我國黃金期貨市場與其他金融要素市場互補協(xié)調(diào),是我國金融市場體系的重要組成部分。黃金期貨成交量大、流動性強,且黃金期貨產(chǎn)業(yè)鏈長、價格影響因素眾多,價格波動性較強,其價格預測也是研究熱點。黃金期貨價格組成的金融時間序列受到各方面因素的影響,使其具有混沌性,難以預測。根據(jù)混沌理論,一個非常復雜的經(jīng)濟時間序列的行為,看似隨機的,可以用一個確定性的非線性系統(tǒng)來解釋。本文采用2017年1月3日-2019年11月29日5min的連續(xù)黃金期貨數(shù)據(jù),對數(shù)據(jù)用小波分析進行噪聲平滑,并提出三種預測方案,第一種是以傳統(tǒng)線性ARIMA模型做普通的線性預測;第二種是基于黃金期貨價格時間序列所具有的非線性,用RBF神經(jīng)網(wǎng)絡進行預測;第三種是在數(shù)據(jù)具有非線性的基礎上,檢驗其是否具有混沌特征就必須對黃金時間價格序列進行相空間重構,然后基于非線性混沌的性質(zhì)用RBF神經(jīng)網(wǎng)絡進行預測。實證結果表明,黃金期貨價格的波動非常復雜,傳統(tǒng)的線性結構模型在預測復雜的像黃金期貨價格時間序列不是很有效;非線性時間序列模型在預測黃金期貨價格方面有一定成果,但是仍有改進空間;黃金期貨價格遵循一個復雜的非線性動態(tài)過程,在最佳嵌入維數(shù)8)為47時... 

【文章來源】：上海師范大學上海市

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

RBF神經(jīng)網(wǎng)絡結構

黃金期貨高頻交易價格預測的問題描述與新預測方案構思上海師范大學碩士學位論文31圖3混沌-RBF神經(jīng)網(wǎng)絡結構圖1、輸入層的確定混沌神經(jīng)網(wǎng)絡的輸入層神經(jīng)元數(shù)由最佳嵌入維數(shù)決定，各神經(jīng)元的輸入為重構相空間中的時序向量={,+,…,+(1)},=1,…,,=(1)，輸入層神經(jīng)元僅僅把輸入信號傳遞到隱層，權值取1。2、隱含層的確定隱層神經(jīng)元數(shù)由網(wǎng)絡訓練次數(shù)決定，即每進行一次RBF神經(jīng)網(wǎng)絡訓練就會增加一個隱層神經(jīng)元。各神經(jīng)元的輸出由徑向基作用函數(shù)決定，這里采用高斯核函數(shù)：=exp[()()22]=1,2,…,(3-26)其中，為第個隱層神經(jīng)元的輸出，為樣本輸入，為第個隱層神經(jīng)元的高斯函數(shù)的中心值，是第個隱層神經(jīng)元高斯函數(shù)的寬度，是隱層神經(jīng)元數(shù)。3、輸出層的確定網(wǎng)絡的輸出值為隱層神經(jīng)元輸出的線性組合，即：=∑==1(3-27)其中，=(1,2,…,)為隱層到輸出層的權值，=(1,2,…,)為隱層輸出值，θ為門限值。4、混沌-RBF神經(jīng)網(wǎng)絡的預測

黃金期貨高頻交易價格預測方案設計上海師范大學碩士學位論文354.1.3噪聲平滑處理金融時間序列中會存在很多噪音，噪音會影響模型的預測。尤其是高頻數(shù)據(jù)中的噪音更多，我們在做預測前應該對金融時間序列進行降噪處理，去除掉多余的噪音，保留原金融時間序列的主趨勢。高頻數(shù)據(jù)的降噪方法有很多，比如傳統(tǒng)的降噪方式有線性的，主要通過最小方差濾波的方式，但是線性降噪的去噪能力較弱，效果較差。在非線性金融時間序列中，比較常用的是小波分析。本文的數(shù)據(jù)選用的是5min黃金期貨，屬于高頻數(shù)據(jù)，因此選用小波變換中的模極大值法進行降噪，因為模極大值法在降噪過程中信號會表現(xiàn)出不同的變化狀態(tài)。在用小波分析進行降噪中，經(jīng)過多尺度分解的信號會分為高頻部分和低頻部分。信號是低頻部分的重要構成，低頻部分對應了高層分解的小波系數(shù)，它包含了金融時間序列自身變化所引起的波動；而高頻部分則是金融時間序列中因為突發(fā)情況而造成的隨機波動。因此，在用小波分析進行降噪中，小波的分解層數(shù)越多，低頻部分被去掉的也就越多，同時也去掉了大量的信號，去噪效果能力較強。但是，并不是小波分解的層數(shù)越多越好，過多則會過濾掉一些有用的信號，預測結果也不夠準確。本文以5min黃金期貨時間序列為數(shù)據(jù)，小波基函數(shù)選取Haar，因為Haar小波基可以自動實現(xiàn)信號分析要求，細分高頻部分和低頻部分，小波分解的層數(shù)先選擇了五層，但是過濾掉了太多有用信息，分解層數(shù)為二的噪聲保留的過多，最后選定了三層的分解層數(shù)，閾值的確定按照rigorsure方式去噪，在matlab2019a中進行析。分解結果如下圖所示。圖5黃金期貨時間序列小波分解分層1

【參考文獻】：
期刊論文
[1]國內(nèi)外金屬期貨市場間的動態(tài)聯(lián)動以及多尺度特征研究——基于時頻視角分析[J]. 董洋,李潔,楊莉.  昆明理工大學學報(自然科學版). 2019(02)
[2]黃金期貨市場有效性與微觀特征關系研究[J]. 季俊偉,傅強,王慶宇.  數(shù)理統(tǒng)計與管理. 2019(03)
[3]基于小波分析的大宗商品期貨價格對我國CPI的影響研究[J]. 朱雪超.  現(xiàn)代營銷(信息版). 2019(03)
[4]中國有色金屬期貨價格發(fā)現(xiàn)效率比較——基于Johansen協(xié)整檢驗和小波相干分析法[J]. 余敏麗.  價格理論與實踐. 2018(06)
[5]紐約黃金期貨與A股黃金板塊波動溢出效應研究[J]. 潘文榮,程旭,李憶.  金融發(fā)展研究. 2018(05)
[6]基于小波變換和時間序列模型的Brent原油期貨價格預測[J]. 耿倪.  中國商論. 2018(05)
[7]中美黃金期貨價格關聯(lián)性研究——基于連續(xù)交易推出前后變化的比較分析[J]. 安鐵雷,王喜明.  價格理論與實踐. 2017(08)
[8]商品期貨高頻交易價格趨勢實證分析——以黃金期貨市場為例[J]. 胡波.  價格理論與實踐. 2018(01)
[9]國際間黃金期貨市場價格聯(lián)動關系研究——基于中國和美國、日本黃金期貨市場傳導影響的分析[J]. 王聰,劉晨.  價格理論與實踐. 2017(11)
[10]投資者情緒與黃金期貨價格動態(tài)關系研究[J]. 劉金娥,高佳輝.  價格理論與實踐. 2017(09)

博士論文
[1]滬深300股指內(nèi)在復雜性分析及預測研究[D]. 崔亞強.天津大學 2010
[2]多變量金融時間序列的非線性檢驗及重構研究[D]. 劉立霞.天津大學 2007

碩士論文
[1]混沌時序黃金期貨價格預測研究[D]. 李超.暨南大學 2018
[2]基于小波核支持向量機回歸的股指期貨價格預測[D]. 梁成.上海師范大學 2018
[3]WTI原油期貨價格波動分析[D]. 耿倪.吉林財經(jīng)大學 2018
[4]我國豆粕期貨市場混沌性研究[D]. 郭榮.西北農(nóng)林科技大學 2014
[5]基于混沌時間序列的玉米期貨價格預測研究[D]. 張鑫.東北農(nóng)業(yè)大學 2012



本文編號：3432927