基于人工神經網絡的滬鋅期貨價格預測研究

林 杰，龔 正

(同濟大學 經濟與管理學院，上海 200092)*

·證券與投資·

基于人工神經網絡的滬鋅期貨價格預測研究

林 杰，龔 正

(同濟大學 經濟與管理學院，上海 200092)*

分析滬鋅期貨的特征，發現滬鋅期貨價格存在非線性和波動集聚性的特點。選擇滬鋅期貨的相關指標作為參數，運用人工神經網絡訓練數據，進行價格漲跌預測，構建BP神經網絡和卷積神經網絡滬鋅期貨預測模型。實證研究結果表明：模型預測準確率高，預測效果良好，在盤整行情中可獲得較高收益，為投資決策提供重要參考，并可在期貨市場中進行廣泛應用。

滬鋅；人工神經網絡；價格預測

一、引 言

人工神經網絡(Artificial Neural Network，ANN)基于信息系統構建，對現實世界進行模擬，是20世紀80年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡。神經網絡是一種運算模型，由大量的節點(或稱神經元)之間相互聯接構成，每個節點代表一種特定的輸出函數，稱為激勵函數(activation function)。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式、權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。人工神經網絡具有自學、存儲和高速的特點，已廣泛應用于模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域[1]。

目前，很多學者對于股票期貨市場的人工神經網絡預測問題都做了很多有意義的探索研究。馬保忠等(2015)[2]運用BP神經網絡模型，利用時間序列模型對黃金期貨價格進行了預測。史文靜等(2015)[3]將EMD與RBF相結合,建立了一種新的人工神經網絡預測方法，對我國股指期貨日結算價格進行了預測，解決了原始序列的強隨機性，顯示出較高的預測精度。徐顥華等(2014)[4]運用導數分析判斷股指期貨走勢方向，并通過一階差分BP神經網絡模型預測波動幅度，預測股指期貨價格，正確率超過70%，平均絕對誤差較小。王書平等(2014)[5]將銅價序列分解并重構成高頻、低頻和趨勢三個部分，從三個角度解釋了重構項的波動特征，與灰色模型、Elman神經網絡方法和ARIMA -SVM模型相比，多尺度組合模型預測效果最好。張同鈺(2016)[6]選取紐約商品交易所205天的黃金期貨價格數據和相應的影響因素指標數據，結合歐氏距離將樣本數據合理分組為訓練樣本、檢驗樣本和測試樣本三類，建立廣義回歸神經網絡(GRNN)模型用于預測黃金價格，模型預測精度高，對未來5天黃金價格的預測相對誤差都在1%以內。

滬鋅期貨是典型非平穩、非線性時間序列，具有長相關性，而傳統預測方法并沒有充分考慮到滬鋅期貨時間序列的隨機性特點。為了提高滬鋅期貨的預測精度，本文采用BP神經網絡和卷積神經網絡對滬鋅期貨價格進行分類預測，以提高預測的準確性和時效性。

二、BP人工神經網絡

BP(Back Propagation)神經網絡屬于前饋神經網絡。BP神經網絡在分類過程中數據只能向前傳送至輸出層，層間不向后反饋[8]。在一個三層的前饋神經網絡中，X表示輸入，W1-W3表示網絡各層的連接權向量，F1-F3表示神經網絡三層的激活函數。神經網絡的第一層輸入層神經元的輸出為：O1=F1(XW1)；第二層隱含層的輸出為：O2=F2(O1W2)=F2(F1(XW1)W2)；第三層輸出層的輸出為：O3=F3(O2W3)=F3(F2(F1(XW1)W2)W3)。BP神經網絡中，進行高次函數的擬合應采用非線性激活函數。

三、卷積神經網絡

卷積神經網絡(Convolutional Neural Network，CNN)是近年發展起來并引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經元時發現，其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，繼而提出了卷積神經網絡。K.Fukushima在1980年提出的新識別機是卷積神經網絡的第一個實現網絡。隨后，更多的研究人員對該網絡進行了改進。其中，具有代表性的研究成果是Alexander和Taylor提出的“改進認知機”，該方法綜合了各種改進方法的優點并避免了耗時的誤差反向傳播?，F在卷積神經網絡已經成為眾多學科的研究熱點之一，特別是在模式分類領域，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。

卷積神經網絡主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。由于卷積神經網絡的特征檢測層可以通過訓練數據進行學習，所以，在使用卷積神經網絡時，避免了顯示的特征抽取，而隱式地從訓練數據中進行學習。由于同一特征映射面上的神經元權值相同，所以，網絡可以并行學習，這也是卷積網絡相對于神經元彼此相連網絡的一大優勢。卷積神經網絡以其局部權值共享的特殊結構，在語音識別和圖像處理方面有著獨特的優越性，其布局更接近于實際的生物神經網絡，權值共享降低了網絡的復雜性，特別是多維輸入向量的圖像可以直接輸入網絡，這一特點避免了特征提取和分類過程中數據重建的復雜度。

卷積神經網絡的基本結構包括兩層：其一為特征提取層。每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關系也隨之確定下來。其二是特征映射層。網絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經元的權值相等。特征映射結構采用影響函數核小的sigmoid函數作為卷積網絡的激活函數，使得特征映射位移不變性。由于一個映射面上的神經元共享權值，因而減少了網絡自由參數的個數。卷積神經網絡中的每一個卷積層都緊跟著一個用來求局部平均與二次提取的計算層，這種特有的兩次特征提取結構降低了特征分辨率[7]。

四、數據分析

由于滬鋅期貨合約具有一定的時間跨度，同時有不同的期貨合約交易，為解決期貨價格的非連貫性，選取每個交易日的主力期貨連續合約數據進行分析。十二五期間，滬鋅期貨市場蓬勃發展，交易活躍。選取上海期貨交易所有色金屬中的滬鋅期貨品種進行分析，選取的滬鋅期貨品種學習訓練樣本的時間范圍為2011年1月4日-2015年12月15日。對滬鋅主力期貨連續合約收盤價進行對數一階差分計算期貨價格的收益率：Xt=lnPt-lnPt-1。數據樣本為1200個。

使用Eviews做描述性統計分析，得到的滬鋅期貨價格收益率描述性統計特征如表1所示。

表1 滬鋅期貨價格收益率描述性統計特征

從表1可以看出，滬鋅期貨的收益率為左偏，并且峰度大于3，滬鋅期貨品種的收益率都表現了非常明顯的尖峰厚尾的特征。從JB正態檢驗中可以看出，滬鋅期貨不服從正態分布。

滬鋅期貨價格收益率的時序圖如圖1所示。從圖1可以看出，滬鋅期貨價格收益率的波動存在明顯的波動集聚性，波動異常值明顯偏少，波動十分劇烈。

年份

圖2 滬鋅期貨價格收益率分布直方圖

滬鋅期貨價格收益率的分布直方圖如圖2所示。從圖2中可以看出，滬鋅期貨價格收益率總體保持平穩，左邊分布的數量較多，分布呈現左偏的趨勢。

五、實證分析

選取2011年1月4日-2015年12月15日的滬鋅期貨品種數據作為學習樣本，回溯預測2014年1月2日-2014年12月31日的中國有色金屬價格漲跌。使用matlab軟件分別編寫BP神經網絡和卷積神經網絡程序進行計算預測。

神經網絡設定的學習訓練參數共16個，包括每日的開盤價、收盤價、最高價、最低價、成交量、持倉量，以及5日、10日、20日和30日均線、MACD及其9日均線，DIF、KDJ中的K值、D值和J值，建立神經網絡模型，運用非線性函數進行擬合，判斷第二天漲跌幅與前一天16個參數之間的關系。通過對2011-2015年5年的數據進行完整有效地學習，掌握其中的規律，對2014年的滬鋅數據進行合理有效地預測，并與真實值進行比較，考察模型的實用性和準確性。在模型中，并不對漲跌幅的具體值進行準確的數值比較，而是把漲跌幅分為了5類，小于等于-3%，定義為大陰線；大于-3%且小于等于-1%，定義為小陰線；大于-1%且小于1%，定義為十字星；大于等于1%且小于3%，定義為小陽線；大于等于3%定義為大陽線。將真實值按定義標準劃分為大陰線、小陰線、十字星、小陽線和大陽線五類，并在預測時預測指標屬于哪一類，并與真實分類進行比較，考察是否一致，統計準確的個數與百分比。

(1)

(2)

(一)BP神經網絡

在BP神經網絡中，滬鋅期貨神經網絡的訓練目標為0.001，學習率為0.001，迭代次數為10000次，最終訓練結果的相對誤差0.0545042，梯度為0.0283151。滬鋅期貨神經網絡預測結果如表2所示。

表2 滬鋅期貨BP神經網絡預測結果 單位：%

從表2可以看出，滬鋅期貨的總體正確率較高，達到了69.388%。具體分類中，十字星的預測準確率最高，為91.447%，小陰線和小陽線的預測準確率也超過了30%。從最終查全率來看，總體和分類水平都較高，超過了60%，其中總體、十字星和小陽線的查全率在70%左右，顯示正確識別了大部分的情況。觀察預測率水平發現，大陰線、小陰線和小陽線的預測值數量遠超過實際值，其中小陰線和小陽線的預測率更是接近于2倍，十字星的預測值則少于實際值。整體來看，對于大陰線的預測結果并不理想，大陽線表格中都顯示“無”，考察實際的數據發現實際這段時間未出現大陽線，未預測到大陽線，證明判斷正確。

(二)卷積神經網絡

卷積神經網絡設置5個卷積層，每個卷積層的隱含點數目為100個。滬鋅期貨卷積神經網絡預測結果如表3所示。

表3 滬鋅期貨卷積神經網絡預測結果 單位：%

從表3可以看出，滬鋅期貨的總體預測正確率較高，達到了54.286%。具體分類中，十字星的預測正確率最高，為74.534%，小陰線的預測正確率為20%。從最終查全率來看，總體水平較高，超過了50%，其中十字星的查全率在70%左右，小陽線的查全率超過了40%，顯示正確識別了大部分的情況。從預測率來看，總體預測率為100%，分類各個預測率都呈現較高水平。

六、結 論

以上分析滬鋅期貨價格的特征并采用BP神經網絡對滬鋅期貨價格進行了預測，得到以下結論：

1.滬鋅期貨的價格收益率時間序列呈現非線性特征。市場對非線性信息的反應行為最終表現在期貨價格上，使得期貨價格所構成的時間序列呈現出非常明顯的非線性特征。

2.滬鋅期貨市場呈現了明顯的波動集聚性，市場具有一定風險，價格連續暴漲暴跌。在某些時段，價格大幅波動，上下浮動明顯；但在另外一些時段，價格小幅波動，上下并不明顯，市場呈現平穩態勢。投資者需要對期貨市場做出準確判斷才可能在這個復雜的市場中獲益。

3.運用BP神經網絡進行預測，滬鋅期貨預測的正確率較高，預測效果良好。特別是對于十字星的預測，正確率超過了90%，證明在盤整行情中使用BP神經網絡進行投資決策可以獲得較高收益。

4.運用卷積神經網絡預測滬鋅期貨，預測效果良好，總體正確率較高，在分類預測中，十字星的正確率最高。

5.比較BP神經網絡和卷積神經網絡這兩種神經網絡預測方法，發現對于滬鋅期貨，在總體和各個分類方面，BP神經網絡的預測率都要優于卷積神經網絡。

運用BP神經網絡和卷積神經網絡對滬鋅期貨進行預測取得了良好的效果，盡管滬鋅期貨價格會受到多重因素作用的影響，但使用BP神經網絡和卷積神經網絡模型進行價格漲跌判斷仍是一個合適的方法。BP神經網絡和卷積神經網絡都是期貨行情預測的重要方法，可以推廣應用于其它期貨品種行情的預測，為期貨價格判斷決策提供幫助。

[1] PMJ Chan，M Mehralizadeh. Forecasting east asian indices futures via a novel hybrid of wavelet -PCA denoising and artificial neural network models.[EB/OL]. http://dx.doi.org/10.1371/journal.pone.0156338.

[2] 馬保忠, 陳傳明. BP神經網絡模型在黃金期貨價格預測中的實證分析[J]. 企業導報, 2015(11): 20,19.

[3] 史文靜, 高巖. EMD結合RBF神經網絡新混合模型及股指期貨價格預測[J]. 經濟數學, 2015(1): 47-51.

[4] 徐顥華, 顧海峰. 股指期貨短期價格預測模型研究——基于差分BP神經網絡模型[J]. 金融教學與研究, 2014(3): 27-32.

[5] 王書平, 胡愛梅, 吳振信. 基于多尺度組合模型的銅價預測研究[J]. 中國管理科學, 2014, 22(8): 21-28.

[6] 張同鈺. 基于廣義回歸神經網絡的黃金價格預測研究[J]. 中國集體經濟, 2016(1): 73-74.

[7] Mehmet A, Mutlu A. Artificial neural network approach for atomic coordinate prediction of carbon nanotubes[EB/OL]. DOI: 10.1007/s00339-016-0153-1.

[8] 吳閩帆, 張勇. 一種新型神經網絡在期貨價格預測中的應用[J]. 新疆師范大學學報(自然科學版), 2014(2): 39-42.

(責任編輯:鐵 青)

A Research on Forecasting of Shanghai Zinc Futures Price Based on Artificial Neural Network

LIN Jie, GONG Zheng

(SchoolofEconomicsandManagement,TongjiUniversity,Shanghai200092,China)

The characteristics of Shanghai zinc futures are analyzed, and the characteristics of nonlinear and volatility clustering are found. We choose Shanghai zinc futures related indicators as parameters, use artificial neural network to train data, forecast price change, and build BP neural network and convolutional neural network Shanghai zinc futures forecasting model. Empirical study results show that model forecasting accurate rate is high and has good results, can get a higher yield in the consolidation in the market, which can provide important reference for the investment decision, and can be widely used in the futures market.

Shanghai zinc; artificial neural network; price forecasting

2016 -10 -10

國家自然科學基金資助項目(71071114、 71672128)、國家科技支撐計劃資助項目(2011BAC10B08)、教育部社會科學支撐計劃資助項目(11YJC630216)、上海市重點學科建設基金資助項目(B310)、同濟大學中央高校基本科研業務費資助項目

林 杰(1967—)，男，四川渠縣人，同濟大學經濟與管理學院教授、博士生導師，研究方向：期貨程序化交易、決策支持系統、供應鏈管理。

F830.9/TP391

A

1003 -7217(2017)02 -0054 -04