文摘

从宏观的角度来看,农产品期货指数可以反映宏观经济的趋势,也可以有一个预警作用可能的危机和政府的经济预测提供参考和宏观控制。因此,有必要加强早期预警和预测研究农产品期货价格。对期货价格的预测,有两种常见的模型:一个是传统的经典的时间序列模型,另一种是人工智能的浪潮下的神经网络模型。本文选择农业期货指数的1976年收盘数据从1月10日,2012年2月27日,2020年,并利用时间序列差分自回归综合移动平均模型(ARIMA模型)和长期短期记忆模型(LSTM模型)来研究这个工作,分别比较了两种模型的预测效果在某些指标。基于两种模型的预测结果,建立一个简单的交易策略、交易的影响两个模型进行了比较。结果表明,LSTM模型ARIMA时间序列模型具有明显的优势农产品期货市场的价格指数的预测。

1。介绍

在发达国家,商品期货指数已经运行了几十年,已成为一个重要的风向标,以反映金融市场的趋势。然而,与商品期货市场相比,作为金融市场的重要参与者,比股票和商品期货更少关注并不能反映他们的立场在国民经济和社会运行1]。商品期货的一部分,农业期货得到的关注更少,所以农业期货价格预测的研究将为现有的学术研究提供一些参考2]。农产品价格上涨会增加消费支出,这可能会导致通货膨胀。在消费者价格指数(CPI)的组成,食品价格的重量约占1/3。最新数据显示,居民消费价格指数(CPI)将在2019年上升2.9%,这是自2012年以来的最高增速。其中,食品影响CPI上涨3.82%,已成为影响CPI上涨的主要因素。食品行业最重要的原材料是农产品。因此,农产品价格的变化的影响在CPI是巨大的3]。研究表明,农产品期货价格指数可以反映CPI的实时趋势提前3 - 6个月。从宏观层面,因此,农产品期货价格指数可以反映宏观经济趋势,还可以有一个可能的危机预警效果,并可以为政府的经济预测提供参考和宏观调控4]。

此外,一个各种各样的农业期货不能反映总体的变化市场的供求关系,农产品期货价格指数可以克服这个限制,因为它涵盖了主要农产品期货品种(5]。从微观层面上,对于投资者来说,农产品期货价格指数可以反映农业期货市场的总体趋势,帮助投资者把握市场趋势更及时,调整投资的比例,并为投资者进行套利交易提供参考的具体品种,以利润最大化(6]。

本文分为五个部分:第一部分是这项工作的背景;第二部分是相关工作;主要分析了目前研究的ARIMA模型和LSTM模型及其应用在农业期货市场;第三部分是施工过程的改进LSTM模型;它主要介绍了模型基于RNN模型;第四部分是比较实验,比较LSTM和ARIMA模型的预测效果郑州商品期货的价格指数系列和大连商品。第五部分总结这项工作和提出了一些发现。

ARIMA模型是最常见的一种统计模型对时间序列预测,已在各领域的应用(7]。例如,张等人使用和遗忘因子最小二乘参数估计和预测风暴预测算法。通过大量的实验,结果发现,减少遗忘因子可以提高一步预测的性能8]。汉等人利用ARIMA方法建立电价预测和误差预测模型。此外,他们还收集了电力市场的历史数据,建立了基于ARIMA每日平均电价预测模型。这些模型的预测结果表明,与传统的电价预测方法相比,ARIMA模型方法简单明了,大大提高了预测的准确性(9]。王等人每月1986∼2002年发病率数据收集和使用SPSS软件预测法定传染病的发病率ARIMA模型。2003年的发病率是所建立的模型,预测和预报值与实际值。ARIMA模型可以模拟的结论是传染病的发病率趋势的时间序列,可以预测发生率以更精确的方式,提供一个参考传染病的预防和控制10]。姚等人分析了深圳的GDP从1979年到2006年,建立了ARIMA(1、2、2)模型。通过模型的测试,发现该模型能更好地预测深圳的GDP,这可以提供决策参考,当深圳集经济未来发展目标11]。Tafti等人收集了从1973年1月至2010年11月黄金价格数据,并建立了ARIMA模型在此基础上;模型效果好(12]。自从LSTM的外观模型,许多人应用这个模型。拉梅什等人建立了LSTM模型。与其他原始模型相比,LSTM模型取得了最好的水平标准评估迄今为止,这充分体现了强大的能力LSTM采矿语义信息的文本序列(13]。李等人基于LSTM网络模型提出了一种改进的方法基于当前主流的分词方法的缺点。LSTM-based方法可以实现更好的结果。LSTM培训时间,GPU可以大大缩短训练时间。除了分词,LSTM方法还可以扩展到其他自然语言职能(14]。Parwez等人构建LSTM模型来适应和预测电力负荷时间序列(15]。省级电力公司的电力负荷数据收集,和LSTM模型用于模拟。结果证明LSTM可以预测电力负荷在短时间内的变化。胡等人的三种神经网络BP相比,RNN, LSTM,是否可以使用三种模式,分析和比较三种模型的准确性(16]。根据理论研究和实证分析,发现,在三种模式,LSTM神经网络模型可以学习现有的股票市场数据,发现数据之间的联系,并使用其独特的选择性记忆函数挖掘的内部法律股票价格,使一个更好的短期预测(17]。然而,在研究农产品,LSTM模型是很少使用。Hassib等人获得大量的价格,天气,和其他相关数据从多个农业信息平台。根据农产品价格的独特特点,长期记忆网络>卷积关注网络>注意机制相结合,和神经网络模型集成双注意力机制和建立长期和短期记忆网络(18]。它使用CNN模型提取的特征影响因素不同的组件,调整权重,然后送到LSTM模型的时间序列,然后发送结果的影响注意力机制来调整权重,用最后的结果来预测农产品价格指数(19]。结果表明,该模型在预测精度优于传统模式。同样,LSTM很少用于期货价格预测模型。Talasila等人建立了黑色金属期货市场的套利策略模型通过使用LSTM模型和协整检验方法(20.]。本文收集了螺纹钢期货在上海期货交易所上市,在大连商品交易所上市的焦炭期货和铁矿石期货和使实证研究通过使用黑色金属期货市场的套利策略模型(21]。通过比较LSTM模型、BP神经网络和卷积神经网络,发现LSTM-based模型是最有效的22]。河中的小岛Hammou等人选择了高频数据的主要大宗商品期货市场合约钢筋品种从4月到2017年7月建立LSTM预测模型。实证分析和试验结果表明,LSTM预测模型能更好地预测钢筋品种期货的短期上升和下降趋势,表明适用于高频期货数据(23]。作为一种相对成熟的时间序列模型、ARIMA模型有非常广泛的应用在经济和金融领域,但它相对较少用于农业期货价格预测。因此,本文可以探索的应用ARIMA模型在农业期货市场(24]。作为一个改善RNN模型、LSTM模型第一次被提出(25]。虽然提出了早期,随着计算机的发展和更新算法,它并没有被广泛开发直到现在。它属于一个相对较新的模型,很少人使用它在农产品期货价格的预测甚至在期货价格预测。本文还可以提供探索性帮助LSTM模型的广泛应用26- - - - - -32]。

2.1。改善LSTM模型(1)模型结构

下面的图显示了LSTM模型的主体结构。在本文中,我们将简化网络结构右边的图,这样我们就可以按时间顺序描述,推动LSTM和可视化,如图1。


图1
LSTM展开结构。
2.2。模型计算过程

一般来说,LSTM模型的学习过程可以归纳为三个步骤:(一)它向前传播,更新每个节点生成的输出值(b)在反向传播,逐渐累积残余传播(c)每个重量计算的梯度,梯度减少,每个节点的重量是纠正

接下来,我们将推导出正向传播和反向传播公式(1)(3),向前传播计算按时间顺序:

在上面的公式中,信 方法收集计算的价值。的上标 表明该参数值来自节点 当时,信 节点之间的连接参数,特定的节点是由下标; 是激活函数,信 方法计算出的值激活函数。

第三个公式权重上的激活函数的结果第二个公式得到的结果输出层。这也证实了我们之前的结论:这是一个隐藏在LSTM层。反向传播的原则逐步转移的过程积累了残差从最后一次指向正确的权重,如下所示三个公式:

表单中的两项指的是收到剩余工资。上述公式的意义是获得的剩余价值两个求和梯度下降然后纠正每个节点的重量。

2.3。改善LSTM模型建设

在改善LSTM模型中,self-cycling隐藏节点的设计。通过这种方式,一个错误流将保存在存储单元,这样的信息可以记住很长一段时间,和消失或爆炸的梯度可以有效地避免。

具体来说,LSTM模型的特点是“门的设计。“每个节点包含一个隐藏信息存储单元,每个存储单元都包含有三门(逻辑单元):输入,输出,和忘记。这三个门有不同的功能。输入和输出登机口是用来控制信息的接收和输出,忘记门是用来控制存储单元中的信息的选择性遗忘。函数的参数的输入,输出,和忘记门只是设置重量在存储单元之间的连接和其他单位和不会被其他神经单元的输入。类似RNN模型,三个门的重量对应每个存储单元学习和训练过程中生成的。

2.4。改善LSTM模型计算过程

为改善LSTM模型,它由忘记门控制, 是时间和 是单位数。这里我们选择CC函数,它可以保持体重在0和1之间,如以下公式所示: 在哪里 代表偏移量体重, 代表输入重量, 代表了周期忘记门的重量, 代表当前的输入向量, 代表当前隐层向量。

LSTM模型中,以下列方式更新,包括自身环重量的一个条件;也就是说, 在哪里 是偏见的重量, 输入的重量, 是周期忘记门的重量。 外部输入门装置,类似于忘记门的更新方法。函数表达式是一样的,除了它有自己的参数:

当 单位作为门控制,每个单元的输出矿石LSTM模型也可以通过输出门关闭 ;也就是说, 在哪里 是抵消的重量, 输入的重量, 是周期忘记门的重量。

2.5。比较步骤之间LSTM, ARIMA算法

其中,对于ARIMA时间序列模型,本文将使用汽车ARIMA预测包R语言的功能。对于LSTM模型,本文将使用Python语言Keras图书馆构建LSTM进行训练。

首先,我们将价格指数系列分为第一70%训练集和最后30%测试集。

引入ARIMA模型训练集。的数学表达式 模型如下:

的数学表达式 模型如下:

模型的公式如下所示: 在哪里 表示不同的时间和其他系数具有相同的含义 和 。

不难看到,如果 = 0, 模型是 模型;如果 = 0, 模型是 模型。

接下来,我们将介绍LSTM模型的训练和测试过程如下:一阶差分是一种常见的技巧处理时间序列数据,和差异后的时间序列转化为(x,y)数据对。数据一对分为训练数据和测试数据对一个接一个。标准化的独立变量X的双训练数据和测试数据对(−1,1)间隔是一种常见的规范化操作,这有利于LSTM培训。

构建LSTM模型和训练它。“滚动预测”的测试集进行获得“不同”的估计价值序列。根据y值,测试序列的估计价值。如果你选择的hyperparameters LSTM模型,你可以把第一个70%的训练集和验证集上述过程得到的结果。

3所示。结果与讨论

3.1。数据采集和处理

价格指数的趋势预测是研究广泛应用于股票市场。然而,我们也可以关注期货市场。作为交易市场较高的风险比股票市场,期货市场也担心许多专业投资者。CAFI农业期货指数的监控中心。对于每一个期货市场,期货价格指数的时间序列数据包括6个属性。在接下来的实证分析,我们选择“收盘价”作为时间序列的特点,用ARIMA时间序列模型和LSTM预测下一个交易日的收盘价。改善LSTM模型需要监督数据的训练,即成对“自变量和因变量的数据。”因此,对于一个时间序列的数据,需要将其转换为监督数据。例如,如果一个特定的时间系列的被视为因变量估计,然后过去观察将被视为独立的预测变量。首先,二维系数矩阵 和 的 是随机生成的。然后 生成随机;适当的 和 值被选中。在这里我们设置 和 。

对于每个周期从1到党卫军,根据以下公式:

图2显示了原始数据的改善LSTM模型和训练后的变化过程。


图2
草图和培训过程变化的数据。

红线、绿线和蓝线都是VAR模型;绿线与4滞后估计模型,红线是估计模型与3落后,蓝线与2滞后估计模型,和黄线是LSTM增强模型。从图可以看出,训练VAR模型训练过程中损失大于新模型,和波动幅度也更大。在新模型的训练时间,训练几乎停滞,减少损失,但这主要是由于培训的新模式。初始水平很低,更大的下降需要更多的培训;和培训损失在整个培训过程中波动小,表明新模型不仅性能更好,也更健壮。经过几轮的训练,作者发现培训损失变化每次训练后画上面的特征。

训练模型在测试集上的性能更重要。为了测量性能的新模型和三个控制模型在测试集上,重复以上数据和培训5000名轮仿真模型(模拟数据再生在每一轮,和培训开始随机生成的参数),在每一轮培训。完成后,测试模型在这一轮测试集生成的。从这个,测试损失5000组模型在测试集上可以获得的。轮的测试损失2位小数的分布测试每个模型在测试集上的损失。分布如图3。


图3
培训损失的分布。
3.2。评价指标和预测方法

使用均方根误差来衡量预测模型的有效性。计算公式如下(33- - - - - -39]:

在时间序列预测的场景,当我们使用已知时间序列训练时间序列预测模型,随着时间的前进,当前时间远离已知时间序列越来越远,和时间序列预测的准确性将会越来越低。因此,我们使用“模型验证”方法预测;也就是说,当一个新的观察获得每一次,新的观察输入更新的时间序列预测模型,称之为“滚动预测。“在本文的实证分析,我们首先使用第一个70%的数据系列培训,然后做上面的“滚动预测“过去30%的指数系列。固定模型超参数的前提下,我们用新的观测更新时间序列预测模型在每一个时间,然后下次预测的价值。

3.3。比较实验ARIMA时间序列模型和改进LSTM模型之间

本文的实证分析进行的比较测试ARIMA时间序列模型和LSTM和比较这两种方法的预测效果六期货价格指数系列。LSTM模型的实验结果如下图所示,蓝色实线在哪里测试的实际观测值序列。红色的虚线行LSTM模型的预测价值:ARIMA和LSTM预测模型的实验结果如图4来7,蓝色实线是真正的测试序列的观测值,和红色的虚线线是ARIMA时间序列的预测价值。


图4
比较ARIMA模型的预测价值和实际价值的大连商品指数。

图5
比较ARIMA模型的预测价值和实际价值的郑州商品指数。

图6
大连比较商品价格指数预测的改进LSTM模型与实际价值。

图7
比较郑州商品价格指数预测的改进LSTM模型与实际价值。

可以看出大连商品指数的波动预测的ARIMA模型基本上是一样的真正的价值。与真正的价值相比,波动的预测价值的延迟3 - 4天。大连商品指数的峰值出现在10月31日,2019年,最低点出现在12月20日,2019年,波动很强烈。峰值和预测值的最低点出现4天后比真正的价值。

ARIMA的郑州商品指数的预测价值比实际价值。3 - 4天后郑州商品指数的最高点出现在1月2日,2019年。2019年1月2日之前,商品指数显示了一个逐渐上升的趋势,而且,在1月2日,2019年,商品指数显示了逐步下降的趋势。

LSTM大连商品指数的波动基本上是一样的真正的价值,但总体趋势是低。大连商品指数呈现剧烈波动的特点,与1月2日最高点和最低点12月20日,2020年2019年。与真正的价值相比,得到的预测值LSTM推迟了4天,和商品指数低于最高点和最低点。

ARIMA时间序列模型的预测结果和LSTM模型六期货价格指数系列总结在表1。

表1
商品市场指数两个模型的预测结果。

从表中可以发现改进LSTM模型ARIMA时间序列模型具有明显的优势。

4所示。结论

因为粮食价格有较大的波动在过去的两年里,大多数的农民受到了影响。对于投资者来说,可以获得更大的利润合理匹配期货的品种和数量。在欧洲和美国和其他发达国家,商品期货指数已经运行了几十年,已成为一个重要的风向标,以反映金融市场的趋势。然而,与商品期货市场相比,作为金融市场的重要参与者,比股票和商品期货更少关注并不能反映他们的立场在国民经济和社会的操作。作为商品期货的一部分,农业期货得到的关注更少,所以农业期货价格预测的研究将为现有的学术研究提供一些参考。因此,有必要加强早期预警和预测研究农产品期货价格。本文选择农业期货指数的1976天关闭数据从1月10日,2012年2月27日,2020年,并利用ARIMA模型和LSTM模型建立模型,分别。通过比较两个模型的均方根误差,本文比较了两种模型的预测效果。与ARIMA时间序列模型相比,改进的LSTM模型具有明显的优势。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由研究assessment-accountability联动机制,地方政府生态文明下的性能的背景环境的检查一般项目(国家社会科学基金项目,没有。18 bgl207)。