劉大鵬 (北京林業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院,北京 100083)
基于兩種神經(jīng)網(wǎng)絡(luò)模型的膠合板期貨價(jià)格短期預(yù)測(cè)
劉大鵬 (北京林業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)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(xùn)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(cè)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(duì)期貨價(jià)格進(jìn)行了預(yù)測(cè)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(duì)價(jià)格走勢(shì)有良好的預(yù)測(cè)效果,可為期貨市場(chǎng)投資者投資決策提供一定的參考。
膠合板期貨;價(jià)格預(yù)測(cè);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(dòng)中的庫(kù)存風(fēng)險(xiǎn)以及因資信、價(jià)格波動(dòng)所帶來(lái)的風(fēng)險(xiǎn),從而實(shí)現(xiàn)商品的套期保值。期貨價(jià)格亦被稱作商品供求的“晴雨表”,它能夠反映商品未來(lái)的供求關(guān)系。期貨市場(chǎng)主要具有套期保值和價(jià)格發(fā)現(xiàn)的功能,但這都依賴于對(duì)期貨價(jià)格走勢(shì)的分析判斷。
目前針對(duì)期貨行情預(yù)測(cè)的研究已有不少研究成果,分別針對(duì)量、價(jià)、指數(shù)、資金管理、風(fēng)險(xiǎn)預(yù)警、指標(biāo)體系以及其他資本市場(chǎng)互動(dòng)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(jià)格的走勢(shì);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(jì)政策、經(jīng)濟(jì)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(shí)間內(nèi)期貨價(jià)格的走勢(shì);技術(shù)分析法,例如K線分析圖、指標(biāo)分析法、切線分析法等[1],通過(guò)分析以往期貨價(jià)格等指標(biāo)預(yù)測(cè)未來(lái)價(jià)格的走勢(shì)。但綜合起來(lái)主要有以下幾個(gè)特點(diǎn):①多為定性分析,缺乏定量研究,且預(yù)測(cè)結(jié)果缺乏實(shí)踐檢驗(yàn)標(biāo)準(zhǔn);②部分定量預(yù)測(cè)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(duì)期貨行情預(yù)測(cè)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(duì)膠合板期貨價(jià)格進(jìn)行短期預(yù)測(cè),對(duì)兩種預(yù)測(cè)方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,為投資者投資決策提供參考。
1.1 數(shù)據(jù)來(lái)源改革開放以來(lái),我國(guó)陸續(xù)推出了多種期貨合約,期貨市場(chǎng)得到長(zhǎng)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(duì)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(zhǎng)度為2 440 mm,厚度分為2種,標(biāo)準(zhǔn)品厚度為15 mm,替代品厚度為18 mm,標(biāo)準(zhǔn)品和替代品的升貼水分別為0和15元/張。
膠合板期貨價(jià)格受多種因素影響,包括宏觀經(jīng)濟(jì)因素、相關(guān)產(chǎn)品價(jià)格、膠合板現(xiàn)貨價(jià)格、往日膠合板期貨價(jià)格等多種因素影響。
BP神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)研究時(shí)可以采用回歸分析和時(shí)間序列2種方式。由于該研究選取交易所日度價(jià)格作為輸入變量,并以日度價(jià)格預(yù)測(cè)作為模型的輸出變量。因此,若采用回歸分析的預(yù)測(cè)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(jià)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(jì)形勢(shì)、經(jīng)濟(jì)周期等經(jīng)濟(jì)因素,但宏觀因素往往時(shí)間跨度較長(zhǎng),中短期內(nèi)鮮有波動(dòng),因此該研究所作短期預(yù)測(cè)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(xùn)練樣本,但實(shí)踐表明預(yù)測(cè)結(jié)果較差,甚至無(wú)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(jià)格、相關(guān)上下游產(chǎn)品價(jià)格以及膠合板期貨合約自身價(jià)格等因素,在微觀層面的因素中由于現(xiàn)貨價(jià)格地區(qū)差異性較大,現(xiàn)貨價(jià)格統(tǒng)計(jì)滯后以致難以統(tǒng)計(jì)[2]。因此,在綜合考慮以上因素后,為了盡可能地提高預(yù)測(cè)的準(zhǔn)確性,經(jīng)過(guò)多次嘗試后,筆者選定了以下6個(gè)變量作為輸入變量:當(dāng)日開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、當(dāng)日成交量以及當(dāng)日持倉(cāng)量。
由于膠合板期貨的時(shí)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(gè)不同的合約在進(jìn)行交易,為克服期貨價(jià)格的不連續(xù)的特性,必然要求產(chǎn)生一個(gè)連續(xù)的價(jià)格和成交量時(shí)間序。因此該研究選取來(lái)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(duì)上述數(shù)據(jù)進(jìn)行回歸分析并進(jìn)行預(yù)測(cè)。
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?xùn)練的多層前饋神經(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(diǎn)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?fù)浣Y(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(xué)習(xí)和存貯大量的“輸入-輸出”模式映射關(guān)系,而無(wú)須事前了解描述這種映射關(guān)系是如何運(yùn)作的。其學(xué)習(xí)規(guī)則是使用最速下降法,通過(guò)反向傳播來(lái)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(xùn)練誤差。貝葉斯優(yōu)化算法的主要思想是利用已有的先驗(yàn)知識(shí)和數(shù)據(jù)對(duì)模型進(jìn)行評(píng)價(jià),先驗(yàn)知識(shí)利用與否是貝葉斯統(tǒng)計(jì)和經(jīng)典統(tǒng)計(jì)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(xùn)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(guò)于復(fù)雜往往會(huì)導(dǎo)致學(xué)習(xí)效率下降、擬合效果不佳等問(wèn)題,貝葉斯方法則可以提供了一套解決上述問(wèn)題的方法,主要通過(guò)對(duì)控制模型復(fù)雜度的超參數(shù)定義模糊且非信息的先驗(yàn)概率來(lái)實(shí)現(xiàn),最終的模型結(jié)果是所有模型以各自后驗(yàn)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(jì)。
1.2.3.1節(jié)點(diǎn)級(jí)設(shè)計(jì)。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(diǎn)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(cè)模型的隱含層神經(jīng)元激活函數(shù)使用了對(duì)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(jí)設(shè)計(jì)。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(jìn)行分組,再將各組間的神經(jīng)元進(jìn)行連接。在具體網(wǎng)絡(luò)構(gòu)造過(guò)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(diǎn)數(shù),及節(jié)點(diǎn)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(lái)說(shuō),問(wèn)題越復(fù)雜,隱含層的層數(shù)和神經(jīng)節(jié)點(diǎn)數(shù)越多,但在具體應(yīng)用的過(guò)程中需要結(jié)合實(shí)際情況通過(guò)試驗(yàn)確定。雖然前蘇聯(lián)數(shù)學(xué)家 Andrey Nikolaevich Kolmogorov 已在理論上證實(shí),一個(gè)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(gè)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(diǎn)數(shù)。從理論上而言,輸入層的節(jié)點(diǎn)數(shù)和輸出層的節(jié)點(diǎn)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(yàn)數(shù)據(jù)特征的角度對(duì)輸入層和輸出層的節(jié)點(diǎn)數(shù)進(jìn)行討論。該研究綜合考慮分析了膠合板期貨日度價(jià)格數(shù)據(jù)的變化規(guī)律后,最終選用輸入節(jié)點(diǎn)數(shù)為14,輸出節(jié)點(diǎn)數(shù)為5。
(3)隱含層節(jié)點(diǎn)數(shù)。這是非常重要的一個(gè)參數(shù),它的確定直接影響到神經(jīng)網(wǎng)絡(luò)模型的計(jì)算能力和對(duì)目標(biāo)函數(shù)的逼近能力。但關(guān)于隱含層節(jié)點(diǎn)數(shù)的確定,目前還沒有成熟的理論進(jìn)行指導(dǎo),人們往往根據(jù)建模經(jīng)驗(yàn)和試湊法來(lái)確定隱含層的節(jié)點(diǎn)數(shù)。該研究選取的隱含層節(jié)點(diǎn)數(shù)分別為12和5個(gè)。
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);
設(shè)計(jì)好模型后,將上文提及的數(shù)據(jù)帶入模型進(jìn)行學(xué)習(xí),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(jìn)行訓(xùn)練,由于神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)結(jié)果具有不確定性,因此學(xué)習(xí)時(shí)間和重要性水平每次學(xué)習(xí)可能均不一致,為了更好地比較兩種算法在擬合期貨價(jià)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(duì)于L-M算法具有相對(duì)更快的優(yōu)勢(shì),同樣的數(shù)量運(yùn)算量下,由于貝葉斯優(yōu)化算法可以在達(dá)到預(yù)設(shè)的收斂情況下終止學(xué)習(xí),因此可以更快地對(duì)輸入變量進(jìn)行學(xué)習(xí)。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(cè)試數(shù)據(jù)帶入上述訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè),L-M算法和貝葉斯算法預(yù)測(cè)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(jià)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(jià)格預(yù)測(cè)結(jié)果
由于BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)過(guò)程具有較大的隨機(jī)性,因此根據(jù)每次學(xué)習(xí)后得到的神經(jīng)網(wǎng)絡(luò)模型對(duì)原始數(shù)據(jù)進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)結(jié)果均不盡相同,圖2所示預(yù)測(cè)結(jié)果并不代表貝葉斯算法的預(yù)測(cè)結(jié)果優(yōu)于L-M算法。
從總體預(yù)測(cè)結(jié)果來(lái)看,2種算法得到的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)際值基本一致。因此,基于 BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)期貨價(jià)格進(jìn)行預(yù)測(cè)具有一定的參考價(jià)值。但預(yù)測(cè)值和實(shí)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(wèn)題所導(dǎo)致的。
綜合兩種算法的BP神經(jīng)網(wǎng)絡(luò)模型來(lái)看,貝葉斯算法相對(duì)L-M算法表現(xiàn)出了良好的效率性和相對(duì)更高的擬合優(yōu)度。
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(duì)大連商品交易所的膠合板期貨合約價(jià)格進(jìn)行了預(yù)測(cè)。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(jià)格預(yù)測(cè)方法同樣適用于其他類型期貨價(jià)格預(yù)測(cè),可為投資者投資決策提供參考。
[1] 中國(guó)期貨業(yè)協(xié)會(huì).期貨投資分析[M].北京:中國(guó)財(cái)政經(jīng)濟(jì)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(cè)期貨行情[J].計(jì)算機(jī)工程與設(shè)計(jì),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(shí)現(xiàn)[M].西安:西安交通大學(xué)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(shí)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(yáng)人,碩士研究生,研究方向:區(qū)域經(jīng)濟(jì)學(xué)。
2015-03-26
S-9
A
0517-6611(2015)14-348-03