[發明專利]一種基于代表樣本的在線支持向量回歸機的石油期貨價格預測方法

在審

• 申請號: 201710805384.8
• 申請日: 2017-09-08
• 公開（公告）號: CN107578129A
• 公開（公告）日: 2018-01-12
• 發明（設計）人: 顧曉清;倪彤光;張繼;薛磊
• 申請（專利權）人: 常州大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q40/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及石油期貨價格預測領域，具體涉及一種基于代表樣本的在線支持向量回歸機的石油期貨價格預測方法。

背景技術

石油期貨作為一種重要的石油交易方式，分析石油期貨價格特征，把握石油期貨價格的變動規律，對管理者正確調控期貨市場具有重要的理論意義和現實意義；對投資者指定正確的投資策略，避免風險、提高收益具有重要的指導作用。

目前石油期貨價格預測方法大致分為經驗預測方法、分形理論方法和機器學習方法。由于影響石油期貨價格的因素很多，且期貨價格的規律是非線性的，機器學習方法越來越受到研究者的關注。如張凱、沙鋒在《基于非線性組合方法的石油期貨價格預測研究》(計算機仿真,2012年7月)中使用支持向量機非線性組合方法提高石油期貨價格的預測精度；杜光年、劉志斌在《石油價格波動分析與預測方法研究》(湖南大學碩士畢業論文,2006年)中基于微分模擬方法和神經網絡方法對石油價格及其影響因素進行了系統模擬，并建立了模擬系統。

而這些石油期貨價格預測方法在實際應用中都基于批量離線處理模式，即生成模型的數據都在訓練前一次獲取。面對不斷更新的數據，批量離線處理模式為了獲得更精準的預測結果需要對所有數據重新訓練。然而隨著數據集規模的不斷增加，訓練時間將大大增加，最終導致模型學習的速度趕不上數據更新的速度。因此這類方法在實際應用中很難操作。針對石油期貨價格預測方法的現狀和諸多不足，本發明提出了一種基于代表樣本的在線支持向量回歸機的石油期貨價格預測方法。

發明內容

本發明的主要目的是提出了一種基于代表樣本的在線支持向量回歸機的石油期貨價格預測方法，在處理實時石油期貨數據時，區別與傳統方法使用全部訓練數據進行模型學習的方法，本方法采用基于代表點的模型學習方法，即只使用能代表訓練數據輪廓信息的代表樣本作為訓練數據用于模型的訓練，降低了預測模型對系統的時間和空間的需求，同時能夠進行準確實時對石油期貨價格進行預測。

按照本發明的技術方案是，所述基于代表樣本的在線支持向量回歸機的石油期貨價格預測方法，包含如下步驟：

步驟1.采集石油期貨價格歷史數據：以當日開盤價、當日最高價、當日最低價、當日成交價、當日持倉量和前4天均價作為輸入樣本集X，并選擇后3天均價作為輸出集Y，形成石油期貨價格訓練集{X,Y}；

步驟2.計算石油期貨價格訓練集{X,Y}的代表樣本集{X*,Y*}；

步驟3.使用最小二乘支持向量回歸機對步驟2得到的代表樣本集{X*,Y*}進行訓練，構建石油期貨價格預測模型；

步驟4.實時采集石油期貨當前交易日的當日開盤價、當日最高價、當日最低價、當日成交價、當日持倉量和前4天均價，形成待預測樣本x_test；

步驟5.使用步驟3得到的石油期貨價格預測模型對待預測樣本x_test的后3天均價進行預測，得到其后3天均價的預測值y_test并輸出；

步驟6.判斷樣本x_test是否是新的代表樣本，若是，則更新代表樣本集，并重新構建石油期貨價格預測模型；若不是，則不更新代表樣本集；

步驟7.當代表樣本集中樣本數量超過設定的閾值時，對代表樣本集進行精簡：按照代表樣本的交易日期降序排列，剔除排名前p％的樣本，其中p為一個正常數；

步驟8.若無新數據到達，則等待；若有新數據到達，則轉向步驟4；

上述步驟2所述的計算石油期貨價格訓練集的代表樣本的具體步驟如下：

步驟2.1.在輸入樣本集X上使用支持向量域描述(support vector data div,SVDD) 算法得到X在特征空間下的最小包含球的球心c₁和分布在最小包含球球面上的樣本集合X*；

步驟2.2.計算X中除集合X^*外的每個樣本x_i到球心c₁在特征空間中的距離d_i，d_i的計算式為：

d_i＝||φ(x_i)-φ(c₁)||²，(1)

其中x_i表示X中第i個樣本且滿足φ()表示樣本從原始空間到核空間的映射函數；

步驟2.3.根據距離d_i值降序排列集合X中除X*外的樣本，得到集合E₁；