20230216-商品量化专题报告-时序预测系列-一-，基于分解算法和深度学习的预测建模研究-中信期货-27页.pdf

中信期货研究|商品量化专题报告

时序预测系列（一）投资咨询业务资格：

基于分解算法和深度学习的预测建模研究证监许可【2012】669号

报告要点

本次报告将分解算法（EMD和CEEMDAN）和深度学习算法（LSTM和GRU）分别组合对

日度收盘价进行单步预测，发现价格经分解算法分解重组后可提升深度学习时序预

测的有效性，若将分解后的高频序列进行去噪可以进一步强化预测模型的有效性。

摘要：

分解算法（EMD和CEEMDAN）能根据信号特点自适应地将信号分解成一组具有物理意

义的IMF分量的线性组合，非常适合非线性、非平稳信号分析。深度学习算法（LSTM和商品量化组

研究员：

GRU）对复杂序列中长期依赖关系有较强的提取能力。因此，本文将两者结合来探究高精蒋可欣FRM

jiangkexin@

度时序预测的可能性。从业资格号

投资咨询号Z0018262

为测试模型的有效性和泛化能力，本文在CU、IF和T三种期货合约上进行了测试。

在三个品种的预测中，2最高可提升10%以上，三个品种的最佳方向准确率均达到60%以

上，我们发现在分解算法将价格序列分解成IMF分量组合后，可以不简单依靠T检验对序

列进行高频、低频和趋势项的分类加和，将IMF分量依次组合求得最优组合方式能强化深

度学习模型的学习能力。同时，通过剔除少量高频IMF分量对高频序列进行去噪可以再次

增强优化效果。

此外，我们还发现虽然EMD和CEEMDAN均能对深度学习算法进行优化，但优化效果不

一定，CEEMDAN的优化效果不一定强于EMD。同时，重组去噪后的GRU模型并非绝对优于

重组去噪后的LSTM模型。

风险提示：本报告中所涉及的算法和模型应用仅为回溯举例，并不构成推荐建议。

重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为

客户；市场有风险，投资需谨慎。

商品量化专题报告

目录

摘要：1

一、引言4

二、EMD和CEEMDAN的基本原理和方法5

（一）EMD5

（二）CEEMDAN7

二、LSTM和GRU网络的内部结构和工作原理8

（一）LSTM神经网络8

（二）GRU神经网络12

三、组合模型构建14

（一）IMF重组14

（二）组合模型建模流程14

（三）LSTM和GRU网络的计算图结构和训练方法选择16

四、预测结果分析17

（一）数据选择和处理17

（二）预测结果评价指标18

（三）预测结果展示和分析19

六、结论与展望25

参考文献26

免责声明27

图表目录

图表1：CU主力合约价格走势和EMD分解过程6

图表2：CEEMDAN的更迭流程7

图表3：CU主力合约价格走势和CEEMDAN分解过程8

图表4：单个RNN神经元结构和展开形式9

图表5：LSTM神经元结构9

图表6：Sigmoid函数图像10

图表7：Tanh函数图像11

图表8：GRU神经元结构12

图表9：组合模型的流程15

图表