馮海珊，蔣若怡

（1.廣西大學(xué) 數(shù)學(xué)與信息科學(xué)學(xué)院，南寧 530004；2.桂林電子科技大學(xué) 計算機與信息安全學(xué)院，廣西 桂林 541004）

0 引言

傳統(tǒng)的原油期貨價格的預(yù)測方法是ARIMA 模型和GARCH 模型，但原油期貨價格時間序列的非平穩(wěn)、波動大、高集聚、高緯度等非線性特征使得傳統(tǒng)的方法難以準確刻畫。近年來，伴隨著大數(shù)據(jù)的積累、計算機硬件的改善，機器學(xué)習(xí)方法因其具有學(xué)習(xí)非線性網(wǎng)絡(luò)結(jié)構(gòu)的能力，能實現(xiàn)對原油期貨價格時間序列非線性、非平穩(wěn)特征的刻畫，逐漸成為預(yù)測原油期貨價格領(lǐng)域的主流方法。

謝文等人基于SVM 模型對原油價格進行了預(yù)測，并與ARIMA 模型和BPNN 模型的預(yù)測效果進行了比較，結(jié)果顯示改進的SVM 模型在預(yù)測精度上表現(xiàn)更好；希羅馬（Chiroma）等人構(gòu)建了GA-NN 組合模型預(yù)測WTI 原油價格；還有不少學(xué)者采用LSTM 類模型預(yù)測原油期貨的價格。上述方法均以原始數(shù)據(jù)作為輸入要素，鮮少有文獻使用文本、圖片等非結(jié)構(gòu)化數(shù)據(jù)信息對原油期貨價格進行預(yù)測。機器學(xué)習(xí)中的深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）模型對圖像識別有較好的效果。現(xiàn)有文獻中，部分作者基于DBN 模型，使用非結(jié)構(gòu)化信息作為輸入特征，對匯率和股票價格進行預(yù)測，能顯著改善預(yù)測效果。例如，沈富饒等人基于改進的DBN 網(wǎng)絡(luò)對外匯匯率序列進行預(yù)測，達到了比傳統(tǒng)方法更好的效果；曾志平等人基于DBN將原始價格轉(zhuǎn)化為圖像用于預(yù)測股票價格的趨勢，結(jié)果表明，預(yù)測準確率可以達到90%以上。

綜上所述，研究使用文本、圖片等非結(jié)構(gòu)數(shù)據(jù)信息在原油期貨價格預(yù)測中具有可行性。本文在DBN模型的基礎(chǔ)上，采用圖片作為輸入要素，對WTI 原油期貨價格進行預(yù)測。與之前研究不同的是，本文不僅采用WTI 期貨價格的原始結(jié)算價，還會加入收盤價、開盤價、最高價和最低價的時間序列數(shù)據(jù)的預(yù)測，在此基礎(chǔ)上提出基于DBN 模型的區(qū)間預(yù)測方法。

1 基于DBN 的區(qū)間預(yù)測模型

DBN 模型是一種深度學(xué)習(xí)模型，可以實現(xiàn)對數(shù)據(jù)的降維及分類。其整體結(jié)構(gòu)如圖1 所示。模型由多層堆疊在一起的受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）和有監(jiān)督的反向傳播網(wǎng)絡(luò)組成，前一個RBM 的輸出成為后面RBM 的輸入，輸入層-隱藏層之間和隱藏層-隱藏層之間均利用高斯-伯努利RBM，層級設(shè)計可以有N 層，輸出層為無監(jiān)督分類的結(jié)果。模型訓(xùn)練的過程就是對RBM 結(jié)構(gòu)進行微調(diào)并設(shè)置合適的層數(shù)使其適應(yīng)數(shù)據(jù)的訓(xùn)練，以獲得最高的預(yù)測精度。

圖1 DBN 模型基本結(jié)構(gòu)

國內(nèi)學(xué)者曾志平等人首次將DBN 模型應(yīng)用于金融領(lǐng)域的研究，研究指出，直接將時序數(shù)據(jù)輸入模型容易造成DBN 算法的發(fā)散，難以找出原始數(shù)據(jù)的整體規(guī)律。參考該文獻，本文在建模時，將結(jié)算價、收盤價、開盤價、最高價、最低價和成交量等指標數(shù)據(jù)均轉(zhuǎn)換成圖片作為輸入信號訓(xùn)練DBN 模型，再利用訓(xùn)練好的DBN 模型進行趨勢預(yù)測，這樣每個指標都會有一個趨勢預(yù)測結(jié)果，如上漲或下跌，最后將最低價、最高價、開盤價、收盤價的趨勢預(yù)測結(jié)果綜合考慮，就得到一個預(yù)測的區(qū)間范圍。

2 數(shù)據(jù)預(yù)處理

本研究采用的WTI 原油期貨結(jié)算價（連續(xù)）日度數(shù)據(jù)的時間區(qū)間為1983 年3 月30 日至2021 年3 月22 日，去掉空值后總的數(shù)據(jù)個數(shù)為9 536 個，數(shù)據(jù)來源于美國能源署網(wǎng)站。WTI 原油期貨開盤價、收盤價、最低價、最高價、成交量和成交額日度數(shù)據(jù)的時間區(qū)間為2010 年11 月19 日至2021 年4 月28 日，數(shù)據(jù)來源于WIND 數(shù)據(jù)庫。

首先，對數(shù)據(jù)進行歸一化處理并畫時間序列圖。鑒于原油期貨價格時序數(shù)據(jù)的復(fù)雜性，首先對時序數(shù)據(jù)樣本進行歸一化處理，公式為：

式（1）中，

x

為某指標原始數(shù)據(jù)，

y

為歸一化后的數(shù)據(jù)，假設(shè)樣本容量為

N

，對其進行歸一化后選取

n

個數(shù)據(jù)畫一張曲線圖，若窗口的移動步長為

k

，則可生成（

N

-

n

+1）/

k

張圖片。對于每一個價格序列，本研究均選取

n

為5、

k

為1 的模式。

其次，對圖像進行預(yù)處理。在將圖片作為特征輸入模型之前，需要對圖像進行預(yù)處理，通常的預(yù)處理有圖像去噪、圖像灰度調(diào)整和圖像分辨率調(diào)整等，本文將全部非結(jié)構(gòu)化數(shù)據(jù)均預(yù)處理為47×49 像素的非結(jié)構(gòu)化圖片，并分成（a）有明顯上升趨勢、（b）有明顯下降趨勢和（c）無明顯趨勢3 種類型，部分樣本示例如圖2 所示。將這些非結(jié)構(gòu)化數(shù)據(jù)作為訓(xùn)練DBN模型的原始數(shù)據(jù)，其中預(yù)訓(xùn)練數(shù)據(jù)約為總數(shù)據(jù)量的80%，驗證數(shù)據(jù)為總數(shù)據(jù)量的20%。

圖2 WTI 原油期貨數(shù)據(jù)樣本示例

3 DBN 網(wǎng)絡(luò)訓(xùn)練

在Python 3.7 下搭建TensorFlow 環(huán)境，經(jīng)過模型篩選，選擇3 層RBM 組成的DBN 深度學(xué)習(xí)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入層有47×49 個節(jié)點，第一個和第二個隱含層有3 000 個節(jié)點，輸出層有3 個輸出節(jié)點（上漲、下跌或者無明顯趨勢狀態(tài)），迭代次數(shù)為20，學(xué)習(xí)率的大小選擇1.0。

4 實驗結(jié)果及預(yù)測分析

各指標預(yù)測結(jié)果如表1 所示。從預(yù)測結(jié)果來看，除最低價和最高價指標外，其余指標預(yù)測的準確率都能達到80%，效果較好，與曾志平等人用同一方法預(yù)測滬、深市場股票價格的準確率相當。

表1 DBN 網(wǎng)絡(luò)預(yù)測準確率

在決策實踐中，假設(shè)第t 天的結(jié)算價為5 元，最低價為4.5 元，最高價為5.5 元，根據(jù)趨勢預(yù)測，未來一天的結(jié)算價上漲，收盤價下跌，則可能的價格期間就為5～5.5 元。對于每個指標都漲或都跌的情況，預(yù)測的區(qū)間就會是一個沒有上限或下限的區(qū)間。結(jié)果表明，通過加入除結(jié)算價之外的最高價、最低價等指標的趨勢預(yù)測，構(gòu)建漲跌趨勢的預(yù)測區(qū)間，可以更準確地篩選出漲跌區(qū)間，部分舉例如表2 所示。對投資者來說，可結(jié)合自己的風(fēng)險偏好和期望預(yù)期，利用接下來若干個工作日的漲跌情況，設(shè)計符合自身情況的交易策略。

表2 預(yù)測的區(qū)間估計

5 結(jié)語

研究表明，通過圖片信息提取作價格時間序列的預(yù)測，將價格時間序列的非線性、非平穩(wěn)性等復(fù)雜特征的信息反映在圖片上，讓機器學(xué)習(xí)通過識別圖片這些特征，準確率能達到80%。為了達到更理想的效果，還可以從圖像分類和學(xué)習(xí)訓(xùn)練模型的搭建方面進行改進。在圖像分類方面，可以嘗試補充轉(zhuǎn)折點的分類；在訓(xùn)練模型方面，可以嘗試用不同的算法改進訓(xùn)練的速度和效率，在此基礎(chǔ)上設(shè)計符合自身風(fēng)格的投資組合策略。