楊瀟

【摘 要】 以中國(guó)黃金期貨為研究對(duì)象，選取了開(kāi)盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量和成交額6項(xiàng)指標(biāo)作為樣本的特征指標(biāo)變量，運(yùn)用歸一化方法消除特征指標(biāo)變量間因量綱不同而造成的預(yù)測(cè)誤差，進(jìn)而引入支持向量回歸機(jī)（Support Vector Regression Machine，SVR）智能方法對(duì)該期貨的開(kāi)盤價(jià)格進(jìn)行預(yù)測(cè)研究，并通過(guò)引入網(wǎng)格搜索法對(duì)SVR模型的最優(yōu)參數(shù)進(jìn)行尋找，從而構(gòu)建了最優(yōu)的SVR智能預(yù)測(cè)模型。通過(guò)對(duì)訓(xùn)練樣本集與測(cè)試樣本集的實(shí)證研究發(fā)現(xiàn)，文章所構(gòu)建的最優(yōu)SVR智能預(yù)測(cè)模型具有優(yōu)越的學(xué)習(xí)性能與泛化推廣性能，能夠準(zhǔn)確地預(yù)測(cè)中國(guó)黃金期貨的價(jià)格。

【關(guān)鍵詞】 黃金期貨； 支持向量回歸機(jī)； 智能預(yù)測(cè)； 網(wǎng)格搜索法

【中圖分類號(hào)】 F830.91 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號(hào)】 1004-5937（2017）17-0050-04

一、引言

黃金作為一種特殊的商品，具有商品、貨幣和避險(xiǎn)的多重屬性。而黃金價(jià)格一旦發(fā)生劇烈波動(dòng)，不僅對(duì)一國(guó)經(jīng)濟(jì)，甚至對(duì)整個(gè)國(guó)際社會(huì)的經(jīng)濟(jì)運(yùn)行都將產(chǎn)生嚴(yán)重影響[1]。與黃金現(xiàn)貨相比，黃金期貨蘊(yùn)藏著更為嚴(yán)重的風(fēng)險(xiǎn)。因?yàn)槠谪浘哂懈吒軛U性，在產(chǎn)生高收益的同時(shí)也可能放大風(fēng)險(xiǎn)[2]。隨著經(jīng)濟(jì)全球化的推進(jìn)，各國(guó)經(jīng)濟(jì)間的聯(lián)系日益密切，一國(guó)期貨市場(chǎng)所產(chǎn)生的巨大風(fēng)險(xiǎn)在轉(zhuǎn)瞬之間就會(huì)傳遞到其他國(guó)家，從而引發(fā)嚴(yán)重的金融危機(jī)，進(jìn)而影響整個(gè)實(shí)體經(jīng)濟(jì)的健康運(yùn)行。因此，開(kāi)展黃金期貨價(jià)格的預(yù)測(cè)研究，進(jìn)而提前采取應(yīng)對(duì)措施防范黃金期貨危機(jī)的發(fā)生，對(duì)于一國(guó)甚至整個(gè)國(guó)際社會(huì)而言，都將具有重要的現(xiàn)實(shí)意義。

中國(guó)作為新興經(jīng)濟(jì)體，其黃金期貨市場(chǎng)建立至今，相應(yīng)的風(fēng)險(xiǎn)監(jiān)管措施還不盡完善，因而面臨的風(fēng)險(xiǎn)危機(jī)也更為嚴(yán)峻[3]。因此，對(duì)中國(guó)黃金期貨市場(chǎng)進(jìn)行預(yù)測(cè)，以實(shí)時(shí)監(jiān)測(cè)黃金期貨的價(jià)格走勢(shì)，從而防患于未然，是保證中國(guó)金融市場(chǎng)穩(wěn)定、經(jīng)濟(jì)健康發(fā)展的重要途徑。

目前，預(yù)測(cè)模型主要分為兩類，一類是以消費(fèi)彈性法、回歸分析法、趨勢(shì)外推法等為主的傳統(tǒng)方法[4-6]。但這類方法屬于線性模型，無(wú)法對(duì)非線性問(wèn)題進(jìn)行預(yù)測(cè)研究。眾所周知，黃金期貨市場(chǎng)是一個(gè)復(fù)雜的非線性系統(tǒng)，因而如果仍然運(yùn)用上述線性方法對(duì)黃金期貨市場(chǎng)進(jìn)行預(yù)測(cè)，就很可能導(dǎo)致預(yù)測(cè)失效。另一類是以神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）和支持向量回歸機(jī)（Support Vector Regression Machine，SVR）為主的智能方法[7，8]。這類方法能夠有效地解決非線性問(wèn)題，因而受到學(xué)者們的廣泛關(guān)注。與NN相比，SVR具有明顯的優(yōu)勢(shì)。它能夠處理小樣本問(wèn)題，具有更為優(yōu)越的學(xué)習(xí)能力與泛化推廣能力，因而更能受到學(xué)者青睞。基于此，本文將運(yùn)用SVR對(duì)中國(guó)黃金期貨價(jià)格展開(kāi)預(yù)測(cè)研究。

但需要指出的是，SVR模型的預(yù)測(cè)能力在很大程度上取決于懲罰參數(shù)（Penalty Parameter）和核函數(shù)（Kernel Function）參數(shù)，如果不準(zhǔn)確估計(jì)這兩個(gè)參數(shù)，就很可能導(dǎo)致SVR模型預(yù)測(cè)準(zhǔn)確性出現(xiàn)較大偏差。就目前研究而言，網(wǎng)格搜索法是運(yùn)用較為廣泛的一類參數(shù)尋優(yōu)方法，其優(yōu)勢(shì)在于簡(jiǎn)單易行，且尋優(yōu)準(zhǔn)確性較高[9]。因此，本文將引入網(wǎng)格搜索法對(duì)上述兩個(gè)參數(shù)進(jìn)行尋優(yōu)。

目前，有眾多研究學(xué)者運(yùn)用SVR對(duì)經(jīng)濟(jì)領(lǐng)域的相關(guān)問(wèn)題進(jìn)行了預(yù)測(cè)研究，如運(yùn)用SVR對(duì)期權(quán)價(jià)格、股指、旅客流量、能源需求量、制造業(yè)產(chǎn)品價(jià)格等進(jìn)行了預(yù)測(cè)研究，取得了良好的預(yù)測(cè)效果[10-15]。但他們卻都未使用SVR模型對(duì)黃金期貨價(jià)格進(jìn)行預(yù)測(cè)研究，同時(shí)也未采用網(wǎng)格搜索法對(duì)SVR模型參數(shù)進(jìn)行估計(jì)。

與上述研究相比，本文既引入SVR對(duì)中國(guó)黃金期貨價(jià)格進(jìn)行預(yù)測(cè)研究，同時(shí)，還采用網(wǎng)格搜索法對(duì)SVR模型參數(shù)進(jìn)行估計(jì)，以期能夠?qū)χ袊?guó)黃金期貨價(jià)格進(jìn)行更加準(zhǔn)確的預(yù)測(cè)。由此可見(jiàn)，本文具有較強(qiáng)的創(chuàng)新性。

二、基于SVR的黃金期貨市場(chǎng)價(jià)格預(yù)測(cè)模型構(gòu)建

但值得注意的是，懲罰參數(shù)C和RBF核函數(shù)參數(shù)σ不僅需要提前確定，還對(duì)模型的構(gòu)建起著關(guān)鍵作用。如果這兩個(gè)參數(shù)確定不準(zhǔn)確，勢(shì)必會(huì)影響SVR模型最終的預(yù)測(cè)性能，因此，就需要運(yùn)用相關(guān)的參數(shù)尋優(yōu)方法對(duì)這兩個(gè)參數(shù)進(jìn)行優(yōu)化。就目前研究而言，網(wǎng)格搜索法是運(yùn)用較為廣泛的一類參數(shù)尋優(yōu)方法，具有顯著的搜索優(yōu)勢(shì)。因此，本文將引入網(wǎng)格搜索法對(duì)上述兩個(gè)參數(shù)進(jìn)行尋優(yōu)。

網(wǎng)格搜索法首先要求對(duì)參數(shù)范圍進(jìn)行確定，在此基礎(chǔ)上，通過(guò)兩個(gè)參數(shù)在不同值上的組合，分別構(gòu)建不同參數(shù)下的SVR模型進(jìn)行樣本擬合，獲得不同的預(yù)測(cè)結(jié)果，并比較所有參數(shù)組合下的預(yù)測(cè)結(jié)果，選擇使預(yù)測(cè)精度最高的參數(shù)組合作為最優(yōu)參數(shù)。于是，通過(guò)網(wǎng)格搜索法，本文就能尋找到最優(yōu)的懲罰參數(shù)C和RBF核函數(shù)參數(shù)σ，并構(gòu)建最優(yōu)的SVR預(yù)測(cè)模型。

三、黃金期貨價(jià)格預(yù)測(cè)的實(shí)證研究

（一）實(shí)驗(yàn)樣本與特征指標(biāo)變量的選擇

本文以中國(guó)黃金期貨為研究對(duì)象，選取2003-01-02至2016-05-31間的數(shù)據(jù)為研究樣本。選擇這么長(zhǎng)的一段時(shí)間作為研究區(qū)間，目的在于使模型更好地?cái)M合現(xiàn)實(shí)中該產(chǎn)品的各種漲跌行情，從而使模型的預(yù)測(cè)功能更為全面，預(yù)測(cè)性能更為優(yōu)異。同時(shí)，在特征指標(biāo)變量選擇上，本文借鑒相關(guān)文獻(xiàn)，選擇了由開(kāi)盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量、成交額6項(xiàng)指標(biāo)作為特征指標(biāo)變量，以每個(gè)樣本的交易天數(shù)所對(duì)應(yīng)的下一天的開(kāi)盤價(jià)作為因變量。

（二）樣本數(shù)據(jù)的預(yù)處理

由于各個(gè)特征指標(biāo)變量間的數(shù)值大小存在明顯差異，因此，為了使預(yù)測(cè)結(jié)果不受量綱影響，本文運(yùn)用歸一化方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，過(guò)程如下：

（三）實(shí)證結(jié)果與分析

本文將樣本數(shù)據(jù)集按時(shí)間前后進(jìn)行排序，并將前80%與后20%的樣本分別劃分為訓(xùn)練樣本集與測(cè)試樣本集，分別有2 610個(gè)和652個(gè)樣本。在此基礎(chǔ)上，本文借助Matlab 2015a編程軟件對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，并對(duì)測(cè)試樣本進(jìn)行測(cè)試，訓(xùn)練與測(cè)試的實(shí)驗(yàn)結(jié)果如表1所示。endprint

從表1可以明顯地看出，在通過(guò)網(wǎng)格搜索法尋找到值為1.5157的最優(yōu)參數(shù)C和σ的基礎(chǔ)上，運(yùn)用SVR對(duì)訓(xùn)練樣本與測(cè)試樣本進(jìn)行預(yù)測(cè)，所得到的MSE都接近于0，且R的值都在95%以上，說(shuō)明本文所構(gòu)建的SVR模型不僅具有優(yōu)越的學(xué)習(xí)能力，而且也具有優(yōu)越的泛化推廣性能。

此外，本文還將預(yù)測(cè)結(jié)果與實(shí)際結(jié)果進(jìn)行繪圖展示，見(jiàn)圖1和圖2。從圖1可以發(fā)現(xiàn)，不論是基于訓(xùn)練樣本還是測(cè)試樣本進(jìn)行實(shí)驗(yàn)，SVR的預(yù)測(cè)值走勢(shì)與實(shí)際值走勢(shì)都十分接近，說(shuō)明本文所構(gòu)建的SVR模型具有優(yōu)異的預(yù)測(cè)性能；同時(shí)，從圖2又可以發(fā)現(xiàn)，不論是基于訓(xùn)練樣本還是測(cè)試樣本進(jìn)行實(shí)驗(yàn)，SVR的預(yù)測(cè)誤差幾乎都在0附近波動(dòng)，說(shuō)明SVR的預(yù)測(cè)誤差很小，表明SVR的預(yù)測(cè)精度高。由此可見(jiàn)，通過(guò)圖1與圖2的展示，表1的實(shí)證結(jié)果得到進(jìn)一步驗(yàn)證。

綜上所述，本文所構(gòu)建的SVR不僅具有優(yōu)越的學(xué)習(xí)性能，而且也具有優(yōu)越的泛化推廣性能，對(duì)于黃金期貨市場(chǎng)的價(jià)格走勢(shì)預(yù)測(cè)具有極強(qiáng)的指導(dǎo)意義。

四、結(jié)論

本文以中國(guó)黃金期貨為研究對(duì)象，選取了開(kāi)盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量和成交額6項(xiàng)指標(biāo)作為樣本的特征指標(biāo)變量，運(yùn)用歸一化方法消除特征指標(biāo)變量間因量綱不同而造成的預(yù)測(cè)誤差，進(jìn)而引入SVR模型對(duì)中國(guó)黃金期貨的價(jià)格進(jìn)行智能預(yù)測(cè)研究，并通過(guò)引入網(wǎng)格搜索法對(duì)SVR模型的最優(yōu)參數(shù)進(jìn)行尋找，從而構(gòu)建最優(yōu)的SVR智能預(yù)測(cè)模型。通過(guò)對(duì)訓(xùn)練樣本集與測(cè)試樣本集的實(shí)證研究發(fā)現(xiàn)，本文所構(gòu)建的最優(yōu)SVR智能預(yù)測(cè)模型具有優(yōu)越的學(xué)習(xí)性能與泛化推廣性能，能夠準(zhǔn)確地預(yù)測(cè)中國(guó)黃金期貨的價(jià)格。

基于以上分析可知，本文為黃金期貨市場(chǎng)管理部門和投資者提供了具有良好借鑒價(jià)值的應(yīng)用工具與方法。對(duì)于黃金期貨市場(chǎng)管理部門而言，能夠運(yùn)用本文構(gòu)建的最優(yōu)SVR模型對(duì)未來(lái)黃金中國(guó)黃金期貨價(jià)格進(jìn)行預(yù)測(cè)，并及時(shí)制定相關(guān)的管理方針與政策來(lái)構(gòu)建黃金期貨市場(chǎng)的風(fēng)險(xiǎn)預(yù)警防火墻，從而維護(hù)中國(guó)黃金期貨市場(chǎng)的穩(wěn)定發(fā)展。同時(shí)，對(duì)于投資者而言，能夠運(yùn)用本文所構(gòu)建的最優(yōu)SVR模型對(duì)中國(guó)黃金期貨的未來(lái)價(jià)格進(jìn)行預(yù)測(cè)，并及時(shí)根據(jù)預(yù)測(cè)結(jié)果做出科學(xué)合理的投資決策，以便減少投資風(fēng)險(xiǎn)，提升投資收益。

最后需要指出的是，盡管中國(guó)黃金期貨價(jià)格的預(yù)測(cè)研究極其復(fù)雜，但本文的研究技術(shù)、方法與相關(guān)結(jié)論對(duì)于中國(guó)黃金期貨市場(chǎng)價(jià)格的預(yù)測(cè)研究仍然具有明確的借鑒意義，同時(shí)，對(duì)于黃金期貨市場(chǎng)管理部門開(kāi)展期貨市場(chǎng)風(fēng)險(xiǎn)預(yù)警工作以及投資者進(jìn)行科學(xué)合理的投資也都具有良好的指導(dǎo)意義。

【參考文獻(xiàn)】

[1] 范為，房四海.金融危機(jī)期間黃金價(jià)格的影響因素研究[J].管理評(píng)論，2012，24（3）：8-16.

[2] 徐雪，羅克.中國(guó)黃金期貨市場(chǎng)價(jià)格發(fā)現(xiàn)功能的實(shí)證分析[J].管理世界，2014（11）：172-173.

[3] 劉飛，吳衛(wèi)鋒，王開(kāi)科.我國(guó)黃金期貨市場(chǎng)定價(jià)效率與價(jià)格發(fā)現(xiàn)功能測(cè)算——基于5分鐘高頻數(shù)據(jù)的實(shí)證研究[J].國(guó)際金融研究，2013（4）：74-82.

[4] 林伯強(qiáng).中國(guó)能源需求的經(jīng)濟(jì)計(jì)量模型[J].統(tǒng)計(jì)研究，2001（10）：34-39.

[5] 韓君.中國(guó)能源需求的建模與實(shí)證分析[D].蘭州商學(xué)院碩士學(xué)位論文，2007.

[6] 魏一鳴，范英.中國(guó)能源需求報(bào)告（2006）：戰(zhàn)略與政策研究[M].北京：科學(xué)出版社，2006.

[7] LAWRENCE S，GILES C L，TSOI A C. Lessons in neural network training： Overfitting may be harder thanexpected[C]//Proceedings of the Fourteenth National Conference on Artificial Intelligence，Mento Park，CA： AAA1 Press，1997：540-545.

[8] VAPNIK V N.The nature of statistical learning theory[M]. Springer，1995.

[9] 費(fèi)宇，王江.FDI對(duì)我國(guó)各地區(qū)經(jīng)濟(jì)增長(zhǎng)的非線性效應(yīng)分析[J].統(tǒng)計(jì)研究，2013，30（4）：70-75.

[10] 楊建輝，李龍.基于SVR的期權(quán)價(jià)格預(yù)測(cè)模型[J].系統(tǒng)工程理論與實(shí)踐，2011，31（5）：848-854.

[11] 查進(jìn)道.一種改進(jìn)的基于DE-SVR的上證指數(shù)預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策，2012（23）：67-69.

[12] 高玉明，張仁津.基于改進(jìn)QPSO算法優(yōu)化SVR的上證指數(shù)預(yù)測(cè)[J].計(jì)算機(jī)仿真，2013，30（12）：208-213.

[13] 陳榮，梁昌勇，陸文星，等.基于季節(jié)SVR-PSO的旅游客流量預(yù)測(cè)模型研究[J].系統(tǒng)工程理論與實(shí)踐，2014，34（5）：1290-1296.

[14] HUANG C L，TSAI C Y. A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting[J]. Expert Systems with Applications，2009，36（2）：1529-1539.

[15] KAO L J，CHIU C C，LU C J，et al. A hybrid approach by integrating wavelet-based feature extraction with MARS and SVR for stock index forecasting[J]. Decision Support Systems，2013，54（3）：1228-1244.endprint