鋼鐵價格預測與相關性分析檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

鋼鐵價格預測與相關性分析鋼鐵作為工業生產必需品，其產量與價格能夠反應一個國家整體的工業生產水平與總體的經濟形式，研究鋼鐵市場的價格規律有利於鋼鐵生產商、鋼鐵投資者以及國家相關部門進行市場決策，對穩定和發展我國的鋼鐵市場實現我國工業水平不斷提升有着重要的作用。鋼鐵期貨價格與現貨價格是體現鋼鐵市場行情的兩個重要指標，為了掌控鋼鐵市場的行情我們就應該首先探明兩種價格的相互作用機制。

技術要點和優勢

技術原理

鋼鐵期現貨數據作為時間序列數據，能夠利用處理時間序列的相關算法發現鋼鐵期現貨的價格作用關係並進行價格預測。使用餘弦相似度、皮爾遜相關係數、歐式距離、Tanimoto係數、歸一化互信息以及互相關等方法能夠有效度量兩組時間序列數據的相似程度，採用格蘭傑因果關係檢驗方法度量期貨價格數據與現貨價格數據之間的引導關係；循環神經網絡是一種具有短期記憶能力的神經網絡，能夠利用自身的歷史信息，這使得循環神經能夠用來解決時間序列數據的分類預測問題。LSTM是循環神經網絡的一種，通過增加輸入門、遺忘門和輸出門，緩解了模型訓練中梯度消失和梯度爆炸的問題，彌補了傳統RNN 模型的不足，使得模型能夠利用從訓練數據中學習到的經驗。

利用LSTM的優勢，選擇該模型能夠進行期現貨價格的預測。技術要點/實施關鍵點：相似性檢驗：度量鋼鐵期貨價格時序數據與現貨價格時序數據之間的相似性，這是進一步度量兩者價格之間因果關係的基礎。如果兩組數據具有顯著的相似關係，這能夠使因果檢驗的結果變得非常可靠。平整性檢驗：在格蘭傑因果關係計算之前需要對時序數據進行平穩性檢驗，因為有時數據的高度相關僅僅是因為二者同時隨時間有向上或向下的變動趨勢，並沒有真正聯繫，通常使用的平穩性檢驗的方法有時序圖檢驗、自相關與偏自相關檢驗以及單位根檢驗。因果關係挖掘：格蘭傑因果關係檢驗用於分析兩個時序變量之間的因果關係。對於兩組時間序列數據，如果其具有格蘭傑因果關係，說明使用一組時間序列的歷史數據能有助於另一組時間序列數據的預測。價格預測：在因果性的基礎上，可以使用循環神經網絡來對期現貨價格進行預測。

為LSTM結構單元的示意圖，其中、為上一時刻的內部狀態和外部狀態，為當前時刻的輸入，記錄了到當前時刻為止的歷史信息，為當前的外部狀態；、為激活函數；、、分別為遺忘門、輸入門和輸出們，LSTM通過這三個門控機制決定三組輸入信息中需要遺忘多少信息、中有多少信息需要保存、有多少信息需要輸出給外部狀態。這種門控機制讓我們能夠有效的控制時序信息在時間維度上的傳遞，進而綜合歷史時序信息，並將這種時序信息與我們的任務目標相互關聯。技術優勢：時序數據的相關性檢驗算法能夠有效的發掘時序數據之間的相關性，對於期現貨這兩組在期貨行業中相互影響的價格數據，使用相關性檢驗算法能夠很好的度量兩者之間相互關聯的緊密性；其次，使用LSTM模型對時間序列數據進行預測，能夠充分的利用深度神經網絡的強大擬合能力，並將這種擬合能力用在期現貨價格的預測上，能夠有效提高預測的準確性。