在中国小麦期货价格预测:一个混合的方法

文摘

股票市场发挥金融价格冲击和套期保值的角色就在他们精通。命令式的生产市场,不能让非凡从股票市场中获利。本研究探讨中国小麦期货价格是否可以预测采用人工智能神经网络。这将增加我们的知识是否机智而将使小麦期货市场交易者,卖家,交易策略和投资者提高成本效益。我们利用传统的财务模型预测小麦期货价格和获取的样本点估计。我们另外的鲁棒性进行评估结果运用几种不同的预测技术,如人工智能与一个隐藏层和自回归移动平均(ARIMA)模型集成。此外,我们的点估计的统计意义的进一步测试是通过马里亚诺•Diebold测试。考虑随机漫步预测为基准点,我们使用一些经济指标,交易员对期货价格的期望,和滞后值的小麦期货价格预测的评价小麦期货价格。样本外的可计算的意义估计建议我们安一个隐层的预测表示最好在所有的模型被认为是在这个探索和评估在预见小麦期货回报。此外,本研究发现小麦期货价格可以预测,中国的小麦期货市场并不是生产力。

1。介绍

商品期货有了很多考虑最近的事实,他们鼓励价值启示和允许在产品现货支持下改变成本。通过描述,期货市场发挥货币的工作当他们是富有成效的。精通业务部门的主要亮点之一如下:很难从市场前景创建不规则的好处。建议,如果有证据表明运营商不是制造业前景市场的异常收益,然后加强一个声称期货市场是高效地执行它们的经济功能!

价值指标是利用政府组织就像私人运营商虽然不是以类似的方式这一事实。政府组织给牧场主估计价值,赋予她们准备虽然这使牧场主来提高他们的收入,牧场主和政府办公室在期货市场宣传工作。有趣的是,私人运营商利用推测收入价值驱动的创造,通过直接参与期货市场市场,这些价值估计解决。随后,理论家,套期保值者、商人、卖家和贸易,这些私人专家努力排水的期货市场受益。显然,只是碰碰运气,不规则的好处是商贩,那时每个人都将需要出售,和如果不寻常的好处是使购买者,那时每个人都需要购买,市场将停止存在。经过全面的考虑,市场就不会选择为其主要能力价值的启示(1,2]。

这样,市场前景必须教育有效的现实。作者在3,4揭示了市场有效性的三种类型:弱类型的生产力、半固体类型的熟练程度,和固体类型的能力。三个类的有效性是澄清关于复制的数据市场。下面的熟练程度,数据集基本上是可证实的成本。资源成本发现之前的所有数据;因此,很难使大量好处利用风险策略依赖于真实的信息。半固体的生产力包括之前所有数据除了所有开放数据反映在成本有效,例如,组织的声明或年收入数字。以这种方式,一个人不能获得大量利益依赖于数据。最后,固体结构生产力需要加入所有数据记住私有数据的成本,推断,即使敌人严重的行为(例如,内部交换)不会引发异常的好处。作者在5,6]和[7镜子]表明,期货市场有效性的半固体的类型。市场成员交流的前景市场一样基于先例成本影响因素期货市场成本。

运营商在期货市场可能分为两类依赖于他们的观点:关键的观点持有者和专业观点持有者(8]。的人解决他们的选择依赖于请求和器皿的灵活性是指持有的主要观点。评估产品的自然估计和相关值的可能性发展通过观察本土利益和灵活性,气候,政府策略,政治力量,不同的组件也喜欢全球利益和优雅。一个天才儿童将预测专家大量长时间的市场洞察力关键观点持有者。证据显示,他们在很大程度上遵循几个协议一次性和研究他们的难以置信的细节。话又说回来,人解决他们的选择根据他们的价值数据利用过去的成本应该是专业观点持有者。中介机构、工厂业主、经纪人、审查员,普通民众是专业观点持有者。

这两种方法都是有风险的。虽然前面的方法处理测量异常数据和信息升级,最后认为市场发展是不规则的,使它很难预测市场(8]。有时,它发生的预测专业学校是确切的,和大量的个人开始接受一个特定情况下注意,因为市场的涨溢其特点的价值。这使先前的运营商利用洞察市场采购奇怪的好处。

证据表明,大多数市场成员,即,交易员、成型机、哲学家,专家,和投机者,大体上表示前景市场行为,属于专业的方法,这就是我们之所以热衷于考虑小麦的期货市场成本是否可以精确的计算。此外,请注意,我们没有调查小麦现货价格的估计,因为它刚刚解决,成本是一个不错的前景预测点值(9]。

有大量的研究,分析了制品的成本,是否库存记录,贷款费用,和金钱可以预期前景。之前的考试来评估他们的结果利用计量经济学方法或生产交换货币计量(金融程序需要之前的信息是不同的结构)。写作对前景的回报是混合的一致性。一些调查发现,不能预期回报的前景,而其他人则发现,期货市场回报可以估计。

在金融市场的写作中,期货市场成本从根本上的一致性的主题已被广泛研究。在任何情况下,没有很多考试有关农村产品市场。其中一些研究,作者在10]分析了农产品期货市场和资金的一致性,发现农业,金属,和现金回报前景可以预期利用仪器周围因素,例如,保管人负责收益,价值利润收益,等等。作者在11看着一致性的器皿和货币期货市场回报利用仪器因素。他发现仪器因素有助于预测金属,股票文件,和融资成本期货,但这些乐器忽视期货来衡量农业和现金。

此外,有同样的混合观测确认对前景估计成本利用财务指标结构。作者在12)认为现金收益的源泉失败的市场前景。相反,作者在13- - - - - -15]和[16发现市场成员的受益于交换期货市场合同没有异常,和作者(17]认为受益的源泉气氛而不是市场成员的能力更好地预见到市场和推断,器皿和预算前景市场有效18,19]。

在中国,立法机关已经推进农业期货市场自1978年开始中国乡村的变化称为园艺的变化。农业企业是中国经济的一个主要区域,这次考试探讨了期货市场成本是否可以算在中国小麦市场的最终目标是发现中国小麦期货市场是否精通(16,20.,21]。建议,这将解决这个问题是否代表、经销商,审查员在中国小麦市场建立一个有益的交换技术(16),是否会帮助支持反对现货成本的变化8,22]。

作者在23)开发了一种新的基于时间序列特性和预测模型选择框架的视野。的特性被用来说明农业大宗商品价格,和三个混合模型被确定为最佳预测模型,即支持向量回归(SVR),人工神经网络(ANN)和极端学习机(ELM)。此外,作者在23应用随机森林(RF)和支持向量机(SVM)研究的主要候选人的特性和性能之间的关系模型。在这些调查中,各种各样的考试分析农村项目前景成本从根本上的一致性,和每一个调查集中在美国和几乎任何其他期货市场。所有的考试分析了中国期货价格直到现在的一致性。

鉴于上述基础,很明显,中国农业期货市场的基本高潮不太一样的发达国家的期货市场。沿着这些线路,这次考试充满探索洞利用小麦的一天信息前景从6月15日,2010年,2020年10月20日。

本研究的主要贡献如下。我们利用传统的模型预测小麦期货价格和促进利用样本点估计。我们在这一点上测试事实值得注意的点估计利用Diebold和Mariano测试。此外,我们评估我们的结果的鲁棒性,利用几个选修模式,即,ARIMA方法,神经网络策略,等等。我们考虑随机漫步(RW)估计为基准,因为它是一个简单的估计。检查发现三层人工神经网络模型绕过所有的四个模型,表明小麦的期货市场价格可以预计利用交叉繁殖策略。

剩下的这个研究组织如下。部分2详细解释了传统计量经济模型认为在这个研究。部分3提出了混合建模过程,本研究中使用的数据,和计算环境。部分4提出了模型的应用与解释最近的数据集。最后,部分5本研究结论与政策含义和未来的研究。

2。计量经济学预测模型

2.1。传统的模型

一个普通的模型猜测,期货价格是由前面的品质,经销商的假设关于他们未来的品质,和其他重大财务元素(24]。根据贝叶斯理论利用数据规则选择理想的松弛时间,这是表示相应的评估模型: 在哪里表示1^圣不同,ln是自然对数,是小麦的前景价值,《外交政策》_r的前景值是米饭,j是有效的利率,基础是小麦的马克和前景价值之间的区别,是俄罗斯的前景价值小麦,R是小麦的高成本比小成本潜力。大代价小价值的分数决定了促销的趋势。因此,大比小利用小麦价格更换商人的前景。提出了表的详细描述变量1而总结统计数据和相关的测试统计数据如表所示2节3。

如果比率高,促销是提升运动。它涉及到市场,越来越多的新鲜申请者将进入市场。如果比例很小,后来在下行运动和涉及市场提供市场参与者将宣传他们的协议。

2.2。自回归整合移动平均模型

我们利用单变量自回归综合移动平均(ARIMA)模型检查的数量的先例成本的前景值可以用来预测小麦小麦价值前景。确认的时候,我们创建数据一动不动的协助下的区别。基于过去的我们首先满足最好的模型数据,然后做出预测。我们两个最佳拟合模型的时间序列数据的前景值小麦ARMA(1 1 1)和ARMA(1, 1, 2)。我们估计随后ARMA(1, 1, 1)模型:

这些历史标准的小麦期货价格影响乐观目前小麦期货价格。同样地,如果是负的和重要的,它代表了先前的潜在利润的小麦价格产生负面影响。移动平均系数表示 。积极和重大的价值礼物前值小麦积极影响小麦的当前值相比与未来。在评估中,我们代表以下ARMA(1, 1, 2)模型:

移动平均线订单两个系数 。时的值是积极和重要的,它表明积极影响小麦的未来值的当前值由过去的错误(冲击)两天前。

3所示。混合模型

3.1。混合人工神经网络(ANN)

我们利用神经网络过程评估的力量和准确性的预测。神经网络技术是信息驱动的预测策略,努力抓住基本密度而评估溢价的相关性。这是一个进步的传统结构退化,这取决于更少的限制性假设和发挥新适应实际结构。有用的结构要求不要直接在神经组织中。这是一个非线性半参数模型(24,28]。它链接的数据信息的合成层通过安排提到过渡连接的神经元,神经元相互配合。这种方法通常被用于机器学习(5,24,29日]。的澄清设计人工神经网络(ANN)是按以下。

3.1.1。三层人工神经网络

等预期包括3层神经网络输入,中间,和由此产生的层而输入层接近传统的回归模型的自变量和由此产生的层与因变量有关。中间层是区分组件的一个神经网络比传统的回归。这种隐层的密度,实际上,多层次的利益的现象变得更加复杂。

一个安包括准备组件;我们称之为神经元。每个神经元类似于一个变量。如图1,箭头连接神经元意味着神经元的边界。神经元的边界与他们相关的负载。在这一战略,我们接口的贡献结果信息通过安排的神经元,这些神经元获得不同的神经元。

所涉及的步骤提出了人工神经网络的发展小麦期货值预测如下:步骤1。设计网络的结构(即。,numeral of effort nodes, figure of joint and coatings that are hidden, transmit purpose, and productivity joint) in the case of ANN effort nodes are descriptive variables.步骤2。分区数据分成两组(即。、培训和测试)。第一个850年的观察数据集用于调优的目的和剩余101模型位置授权模型。步骤3。重新调节解释性和输出变量的区间0到1使用以下公式:observed-minimum /范围。步骤4。设置起始教学负担和发起一个运动时期。第5步。现在努力神经元水平0,1,2,3,4,5使用标准方法了(27]在老鼠的帮助下软件。步骤6。关键涂层中的每个神经元接受其均衡价格并传达到每个神经元分泌的涂层。在其他两个有类似的贡献分配埋神经元。我们有一个分泌神经元。步骤7。分配权重和图的输入节点,也就是说,P6 =W06问0 +W16问1 +W26问2 +W36问3 +W46问4 +W56问5。这些重量是回忆和系统的能力。步骤8。翻新的主观的贡献在每一个看不见的节点生产间隔0到1。我们利用物流函数表达神经元的输入和输出之间的联系。第9步。在分泌神经元生产力作为输入输出节点。第10步。变换加权输入P₉输出的问₉与应用程序间隔0到1的物流功能。神经元的输出9可以确定如下: 步骤11。计算中的错误输出,即 。步骤12。在训练数据集,调整权重设置,以达到最小数量杰出的平均标准误差(mrm)值。步骤13。重复步骤5 - 12。步骤14。计算时代RMS值(重复步骤直到mrm的低价值并不是获得为5 - 14)。步骤15。安验证结果的测试数据集。步骤16。使用ANN模型进行预测。

3.2。数据和计算环境

用于这项研究来自不同数据源的数据样本时间6月15日,2010年,2020年10月20日(每日数据可用每周6天)。相关的财务指标,在考虑在这个调查如下:实际利率,大米的期货价格,俄罗斯的小麦期货价格,前提(特征对比在期货市场和现货成本)。交易者的预期数据无法访问;随后,低和高成本的比例是商人的中介的假设关于小麦期货价格。大米和小麦的期货价格信息从中国金融期货交易所(CFFEX),获得的利率从中国银行网站批发来自中国公共机构的见解的价值指数,未来俄罗斯的小麦价格从交换金融事务信息,和买方价值的俄罗斯央行的货币信息列表(FRED)⁵。同时不断交换不同的期货合约。因此,我们已经关闭的合同信息调查的事实,合同是最流体协议的关闭。然而,靠近前景合同应该至少一个月了(30.]。

本文中所有结果显示R-studio计算环境中完成。传统的ARIMA (p,d,问)安装在数据集使用的“预测”包R语言而ANN模型帮助我们把“脱字符号”与“延时”功能包R。

4所示。人工神经网络应用到真实的数据集

统计分析小麦期货价格模式,我们开始通过消除趋势,通货膨胀的影响,小麦和其他成本的前景和季节性逻辑因素,即,期货大米和俄罗斯小麦期货价格的成本。我们利用虚拟变量来检查的存在季节性的影响。然而,没有证据的季节性影响小麦和大米的期货价格。

接下来,我们估计的传统模型中,我们假设小麦期货价格作为自己的过去值的函数和滞后经济因素(24]。通过普通的最小二乘技术,我们估计我们的模型。表3介绍了传统的变量模型的影响小麦期货回报样品时间5月21日,2009年,2020年10月20日。我们账户预期的系数,标准错误,R²前景,f统计量对小麦的回报。 , ,和指出数值的重要性将限制在10%,5%,和1%的水平,相应的。

的价值R²观察0.15%,获得更高的几个潜在市场价值所描述的(6,11,31日,32]。

我们的研究结果表明,俄罗斯小麦产量和高到低成本有积极的和严重的比例对小麦在中国的未来收益的影响。俄罗斯的小麦期货返回系数是3.182,在5%程度的意义是至关重要的。它建议,如果在俄罗斯小麦的利润前景协议增加了1%,在这一点上中国的小麦期货协议利润增量3.1%。这是因为wide-running货币变化,发生在1978年中国成功金融紧急,带来扩大发展和全球化的业务部门和疏散状态控制。这些金融的变化促使中国经济与全球市场的混合。小麦价格高到低价值的比例系数是8.196,是巨大的在10%的显著水平。它建议在高低成本增加的比例,在这一点上小麦在中国的利润前景协议增加了8.2%。我们利用比例的高低作为交易员的假设有关的代理成本的前景成本。比例的高低价格的估计提出了上升的市场模式。虽然,我们观察到大米期货价格在模型中并不重要。 We follow the procedure of the Box–Jenkins modelling approach to estimate the futures returns of wheat for the sample period June 2010 to May 2020. The two best fitted models based on AIC value are the ARMA (1, 1, 1) and ARMA (1, 1, 2). Table4了所有安装ARIMA模型对小麦价格的结果数据集,分别。

在下一步中,我们评估样本的预测小麦期货价格和样本外预测性能。然后,我们评估和比较样本外预测性能的随机游走,ARMA (1, 1, 1), ARMA(1, 1, 2),人工神经网络和常规模型。

4.1。预测

我们已经安装所有的模型在考虑2010年6月到2020年5月,样本外预测。我们雇用了赛尔U-statistic衡量预测的正确性。赛尔的U-statistic随机游走,传统模型,ARMA (1, 1, 1), ARMA(1, 1, 2),和三层人工神经方法是1.052,1.035,1.045,和1.031,分别如表所示5。赛尔U-statistics超过1的四个模型,即应用天真的预测模型与预测是更好的33]。与他人相比,赛尔U-statistic是斜的均方误差天真的预测。因此,确保预测的正确性,RMSE和梅,因为它已经被(33]。这个模型与最小的RMSE值和梅提供最准确的预测。RMSE值和随机游走的美,传统模型、ARMA (1, 1, 1), ARMA(1, 1, 2)和人工神经网络值如表所示5。

首先,我们发现估计RMSE值(均方根误差)传统模型,ARMA (1, 1, 1), ARMA(1, 1, 2),神经网络和随机游走是0.7301,0.7975,0.6986,0.6937,和0.7487,分别。人工神经网络具有最小的RMSE值。我们认为美和预期的RMSE值预测模型,ARMA (1, 1, 1), ARMA(1, 1, 2),神经网络和随机游走是0.5728,0.5873,0.5878,0.5728,和0.5799,分别。安美的最小值。的基础上RMSE和梅,ANN模型提供了绝大多数的准确预测小麦期货收益。接下来,我们使用了Diebold-Mariano (DM)分析观察而RMSE和梅从模型中考虑以下显著的基准模型(随机游走)。Diebold-Mariano (DM)测量分析的样本外预测模型如表所示6。

有效的假设分析测试,传统模型和随机游走模型执行类似的模式。思考RMSE 1^圣,DM分析建议无效的猜测被传统模型,ARMA(1, 1, 2)但不是神经网络。它表明,ANN模型比传统模型是更好的指标,ARMA(1, 1, 2),和随机游走模型。这一发现是反驳与所做的调查34,35][印度与考试直接而稳定的16)利用APSO-SVR方法。然而,之间没有区别确定精确的ARMA(1, 1, 1)和随机游走模型。对美、DM测试结果建议无效的猜测认为变量模型,ARMA(1, 1, 1),和ARMA(1、2)。它推断ANN模型比传统模式是更好的指标,ARMA (1, 1, 1), ARMA(1, 1, 2),和随机漫步的中国。通过这种方式,我们推断安最好的决定表示,和安比所有的四个模型考虑。这个推断小麦成本的前景预期可以有效地利用发展交叉繁殖策略,和小麦期货市场并不精通中国坚实的写作的帮助。

5。结论和实现

利用日常数据的小麦价格在这个研究中,研究人员首次提出中国小麦期货价格是否可以预测。通过利用一些选择性模型决定,即,ARMA (1, 1, 1), ARMA(1, 1, 2),随机游走,传统的变量模型和神经网络技术,我们开发的点估计值和评估他们的实际操作通过Diebold-Mariano分析重要性。我们利用递归预测技术获得剩余的样本外预测点。

样本外的可量化的意义估计建议安有最好的预测表示在所有的模型被认为是在这个探索和评估在预见小麦期货回报。随后,小麦期货市场的理论是有益地生产可以解雇。我们的结果表明,中国未来小麦价格原则上可以估计。无论如何,它建立了小麦商品期货市场并不熟练,这就交换小麦期货的上市交易。

这是由于原因,小麦等大宗商品期货可以利用对大宗商品现货成本变化栅栏。在期货市场风险管理中扮演重要的作用[16,36,37]。此外,基本观点持有者的人解决他们的选择依赖于请求和优雅的隐藏产品将交易所小麦期货市场从市场获得的好处。

这个工作的探索使我们得出的结论是,中国专家需要发起对小麦的发展的重要性,开始有意义的项目中农民(和其他股东)对价值信息披露和风险管理的优点。这将扩大协议的前景,使期货广告更加熟练。

5.1。未来的研究工作

有几个为未来的研究方向;我们要突出一些。首先,有必要探索美国和俄罗斯(世界主要小麦出口国)小麦期货市场与新开发的推进技术,如安和比较结果和中国获得之一。其次,通过套期保值风险管理是期货市场的一个重要功能,因此,有必要开发智力的策略,帮助投资者在作出决定时集中在底层的商品的供给和需求,将小麦期货市场的贸易从市场获取收益。这些是一些点为未来的研究可以考虑。

缩写

CFFEX:	中国金融期货交易所
RMSE:	均方根误差
华宇电脑:	自回归整合移动平均
安:	人工神经网络
中国银行:	中国银行
糖尿病:	Diebold-Mariano
简森-巴顿:	Jarque-Bera测试
mrm:	最小剩余平均标准误差
另类投资会议:	Akaike信息标准。

数据可用性

前景信息成本的大米和小麦收购的原因从中国货币命运贸易(CFFEX) [38),收入从中国银行网站,折扣值记录中国公共机构的见解,小麦在俄罗斯的命运成本从财务信息交换和买方价值俄罗斯央行的货币信息列表(FRED)可以在[39)(https://tradingeconomics.com/)和(40)(https://fred.stlouisfed.org/)。

伦理批准

这篇文章不包含任何研究与人类参与者由作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是在经济上支持由中国国家自然科学基金(国家自然科学基金委)授予71971091和71971091号和部分由江西省自然科学基金批准号2016 a030313403。

引用

1. f . x Diebold和r·s·马里亚诺·”,比较预测的准确性,”商业和经济统计》杂志上,13卷,不。3、253 - 263年,1995页。视图:出版商的网站|谷歌学术搜索
2. t . v .施瓦兹和a·c·Szakmary”在石油市场价格发现:套利,协整分析的时间间隔,”《期货市场,14卷,不。1,第167 - 147页,1994。视图:出版商的网站|谷歌学术搜索
3. e . f .农夫和k . r .法国商品期货价格:一些证据预测能力,保险费,和存储的理论,“商业杂志,60卷,不。1,55 - 73、1987页。视图:出版商的网站|谷歌学术搜索
4. b·g·麦基尔和e . f .农夫,“有效资本市场:理论和实证研究的回顾,“《金融,25卷,不。2、383 - 417年,1970页。视图:出版商的网站|谷歌学术搜索
5. a . Gulati t . Chatterjee和s·侯赛因,农业商品期货:寻找潜在的赢家,-,新德里,印度,2017。
6. 大肠Konstantinidi和g . Skiadopoulos”是VIX期货价格预测的?实证调查”,国际期刊的预测,27卷,不。2、543 - 560年,2011页。视图:出版商的网站|谷歌学术搜索
7. b·j·亨德森、n d·皮尔森和l . Wang“新的证据在大宗商品市场的金融化”,金融研究,28卷,不。1,第1311 - 1285页,2014。视图:出版商的网站|谷歌学术搜索
8. c·a·卡特,期货和期权市场:一个介绍美国新泽西州霍博肯市普伦蒂斯霍尔,2003。
9. s . Sehgal w·艾哈迈德·f .自然神论者,“实证检验过程的信息传输在印度农业期货市场,“《数量经济,12卷,不。1,第125 - 96页,2014。视图:谷歌学术搜索
10. h . Bessembinder和k . Chan“时变风险溢价和可预测的回报在期货市场中,“金融经济学杂志,32卷,不。2、169 - 193年,1992页。视图:出版商的网站|谷歌学术搜索
11. j . Miffre”经济活动和时间的变化预期期货回报,”经济学的信件,卷73,不。1,第79 - 73页,2001。视图:出版商的网站|谷歌学术搜索
12. j·卡恩斯和p .礼仪,在外汇期货市场投机者的盈利能力澳大利亚储备银行,悉尼,澳大利亚,2004年。
13. 在公元前。许思义”时变风险溢价、波动性和技术交易规则利润:外汇期货市场的证据,”金融经济学杂志第41卷。。2、249 - 290年,1996页。视图:出版商的网站|谷歌学术搜索
14. j . Miffre”经济意义的可预测的运动在期货回报,”经济的笔记没有,卷。31日。1,第142 - 125页,2002。视图:出版商的网站|谷歌学术搜索
15. c . Wang“期货交易活动和可预测外汇市场走势,”银行与金融杂志》上,28卷,不。5,1023 - 1041年,2004页。视图:出版商的网站|谷歌学术搜索
16. y . t .周、f·w·贾和k .温”在中国小麦价格短期预测研究,”价格,理论实践,8卷,不。3、107 - 110年,2018页。视图:谷歌学术搜索
17. m . l . Hartzmark“运气与预测能力:交易者在期货市场表现的决定因素,”商业杂志,卷64,不。1,49 - 74年,1991页。视图:出版商的网站|谷歌学术搜索
18. e·r·富兰克林和w·c·马期货和期权美国麦格劳-希尔,纽约,纽约,1992年。
19. m·c·詹森”,一些异常的证据关于市场效率,”金融经济学杂志》第六卷,没有。2、95 - 101年,1978页。视图:出版商的网站|谷歌学术搜索
20. k . Ayankoya a . p . Calitz和j·h·Greyling“实时粮食大宗商品价格预测在南非:大数据和神经网络的方法,”Agrekon,55卷,不。4、483 - 508年,2016页。视图:出版商的网站|谷歌学术搜索
21. w .郑、w·c·羌和l . w . De”农产品价格预测模型基于季节性指数调整和HGWO-SVR算法,”统计与决策,34卷,不。19日,33-36,2018页。视图:谷歌学术搜索
22. j·阿里和k·巴德汉Gupta,”印度的农产品期货市场效率:协整和因果关系的证据测试,”农业金融评论,卷71,不。2、162 - 178年,2011页。视图:出版商的网站|谷歌学术搜索
23. d·张,陈s、l .梨纹和夏,“农产品价格预测与时间序列的特性和使用模型选择框架预测视野,”IEEE访问,8卷,第28209 - 28197页,2020年。视图:出版商的网站|谷歌学术搜索
24. g . Grudnitski和l . Osburn”预测S和P和黄金期货价格:神经网络的应用程序,“《期货市场,13卷,不。6,631 - 643年,1993页。视图:谷歌学术搜索
25. b·库马尔和a . Pandey,”国际印度商品期货市场的联系,”现代经济,卷2,不。3、213 - 227年,2011页。视图:出版商的网站|谷歌学术搜索
26. a·g·Malliaris和j·l·乌鲁蒂亚”农产品期货合约之间的联系。”《期货市场,16卷,不。5,595 - 609年,1996页。视图:出版商的网站|谷歌学术搜索
27. s . a . DeLurgio预测原理及应用欧文专业出版、毛刺脊,IL),美国,1998年。
28. r s -蔡金融时间序列的分析美国新泽西州霍博肯市威利,2010年。
29. c·w·马,”能源期货价格预测的效率。”《期货市场,9卷,不。5,393 - 419年,1989页。视图:出版商的网站|谷歌学术搜索
30. 美国j·克雷恩和j·h·李”,1950 - 1993年小麦现货和期货市场的波动:政府农场计划,季节性和因果关系,“《金融,51卷,不。1、25 - 343年,1996页。视图:出版商的网站|谷歌学术搜索
31. e . Konstantinidi g . Skiadopoulos和大肠Tzagkaraki隐含波动率的演变可以预测吗?来自欧洲和美国的隐含波动率指数的证据。”银行与金融杂志》上,32卷,不。11日,第2411 - 2401页,2008年。视图:出版商的网站|谷歌学术搜索
32. j . Miffre”,富时100指数期货合约的定价效率,”欧洲金融管理,7卷,不。1,9-22,2001页。视图:出版商的网站|谷歌学术搜索
33. p . Dua:中央邦,s . Sahoo在印度利率建模和预测印度储备银行,孟买,印度,2003。
34. r·库马尔“预测小麦期货价格在印度,”亚太金融市场,28卷,不。1,第140 - 121页,2021。视图:出版商的网站|谷歌学术搜索
35. r·库马尔”一些初级商品市场的价格发现在印度,”经济学公告,37卷,不。3、1817 - 1829年,2017页。视图:谷歌学术搜索
36. t·瓦哈卜”,短期偏差和时变对冲比率:证据来自农业期货市场,“国际金融分析评论,18卷,不。1,58 - 65、2009页。视图:出版商的网站|谷歌学术搜索
37. e·r·富兰克林和w·c·马期货和期权美国纽约,麦格劳-希尔公司,纽约,1992年。
38. CFFEX,中国金融期货交易所,CFFEX,上海,中国,2020。
39. 贸易经济学,2020年,https://tradingeconomics.com/。
40. 弗雷德,2020年,https://fred.stlouisfed.org/。

版权

版权©2021 Yunpeng太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。