變更

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。

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。