非线性混沌时间序列的黄金期货高频交易价格预测方案策划
发布时间：2021-10-12 16:31
我国黄金期货市场与其他金融要素市场互补协调,是我国金融市场体系的重要组成部分。黄金期货成交量大、流动性强,且黄金期货产业链长、价格影响因素众多,价格波动性较强,其价格预测也是研究热点。黄金期货价格组成的金融时间序列受到各方面因素的影响,使其具有混沌性,难以预测。根据混沌理论,一个非常复杂的经济时间序列的行为,看似随机的,可以用一个确定性的非线性系统来解释。本文采用2017年1月3日-2019年11月29日5min的连续黄金期货数据,对数据用小波分析进行噪声平滑,并提出三种预测方案,第一种是以传统线性ARIMA模型做普通的线性预测;第二种是基于黄金期货价格时间序列所具有的非线性,用RBF神经网络进行预测;第三种是在数据具有非线性的基础上,检验其是否具有混沌特征就必须对黄金时间价格序列进行相空间重构,然后基于非线性混沌的性质用RBF神经网络进行预测。实证结果表明,黄金期货价格的波动非常复杂,传统的线性结构模型在预测复杂的像黄金期货价格时间序列不是很有效;非线性时间序列模型在预测黄金期货价格方面有一定成果,但是仍有改进空间;黄金期货价格遵循一个复杂的非线性动态过程,在最佳嵌入维数8)为47时...
【文章来源】：上海师范大学上海市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
RBF神经网络结构
黄金期货高频交易价格预测的问题描述与新预测方案构思上海师范大学硕士学位论文31图3混沌-RBF神经网络结构图1、输入层的确定混沌神经网络的输入层神经元数由最佳嵌入维数决定，各神经元的输入为重构相空间中的时序向量={,+,…,+(1)},=1,…,,=(1)，输入层神经元仅仅把输入信号传递到隐层，权值取1。2、隐含层的确定隐层神经元数由网络训练次数决定，即每进行一次RBF神经网络训练就会增加一个隐层神经元。各神经元的输出由径向基作用函数决定，这里采用高斯核函数：=exp[()()22]=1,2,…,(3-26)其中，为第个隐层神经元的输出，为样本输入，为第个隐层神经元的高斯函数的中心值，是第个隐层神经元高斯函数的宽度，是隐层神经元数。3、输出层的确定网络的输出值为隐层神经元输出的线性组合，即：=∑==1(3-27)其中，=(1,2,…,)为隐层到输出层的权值，=(1,2,…,)为隐层输出值，θ为门限值。4、混沌-RBF神经网络的预测
黄金期货高频交易价格预测方案设计上海师范大学硕士学位论文354.1.3噪声平滑处理金融时间序列中会存在很多噪音，噪音会影响模型的预测。尤其是高频数据中的噪音更多，我们在做预测前应该对金融时间序列进行降噪处理，去除掉多余的噪音，保留原金融时间序列的主趋势。高频数据的降噪方法有很多，比如传统的降噪方式有线性的，主要通过最小方差滤波的方式，但是线性降噪的去噪能力较弱，效果较差。在非线性金融时间序列中，比较常用的是小波分析。本文的数据选用的是5min黄金期货，属于高频数据，因此选用小波变换中的模极大值法进行降噪，因为模极大值法在降噪过程中信号会表现出不同的变化状态。在用小波分析进行降噪中，经过多尺度分解的信号会分为高频部分和低频部分。信号是低频部分的重要构成，低频部分对应了高层分解的小波系数，它包含了金融时间序列自身变化所引起的波动；而高频部分则是金融时间序列中因为突发情况而造成的随机波动。因此，在用小波分析进行降噪中，小波的分解层数越多，低频部分被去掉的也就越多，同时也去掉了大量的信号，去噪效果能力较强。但是，并不是小波分解的层数越多越好，过多则会过滤掉一些有用的信号，预测结果也不够准确。本文以5min黄金期货时间序列为数据，小波基函数选取Haar，因为Haar小波基可以自动实现信号分析要求，细分高频部分和低频部分，小波分解的层数先选择了五层，但是过滤掉了太多有用信息，分解层数为二的噪声保留的过多，最后选定了三层的分解层数，阈值的确定按照rigorsure方式去噪，在matlab2019a中进行析。分解结果如下图所示。图5黄金期货时间序列小波分解分层1
【参考文献】：
期刊论文
[1]国内外金属期货市场间的动态联动以及多尺度特征研究——基于时频视角分析[J]. 董洋,李洁,杨莉. 昆明理工大学学报(自然科学版). 2019(02)
[2]黄金期货市场有效性与微观特征关系研究[J]. 季俊伟,傅强,王庆宇. 数理统计与管理. 2019(03)
[3]基于小波分析的大宗商品期货价格对我国CPI的影响研究[J]. 朱雪超. 现代营销(信息版). 2019(03)
[4]中国有色金属期货价格发现效率比较——基于Johansen协整检验和小波相干分析法[J]. 余敏丽. 价格理论与实践. 2018(06)
[5]纽约黄金期货与A股黄金板块波动溢出效应研究[J]. 潘文荣,程旭,李忆. 金融发展研究. 2018(05)
[6]基于小波变换和时间序列模型的Brent原油期货价格预测[J]. 耿倪. 中国商论. 2018(05)
[7]中美黄金期货价格关联性研究——基于连续交易推出前后变化的比较分析[J]. 安铁雷,王喜明. 价格理论与实践. 2017(08)
[8]商品期货高频交易价格趋势实证分析——以黄金期货市场为例[J]. 胡波. 价格理论与实践. 2018(01)
[9]国际间黄金期货市场价格联动关系研究——基于中国和美国、日本黄金期货市场传导影响的分析[J]. 王聪,刘晨. 价格理论与实践. 2017(11)
[10]投资者情绪与黄金期货价格动态关系研究[J]. 刘金娥,高佳辉. 价格理论与实践. 2017(09)
博士论文
[1]沪深300股指内在复杂性分析及预测研究[D]. 崔亚强.天津大学 2010
[2]多变量金融时间序列的非线性检验及重构研究[D]. 刘立霞.天津大学 2007
硕士论文
[1]混沌时序黄金期货价格预测研究[D]. 李超.暨南大学 2018
[2]基于小波核支持向量机回归的股指期货价格预测[D]. 梁成.上海师范大学 2018
[3]WTI原油期货价格波动分析[D]. 耿倪.吉林财经大学 2018
[4]我国豆粕期货市场混沌性研究[D]. 郭荣.西北农林科技大学 2014
[5]基于混沌时间序列的玉米期货价格预测研究[D]. 张鑫.东北农业大学 2012
本文编号：3432927
【文章来源】：上海师范大学上海市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
RBF神经网络结构
黄金期货高频交易价格预测的问题描述与新预测方案构思上海师范大学硕士学位论文31图3混沌-RBF神经网络结构图1、输入层的确定混沌神经网络的输入层神经元数由最佳嵌入维数决定，各神经元的输入为重构相空间中的时序向量={,+,…,+(1)},=1,…,,=(1)，输入层神经元仅仅把输入信号传递到隐层，权值取1。2、隐含层的确定隐层神经元数由网络训练次数决定，即每进行一次RBF神经网络训练就会增加一个隐层神经元。各神经元的输出由径向基作用函数决定，这里采用高斯核函数：=exp[()()22]=1,2,…,(3-26)其中，为第个隐层神经元的输出，为样本输入，为第个隐层神经元的高斯函数的中心值，是第个隐层神经元高斯函数的宽度，是隐层神经元数。3、输出层的确定网络的输出值为隐层神经元输出的线性组合，即：=∑==1(3-27)其中，=(1,2,…,)为隐层到输出层的权值，=(1,2,…,)为隐层输出值，θ为门限值。4、混沌-RBF神经网络的预测
黄金期货高频交易价格预测方案设计上海师范大学硕士学位论文354.1.3噪声平滑处理金融时间序列中会存在很多噪音，噪音会影响模型的预测。尤其是高频数据中的噪音更多，我们在做预测前应该对金融时间序列进行降噪处理，去除掉多余的噪音，保留原金融时间序列的主趋势。高频数据的降噪方法有很多，比如传统的降噪方式有线性的，主要通过最小方差滤波的方式，但是线性降噪的去噪能力较弱，效果较差。在非线性金融时间序列中，比较常用的是小波分析。本文的数据选用的是5min黄金期货，属于高频数据，因此选用小波变换中的模极大值法进行降噪，因为模极大值法在降噪过程中信号会表现出不同的变化状态。在用小波分析进行降噪中，经过多尺度分解的信号会分为高频部分和低频部分。信号是低频部分的重要构成，低频部分对应了高层分解的小波系数，它包含了金融时间序列自身变化所引起的波动；而高频部分则是金融时间序列中因为突发情况而造成的随机波动。因此，在用小波分析进行降噪中，小波的分解层数越多，低频部分被去掉的也就越多，同时也去掉了大量的信号，去噪效果能力较强。但是，并不是小波分解的层数越多越好，过多则会过滤掉一些有用的信号，预测结果也不够准确。本文以5min黄金期货时间序列为数据，小波基函数选取Haar，因为Haar小波基可以自动实现信号分析要求，细分高频部分和低频部分，小波分解的层数先选择了五层，但是过滤掉了太多有用信息，分解层数为二的噪声保留的过多，最后选定了三层的分解层数，阈值的确定按照rigorsure方式去噪，在matlab2019a中进行析。分解结果如下图所示。图5黄金期货时间序列小波分解分层1
【参考文献】：
期刊论文
[1]国内外金属期货市场间的动态联动以及多尺度特征研究——基于时频视角分析[J]. 董洋,李洁,杨莉. 昆明理工大学学报(自然科学版). 2019(02)
[2]黄金期货市场有效性与微观特征关系研究[J]. 季俊伟,傅强,王庆宇. 数理统计与管理. 2019(03)
[3]基于小波分析的大宗商品期货价格对我国CPI的影响研究[J]. 朱雪超. 现代营销(信息版). 2019(03)
[4]中国有色金属期货价格发现效率比较——基于Johansen协整检验和小波相干分析法[J]. 余敏丽. 价格理论与实践. 2018(06)
[5]纽约黄金期货与A股黄金板块波动溢出效应研究[J]. 潘文荣,程旭,李忆. 金融发展研究. 2018(05)
[6]基于小波变换和时间序列模型的Brent原油期货价格预测[J]. 耿倪. 中国商论. 2018(05)
[7]中美黄金期货价格关联性研究——基于连续交易推出前后变化的比较分析[J]. 安铁雷,王喜明. 价格理论与实践. 2017(08)
[8]商品期货高频交易价格趋势实证分析——以黄金期货市场为例[J]. 胡波. 价格理论与实践. 2018(01)
[9]国际间黄金期货市场价格联动关系研究——基于中国和美国、日本黄金期货市场传导影响的分析[J]. 王聪,刘晨. 价格理论与实践. 2017(11)
[10]投资者情绪与黄金期货价格动态关系研究[J]. 刘金娥,高佳辉. 价格理论与实践. 2017(09)
博士论文
[1]沪深300股指内在复杂性分析及预测研究[D]. 崔亚强.天津大学 2010
[2]多变量金融时间序列的非线性检验及重构研究[D]. 刘立霞.天津大学 2007
硕士论文
[1]混沌时序黄金期货价格预测研究[D]. 李超.暨南大学 2018
[2]基于小波核支持向量机回归的股指期货价格预测[D]. 梁成.上海师范大学 2018
[3]WTI原油期货价格波动分析[D]. 耿倪.吉林财经大学 2018
[4]我国豆粕期货市场混沌性研究[D]. 郭荣.西北农林科技大学 2014
[5]基于混沌时间序列的玉米期货价格预测研究[D]. 张鑫.东北农业大学 2012
本文编号：3432927
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3432927.html
