基于RBF和數據挖掘技術的期貨預測研究綜述

【摘 要】期貨市場作為金融市場的重要部分，對于我國國民經濟的發展有著重要的影響。目前，對期貨預測的研究大都基于RBF神經網絡模型和數據挖掘技術。本文將對基于RBF和數據挖掘的期貨預測研究進行綜述，主要關注期貨市場的特點、用于期貨預測的數據挖掘技術中的主要算法、RBF神經網絡的概述和目前研究結果的比較。

【關鍵詞】數據挖掘技術；RBF神經網絡；期貨預測

0 引言

期貨市場傳遞的價格信息能比較準確地反映未來供求狀況的預期情況及其變動趨勢，是市場供求狀況的超前反應，對現貨市場的波動有著特有的前瞻性。因此，選擇有效的期貨預測方法來分析和預測期貨市場，對保障金融市場的穩定和維護整個經濟體系有著重要的作用。由于期貨價格的變化是一個非線性的時間序列，因此使用傳統的統計方法直接對期貨價格進行分析和預測，其預測結果的偏差是比較大[1]。基于神經網絡的期貨預測研究是神經網絡技術在金融領域應用的一個非常重要的方面[2]，那是因為RBF神經網絡具有大規模并行數據處理以及非線性模擬能力[3]。但是，目前在采用RBF神經網絡進行期貨預測的眾多文獻中[4-5]，大多的只是單純使用RBF神經網絡對大量數據進行學習、模擬。本文試圖通過目前對基于RBF和數據挖掘技術的期貨預測的研究現狀進行梳理、比較，為期貨預測的研究起借鑒和啟示意義。

1 我國期貨市場現狀及發展

1.1 我國期貨市場的現狀

作為商品流通體制改革、價格市場化的重要產物及市場經濟發展的一個重要標致，我國期貨市場歷經20多年的探索實踐，取得了令人矚目的成績，在相關產業及國民經濟發展中開始發揮越來越重要的作用，尤其是在服務國民經濟、促進現代農業的發展、影響國際大宗商品價格等方面中正在成為國家宏觀調控的一個抓手。

1.2 我國期貨市場的發展趨勢

中國的期貨市場作為一種新生事物經過十幾年的發展，從無到有，并且逐漸走向規劃化。回顧從前，我國期貨市場的發展可以說是坎坷多難，道路曲折。審視現在，我國的期貨市場已進入規范發展的時期，并且正不斷地走向成熟。展望未來，我國宏觀經濟環境良好，長期基礎制度建設積累了一定基礎，外部環境不斷改善，期貨市場風險控制能力逐漸加強，同時科學化管理水平穩步提高，這些都為期貨市場的健康、快速發展奠定了堅實的基礎。

2 數據挖掘簡介及RBF神經網絡算法概述

2.1 數據挖掘簡介

近年來，隨著Internet、計算機技術、信息技術和數據庫技術的快速發展，計算機在各行各業中的使用也越來越廣泛。由此產生的數據，隨著時間的積累也越來越多。在這海量的數據中隱藏著許多重要的信息，但是目前的數據庫系統卻無法發現這些數據的內在聯系，更無法根據現有的數據來預測其未來的發展趨勢。而數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的一個過程。

2.2 RBF神經網絡概述

徑向基函數（RBF-Radial Basis Function）神經網絡是在80年代末由J.Moody和C.Darken提出的一種神經網絡模型，RBF網絡是由輸入層、隱含層和輸出層構成的三層前向網絡[7-9]，其拓撲結構如圖1所示。神經網絡信息的傳輸為：對于輸入層，只負責信息的傳輸。對于隱含層：每個神經元將自己和輸入層神經元相連的連接權值矢量 與輸入矢量之間的距離乘以本身的閾值作為自己的輸入。隱含層神經元采用徑向基函數作為激勵函數，通常采用高斯函數作為徑向基函數。對于輸出層，它對輸入模式的作用做出響應。由于輸入到輸出的映射是非線性的，而隱含層空間到輸出空間的映射是線性的，從而大大加快學習速度并避免局部極小問題。

圖1 RBF神經網絡結圖

隱含層和輸出層采用徑向基函數作為激勵函數，該徑向基函數的一般高斯函數表達式如下式：

由此可知，需要選擇合適的權值wi和神經網絡中心ci即可實現非線性基函數的線性轉換，從而實現從現有數據到未來數據的預測。

3 RBF和數據挖掘技術在期貨市場中網絡模型的比較

3.1 基于主成分分析的RBF神經網絡模型

RBF神經網絡模型[11-12]使用基于主成分分析法對原始數據進行降維，再用這些個數較少的新變量作為RBF神經網絡的輸入進行模擬預測。利用SPSS軟件，選擇前3個成分作為主成分；同樣利用SPSS軟件，得到其成分矩陣。然后，設計一個三層的神經網絡，輸入層有3個神經元，輸出層神經元為1個。利用下式對輸入、輸出值進行標準化，可使得輸入、輸出值均落在[-1，1]之間。

Xn=2*（x-minx）/（maxx-minx）-1

利用MATLAB的神經網絡工具箱中用newrb函數設計這個徑向基函數網絡，用其做函數逼近時，可自動增加隱含層神經元，直到達到均方誤差為止。經過試驗，該網絡模型的預測誤差較小，見圖2。

圖2 兩種方法預測期貨后5日均價結果比較

由于主成分之間是相互獨立的，所以由各主成分組成的輸入空間不存在自相關性，從而有效地簡化了RBF神經網絡在高維時難以尋找網絡中心的問題，提高了預測精度。不過徑向基網絡本身對擴展速度的選擇沒有一個固定的標準，不同的值得到的結果又較大的偏差，這是該網絡模型的一個缺陷，值得深入地研究。

3.2 基于分段取中心值的RBF神經網絡模型

由于RBF神經網絡對近似線性時間序列數據預測誤差較大，我們提出了一種改進的算法。該算法以分段取中心值算法為依據，使徑向基函數中心點值的確定更加合理，從而使近似線性時間序列數據預測的準確度提高。

RBF網絡模型[13]的學習過程可分為兩步：RBF網絡徑向基函數的中心與寬度選擇，網絡輸出層和隱含層權值之間的確定。改進的RBF網絡模型采用改進的分段取中心值算法來確定RBF網絡徑向基函數的中心與寬度，同時利用最小二乘法來確定網絡輸出層和隱含層之間的權值。

最后確定RBF神經網絡的權值，再利用MATLAB進行訓練、計算。經過述理論分析和期貨預測實驗結果可以知道，提出的基于分段取中心值算法的 RBF 神經網絡在時間序列變化較平緩且近似有規律的小幅度的上升或下降時具有較佳的擬合性能，同時也說明了 RBF 神經網絡在期貨預測上的準確性和可行性，為短期期貨價格的走勢提供了參考。

4 結論與討論

上述研究表明，RBF和數據挖掘技術在期貨預測中的應用比較廣泛。總結當今神經網絡的研究取得的成果，對幾種RBF網絡模型進行梳理、比較和研究，可以知道RBF和數據挖掘技術對期貨交易的短暫的走向可以做出預測。同時，這幾種RBF神經網絡算法還是存在很多的不足之處，需要更加深入地進行研究，才能對期貨交易進行更好地預測，使得期貨市場發展的更好，我國的金融市場更加穩定。

【參考文獻】

[1]申畯，申榮華.改進的RBF神經網絡對期貨價格的預測分析[J].現代商貿工業，2008，11：183-184.

[2]蔣綜禮.人工神經網絡導論[M].北京：高等教育出版社，2001.

[3]李學橋.神經網絡工程應用[M].重慶：重慶大學出版社，1995（24）.

[4]高博，王啟敢，張艷峰.權證定價中的神經網絡方法[J].統計與決策，2010（14）.

[5]張秀艷，徐立本.基于神經網絡集成系統的股市預測模型[J].系統工程理論踐，2003（9）.

[6]張屹山，方毅，黃琨.中國期貨市場功能及國際影響的實證研究[J].管理世界，2006，04：28-34.

[7]葛哲學，孫志強.神經網絡理論語MATABLER2007實現[M].北京：電子工業出版社，2007-09.

[8]劉志杰，季令，葉玉玲，等.基于徑向基神經網絡的集裝箱吞吐量組合預測[J].同濟大學學報：自然科學版，2007，35（6）.

[9]鄭丕諤，馬艷華.基于RBF神經網絡的股市建模與預測[J].天津大學學報，2006，33（4）.

[10]劉書明，蘇濤，羅軍輝.Tiger SHARC應用系統設計[M].西安：西安電子科技大學出版社，2004.

[11]劉興彬，萬發祥.RBF神經網絡主成分分析法在交通預測中的應用[J].山西科教，2001（1）：54-56.

[12]飛思科技產品研發中心.神經網絡理論與MATLAB實現[M].北京：電子工業出版社，2005.

[13]錢曉東，肖強，羅海燕.基于改進的RBF神經網絡的人民幣匯率預測研究[J].計算機工程與應用，2010，40（10）.

[責任編輯：周娜]