基于SVM模型的金屬期貨價格波動預測

摘"要：隨著科技的不斷發展，機器學習技術在金融領域中的應用越來越廣泛。文章以青山集團的倫鎳事件為案例，從機器學習的視角對鎳期貨交易價格的波動進行預測性分析。基于2018年11月至2022年3月的數據，構建支持向量機模型（SVM）并通過彭博商品指數、波動率指數等指標對鎳期貨價格波動率進行預測。進一步構建傳統線性回歸模型對鎳金屬期貨價格進行模擬，對鎳期貨價格波動率進行再次預測，比較兩種模型的結果，驗證支持向量機在風險預測與管理上的適用性以及相較于傳統模型的先進性?；谘芯拷Y果，提出機器學習在風險管理運用上的對策建議。

關鍵詞：機器學習；支持向量機；鎳期貨；期貨逼倉事件；風險管理

中圖分類號：F713."35""""文獻標識碼：A"文章編號：1005-6432（2025）13-0042-04

DOI：10."13939/j."cnki."zgsc."2025."13."010

1"引言

在機器學習興起的大環境下，隨著金融衍生品市場的快速發展和金融科技的日益進步，鎳金屬期貨市場作為重要的金融衍生品市場，也得到了進一步的完善和發展。隨著金融市場的發展和時間的推移，鎳金屬期貨市場經歷了三個階段的發展。初期階段是從20世紀80年代開始，當時最早的鎳金屬期貨市場是在倫敦金屬交易所（LME）上建立的。盡管LME鎳合約于1978年首次上市交易，但由于交易規模較小，這一階段的發展相對緩慢。在20世紀90年代，隨著國際市場對鎳金屬的需求增加，鎳金屬期貨市場得到了迅速發展。1997年，倫敦洲際交易所（LIFFE）上市了鎳期貨合約，并且隨后中國、日本、新加坡等國家和地區也相繼建立了自己的鎳金屬期貨市場。這一階段的發展為鎳金屬期貨市場奠定了堅實的基礎。21世紀以來，隨著金融衍生品市場的不斷發展和金融科技的不斷進步，鎳金屬期貨市場也不斷升級和創新。這一階段的發展使得鎳金屬期貨市場的功能得到了進一步完善。但是鎳金屬期貨市場依舊存在著大量風險，突發事件和重大事件的發生都可能給市場帶來不利影響，往往會引起價格的急劇波動，對投資者造成損失。

傳統的均值方差模型主要基于統計學方法進行建模，其假設數據分布是已知的，而且符合特定的概率分布形式，無法應對復雜的非線性問題。機器學習則不同，可以通過大量的數據學習出規律，不需要對數據分布進行任何假設，可以處理各種類型的數據，這使得機器學習在實際應用中更加靈活和強大。支持向量機采用核函數的方法將數據從低維空間映射到高維空間，使得數據更容易被線性分割。這種方法可以在處理非線性問題時取得很好的效果，而傳統模型則需要進行特征工程等預處理，使數據具備可線性分割的特性。同時，支持向量機分類器的決策邊界只與支持向量有關，這使得支持向量機具有很好的可解釋性和可視化性；支持向量機可以通過調整核函數的參數來適應不同的數據分布，從而實現更好的分類效果。在此背景下，文章引入機器學習中的支持向量機模型對鎳期貨價格進行預測，并在此基礎上形成投資觀點。

2"文獻綜述

在資產管理行業中，機器學習最常見的應用場景就是組合管理、金融交易、風險管理和智能顧投。機器學習在預測金融資產價格波動率方面也有應用，傳統的風險預測方法主要依賴于統計模型，如回歸分析和時間序列模型，但一些研究表明，相對于傳統的線性時序模型，機器學習能夠取得更好的效果。曾志平等（2017）使用深度信念網絡來預測股價的未來趨勢，結果顯示機器學習能夠將準確率提升至90%［1］。張承釗等（2015）利用深度分合網絡預測了上證綜指的收益率，發現相比于ARIMA模型和GARCH模型，機器學習在股價預測方面表現更出色［2］。

機器學習在金融領域中預測風險的應用近年來取得了顯著進展。風險預測是金融機構進行風險管理和決策制定的重要組成部分。隨著大數據和計算能力的提升，機器學習技術在金融風險預測中的應用日益廣泛。趙志紅等（2021）提出一種基于機器學習的信貸欺詐風險預測模型，其具有更好的預測性能［3］。張品一等（2022）提出了一種互聯網金融風險預警模型，該模型結合了SMOTE-ENN采樣算法和支持向量機模型，采用日收益率和多分形波動率對互聯網金融風險進行衡量，并將風險狀態進行分類［4］。研究發現，SMOTEENN-SVM模型顯著提高了預測精度，表現出優越的預測性能。徐勁等（2022）認為，在金融數字化轉型過程中，銀行可以構建早發現、早介入、早處置的風險預警系統，利用機器學習技術有效預測、防范和化解各種潛在的金融風險［5］。為了提高期貨價格的預測精度，Gu"Q等（2021）提出了一種基于梯度提升決策樹（GBDT）、相關性分析和經驗小波變換（EWT）的混合方法，并將其應用于預測LME鎳的結算價格，研究取得了顯著效果［6］。

由于金融市場中存在大量噪聲，且具有明顯非參數特點，傳統的線性模型往往無法很好地描述這些特征。Menéndez-García"L"A等（2024）采用了傳統的時間序列模型以及機器學習模型預測紐約商品交易所（COMEX）鉑金現貨價格。研究結果表明，最好的方法是多層感知器神經網絡MLP模型［7］。

3"研究設計

2022年3月，受俄烏局勢升級而導致的俄羅斯鎳出口被限制，LME鎳期貨價格在短期內快速上漲，這導致我國青山控股集團重倉所持LME鎳期貨空單可能產生數十億美元虧損。此次嚴峻的逼空事件對市場造成了巨大的影響：價格的波動和報價的混亂幾乎使全球鎳市場停滯不前、鎳產業鏈停滯，并令期貨價格失去了對現貨價格的指導意義，且對青山集團造成了巨大損失。

3."1"樣本選擇與數據來源

文章數據選取區間為2018年11月15日到2022年3月16日的日度數據。數據均來源于英為財情，包括鎳期貨價格（NIP）歷史數據、銅金屬期貨價格（CUP）歷史數據、波動率指數（VIX）歷史數據、彭博商品指數（BCI）歷史數據以及國債指數（GBI）歷史數據。文章將日度數據經過對比篩選，剔除關鍵數據缺失且通過其他方式難以獲取的樣本。然后通過公式vol=t1/t0－1計算出波動率的數據集，最終共得到815組數據共4075個樣本，并將其中70%的數據用作訓練分區，將20%的數據用作測試，以及將剩下10%的數據用作驗證。

3."2"模型構建

大多數研究者將回歸問題的目標聚焦在如何更好地擬合訓練中的每個點。為了實現擬合，文章要求模型在每個訓練點上的預測值和實際值之間的誤差均小于一個給定的閾值。最終，文章為預測一個鎳期貨價格波動率的一個范圍，設置如圖1所示的流與節點。

圖1"Modeler建模流程

4"實證結果分析

4."1"基于支持向量機模型預測分析

文章將70%的數據用作學習與訓練，將20%的數據用作測試，將剩下10%的數據用于驗證，設定CUP波動率數據、VIX波動率數據、BCI波動率數據以及GBI波動率數據為自變量，設定鎳期貨價格NIP波動率為因變量，通過將流連接一個SVM模塊，讓數據通過軟件分析預測。SVM模型參數設置中，停止標準設置為1."0×10-3類型；規則化參數為10；回歸精確度為0."1；內核類型為RBF，RBF伽馬的數值設為0."1。其中，規則化參數的數值越小，模型越簡單，規則化參數的數值越高，SVM模型相對來說越復雜。

通過SVM的模擬擬合，文章得出預測的鎳期貨價格波動與BCOM漲跌幅的相關性最高，達到了0."88；相關性程度第二的是銅期貨價格漲跌幅，達到了0."1；與VIX指數漲跌幅的相關性僅有0."01，接近于零，預測的鎳期貨價格漲跌幅不受VIX指數漲跌幅的影響；與國債指數漲跌幅呈負相關。

文章接入SVM模擬求值模塊，SVM模擬求值的結果如圖2所示，SVM模型所預測的鎳期貨價格波動率的預測樣本在-5%至5%的頻率最高，概率占比為89."09%，預測的鎳期貨價格波動率小于-5%的占比為5."91%，大于5%的占比為5%。

圖2"SVM模擬求值

機器學習相較于傳統的機器學習方法的一大優勢在于不需要進行特征選擇。機器學習能夠使計算機自動進行特征選擇，其準確率高于人工選擇。此外，機器學習具有很高的適應性，并且可以利用遷移學習方法在相似領域中進行轉換［8］。

4."2"基于線性回歸模型預測分析

第一，在線性回歸的模型當中，為了能夠更好地預測因變量的結果，模型需要在自變量之間進行擬合來讓模型達到更好的效果，以下指標可以評估模型的擬合優度和預測能力。

R2是一個用于衡量回歸模型擬合優度的統計量，表示因變量（或回應變量）的方差中能被模型解釋的部分所占的比例。R2的取值范圍為0至1，越接近1表示模型對數據的擬合越好。文章結果顯示，R2的值僅為0."119，表示線性回歸模型對自變量的擬合程度并不是很好。

第二，在回歸分析中，預測值與實際值之間的差異稱為殘差（residual），是回歸分析中的一個重要統計量。預測值（predicted"value）是指回歸模型的預測值是根據自變量估計的因變量的值。預測值的標準差被稱為標準預測值（standard"predicted"value），是一個表示預測值變異程度的指標，反映了回歸方程的精確度。標準預測值越小，說明回歸方程越精確，預測值的變異程度越小，預測效果越好。

第三，隨后進行線性回歸的模擬擬合。根據線性回歸的模擬擬合結果顯示，與鎳期貨價格漲跌幅相關性最大的是彭博商品指數漲跌幅，有0."99，其次是銅期貨價格的0."53，相關性大小順序與SVM所預測的結果相同；VIX指數漲跌幅、國債指數漲跌幅與鎳期貨價格漲跌幅的相關性很低，VIX指數漲跌幅與鎳期貨價格漲跌幅的相關性為-0."17，國債指數漲跌幅與鎳期貨價格漲跌幅的相關性為-0."18。

第四，通過線性回歸的模擬求值對鎳期貨價格波動進行預測。如圖3線性回歸模型模擬求值的結果所示，線性回歸模型所預測的鎳期貨價格波動率的預測樣本在-2%至3%的頻率最高，概率占比為92."56%，所以鎳期貨價格波動率的預測結果為-2%至3%。

圖3"線性回歸模型模擬求值

4."3"模型預測結果對比分析

從預測結果上來看，通過比較SVM模型與線性回歸模型的預測結果，SVM模型將鎳期貨價格的波動率預測在-5%至5%，線性回歸模型將鎳期貨價格的波動率預測在-2%至3%，鎳期貨的波動率甚至在-8%至14."99%。

對于投資者而言，SVM模型將鎳期貨價格的波動率預測在-5%至5%，在這種高波動率的情況下，投資者會根據該預測結果減少自己的持倉或者增加更多的對沖資產來降低風險；雖然SVM預測范圍大，但與通常相對穩定的鎳期貨價格波動率相比，波動率浮動變大是具有警示作用的，對投資者做出相應決策具有重要意義。

在線性回歸的分析中，R2的值僅為0."119，表示線性回歸模型對自變量的擬合程度相對欠缺；Std.Predicted"Value的最大值為4."294，最小值為-5."4，說明回歸模型對一些數據點的預測值偏離真實值較遠，且偏差的幅度較大。

鑒于此上，文章基于SVM模型對鎳期貨價格進行預測，可以更好地解決非線性問題，有助于投資者獲取到的特征數據集更好地預測在一個相對合理的范圍內。

5"結語與建議

文章引入鎳金屬期貨價格的波動歷程與青山控股的倫鎳事件，分析鎳期貨價格波動產生影響的因素，從機器學習的視角對鎳期貨交易價格的波動進行預測性分析。得出如下結論：SVM模型所預測的鎳期貨價格波動率的預測結果在-5%至5%，概率占比為89."09%；線性回歸模型對鎳期貨價格波動率的預測結果在-2%至3%，概率占比為92."56%。通過對比兩種模型的預測結果，SVM模型對鎳期貨價格波動率預測的數據將會更加精確?；诖松涎芯拷Y論，文章提出以下四點建議。

第一，加強機器學習的運用能力。鎳期貨交易風險并未得到完全控制，科技的應用方法和工作范式必須面對新的挑戰。在此次黑天鵝事件下，傳統的量化風險管理、機器學習、數據科學等安全機制已經難以靠自身力量逃離風險陷阱。因此，期貨市場應該完善多種風險管理方法和策略，提高風險管理的機制完整性。利用機器學習識別出各種風險因素和其潛在的影響因素，以更精確地預測風險和控制風險。通過對大量市場數據和客戶數據的分析，機器學習可以識別出最有效的營銷策略，從而提高市場占有率和盈利能力。

第二，完善套期保值風控體系是增強風險防范意識的重要措施。套期保值通過對沖市場價格波動的風險，幫助企業鎖定成本和收益，確保財務穩定。一個健全的套期保值風控體系應包括明確的政策和流程，確保每個風險對沖決策都經過嚴格的評估和審批。此外，利用先進的風險管理技術，增強對市場風險的預判和響應能力，進一步完善風險控制體系。定期監控和評估套期保值策略的效果，及時調整策略以應對市場變化，也是關鍵環節。

第三，場外交易存在道德風險，套期保值方案需調整。企業在套期保值方案中需要根據自身的資金實力和衍生品交易能力，充分利用多種套期保值工具，如期貨、期權、互換等，以分散和降低風險。不同工具有不同的風險收益特性，合理組合使用可以提高套期保值效果。通過這些措施，企業可以更有效地管理和控制場外交易中的風險，確保套期保值策略的有效性和安全性。

第四，加強政策法規建設，健全其法律體系，完善交易市場的風險管理制度，包括鎳期貨交易市場監管機構應從制度上建立完整的風險防范和防范控制系統，引導市場化、法制化、規范化交易行為，保障投資者合法權益，提高市場公信力和持續穩定性。

參考文獻：

［1］曾志平，蕭海東，張新鵬."基于DBN的金融時序數據建模與決策［J］.計算機技術與發展，2017，27（4）：1-5.

［2］張承釗，潘和平."基于前向滾動EMD技術的預測模型［J］.技術經濟，2015，34（5）：70-77.

［3］趙志紅，杜瑩."基于機器學習的信貸欺詐風險預測模型研究［J］.現代電子技術，2021，44（24）：177-181.

［4］張品一，薛京京."多分形互聯網金融市場的風險預警模型研究［J］.數量經濟技術經濟研究，2022，39（8）：162-180.

［5］徐勁，許皓瑋，葛善偉."運用機器學習強化銀行風險預警［J］.中國金融，2022（2）：66-67.

［6］GU"Q，CHANG"Y，XIONG"N，et"al."Forecasting"nickel"futures"price"based"on"the"empirical"wavelet"transform"and"gradient"boosting"decision"trees［J］.Applied"soft"computing，2021，109：107472.

［7］MENNDEZ-GARCA"L"A，GARCA-NIETO"P"J，GARCA-GONZALO"E，et"al."Time"series"analysis"for"COMEX"platinum"spot"price"forecasting"using"SVM，MARS，MLP，VARMA"and"ARIMA"models：a"case"study［J］.Resources"policy，2024，95：105148.

［8］徐浩然，許波，徐可文."機器學習在股票預測中的應用綜述［J］.計算機工程與應用，2020，56（12）：19-24.