基于神经网络的黄金期货价格预测.pdf

《基于神经网络的黄金期货价格预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第２９卷湖北师范学院学报（自然科学版）Ｖｏｌ畅２９第３期ＪｏｕｒｎａｌｏｆＨｕｂｅｉＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｎｏ畅３，２００９基于神经网络的黄金期货价格的预测王中香，王凤，何穗（华中师范大学数学与统计学院，湖北武汉４２００７９）摘要：黄金期货市场是一个极其复杂的非线性动力系统，由于神经网络具有很强的非线性逼近能力，理论上能无限逼近任意非线性函数。选用了应用最广泛的ＢＰ神经网络模型来预测黄金期货的价格。对采集到的影响黄金期货价格的因素数据进行了归一化处理后建立ＢＰ神经网络并进行了模拟训练

2、，然后用训练好的网络进行检验，并比较了输出结果和真实值，发现用ＢＰ神经网络模型能够将误差控制在一个较小的范围内。经过实证研究可以发现ＢＰ神经网络用于价格预测可达到较好的效果。关键词：黄金期货；价格；ＢＰ神经网络；预测中图分类号：Ｏ２１２文献标识码：Ａ文章编号：１００９-２７１４（２００９）０３-００８５-０４２００８年１月９日，上海期货交易所黄金期货正式挂牌上市，成为铜、铝、锌之后在我国上市的又一个金属期货品种，从而成为第一个具有真正意义上的金融期货品种，这标志着我国期货市场的发展出现了结构性的转变。黄金期货的上市必将逐步打

3、破现有的投资市场格局，成为我国投资市场的领头羊之一。它必将吸引大多数的投资者转移投资方向，使投资者多了一个分散资金降低自身投资风险的渠道，成为投资者长期投资的真正首选。此外，黄金期货的上市将使我国的期货市场更加完备。所以对黄金期货市场进行研究具有及其重要的应用价值和现实意义。而价格是黄金期货市场的核心，所以对其价格的波动做出正确的描述是十分必要的。黄金期货市场是一个及其复杂的非线性动力系统，所以很难用建立在计量经济学基础上的模型来研究。因为它们大部分都是线性的，存在着不适合动态系统的局限性，很难把握经济系统中的非线性现象，因

4、而会使经济预测误差加大，而神经网络能有效地解决此类问题，因为神经网络具有很强的非线性逼近能力，在理论上能逼近任意非线性函数，所以能有效的解决非线性预测问题。自２０世纪９０年代以来，很多学者将神经网络用于经济领域并取得了很大的成就。１９８９年我国召开了全国一个非正式的神经网络会议，１９９０年我国的８个学会联合在北京召开了神经网络首届学术大会，这是我国神经网络发展以及走向世界的良好开端。１９９１年在南京召开了中国神经网络学术大会（第二届），会上成立了中国神经网络学会。许多全国性学术年会和一些学术刊物把神经网络理论及应用方面的论文

5、列为重点。ＩＮＮＳ开始重视我国，把１９９２年国际神经网络学会、ＩＥＥＥ神经网络委员主办的国际性学术会议ＩＪＣＮＮ定在北京召开。这些毫无疑问，为神经网络在我国发展创造了良好的条件，促使我们加快步伐缩短我国在这个领域的差距。1ＢＰ神经网络ＢＰ神经网络（反响传播网络ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）是一种前馈型神经网络，其神经元的传递函数是Ｓ型函数，输出量为０到１之间的连续量，它可以实现从输入到输出的任意的非线性映射。ＢＰ网络的学习过程由信号的正向传播和误差的反向传播两个过程组成。其基本原理是：网络先根据输出层的误差来调整输出层和隐

6、含层的权值和阈值，再将部分误差分配置隐含层，然后根据误差来调整隐含作者简介：王中香（１９８２—），女，山东省惠民县人，硕士研究生，从事金融数学研究畅·８５·层和输入层之间的权值和阈值，并不断地重复上述过程，直到网络的输出与目标之间的误差趋于最小，达到规定的要求。基于ＢＰ网络的特点，必须先将样本数据进行归一化处理后才能使用，归一化的方法有：１）分布变换：适用于样本分布不理想的情况，常用的变换是对数变换。２）尺度变换：适用于网络训练的数据比较均匀，样本分布曲线比较平坦的情况，其公式如下：—xi－xminxi＝xmax－xmin其

7、中xi代表第i个数，xｍｉｎ代表原始数据样本中的最小值，xｍａｘ代表原始数据中的最大值。记：ｍ为训练样本的个数；ｋｋｋＰｋ＝（ａ１，ａ２，⋯ａｎ），ｋ＝１，２，⋯，ｍ，输入向量；ｋｋｋＴＫ＝（ｙ１，ｙ２，⋯ｙｑ），ｋ＝１，２，⋯，ｍ，是目标向量；α为学习效率；ｗｉ，ｊ（Ｎ），ｖｉ，ｔ（Ｎ）分别表示第Ｎ次迭代时输入层与隐含层之间、隐含层与输出层之间的权值，ｉ＝１，２，⋯，ｎ，ｊ＝１，２，⋯，ｐ，ｔ＝１，２，⋯，ｑ；Ｑｊ（Ｎ），Ｒｔ（Ｎ）分别表示第Ｎ次迭代时隐含层、输出层各单元的输出阈值，ｊ＝１，２，⋯ｐ，ｔ＝１，２，⋯，ｑ；ｋ

8、ｋｋｋＣｔ（Ｎ）＝（ｃ１（Ｎ），ｃ２（Ｎ）⋯，ｃｑ（Ｎ））为第Ｎ次迭代时实际网络输出量；ｆ，ｇ分别为隐含层和输出层的激励函数；网络的学习过程如下：１）初始化，赋给ｗｉ，ｊ（０），ｖｊ，ｔ（０），Ｑｊ，Ｒｊ各一个较小的随机非０值；ｋｋｋ２）输入归一化后的样本Ｐｋ，并将Ｔｋ＝（ｔ１，ｔ２，⋯，