CN110288482A - 钢厂期货交易方法及系统 - Google Patents
钢厂期货交易方法及系统 Download PDFInfo
- Publication number
- CN110288482A CN110288482A CN201910588128.7A CN201910588128A CN110288482A CN 110288482 A CN110288482 A CN 110288482A CN 201910588128 A CN201910588128 A CN 201910588128A CN 110288482 A CN110288482 A CN 110288482A
- Authority
- CN
- China
- Prior art keywords
- futures
- steel mill
- price
- node
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种钢厂期货交易方法和交易系统,属于互联网技术领域。采用了该发明的钢厂期货交易方法和交易系统,可利用网络获取与调价相关的关联指标的历史数据;进而建立钢厂期货调价预测模型;确定调价后的期货价格;并根据该期货价格进行期货交易,从而保证价格预判方式依赖网络完成,因而对于技术人员的专业知识和经验积累的要求更低,便于操作,且调价方式更为客观,更利于基于互联网的期货交易的形成。且本发明的实现方式简便,应用范围也相当广泛。
Description
技术领域
本发明涉及互联网技术领域,特别涉及利用互联网实现期货交易的技术领域,具体是指一种钢厂期货交易方法及系统。
背景技术
期货,是以某种特定产品,如金属制品、能源或粮产品等为标的标准化可交易合约。
特定期货的供货商,如提供螺纹钢期货的钢厂,需要对于期货确定其交割时间和初始的价格。一般而言价格依据历史数据和经验决定,主观性较强,价格决定了期货交易的可能性和供货商的盈利情况。
另一方面,期货市场的投资人在进行期货交易时,同样需要对于期货在交割时的现货价格进行预判,价格预判是投资人重要的投资参考,目前投资人对于价格的预判与主要根据历史数据和经验决定。
现有技术的缺点在于,缺乏有效的价格预判机制,主要依靠经验判断,误差较大,不利于期货交易达成。
发明内容
本发明的目的是克服了上述现有技术中的缺点,提供一种利用网络获取与调价相关的关联指标的历史数据;进而建立钢厂期货调价预测模型;确定调价后的期货价格;并根据该期货价格进行期货交易,从而保证价格预判方式依赖网络完成,更为客观,更利于基于互联网的期货交易形成的钢厂期货交易方法及系统。
为了实现上述的目的,本发明的钢厂期货交易方法包括以下步骤:
获取与钢厂期货调价相关的关联指标的历史数据;
根据所述的历史数据建立钢厂期货调价预测模型;
根据所述的钢厂期货调价预测模型确定期货价格;
根据所述的期货价格进行期货交易。
该钢厂期货交易方法中,所述的与钢厂期货调价相关的关联指标包括:铁矿石价格、焦炭产量、焦炭库存、钢材各品种社会库存、PMI、钢材现货价格、城市空气指标、钢厂产能利用率、钢厂开工率、白色家电销量、汽车产销量、上市钢铁企业财务指标、GDP、货币供应量、通货膨胀率、国家外汇储备和固定资产投资;所述的获取与钢厂期货调价相关的关联指标的历史数据的步骤具体为:利用网络获取部分或全部所述的关联指标在同一时间段内的历史数据;根据确定的时间周期,将所获取的关联指标的历史数据对齐到统一的颗粒度。
该钢厂期货交易方法中,所述的根据所述的历史数据建立钢厂期货调价预测模型,具体包括:根据所述的历史数据建立用以预测钢厂期货调价方向的SVM二分类模型;根据所述的历史数据建立用以预测钢厂期货调价幅度的随机森林回归模型。
该钢厂期货交易方法中,所述的根据所述的历史数据建立用以预测钢厂期货调价方向的SVM二分类模型,具体包括以下步骤:
以所述的关联指标的历史数据及钢厂期货调价数据作为训练样本,依时间顺序将所述的历史数据中的前2/3作为训练集,将后1/3作为测试集;
将所述的训练样本中,钢厂期货调价的样本作为正样本,未调价的样本作为负样本;
将归一化后的正负样本特征向量输入SVM,将各样本映射到高维度空间,确定该高纬度空间中各样本线性可分的最优分类超平面,使得正负支持向量间隔距离最大,并将将准确率最高时的训练模型作为最优的SVM二分类模型。
该钢厂期货交易方法中,所述的SVM二分类模型为C-支持向量分类机,参数C为惩罚系数;所述的SVM二分类模型包括核函数,该核函数为RBF核函数,其表达式为:
K(u,v)=exp(-gamma*||u-v||*||u-v||),
其中,gamma为RBF核函数的参数,利用训练样本确定最高准确率的C以及gamma。
该钢厂期货交易方法中,所述的根据所述的历史数据建立用以预测钢厂期货调价幅度的随机森林回归模型,具体包括以下步骤:
通过相关性分析,删除与预测目标值相关性低的特征,并删除存在共线性的特征;
采用随机森林回归算法,计算得到特征的重要性排序,选择前N个特征作为候选特征集;
训练n个随机森林回归模型,第i个随机森林回归模型的建模特征从候选特征集中取前N-n+i个特征,i=1~n。
该钢厂期货交易方法中,训练所述的随机森林回归模型的过程包括以下步骤:
a、给定训练集S、测试集T、和特征维数F,
确定以下参数:
使用到的CART决策树的数量ntree,每棵树的深度d,每个节点使用到的特征数量f,
确定终止条件:
节点上最少样本数s,节点上最少的信息增益m,对于第j棵树,j=1~ntree;
b、从训练集S中有放回的抽取大小和训练集S一样的训练集S(j),作为根节点的样本,从根节点开始训练;
c、如果在当前节点上达到所述的终止条件,则设置当前节点为叶节点,预测输出为当前节点样本集各个样本值的平均值;
如果在当前节点上未达到所述的终止条件,则从F维特征中无放回地随机选取f维特征,利用该f维特征,则根据当前节点训练集的方差Var减去左子节点的方差VarLeft和右子节点的方差VarRight的最大值,确定回归效果最好的一维特征k及其阈值θ,当前节点上样本第k维特征小于阈值θ的样本被划分到左节点,其余的被划分到右节点;
d、判断当前决策树CART的所有节点是否都已被训练,若否,则返回步骤b,若是,则进入步骤e;
e、判断是否所有决策树CART都已被训练,若否,则返回步骤b,若是,则完成所述的随机森林回归模型的训练。
该钢厂期货交易方法中,所述的根据所述的钢厂期货调价预测模型确定期货价格,具体包括以下步骤:
获取待预测钢厂期货调价前一月的关联指标的变量特征向量值;
将所述的变量特征向量值输入所述的SVM二分类模型,得到钢厂期货调价方向的预测结果为:调价或不调价;
将所述的变量特征向量值输入所述的n个随机森林回归模型,得到n个预测结果h(i),i=1~n;
根据所述的n个预测结果的平均值确定钢厂期货调价幅度的预测结果H;
若所述的钢厂期货调价方向的预测结果为不调价,则以钢厂期货的当前价格确定期货价格;
若所述的钢厂期货调价方向的预测结果为调价,则根据所述的钢厂期货调价幅度的预测结果H确定期货价格。
该钢厂期货交易方法中,所述的将所述的变量特征向量值输入所述的n个随机森林回归模型,得到n个预测结果h(i),i=1~n,具体包括以下步骤:
从当前决策树CART的根节点开始,根据当前节点的阈值θ,若小于阈值θ则进入左节点,若大于等于阈值θ则进入右节点,直到到达某个所述的叶节点,并输出当前决策树CART的预测值;
以一个随机森林回归模型中所有决策树CART的预测值的平均值作为该随机森林回归模型的预测结果。
该钢厂期货交易方法中,所述的根据所述的期货价格进行期货交易,具体为:
供货方依据所述的期货价格将产品投放至期货交易市场并根据期货交易市场规则实现期货交易;或期货交易参与方根据所述的期货价格判断是否订立期货交易合同。
本发明还提供一种钢厂期货交易系统,该系统包括:期货定价服务器和期货交易服务器。
其中,期货定价服务器用以根据所述的历史数据建立钢厂期货调价方向预测模型及钢厂期货调价幅度预测模型;并根据所述的钢厂期货调价方向预测模型和所述的钢厂期货调价幅度预测模型确定期货价格;期货交易服务器用以根据所述的期货价格进行期货交易。
采用了该发明的钢厂期货交易方法和交易系统,其可利用网络获取与调价相关的关联指标的历史数据;进而建立钢厂期货调价预测模型;确定调价后的期货价格;并根据该期货价格进行期货交易,从而保证价格预判方式依赖网络完成,因而对于技术人员的专业知识和经验积累的要求更低,便于操作,且调价方式更为客观,更利于基于互联网的期货交易的形成。且本发明的实现方式简便,应用范围也相当广泛。
附图说明
图1为本发明的钢厂期货交易方法的步骤流程图。
图2为本发明的钢厂期货交易方法在实际应用中的模型训练流程图。
图3为本发明的钢厂期货交易方法在实际应用中的模型预测流程图。
图4为本发明的钢厂期货交易系统的结构示意图。
图5为本发明的钢厂期货交易方法在实际应用中进行滚动式预测结果的效果对比图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。
请参阅图1所示,为本发明的钢厂期货交易方法的步骤流程图。
在一种实施方式中,该钢厂期货交易方法包括以下步骤:
(1)获取与钢厂期货调价相关的关联指标的历史数据;
(2)根据所述的历史数据建立钢厂期货调价预测模型;
(3)根据所述的钢厂期货调价预测模型确定期货价格;
(4)根据所述的期货价格进行期货交易。
具体而言,在该实施方式中,所述的与钢厂期货调价相关的关联指标包括:铁矿石价格、焦炭产量、焦炭库存、钢材各品种社会库存、PMI、钢材现货价格、城市空气指标、钢厂产能利用率、钢厂开工率、白色家电销量、汽车产销量、上市钢铁企业财务指标、GDP、货币供应量、通货膨胀率、国家外汇储备和固定资产投资。
所述的步骤(1)具体为:
利用网络获取部分或全部所述的关联指标在同一时间段内的历史数据;并根据确定的时间周期,将所获取的关联指标的历史数据对齐到统一的颗粒度。
所述的步骤(2)具体为:
根据所述的历史数据建立用以预测钢厂期货调价方向的SVM二分类模型;
根据所述的历史数据建立用以预测钢厂期货调价幅度的随机森林回归模型。
其中,建立SVM二分类模型具体包括以下步骤:
以所述的关联指标的历史数据及钢厂期货调价数据作为训练样本,依时间顺序将所述的历史数据中的前2/3作为训练集,将后1/3作为测试集;
将所述的训练样本中,钢厂期货调价的样本作为正样本,未调价的样本作为负样本;
将归一化后的正负样本特征向量输入SVM,将各样本映射到高维度空间,确定该高纬度空间中各样本线性可分的最优分类超平面,使得正负支持向量间隔距离最大,并将将准确率最高时的训练模型作为最优的SVM二分类模型。
所述的SVM二分类模型为C-支持向量分类机,参数C为惩罚系数;所述的SVM二分类模型包括核函数,该核函数为RBF核函数,其表达式为:
K(u,v)=exp(-gamma*||u-v||*||u-v||),
其中,gamma为RBF核函数的参数,利用训练样本确定最高准确率的C以及gamma。
所述建立随机森林回归模型具体包括以下步骤:
通过相关性分析,删除与预测目标值相关性低的特征,并删除存在共线性的特征;
采用随机森林回归算法,计算得到特征的重要性排序,选择前N个特征作为候选特征集;
训练n个随机森林回归模型,第i个随机森林回归模型的建模特征从候选特征集中取前N-n+i个特征,i=1~n。
训练所述的随机森林回归模型的过程包括以下步骤:
a、给定训练集S、测试集T、和特征维数F,
确定以下参数:
使用到的CART决策树的数量ntree,每棵树的深度d,每个节点使用到的特征数量f,
确定终止条件:
节点上最少样本数s,节点上最少的信息增益m,对于第j棵树,j=1~ntree;
b、从训练集S中有放回的抽取大小和训练集S一样的训练集S(j),作为根节点的样本,从根节点开始训练;
c、如果在当前节点上达到所述的终止条件,则设置当前节点为叶节点,预测输出为当前节点样本集各个样本值的平均值;
如果在当前节点上未达到所述的终止条件,则从F维特征中无放回地随机选取f维特征,利用该f维特征,则根据当前节点训练集的方差Var减去左子节点的方差VarLeft和右子节点的方差VarRight的最大值argmax(Var-VarLeft-VarRight),确定回归效果最好的一维特征k及其阈值θ,当前节点上样本第k维特征小于阈值θ的样本被划分到左节点,其余的被划分到右节点;
d、判断当前决策树CART的所有节点是否都已被训练,若否,则返回步骤b,若是,则进入步骤e;
e、判断是否所有决策树CART都已被训练,若否,则返回步骤b,若是,则完成所述的随机森林回归模型的训练。
在进一步优选的实施方式中,所述的步骤(3)具体包括以下步骤:
获取待预测钢厂期货调价前一月的关联指标的变量特征向量值;
将所述的变量特征向量值输入所述的SVM二分类模型,得到钢厂期货调价方向的预测结果为:调价或不调价;
将所述的变量特征向量值输入所述的n个随机森林回归模型,得到n个预测结果h(i),i=1~n;
根据所述的n个预测结果的平均值确定钢厂期货调价幅度的预测结果H;
若所述的钢厂期货调价方向的预测结果为不调价,则以钢厂期货的当前价格确定期货价格;
若所述的钢厂期货调价方向的预测结果为调价,则根据所述的钢厂期货调价幅度的预测结果H确定期货价格。
其中,所述的将所述的变量特征向量值输入所述的n个随机森林回归模型,得到n个预测结果h(i),i=1~n,具体包括以下步骤:
从当前决策树CART的根节点开始,根据当前节点的阈值θ,若小于阈值θ则进入左节点,若大于等于阈值θ则进入右节点,直到到达某个所述的叶节点,并输出当前决策树CART的预测值;
以一个随机森林回归模型中所有决策树CART的预测值的平均值作为该随机森林回归模型的预测结果。
在更优选的实施方式中,所述的步骤(4)具体为:
供货方依据所述的期货价格将产品投放至期货交易市场并根据期货交易市场规则实现期货交易;或期货交易参与方根据所述的期货价格判断是否订立期货交易合同。
本发明还提供一种如图4所示的钢厂期货交易系统。该系统包括:期货定价服务器和期货交易服务器。
期货定价服务器用以根据所述的历史数据建立钢厂期货调价方向预测模型及钢厂期货调价幅度预测模型;并根据所述的钢厂期货调价方向预测模型和所述的钢厂期货调价幅度预测模型确定期货价格;期货交易服务器用以根据所述的期货价格进行期货交易。
在实际应用中,本发明的钢厂期货交易方法可以包括以下步骤:
1、获取与钢厂期货调价相关的历史数据
历史数据包括铁矿石价格、焦炭产量、焦炭库存、钢材各品种社会库存、PMI、钢材现货价格、城市空气指标、钢厂产能利用率、钢厂开工率、白色家电销量、汽车产销量、上市钢铁企业财务指标、GDP、货币供应量、通货膨胀率、国家外汇储备、固定资产投资等关联指标数据作为自变量,选择某钢厂某一品种期货调价作为因变量。
2、数据清洗
由于关联指标数据更新周期分为日、周、旬、月、季更新,而预测目标以月为更新周期,因此,通过求均值、数据对齐等预处理方式,将关联数据统一对齐到颗粒度为月更新,并对各指标进行差分、环比、同比处理,得到的衍生变量也作为自变量。
3、训练样本选取,拆分为训练集和测试集
将清洗好的关联指标数据以及钢厂期货调价数据作为训练样本,按时间顺序取前2/3数据作为训练集,后1/3数据作为测试集。
4、训练svm二分类模型,得到钢厂期货调价方向预测模型,过程如图2所示。
4.1按照钢厂期货调价方向将训练样本划分正负样本集。即钢厂期货调价不为0(有调价)的样本为正样本,调价为0(不调价)的样本为负样本。
4.2采用svm二分类模型,将归一化后的正负样本特征向量输入SVM,调整参数,将样本映射到高维度空间,找到线性可分的最优分类超平面,使得正负支持向量间隔距离最大。将准确率最高时的训练模型作为最优模型。这个模型包括训练所采用的核函数、惩罚系数等。
SVM模型具体描述如下:
SVM类型:采用的SVM类型为C-支持向量分类机,参数C为惩罚系数,C越大对错误分类的惩罚越大,适当的参数C对提高分类的准确率至关重要,一般默认取1。在实际的训练过程中会不断调整C的大小,并选择使训练样本取得最高准确率的C。
核函数:采用的核函数为RBF核函数,其表达式为:
K(u,v)=exp(-gamma*||u-v||*||u-v||)。
gamma为RBF核函数的参数,其对模型分类的准确率有较大影响,默认值为特征维度的倒数。在实际的训练过程中通过不断调整gamma的大小,并选择使训练样本取得最高准确率的gamma。通过RBF核函数,将样本映射到高维空间,将线性不可分的情形变为线性可分,大大提高了分类的准确率。
5、预测钢厂期货调价方向,过程如图3所示。
5.1获取待预测钢厂期货调价前一月的关联指标变量特征向量值。
5.2将特征向量输入训练好的svm钢厂期货调价方向预测模型,计算得到钢厂期货调价方向的预测结果:有调价或不调价。
6、训练并集成多个随机森林回归模型,得到钢厂期货调价幅度预测模型,过程如图2所示。
6.1特征工程
通过相关性分析,删除与预测目标值相关性低于rmin的特征(rmin取0.05),同时删除存在共线性的特征(特征之间相关性大于0.9视为存在共线性);
采用随机森林回归算法,计算得到特征的重要性排序,选择前N个特征作为候选特征集。这里N取40。
6.2训练n个随机森林回归模型,n可取10。第i个随机森林回归模型的建模特征从候选特征集中取前N-n+i个特征,i=1~n。
每个随机森林回归模型的训练过程如下:
a、给定训练集S,测试集T,特征维数F。确定参数:使用到的CART决策树的数量ntree,每棵树的深度d,每个节点使用到的特征数量f,终止条件:节点上最少样本数s,节点上最少的信息增益m,对于第j棵树,j=1~ntree;
b、从S中有放回的抽取大小和S一样的训练集S(j),作为根节点的样本,从根节点开始训练;
c、如果当前节点上达到终止条件,则设置当前节点为叶子节点,预测输出为当前节点样本集各个样本值的平均值。然后继续训练其他节点。如果当前节点没有达到终止条件,则从F维特征中无放回地随机选取f维特征。利用这f维特征,依据argmax(Var-VarLeft-VarRight)作为评判标准(即当前节点训练集的方差Var减去左子节点的方差VarLeft和右子节点的方差VarRight值最大),寻找回归效果最好的一维特征k及其阈值θ,当前节点上样本第k维特征小于θ的样本被划分到左节点,其余的被划分到右节点。继续训练其他节点;
d、重复b、c直到所有节点都训练过了或者被标记为叶节点;
e、重复b、c、d直到所有的CART都被训练过。
7预测钢厂期货调价幅度
7.1获取待预测钢厂期货调价前一月的关联指标变量特征向量值。
7.2将特征向量输入n个训练好的随机森林回归预测模型,得到n个预测结果h(i),i=1~n。
每个随机森林回归预测模型的预测过程如下:
对于第j棵树,j=1~ntree:
a、从当前树的根节点开始,根据当前节点的阈值θ,判断是进入左节点(<θ)还是进入右节点(≥θ),直到到达某个叶子节点,并输出预测值;
b、重复执行a直到所有ntree棵树都输出了预测值,则输出为所有树的输出平均值。
7.3钢厂期货调价幅度的预测结果H为n个随机森林回归模型预测结果的平均值
8、融合方向预测和幅度预测结果,得到钢厂期货调价的最终预测结果。
融合方法如下:
如果方向预测结果为有调价,则钢厂期货调剂最终预测结果取为幅度预测结果;如果方向预测结果为不调,则钢厂期货调价最终预测结果为0。
9、实现网络期货交易
钢厂可以直接根据上述调价预测结果设定期货的交割时间和价格,也可以作为定价作为参考。
另一方面,期货市场投资人利用上述过程实现调价预测,作为买入卖出期货产品的参考。进一步的,还可以根据调价预测的结果,对期货市场上交易的期货产品进行排序,将价格更接近预测结果的优先,实现对于期货产品的一种排序显示方法,便于期货市场投资人选择合适的期货产品。
需要说明的是,本发明所提供的方法和系统不仅适用于狭义的期货交易市场,也可适用于广义的期货交易,即在一般商品交易平台上实现的指定交付期限的交易。
以2010年11月~2017年11月的历史数据上实施训练得到预测模型,并在2017年12月至2019年4月进行模型预测,滚动式预测结果如图5所示,预测和实际拟合曲线拟合较好,衡量拟合度的决定系数R2=0.87。
本发明的钢厂期货交易方法及系统相较于现有技术,其优势在于:
1、随机森林集成模型更具鲁棒性,不容易过拟合,能够处理高维度特征;
2、SVM模型预测钢厂期货调价方向,在小样本情况下可取得较高的准确度;
3、综合SVM方向预测模型和随机森林集成模型的优势,融合后的预测效果较好。
采用了该发明的钢厂期货交易方法和交易系统,其可利用网络获取与调价相关的关联指标的历史数据;进而建立钢厂期货调价预测模型;确定调价后的期货价格;并根据该期货价格进行期货交易,从而保证价格预判方式依赖网络完成,因而对于技术人员的专业知识和经验积累的要求更低,便于操作,且调价方式更为客观,更利于基于互联网的期货交易的形成。且本发明的实现方式简便,应用范围也相当广泛。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (11)
1.一种钢厂期货交易方法,其特征在于,所述的方法包括以下步骤:
获取与钢厂期货调价相关的关联指标的历史数据;
根据所述的历史数据建立钢厂期货调价预测模型;
根据所述的钢厂期货调价预测模型确定期货价格;
根据所述的期货价格进行期货交易。
2.根据权利要求1所述的钢厂期货交易方法,其特征在于,所述的与钢厂期货调价相关的关联指标包括:铁矿石价格、焦炭产量、焦炭库存、钢材各品种社会库存、PMI、钢材现货价格、城市空气指标、钢厂产能利用率、钢厂开工率、白色家电销量、汽车产销量、上市钢铁企业财务指标、GDP、货币供应量、通货膨胀率、国家外汇储备和固定资产投资;
所述的获取与钢厂期货调价相关的关联指标的历史数据的步骤具体为:
利用网络获取部分或全部所述的关联指标在同一时间段内的历史数据;
根据确定的时间周期,将所获取的关联指标的历史数据对齐到统一的颗粒度。
3.根据权利要求1所述的钢厂期货交易方法,其特征在于,所述的根据所述的历史数据建立钢厂期货调价预测模型,具体包括:
根据所述的历史数据建立用以预测钢厂期货调价方向的SVM二分类模型;
根据所述的历史数据建立用以预测钢厂期货调价幅度的随机森林回归模型。
4.根据权利要求3所述的钢厂期货交易方法,其特征在于,所述的根据所述的历史数据建立用以预测钢厂期货调价方向的SVM二分类模型,具体包括以下步骤:
以所述的关联指标的历史数据及钢厂期货调价数据作为训练样本,依时间顺序将所述的历史数据中的前2/3作为训练集,将后1/3作为测试集;
将所述的训练样本中,钢厂期货调价的样本作为正样本,未调价的样本作为负样本;
将归一化后的正负样本特征向量输入SVM,将各样本映射到高维度空间,确定该高纬度空间中各样本线性可分的最优分类超平面,使得正负支持向量间隔距离最大,并将将准确率最高时的训练模型作为最优的SVM二分类模型。
5.根据权利要求4所述的钢厂期货交易方法,其特征在于,所述的SVM二分类模型为C-支持向量分类机,参数C为惩罚系数;所述的SVM二分类模型包括核函数,该核函数为RBF核函数,其表达式为:
K(u,v)=exp(-gamma*||u-v||*||u-v||),
其中,gamma为RBF核函数的参数,利用训练样本确定最高准确率的C以及gamma。
6.根据权利要求5所述的钢厂期货交易方法,其特征在于,所述的根据所述的历史数据建立用以预测钢厂期货调价幅度的随机森林回归模型,具体包括以下步骤:
通过相关性分析,删除与预测目标值相关性低的特征,并删除存在共线性的特征;
采用随机森林回归算法,计算得到特征的重要性排序,选择前N个特征作为候选特征集;
训练n个随机森林回归模型,第i个随机森林回归模型的建模特征从候选特征集中取前N-n+i个特征,i=1~n。
7.根据权利要求6所述的钢厂期货交易方法,其特征在于,训练所述的随机森林回归模型的过程包括以下步骤:
a、给定训练集S、测试集T、和特征维数F,
确定以下参数:
使用到的CART决策树的数量ntree,每棵树的深度d,每个节点使用到的特征数量f,
确定终止条件:
节点上最少样本数s,节点上最少的信息增益m,对于第j棵树,j=1~ntree;
b、从训练集S中有放回的抽取大小和训练集S一样的训练集S(j),作为根节点的样本,从根节点开始训练;
c、如果在当前节点上达到所述的终止条件,则设置当前节点为叶节点,预测输出为当前节点样本集各个样本值的平均值;
如果在当前节点上未达到所述的终止条件,则从F维特征中无放回地随机选取f维特征,利用该f维特征,则根据当前节点训练集的方差Var减去左子节点的方差VarLeft和右子节点的方差VarRight的最大值,确定回归效果最好的一维特征k及其阈值θ,当前节点上样本第k维特征小于阈值θ的样本被划分到左节点,其余的被划分到右节点;
d、判断当前决策树CART的所有节点是否都已被训练,若否,则返回步骤b,若是,则进入步骤e;
e、判断是否所有决策树CART都已被训练,若否,则返回步骤b,若是,则完成所述的随机森林回归模型的训练。
8.根据权利要求7所述的钢厂期货交易方法,其特征在于,所述的根据所述的钢厂期货调价预测模型确定期货价格,具体包括以下步骤:
获取待预测钢厂期货调价前一月的关联指标的变量特征向量值;
将所述的变量特征向量值输入所述的SVM二分类模型,得到钢厂期货调价方向的预测结果为:调价或不调价;
将所述的变量特征向量值输入所述的n个随机森林回归模型,得到n个预测结果h(i),i=1~n;
根据所述的n个预测结果的平均值确定钢厂期货调价幅度的预测结果H;
若所述的钢厂期货调价方向的预测结果为不调价,则以钢厂期货的当前价格确定期货价格;
若所述的钢厂期货调价方向的预测结果为调价,则根据所述的钢厂期货调价幅度的预测结果H确定期货价格。
9.根据权利要求8所述的钢厂期货交易方法,其特征在于,所述的将所述的变量特征向量值输入所述的n个随机森林回归模型,得到n个预测结果h(i),i=1~n,具体包括以下步骤:
从当前决策树CART的根节点开始,根据当前节点的阈值θ,若小于阈值θ则进入左节点,若大于等于阈值θ则进入右节点,直到到达某个所述的叶节点,并输出当前决策树CART的预测值;
以一个随机森林回归模型中所有决策树CART的预测值的平均值作为该随机森林回归模型的预测结果。
10.根据权利要求9所述的钢厂期货交易方法,其特征在于,所述的根据所述的期货价格进行期货交易,具体为:
供货方依据所述的期货价格将产品投放至期货交易市场并根据期货交易市场规则实现期货交易;
或
期货交易参与方根据所述的期货价格判断是否订立期货交易合同。
11.一种钢厂期货交易系统,其特征在于,该系统包括:
期货定价服务器,用以根据所述的历史数据建立钢厂期货调价方向预测模型及钢厂期货调价幅度预测模型;并根据所述的钢厂期货调价方向预测模型和所述的钢厂期货调价幅度预测模型确定期货价格;
期货交易服务器,用以根据所述的期货价格进行期货交易。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588128.7A CN110288482B (zh) | 2019-07-02 | 2019-07-02 | 钢厂期货交易方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588128.7A CN110288482B (zh) | 2019-07-02 | 2019-07-02 | 钢厂期货交易方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288482A true CN110288482A (zh) | 2019-09-27 |
CN110288482B CN110288482B (zh) | 2021-03-30 |
Family
ID=68021660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910588128.7A Active CN110288482B (zh) | 2019-07-02 | 2019-07-02 | 钢厂期货交易方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288482B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210353A (zh) * | 2020-01-08 | 2020-05-29 | 高盈量化云科技(深圳)有限公司 | 一种智能触发和通知的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172355A1 (en) * | 2003-02-06 | 2004-09-02 | Pandher Gurupdesh S. | Option valuation method and apparatus |
US20050234809A1 (en) * | 2004-04-16 | 2005-10-20 | Criner Oscar H | Optimized control system for portfolios of managed futures |
CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
CN105787599A (zh) * | 2016-03-02 | 2016-07-20 | 上海源庐加佳信息科技有限公司 | 一种甲醇期货价格预测方法 |
CN106875069A (zh) * | 2017-03-22 | 2017-06-20 | 无锡中科富农物联科技有限公司 | 一种菜籽油期货价格预测方法 |
CN108197762A (zh) * | 2018-02-27 | 2018-06-22 | 平安科技(深圳)有限公司 | 碳期货价格预测方法、装置、计算机设备和存储介质 |
CN109658241A (zh) * | 2018-11-23 | 2019-04-19 | 成都知道创宇信息技术有限公司 | 一种螺纹钢期货价格涨跌概率预测方法 |
CN109858938A (zh) * | 2018-05-16 | 2019-06-07 | 上海源庐加佳信息科技有限公司 | 基于随机森林预测期货价格趋势的方法 |
-
2019
- 2019-07-02 CN CN201910588128.7A patent/CN110288482B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172355A1 (en) * | 2003-02-06 | 2004-09-02 | Pandher Gurupdesh S. | Option valuation method and apparatus |
US20050234809A1 (en) * | 2004-04-16 | 2005-10-20 | Criner Oscar H | Optimized control system for portfolios of managed futures |
CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
CN105787599A (zh) * | 2016-03-02 | 2016-07-20 | 上海源庐加佳信息科技有限公司 | 一种甲醇期货价格预测方法 |
CN106875069A (zh) * | 2017-03-22 | 2017-06-20 | 无锡中科富农物联科技有限公司 | 一种菜籽油期货价格预测方法 |
CN108197762A (zh) * | 2018-02-27 | 2018-06-22 | 平安科技(深圳)有限公司 | 碳期货价格预测方法、装置、计算机设备和存储介质 |
CN109858938A (zh) * | 2018-05-16 | 2019-06-07 | 上海源庐加佳信息科技有限公司 | 基于随机森林预测期货价格趋势的方法 |
CN109658241A (zh) * | 2018-11-23 | 2019-04-19 | 成都知道创宇信息技术有限公司 | 一种螺纹钢期货价格涨跌概率预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210353A (zh) * | 2020-01-08 | 2020-05-29 | 高盈量化云科技(深圳)有限公司 | 一种智能触发和通知的方法 |
CN111210353B (zh) * | 2020-01-08 | 2021-02-26 | 高盈量化云科技(深圳)有限公司 | 一种智能触发和通知的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110288482B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985935A (zh) | 金融产品推荐方法及存储介质 | |
Dick | Demand estimation and consumer welfare in the banking industry | |
CN107562818A (zh) | 信息推荐系统及方法 | |
JP2002163449A (ja) | 資金調達方法、資金調達システムおよび技術担保債権の評価方法 | |
CN110046740A (zh) | 基于大数据的供应商投标行为分析预测方法 | |
CN107665448A (zh) | 用于确定消费贡献价值的方法、装置以及存储介质 | |
KR20170034647A (ko) | 로보어드바이저 시스템 및 이를 이용한 자산관리 방법 | |
CN106228399A (zh) | 一种基于大数据的券商客户风险偏好分类方法 | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
CN104408648A (zh) | 一种挑选商品的方法及装置 | |
Honarmandi et al. | Comparing the impact of brand value on corporate profit in B2B and B2C businesses: A case study | |
Xia et al. | The research of online shopping customer churn prediction based on integrated learning | |
JP2017120583A (ja) | 自動与信システム | |
CN110288482A (zh) | 钢厂期货交易方法及系统 | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
Cheng et al. | Study on credit risk of real estate industry based on genetic algorithm KMV model | |
CN115936819A (zh) | 一种商品打分系统及建立方法 | |
Burlon et al. | Exchange rate pass-through into euro area inflation. An estimated structural model | |
Wu et al. | LightGBM Based Optiver Realized Volatility Prediction | |
Kunasekaran | Research on E-commerce Customer Loyalty under Big Data | |
TWI829404B (zh) | 智能時序行銷系統 | |
Lin | Enterprise ERP system optimization based on deep learning and dynamic fuzzy model | |
mahmoud Taher et al. | Investigation in customer value segmentation quality under different preprocessing types of RFM attributes | |
ZHONG et al. | Research on the precise marketing method of goods based on Big Data technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |