基于SVM模型的金属期货价格波动预测——以镍期货为例.pdfVIP

财政与金融中国市场2025年第13期（总第1220期）

基于SVM模型的金属期货价格波动预测

以镍期货为例

徐子淇，薛秋霞，刘佳勋}2

999078;

（1.．澳门城市大学金融学院，澳门9

2．南宁学院，广西南宁530200）

摘要：随着科技的不断发展，机器学习技术在金融领域中的应用越来越广泛。文章以青山集团的伦镍事

件为案例，从机器学习的视角对镍期货交易价格的波动进行预测性分析。基于2018年11月至2022年3月的

数据，构建支持向量机模型（SVM）并通过彭博商品指数、波动率指数等指标对镍期货价格波动率进行预测。

进一步构建传统线性回归模型对镍金属期货价格进行模拟，对镍期货价格波动率进行再次预测，比较两种模型

的结果，验证支持向量机在风险预测与管理上的适用性以及相较于传统模型的先进性。基于研究结果，提出机

器学习在风险管理运用上的对策建议。

关键词：机器学习；支持向量机；镍期货；期货逼仓事件；风险管理

中图分类号：F713.35文献标识码：A文章编号：1005-6432（2025）13-0042-04

DOl:10.13939/j.cnki.zgsc.2025.13.010

学习则不同，可以通过大量的数据学习出规律，不

1引言

需要对数据分布进行任何假设，可以处理各种类型

在机器学习兴起的大环境下，随着金融衍生品市的数据，这使得机器学习在实际应用中更加灵活和

场的快速发展和金融科技的日益进步，镍金属期货市强大。支持向量机采用核函数的方法将数据从低维

场作为重要的金融衍生品市场，也得到了进一步的完空间映射到高维空间，使得数据更容易被线性分

善和发展。随着金融市场的发展和时间的推移，镍金割。这种方法可以在处理非线性问题时取得很好的

属期货市场经历了三个阶段的发展。初期阶段是从效果，而传统模型则需要进行特征工程等预处理，

20世纪80年代开始，当时最早的镍金属期货市场是使数据具备可线性分割的特性。同时，支持向量机

在伦敦金属交易所（LME）上建立的。尽管LME镍分类器的决策边界只与支持向量有关，这使得支持

合约于1978年首次上市交易，但由于交易规模较小，向量机具有很好的可解释性和可视化性；支持向量

这一阶段的发展相对缓慢。在20世纪90年代，随着机可以通过调整核函数的参数来适应不同的数据分

国际市场对镍金属的需求增加，镍金属期货市场得到布，从而实现更好的分类效果。在此背景下，文章

了迅速发展。1997年，伦敦洲际交易所（LIFFE）上引人机器学习中的支持向量机模型对镍期货价格进

市了镍期货合约，并且随后中国、日本、新加坡等国行预测，并在此基础上形成投资观点。

家和地区也相继建立了自己的镍金属期货市场。这一2文献综述

阶段的发展为镍金属期货市场奠定了坚实的基础。21

世纪以来，随着金融衍生品市场的不断发展和金融科在资产管理行业中，机器学习最常见的应用场景

技的不断进步，镍金属期货市场也不断升级和创新。就是组合管理、金融交易、风险管理和智能顾投。机

这一阶段的发展使得镍金属期货市场的功能得到了进器学习在预测金融资产价格波动率方面也有应用，传

一步完善。但是镍金属期货市场依旧存在着大量风统的风险预测方法主要依赖于统计模型，如回归分析

险，突发事件和重大事件的发生都可能给市场带来不和时间序列模型，但一些研究表明，相对于传统的线

利影响，往往会引起价格的急剧波动，对投资者造成性时序模型，机器学习能够取得更好的效果。曾志平

损失。等（2017）使用深度信念网络来预测股价的未来趋

传统的均值方差模型主要基于统计学方法进行势，结果显示机器学习能够将准确率提升至90%。

建模，其假设数据分布是已知的，而且符合特定的张承钊等（2015）利用深度分合网