中國黃金期貨價格的SVR智能預(yù)測研究

楊瀟

【摘 要】 以中國黃金期貨為研究對象，選取了開盤價、最高價、最低價、收盤價、成交量和成交額6項指標(biāo)作為樣本的特征指標(biāo)變量，運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)測誤差，進而引入支持向量回歸機（Support Vector Regression Machine，SVR）智能方法對該期貨的開盤價格進行預(yù)測研究，并通過引入網(wǎng)格搜索法對SVR模型的最優(yōu)參數(shù)進行尋找，從而構(gòu)建了最優(yōu)的SVR智能預(yù)測模型。通過對訓(xùn)練樣本集與測試樣本集的實證研究發(fā)現(xiàn)，文章所構(gòu)建的最優(yōu)SVR智能預(yù)測模型具有優(yōu)越的學(xué)習(xí)性能與泛化推廣性能，能夠準(zhǔn)確地預(yù)測中國黃金期貨的價格。

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

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

一、引言

黃金作為一種特殊的商品，具有商品、貨幣和避險的多重屬性。而黃金價格一旦發(fā)生劇烈波動，不僅對一國經(jīng)濟，甚至對整個國際社會的經(jīng)濟運行都將產(chǎn)生嚴(yán)重影響[1]。與黃金現(xiàn)貨相比，黃金期貨蘊藏著更為嚴(yán)重的風(fēng)險。因為期貨具有高杠桿性，在產(chǎn)生高收益的同時也可能放大風(fēng)險[2]。隨著經(jīng)濟全球化的推進，各國經(jīng)濟間的聯(lián)系日益密切，一國期貨市場所產(chǎn)生的巨大風(fēng)險在轉(zhuǎn)瞬之間就會傳遞到其他國家，從而引發(fā)嚴(yán)重的金融危機，進而影響整個實體經(jīng)濟的健康運行。因此，開展黃金期貨價格的預(yù)測研究，進而提前采取應(yīng)對措施防范黃金期貨危機的發(fā)生，對于一國甚至整個國際社會而言，都將具有重要的現(xiàn)實意義。

中國作為新興經(jīng)濟體，其黃金期貨市場建立至今，相應(yīng)的風(fēng)險監(jiān)管措施還不盡完善，因而面臨的風(fēng)險危機也更為嚴(yán)峻[3]。因此，對中國黃金期貨市場進行預(yù)測，以實時監(jiān)測黃金期貨的價格走勢，從而防患于未然，是保證中國金融市場穩(wěn)定、經(jīng)濟健康發(fā)展的重要途徑。

目前，預(yù)測模型主要分為兩類，一類是以消費彈性法、回歸分析法、趨勢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，無法對非線性問題進行預(yù)測研究。眾所周知，黃金期貨市場是一個復(fù)雜的非線性系統(tǒng)，因而如果仍然運用上述線性方法對黃金期貨市場進行預(yù)測，就很可能導(dǎo)致預(yù)測失效。另一類是以神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）和支持向量回歸機（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。它能夠處理小樣本問題，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?；诖?，本文將運用SVR對中國黃金期貨價格展開預(yù)測研究。

但需要指出的是，SVR模型的預(yù)測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)確估計這兩個參數(shù)，就很可能導(dǎo)致SVR模型預(yù)測準(zhǔn)確性出現(xiàn)較大偏差。就目前研究而言，網(wǎng)格搜索法是運用較為廣泛的一類參數(shù)尋優(yōu)方法，其優(yōu)勢在于簡單易行，且尋優(yōu)準(zhǔn)確性較高[9]。因此，本文將引入網(wǎng)格搜索法對上述兩個參數(shù)進行尋優(yōu)。

目前，有眾多研究學(xué)者運用SVR對經(jīng)濟領(lǐng)域的相關(guān)問題進行了預(yù)測研究，如運用SVR對期權(quán)價格、股指、旅客流量、能源需求量、制造業(yè)產(chǎn)品價格等進行了預(yù)測研究，取得了良好的預(yù)測效果[10-15]。但他們卻都未使用SVR模型對黃金期貨價格進行預(yù)測研究，同時也未采用網(wǎng)格搜索法對SVR模型參數(shù)進行估計。

與上述研究相比，本文既引入SVR對中國黃金期貨價格進行預(yù)測研究，同時，還采用網(wǎng)格搜索法對SVR模型參數(shù)進行估計，以期能夠?qū)χ袊S金期貨價格進行更加準(zhǔn)確的預(yù)測。由此可見，本文具有較強的創(chuàng)新性。

二、基于SVR的黃金期貨市場價格預(yù)測模型構(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，還對模型的構(gòu)建起著關(guān)鍵作用。如果這兩個參數(shù)確定不準(zhǔn)確，勢必會影響SVR模型最終的預(yù)測性能，因此，就需要運用相關(guān)的參數(shù)尋優(yōu)方法對這兩個參數(shù)進行優(yōu)化。就目前研究而言，網(wǎng)格搜索法是運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。因此，本文將引入網(wǎng)格搜索法對上述兩個參數(shù)進行尋優(yōu)。

網(wǎng)格搜索法首先要求對參數(shù)范圍進行確定，在此基礎(chǔ)上，通過兩個參數(shù)在不同值上的組合，分別構(gòu)建不同參數(shù)下的SVR模型進行樣本擬合，獲得不同的預(yù)測結(jié)果，并比較所有參數(shù)組合下的預(yù)測結(jié)果，選擇使預(yù)測精度最高的參數(shù)組合作為最優(yōu)參數(shù)。于是，通過網(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)測模型。

三、黃金期貨價格預(yù)測的實證研究

（一）實驗樣本與特征指標(biāo)變量的選擇

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

（二）樣本數(shù)據(jù)的預(yù)處理

由于各個特征指標(biāo)變量間的數(shù)值大小存在明顯差異，因此，為了使預(yù)測結(jié)果不受量綱影響，本文運用歸一化方法對樣本數(shù)據(jù)進行預(yù)處理，過程如下：

（三）實證結(jié)果與分析

本文將樣本數(shù)據(jù)集按時間前后進行排序，并將前80%與后20%的樣本分別劃分為訓(xùn)練樣本集與測試樣本集，分別有2 610個和652個樣本。在此基礎(chǔ)上，本文借助Matlab 2015a編程軟件對訓(xùn)練樣本進行訓(xùn)練，并對測試樣本進行測試，訓(xùn)練與測試的實驗結(jié)果如表1所示。endprint

從表1可以明顯地看出，在通過網(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，運用SVR對訓(xùn)練樣本與測試樣本進行預(yù)測，所得到的MSE都接近于0，且R的值都在95%以上，說明本文所構(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)測結(jié)果與實際結(jié)果進行繪圖展示，見圖1和圖2。從圖1可以發(fā)現(xiàn)，不論是基于訓(xùn)練樣本還是測試樣本進行實驗，SVR的預(yù)測值走勢與實際值走勢都十分接近，說明本文所構(gòu)建的SVR模型具有優(yōu)異的預(yù)測性能；同時，從圖2又可以發(fā)現(xiàn)，不論是基于訓(xùn)練樣本還是測試樣本進行實驗，SVR的預(yù)測誤差幾乎都在0附近波動，說明SVR的預(yù)測誤差很小，表明SVR的預(yù)測精度高。由此可見，通過圖1與圖2的展示，表1的實證結(jié)果得到進一步驗證。

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，對于黃金期貨市場的價格走勢預(yù)測具有極強的指導(dǎo)意義。

四、結(jié)論

本文以中國黃金期貨為研究對象，選取了開盤價、最高價、最低價、收盤價、成交量和成交額6項指標(biāo)作為樣本的特征指標(biāo)變量，運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)測誤差，進而引入SVR模型對中國黃金期貨的價格進行智能預(yù)測研究，并通過引入網(wǎng)格搜索法對SVR模型的最優(yōu)參數(shù)進行尋找，從而構(gòu)建最優(yōu)的SVR智能預(yù)測模型。通過對訓(xùn)練樣本集與測試樣本集的實證研究發(fā)現(xiàn)，本文所構(gòu)建的最優(yōu)SVR智能預(yù)測模型具有優(yōu)越的學(xué)習(xí)性能與泛化推廣性能，能夠準(zhǔn)確地預(yù)測中國黃金期貨的價格。

基于以上分析可知，本文為黃金期貨市場管理部門和投資者提供了具有良好借鑒價值的應(yīng)用工具與方法。對于黃金期貨市場管理部門而言，能夠運用本文構(gòu)建的最優(yōu)SVR模型對未來黃金中國黃金期貨價格進行預(yù)測，并及時制定相關(guān)的管理方針與政策來構(gòu)建黃金期貨市場的風(fēng)險預(yù)警防火墻，從而維護中國黃金期貨市場的穩(wěn)定發(fā)展。同時，對于投資者而言，能夠運用本文所構(gòu)建的最優(yōu)SVR模型對中國黃金期貨的未來價格進行預(yù)測，并及時根據(jù)預(yù)測結(jié)果做出科學(xué)合理的投資決策，以便減少投資風(fēng)險，提升投資收益。

最后需要指出的是，盡管中國黃金期貨價格的預(yù)測研究極其復(fù)雜，但本文的研究技術(shù)、方法與相關(guān)結(jié)論對于中國黃金期貨市場價格的預(yù)測研究仍然具有明確的借鑒意義，同時，對于黃金期貨市場管理部門開展期貨市場風(fēng)險預(yù)警工作以及投資者進行科學(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.金融危機期間黃金價格的影響因素研究[J].管理評論，2012，24（3）：8-16.

[2] 徐雪，羅克.中國黃金期貨市場價格發(fā)現(xiàn)功能的實證分析[J].管理世界，2014（11）：172-173.

[3] 劉飛，吳衛(wèi)鋒，王開科.我國黃金期貨市場定價效率與價格發(fā)現(xiàn)功能測算——基于5分鐘高頻數(shù)據(jù)的實證研究[J].國際金融研究，2013（4）：74-82.

[4] 林伯強.中國能源需求的經(jīng)濟計量模型[J].統(tǒng)計研究，2001（10）：34-39.

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

[6] 魏一鳴，范英.中國能源需求報告（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] 費宇，王江.FDI對我國各地區(qū)經(jīng)濟增長的非線性效應(yīng)分析[J].統(tǒng)計研究，2013，30（4）：70-75.

[10] 楊建輝，李龍.基于SVR的期權(quán)價格預(yù)測模型[J].系統(tǒng)工程理論與實踐，2011，31（5）：848-854.

[11] 查進道.一種改進的基于DE-SVR的上證指數(shù)預(yù)測模型[J].統(tǒng)計與決策，2012（23）：67-69.

[12] 高玉明，張仁津.基于改進QPSO算法優(yōu)化SVR的上證指數(shù)預(yù)測[J].計算機仿真，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)測模型研究[J].系統(tǒng)工程理論與實踐，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