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.