基於GA-BP神經網絡模型的期貨價格預測與淺析

論文類別:證券金融論文 > 期貨市場論文
論文作者: 康璐
上傳時間:2011/12/28 7:27:00

   摘要:本文選取2009年1月5日~10月29日的大豆期货主力A1001合約共200個交易數據作為訓練數據,10月30日~11月12日的10個數據為測試數據,利用BP神經網絡對期貨價格建立預測模型,並用遺传算法進行修正,從而實現對大豆期貨交易價格的預測分析。結果表明,改進後的GA-BP神經網絡模型擬合精度明顯高於BP神經網络模型,並對期貨價格走勢有良好的預測效果,可给期貨市場的投資者提供投資建議。此外,利用改進後的模型可對期貨市場操縱現象進行預警,對監管者具有一定參考價值。
  關鍵詞:期貨價格预測BP神經網絡遺傳算法
  
  引言及文獻綜述
  20世紀以來,我國期貨市場得到了長足發展,但相對而言,由於我國期貨市場仍处於低級階段,市場操縱嚴重,投資者投資理念不科學等问題使市場風險事件不斷发生,直接阻礙了中國期貨市場走向成熟。諸多風險事件歸根結蒂,就是期貨價格的波動问題,故分析與預測期貨價格變化趨勢自然成為期貨市場風險控制研究的重中之重,與此同時,了解期貨價格走勢也有助於幫助投資者降低風险、提高收益,實現金融市场的整體穩定與協調。
  國外期貨市場起步较早,在期貨市場預測的研究和實踐方面開展了大量有價值的工作,Shaikh A.Hamid,Zahid Iqba(2004)用神經網絡預測標普500指數期貨價格的波動;Shahriar Yousefi,Ilna WEinrEIch等(2005)提出一种基於小波變換的預測程序並用來對原油期貨進行預測。在我國,學者們也試圖通過計量模型對期貨價格進行預測:張方傑、胡燕京(2005)的ARMA模型,王習濤(2005)的ARIMA模型,劉軼芳、遲國泰(2006)的GARCH—EWMA的期貨價格預測模型、楊熙亮、朱東華、劉怡菲(2006)的BP神經網絡模型等都在期貨价格預測中得到應用。
  總結國內外對期貨价格的預測研究,可以發現對期货的預測存在一系列問題,比如:期貨數據具有高噪聲;各因素之間的相關性錯綜复雜;期貨價格具有非線性特征等等。在這種情況下,人工神經網絡方法就顯示出其特有的優勢,因此本文選擇了BP網絡模型作為期貨短期預測的基本因果模型,並根據實際應用的需要做了創造性的改進。
  實證分析
  1.變量的選取及數據來源
  本文選擇大连商品交易所的大豆期貨合約為研究對象,作為比較穩定的交易品種,它的走勢一定程度上可以反映所在交易所的交易狀況,對它的預測情況在一定程度上也可以反映對其交易所其他期貨預測的可行性。综合考慮數據可得性、完整性等因素,本文選取2009年1月5日~10月29日的大豆期貨主力A1001合約共200個交易數據作为訓練數據,10月30日~11月12日的10個數據為測試数據。數據來源於大连商品交易所。
  由於期貨價格變化受許多因素的影響,为了盡可能提高預測的準确性,輸入變量選擇為當日開盤價、當日最高價、當天最低價、當日收盤價、结算價、當日成交量、成交金額以及當日持倉量,總共8个輸入量。
  2. BP神經網絡模型的建立及實現
  誤差反傳模型(BP神經網絡模型)可任意逼近非線性函數,其運行過程分為信號的正向傳播和誤差的反向傳播兩階段:第一階段,將樣本從輸入層传入,經各隱層處理後,傳向输出層。若輸出層的實際输出與期望的輸出不符,則轉入第二階段,将輸出誤差以某種形式通過隱層向輸入層逐層反傳,並將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,並以此來修正各單元权值。
  根據kolmogorov定理,一個三層的BP神經網絡足以完成任意的n維到m維的映射,即一般只需要采用一个隱層就足夠。隱層節點个數本文采用試湊法確定為20個。為使提高訓練精度,本文將初始学習率定為0.05,並采用自適應调節學習率功能,在以後的訓練過程中根據訓練誤差來自動調節學習率。同時,本文選取連續可微的S型正切函數即tansig函數作為傳導函數,該函數的可微分性與飽和非線性特性,增強了網絡的非線性映射能力。 免費論文下載中心 http://www.hi138.com
  依據以上模型與參數设定,在matlab中予以实現,結果圖1所示,從圖中可以看出,對大豆期貨價格預測的走勢是大致相同的,但是整體誤差較大。虽然利用自適應調節學習率來改善收斂情況,但梯度下降的BP算法仍存在較大的局限性。為了改善神經網絡的權值調整,所以用遺傳算法對BP神經網絡進行優化。
  3.模型的改進及實現
  遺传算法是一種全局優化搜索算法,其基本思想是首先將問題求解表示成基因型,通過选擇,交叉,變異從中選取適應环境的個體,求得問題最優解,有較好的全局搜索性能。將遺傳算法運用到神經網絡模型,實現了兩者的優勢互补,發揮了神經網絡的廣泛映射能力和遺傳算法的全局搜索能力,也加快了網絡的學習速度,综合提高了整個學習過程中模型的逼近能力和泛化能力。
  在MATLAB中運行結果如圖2所示,從中可以看出,加入遺傳算法對權值和閾值進行優化以後的GA-BP模型結果能更好的貼近真實值,更準確的擬合。在本例中GA-BP模型的優勢突出的表現在收斂速度快,周期短上面。相对於傳統的BP算法減少了權值閾值初始化的隨機性,GA-BP就可以大大縮短收斂时間。收斂情況如表1所示:
  表中以前200次叠代為例,遺傳算法可以將mse縮減到e-5數量級,而簡单的BP神經網絡卻只能達到e-3,並且叠代的後期下降的幅度越來越不明顯。
  
  結論
  基於BP神經网絡模型進行實證分析,從預测的結果來看,預測值和實際值的走勢是一致的,但預測值和實際值具有較大的偏差,這是由於BP神經網絡自身存在的問題所導致的。
  為解決BP神經網絡模型不能精確預測的價格的問題,考慮到是由於BP算法调整權值的局限性,本文用遺传算法進行優化模型。利用遺傳算法可以對權值進行全局搜索,避免了BP算法的局限性。從結果來看,預测值和實際值誤差較小,能夠精確的預測期貨價格。
  運用此模型,我們還可以對期貨價格操縱进行預測。在收集預測值與本期貨品種歷史上正常交易的真實數據估計模型參数,以此來預測未來一段時期的期貨价格,通過預測值與真实值之間誤差與檢驗區間的誤差相比較,可以判斷在预測區間內價格是否被操縱。如果預測的數據和市場的真實數據連续同向偏離,並且較大的超出這個品种正常交易時的誤差均值,就可以判定存在操縱現象。即當下式成立時:

  可以認为在預測區間價格被操縱。其中和為預測區間的真實值和預测值,Oj和 Dj分别為檢驗區間的真實值和預測值,n為預測區間的數據長度,m為檢驗區間的數据長度,為允許的最大波动幅度。此時監管當局應謹慎觀察,及時制止操縱行為,維持價格的穩定和市場秩序。

免費論文下載中心 http://www.hi138.com
下载论文

論文《基於GA-BP神經網絡模型的期貨價格預測與淺析》其它版本

期貨市場論文服務

網站聲明 | 聯系我們 | 網站地圖 | 論文下載地址 | 代寫論文 | 作者搜索 | 英文版 | 手機版 CopyRight@2008 - 2017 免費論文下載中心 京ICP备17062730号