發(fā)布時間：2024-09-17 12:53

　　 首先按照先前學者的思路,利用傳統(tǒng)的向量自回歸-誤差修正(VECM)模型進行分析,結果發(fā)現(xiàn)期貨對現(xiàn)貨有明顯的引領效應.但若對特定的異常時段進行分析,期貨引領現(xiàn)貨的效應有所減弱但仍比較明顯.考慮到VECM模型自身存在的一些問題,又嘗試了遺傳算法、最優(yōu)熱路徑方法等非參數(shù)統(tǒng)計方法.其中,遺傳算法收效甚微,但最優(yōu)熱路徑算法得到了期貨長期領先現(xiàn)貨平均2.45分鐘、而在2015年股災期間,期現(xiàn)貨之間的領先滯后關系出現(xiàn)了一定程度上的反轉的結論.最終本文嘗試使用支持向量機(SVM)方法對這一問題進行研究,將數(shù)據(jù)的尺度從大到小進行分析,目標從尋找長期關系轉到短期關系,但最終效果不甚理想.因此認為用SVM很難訓練出一個讓人滿意的分類器,僅用期貨、現(xiàn)貨等數(shù)據(jù)預測市場走勢無論是短期還是長期來看都是十分困難的.

【文章頁數(shù)】：13 頁

【部分圖文】：

圖１?２０１２年１月４日（左）與２０１５年６月９日（右）滬深３００指數(shù)期貨、現(xiàn)貨分鐘數(shù)據(jù)走勢圖??

ＡＦｔ?＝?０．０２１５０?－?０．０２７９４Ａ５ｔ＿ｉ?＋?０．００３９ＡＦｔ＿ｉ?－?０．００１３Ｚｔ??（０．０３０５）?（９．１２ｅ－０６）?（０．３６３８）?（０．１４７９）??可以看到，２０１４年數(shù)據(jù)得出的結論與論文中結論類似：現(xiàn)貨受期貨引領的效應十分明顯，??而期貨....

圖２遺傳算法框架圖??其中，Ｔｅｒｍｉｎａｌｓ和Ｐｒｉｍｉｔｉｖｅ?Ｆｕｎｃｔｉｏｎｓ可以作為結點，幫助我們構造個體（表達式樹）；Ｆｉｔｎｅｓｓ??Ｍｅａｓｕｒｅ與Ｐａｒａｍｅｔｅｒｓ幫助我們演繹a

過程中選擇出對未來預測最優(yōu)的那個個體（或者說那個函數(shù)）．??在原論文的算法里，每個個體（函數(shù)）都被視為一棵表達式樹．我們知道，一個函數(shù)表達??式可以轉成一棵表達式樹，反之亦然．由于這是一個非參數(shù)統(tǒng)計方法，我們沒有對表達式有初??始的模型限定，而是希望通過將四則運算符與一些基本初等....

圖３表達式樹示例??

“個體”都是一個函數(shù)，它可以利用先前的數(shù)據(jù)去預測將來的期貨或現(xiàn)貨的價??格．我們希望在運算過程中選擇出對未來預測最優(yōu)的那個個體（或者說那個函數(shù)）．??在原論文的算法里，每個個體（函數(shù)）都被視為一棵表達式樹．我們知道，一個函數(shù)表達??式可以轉成一棵表達式樹，反之亦然．由于這是一個非....

圖４遺傳算法的５要素??

預測將來的期貨或現(xiàn)貨的價??格．我們希望在運算過程中選擇出對未來預測最優(yōu)的那個個體（或者說那個函數(shù)）．??在原論文的算法里，每個個體（函數(shù)）都被視為一棵表達式樹．我們知道，一個函數(shù)表達??式可以轉成一棵表達式樹，反之亦然．由于這是一個非參數(shù)統(tǒng)計方法，我們沒有對表達式有初??始的模....

本文編號：4005476