基于CEEMDAN-LSTM模型的中国商品期货已实现波动率预测.pdf

摘要

摘要

当前，已实现波动率已成为评估金融资产风险的关键指标之一，可用来分

析市场的波动性。在过去，学者主要依赖计量经济模型，而随着电子计算技术

的日益精进与数据存储效能的增强，人们对金融时间序列的分析建模中开始使

用机器学习、深度学习方法。此外，学者在研究时发现，各类模态分解算法能

有效获取其频率特性，那么结合分解算法和深度学习模型，可以实现更准确的

模型预测。而现有文献中，基于分解的价格、收益率，波动率预测往往直接采

用各类模态分解算法，并未使用滚动窗口，这将会导致样条函数插值时训练集

及预测集信息同步使用，从而产生信息泄露问题，降低预测的可信度。

本文选取了2018年5月1日到2023年12月30日的中国期货交易市场各大

板块（除金融板块）中成交量与持仓量均较大的六种大宗商品的合约数据作为

主要研究对象。首先通过高频数据计算出日已实现波动率，其次构建滚动自适

应噪声的完全集合经验模态（CEEMDAN）算法，通过步进向前分解窗口序列

来避免信息泄漏问题，对各期货已实现波动率数据进行分解重构，将原始已实

现波动率序列重构为高频、中频、低频三个子序列。最后将所得到三个子序列

分别放到深度学习模型LSTM中预测已实现波动率，加总得到最终已实现波动

率序列。

实证表明，本文选取的6个大宗商品合约数据在通过5项模型预测指标的

评估，及DM检验后，相较HAR-RV模型、线性模型、树模型等机器学习模型，

CEEMDAN-LSTM模型在指标评估中总体表现最佳，六大期货中的各项误差指

标均为最小，例如在大豆期货合约的预测中，MAE为0.1242，显著低于LSTM

模型的0.1823、HAR-RV的0.1973，DecisionTree模型的0.2799等。并且，

CEEMDAN-LSTM在六大期货预测中的DM检验中，DM检验值均大于0，表明

均优于基准模型，通过模型优劣及稳定性测试。

本文基于高频数据计算出不同板块中具有代表性期货的日已实现波动率，

使数据涵盖更多信息，同时设计滚动的CEEMDAN算法通过步进向前分解窗口

序列来避免信息泄漏问题。更进一步为滚动分解算法中步进窗口及LSTM模型

拟合窗口的选择提供了思路。本文所构建的CEEMDAN-LSTM预测模型进一步

提升了模型的预测能力和效率，有助于促进交叉学科研究，推动信号分解和深

度学习方法在基于高频数据的金融预测中的融合。

关键词：已实现波动率；期货合约；高频数据；CEEMDAN；LSTM神经网络

I

Abstract

Abstract

Nowadays,Realizedvolatilityhasbecomeoneofthekeyindicatorsforassessing

theriskoffinancialassetsandcanbeusedtoanalyzemarketvolatility.Inthepast,

scholarsmainlyreliedoneconometricmodels,butwiththeincreasingsophisticationof

electroniccomputingtechnologyandtheenhancementofdatastorageefficiency,

peoplehavestartedtousemachinelearninganddeeplearningmethodsintheanalysis

andmodelingoffinancialtimeseries.Inaddition,scholarshavefoundthatvarious

typesofmodaldecomposi