一、背景介绍

黄金期货是交易市场上的一个投资品种，不管是对套期保值，还是维护金融稳定等，都有着很重要的作用，对其价格波动进行预测也极具现实意义。

在预测方法上可分成传统预测模型和非线性预测模型。传统预测模型包含ARIMA模型(移动平均自回归模型)、GARCH模型 ( 自回归条件异方差模型)、指数平滑模型等，并在黄金价格预测研究上取得了很大进步。比如在2014年，Sharma A M和Baby S运用ARIMA模型对印度的黄金价格进行预测分析传统预测模型的各项研究均证明了其在预测黄金价格的走势或动态特征方面是有效的，但是，鉴于黄金期货价格时间序列具有非线性及高噪声的数据特征，对其精确预测依旧十分困难，同时由于时间的动态变化，使得自变量和因变量二者之间的关系也会随之发生变动，因此传统时间序列模型很难精准得对黄金期货市场进行预测。

近年来，随着计算机硬件水平提升得越来越快，对神经网络的研究也逐渐深入，由此非线性模型逐渐取代了时间序列模型在黄金期货预测方面的应用，非线性预测模型包括基于ANN模型(人工神经网络模型)及其演化的各种模型，如BPNN、SVR模型(支持向量回归模型)、DNN模型(深层神经网络模型)及其演化的各种模型，如CNN、 RNN等。 2010年曾濂等人提出了一种基于BP神经网络的改进模型，研究首先使用定性分析找到伦敦黄金期货价格变动的影响因素，然后利用投影寻踪方法筛选出非线性因素中影响力最大的因素输入神经网络,并改进算法进行网络学习，最后训练得出所需的BPNN。基于浅层神经网络对黄金期货价格及趋势进行预测的研究较之深层神经网络的要多,包括ANN模型，基于GA-BP神经网络和SVR模型等等。

近年来，LSTM模型(Long-Short Term Memory)和GRU模型(Gate Recurrent Unit)开始逐步应用在金融序列预测问题上，众多研究者开始利用LSTM模型对股票市场进行建模预测，2015年，Chen等人将其运用于我国股票市场的股价预测，相较于其他预测模型，LSTM的预测效果得到了大幅提升。多个应用LSTM模型的金融序列预测，都获得了更佳的预测效果,但目前应用在黄金期货市场预测上的研究成果相对较少。

综上所述,为了寻找一种更合适的黄金期货价格预测方法，建立了RNN,LSTM,GRU预测模型。以ZGQ1黄金期货价格序列为研究对象,先将原始黄金期货价格序列进行归以化处理，然后进行不同参数下模型的比较，最后，选择出最适应归一化数值下的参数模型,输出预测的结果。结果表明，LSTM模型具有更高的精度，也验证了模型有效性。

二、原理介绍

传统的黄金期货价格预测模型不能充分描述黄金期货价格很强的非线性、非平稳性和高噪声的特点，因此在预测问题上存在许多困难，而神经网络能够发现并刻画数据自身复杂的内部结构特征，也能自适应得学习和构建数据的非线性的复杂关系，不会对输入变量施加限制，也具备更好的迁移学习(transfer learning)性质，因此非常适合处理如黄金期货价格这样的金融数据。其中LSTM模型更是经由丢弃和保留的机制有效解决了梯度反传进程中产生的梯度消失与梯度爆炸问题。相比单层LSTM，双层LSTM更容易进行训练，能够很大程度上提高训练效率。因此，本文建立了基于RNN，LSTM和GRU的三个预测模型，三个模型仅基于相关黄金期货价格的时间序列数据，不考虑其他影响因素，因此有效地消除了数据输入变量和模型参数的不确定性。

基于RNN，LSTM,GRU对黄金期货的时间序列研究

一、 背景介绍

二、 原理介绍

2.1模型原理

基于RNN，LSTM,GRU对黄金期货的时间序列研究相关推荐

最新文章

热门文章

一、背景介绍

二、原理介绍