中国黄金期货价格SVR智能预测研究.docVIP

中国黄金期货价格的SVR智能预测研究 　　【摘 要】 以中国黄金期货为研究对象，选取了开盘价、最高价、最低价、收盘价、成交量和成交额6项指标作为样本的特征指标变量，运用归一化方法消除特征指标变量间因量纲不同而造成的预测误差，进而引入支持向量回归机（Support Vector Regression Machine，SVR）智能方法对该期货的开盘价格进行预测研究，并通过引入网格搜索法对SVR模型的最优参数进行寻找，从而构建了最优的SVR智能预测模型。通过对训练样本集与测试样本集的实证研究发现，文章所构建的最优SVR智能预测模型具有优越的学习性能与泛化推广性能，能够准确地预测中国黄金期货的价格。 　　【关键词】 黄金期货； 支持向量回归机； 智能预测； 网格搜索法 　　【中图分类号】 F830.91 【文献标识码】 A 【文章编号】 1004-5937（2017）17-0050-04 　　一、引言 　　黄金作为一种特殊的商品，具有商品、货币和避险的多重属性。而黄金价格一旦发生剧烈波动，不仅对一国经济，甚至对整个国际社会的经济运行都将产生严重影响[1]。与黄金现货相比，黄金期货蕴藏着更为严重的风险。因为期货具有高杠杆性，在产生高收益的同时也可能放大风险[2]。随着经济全球化的推进，各国经济间的联系日益密切，一国期货市场所产生的巨大风险在转瞬之间就会传递到其他国家，从而引发严重的金融危机，进而影响整个实体经济的健康运行。因此，开展黄金期货价格的预测研究，进而提前采取应对措施防范黄金期货危机的发生，对于一国甚至整个国际社会而言，都将具有重要的现实意义。 　　中国作为新兴经济体，其黄金期货市场建立至今，相应的风险监管措施还不尽完善，因而面临的风险危机也更为严峻[3]。因此，对中国黄金期货市场进行预测，以实时监测黄金期货的价格走势，从而防患于未然，是保证中国金融市场稳定、经济健康发展的重要途径。 　　目前，预测模型主要分为两类，一类是以消费弹性法、回归分析法、趋势外推法等为主的传统方法[4-6]。但这类方法属于线性模型，无法对非线性问题进行预测研究。众所周知，黄金期货市场是一个复杂的非线性系统，因而如果仍然运用上述线性方法对黄金期货市场进行预测，就很可能导致预测失效。另一类是以神经网络（Neural Network，NN）和支持向量回归机（Support Vector Regression Machine，SVR）为主的智能方法[7，8]。这类方法能够有效地解决非线性问题，因而受到学者们的广泛关注。与NN相比，SVR具有明显的优势。它能够处理小样本问题，具有更为优越的学习能力与泛化推广能力，因而更能受到学者青睐。基于此，本文将运用SVR对中国黄金期货价格展开预测研究。 　　但需要指出的是，SVR模型的预测能力在很大程度上取决于惩罚参数（Penalty Parameter）和核函数（Kernel Function）参数，如果不准确估计这两个参数，就很可能导致SVR模型预测准确性出现较大偏差。就目前研究而言，网格搜索法是运用较为广泛的一类参数寻优方法，其优势在于简单易行，且寻优准确性较高[9]。因此，本文将引入网格搜索法对上述两个参数进行寻优。 　　目前，有众多研究学者运用SVR对经济领域的相关问题进行了预测研究，如运用SVR对期权价格、股指、旅客流量、能源需求量、制造业产品价格等进行了预测研究，取得了良好的预测效果[10-15]。但他们却都未使用SVR模型对黄金期货价格进行预测研究，同时也未采用网格搜索法对SVR模型参数进行估计。 　　与上述研究相比，本文既引入SVR对中国黄金期货价格进行预测研究，同时，还采用网格搜索法对SVR模型参数进行估计，以期能够对中国黄金期货价格进行更加准确的预测。由此可见，本文具有较强的创新性。 　　二、基于SVR的?S金期货市场价格预测模型构建 　　但值得注意的是，惩罚参数C和RBF核函数参数σ不仅需要提前确定，还对模型的构建起着关键作用。如果这两个参数确定不准确，势必会影响SVR模型最终的预测性能，因此，就需要运用相关的参数寻优方法对这两个参数进行优化。就目前研究而言，网格搜索法是运用较为广泛的一类参数寻优方法，具有显著的搜索优势。因此，本文将引入网格搜索法对上述两个参数进行寻优。 　　网格搜索法首先要求对参数范围进行确定，在此基础上，通过两个参数在不同值上的组合，分别构建不同参数下的SVR模型进行样本拟合，获得不同的预测结果，并比较所有参数组合下的预测结果，选择使预测精度最高的参数组合作为最优参数。于是，通过网格搜索法，本文就能寻找到最优的惩罚参数C和RBF核函数参数σ，并构建最优的SVR预测模型。 　　三、黄金期货价格预测的实证研究 　　（一）实验样本与特征指标变量的选择