【技术实现步骤摘要】
一种利用预测模型进行大宗商品价格预测的方法和系统，属于大宗商品价格预测。
技术介绍
1、大宗商品市场的价格波动对全球经济和贸易产生重大影响。准确预测大宗商品价格对投资者、生产者和消费者来说至关重要。然而，大宗商品价格受多种因素的影响，包括供需关系、全球经济状况、季节性变化等，因此大宗商品价格预测一直是一个具有挑战性的问题。
2、某些现有的大宗商品价格预测方法使用基于统计学的模型，如回归分析、时间序列分析等。这些方法通常通过分析历史数据来识别趋势和模式，并利用这些模式进行价格预测。然而，这些方法在考虑多个因素的复杂关系方面存在局限性，无法全面捕捉市场的动态变化和非线性关系。
3、另一类实现方案是基于机器学习算法的大宗商品价格预测方法。这些方法利用机器学习算法，如支持向量机、神经网络、随机森林等，来构建预测模型。这些模型可以通过学习历史数据中的模式和关联性来进行预测。然而，这些方法通常需要大量的标记数据进行训练，并且缺乏对特定产品个性化预测的能力。
技术实现思路
1、本专利技术要解决的技术问题是：克服现有技术的不足，提供一种采用行业研究和基础模型构建的方法，全面考虑了大宗商品价格受多个因素影响的复杂关系。通过行业研究，系统深入了解市场特点、相关因素和影响因素，将这些因素纳入预测模型中，提高了预测准确性和可靠性的利用预测模型进行大宗商品价格预测的方法和系统。
2、本专利技术解决其技术问题所采用的技术方案是：该利用预测模型进行大宗商品价格预测的方法，其特
3、步骤1001，得到建立预测模型所需要的原始数据；
4、步骤1002，对原始数据进行处理，利用处理后的原始数据，采用向量自回归模型作为基本的模型框架建立基础预测模型，对基础预测模型进行优化，得到最终预测模型；
5、步骤1003，对步骤1002中得到的最终预测模型，进行大宗商品的价格预测，对最终预测模型进行验证。
6、优选的，步骤1001包括如下步骤：
7、步骤1001-1，从数据库中选出与预测品种存在相关性的一部分影响因素，作为模型数据来源因子；
8、步骤1001-2，建立数据体系；根据行业建模中圈定的因素范围，从数据库中提取所有因子的全量历史期数据；
9、步骤1001-3，实证分析。
10、优选的，步骤1001-3包括如下步骤：
11、步骤1001-3-1，历史数据长度验证：统计各变量的历史数据长度，删除历史数据长度小于24个月的变量；
12、步骤1001-3-2，计算信息增益系数：对每一条经过历史数据长度验证的变量，将其与历史价格都计算月度平均值，分别计算其对于预测标的价格的信息增益系数，过滤掉信息增益为0的变量，仅保留信息增益大于0 的变量，最终得到建模所需的原始数据。
13、优选的，步骤1002包括如下步骤：
14、步骤1002-1，将步骤1001得到的原始数据进行频率变换；
15、步骤1002-2，原始数据清洗及预处理；对原始数据进行清洗和预处理，在对原始数据进行清洗时，删除存在明显误差的数据；在对原始数据清洗进行预处理时，包括对原始数据进行缺失值填充、异常值处理、数据归一化等；
16、步骤1002-3，构建基础预测模型；采用向量自回归模型作为基本的模型框架，并使用层级贝叶斯模型对向量自回归模型的参数进行求解，得到基础预测模型；
17、步骤1002-4，参数调优；通过选择和调整模型中的参数，优化模型对多变量间关系的建模；
18、步骤1002-5，模型调优；通过对因子集进行消融实验，去掉对提升预测能力没有贡献的因子；
19、步骤1002-6，选择并加入混频因子；
20、步骤1002-7，在参数调优和模型优化之后，使用优化的参数配置和选定的因子数据训练bvar模型；然后，通过重新训练模型，使用所有可用的数据，生成最终的bvar模型。
21、优选的，步骤1002-6包括如下步骤：
22、步骤1002-6-1，将所有待选高频数据转化为周度均值形式：对于日度数据，计算其“每月前7天”，“每月第二个7 天”，“每月第3个7天”和“每月第4个7天”的均值，保存为4个混频因子，对于周度数据，在对缺失值进行线性查补以后，得到每月的4个混频因子；
23、步骤1002-6-2，对非预测价格本身的其他混频因子进行混频测试，将预测标的价格的混频因子计入待加入模型的混频因子集合中。
24、步骤1002-6-3，在因子选择后确定下来的模型基础上，加入步骤1002-6-2中选出的所有待加入混频因子。
25、优选的，步骤1002-6-2混频测试的方法为：在因子选择后确定下来的模型中逐个加入各混频因子组，并且对于加入后的模型和加入前的模型分别进行12期或更久的回测，求出误差值的绝对值；对两组误差绝对值进行配对t检验，若检验结果说明加入某组混频因子后，多期回测误差的绝对值小于加入以前，则将该组混频因子计入待加入模型的混频因子集合中。
26、一种用于实现利用预测模型进行大宗商品价格预测的方法的系统，其特征在于：包括：
27、行业研究单元，用于得到建立预测模型所需要的原始数据；
28、基础建模单元，其输入端与行业研究单元的输出端相连，用于利用处理后的原始数据，采用向量自回归模型作为基本的模型框架建立基础预测模型，对基础预测模型进行优化，得到最终预测模型；
29、模型预测单元：其输入端与基础建模单元的输出端相连，用于对基础建模单元中得到的最终预测模型，进行大宗商品的价格预测，对最终预测模型进行验证。
30、优选的，基础建模单元包括：
31、数据变频模块，用于对原始数据进行频率变换；
32、数据处理模块，其输入端与数据变频模块的输出端相连，用于对变频后的原始数据进行清洗和预处理；
33、基础模型构建模块，其输入端与数据处理模块的输出端相连，用于采用向量自回归模型作为基本的模型框架，并使用层级贝叶斯模型对向量自回归模型的参数进行求解，得到基础预测模型；
34、调优模块，其输入端与基础模型构建模块的输出端相连，用于对基础预测模型进行参数调优以及模型调优；
35、混频因子生成模块：其输入端与调优模块的输出端相连，用于生成并确定混频因子；
36、最终模型构建模块，其输入端与混频因子生成模块的输出端相连，用于生成最终预测模型。
37、与现有技术相比，本专利技术所具有的有益效果是：
38、在本利用预测模型进行大宗商品价格预测的方法和系统中，采用行业研究和基础模型构建的方法，全面考虑了大宗商品价格受多个因素影响的复杂关系。通过行业研究，系统深入了解市场特点、相关因素和影响因素，将这些因素纳入预测模型中，提高了预测的准确性和可靠性。
本文档来自技高网...
【技术保护点】
1.一种利用预测模型进行大宗商品价格预测的方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1001包括如下步骤：
3.根据权利要求2所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1001-3包括如下步骤：
4.根据权利要求1所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1002包括如下步骤：
5.根据权利要求4所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1002-6包括如下步骤：
6.根据权利要求5所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1002-6-2混频测试的方法为：在因子选择后确定下来的模型中逐个加入各混频因子组，并且对于加入后的模型和加入前的模型分别进行12期或更久的回测，求出误差值的绝对值；对两组误差绝对值进行配对t检验，若检验结果说明加入某组混频因子后，多期回测误差的绝对值小于加入以前，则将该组混频因子计入待加入模型的混频因子集合中。
7.一种用于实现权利要求1
8.根据权利要求7所述的系统，其特征在于：基础建模单元包括：
...【技术特征摘要】
1.一种利用预测模型进行大宗商品价格预测的方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1001包括如下步骤：
3.根据权利要求2所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1001-3包括如下步骤：
4.根据权利要求1所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1002包括如下步骤：
5.根据权利要求4所述的利用预测模型进行大宗商品价格预测的方法，其特征在于：步骤1002-6包括如下步骤：
6.根据权利要...
【专利技术属性】
技术研发人员：崔喆，刘姿彤，杨平，刘元军，杨琼，宗学帅，
申请(专利权)人：山东卓创资讯股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。