陳立平邢小丹張玉亭何軍

(1.塔里木大學信息工程學院，新疆 阿拉爾 843300；2.塔里木大學自治區(qū)教育廳普通高等學校現(xiàn)代農(nóng)業(yè)工程重點實驗室，新疆 阿拉爾 843300；3.阿拉爾市紅福天棗業(yè)有限公司，新疆 阿拉爾 843300)

引言

自2019年4月30日，國內(nèi)首個干果期貨品種紅棗期貨在鄭州商品交易所上市交易以來，公開透明的紅棗期貨市場價格機制已逐漸形成，對紅棗產(chǎn)業(yè)發(fā)展和價格穩(wěn)定起到了重要作用。目前，全國共設立紅棗交割倉庫14家，其中，新疆9家(含3家兵團企業(yè))，庫容量占比近70%，明確了南疆為紅棗的基準價區(qū)地位，帶動了南疆紅棗種植、加工、倉儲等產(chǎn)業(yè)的綜合發(fā)展。近年來，圍繞紅棗農(nóng)產(chǎn)品“保險+期貨”的農(nóng)業(yè)新發(fā)展試點，正穩(wěn)步推進，成為化解農(nóng)業(yè)系統(tǒng)風險，提高農(nóng)民收入的重要舉措。紅棗作為新疆特色林果產(chǎn)品與農(nóng)業(yè)經(jīng)濟支柱之一，其價格變化對當?shù)禺a(chǎn)業(yè)發(fā)展，起著重要的風向標作用，因此，開展價格預測智能方法研究，對促進區(qū)域農(nóng)業(yè)經(jīng)濟和產(chǎn)業(yè)健康、可持續(xù)發(fā)展，具有技術支撐作用。

1 相關工作

1.1 我國紅棗期貨市場發(fā)展現(xiàn)狀

紅棗期貨上市后，兵團各級政府高度重視這一“數(shù)字杠桿”對區(qū)域農(nóng)業(yè)經(jīng)濟和特色林果產(chǎn)業(yè)發(fā)展的市場驅(qū)動作用，建立和完善了專門的期貨產(chǎn)品交易企業(yè)，并通過“保險+期貨”“套期保值”等系列舉措，完善期貨商品種植、加工等前端保障體系，持續(xù)推動當?shù)丶t棗產(chǎn)業(yè)的轉(zhuǎn)型升級。

2019年至今，紅棗干果期貨交易已歷時3.5年，其主力合約價格走勢如圖1所示。

1.2 農(nóng)產(chǎn)品價格預測方法研究

針對農(nóng)產(chǎn)品價格預測問題，國內(nèi)外學者開展了大量工作；尤其近年來，基于LSTM的人工神經(jīng)網(wǎng)絡方法，被廣泛地應用于各種農(nóng)產(chǎn)品的價格預測，并取得了較為矚目的效果。

2021年，范俊明等[1]構建多層LSTM模型對大豆期貨價格進行預測。實證結(jié)果表明，LSTM模型相較于ARIMA、MLP和SVM模型具有更高的預測精度和表現(xiàn)，調(diào)優(yōu)參數(shù)對于LSTM模型的預測效果有著較大影響。2020年，張翠萍[2]對比分析了SVR模型與LSTM神經(jīng)網(wǎng)絡對天然橡膠期貨價格預測效果的差異，發(fā)現(xiàn)LSTM神經(jīng)網(wǎng)絡的預測效果要好于SVR模型。Xiong等[3]結(jié)合傳統(tǒng)的VECM模型和SVR回歸方法預測代表性農(nóng)產(chǎn)品期貨價格走勢，取得了優(yōu)異的實證結(jié)果。2019年，Sayed和Auret[4]使用了4個GARCH模型，對美國、巴西、阿根廷和南非4大玉米出口國的玉米期貨進行了實證分析，結(jié)果表明，主要玉米出口國之間存在波動性顯著的溢出效應。2019年，Degiannakis等[5]采用異質(zhì)自回歸模型(HAR)的變體預測玉米、大豆等5種廣泛交易的農(nóng)產(chǎn)品波動率，并提供更好的擬合效果。2018年，Wang和Li[6]研究了商品期貨價格之間的相互影響，采用了奇異譜分析和因果檢驗，并構建了組合神經(jīng)網(wǎng)絡模型，包括反向傳播、徑向基函數(shù)和小波神經(jīng)網(wǎng)絡。該模型能夠有效預測玉米、黃金和原油的商品價格，并且其效果優(yōu)于基準模型。2017年，Persio等[7]開展了不同模型對谷歌股價預測效果的比較實驗，建立了RNN、LSTM和GRU模型。實驗結(jié)果發(fā)現(xiàn)，LSTM模型的預測效果較另外2個模型的預測效果好。

1.3 國內(nèi)干果期貨價格預測方法研究

由于期貨交易市場的多方參與特性，使得其價格預測更為困難。

針對黃豆、玉米、小麥大宗農(nóng)產(chǎn)品價格預測，趙雪伶[8]開展了MVGG模型、ENSEMBLE模型、人工神經(jīng)網(wǎng)絡(ANN)和長短期記憶模型(LSTM)的對比實驗研究，其結(jié)果表明，ENSEMBLE模型預測精度更高。國內(nèi)，張璇[9]針對花生干果，采用了長短期記憶網(wǎng)絡(Long Short-Term Memory，LSTM)對河南省花生價格進行預測，開展了相關研究工作。

相較而言，目前，國內(nèi)對紅棗干果期貨交易價格預測的研究，尚較為匱乏。出于區(qū)域特色林果產(chǎn)業(yè)健康、可持續(xù)發(fā)展需求，仍需加大研發(fā)投入，揭示紅棗期貨價格形成機制及相應產(chǎn)業(yè)發(fā)展對策的研究。

2 LSTM模型

2.1 LSTM方法與理論

HochreiterS和SchmidhuberJ[10]于1997年提出了長短期記憶(LSTM)網(wǎng)絡，后經(jīng)Graves A[11]的改進，使得LSTM得到了進一步推廣。LSTM基本單元結(jié)構如圖2所示。

圖2 LSTM基本單元結(jié)構

針對LSTM網(wǎng)絡模型的訓練學習過程，整個前向傳遞過程圖包含了遺忘門、輸入門和輸出門3個重要部分。

ft是遺忘門，用來控制前一時刻的記憶單元狀態(tài)是否需要被遺忘。輸出范圍是[0，1]，表示保留多少前一時刻的記憶單元狀態(tài)[12]。公式：

ft=δ(wf×[ht-1，xt]+by)

(1)

式中，σ為激活函數(shù)；wf是權重矩陣；by為偏置項。

輸入門用于控制新信息被記憶單元更新的程度。公式：

it=δ(wi×[ht-1，xt]+bi)

(2)

(3)

式中，wi代表輸入矩陣；wc表示狀態(tài)矩陣。

Ct(記憶狀態(tài))通過遺忘門和輸入門控制前一時刻的記憶單元狀態(tài)以及新信息，得到新的單元狀態(tài)。公式：

(4)

輸出門用于控制當前時刻的輸出。公式：

Ot=δ(wo×[ht-1，xt]+bo)

(5)

ht=Ot×tanh(Ct)

(6)

式中，w0是輸出矩陣；b0為偏置向量。

2.2 服務于LSTM的紅棗期貨數(shù)據(jù)預處理方法

2.2.1 數(shù)據(jù)預處理

2.2.1.1 數(shù)據(jù)來源及預處理

數(shù)據(jù)來源于鄭州商品交易所紅棗期貨行情數(shù)據(jù)，選擇紅棗期貨主力合約為研究樣本，價格指標包括開盤價、收盤價、最高價、最低價、成交量、成交額、振幅、漲跌幅、漲跌額。具體數(shù)據(jù)形式如表1所示。

2.2.1.2 數(shù)據(jù)歸一化方法

Z-Score方法基本思想是將原始數(shù)據(jù)減去其均值，然后除以其標準差，從而將數(shù)據(jù)轉(zhuǎn)換為符合標準正態(tài)分布的數(shù)據(jù)。這樣做的優(yōu)點是可以將數(shù)據(jù)的均值調(diào)整為0，標準差調(diào)整為1，使不同數(shù)據(jù)之間的比較更具有可比性。轉(zhuǎn)化公式：

(7)

式中，μ為數(shù)據(jù)均值；σ為數(shù)據(jù)標準差；Z經(jīng)標準化處理，代表紅棗期貨價格和集合均值之間的距離，Z低于均值為負數(shù)，反之為正數(shù)，范圍為(-∞，+∞)。

2.2.2 模型構建

實驗中，超參數(shù)設定對預測結(jié)果影響較大，需要對影響預測精度的超參數(shù)進行實驗對比確定LSTM網(wǎng)絡模型的最優(yōu)網(wǎng)絡結(jié)構，進而確定最佳時間窗口期。參考楊青等[13]選擇窗口期的方法與范俊明等[1]實驗選擇LSTM網(wǎng)絡模型的網(wǎng)絡層數(shù)，最終選擇構建3層LSTM網(wǎng)絡模型來對不同時間窗口長度w(10～50)進行測試實驗。其模型的預測性能評價指標采用均方根誤差(RMSE)、平均絕對誤差(MAE)、模型預測準確率(accurancy)來對實驗結(jié)果進行對比。其中，RMSE、MAE的計算公式：

(8)

(9)

(10)

3 實驗方案與效果

3.1 實驗方案

數(shù)據(jù)來源于鄭州商品交易所紅棗期貨主力合約行情數(shù)據(jù)，將2019—2021年的紅棗期貨數(shù)據(jù)作為一組來訓練LSTM模型，2022年數(shù)據(jù)作為效用組來進行結(jié)構論證。LSTM模型預測流程圖如圖3所示。

圖3 LSTM模型預測流程圖

3.2 實驗結(jié)果

3.2.1 2019—2021年紅棗期貨價格預測實驗

在對紅棗期貨價格進行預測實驗中經(jīng)過多次調(diào)試與測試，在權衡計算量與模型的預測準確度后將前饋網(wǎng)絡層的隱藏神經(jīng)元個數(shù)設置為10個，由此來搭建不同時間窗口長度，并將6次實驗結(jié)果得到的各項指標平均值作為最終指標標準，通過比較來確定最佳時間窗口長度。所預測結(jié)果與指標如表2所示。

表2 2019—2021年不同時間窗口期各項指標均值

由表2可知，窗口期為20的模型性能最優(yōu)，最終選定模型的窗口期為20。預測效果最好和最差的效果如圖4所示。

圖4 時間窗口期為20、40的LSTM模型預測結(jié)果圖

3.2.2 參數(shù)化模型對2022年紅棗期貨價格預測實驗

針對2022年開展相關基于LSTM的紅棗期貨價格預測實驗。搭建網(wǎng)絡層數(shù)為3，前饋網(wǎng)絡層的隱藏神經(jīng)元個數(shù)為10，時間窗口長度為20的參數(shù)化LSTM模型，應用于2022年的紅棗期貨價格預測。預測結(jié)果圖如圖5所示。

圖5 2022年紅棗期貨價格預測圖

4 結(jié)束語

通過對2019—2021年歷年紅棗期貨價格預測結(jié)果進行比較與分析，實驗表明，時間窗口長度為20的LSTM神經(jīng)網(wǎng)絡模型在紅棗期貨價格預測問題上具有優(yōu)勢，這一模型也對2022年當年的紅棗期貨價格起到一定的指示作用。實現(xiàn)紅棗企業(yè)現(xiàn)貨、期貨雙軌交易模式下的風險智能控制，符合國家金融創(chuàng)新對經(jīng)濟高質(zhì)量發(fā)展導向、符合區(qū)域產(chǎn)業(yè)發(fā)展需求；采用現(xiàn)代智能技術對期貨價格進行預測使農(nóng)業(yè)創(chuàng)新發(fā)展新模式具有更大的發(fā)展空間。