導覽
近期變更
隨機頁面
新手上路
新頁面
優質條目評選
繁體
不转换
简体
繁體
3.142.174.145
登入
工具
閱讀
檢視原始碼
特殊頁面
頁面資訊
求真百科歡迎當事人提供第一手真實資料,洗刷冤屈,終結網路霸凌。
檢視 钢铁价格预测与相关性分析 的原始碼
←
钢铁价格预测与相关性分析
前往:
導覽
、
搜尋
由於下列原因,您沒有權限進行 編輯此頁面 的動作:
您請求的操作只有這個群組的使用者能使用:
用戶
您可以檢視並複製此頁面的原始碼。
{| class="wikitable" align="right" |- |<center><img src=https://p3.itc.cn/images01/20210224/8555c17da9c94efb9a891d36278234cd.jpeg width="300"></center> <small>[https://www.sohu.com/a/452453571_121021591 来自 搜狐网 的图片]</small> |} '''钢铁价格预测与相关性分析'''钢铁作为[[工业]]生产必需品,其产量与价格能够反应一个国家整体的工业生产水平与总体的经济形式,研究钢铁市场的价格规律有利于钢铁生产商、钢铁投资者以及国家相关部门进行市场决策,对稳定和发展我国的钢铁市场实现我国工业水平不断提升有着重要的作用。钢铁期货价格与现货[[价格]]是体现钢铁市场行情的两个重要指标,为了掌控钢铁市场的行情我们就应该首先探明两种价格的相互作用机制。 ==技术要点和优势== ===技术原理=== 钢铁期现货数据作为时间序列数据,能够利用处理时间序列的相关算法发现钢铁期现货的[[价格]]作用关系并进行价格预测。使用余弦相似度、皮尔逊相关系数、欧式距离、Tanimoto系数、归一化互信息以及互相关等方法能够有效度量两组时间序列数据的相似程度,采用格兰杰因果关系检验方法度量期货价格数据与现货价格数据之间的引导关系;循环神经网络<ref>[https://www.sohu.com/a/256236818_468626 一文简述循环神经网络] ,搜狐,2018-09-26</ref>是一种具有短期[[记忆]]能力的神经网络,能够利用自身的历史信息,这使得循环神经能够用来解决时间序列数据的分类预测问题。LSTM是循环神经网络的一种,通过增加输入门、遗忘门和输出门,缓解了模型训练中梯度消失和梯度爆炸的问题,弥补了传统RNN 模型的不足,使得模型能够利用从训练数据中学习到的经验。 利用LSTM的优势,选择该模型能够进行期现货价格的预测。技术要点/实施关键点:相似性检验:度量钢铁期货价格时序数据与现货价格时序数据之间的相似性,这是进一步度量两者价格之间因果[[关系]]的基础。如果两组数据具有显著的相似关系,这能够使因果检验的结果变得非常可靠。平整性检验:在格兰杰因果关系计算之前需要对时序数据进行平稳性检验,因为有时数据的高度相关仅仅是因为二者同时随时间有向上或向下的变动趋势,并没有真正联系,通常使用的平稳性检验的方法有时序图检验、自相关与偏自相关检验以及单位根检验。[[因果]]关系挖掘:格兰杰因果关系检验用于分析两个时序变量之间的因果关系。对于两组时间序列数据,如果其具有格兰杰因果关系,说明使用一组时间序列的历史数据能有助于另一组时间序列数据的预测。价格预测:在因果性的基础上,可以使用循环神经网络来对期现货价格进行预测。 为LSTM结构单元的示意图,其中、为上一时刻的内部状态和外部状态,为当前时刻的输入,记录了到当前时刻为止的历史信息,为当前的外部状态;、为激活函数<ref>[https://www.sohu.com/a/594270558_121231794 Excel常用函数公式20例] ,搜狐,2022-10-21</ref>;、、分别为遗忘门、输入门和输出们,LSTM通过这三个门控机制决定三组输入信息中需要遗忘多少信息、中有多少信息需要保存、有多少信息需要输出给外部状态。这种门控机制让我们能够有效的控制时序[[信息]]在时间维度上的传递,进而综合[[历史]]时序信息,并将这种时序信息与我们的任务目标相互关联。技术优势:时序数据的相关性检验算法能够有效的发掘时序数据之间的相关性,对于期现货这两组在期货行业中相互影响的价格数据,使用相关性检验算法能够很好的度量两者之间相互关联的紧密性;其次,使用LSTM模型对时间序列数据进行预测,能够充分的利用深度神经网络的强大拟合能力,并将这种拟合能力用在期现货价格的预测上,能够有效提高预测的准确性。 ==参考文献== [[Category:500 社會科學類]]
返回「
钢铁价格预测与相关性分析
」頁面