中國黃金期貨價格的SVR智能預測研究

楊瀟

【摘 要】 以中國黃金期貨為研究對象，選取了開盤價、最高價、最低價、收盤價、成交量和成交額6項指標作為樣本的特征指標變量，運用歸一化方法消除特征指標變量間因量綱不同而造成的預測誤差，進而引入支持向量回歸機（Support Vector Regression Machine，SVR）智能方法對該期貨的開盤價格進行預測研究，并通過引入網格搜索法對SVR模型的最優參數進行尋找，從而構建了最優的SVR智能預測模型。通過對訓練樣本集與測試樣本集的實證研究發現，文章所構建的最優SVR智能預測模型具有優越的學習性能與泛化推廣性能，能夠準確地預測中國黃金期貨的價格。

【關鍵詞】 黃金期貨； 支持向量回歸機； 智能預測； 網格搜索法

【中圖分類號】 F830.91 【文獻標識碼】 A 【文章編號】 1004-5937（2017）17-0050-04

一、引言

黃金作為一種特殊的商品，具有商品、貨幣和避險的多重屬性。而黃金價格一旦發生劇烈波動，不僅對一國經濟，甚至對整個國際社會的經濟運行都將產生嚴重影響[1]。與黃金現貨相比，黃金期貨蘊藏著更為嚴重的風險。因為期貨具有高杠桿性，在產生高收益的同時也可能放大風險[2]。隨著經濟全球化的推進，各國經濟間的聯系日益密切，一國期貨市場所產生的巨大風險在轉瞬之間就會傳遞到其他國家，從而引發嚴重的金融危機，進而影響整個實體經濟的健康運行。因此，開展黃金期貨價格的預測研究，進而提前采取應對措施防范黃金期貨危機的發生，對于一國甚至整個國際社會而言，都將具有重要的現實意義。

中國作為新興經濟體，其黃金期貨市場建立至今，相應的風險監管措施還不盡完善，因而面臨的風險危機也更為嚴峻[3]。因此，對中國黃金期貨市場進行預測，以實時監測黃金期貨的價格走勢，從而防患于未然，是保證中國金融市場穩定、經濟健康發展的重要途徑。

目前，預測模型主要分為兩類，一類是以消費彈性法、回歸分析法、趨勢外推法等為主的傳統方法[4-6]。但這類方法屬于線性模型，無法對非線性問題進行預測研究。眾所周知，黃金期貨市場是一個復雜的非線性系統，因而如果仍然運用上述線性方法對黃金期貨市場進行預測，就很可能導致預測失效。另一類是以神經網絡（Neural Network，NN）和支持向量回歸機（Support Vector Regression Machine，SVR）為主的智能方法[7，8]。這類方法能夠有效地解決非線性問題，因而受到學者們的廣泛關注。與NN相比，SVR具有明顯的優勢。它能夠處理小樣本問題，具有更為優越的學習能力與泛化推廣能力，因而更能受到學者青睞。基于此，本文將運用SVR對中國黃金期貨價格展開預測研究。

但需要指出的是，SVR模型的預測能力在很大程度上取決于懲罰參數（Penalty Parameter）和核函數（Kernel Function）參數，如果不準確估計這兩個參數，就很可能導致SVR模型預測準確性出現較大偏差。就目前研究而言，網格搜索法是運用較為廣泛的一類參數尋優方法，其優勢在于簡單易行，且尋優準確性較高[9]。因此，本文將引入網格搜索法對上述兩個參數進行尋優。

目前，有眾多研究學者運用SVR對經濟領域的相關問題進行了預測研究，如運用SVR對期權價格、股指、旅客流量、能源需求量、制造業產品價格等進行了預測研究，取得了良好的預測效果[10-15]。但他們卻都未使用SVR模型對黃金期貨價格進行預測研究，同時也未采用網格搜索法對SVR模型參數進行估計。

與上述研究相比，本文既引入SVR對中國黃金期貨價格進行預測研究，同時，還采用網格搜索法對SVR模型參數進行估計，以期能夠對中國黃金期貨價格進行更加準確的預測。由此可見，本文具有較強的創新性。

二、基于SVR的黃金期貨市場價格預測模型構建

但值得注意的是，懲罰參數C和RBF核函數參數σ不僅需要提前確定，還對模型的構建起著關鍵作用。如果這兩個參數確定不準確，勢必會影響SVR模型最終的預測性能，因此，就需要運用相關的參數尋優方法對這兩個參數進行優化。就目前研究而言，網格搜索法是運用較為廣泛的一類參數尋優方法，具有顯著的搜索優勢。因此，本文將引入網格搜索法對上述兩個參數進行尋優。

網格搜索法首先要求對參數范圍進行確定，在此基礎上，通過兩個參數在不同值上的組合，分別構建不同參數下的SVR模型進行樣本擬合，獲得不同的預測結果，并比較所有參數組合下的預測結果，選擇使預測精度最高的參數組合作為最優參數。于是，通過網格搜索法，本文就能尋找到最優的懲罰參數C和RBF核函數參數σ，并構建最優的SVR預測模型。

三、黃金期貨價格預測的實證研究

（一）實驗樣本與特征指標變量的選擇

本文以中國黃金期貨為研究對象，選取2003-01-02至2016-05-31間的數據為研究樣本。選擇這么長的一段時間作為研究區間，目的在于使模型更好地擬合現實中該產品的各種漲跌行情，從而使模型的預測功能更為全面，預測性能更為優異。同時，在特征指標變量選擇上，本文借鑒相關文獻，選擇了由開盤價、最高價、最低價、收盤價、成交量、成交額6項指標作為特征指標變量，以每個樣本的交易天數所對應的下一天的開盤價作為因變量。

（二）樣本數據的預處理

由于各個特征指標變量間的數值大小存在明顯差異，因此，為了使預測結果不受量綱影響，本文運用歸一化方法對樣本數據進行預處理，過程如下：

（三）實證結果與分析

本文將樣本數據集按時間前后進行排序，并將前80%與后20%的樣本分別劃分為訓練樣本集與測試樣本集，分別有2 610個和652個樣本。在此基礎上，本文借助Matlab 2015a編程軟件對訓練樣本進行訓練，并對測試樣本進行測試，訓練與測試的實驗結果如表1所示。endprint

從表1可以明顯地看出，在通過網格搜索法尋找到值為1.5157的最優參數C和σ的基礎上，運用SVR對訓練樣本與測試樣本進行預測，所得到的MSE都接近于0，且R的值都在95%以上，說明本文所構建的SVR模型不僅具有優越的學習能力，而且也具有優越的泛化推廣性能。

此外，本文還將預測結果與實際結果進行繪圖展示，見圖1和圖2。從圖1可以發現，不論是基于訓練樣本還是測試樣本進行實驗，SVR的預測值走勢與實際值走勢都十分接近，說明本文所構建的SVR模型具有優異的預測性能；同時，從圖2又可以發現，不論是基于訓練樣本還是測試樣本進行實驗，SVR的預測誤差幾乎都在0附近波動，說明SVR的預測誤差很小，表明SVR的預測精度高。由此可見，通過圖1與圖2的展示，表1的實證結果得到進一步驗證。

綜上所述，本文所構建的SVR不僅具有優越的學習性能，而且也具有優越的泛化推廣性能，對于黃金期貨市場的價格走勢預測具有極強的指導意義。

四、結論

本文以中國黃金期貨為研究對象，選取了開盤價、最高價、最低價、收盤價、成交量和成交額6項指標作為樣本的特征指標變量，運用歸一化方法消除特征指標變量間因量綱不同而造成的預測誤差，進而引入SVR模型對中國黃金期貨的價格進行智能預測研究，并通過引入網格搜索法對SVR模型的最優參數進行尋找，從而構建最優的SVR智能預測模型。通過對訓練樣本集與測試樣本集的實證研究發現，本文所構建的最優SVR智能預測模型具有優越的學習性能與泛化推廣性能，能夠準確地預測中國黃金期貨的價格。

基于以上分析可知，本文為黃金期貨市場管理部門和投資者提供了具有良好借鑒價值的應用工具與方法。對于黃金期貨市場管理部門而言，能夠運用本文構建的最優SVR模型對未來黃金中國黃金期貨價格進行預測，并及時制定相關的管理方針與政策來構建黃金期貨市場的風險預警防火墻，從而維護中國黃金期貨市場的穩定發展。同時，對于投資者而言，能夠運用本文所構建的最優SVR模型對中國黃金期貨的未來價格進行預測，并及時根據預測結果做出科學合理的投資決策，以便減少投資風險，提升投資收益。

最后需要指出的是，盡管中國黃金期貨價格的預測研究極其復雜，但本文的研究技術、方法與相關結論對于中國黃金期貨市場價格的預測研究仍然具有明確的借鑒意義，同時，對于黃金期貨市場管理部門開展期貨市場風險預警工作以及投資者進行科學合理的投資也都具有良好的指導意義。

【參考文獻】

[1] 范為，房四海.金融危機期間黃金價格的影響因素研究[J].管理評論，2012，24（3）：8-16.

[2] 徐雪，羅克.中國黃金期貨市場價格發現功能的實證分析[J].管理世界，2014（11）：172-173.

[3] 劉飛，吳衛鋒，王開科.我國黃金期貨市場定價效率與價格發現功能測算——基于5分鐘高頻數據的實證研究[J].國際金融研究，2013（4）：74-82.

[4] 林伯強.中國能源需求的經濟計量模型[J].統計研究，2001（10）：34-39.

[5] 韓君.中國能源需求的建模與實證分析[D].蘭州商學院碩士學位論文，2007.

[6] 魏一鳴，范英.中國能源需求報告（2006）：戰略與政策研究[M].北京：科學出版社，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] 費宇，王江.FDI對我國各地區經濟增長的非線性效應分析[J].統計研究，2013，30（4）：70-75.

[10] 楊建輝，李龍.基于SVR的期權價格預測模型[J].系統工程理論與實踐，2011，31（5）：848-854.

[11] 查進道.一種改進的基于DE-SVR的上證指數預測模型[J].統計與決策，2012（23）：67-69.

[12] 高玉明，張仁津.基于改進QPSO算法優化SVR的上證指數預測[J].計算機仿真，2013，30（12）：208-213.

[13] 陳榮，梁昌勇，陸文星，等.基于季節SVR-PSO的旅游客流量預測模型研究[J].系統工程理論與實踐，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.endprint