论文题目：基于机器学习的有色金属期货价格预测及应用研究
摘要：有色金属行业的飞速发展得益于现代科学与技术的不断改进与升级,有色金属逐步成为先进装备和尖端科技生产过程中不可或缺的重要材料,同时也奠定了其作为生产生活资料在国民经济建设和日常生活中极其重要的地位,是提升国家综合实力、建设现代化强国的重要组成部分。近年来,我国的有色金属不管是在生产、消费还是贸易方面都居于世界首位,在有色金属国际定价权上的地位逐步提高,然而各国贸易保护主义抬头伴随着新冠病毒的“黑天鹅”冲击,让全球一体化浪潮下的经济遭受重大打击,给我国有色金属期货市场乃至整个有色金属行业带来巨大挑战。因此,本文以我国有色金属期货市场为研究对象,使用与该市场数据更新变化快、数据量大的特点相契合,且能够解决非线性复杂问题的机器学习和深度学习模型,来对我国有色金属期货市场进行价格预测研究,这将有利于保障有色金属行业的运营稳定,为该市场的科学测度和风险管理带来理论和现实上的参考意义。有色金属期货市场作为金融子市场之一,其价格的变动除了与基础交易数据直接相关外,还会间接受到来自外界不同市场产生的多方面影响。因此,本文首先通过对现有文献的分析,分类讨论影响有色金属期货价格的众多因素。进而,分别对国内有色金属期货市场上交易的铜、铝、锌、铅、锡、镍6个期货品种进行具体的特征因素搜集,为削弱多维度输入产生噪声的干扰问题,本文通过计算这些特征因素与收盘价的相关系数大小,剔除掉相关系数较小的特征因素后,采用构建相关性张量的方法,将经过筛选提取的特征因素按照经济学意义划分为三大类,合成三个相关性张量:即相关品种张量、相关市场张量和百度指数张量。本文通过使用机器学习中的多层感知机（MLP）模型、支持向量机（SVM）模型和深度学习中的长短期记忆（LSTM）模型和门限循环单元网络（GRU）模型对有色金属期货市场的6个品种市场做价格预测研究,将仅考虑基础交易数据的机器学习和深度学习价格预测模型与加入了多因素之后的预测模型进行长短期预测分析,对比实验得出以下结论:第一,除基础交易信息外,考虑对有色金属期货价格产生影响的其他因素,包括相关商品市场价格、相关金融子市场价格以及从互联网角度选用的能够直接反映投资者心理情绪的百度指数,可以增强机器学习模型的预测能力。第二,一般情况下,机器学习在有色金属期货价格的预测中,短期预测较长期预测而言更优秀。第三,LSTM神经网络和GRU神经网络相比SVM和MLP在有色金属期货市场的价格预测中更具优势,并且由于GRU模型的内部结构相对于LSTM神经网络而言更为简易,能够加快模型训练速度,同时在实际应用过程中预测效果不逊于LSTM模型,因此GRU模型对于有色金属期货市场的价格预测来说是一种更佳的选择。为实现对有色金属期货市场更为深入地研究,将金融压力指数作为价格预测的应用引入,本文以有色金属期货价格指数（IMCI）为研究对象,构建适用于有色金属期货市场的金融压力指数。选取相关特征因素后,按照相关性张量法将各指标体系合成6个部门张量,分别为:国内股票市场、国外股票市场、汇率、相关品种、大宗商品市场和百度指数,利用四种机器学习模型对IMCI价格指数进行预测分析,验证上述6个相关性张量能够成为金融压力指数的合成部门,而后使用CRITIC法,完成适用于有色金属期货市场的金融压力指数法构建工作,并与IMCI价格指数的波动趋势作比较。实验结果显示二者变化趋势大体一致,因此基于相关性张量的金融压力指数能够有效地反映有色金属期货市场的价格风险,可以作为有色金属期货市场风险监测的有力工具之一。
关键词：机器学习;有色金属期货;价格预测;相关性张量;金融压力指数
学科专业：金融学
摘要
Abstract
第1章 绪论
1.1 选题背景及研究意义
1.1.1 选题背景
1.1.2 研究意义
1.2 国内外研究文献综述
1.2.1 期货市场价格影响因素研究
1.2.2 金融资产价格预测方法研究
1.2.3 金融压力指数构建方法研究
1.2.4 文献评述
1.3 研究内容
1.4 技术路线图
1.5 创新点
第2章 理论基础
2.1 机器学习方法
2.1.1 支持向量机
2.1.2 多层感知机
2.1.3 循环神经网络
2.1.4 长短期记忆网络模型
2.1.5 门限循环单元网络模型
2.2 金融压力指数
2.2.1 概念
2.2.2 金融压力指数的构建方法
2.3 本章小结
第3章 有色金属期货价格影响因素分析与构建
3.1 特征因素选取
3.1.1 基础交易数据
3.1.2 相关商品市场
3.1.3 相关金融子市场
3.1.4 百度指数
3.2 相关系数指标
3.3 构建相关性张量
3.3.1 相关性张量介绍
3.3.2 加入相关性张量的模型框架结构
3.4 本章小结
第4章 基于相关性张量的有色金属期货价格预测实证分析
4.1 数据收集和说明
4.2 数据预处理
4.3 变量选择
4.4 预测效果评价标准
4.5 基于基础交易数据和多因素拟合的预测结果与分析
4.6 本章小结
第5章 基于相关性张量的价格预测应用——构建有色金属金融压力指数
5.1 金融压力指数测度指标体系选择
5.2 基于机器学习验证指标体系的可行性
5.3 有色金属金融压力指数的构建
5.3.1 指标标准化
5.3.2 压力指数合成
5.3.3 组合模型检验
5.4 本章小结
第6章 总结与展望
6.1 研究结论
6.2 对策建议
6.3 研究不足与展望
参考文献
致谢