基于LSTM模型螺紋鋼期貨價格預測研究

(北京物資學院 北京 101149)

一、引言

步入21世紀后，我國進入快速發展期，螺紋鋼的產量不斷增長。因受到國際螺紋鋼價格波動影響，我國螺紋鋼的價格大起大落，鋼鐵生產企業以及貿易商需要期貨市場規避風險。2009年3月27日，螺紋鋼期貨于上交所上市交易。近幾年來，螺紋鋼期貨的價格波動更加劇烈，通過模型對螺紋鋼期貨的價格進行預測，可以客觀地為套期保值者提供價格參考，也可以客觀地為投資者提供預警，使投資者合理控制風險。

對于期貨價格預測主要存在兩種預測方法。一種預測方法是基于線性回歸的時間序列模型預測法，費婧文(2017)通過ARIMA模型預測了黃金期貨的價格，通過研究發現該模型能預測出短期內黃金期貨價格的走勢。另一種預測方法是基于非線性回歸的神經網絡的預測法，王珂(2018)通過構建BP神經網絡模型和小波網絡模型對螺紋鋼期貨價格進行對比預測研究，通過研究發現BP神經網絡的預測效果更優，整體上預測值和真實值的擬合效果較好。

因為金融時間序列數據存在非平穩、非線性以及高噪聲等特點，所以時間序列預測方法雖能預測出短期的期貨價格走勢，但預測的效果和神經網絡預測模型相比存在差距。然而BP神經網絡也不能很好地解決時間序列預測的問題，并且存在算法易陷入局部最優、網絡結構的選擇缺乏統一的標準、輸入數據的數量不易確定等問題。LSTM模型是最新的神經網絡模型之一，本身具有時序特性和選擇記憶性，這兩個特性十分適用于期貨價格預測。因此本文基于LSTM模型對螺紋鋼期貨價格進行預測。

二、實證分析

(一)指標構建及數據選取

影響螺紋鋼期貨價格的宏觀數據如PMI、CPI等數據更新周期較長，預測的實效性不好，因此本文從微觀角度構建螺紋鋼期貨收盤價預測指標，選取指標為螺紋鋼期貨交易數據的開盤價、最高價、最低價、成交量和持倉量五個要素。

不同期貨合約的成交量和持倉量不同，螺紋鋼期貨1月、5月和10月的成交量和持倉量最大，其余月份的期貨合約并不活躍，因此本文選取成交量和持倉量最大的主力連續合約為研究對象。由于螺紋鋼期貨在2009年3月27日上市，上市初期期貨市場的運行并不平穩，為了降低噪聲，剔除2009年交易的數據，數據選取時間段為2010年1月4日至2019年6月6日，數據來自東方財富數據庫。選取75%總體數據數據作為訓練集，訓練集的起始時間為2010年1月4日至2017年1月13日，選取25%總體數據作為預測集，預測集的起始時間為2017年1月14日至2019年6月6日。

(二)數據的處理及預測方法

本文所構建的螺紋鋼期貨收盤價預測指標中不同指標間數值差別很大，若不進行數據處理，則數值大的指標會影響所構建的神經網絡的預測準確性。因此需將所獲取的指標數據進行標準化處理，標準化處理的公式為

其中，x*表示預測指標標準化處理后的數據，x表示每一個預測指標的原始數據，μ為每一個預測指標的數據平均值，σ為每一個預測指標的數據方差。

隨著預測指標數據滯后期的延長，對于螺紋鋼期貨收盤價的影響效果越來越弱，甚至會影響預測效果。因此本文選取前10天交易日的預測指標數據對第11天螺紋鋼期貨的收盤價進行預測，將預測指標數據按照每10天劃分為一塊，對10天的數據進行訓練，然后預測出第11天的數據，經過訓練到合適的次數得到最優訓練模型，將預測集帶入訓練好的模型進行預測，將預測值與原始數據進行對比，衡量預測的準確率。

(三)模型構建與結果分析

模型的輸入為5個預測指標，輸出為螺紋鋼期貨的預測值。經過將LSTM模型參數不斷調整，螺紋鋼期貨價格的預測值達到了較為理想的狀態。參數的設置如下：本文搭建了兩層LSTM模型，隱藏神經元個數設置為10個，學習率設置為0.0006，迭代次數為200次。訓練過程中如果參與訓練的神經元過多，訓練集中的預測值與真實值擬合效果過好，但預測效果并不好，為了防止出現這樣的現象，本文構建的LSTM模型引入了dropout結構，并將dropout的參數設置為0.5。

本文采用平均絕對百分誤差(MAPE)對螺紋鋼期貨的預測效果進行評估，公式為

y1為預測值，y2為真實值，n為預測集中樣本的個數，此方法在進行評估時考慮預測值與真實值誤差的同時，還將誤差占真實值的百分比考慮在內。MAPE的數值越小表示預測的精度越高。

螺紋鋼期貨收盤價預測值和真實值的擬合結果如圖1所示，部分螺紋鋼期貨收盤價預測結果如表1所示。

圖1 螺紋鋼期貨收盤價預測結果

通過圖形的擬合效果可知，雖然存在個別螺紋鋼期貨價格預測結果和真實值相比差別較大，但整體看預測值和真實值的擬合效果較好，在一定的范圍內模型的預測值準確率較高，且MAPE值僅為0.828%。

表1 部分螺紋鋼期貨收盤價預測結果

三、結論

經過將LSTM模型參數不斷調整，使用訓練好的模型對預測值進行預測，整體看預測值和真實值的擬合效果較好，模型的預測值準確率較高，平均絕對百分誤差僅為0.828%。根據本文的預測模型，不但可以客觀地為套期保值者提供價格參考，而且可以客觀地為投資者提供預警，使投資者合理控制風險。同時，監管者可以根據宏觀基本面變化以及微觀價格預測結果構建螺紋鋼期貨的風險預警體系,防范系統性風險。