正文
大豆作为全球主要农产品之一,其期货价格波动对国际贸易、食品安全和经济稳定具有重要影响。然而,由于金融市场的高度非线性、非平稳特性及多种宏观因素的复杂交互,准确预测大豆期货价格一直是农业金融领域的挑战性问题。本文提出了一种新的混合大豆期货价格预测模型,该模型包括数据预处理和深度学习预测两个阶段。在数据预处理阶段,采用ICEEMDAN (改进的带自适应噪声的完全集合经验模态分解) 方法将期货价格序列分解为子序列;然后采用Lempel-Ziv复杂度确定方法识别并重构高频子序列;最后,采用白鲸优化算法优化的变分模态分解对高频成分进行二次分解。在深度学习预测阶段,采用麻雀搜索算法优化的深度极限学习机对所有子序列进行独立预测并重构,得到最终的大豆期货价格预测结果。基于中国、意大利、美国大豆期货价格市场的实验结果发现,所提出的混合方法在预测精度和稳健性方面具有优异的性能。
﹀
﹀
﹀
1.
构建多阶段融合的混合预测模型,实现对大豆期货价格的高精度建模。
2.
引入白鲸优化算法,自动调参提升变分模态分解算法的分解质量与稳定性。
3.
基于麻雀搜索算法的预测器优化机制,全面提升序列预测精度与模型鲁棒性。
﹀
﹀
﹀
﹀
﹀
﹀
大豆作为全球最具战略意义的农作物之一,其期货价格不仅直接影响农业生产者的收益预期,也对国家粮食安全、国际贸易格局以及金融市场稳定性产生深远影响。然而,由于大豆期货价格受全球商品市场波动、投资者情绪变化、地缘政治事件以及货币政策等多重因素影响,呈现出高度非线性、强噪声和显著波动性的特征,从而大大增加了准确预测的难度。
尽管已有研究广泛采用统计模型 (如ARIMA) 和深度学习模型 (如LSTM、GRU) 对农产品价格进行预测,并在一定程度上提升了预测精度,但单一模型在面对复杂非平稳时间序列时仍存在鲁棒性差、过拟合严重、对局部极值敏感等问题。此外,目前多数研究往往忽视了对原始时间序列进行充分的数据预处理,导致模型难以从高噪声数据中提取有效特征,预测性能受限。特别是在多市场、复杂波动特征背景下,如何构建具有普适性与泛化能力的高精度预测模型,依然是当前农业金融智能预测领域亟待解决的关键问题。
本研究提出了一种基于混合数据预处理策略的深度学习模型,通过二次分解方法和优化预测算法的结合,显著提高大豆期货价格预测的准确性和鲁棒性。