铜期货价格预测模型优化及套期保值策略研究

发布时间：2017-06-15 21:14

  本文关键词：铜期货价格预测模型优化及套期保值策略研究，由笔耕文化传播整理发布。

【摘要】：金属铜由于诸多优异的物理、化学性质,被广泛运用于电气、轻工、机械制造、建筑工程、国防工业等领域,是国民经济中最重要的有色金属。作为全球第一大精铜消费国,中国对精铜的需求量占到全球总需求的43%,但由于国内精铜产量有限,中国约有三成的精铜需求依赖净进口来满足。而铜价本身是铜工业属性及金融属性的综合表现,受到供需基本面、全球经济情况、货币政策等诸多因素影响,因此铜价往往呈现大幅波动。尤其是金融危机后铜的金融属性进一步提升,价格波动加剧。与此同时,铜企的经营业绩极易受铜价波动影响,尽管我国推出了沪铜期货,为国内铜企套期保值提供了途径,但由于铜价波动较大,很多企业套期保值效果不佳。故预测沪铜期货价格变动,并在此基础上制定套期保值策略现实意义重大。论文分析了铜的全球供需基本面情况,运用ARIMA、GM(1,1)、BP神经网络3个单一预测模型对沪铜价格进行预测,并在单一模型预测的基础上,建立了基于最优权重的线性组合模型和基于BP神经网络的非线性组合模型这2种组合预测模型。考虑到模型对不同数据的适用性不同,文章针对趋势行情、反转行情、震荡行情3类市场行情及长期、中期、短期3种时间跨度共计9(3*3)种情况分别进行价格预测,来检测组合预测模型的适用性,从而得到合适的沪铜价格预测模型。论文研究得到以下结论：最优权重的线性组合预测模型、基于BP神经网络的非线性组合预测模型这2种组合预测模型在9种情形下,必有一种组合预测模型能得到最优预测结果,即组合预测模型较单一预测模型有着更佳的预测效果；两种组合预测模型中,基于BP神经网络的非线性组合预测模型有着更广的适用性,在检验的9种情形中有7次能达到最优预测结果,且预测值的平均误差均小于1%(除长期反转)。以中期趋势行情为例,基于BP神经网络的非线性组合模型对6个未来值的预测相对误差范围为[0.13%,1.31%],最大单一误差1.31%,累计误差4.26%,较ARIMA、GM(1,1)、BP神经网络3个单一预测模型模型及最优权重的线性组合预测模型均有着更高的预测精度；组合预测方法适用性良好,可适用于除长时间跨度反转外的其他8种情形。基于上述研究,文章给出了合适的沪铜价格预测模型——即基于ARIMA、GM(1,1)、BP神经网络3个单一预测模型的最优权重线性组合模型或基于BP神经网络的非线性组合模型,该模型能较为准确地预测沪铜期货价格。在价格预测的基础上,通过进一步调整套保比例、基于基差预测调整期货市场操作等方式对传统套期保值策略进行改进,以此在规避风险的同时增加企业利润,实现策略优化。
【关键词】：沪铜价格预测 单一预测模型 组合预测模型 套期保值策略
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F724.5;F764.2
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-12
• 1 绪论12-17
• 1.1 研究背景12-14
• 1.2 研究意义14
• 1.3 研究思路14-16
• 1.4 可能的创新点16-17
• 2 国内外研究评述17-26
• 2.1 套期保值研究进展17-18
• 2.2 沪铜期货价格影响因素研究进展18-20
• 2.3 价格预测研究进展20-22
• 2.3.1 线性时间序列预测20-21
• 2.3.2 非线性时间序列预测21-22
• 2.4 组合预测模型研究进展22-25
• 2.4.1 单项预测模型的筛选22-23
• 2.4.2 单项模型连接方式的选择23-24
• 2.4.3 单项模型权重的确定24-25
• 2.5 小结25-26
• 3 铜产业供需分析26-39
• 3.1 铜价与供需26-27
• 3.2 全球铜供给分析27-33
• 3.2.1 铜矿供给28-31
• 3.2.2 铜冶炼供给31-33
• 3.3 全球铜需求分析33-35
• 3.4 全球铜库存分析35-36
• 3.5 中国铜供需分析36-38
• 3.6 小结38-39
• 4 基于单项模型的铜期贷价格预测39-58
• 4.1 ARIMA模型实证39-45
• 4.1.1 ARIMA模型概述39-40
• 4.1.2 模型步骤40-41
• 4.1.3 ARIMA建模及预测41-45
• 4.2 灰色预期模型实证45-51
• 4.2.1 灰色预期模型概述45
• 4.2.2 模型原理45-46
• 4.2.3 GM(1,1)模型建模及预测46-51
• 4.3 BP神经网络模型实证51-58
• 4.3.1 BP神经网络模型概述51-52
• 4.3.2 模型原理52-53
• 4.3.3 BP神经网络建模及预测53-58
• 5 铜期贷价格预测模型的优化58-68
• 5.1 组合预测模型原理58-59
• 5.2 最优权重线性组合预测模型构建59-62
• 5.3 最优权重线性组合预测模型预测62-64
• 5.4 基于BP的非线性组合预测模型预测64-68
• 6 铜期货价格预测模型的适用性检测68-75
• 6.1 分类数据选取68-72
• 6.2 模型适用性检验72-73
• 6.3 适用性检验结论73-75
• 7 基于铜期贷价格预测的套期保值策略研究75-87
• 7.1 套期保值方案构建的一般步骤76-78
• 7.2 基于沪铜价格预测的套期保值案例78-87
• 7.2.1 公司概况78-79
• 7.2.2 套期保值方案79-87
• 8 结论87-89
• 参考文献89-97
• 附录97-159
• 附录一 模型原数据97-107
• 附录二 MATLAB源代码107-118
• 附录三 模型适用性检验原数据及结果118-159

【参考文献】

中国期刊全文数据库 前10条

1 郑丰;崔积钰;马志伟;;沪铜期货市场波动聚集现象研究[J];技术经济与管理研究;2013年09期

2 周伟;何建敏;余德建;;不同趋势下沪铜场内外风险传染实证——基于整体传染与时变传染的分析[J];管理工程学报;2013年02期

3 胡东滨;张展英;;基于DCC-GARCH模型的金属期货市场与外汇、货币市场的动态相关性研究[J];数理统计与管理;2012年05期

4 王唯贤;陈利军;;股票价格预测的建模与仿真研究[J];计算机仿真;2012年01期

5 祝合良;许贵阳;;我国黄金期货市场套期保值功能的实证研究[J];财贸经济;2012年01期

6 王辉;谢幽篁;;中国商品期货动态套期保值研究:基于修正ADCC和DADCC-GARCH模型的分析[J];世界经济;2011年12期

7 许兴军;颜钢锋;;基于BP神经网络的股价趋势分析[J];浙江金融;2011年11期

8 侯丽敏;马国峰;;基于灰色线性回归组合模型铁路客运量预测[J];计算机仿真;2011年07期

9 黄召杰;陈伟;;组合预测方法在我国铁路客流预测中的应用[J];交通科技与经济;2011年04期

10 胡龙;胡太军;;基于VECM-GARCH模型的沪铜指数与上证指数的联动分析[J];金融与经济;2011年06期

中国硕士学位论文全文数据库 前10条

1 任治国;基于GM（1，，1）动态等维残差修正-BP神经网络组合预测模型[D];湖南大学;2015年

2 崔积钰;沪铜期货市场分形特征研究[D];北方工业大学;2014年

3 王春岚;基于R/S分析法的沪铜期货市场长记忆性特征研究[D];东北师范大学;2014年

4 张蓉;企业套期保值风险管理研究[D];厦门大学;2014年

5 王宁;铜期货市场有效性的实证研究[D];首都经济贸易大学;2014年

6 金枝;基于CoVaR方法的沪铜和伦铜期货市场的风险溢出效应研究[D];浙江财经大学;2014年

7 雷小艳;期货市场沪铜价格与伦铜价格的动态关系研究[D];暨南大学;2013年

8 刘永高;沪铜收益率波动性及影响因素实证研究[D];江西财经大学;2013年

9 郭勇;基于动态Copula-TGARCH模型的沪铜期货套期保值研究[D];湖南大学;2013年

10 李琼鹤;“中国因素”对国际铜价波动的影响及实证检验[D];中南大学;2012年

  本文关键词：铜期货价格预测模型优化及套期保值策略研究，由笔耕文化传播整理发布。

本文编号：453542