基于场景叠加与支持向量机的期货指数预测
发布时间：2021-12-02 14:47
随着我国经济的发展壮大,对原材料的需求越来越大。期货市场作为金融市场的-重要组成部分,交易着各种原材料期货,且期货市场有着规避风险、价格发现、资产配置的功能。因此研究期货市场的价格变化趋势对于企业稳健发展有着重要作用。期货价格时间序列数据是期货市场上经过一定时间进行交易所形成的历史交易数据,由多重因素综合作用形成的,是过去一段时间期货市场运动特征的外在表现,本文选择期货指数时间序列预测作为研究问题。铜作为交易活跃的期货品种,因此本文以上海期货交易所的沪铜指数为研究对象,提取了该期货从2000年到2017年总共17年的历史收盘价交易数据,并在此数据上进行实证研究,进行全时域的预测,以追求更高的收益率为目标。本文基于场景叠加思路建立组合模型对期货指数进行预测。主要完成以下工作:（1）提出场景叠加的预测方法。通过对文献的总结,时间序列的预测方法可以分为三类:传统模型预测、智能模型预测和组合模型预测。单模型在一些特定的、短期的场景下能起到良好的预测效果,组合模型预测能弥补单模型预测的缺陷,但在进行预测研究之前,常常要对时间序列进行分段处理,将不同子序列的结果综合起来。而场景叠加的方式则是通过严...
【文章来源】：东北财经大学辽宁省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１－１所示：??金融时间序列数据
ｐ?＝?ｐ（２?－?Ｘｊ＋ｉ／ｘｊ）?（３－４）??ｊ点为上一次做多或做空交易点。??（４）根据步骤３得到的总收益率，计算年化收益率。??（５）更改参数，重复步骤２、３、４，保存所有数据（用于第７步的最终优选），??同时选择当前模型中的最优参数，并将该参数的模型得到的极大极小值拐点保存，选??择作为下一级模型的样本点。??（６）分别计算其他模型，并重复步骤２、３、４、５??（７）模型比较并优选合适的拟合模型。??３．２模型处理??３．２．１移动平均模型??对移动平均模型设置不同的长度，如下图所示，当长度分别设置为５天平均、１０??天平均、１５天平均、２０天平均和２５天平均时的拟合曲线和原始数据的曲线对比，如??图３－１所示，对比的数据是从２００９年的１月到２００９年的５月，总共４个月的时间。??
??应的收益率曲线如下图３－３所示：??：＝??＾?５１?＊?－?？Ｄ〇ｃ??２ＤＨ－０２?ＸＩ０－０７?２Ｃ／Ｃ－１＿?Ｚ＇ｌ－Ｃ２?Ｘ＇１－Ｃ７?２ＣＨ－ｌｔ?ｉ＃２－Ｃ３?２０?＾／－Ｃ：?２Ｔ２－＇??图３－３均线收益率随金融时间序列变化曲线??从上图３－３可以看出，若是采用原始序列数据曲线做交易，其盈利效果是不如其??他拟合曲线效果的，而且，从图中可以得出，当移动平均模型长度为５时，效果是最??好的，当长度为１０时，效果次之，而长度为１５时，则效果最差。本文研宄的是全时??域状态，单独一年的效果并不影响整个模型的评判，按照之前的方法，在己有数据的??情况下，统计移动平均模型在不同长度时，根据收益率计算算法计算收益率，计算结??果如下表３－２所示：??表３－２??不同移动平均长度时的收益率情况????移动平均模型长度?年
【参考文献】：
期刊论文
[1]基于粒子群算法优化BP神经网络的产品质量预测分析[J]. 王超英,钟辉. 计算技术与自动化. 2017(03)
[2]基于支持向量机算法的股市拐点预测分析[J]. 李海燕. 郑州大学学报(哲学社会科学版). 2015(01)
[3]沪铜期货套期保值有效性实证研究[J]. 汤浩. 科技广场. 2014(11)
[4]基于组合预测模型的股票价格趋势预测[J]. 郑献卫,张贺. 工业控制计算机. 2014(06)
[5]基于混合模型的原油价格混沌预测方法[J]. 张金良,谭忠富. 运筹与管理. 2013(05)
[6]基于SVR的非线性时间序列预测方法应用综述[J]. 陈荣,梁昌勇,谢福伟. 合肥工业大学学报(自然科学版). 2013(03)
[7]基于特征点分段的多元时间序列相似性搜索[J]. 王燕,马倩倩,韩萌. 计算机工程与应用. 2012(33)
[8]基于特征提取的金融时间序列形态挖掘[J]. 陈静,张川,徐成贤. 统计与信息论坛. 2010(06)
[9]时间序列的非线性趋势预测及应用综述[J]. 王婷婷,钱晓东. 计算机工程与设计. 2010(07)
[10]基于ARIMA模型的我国石油价格预测分析[J]. 肖龙阶,仲伟俊. 南京航空航天大学学报(社会科学版). 2009(04)
博士论文
[1]数据驱动的金融时间序列预测模型研究[D]. 张贵生.山西大学 2016
[2]时间序列数据挖掘中的特征表示与相似性度量方法研究[D]. 李海林.大连理工大学 2012
[3]金融时间序列模式挖掘方法的研究[D]. 吴学雁.华南理工大学 2010
本文编号：3528656
【文章来源】：东北财经大学辽宁省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１－１所示：??金融时间序列数据
ｐ?＝?ｐ（２?－?Ｘｊ＋ｉ／ｘｊ）?（３－４）??ｊ点为上一次做多或做空交易点。??（４）根据步骤３得到的总收益率，计算年化收益率。??（５）更改参数，重复步骤２、３、４，保存所有数据（用于第７步的最终优选），??同时选择当前模型中的最优参数，并将该参数的模型得到的极大极小值拐点保存，选??择作为下一级模型的样本点。??（６）分别计算其他模型，并重复步骤２、３、４、５??（７）模型比较并优选合适的拟合模型。??３．２模型处理??３．２．１移动平均模型??对移动平均模型设置不同的长度，如下图所示，当长度分别设置为５天平均、１０??天平均、１５天平均、２０天平均和２５天平均时的拟合曲线和原始数据的曲线对比，如??图３－１所示，对比的数据是从２００９年的１月到２００９年的５月，总共４个月的时间。??
??应的收益率曲线如下图３－３所示：??：＝??＾?５１?＊?－?？Ｄ〇ｃ??２ＤＨ－０２?ＸＩ０－０７?２Ｃ／Ｃ－１＿?Ｚ＇ｌ－Ｃ２?Ｘ＇１－Ｃ７?２ＣＨ－ｌｔ?ｉ＃２－Ｃ３?２０?＾／－Ｃ：?２Ｔ２－＇??图３－３均线收益率随金融时间序列变化曲线??从上图３－３可以看出，若是采用原始序列数据曲线做交易，其盈利效果是不如其??他拟合曲线效果的，而且，从图中可以得出，当移动平均模型长度为５时，效果是最??好的，当长度为１０时，效果次之，而长度为１５时，则效果最差。本文研宄的是全时??域状态，单独一年的效果并不影响整个模型的评判，按照之前的方法，在己有数据的??情况下，统计移动平均模型在不同长度时，根据收益率计算算法计算收益率，计算结??果如下表３－２所示：??表３－２??不同移动平均长度时的收益率情况????移动平均模型长度?年
【参考文献】：
期刊论文
[1]基于粒子群算法优化BP神经网络的产品质量预测分析[J]. 王超英,钟辉. 计算技术与自动化. 2017(03)
[2]基于支持向量机算法的股市拐点预测分析[J]. 李海燕. 郑州大学学报(哲学社会科学版). 2015(01)
[3]沪铜期货套期保值有效性实证研究[J]. 汤浩. 科技广场. 2014(11)
[4]基于组合预测模型的股票价格趋势预测[J]. 郑献卫,张贺. 工业控制计算机. 2014(06)
[5]基于混合模型的原油价格混沌预测方法[J]. 张金良,谭忠富. 运筹与管理. 2013(05)
[6]基于SVR的非线性时间序列预测方法应用综述[J]. 陈荣,梁昌勇,谢福伟. 合肥工业大学学报(自然科学版). 2013(03)
[7]基于特征点分段的多元时间序列相似性搜索[J]. 王燕,马倩倩,韩萌. 计算机工程与应用. 2012(33)
[8]基于特征提取的金融时间序列形态挖掘[J]. 陈静,张川,徐成贤. 统计与信息论坛. 2010(06)
[9]时间序列的非线性趋势预测及应用综述[J]. 王婷婷,钱晓东. 计算机工程与设计. 2010(07)
[10]基于ARIMA模型的我国石油价格预测分析[J]. 肖龙阶,仲伟俊. 南京航空航天大学学报(社会科学版). 2009(04)
博士论文
[1]数据驱动的金融时间序列预测模型研究[D]. 张贵生.山西大学 2016
[2]时间序列数据挖掘中的特征表示与相似性度量方法研究[D]. 李海林.大连理工大学 2012
[3]金融时间序列模式挖掘方法的研究[D]. 吴学雁.华南理工大学 2010
本文编号：3528656
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3528656.html
