时间序列模型对大豆期货价格的预测比较研究

时间序列模型对大豆期货价格的预测比较研究

褚冬

【摘要】影响大豆期货价格的因素非常多,所以对其进行基本分析虽然能大致确定长期走势,却无法分析其短期走势.技术分析方法常常提前或滞后且容易导致"走势陷阱",因此本文用大豆期货指数的日收盘价数据,运用传统的AR-MA模型和改进后的ARCH类模型进行选择研究.由于ARMA模型存在自回归异方差,因此在此基础上建立ARCH模型.而后又对GARCH模型、GARCH-M模型、TGARCH模型、组合GARCH模型进行研究,根据系数的显著性否定了GARCH-M模型和TGARCH 模型,并非风险因素和外部利好利空的消息对大豆期货价格没有影响,只是这些因素的影响已经包含在发生的历史价格中.然后以预测误差的大小比较GARCH模型和组合GARCH模型并得出结论,用GARCH(1,1)模型对大豆期货价格进行短期预测较为有效.最后用ARMA(2,2)-GARCH(1,1)模型对大豆期货价格进行预测,并分析预测结果.

【期刊名称】《金融经济（理论版）》

【年(卷),期】2015(000)012

【总页数】4页(P116-119)

【关键词】时间序列模型;期货价格;预测;分析

【作者】褚冬

【作者单位】西北大学经济管理学院,陕西西安710127

【正文语种】中文

一、绪言

(一)研究背景及意义

我国期货市场的发展已有20余年，但其发展的速度与规模，均比不上股票市场。因此，对期货领域的研究也较少。近年来，随着我国经济的发展，国务院新颁布了《期货交易管理条例》，我国期货市场的发展潜力不可估量。同时，在期货界人士的宣传和教育下，人们对期货市场的功能和作用有了一定的了解，在新的理财观念的影响下，逐渐接受了期货投资。而且，近年来股市震荡使得越来越多的人把目光投向了期货市场这个新的投资渠道。

面对期货市场的风云变幻，投资策略固然重要，但对期货价格未来波动大小及方向进行估计和预测对于投资者或投机者来说也是至关重要的。然而，国内期货价格波动的研究大部分还停留在基本面的分析和技术分析理论上，程序化交易和数量分析研究才刚刚起步不久，广大的散户投资者更是对此一无所知。为此，本文在近年来国内外时间序列模型的研究基础上，通过时间序列模型在大豆期货价格预测中的比较研究，选择一种误差较小的时间序列模型，为机构研究者和投资者分析大豆期货价格波动提供一种科学的量化分析方法，帮助投资者做出合理的投资决策以获得更高的投资收益率。

(二)国内外研究现状综述

1.国外研究现状

国外对时间序列模型的研究开始较早，并广泛应用于经济领域。西蒙·史蒂芬利用ARIMA模型对美国房地产市场的价格走势进行预测，发现对时间序列的线性趋势有比较好的预测作用，合乎要求的时间序列是保证ARIMA模型预测精度的前提。［1］Md Zakir Hossain等人针对三种豆类的价格，通过ARIMA模型进行了分析预测，发现这一模型的预测精度是令人满意的。［2］

2.国内研究现状

在国内的研究中，主要有两种研究方式:一种采用单一模型的检验及预测，另一种

以两个或两个以上的模型进行预测并比较。

前者采用的模型主要有:ARMA模型，ARIMA模型，季节模型，ARCH模型，GARCH模型及其扩展模型。许贵阳(2010)通过建立ARMA模型对中国黄金价格

进行预测，绕开了传统的影响黄金价格的基本因素分析，围绕实际数据进行研究，该模型预测值与实际值相比拟合度高，预测结果较为精确。［3］冯兵(2002)借助Box－Jenkins建模法和 ARIMA模型的理论以建立时间序列ARIMA模型，对LME铜的月结算平均价进行预测。［4］

后者主要以多模型为主，如梅志娟(2002)分别运用了ARMA模型和GARCH模型对沪铜期货日收盘价的预测研究，其研究结果表明，GARCH模型对期铜较长时间的预计比较准确。［5］刘轶芳，迟国泰等(2006)基于 GARCH －EWMA的期货

价格预测模型，用GARCH模型对EWMA模型中的关键参数—衰减因子进行测定，接近了以往使用EWMA模型时没有一个科学的确定衰减因子的方法，同时也通过对期货价格的衰减因子进行确定，发现不同品种不同时间的衰减因子显著不同，也就是意味着不同期货品种并不一定都适合用同一种模型进行预测。［6］王江、费宇(2010)构建了上海锌期货日收盘价预测模型，针对单一模型存在预测误差大的

问题，结合了时间序列ARIMA模型、回归模型及组合模型来分析预测锌收盘价，结果发现组合预测模型的精度高于单一模型的分析。［7］

二、传统时间序列模型简介

1.AR模型

p 阶自回归模型 AR(P)可表示为Xt= φ1xt－1+ φ2xt－2+… +φpxt－p+μt，其

中μt为白噪声。

2.MA模型

若μt不是白噪声，则认为μt为q阶移动平均模型MA(q):

Xt=at－θ1at－1 －θ2at－2… －θqat－q，其中 at为白噪声。

3.ARMA模型

自回归移动平均模型ARMA(p，q):

该序列要求是平稳的，如果序列非平稳，则先进行差分，若d阶差分平稳，则其

d阶差分可用ARMA模型，原序列则适合ARIMA模型。

三、改进的时间序列模型简介

1.ARCH模型

该模型最初是由Engle于1982年提出的，其定义为:

其中，εt是t期的扰动项，它是独立同分布的白噪声过程，表示偶发因素的作用。为条件方差，必须保证条件方差严格为正。满足上述条件的模型称为ARCH模型。

2.GARCH模型

在ACRH模型基础上，Bollerslev(1968)提出了广义自回归条件异方差模型阵，它比ARCH模型需要的滞后阶数更小，且与ARMA模型有相类似的结构。GARCH

模型定义如下:

其中p ≧0，q ≧0，αi＞0(i=0，1，2，……q)

3.GARCH—M模型

均值广义自回归条件异方差模型是GARCH模型的一种推广。该模型表示为:

四、实证研究

(一)样本数据的选取