论文部分内容阅读
【摘 要】 以中国黄金期货为研究对象，选取了开盘价、最高价、最低价、收盘价、成交量和成交额6项指标作为样本的特征指标变量，运用归一化方法消除特征指标变量间因量纲不同而造成的预测误差，进而引入支持向量回归机（Support Vector Regression Machine，SVR）智能方法对该期货的开盘价格进行预测研究，并通过引入网格搜索法对SVR模型的最优参数进行寻找，从而构建了最优的SVR智能预测模型。通过对训练样本集与测试样本集的实证研究发现，文章所构建的最优SVR智能预测模型具有优越的学习性能与泛化推广性能，能够准确地预测中国黄金期货的价格。
【关键词】 黄金期货； 支持向量回归机； 智能预测； 网格搜索法
【中图分类号】 F830.91 【文献标识码】 A 【文章编号】 1004-5937（2017）17-0050-04
一、引言
黄金作为一种特殊的商品，具有商品、货币和避险的多重属性。而黄金价格一旦发生剧烈波动，不仅对一国经济，甚至对整个国际社会的经济运行都将产生严重影响[1]。与黄金现货相比，黄金期货蕴藏着更为严重的风险。因为期货具有高杠杆性，在产生高收益的同时也可能放大风险[2]。随着经济全球化的推进，各国经济间的联系日益密切，一国期货市场所产生的巨大风险在转瞬之间就会传递到其他国家，从而引发严重的金融危机，进而影响整个实体经济的健康运行。因此，开展黄金期货价格的预测研究，进而提前采取应对措施防范黄金期货危机的发生，对于一国甚至整个国际社会而言，都将具有重要的现实意义。
中国作为新兴经济体，其黄金期货市场建立至今，相应的风险监管措施还不尽完善，因而面临的风险危机也更为严峻[3]。因此，对中国黄金期货市场进行预测，以实时监测黄金期货的价格走势，从而防患于未然，是保证中国金融市场稳定、经济健康发展的重要途径。
目前，预测模型主要分为两类，一类是以消费弹性法、回归分析法、趋势外推法等为主的传统方法[4-6]。但这类方法属于线性模型，无法对非线性问题进行预测研究。众所周知，黄金期货市场是一个复杂的非线性系统，因而如果仍然运用上述线性方法对黄金期货市场进行预测，就很可能导致预测失效。另一类是以神经网络（Neural Network，NN）和支持向量回归机（Support Vector Regression Machine，SVR）为主的智能方法[7，8]。这类方法能够有效地解决非线性问题，因而受到学者们的广泛关注。与NN相比，SVR具有明显的优势。它能够处理小样本问题，具有更为优越的学习能力与泛化推广能力，因而更能受到学者青睐。基于此，本文将运用SVR对中国黄金期货价格展开预测研究。
但需要指出的是，SVR模型的预测能力在很大程度上取决于惩罚参数（Penalty Parameter）和核函数（Kernel Function）参数，如果不准确估计这两个参数，就很可能导致SVR模型预测准确性出现较大偏差。就目前研究而言，网格搜索法是运用较为广泛的一类参数寻优方法，其优势在于简单易行，且寻优准确性较高[9]。因此，本文将引入网格搜索法对上述两个参数进行寻优。
目前，有众多研究学者运用SVR对经济领域的相关问题进行了预测研究，如运用SVR对期权价格、股指、旅客流量、能源需求量、制造业产品价格等进行了预测研究，取得了良好的预测效果[10-15]。但他们却都未使用SVR模型对黄金期货价格进行预测研究，同时也未采用网格搜索法对SVR模型参数进行估计。
与上述研究相比，本文既引入SVR对中国黄金期货价格进行预测研究，同时，还采用网格搜索法对SVR模型参数进行估计，以期能够对中国黄金期货价格进行更加准确的预测。由此可见，本文具有较强的创新性。
二、基于SVR的黃金期货市场价格预测模型构建
但值得注意的是，惩罚参数C和RBF核函数参数σ不仅需要提前确定，还对模型的构建起着关键作用。如果这两个参数确定不准确，势必会影响SVR模型最终的预测性能，因此，就需要运用相关的参数寻优方法对这两个参数进行优化。就目前研究而言，网格搜索法是运用较为广泛的一类参数寻优方法，具有显著的搜索优势。因此，本文将引入网格搜索法对上述两个参数进行寻优。
网格搜索法首先要求对参数范围进行确定，在此基础上，通过两个参数在不同值上的组合，分别构建不同参数下的SVR模型进行样本拟合，获得不同的预测结果，并比较所有参数组合下的预测结果，选择使预测精度最高的参数组合作为最优参数。于是，通过网格搜索法，本文就能寻找到最优的惩罚参数C和RBF核函数参数σ，并构建最优的SVR预测模型。
三、黄金期货价格预测的实证研究
（一）实验样本与特征指标变量的选择
本文以中国黄金期货为研究对象，选取2003-01-02至2016-05-31间的数据为研究样本。选择这么长的一段时间作为研究区间，目的在于使模型更好地拟合现实中该产品的各种涨跌行情，从而使模型的预测功能更为全面，预测性能更为优异。同时，在特征指标变量选择上，本文借鉴相关文献，选择了由开盘价、最高价、最低价、收盘价、成交量、成交额6项指标作为特征指标变量，以每个样本的交易天数所对应的下一天的开盘价作为因变量。
（二）样本数据的预处理
由于各个特征指标变量间的数值大小存在明显差异，因此，为了使预测结果不受量纲影响，本文运用归一化方法对样本数据进行预处理，过程如下：
（三）实证结果与分析
本文将样本数据集按时间前后进行排序，并将前80%与后20%的样本分别划分为训练样本集与测试样本集，分别有2 610个和652个样本。在此基础上，本文借助Matlab 2015a编程软件对训练样本进行训练，并对测试样本进行测试，训练与测试的实验结果如表1所示。 从表1可以明显地看出，在通过网格搜索法寻找到值为1.5157的最优参数C和σ的基础上，运用SVR对训练样本与测试样本进行预测，所得到的MSE都接近于0，且R的值都在95%以上，说明本文所构建的SVR模型不仅具有优越的学习能力，而且也具有优越的泛化推广性能。
此外，本文还将预测结果与实际结果进行绘图展示，见图1和图2。从图1可以发现，不论是基于训练样本还是测试样本进行实验，SVR的预测值走势与实际值走势都十分接近，说明本文所构建的SVR模型具有优异的预测性能；同时，从图2又可以发现，不论是基于训练样本还是测试样本进行实验，SVR的预测误差几乎都在0附近波动，说明SVR的预测误差很小，表明SVR的预测精度高。由此可见，通过图1与图2的展示，表1的实证结果得到进一步验证。
综上所述，本文所构建的SVR不仅具有优越的学习性能，而且也具有优越的泛化推广性能，对于黄金期货市场的价格走势预测具有极强的指导意义。
四、结论
本文以中国黄金期货为研究对象，选取了开盘价、最高价、最低价、收盘价、成交量和成交额6项指标作为样本的特征指标变量，运用归一化方法消除特征指标变量间因量纲不同而造成的预测误差，进而引入SVR模型对中国黄金期货的价格进行智能预测研究，并通过引入网格搜索法对SVR模型的最优参数进行寻找，从而构建最优的SVR智能预测模型。通过对训练样本集与测试样本集的实证研究发现，本文所构建的最优SVR智能预测模型具有优越的学习性能与泛化推广性能，能够准确地预测中国黄金期货的价格。
基于以上分析可知，本文为黄金期货市场管理部门和投资者提供了具有良好借鉴价值的应用工具与方法。对于黄金期货市场管理部门而言，能够运用本文构建的最优SVR模型对未来黄金中国黄金期货价格进行预测，并及时制定相关的管理方针与政策来构建黄金期货市场的风险预警防火墙，从而维护中国黄金期货市场的稳定发展。同时，对于投资者而言，能够运用本文所构建的最优SVR模型对中国黄金期货的未来价格进行预测，并及时根据预测结果做出科学合理的投资决策，以便减少投资风险，提升投资收益。
最后需要指出的是，尽管中国黄金期货价格的预测研究极其复杂，但本文的研究技术、方法与相关结论对于中国黄金期货市场价格的预测研究仍然具有明确的借鉴意义，同时，对于黄金期货市场管理部门开展期货市场风险预警工作以及投资者进行科学合理的投资也都具有良好的指导意义。
【参考文献】
[1] 范为，房四海.金融危机期间黄金价格的影响因素研究[J].管理评论，2012，24（3）：8-16.
[2] 徐雪，罗克.中国黄金期货市场价格发现功能的实证分析[J].管理世界，2014（11）：172-173.
[3] 刘飞，吴卫锋，王開科.我国黄金期货市场定价效率与价格发现功能测算——基于5分钟高频数据的实证研究[J].国际金融研究，2013（4）：74-82.
[4] 林伯强.中国能源需求的经济计量模型[J].统计研究，2001（10）：34-39.
[5] 韩君.中国能源需求的建模与实证分析[D].兰州商学院硕士学位论文，2007.
[6] 魏一鸣，范英.中国能源需求报告（2006）：战略与政策研究[M].北京：科学出版社，2006.
[7] LAWRENCE S，GILES C L，TSOI A C. Lessons in neural network training： Overfitting may be harder thanexpected[C]//Proceedings of the Fourteenth National Conference on Artificial Intelligence，Mento Park，CA： AAA1 Press，1997：540-545.
[8] VAPNIK V N.The nature of statistical learning theory[M]. Springer，1995.
[9] 费宇，王江.FDI对我国各地区经济增长的非线性效应分析[J].统计研究，2013，30（4）：70-75.
[10] 杨建辉，李龙.基于SVR的期权价格预测模型[J].系统工程理论与实践，2011，31（5）：848-854.
[11] 查进道.一种改进的基于DE-SVR的上证指数预测模型[J].统计与决策，2012（23）：67-69.
[12] 高玉明，张仁津.基于改进QPSO算法优化SVR的上证指数预测[J].计算机仿真，2013，30（12）：208-213.
[13] 陈荣，梁昌勇，陆文星，等.基于季节SVR-PSO的旅游客流量预测模型研究[J].系统工程理论与实践，2014，34（5）：1290-1296.
[14] HUANG C L，TSAI C Y. A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting[J]. Expert Systems with Applications，2009，36（2）：1529-1539.
[15] KAO L J，CHIU C C，LU C J，et al. A hybrid approach by integrating wavelet-based feature extraction with MARS and SVR for stock index forecasting[J]. Decision Support Systems，2013，54（3）：1228-1244.
【关键词】 黄金期货； 支持向量回归机； 智能预测； 网格搜索法
【中图分类号】 F830.91 【文献标识码】 A 【文章编号】 1004-5937（2017）17-0050-04
一、引言
黄金作为一种特殊的商品，具有商品、货币和避险的多重属性。而黄金价格一旦发生剧烈波动，不仅对一国经济，甚至对整个国际社会的经济运行都将产生严重影响[1]。与黄金现货相比，黄金期货蕴藏着更为严重的风险。因为期货具有高杠杆性，在产生高收益的同时也可能放大风险[2]。随着经济全球化的推进，各国经济间的联系日益密切，一国期货市场所产生的巨大风险在转瞬之间就会传递到其他国家，从而引发严重的金融危机，进而影响整个实体经济的健康运行。因此，开展黄金期货价格的预测研究，进而提前采取应对措施防范黄金期货危机的发生，对于一国甚至整个国际社会而言，都将具有重要的现实意义。
中国作为新兴经济体，其黄金期货市场建立至今，相应的风险监管措施还不尽完善，因而面临的风险危机也更为严峻[3]。因此，对中国黄金期货市场进行预测，以实时监测黄金期货的价格走势，从而防患于未然，是保证中国金融市场稳定、经济健康发展的重要途径。
目前，预测模型主要分为两类，一类是以消费弹性法、回归分析法、趋势外推法等为主的传统方法[4-6]。但这类方法属于线性模型，无法对非线性问题进行预测研究。众所周知，黄金期货市场是一个复杂的非线性系统，因而如果仍然运用上述线性方法对黄金期货市场进行预测，就很可能导致预测失效。另一类是以神经网络（Neural Network，NN）和支持向量回归机（Support Vector Regression Machine，SVR）为主的智能方法[7，8]。这类方法能够有效地解决非线性问题，因而受到学者们的广泛关注。与NN相比，SVR具有明显的优势。它能够处理小样本问题，具有更为优越的学习能力与泛化推广能力，因而更能受到学者青睐。基于此，本文将运用SVR对中国黄金期货价格展开预测研究。
但需要指出的是，SVR模型的预测能力在很大程度上取决于惩罚参数（Penalty Parameter）和核函数（Kernel Function）参数，如果不准确估计这两个参数，就很可能导致SVR模型预测准确性出现较大偏差。就目前研究而言，网格搜索法是运用较为广泛的一类参数寻优方法，其优势在于简单易行，且寻优准确性较高[9]。因此，本文将引入网格搜索法对上述两个参数进行寻优。
目前，有众多研究学者运用SVR对经济领域的相关问题进行了预测研究，如运用SVR对期权价格、股指、旅客流量、能源需求量、制造业产品价格等进行了预测研究，取得了良好的预测效果[10-15]。但他们却都未使用SVR模型对黄金期货价格进行预测研究，同时也未采用网格搜索法对SVR模型参数进行估计。
与上述研究相比，本文既引入SVR对中国黄金期货价格进行预测研究，同时，还采用网格搜索法对SVR模型参数进行估计，以期能够对中国黄金期货价格进行更加准确的预测。由此可见，本文具有较强的创新性。
二、基于SVR的黃金期货市场价格预测模型构建
但值得注意的是，惩罚参数C和RBF核函数参数σ不仅需要提前确定，还对模型的构建起着关键作用。如果这两个参数确定不准确，势必会影响SVR模型最终的预测性能，因此，就需要运用相关的参数寻优方法对这两个参数进行优化。就目前研究而言，网格搜索法是运用较为广泛的一类参数寻优方法，具有显著的搜索优势。因此，本文将引入网格搜索法对上述两个参数进行寻优。
网格搜索法首先要求对参数范围进行确定，在此基础上，通过两个参数在不同值上的组合，分别构建不同参数下的SVR模型进行样本拟合，获得不同的预测结果，并比较所有参数组合下的预测结果，选择使预测精度最高的参数组合作为最优参数。于是，通过网格搜索法，本文就能寻找到最优的惩罚参数C和RBF核函数参数σ，并构建最优的SVR预测模型。
三、黄金期货价格预测的实证研究
（一）实验样本与特征指标变量的选择
本文以中国黄金期货为研究对象，选取2003-01-02至2016-05-31间的数据为研究样本。选择这么长的一段时间作为研究区间，目的在于使模型更好地拟合现实中该产品的各种涨跌行情，从而使模型的预测功能更为全面，预测性能更为优异。同时，在特征指标变量选择上，本文借鉴相关文献，选择了由开盘价、最高价、最低价、收盘价、成交量、成交额6项指标作为特征指标变量，以每个样本的交易天数所对应的下一天的开盘价作为因变量。
（二）样本数据的预处理
由于各个特征指标变量间的数值大小存在明显差异，因此，为了使预测结果不受量纲影响，本文运用归一化方法对样本数据进行预处理，过程如下：
（三）实证结果与分析
本文将样本数据集按时间前后进行排序，并将前80%与后20%的样本分别划分为训练样本集与测试样本集，分别有2 610个和652个样本。在此基础上，本文借助Matlab 2015a编程软件对训练样本进行训练，并对测试样本进行测试，训练与测试的实验结果如表1所示。 从表1可以明显地看出，在通过网格搜索法寻找到值为1.5157的最优参数C和σ的基础上，运用SVR对训练样本与测试样本进行预测，所得到的MSE都接近于0，且R的值都在95%以上，说明本文所构建的SVR模型不仅具有优越的学习能力，而且也具有优越的泛化推广性能。
此外，本文还将预测结果与实际结果进行绘图展示，见图1和图2。从图1可以发现，不论是基于训练样本还是测试样本进行实验，SVR的预测值走势与实际值走势都十分接近，说明本文所构建的SVR模型具有优异的预测性能；同时，从图2又可以发现，不论是基于训练样本还是测试样本进行实验，SVR的预测误差几乎都在0附近波动，说明SVR的预测误差很小，表明SVR的预测精度高。由此可见，通过图1与图2的展示，表1的实证结果得到进一步验证。
综上所述，本文所构建的SVR不仅具有优越的学习性能，而且也具有优越的泛化推广性能，对于黄金期货市场的价格走势预测具有极强的指导意义。
四、结论
本文以中国黄金期货为研究对象，选取了开盘价、最高价、最低价、收盘价、成交量和成交额6项指标作为样本的特征指标变量，运用归一化方法消除特征指标变量间因量纲不同而造成的预测误差，进而引入SVR模型对中国黄金期货的价格进行智能预测研究，并通过引入网格搜索法对SVR模型的最优参数进行寻找，从而构建最优的SVR智能预测模型。通过对训练样本集与测试样本集的实证研究发现，本文所构建的最优SVR智能预测模型具有优越的学习性能与泛化推广性能，能够准确地预测中国黄金期货的价格。
基于以上分析可知，本文为黄金期货市场管理部门和投资者提供了具有良好借鉴价值的应用工具与方法。对于黄金期货市场管理部门而言，能够运用本文构建的最优SVR模型对未来黄金中国黄金期货价格进行预测，并及时制定相关的管理方针与政策来构建黄金期货市场的风险预警防火墙，从而维护中国黄金期货市场的稳定发展。同时，对于投资者而言，能够运用本文所构建的最优SVR模型对中国黄金期货的未来价格进行预测，并及时根据预测结果做出科学合理的投资决策，以便减少投资风险，提升投资收益。
最后需要指出的是，尽管中国黄金期货价格的预测研究极其复杂，但本文的研究技术、方法与相关结论对于中国黄金期货市场价格的预测研究仍然具有明确的借鉴意义，同时，对于黄金期货市场管理部门开展期货市场风险预警工作以及投资者进行科学合理的投资也都具有良好的指导意义。
【参考文献】
[1] 范为，房四海.金融危机期间黄金价格的影响因素研究[J].管理评论，2012，24（3）：8-16.
[2] 徐雪，罗克.中国黄金期货市场价格发现功能的实证分析[J].管理世界，2014（11）：172-173.
[3] 刘飞，吴卫锋，王開科.我国黄金期货市场定价效率与价格发现功能测算——基于5分钟高频数据的实证研究[J].国际金融研究，2013（4）：74-82.
[4] 林伯强.中国能源需求的经济计量模型[J].统计研究，2001（10）：34-39.
[5] 韩君.中国能源需求的建模与实证分析[D].兰州商学院硕士学位论文，2007.
[6] 魏一鸣，范英.中国能源需求报告（2006）：战略与政策研究[M].北京：科学出版社，2006.
[7] LAWRENCE S，GILES C L，TSOI A C. Lessons in neural network training： Overfitting may be harder thanexpected[C]//Proceedings of the Fourteenth National Conference on Artificial Intelligence，Mento Park，CA： AAA1 Press，1997：540-545.
[8] VAPNIK V N.The nature of statistical learning theory[M]. Springer，1995.
[9] 费宇，王江.FDI对我国各地区经济增长的非线性效应分析[J].统计研究，2013，30（4）：70-75.
[10] 杨建辉，李龙.基于SVR的期权价格预测模型[J].系统工程理论与实践，2011，31（5）：848-854.
[11] 查进道.一种改进的基于DE-SVR的上证指数预测模型[J].统计与决策，2012（23）：67-69.
[12] 高玉明，张仁津.基于改进QPSO算法优化SVR的上证指数预测[J].计算机仿真，2013，30（12）：208-213.
[13] 陈荣，梁昌勇，陆文星，等.基于季节SVR-PSO的旅游客流量预测模型研究[J].系统工程理论与实践，2014，34（5）：1290-1296.
[14] HUANG C L，TSAI C Y. A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting[J]. Expert Systems with Applications，2009，36（2）：1529-1539.
[15] KAO L J，CHIU C C，LU C J，et al. A hybrid approach by integrating wavelet-based feature extraction with MARS and SVR for stock index forecasting[J]. Decision Support Systems，2013，54（3）：1228-1244.