基于库存的小波神经网络煤炭期货价格预测分析

  基于库存的小波神经网络煤炭期货价格预测分析

  隗峰

  (山东科技大学矿业与安全工程学院,山东 青岛 266590)

  【摘要】本文以Matlab为工具,利用小波神经网络,对基于库存的动力煤期货价格进行模型分析和预测,结果表明其具有高度相关性,并具有研究价值。这对探究中国煤炭期货未来的价格变动趋势,为煤炭期货市场提供基础资料和决策支持。

  教育期刊网 http://www.jyqkw.com关键词煤炭期货;MATLAB;神经网络;模型预测

  作者简介:隗峰(1988—),男,山东泰安人,硕士研究生,山东科技大学。

  0引言

  随着经济全球化的推进,我国的基础能源越来越依赖国际煤炭资源,掌握煤炭未来市场价格的话语权对我国经济发展、资源供给都具有重要意义。在现货市场不景气的情况下,期货这种能够规避市场风险的工具便具有了更大的发展空间。小波分析具有较好的描述能力,而且预测的精度较高、预测结果的可靠性较大,作为一种信息和信号处理工具在许多方面得到应用。

  1煤炭期货的上市

  动力煤期货上市后,其价格将成为动力煤市场的风向标,自身也将成为电力企业锁定成本的保值工具。因此,动力煤期货上市,对于动力煤市场乃至主要的国民经济发展带来重大积极作用。

  一是有利于完善市场体系、稳健企业经营、优化资源配置。上市动力煤期货通过形成公正、透明、权威的中远期价格体系,能够为煤炭、电力等上下游企业签订长、短期协议提供有效参考,是动力煤市场化改革的重要配套措施和煤炭市场体系进一步完善的重要内容。

  二是有利于缓解“煤电联动”压力。“煤电联动”是指在某一约定时间周期内,如果煤炭价格上涨超过某一既定比例,那么国家便对电价做出相应调整。推出动力煤期货后,电力等下游企业通过期货市场进行套期保值交易,实现现货、期货“两条腿走路”,有效规避煤炭价格市场波动风险。

  三是有利于“煤电一体化”的发展方向。一方面,上市动力煤期货通过提供有效规避市场风险的金融工具,有助于为进一步推动煤电一体化夯实基础;另一方面,动力煤期货能够为煤炭定价提供有益借鉴,煤电合营企业可以在期货价格的基础上,依据自身情况,制定结算价格,为煤电一体化消除消极因素。

  2模型与算法

  2.1小波神经网络

  小波神经网络方法与传统的参数模型方法最大的不同在于它是数驱动的自适应技术,不需要对问题的模型做出任何假设。在解决问题的内部规律未知或难以描述的情况下,神经网络可以通过对样本数据的学习训练,以获取数据之间隐藏的函数关系,是一种多变量输入的

  非线性、非参数的统计方法。

  利用神经网络预测时间序列时,利用时间序列模型不需要知道影响预测变量的因果关系,而且有足够多的数据可以用来构成一个合理长度的时间序列的特点,通过把输出层单元的误差逐层向输入层“分摊”给各层单元,从而获得参考误差,并调整各边连接权,直到小于允许误差。输入信号从输入节点依次传过各隐藏节点,然后传到输出层,每一层的节点的输出只影响下一层节点的输出。在学习过程中,为使网络输出层的误差平方和达到最小,通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标。每一次权值和偏差的变化都与网络误差的影响成正比,并以反向传播的方式传递到每一层。对任一神经元i,其输入、输出关系可描述为式(1)

  式中:xj为第j个输入;Yi为第i个神经元的输出;ωij为第j个与第i个神经元相连的权值;θi为第i个神经元的阀值。

  2.2数据准备

  本文模型中使用的是郑商所CZCE动力煤自2013年9月上市一年内的收盘价格,以交易日为单位(节假日停盘,故省略)。

  库存数据方面,模型使用的是我国主要港口煤炭库存总量,数据来源于鲁中煤炭交易中心。选取区间与动力煤期货价格的选取区间相同,都为2013年9月动力煤在郑商所上市之后的一年时间。动力煤期货价格与库存有存在一定的相关性,动力煤期货价格有较大波动的时段都伴随着库存的反向波动。

  利用MATLAB,通过神经网络工具箱(NN),并基于时间序列进行分析,实现对煤价的预测功能。其具体步骤如下:

  (1)将2013年9月26日到2014年9月5日共219个样本划分为153个训练样本,33个测试样本和33个预测样本,并归一化处理输入量,限定范围为[0,1]。采用式(2)

  (2)依次输入P个学习样本。当前输入为第p个样本,其中P=153;

  (3)x′j,yk,j=0,1,…,n1,k=0,1,…,m-1;

  (4)求各层的反传误差:

  并记下各个xip,x′j(p)的值;

  (5)记录已学习过的样本数p。如果p<P,转到第二步继续计算;如果p=P,转到第九步;

  (6)确定隐含层层数。隐含层节点数太多会导致学习时间过长;而隐含层节点太少,容错性差,识别未经学习的样本能力低,所以必须综合多方面的因素进行设计。利用逐步增长或逐步修剪来确定。根据试算比较,最终确定隐含层节点数为10。

  (7)按权值修正公式修正各层的权职和阈值;

  (9)利用测试样本检验训练好的网络模型,并对未来进行预测。对训练、测试以及预测输出的结果进行反归一化处理,即将输出值还原为原量纲值。

  3预测结果评价方法

  通过以2013年9月26日到2014年9月5日的煤炭期货价格与港口库存数据进行分析和单步预测,得到如下图

  并对预测的整体效果进行比较,采用平均值误差平方和MSE(Mean Suare Error)、平均绝对误差MAE(Mean Absolute Error)、平均绝对百分误差MAPE(Mean Absolute Percentage Error)等三项预测误差评价指标对其进行评价。误差结果如下(部分)

  从图4及表1可以看出,基于神经网络模型预测的误差评价指标都非常小,预测表明,在无重大利好消息出台或者政策变化的情况下,在短期内,国内煤炭期货价格仍处于在低位保持震荡的趋势。

  4结果与讨论

  通过对煤炭期货价格交易的分析预测得出,在动力煤期货上市之后,煤炭下游行业对煤炭消费的需求,更加直观的在期货价格上得以提现,而通过市场形成的期货价格,虽然影响因素众多,不能完全准确的预测价格波动,但本文模拟出的结果是比较满意的。也说明煤炭期货价格变动具有研究价值。

  教育期刊网 http://www.jyqkw.com参考文献

  [1]江梦,盛宇华.基于波动理论的煤炭期货市场运行规律研究[J].中国煤炭,2013,39(7):20-23.

  [2]刘硕,何永秀,陶卫君,杨丽芳,张宇.遗传BP神经网络的煤价预测与煤价风险规避策略[J].华北电力大学学报,2009,36(6):75-80.

  [3]张智勇,吴晓东,杨鹏,李东武.动力煤期货指数定价模式的思路探讨[J].中国煤炭,2014,40(10).

  [责任编辑:杨玉洁]

本文由小梁论文发布于计算机论文,转载请注明出处:基于库存的小波神经网络煤炭期货价格预测分析

您可能还会对下面的文章感兴趣: