基于深度学习方法的商品期货价格预测研究
发布时间：2021-10-14 09:20
价格作为投资交易的关键,价格的走势关系到市场的良好发展以及广大投资者的切身利益,因此针对价格走势的预测研究一直是金融投资领域的研究重点。随着大宗商品期货在金融市场地位的逐渐提高,针对商品期货价格的预测研究也越来越多。并且深度学习方法作为先进的人工智能技术已广泛运用于金融领域,因此本文结合深度学习方法对商品期货价格进行了预测研究,以期为投资者的投资交易提供一定的借鉴。本文首先梳理了深度学习方法中相关模型的理论知识,结合卷积神经网络（CNN）能够有效提取特征以及门控循环单元网络（GRU）能够快速并准确处理时序数据的特性,构建了CNN-GRU组合神经网络模型,并且分别运用该组合模型和单一的CNN、GRU神经网络模型对沪铜、豆粕和PTA三个期货品种的价格进行了预测,结果显示CNN-GRU组合神经网络模型的预测准确率最高,表明该组合模型构建成功且具有显著的优越性。其次,为了提高商品期货价格预测的准确性,本文拟在模型输入特征中加入技术分析指标和基本面因素指标,但这首先需要对商品期货市场的有效性进行研究。因此本文通过运用自相关检验、GARCH模型对沪铜、豆粕、PTA期货市场有效性进行了实证研究,结果...
【文章来源】：北方工业大学北京市
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
第二章CNN-GRU模型的构建和诊断8献中被称为感受野。卷积核在提取有效特征时，会对数据特征进行有规律的扫描，在感受区域中对输入的特征进行矩阵元素乘法并叠加偏差量。其公式如下：+1(,)=[](,)+=∑∑∑[(0+,0+)+1(,)]+=1=1=1(,)∈{0,1,…+1}+1=+20+1(2-1)其中+1和分别为第l+1层卷积的输出和输入，其也被称为特征图（featuremap）,+1代表+1的尺寸，Z(i,j)是对应特征图的像素，K为特征图的通道数，f、0和p分别对应卷积核的大孝卷积移动步长（stride）、和填充(padding)层数，这三个参数共同决定了卷积层输出特征图的尺寸。池化层主要是对卷积层输出的特征图进行特征压缩，降低特征向量的维度，常用的池化模型为最大池化（maxpooling）和均值池化（averagepooling）,其公式如下：(,)=[∑∑(0+,0+)=1=1]1(2-2)其中0为移动的步长，（i,j）为特征图的像素，p为指定参数，当p为1时，模型为均值池化，当p趋向无穷大时，模型为最大池化。全连接层主要对卷积层和池化层提取的特征进行最后的分类。2.1.2循环神经网络（RNN）循环神经网络（RNN）是在前馈神经网络的基础上加入了时间的循环，即隐藏层中的神经元同时接收到了上一时刻神经元的信息输出和本时刻的信息的输入，接收到的信息有了时序的特征，确保了输入的信息能够发挥持久的作用，同时使模型具备了一定的记忆力，适用于处理时间序列的研究问题。图2-2循环神经网络结构展开
第二章CNN-GRU模型的构建和诊断10（5）结合计算出的梯度值，对参数值进行更新。2.1.3门控循环单元（GRU）门控循环单元网络（GRU）是长短期记忆神经网络（LSTM）的变形。长短期记忆神经网络的提出是为了解决循环神经网络在模型训练时，存在误差反向传播过程中的梯度消失问题，梯度消失导致模型在运算过程中对时间间隔比较长的信息的记忆性变差。LSTM神经网络能够对具有长期依赖性的数据进行更为准确的建模，使最终的预测结果更为精确。长短期记忆神经网络的结构是在循环神经网络的链式结构上进行改进，在隐藏层中加入了处理输入信息的门，分别为遗忘门、输入门和输出门。如下图：图2-3LSTM网络循环结构图2-4(a)为遗忘门，(b)为输入门，(c)为更新单元状态，(d)输出门
【参考文献】：
期刊论文
[1]投资者情绪对商品期货价格及波动率的影响研究——以螺纹钢期货为例[J]. 周亮. 武汉金融. 2019(06)
[2]基于深度学习算法的高频交易策略及其盈利能力[J]. 孙达昌,毕秀春. 中国科学技术大学学报. 2018(11)
[3]GRU递归神经网络对股票收盘价的预测研究[J]. 黎镭,陈蔼祥,李伟书,梁伟琪,杨思桐. 计算机与现代化. 2018(11)
[4]基于EEMD-LSTM-Adaboost的商品价格预测[J]. 邸浩,赵学军,张自力. 统计与决策. 2018(13)
[5]技术指标能够预测商品期货价格吗?来自中国的证据[J]. 尹力博,杨清元,韩立岩. 管理科学学报. 2018(06)
[6]基于LSTM-Adaboost模型的商品期货投资策略研究[J]. 邸浩,赵学军,张自力. 南方金融. 2018(08)
[7]金融投机、实需与国际大宗商品价格——信息摩擦视角下的大宗商品价格影响机制研究[J]. 刘璐,张翔,王海全. 金融研究. 2018(04)
[8]宏观经济与商品期货价格:因子构建及关联分析[J]. 郭净,周亮,肖坚. 金融与经济. 2018(03)
[9]商品期货高频交易价格趋势实证分析——以黄金期货市场为例[J]. 胡波. 价格理论与实践. 2018(01)
[10]基于SSA-ELM的大宗商品价格预测研究[J]. 王珏,齐琛,李明芳. 系统工程理论与实践. 2017(08)
本文编号：3435884
【文章来源】：北方工业大学北京市
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
第二章CNN-GRU模型的构建和诊断8献中被称为感受野。卷积核在提取有效特征时，会对数据特征进行有规律的扫描，在感受区域中对输入的特征进行矩阵元素乘法并叠加偏差量。其公式如下：+1(,)=[](,)+=∑∑∑[(0+,0+)+1(,)]+=1=1=1(,)∈{0,1,…+1}+1=+20+1(2-1)其中+1和分别为第l+1层卷积的输出和输入，其也被称为特征图（featuremap）,+1代表+1的尺寸，Z(i,j)是对应特征图的像素，K为特征图的通道数，f、0和p分别对应卷积核的大孝卷积移动步长（stride）、和填充(padding)层数，这三个参数共同决定了卷积层输出特征图的尺寸。池化层主要是对卷积层输出的特征图进行特征压缩，降低特征向量的维度，常用的池化模型为最大池化（maxpooling）和均值池化（averagepooling）,其公式如下：(,)=[∑∑(0+,0+)=1=1]1(2-2)其中0为移动的步长，（i,j）为特征图的像素，p为指定参数，当p为1时，模型为均值池化，当p趋向无穷大时，模型为最大池化。全连接层主要对卷积层和池化层提取的特征进行最后的分类。2.1.2循环神经网络（RNN）循环神经网络（RNN）是在前馈神经网络的基础上加入了时间的循环，即隐藏层中的神经元同时接收到了上一时刻神经元的信息输出和本时刻的信息的输入，接收到的信息有了时序的特征，确保了输入的信息能够发挥持久的作用，同时使模型具备了一定的记忆力，适用于处理时间序列的研究问题。图2-2循环神经网络结构展开
第二章CNN-GRU模型的构建和诊断10（5）结合计算出的梯度值，对参数值进行更新。2.1.3门控循环单元（GRU）门控循环单元网络（GRU）是长短期记忆神经网络（LSTM）的变形。长短期记忆神经网络的提出是为了解决循环神经网络在模型训练时，存在误差反向传播过程中的梯度消失问题，梯度消失导致模型在运算过程中对时间间隔比较长的信息的记忆性变差。LSTM神经网络能够对具有长期依赖性的数据进行更为准确的建模，使最终的预测结果更为精确。长短期记忆神经网络的结构是在循环神经网络的链式结构上进行改进，在隐藏层中加入了处理输入信息的门，分别为遗忘门、输入门和输出门。如下图：图2-3LSTM网络循环结构图2-4(a)为遗忘门，(b)为输入门，(c)为更新单元状态，(d)输出门
【参考文献】：
期刊论文
[1]投资者情绪对商品期货价格及波动率的影响研究——以螺纹钢期货为例[J]. 周亮. 武汉金融. 2019(06)
[2]基于深度学习算法的高频交易策略及其盈利能力[J]. 孙达昌,毕秀春. 中国科学技术大学学报. 2018(11)
[3]GRU递归神经网络对股票收盘价的预测研究[J]. 黎镭,陈蔼祥,李伟书,梁伟琪,杨思桐. 计算机与现代化. 2018(11)
[4]基于EEMD-LSTM-Adaboost的商品价格预测[J]. 邸浩,赵学军,张自力. 统计与决策. 2018(13)
[5]技术指标能够预测商品期货价格吗?来自中国的证据[J]. 尹力博,杨清元,韩立岩. 管理科学学报. 2018(06)
[6]基于LSTM-Adaboost模型的商品期货投资策略研究[J]. 邸浩,赵学军,张自力. 南方金融. 2018(08)
[7]金融投机、实需与国际大宗商品价格——信息摩擦视角下的大宗商品价格影响机制研究[J]. 刘璐,张翔,王海全. 金融研究. 2018(04)
[8]宏观经济与商品期货价格:因子构建及关联分析[J]. 郭净,周亮,肖坚. 金融与经济. 2018(03)
[9]商品期货高频交易价格趋势实证分析——以黄金期货市场为例[J]. 胡波. 价格理论与实践. 2018(01)
[10]基于SSA-ELM的大宗商品价格预测研究[J]. 王珏,齐琛,李明芳. 系统工程理论与实践. 2017(08)
本文编号：3435884
本文链接：https://www.wllwen.com/jingjilunwen/qihuoqq/3435884.html