期貨的論文代發(fā)表

期貨的論文代發(fā)表

　　在世界經濟的不斷演進和發(fā)展過程中,期貨市場扮演著極其重要的角色。下文是學習啦小編為大家搜集整理的關于期貨的論文代發(fā)表的內容，歡迎大家閱讀參考!

　　期貨的論文代發(fā)表篇1

　　淺談基于bp神經網路的我國滬深300股指期貨價格預測

　　1.引言

　　滬深300股指期貨上市到現在為止，已滿四周年，交易量不斷地擴大，已經累計成交4.37億手，累計成交額多達320.17萬億元，客戶已經有17.58萬之多。這些數字充分說明我國股指期貨市場驚人的活躍程度。對于如此活躍的市場，預測其合約價格的就顯得非常重要了。股指期貨市場與股票市場有許多相似之處，也是一個不穩(wěn)定的、開放的、非線性變化的復雜動態(tài)系統(tǒng)。其合約價格的變動受到金融因素、經濟因素、政治因素、投資者心理因素等眾多因素的影響，其變化過程具有非線性、混沌性與長期記憶性等特點。由于有以上特點的存在，我們可以利用BP神經網絡的理論方法，選取每天的開盤價、收盤價、均價、成交量等指標，選取合適的隱含層數量，以預測其短期的價格。

　　2.滬深300股指期貨

　　2.1 滬深300股票指數

　　滬深300股票指數是由中證指數公司編制，在2005年4月8日正式發(fā)布。滬深300指數是以2004年12月31日為基日，其點位為1000點。其組成是從上海和深圳證券市場中選取300只A股作為樣本，其中滬市有179只，深市有121只，選取的樣本為規(guī)模大、流動性強的胡票。滬深300指數的樣本覆蓋了滬深市場約六成的市值，其本質是作為一種商品。

　　2.2 滬深300股指期貨

　　滬深300股指期貨是以滬深300指數作為標的物的期貨品種，在2010年4月由中國金融期貨記憶所推出。它是采用現金交割，交割結算價采用到期日最后兩小時所有指數點位算術平均價。它具有雙向交易、高杠桿性、高流動性和低交易成本的特點。雙向交易是指可以買也可以賣，高杠桿性是指保證金比率只有12%，投資杠桿約為8.3倍。高流動性是指采取T+0交易方式。低成本是指期貨交易的手續(xù)費一般在合約價值的萬分之幾左右。并且他和其他期貨品種一樣，出發(fā)點是為了保值而非盈利。

　　3.影響滬深300指數期貨價格的因素

　　3.1 宏觀經濟運行及企業(yè)運行狀況

　　一般情況下，宏觀經濟運行良好的情況下，該股指期貨價格會呈現不斷攀升的趨勢;而在運行不好情況下，其價格會不斷下降。同樣的，如果各大企業(yè)生產經營狀況良好，其價格也會上升;若相反，其價格便會下跌。

　　宏觀經濟的一些主要指標也會影響滬深300股指期貨的價格，例如GDP增長率、國際貿易收支情況、實際可支配收入情況等，這些指標的增加說明我國宏觀經濟運行狀況良好，則該股指期貨的價格便會上升，若失業(yè)率增加，存貸比率過高或過低，便會使其價格下跌。

　　3.2 利率、匯率水平的高低及趨勢

　　一般來說，利率水平越高，股指期貨的價格就會越低。這是因為高利率會使投資者將更多的錢存入銀行，從而導致股票市場的資金減少，同時，高利率會使貸款利率升高，企業(yè)的財務成本變大，生產經營狀況會變差，從而影響股價，使股指期貨的價格下跌。匯率的影響與利率類似，高匯率不利于出口，利于進口，會使國內企業(yè)的經營狀況變差。

　　4.BP神經網絡模型

　　4.1 BP神經網絡模型介紹

　　BP神經網路也稱為誤差反向傳播神經網絡，它是由非線性變換單元組成的前饋網絡。在神經網絡的應用中，超過80%的神經網絡模型是采用它或者是它的變化形式，因此它也是前饋網絡的核心部分。

　　BP算法的基本思想是：學習過程是由信號的正向傳播和逆向傳播兩部分組成，在正向傳播時，輸入樣本值通過輸入層傳入各個隱含層，經過隱含層處理后，傳向輸出層。如果輸入層的實際輸出與期望的不一樣，則將誤差逆向傳播，將誤差反向傳播給各層所有單元，從而得到各層單元的誤差信號，并以此為依據修成各單元的權值，這種權值調整的過程是在不斷進行的，就是網絡的學習過程。這個過程一直到訓練輸出的誤差減少到可以接受的程度或是預先設定的次數為止。

　　4.2 BP神經網絡模型設定

　　4.2.1 網絡層數

　　大量的實驗數據證明，隱含層的數目越多，BP神經網絡的非線性映射能力越強，但如果太多，反而會降低網絡的性能。由于但隱層的網絡可以逼近任意一個連續(xù)的非線性函數，因此，本文將會將采用單隱層的網絡。

　　4.2.2 輸入層及輸出層神經元個數確定

　　本文利用前1天的開盤價、最高價、最低價、收盤價、交易量、10日均價、30日均價預測下一天的收盤價，因此輸入層神經元的個數為N=7，而輸出層的神經元個數為M=1。

　　4.2.3 隱含層神經元個數的確定

　　隱含層數量的多少一般由下面的公式確定：n=ni=n0+a

　　在這里我們有8個輸入層，1個輸出層，a取0-10之間，經反復嘗試，a取5較好，因此我們設置8個隱含層。

　　4.3 數據處理

　　在訓練之前，我們首先需要將數據進行標準歸一化處理，因為各個數據之間的數量級是不相同的，若我們直接利用原始數據進行訓練，則會導致有的數據權數太小，而有的數據權數過大，訓練的結果將變得更不準確，因此我們需要對其進行處理，其公式為：x[i]p=(xp-xmin)/(xmax-xmin)

　　歸一化后的數據是介于0與1之間，會使預測結果會更加穩(wěn)定、準確。

　　5.實驗過程與結果分析

　　5.1 實驗數據的選擇。

　　本文采用的實驗數據是滬深300股指期貨2013.5.15到2014.5.15之間的開盤價、最高價、最低價、收盤價、交易量、10日均價與30日均價 ，用前一天的開盤價、最高價、最低價、收盤價、交易量、10日均價與30日均價來預測后一天的收盤價格。選取以上的自變量主要是因為這些變量都在一定的程度上影響了后一天的收盤價，它們與因變量之間存在著某種函數關系，該函數關系可以通過神經網路模擬出來。

　　5.2 實驗過程。

　　先將數據導入到excel表格中進行簡單的整理，再利用上述的標準化公式將數據標準化。將處理后的數據導入matlab中，利用其中的函數生成我們所需要的神經網絡，如果結果良好，則我們利用它來預測之后股指期貨的價格趨勢，但如果結果沒有達到預期，則我們重復上述步驟，生成新的神經網絡，直到符合我們的預期為止。

　　5.3 實驗結果。

　　我們設定誤差標準為0.0004，按照上述的設定生成神經網絡，得到運算結果表明總共運行了152次迭代，共用時1秒，初始的均方誤差為0.188，通過迭代后達到了0.000397，滿足了我們的要求0.0004，斜率的變化為0.000475，該值表明均方誤差的變化已經非常小了。原模型最后五天的標準化后的數據分別為0.1318、0.2034、0.1820、0.1802、0.1483，而我們通過該網絡預測出的結果為0.1347、0.1582、0.2094、0.1729、0.1472，預測出的數據已經非常接近真實的數據，最后一天的誤差僅有0.7%，該結果充分表明了該模型的可信度。

　　5.4預測結果。

　　通過之后五天的前一天的開盤價、收盤價、最高價、最低價、交易量、10日均價、30日均價的數據去預測后一天的收盤價，得到的平均誤差率為4.1%，該結果表明運用BP神經網絡模型確實可以在一定的程度上預測滬深300股指期貨的價格，預測的結果還比較理想，因此，說明我們可以用BP神經網絡對股指期貨價格進行預測，并且其預測的結果有助于我們制定以后的投資策略。

　　6.結論

　　本文通過BP神經網絡對我國滬深300股指期貨每日的收盤價進行了實際模擬，并且預測了股指期貨最近5日的收盤價格，并將預測的結果與實際的結果進行了比較，結果說明預測的價格與實際的價格相差很小，該網絡有較高的精度和較為穩(wěn)定的預測結果，表明我們利用BP神經網絡去預測我國滬深300股指期貨的價格是成功的。然而對于期貨市場的大部分投資者而言，他們更加關注的是期貨價格的走勢而非其價格的具體值，這主要是由股指期貨價格市場的基本功能決定的，股指期貨市場的套期保值、投機等功能的運用都需要判斷價格趨勢的變化，是做空還是做多是大多數投資者關注的主要問題。本文在股指期貨價格趨勢的預測上還存在許多問題，主要問題可能是因為選取的因變量過于偏向于短期，而沒有考慮長期因素對其價格影響，在以后的研究中，可以通過一些長期的因變量、如GDP、消費量、利率等去預測股指期貨價格長期的變化趨勢，也可以通過擴大樣本增加預測的精確度。

　　>>>下頁帶來更多的期貨的論文代發(fā)表