基于DBN 模型的WTI 原油期貨價格區間預測

馮海珊，蔣若怡

（1.廣西大學 數學與信息科學學院，南寧 530004；2.桂林電子科技大學 計算機與信息安全學院，廣西 桂林 541004）

0 引言

傳統的原油期貨價格的預測方法是ARIMA 模型和GARCH 模型，但原油期貨價格時間序列的非平穩、波動大、高集聚、高緯度等非線性特征使得傳統的方法難以準確刻畫。近年來，伴隨著大數據的積累、計算機硬件的改善，機器學習方法因其具有學習非線性網絡結構的能力，能實現對原油期貨價格時間序列非線性、非平穩特征的刻畫，逐漸成為預測原油期貨價格領域的主流方法。

謝文等人基于SVM 模型對原油價格進行了預測，并與ARIMA 模型和BPNN 模型的預測效果進行了比較，結果顯示改進的SVM 模型在預測精度上表現更好；希羅馬（Chiroma）等人構建了GA-NN 組合模型預測WTI 原油價格；還有不少學者采用LSTM 類模型預測原油期貨的價格。上述方法均以原始數據作為輸入要素，鮮少有文獻使用文本、圖片等非結構化數據信息對原油期貨價格進行預測。機器學習中的深度信念網絡（Deep Belief Network，DBN）模型對圖像識別有較好的效果?，F有文獻中，部分作者基于DBN 模型，使用非結構化信息作為輸入特征，對匯率和股票價格進行預測，能顯著改善預測效果。例如，沈富饒等人基于改進的DBN 網絡對外匯匯率序列進行預測，達到了比傳統方法更好的效果；曾志平等人基于DBN將原始價格轉化為圖像用于預測股票價格的趨勢，結果表明，預測準確率可以達到90%以上。

綜上所述，研究使用文本、圖片等非結構數據信息在原油期貨價格預測中具有可行性。本文在DBN模型的基礎上，采用圖片作為輸入要素，對WTI 原油期貨價格進行預測。與之前研究不同的是，本文不僅采用WTI 期貨價格的原始結算價，還會加入收盤價、開盤價、最高價和最低價的時間序列數據的預測，在此基礎上提出基于DBN 模型的區間預測方法。

1 基于DBN 的區間預測模型

DBN 模型是一種深度學習模型，可以實現對數據的降維及分類。其整體結構如圖1 所示。模型由多層堆疊在一起的受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）和有監督的反向傳播網絡組成，前一個RBM 的輸出成為后面RBM 的輸入，輸入層-隱藏層之間和隱藏層-隱藏層之間均利用高斯-伯努利RBM，層級設計可以有N 層，輸出層為無監督分類的結果。模型訓練的過程就是對RBM 結構進行微調并設置合適的層數使其適應數據的訓練，以獲得最高的預測精度。

圖1 DBN 模型基本結構

國內學者曾志平等人首次將DBN 模型應用于金融領域的研究，研究指出，直接將時序數據輸入模型容易造成DBN 算法的發散，難以找出原始數據的整體規律。參考該文獻，本文在建模時，將結算價、收盤價、開盤價、最高價、最低價和成交量等指標數據均轉換成圖片作為輸入信號訓練DBN 模型，再利用訓練好的DBN 模型進行趨勢預測，這樣每個指標都會有一個趨勢預測結果，如上漲或下跌，最后將最低價、最高價、開盤價、收盤價的趨勢預測結果綜合考慮，就得到一個預測的區間范圍。

2 數據預處理

本研究采用的WTI 原油期貨結算價（連續）日度數據的時間區間為1983 年3 月30 日至2021 年3 月22 日，去掉空值后總的數據個數為9 536 個，數據來源于美國能源署網站。WTI 原油期貨開盤價、收盤價、最低價、最高價、成交量和成交額日度數據的時間區間為2010 年11 月19 日至2021 年4 月28 日，數據來源于WIND 數據庫。

首先，對數據進行歸一化處理并畫時間序列圖。鑒于原油期貨價格時序數據的復雜性，首先對時序數據樣本進行歸一化處理，公式為：

式（1）中，

x

為某指標原始數據，

y

為歸一化后的數據，假設樣本容量為

N

，對其進行歸一化后選取

n

個數據畫一張曲線圖，若窗口的移動步長為

k

，則可生成（

N

-

n

+1）/

k

張圖片。對于每一個價格序列，本研究均選取

n

為5、

k

為1 的模式。

其次，對圖像進行預處理。在將圖片作為特征輸入模型之前，需要對圖像進行預處理，通常的預處理有圖像去噪、圖像灰度調整和圖像分辨率調整等，本文將全部非結構化數據均預處理為47×49 像素的非結構化圖片，并分成（a）有明顯上升趨勢、（b）有明顯下降趨勢和（c）無明顯趨勢3 種類型，部分樣本示例如圖2 所示。將這些非結構化數據作為訓練DBN模型的原始數據，其中預訓練數據約為總數據量的80%，驗證數據為總數據量的20%。

圖2 WTI 原油期貨數據樣本示例

3 DBN 網絡訓練

在Python 3.7 下搭建TensorFlow 環境，經過模型篩選，選擇3 層RBM 組成的DBN 深度學習網絡，網絡的輸入層有47×49 個節點，第一個和第二個隱含層有3 000 個節點，輸出層有3 個輸出節點（上漲、下跌或者無明顯趨勢狀態），迭代次數為20，學習率的大小選擇1.0。

4 實驗結果及預測分析

各指標預測結果如表1 所示。從預測結果來看，除最低價和最高價指標外，其余指標預測的準確率都能達到80%，效果較好，與曾志平等人用同一方法預測滬、深市場股票價格的準確率相當。

表1 DBN 網絡預測準確率

在決策實踐中，假設第t 天的結算價為5 元，最低價為4.5 元，最高價為5.5 元，根據趨勢預測，未來一天的結算價上漲，收盤價下跌，則可能的價格期間就為5～5.5 元。對于每個指標都漲或都跌的情況，預測的區間就會是一個沒有上限或下限的區間。結果表明，通過加入除結算價之外的最高價、最低價等指標的趨勢預測，構建漲跌趨勢的預測區間，可以更準確地篩選出漲跌區間，部分舉例如表2 所示。對投資者來說，可結合自己的風險偏好和期望預期，利用接下來若干個工作日的漲跌情況，設計符合自身情況的交易策略。

表2 預測的區間估計

5 結語

研究表明，通過圖片信息提取作價格時間序列的預測，將價格時間序列的非線性、非平穩性等復雜特征的信息反映在圖片上，讓機器學習通過識別圖片這些特征，準確率能達到80%。為了達到更理想的效果，還可以從圖像分類和學習訓練模型的搭建方面進行改進。在圖像分類方面，可以嘗試補充轉折點的分類；在訓練模型方面，可以嘗試用不同的算法改進訓練的速度和效率，在此基礎上設計符合自身風格的投資組合策略。