劉大鵬 (北京林業(yè)大學經(jīng)濟管理學院，北京 100083)

基于兩種神經(jīng)網(wǎng)絡(luò)模型的膠合板期貨價格短期預(yù)測

劉大鵬 (北京林業(yè)大學經(jīng)濟管理學院，北京 100083)

選取2013年12月06日～2014年09月17日的膠合板主力期貨合約作為訓練樣本，2014年09月18日～2014年11月05日的膠合板主力期貨合約作為測試數(shù)據(jù)，采用L-M優(yōu)化算法和貝葉斯優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型對期貨價格進行了預(yù)測分析。結(jié)果表明，采用兩種優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)模型均具有較高的擬合度，對價格走勢有良好的預(yù)測效果，可為期貨市場投資者投資決策提供一定的參考。

膠合板期貨；價格預(yù)測；神經(jīng)網(wǎng)絡(luò)模型

期貨交易是指交易雙方在期貨交易所買賣期貨合約的交易行為，是商品現(xiàn)貨交易的派生交易方式。利用期貨交易,期貨交易者能夠更好地規(guī)避商品活動中的庫存風險以及因資信、價格波動所帶來的風險,從而實現(xiàn)商品的套期保值。期貨價格亦被稱作商品供求的“晴雨表”，它能夠反映商品未來的供求關(guān)系。期貨市場主要具有套期保值和價格發(fā)現(xiàn)的功能，但這都依賴于對期貨價格走勢的分析判斷。

目前針對期貨行情預(yù)測的研究已有不少研究成果，分別針對量、價、指數(shù)、資金管理、風險預(yù)警、指標體系以及其他資本市場互動等方面展開。例如基本分析法，即分析供給和需求等方面確定期貨價格的走勢；影響因素分析法，即分析影響供給和需求的相關(guān)因素如宏觀經(jīng)濟政策、經(jīng)濟周期、利率水平、自然條件、政治因素和心理因素等確定一段時間內(nèi)期貨價格的走勢；技術(shù)分析法，例如K線分析圖、指標分析法、切線分析法等[1]，通過分析以往期貨價格等指標預(yù)測未來價格的走勢。但綜合起來主要有以下幾個特點：①多為定性分析，缺乏定量研究，且預(yù)測結(jié)果缺乏實踐檢驗標準；②部分定量預(yù)測分析中采用BP神經(jīng)網(wǎng)絡(luò)，但其往往停留在一種算法層面，不利于發(fā)現(xiàn)針對期貨行情預(yù)測的更優(yōu)化的解決方法。

筆者選用采用L-M神經(jīng)網(wǎng)絡(luò)模型以及貝葉斯優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型兩種方法對膠合板期貨價格進行短期預(yù)測，對兩種預(yù)測方法的預(yù)測結(jié)果進行對比，為投資者投資決策提供參考。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源改革開放以來，我國陸續(xù)推出了多種期貨合約，期貨市場得到長足發(fā)展。大連商品交易所于1993年2月28日成立，于2013年12月6日起膠合板期貨上市交易,并推出了多種膠合板期貨合約。

該研究選取大連商品交易所2013年12月6日上市的膠合板期貨合約作為研究對象。

根據(jù)大連商品交易所數(shù)據(jù)，大連商品交易所規(guī)定的膠合板期貨合約尺寸如下：寬度為1 220，長度為2 440 mm，厚度分為2種，標準品厚度為15 mm，替代品厚度為18 mm，標準品和替代品的升貼水分別為0和15元/張。

膠合板期貨價格受多種因素影響，包括宏觀經(jīng)濟因素、相關(guān)產(chǎn)品價格、膠合板現(xiàn)貨價格、往日膠合板期貨價格等多種因素影響。

BP神經(jīng)網(wǎng)絡(luò)用于預(yù)測研究時可以采用回歸分析和時間序列2種方式。由于該研究選取交易所日度價格作為輸入變量，并以日度價格預(yù)測作為模型的輸出變量。因此，若采用回歸分析的預(yù)測方式，就要求模型的輸入變量也必須為日度數(shù)據(jù)形式或相近維度的數(shù)據(jù)。但是，影響膠合板期貨價格的因素種類繁多，宏觀方面包括季節(jié)因素、氣候因素等自然因素，經(jīng)濟形勢、經(jīng)濟周期等經(jīng)濟因素，但宏觀因素往往時間跨度較長，中短期內(nèi)鮮有波動，因此該研究所作短期預(yù)測可忽略宏觀因素的影響。筆者曾嘗試將月度宏觀數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)模型中作為訓練樣本，但實踐表明預(yù)測結(jié)果較差，甚至無法產(chǎn)生有效的結(jié)果。微觀方面主要包括膠合板現(xiàn)貨價格、相關(guān)上下游產(chǎn)品價格以及膠合板期貨合約自身價格等因素，在微觀層面的因素中由于現(xiàn)貨價格地區(qū)差異性較大，現(xiàn)貨價格統(tǒng)計滯后以致難以統(tǒng)計[2]。因此，在綜合考慮以上因素后，為了盡可能地提高預(yù)測的準確性，經(jīng)過多次嘗試后，筆者選定了以下6個變量作為輸入變量：當日開盤價、最高價、最低價、收盤價、當日成交量以及當日持倉量。

由于膠合板期貨的時間跨度有限，任一交割月份的期貨合約在合約到期后都將終止交易，且在同一交易日可能有若干個不同的合約在進行交易，為克服期貨價格的不連續(xù)的特性，必然要求產(chǎn)生一個連續(xù)的價格和成交量時間序。因此該研究選取來源于Wind資訊的2013年12月6日～2014年11月5日連續(xù)的大連商品交易所膠合板期貨合約數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。

1.2 研究方法該研究采用L-M神經(jīng)網(wǎng)絡(luò)模型以及貝葉斯優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型對上述數(shù)據(jù)進行回歸分析并進行預(yù)測。

1.2.1BP神經(jīng)網(wǎng)絡(luò)模型。BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland率先提出的一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伾窠?jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其優(yōu)點在于可以以任意精度逼近任何非線性函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(input)、隱層(hidden layer)和輸出層(output layer)。

BP網(wǎng)絡(luò)可以學習和存貯大量的“輸入-輸出”模式映射關(guān)系，而無須事前了解描述這種映射關(guān)系是如何運作的。其學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

1.2.2L-M神經(jīng)網(wǎng)絡(luò)模型及貝葉斯優(yōu)化算法。L-M優(yōu)化算法(Train lm)相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，收斂速度明顯較快，而且能得到很小的訓練誤差。貝葉斯優(yōu)化算法的主要思想是利用已有的先驗知識和數(shù)據(jù)對模型進行評價，先驗知識利用與否是貝葉斯統(tǒng)計和經(jīng)典統(tǒng)計之間的主要差別。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度取決于訓練樣本的數(shù)量及其噪聲的含量和映射函數(shù)的復(fù)雜度，模型過于復(fù)雜往往會導致學習效率下降、擬合效果不佳等問題，貝葉斯方法則可以提供了一套解決上述問題的方法，主要通過對控制模型復(fù)雜度的超參數(shù)定義模糊且非信息的先驗概率來實現(xiàn)，最終的模型結(jié)果是所有模型以各自后驗概率為權(quán)重的平均[3]。

1.2.3神經(jīng)網(wǎng)絡(luò)模型設(shè)計。

1.2.3.1節(jié)點級設(shè)計。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)處理信息的基本單位，其主要參數(shù)是神經(jīng)元節(jié)點采用的激活函數(shù)。由于該研究模型的基礎(chǔ)采用了由 BP 神經(jīng)元組成的 BP 神經(jīng)網(wǎng)絡(luò)，因此該研究所構(gòu)建的基于 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的隱含層神經(jīng)元激活函數(shù)使用了對數(shù) Sigmoid 函數(shù)，輸出層神經(jīng)元激活函數(shù)使用線性函數(shù)。

1.2.3.2網(wǎng)絡(luò)級設(shè)計。該研究所采用的是前向網(wǎng)絡(luò)結(jié)構(gòu)，即先將神經(jīng)元按照輸入層、隱含層、輸出層進行分組，再將各組間的神經(jīng)元進行連接。在具體網(wǎng)絡(luò)構(gòu)造過程中，需要注意的參數(shù)有網(wǎng)絡(luò)的層數(shù)，輸入層、隱含層、輸出層的神經(jīng)元節(jié)點數(shù)，及節(jié)點間的連接方式。

(1)神經(jīng)網(wǎng)絡(luò)的層數(shù)。由于該研究采用的是前向網(wǎng)絡(luò)結(jié)構(gòu)，故輸入層和輸出層都只有1層，因此只有隱含層的層數(shù)不可確定。隱含層的數(shù)目可以不止1層，一般來說，問題越復(fù)雜，隱含層的層數(shù)和神經(jīng)節(jié)點數(shù)越多，但在具體應(yīng)用的過程中需要結(jié)合實際情況通過試驗確定。雖然前蘇聯(lián)數(shù)學家 Andrey Nikolaevich Kolmogorov 已在理論上證實，一個3層的 BP 神經(jīng)網(wǎng)絡(luò)可以擬合任意函數(shù)，但該研究采用3層的BP神經(jīng)網(wǎng)絡(luò)擬合的結(jié)果并不理想，在使用4層的BP神經(jīng)網(wǎng)絡(luò)模型擬合后效果較為理想。因此，該研究最終選取了含有2個隱含層的4層 BP 網(wǎng)絡(luò)模型結(jié)構(gòu)。

(2)輸入層和輸出層節(jié)點數(shù)。從理論上而言，輸入層的節(jié)點數(shù)和輸出層的節(jié)點數(shù)與神經(jīng)網(wǎng)絡(luò)的性能沒有關(guān)系，因此可以僅從試驗數(shù)據(jù)特征的角度對輸入層和輸出層的節(jié)點數(shù)進行討論。該研究綜合考慮分析了膠合板期貨日度價格數(shù)據(jù)的變化規(guī)律后，最終選用輸入節(jié)點數(shù)為14，輸出節(jié)點數(shù)為5。

(3)隱含層節(jié)點數(shù)。這是非常重要的一個參數(shù)，它的確定直接影響到神經(jīng)網(wǎng)絡(luò)模型的計算能力和對目標函數(shù)的逼近能力。但關(guān)于隱含層節(jié)點數(shù)的確定，目前還沒有成熟的理論進行指導，人們往往根據(jù)建模經(jīng)驗和試湊法來確定隱含層的節(jié)點數(shù)。該研究選取的隱含層節(jié)點數(shù)分別為12和5個。

該研究所采用的L-M算法的BP神經(jīng)網(wǎng)絡(luò)模型核心代碼如下[4]：

net.trainFcn=‘trainlm’;

net.trainParam.epochs=1000;

net.trainParam.goal=1e-6;

net=init(net);

貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)模型核心代碼如下：

net.trainFcn=‘trainbr’;

net.trainParam.epochs=1 000;

net.trainParam.goal=0.001;

net=init(net);

2 結(jié)果與分析

設(shè)計好模型后，將上文提及的數(shù)據(jù)帶入模型進行學習，該研究采用Matlab自帶的神經(jīng)網(wǎng)絡(luò)工具箱中的L-M算法和貝葉斯算法進行訓練，由于神經(jīng)網(wǎng)絡(luò)模型學習結(jié)果具有不確定性，因此學習時間和重要性水平每次學習可能均不一致，為了更好地比較兩種算法在擬合期貨價格的速度和擬合效果，該研究采用每種算法10次擬合平均結(jié)果作為各算法的均值。

2種算法擬合10次結(jié)果的均值見表1。

表1 L-M算法和貝葉斯優(yōu)化算法10次擬合平均結(jié)果

從表1可以看出，貝葉斯優(yōu)化算法相對于L-M算法具有相對更快的優(yōu)勢，同樣的數(shù)量運算量下，由于貝葉斯優(yōu)化算法可以在達到預(yù)設(shè)的收斂情況下終止學習，因此可以更快地對輸入變量進行學習。L-M算法和貝葉斯算法擬合結(jié)果分別見圖1a和圖1b。

從圖1可以看出，2種算法下BP神經(jīng)網(wǎng)絡(luò)都體現(xiàn)了較高的擬合度。

將2014年09月18日～2014年11月05日的膠合板主力期貨合約作為測試數(shù)據(jù)帶入上述訓練的BP神經(jīng)網(wǎng)絡(luò)中進行預(yù)測，L-M算法和貝葉斯算法預(yù)測結(jié)果分別見圖2a和圖2b。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)模型的膠合板價格擬合結(jié)果

圖2 基于BP神經(jīng)網(wǎng)絡(luò)模型的膠合板價格預(yù)測結(jié)果

由于BP神經(jīng)網(wǎng)絡(luò)模型學習過程具有較大的隨機性，因此根據(jù)每次學習后得到的神經(jīng)網(wǎng)絡(luò)模型對原始數(shù)據(jù)進行預(yù)測得到的預(yù)測結(jié)果均不盡相同，圖2所示預(yù)測結(jié)果并不代表貝葉斯算法的預(yù)測結(jié)果優(yōu)于L-M算法。

從總體預(yù)測結(jié)果來看，2種算法得到的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與實際值基本一致。因此，基于 BP 神經(jīng)網(wǎng)絡(luò)模型對期貨價格進行預(yù)測具有一定的參考價值。但預(yù)測值和實際值具有較大的偏差，這是由于 BP 神經(jīng)網(wǎng)絡(luò)自身的問題所導致的。

綜合兩種算法的BP神經(jīng)網(wǎng)絡(luò)模型來看，貝葉斯算法相對L-M算法表現(xiàn)出了良好的效率性和相對更高的擬合優(yōu)度。

3 結(jié)論與建議

該研究利用L-M算法的BP神經(jīng)網(wǎng)絡(luò)模型和貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)模型對大連商品交易所的膠合板期貨合約價格進行了預(yù)測。結(jié)果表明，2種優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型均表現(xiàn)了較高的擬合速度和擬合精度，其中貝葉斯算法性能較優(yōu)。該研究所述期貨價格預(yù)測方法同樣適用于其他類型期貨價格預(yù)測，可為投資者投資決策提供參考。

[1] 中國期貨業(yè)協(xié)會.期貨投資分析[M].北京：中國財政經(jīng)濟出版社，2011.

[2] 王科明，楊建剛，周煒彤.利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測期貨行情[J].計算機工程與設(shè)計，2004，25(7):1164-1169.

[3] 王小平，曹立明.遺傳算法——理論、應(yīng)用與軟件實現(xiàn)[M].西安:西安交通大學出版社，2000:10-78.

[4] 禹建麗，孫增圻，VALERI KROUMOV，等.基于BP神經(jīng)網(wǎng)絡(luò)的股市建模與決策[J].系統(tǒng)工程理論與實踐，2003(5):5-15.

Short-term Plywood Futures Prices Forecast Based on Two Neural Network Model

LIU Da-peng

(School of Economics and Management, Beijing Forestry University, Beijing100083)

This paper selects plywood main futures contract from December 06, 2013 to September 17, 2014 as training sample, plywood main futures contract September 18, 2014 to November 5, 2014 as the test data, using L-M optimization algorithms and Bayesian optimization algorithm BP neural network model to predict the futures price. The results show that the neural network model using two optimization algorithms are fitted with high degree of price movements have good predictive results, can provide reference for investors in the futures market.

Plywood futures; Prices predict; Neural network model

劉大鵬(1989-)，男，安徽鳳陽人，碩士研究生，研究方向：區(qū)域經(jīng)濟學。

2015-03-26

S-9

A

0517-6611(2015)14-348-03