基于主成分-神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品期貨預(yù)測研究及模型實(shí)現(xiàn).pdf

1、農(nóng)產(chǎn)品期貨交易成功的關(guān)鍵,在于對市場的正確分析,尤其是對市場價(jià)格走勢的正確預(yù)測。價(jià)格是期貨交易的焦點(diǎn),是對未來供需關(guān)系變化預(yù)期的一種提前反映,交易者在期貨市場中的盈虧狀況由交易者對價(jià)格走勢的判斷來決定。作為解決我國“耕者保其利”社會難題的重要載體,農(nóng)產(chǎn)品期貨市場對農(nóng)業(yè)生產(chǎn)經(jīng)營者提供了較準(zhǔn)確的遠(yuǎn)期價(jià)格指導(dǎo)信息,能減少生產(chǎn)的盲目性。因此,對農(nóng)產(chǎn)品期貨價(jià)格的分析和預(yù)測是很有意義的。 期貨市場是一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)。當(dāng)前,國內(nèi)外期貨

2、價(jià)格預(yù)測的研究方法多為主成分分析法(PCA)、移動(dòng)平均法、指數(shù)平滑法等傳統(tǒng)的經(jīng)濟(jì)預(yù)測方法,以及誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP)、模糊神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等人工神經(jīng)網(wǎng)絡(luò)方法。實(shí)際運(yùn)用中,傳統(tǒng)單一預(yù)測方法操作簡便,但預(yù)測的準(zhǔn)確率并不太高。利用傳統(tǒng)的時(shí)間序列預(yù)測方法很難揭示其內(nèi)在的規(guī)律。 本文在分析考察傳統(tǒng)預(yù)測分析方法的基礎(chǔ)上,提出一個(gè)面向農(nóng)產(chǎn)品期貨市場分析、預(yù)測,由神經(jīng)網(wǎng)絡(luò)和主成分分析法組合的新的預(yù)測方法,并針對該新方法性能的改善和提

3、高進(jìn)行了深入研究。將主成分分析法引入期貨市場預(yù)測,對神經(jīng)網(wǎng)絡(luò)的原始輸入變量進(jìn)行預(yù)處理,選擇輸入變量的主成分作為網(wǎng)絡(luò)輸入,一方面減少了輸入維度,消除了各輸入變量的相關(guān)性；另一方面提高了神經(jīng)網(wǎng)絡(luò)的收斂性和穩(wěn)定性,也簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。 由于很多用戶缺乏必要的神經(jīng)網(wǎng)絡(luò)、甚至計(jì)算機(jī)編程的知識,因此我們使用Matlab語言的神經(jīng)網(wǎng)絡(luò)工具箱和VC++6.0,設(shè)計(jì)了一個(gè)主成分一神經(jīng)網(wǎng)絡(luò)模型系統(tǒng)。該模型系統(tǒng)可以給用戶提供強(qiáng)大的計(jì)算能力,并能讓

4、用戶按照他們的需求方便地定制自己的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。同時(shí),文章對神經(jīng)網(wǎng)絡(luò)的核心算法BP算法進(jìn)行了改進(jìn),提出了三種改進(jìn)算法,分別是動(dòng)量和學(xué)習(xí)速率自調(diào)節(jié)的梯度下降算法、自適應(yīng)學(xué)習(xí)率梯度下降算法和帶動(dòng)量的梯度下降算法,并給出三種算法的具體實(shí)現(xiàn),通過數(shù)據(jù)證實(shí)三種優(yōu)化算法在預(yù)測性能上表現(xiàn)更佳。 基于設(shè)計(jì)的模型,我們提供了農(nóng)產(chǎn)品期貨的兩個(gè)典型實(shí)例作為具體設(shè)計(jì)應(yīng)用的參考,同時(shí)對農(nóng)產(chǎn)品的其他主要產(chǎn)品分別進(jìn)行主成分神經(jīng)網(wǎng)絡(luò)預(yù)測,進(jìn)一步說明主成分神