神经网络如何准确预测期货价格？以波罗的海运价指数为例解析

作者简介：曾庆成（1978-），男，山东沂南人，助教.

BFI的变动受多方面因素影响：（l）受航运市

场供求的影响，如运力供给（总供给与闲置量、新

造船情况）、运力需求；（2）经济发展情况，如国际

贸易增长速度、世界经济增长速度等；（3）突发事

件的影响；（4）金融市场情况，如利率、汇率等.

以上多种因素相互作用共同影响，采用时间

序列模型不能很好地反映各种因素对BFI的影

响.而采用神经网络模型可以通过大量的历史数

据对网络进行训练，网络经过学习记忆可以存储

各种对运价指数的影响关系，用训练好的模型可

以进行预测.

2预测的神经网络模型

2.l神经网络模型

神经网络是在研究生物神经系统的基础上发

展起来的一种信息处理方法，人工神经网络是由

大量的同时也是很简单的处理单元即神经元广泛

地互相连接而形成的复杂网络系统，反映了人脑

功能的许多基本特性.它不仅具有强大的非线性

映射能力，可以实现复杂的因果关系，而且还具有

许多优点，如：自适应、自学习和容错性等，能够从

大量的历史数据中进行聚类和学习，进而找到某

些行为变化的规律.因而，人工神经网络以其独特

的信息处理特点在许多领域得到了成功的应用.

BP神经网络模型是目前应用的最为广泛的

一种神经网络模型，它具有很强的非线性映射作

用，波罗的海运价指数本身是一个巨大的非线性

系统，其影响因素之间存在复杂的相互关系神经网络 期货，BP

神经网络可以处理这种复杂的非线性关系，反映

其波动规律.

典型（如图l所示）的BP模型有一个输入层、

一个输出层和至少一个隐含层

［4］

.BP网络的处理

过程由正向计算和反向传播组成，首先学习样本

进入正向计算过程，从输入层经过隐含层的逐层

处理到输出层输出学习结果，如果输出达不到要

求则转入反向传播过程，将输出信号和目标输出

的误差沿网络的连接通路返回，从输出层到输入

层逐层修改各层神经元的连接权重.通过正向计

算和反向传播反复训练学习样本直到误差信号最

小或学习结果令人满意为止.

2.2预测模型分析

对BFI未来走势进行预测的基础是大量的历

史数据，主要是波罗的海交易所每日的报价、成交

量等.尽管这些数据简单且易看易懂，但大量

图lBP模型工作原理

仿真实验表明，直接利用这些数据作为输入输出

进行预测是困难的，主要原因是这些数据并不完

全反映BFI的内在规律.事实上，除了这些原始数

据外，还可以用一些经济指标与技术指标进行分

析，以求更好地实现对BFI的把握.

在仿真实验的选择方面，可以采用以下几个

方案

［5］

：（l）输入为前几天的指数，输出为当天的

指数；（2）输入为指数的移动平均神经网络如何准确预测期货价格？以波罗的海运价指数为例解析，输出为当天的

指数；（3）输入为前几天的某种技术指标，输出为

当天的这种技术指标；（4）输入为历史指数与影响

因素，输出为预测期的指数.

本文对波罗的海干散货综合指数（BDI）进行

预测分析.利用第l种方案进行短期预测，主要是

预测某一具体日期的BDI涨跌的情况；而利用第

4种方案进行中长期的预测，输入影响因素，输出

为某月BDI的平均值.

3BFI短期预测

3.l网络结构与数据预处理

（l）输入节点确定：在短期预测中，分析周期

的选择是否恰当对预测结果具有直接关系，本文

选择分析周期为20日，输入数组X（t）为每日

BDI，数组维数为l，所以网络的输入节点为20.

（2）数据预处理：将得到的原始数据转化为

神经网络识别的输入数据.设从第n 日开始预测

BDI 的走势，X' （t）为第 t 期原始数据，X（t）为预

处理后的数据，做以下处理：

X =

l9

i = 0

X' （n - i）

20

X（t）

X' （t）

- X

（3）输出节点的确定：网络的输出节点数为

l，即波罗的海干散货综合指数（BDI）的涨跌幅

度.

（4）其他参数的确定：隐含层节点数为20 个，

= 0. l，

" = 0. 9，误差为 0. 0l，训练次数为

2000 次.

6 4 大 连 海 事 大 学 学 报 第30 卷

3. 2 预测结果

利用三层神经网络对 BDI 进行预测，采用

2001 年1 月9 日

~ 3 月5 日的数据进行网络训练，

预测7 天的走势，即3 月6 ~ 14 日的走势. 结果如

表1 所示.

表1 神经网络模型预测值与实际值比较

日期 实际值 实际涨跌 预测值 预测涨跌

03-06 1527 跌 1525 跌

03-07 1520 跌 1521 跌

03-08 1511 跌 1509 跌

03-09 1500 跌 1501 跌

03-12 1496 跌 1495 跌

03-13 1493 跌 1496 涨

03-14 1497 涨 1498 涨

4 BFI 中长期预测

4. 1 网络数据结构与数据预处理

（1）输入节点的确定：采用4 输入节点，分别

为干散货船队运力总量、干散货运力需求、世界贸

易增长率、世界经济增长率.

（2）数据预处理：将得到的原始数据转化为

神经网络识别的输入数据. X

（I）为第I 期原始数

据，X（I）为预处理后的数据. 做以下处理：

X（I）

（I）

（I 1）

（3）输出节点的确定：网络的输出节点为波

罗的海运价指数（FBI）.

（4）其他网络参数的确定：隐含层节点数为5

个，取学习率为 0. 01，误差为 0. 02，训练次数为

2000 次.

4. 2 预测结果

将2002 年1 ~ 8 月的原始数据进行预处理得

到网络的8 个训练样本，将样本输入网络进行训

练得到网络的连接权值. 将2002 年9 ~ 12 月数据

输入训练好的网络得出预测值神经网络 期货，将预测值与实际

值进行对比，结果如表2 所示.

表2 神经网络模型预测值与实际值比较

日期 实际值 预测值 误差率/ %

2002-03 1065 1059 0. 563

2002-04 1077 1074 0. 279

2002-05 1033 1038 0. 484

2002-06 992 1002 1. 01

5 结束语

本文建立了波罗的海运价指数预测的神经网

络模型，分别对短期和中长期进行预测，并采用实

际数据对模型进行了检验. 从实证的效果来看，神

经网络模型具有较好的预测精度，在短期预测方

面，此模型更适合于预测“涨”与“跌”，而预测月度

的平均值也能保持较好的预测精度.

参 考 文 献：

［1］施 欣. 关于波罗的海运价指数的研究与思考［J］. 统计研究，1999 （2）：45-48.

［2］吕 靖，陈庆辉. 海运价格指数的波动规律［J］. 大连海事大学学报，2003，29 （1）：1-4.

［3］吴今培，段方勇. 基于神经网络的非线性时间序列预测方法研究［J］. 系统工程，1997，15 （5）：61-64 .

［4］韩力群. 人工神经网络理论、设计及应用［M］. 北京：化学工业出版社，2002.

［5］吴贻鼎，朱 翔，黄继瑜，等. 基于神经网络的证券市场预测［J］. 计算机应用，2002，22 （5）：31-33.

of in BFI

ZENG Oing-cheng

（ ，Daian Univ.神经网络如何准确预测期货价格？以波罗的海运价指数为例解析，Daian ，China）

：Batic Index is highy by trade and  trade ream. The f

rue of BFI is y. At ，the in BFI is mosty time mode . But the

compex cacuation and ow ity is its . Utiizing the non-inear of BP neura net-

works，this paper a mode to BFI . The mode BFI from short-term and -ong-term

ange. At ast，the mode is va by  data. The resut the high of this mode .

Key words：Batic index；neura ； mode

7 4 第3 期 曾庆成：神经网络在波罗的海运价指数预测中的应用研究

神经网络在波罗的海运价指数预测中的应用研究