爱华网期货交易过程是综合反映供求双方对未来某个时间供求关系变化和价格走势的预期。准确预测期货的价格波动有利于增加市场透明度、提高资源配置效率、回避风险。价格预测、时机抉择和资金管理是成功的期货交易模式的三个重要因素。价格预测就是预测市场未来的趋势方向，是市场决策过程中极为关键的一个环节，只有通过预测，交易者决定是看涨，还是看跌，投资者才能决定应该以多头一边入市，还是以空头一边入市。 徐剑刚等利用AR和ARCH模型对绿豆和玉米期货收益率序列进行了研究，研究结果表明：绿豆和玉米期货序列呈现出尖峰厚尾、非正态分布和波动集聚性特性【1】；王科明、杨建刚等对期货市场进行了分析，并提出了一种基于BP神经网络的期货价格的预测方法【2】；田新民、沈小刚等利用协整方法和因果关系分析法对沪铜和伦铜的历史数据进行了实证研究，研究结果表明：伦铜期货的价格对沪铜期货的价格具有主导作用【3】；王书平、王振伟等采用R/S分析法和FIEGACH模型对中国铜、铝期货市场的长记忆性和非线性特性进行了研究【4】；叶舟、李忠民等利用ARMA-EGARCH-M模型对中国期货交易市场铜、铝交易量与收益率及其波动的关系做了一个全面的实证研究，研究结果表明：金属铜期货交易量和其收益率波动呈现正相关关系【5】。张方杰、胡燕京等利用ARMA模型对期货价格序列进行了预测【6】；王习涛等利用ARIMA模型对期货价格序列进行了研究，研究结果表明：ARIMA对期货价格有较好的预测效果【7】；萧楠等利用ARIMA(0,1,1)-GARCH(1,1)模型对沪铜期货收益率序列进行了预测【8】；刘轶芳、迟国泰等利用EWMA和GARCH模型的思想，提出了一种新的预测期货价格的GARCH-EWMA模型【9】；迟国泰等建立了基于牛顿插值原理的期货价格波动函数【10】。 本文将建立基于相关系数的变权组合预测模型，并对沪铜期货价格进行实证研究。 1 变权组合预测模型 1.1建模步骤 变权组合预测模型是综合利用多种预测方法的组合预测模型，建模的关键是权重的确定，因为变权系数是随着时间的变化而变化的，所以确定权重就显得极为困难。具体建模步骤如下： （1）分析历史数据的特点，根据其特点对样本点建立合适的单模型，并对建立的各个单模型进行预测； （2）求出各单模型在样本点的组合加权系数； （3）根据各个单模型的组合加权系数确定各个预测方法在预测点的组合加权系数。 1.2样本点变权组合预测模型 上式是二次线性规划问题，我们可以用二次线性规划的解法来求解得到它的最优解。
2.基于相关系数的变权组合预测模型 从加权系数的取值角度来看，基于相关系数加权法的加权思想是：对单模型的预测值和实际值的相关系数较大的模型赋予较大的权重，从实际意义上讲该方法是合理的，但是它不能保证权重的非负性，为此，本文提出了绝对相关系数变权组合预测方法。 3 实证分析 本文选取上海期货交易所沪铜期货的日收盘价，从2011年10月4日到2012年3月30日（仅是有交易日）共计302个数据，其中前297个数据用于建立模型，后5个数据用于检验模型的预测效果。原 分别用GARCH（1,1）模型和马尔科夫机制转换模型对原样本数据建立模型并进行5步预测。用基于相关系数的变权组合预测模型对沪铜期货价格建模，拟合值和真实值比较结果如图1所示。从图1可以看出：基于相关系数的变权组合预测模型对沪铜期货价格的日收盘价时间序列的拟合效果比较准确。以上3种预测模型以及最优加权组合模型的预测结果见表1，它们的预测误差见表2。 从表1可以看出，第1步到第4步基于相关系数的变权组合预测模型的预测效果较好，且相对误差逐渐减小，但是在第5步的时候预测误差又较前面的有所增大，说明基于相关系数的变权组合预测模型适合短期预测且预测效果较好。 从表2可以看出：和各个单模型相比，基于相关系数的变权组合预测模型的平绝对误差和均方百分比误差都有所变小，说明基于相关系数的变权组合预测模型综合利用了各个单模型的信息，从而使得其预测精度高于各个单模型。与最优组合模型相比，基于相关系数的变权组合预测模型的平绝对误差和均方百分比误差也都有所变小，说明基于相关系数的变权组合预测模型利用了随着时间的变化相关系数也相应的变化，并且把相关系数作为组合模型的权重，从而使得预测精度高于最优加权组合模型，这也说明了本文模型的有效性。 4 结论 本文在马尔科夫转换模型和GARCH模型的基础上，建立了综合以上两种模型优点的基于相关系数的变权组合预测模型，并对沪铜期货价格序列进行了实证研究。由于基于相关系数的变权组合预测模型可以综合利用各个单一模型所提供的信息，从而使得预测精度得到了提高。 参考文献 【1】 徐剑刚. 期货报酬时间序列统计特性[J]. 统计研究，1997，(3):29-36. 【2】 王科明，杨建刚，周炜彤. 利用人工神经网络技术预测期货行情[J]. 计算机工程与设计，2004, 25(7):1164~1169. 【3】 田新民，沈小刚. SHFE与LME期相价格因果关系介析[J]. 首都经济贸易大学学报，2005, 3: 34~38. 【4】 王书平，王振伟，吴振信. 基于FIEGACH模型的中国铜铝期货市场长期记忆性研究[J]. 中国管理科学，2010，18(8):234~238. 【5】 叶舟，李忠民，叶楠. 期货市场交易量与收益率及其波动关系的实证研究—ARMA-EGARCH-M模型的应用[J]. 系统工程, 2005, 1(13):150~160. 【6】 张方杰，胡燕京. ARMA模型在期货价格预测中的应用[J]. 陕西统计与社会，2005，17(3):39~41. 【7】 王习涛. ARIMA模型在期货交易预测中的应用研究[J]. 微计算机信息，2006，22(15):139~140. 【8】 萧楠. ARMA-GARCH模型对上海铜期货市场收益率的建模与分析[J]. 运筹与管理，2006，15(5):128~132. 【9】 刘轶芳，迟国泰，余方平. 基于GARCH-EWMA原理的期货交易保证金随动调整模型[J]. 中国管理科学，2005，13(3):6~13. 【10】 迟国泰,刘软芳,冯敬海. 基于牛顿插值原理的期货价格波动函数及保证金随动模型[J]. 数量经济技术经济研究, 2005, 3:150~160.
