法层出不穷，本文选用非线性的神经网络模型对期货产品的价格进行短期预测，为期货投资者做出量化的交易策略。
二、文献综述
期货市场常用的预测方法有如下三类：一是传统投资方法，如基本面分析和技术面分析；二是时间序列分析法，如移动平均法、趋势外推法、指数平滑法、ARMA模型、ARIMA模型等；三是非线性系统分析法，如神经网络模型。很多学者用传统模型和神经网络模型同时进行分析研究，均认为后者的预测效果更好。
“人工神经网络”的概念在1943年被Warren. McCulloch和Walter. Pitts两位学者提出来，他们基于人类大脑处理信息的方式，通过数学模型来研究生物神经元的信息处理方式，从原理上证明了人工神经网络可以进行算术运算和逻辑运算。神经网络的理论和实践从此拉开了帷幕。
用BP神经网络可以解决很多行业中的实际问题，如Mi Zhang和Changhao Xia（2017）建立非线性类型神经网络模型对电力系统载荷进行预测；Kolarik和 Rudorfer在1994年将人工神经网络模型与ARIMA模型进行比较，发现前者的预测精度较高；李小刚和王静等（2017）采用BP神经网络对土壤墒情进行预测研究，结果表明对短期的预测有效果；张泽国和尹建川等（2017）通过粒子群优化算法，即SAPSO-BP神经网络模型对港口潮汐进行预报，达到了理想的预测效果；林中冠和栾健（2017）运用双隐层BP网络对雷暴潜势进行预测，得到的预报结果和现实情况差距不大；何丹（2017）将遗传神经网络应用在CPI的预测中，实证表明此方法比传统的BP神经网络的预测效果要好，并有很好的应用前景。
RBF神经网络在其他科学领域也有很多的作用，如宋苏民与旷文珍等（2017）经过比较灰色预测、BP神经网络和RBF神经网络对铁路货运量预测的误差，得出RBF神经网络的误差最小，并且为后续的相关研究提供了一种优良的方法；石波和张冬青等（2016）利用遗传算法对RBF神经网络进行了优化，来分析和预估我国大豆价格的趋势，研究结果表明此模型能够很好地把握大豆价格变化规律，能促进我国大豆市场更健康地发展；徐静和王勃（2017）将RBF神经网络应用于企业人力资源需求方面，取得了很好的预估效果；李瑞和张悟移（2016）利用RBF神经网络对我国2020年的物流业能源消耗进行了预料，并与GM（1，1）模型和BP神经网络进行比较，得出RBF神经网络的预估精度最高。
综合上述，到目前为止，神经网络模型是预测股票期货等金融产品价格最合适的方法。
三、研究内容及方法
本文选取了2016年6月1日至2017年6月19日铁矿石期货的收盘价和成交量数据，如图1。收盘价的样本均值与中位数相差1.5%，表明数据基本不存在较大的左偏或右偏；而成交量的均值远大于中位数，表明成交量呈右偏分布，即存在某几天的交易量极大。
四、实验设计与结论
本文建立BP神经网络模型和RBF神经网络模型以铁矿石期货价格为研究对象进行预测，通过比较模型的平均绝对百分比误差得出：RBF神经网络模型的MAPE（平均绝对百分比误差）包含五个输入变量——第一至五天的收盘价——时，模型的MAPE（平均绝对百分比误差）为1.97%，包含六个输入变量——第一至五天的收盘价和第五天的交易量——时，模型的MAPE（平均绝对百分比误差）为5.85%；BP神经网络模型包含六个输入变量——第一至五天的收盘价和第五天的交易量——时，MAPE（平均绝对百分比误差）为3.68%，包含五个输入变量——第一至五天的收盘价——时，MAPE（平均绝对百分比误差）为6.40%，因此，综合而言RBF神经网络模型在短期的预测效果更好，有较高的应用价值，可以作为一种预测方法进行推广。
参考文献
[1] Mi Zhang，Changhao Xia.A Loose Wavelet Nonlinear Regression Neural Network Load Forecasting Model and Error Analysis Based on SPSS[J].I.J.Information and Computer Science，2017（4）：24-30.
[2] Kolarik T，Rudorfer G.Time Series Forecasting Using Neural Networks[J].Time Series and Neural Networks，1994，12（3）：86-94.
[3] 李小剛，王静等.基于BP神经网络的土壤墒情预测精度研究[J].土壤通报，2017，48（2）：292-297.
[4] 张泽国，尹建川等. 基于SAPSO-BP网络模型的港口潮汐实时预报[J].水运工程，2017（1）：34-40.