基于神经网络的期货套期保值决策支持系统!
陈晓红，朱 霞
（中南大学工商管理学院，长沙 !"##$%）
摘要：针对期货套期保值业务的特点，分析了期货套期保值决策支持系统的整体逻辑，尝试用
人工神经网络专家系统预测期货行情走势，介绍了如何将期货市场与 &’网络有机结合起来
构造适合期价预测的模型，并且在实证分析中给出了寻找最优预测效果的方法以及预测结论
应用分析 (同时，提出了以此分析为基础的 )**系统结构和功能，对辅助套期保值者决策有一
定的指导意义 (
关键词：神经网络；期货；套期保值；决策支持系统
中图分类号：+$%# ( ,- 文献标识码：. 文章编号："##/0-$#/（1##"）#20##"$0#2
! 引 言
期货市场是一个典型的、复杂的非线性系统，
其各个组成要素都可能出现风险或成为风险因
素 (从套期保值者的角度来看其核心在于能否通
过基差的变化或预期基差的变化来谋取利润，以
弥补现货上的亏损 (所以，套期保值者除了面临投
机者在期货交易中存在的价格风险、流动性风险、
交割风险等，还存在品种选择风险、合约选择风
险、保值数量风险等 (纵观风险分析理论，从某种
意义上指出了期价波动因素是期市风险的核心 (
正由于上述因素的存在，套期保值者应通过把握
期价波动规律，尽可能地缩小现行期价与预期值
之间的偏差以达到预期保值效果 (本文在综合全
面考虑套期保值业务基础上，提出应用人工神经
网络预测期货行情走势，并以此为基础构建面向
期货套期保值的决策支持系统 (
" 系统分析
" (" 整体逻辑分析
根据市场有效性理论，认为目前我国期货市
场还未达到弱型有效［"］，即可以用历史行情预测
未来走势 (在本文提出的预测方案中，为研究目的
将对期货价格影响因素分为两类，第一类是常规
因素，主要指供求关系所决定的长期走势，尝试应
用人工神经网络根据历史行情序列预测主导行情
走势；第二类是非常规因素，主要包括国家政策因
素、证券委和证券会政策因素、交易所政策因素
等，由用户确定修正系数，系统自动对期货价格趋
势作相应调整 (按套期保值业务逻辑，应用相关理
论，步骤如下：
"3 应用人工神经网络专家系统对相关品种
期货主导行情走势进行预测；
13 对于不确定因素对期货价格走势的影
响，用户根据自己的判断对参考数据提出修正系
数，系统自动调整期货价格走势；
%3 应用马尔柯维茨组合投资模型，用历史
行情时间序列估算参考的临界保值率［1］；
!3 应用现货价与期货价相关系数分析，为
合约种类的选择提供辅助决策；
,3 采用定量化算法进行入市时机分析［%］；
23 制订套期保值方案：套期保值方案由入
市和出市两方向构成，这存在一对多或多对多的
第 !卷第 2期
1##"年 "1 月
管 理 科 学 学 报
5+ :.8.;<:<8= *>?<8><* ?8 >@?8.
ABC( ! 8B( 2
)DE( ，
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
1##"
! 收稿日期：1###0#/0#!；修订日期：1##"0#-01" (
基金项目：国家杰出青年基金资助项目（/#"1,##/）(
作者简介：陈晓红（"-2%0），女，湖南长沙人，博士，教授，博士生导师 (
关系，并进行了盈亏临界分析、综合成本 !效益
分析 "
这里由于篇幅有限，重点介绍前两个步骤的
应用处理技术，其它从略 "
! "" 应用人工神经网络专家系统预测期货行情
走势
! "" "! 人工神经网络基本概念
人工神经网络不需构建任何数学模型，只靠
过去的经验和专家的知识来学习，通过网络学习
达到其输出与期望输出相符的结果，具有自组织、
自适应、自学习和容错性等特点，已经被广泛应用
于处理模糊的、非线性的、含有噪声的数据，例如
非线性经济预测、股市投资分析、股市建模与预
测［#，$］"人工神经网络本身的非线性动态系统的
自我学习的特性与期货价格序列的动态性相吻
合，所以此方法具有较好的适应性 " %&网络（’()*
+,-+(.(/0-1 22）是当前应用最为广泛的一种人
工神经网络模型，是典型的单向多层次前馈网络，
它有输入层、隐含层和输出层，层与层之间多采用
全互连方式，同层节点没有任何耦合，其拓扑结构
见图 3［4］"
图 3 #$网络拓扑结构
! "" "" 人工神经网络专家系统
采用如图 3 所示的 5 层 %& 神经网络模型，
构造人工神经网络专家系统［6，7］如图 8所示 "
图 8 神经元网络专家系统结构图
!模型设计
合理确定网络层数及各网络层的神经元数是
成功应用 %& 网络模型的关键之一 "通常期货市
场行情数据包括最高价、最低价、开盘价、收盘价、
结算价、成交量、空盘量等，这些市场数据能较全
面、客观地反映期货商品的供求变化状况和人们
对期价未来走势的预期 "如何将它们有机地结合
起来用于期价预测呢？因此，输入层对应历史行
情序列，神经元个数为 6个，分别表示上述 6类行
情数据 "输出层的神经元个数为 3，表示需要预测
的结算平均价 "由于 9:’;1*- 和 <(1(=(>=0 已从
理论上证明：具有一个隐含层（假设具有足够隐含
层单元数）的神经网络能够以任意精度表示任何
连续函数 "因此，选取隐含层数为一层 "隐含层单
元数的选择则是一个十分复杂的问题，如果数目
太少，会降低神经网络的容错性，训练不出理想的
结果，但如果数目过多，将使网络训练时间急剧增
加，且可能记住训练中没有意义的信息，造成网络
—?3—第 4
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
期 陈晓红等：基于神经网络的期货套期保值决策支持系统
难以分辨数据中的真正模式 !诚然，隐含层单元数
与输入输出单元数、训练样本及样本数、问题的要
求都有直接的关系 !模型中将隐含层单元数、样本
数、样本截止日期等设为变量，通过动态修改变量
值找出合理的模型参数 !这通过系统自动计算
"#$%指标给出图形比较和选定样本中最优的
模型参数值来实现 !为保证收敛速度和稳定性，
学习因子!取为变数，逐渐减小，& !’( " & !)；动
量系数 & !*，网络误差限度取为 & !+ !神经元的激
励函数，一般选用单调递增的有界非线性函数，本
系统中采用 ,-./0-1型函数 #（ $） %
+
+ & 2’ $
!
!学习样本的选取
以每天的期货行情价为依据，需要 3 个月左
右的历史行情数据 !可以通过不同的导师值指导
网络学习，确定相应参数后，完成对不同时期内价
格走势预测 !为了使数据的统计口径一致，需要对
数据做如下技术处理：以 (天为单位时，往前取一
系列时间段（ ( 天）的算术平均值，预测后 ( 天内
行情走势，( % +，*，3⋯ !
"推理机
推理机是基于神经元的信息处理过程 !
隐含层神经元 ) 的输出
*) % # !
(
) % &
+,)-( ), （+）
输出层神经元 . 的输出
/ ,0 % # !
1
) % &
+ ).*( )) （*）
其中 #（·）为激励函数，+ & ) % ’")，+ & . % ")，
-& % +，*& % +
# 4$网络的学习算法
网络学习可分为两大类：有教师学习和无教
师学习 !在有教师学习的方法中，把网络输出与教
师信号之间的误差，归结为隐含层中各节点连接
权及阈值的过错，通过把输出层节点的误差向输
入层逆向传播的方法分给各连接节点，相应调整
各连接权值，最终使差异变小，达到适合的输出 !
4$网络学习是典型的有教师学习，是对#学习规
则的推广和发展 !
$知识库
知识库主要是存放各个神经元之间连接权
值 !它是分布式存储的，适合于并行处理 !一个节
点的信息由多个与它连接的神经元的输出信息以
及连接权值合成 !注意：初始化权值时，各个连接
值采用不同的数值，最好在（&，+）之间，如果初始
权值相等，它们在以后运算中将始终保持相等，并
且容易引起系统在学习过程中停留在误差函数的
局部最小值或某稳定点或在这些之间振荡［5］!
%输入、输出模式转换
实际问题输入的各数值量纲不统一，甚至用
概念形式表示，所以需要进行输入、输出模式的转
换使数据具有可比性 !在本系统中，需要对数据进
行同一化处理 !
! !" !# 修正方案
将非常规因素对期货行情的影响定量化，为
研究的需要，分为 5方面因素：国家政策因素、证
券委和证券会政策因素、交易所政策因素、金融市
场资金因素、市气、其它因素等 !由用户根据经验
确定各类因素对主导行情预测值的修正幅度，设
为 # ,，系统再从总影响幅度（ #总）和持续时间（ 2）
两方面对期货价格趋势调整 !
" 预测实证分析
本文采用上述的人工神经网络预测模型，从
3家期货交易所中各遴选出一具有代表性的交易
品种进行期价预测 !3 组原始数据分别为：沪铝
&&&’合约（*&&&年 )月 ’ *&&&年 5月）、大连大豆
*&&6合约（*&&&年 )月 ’ *&&&年 5月）、郑州绿豆
&&&’合约（*&&&年 )月 ’ *&&&年 5月）!选定 )月
份数据作样本，图 3给出沪铝 &&&’合约具体的预
测误差 "#$%的比较，得出结论：样本数愈多，网
络训练时间愈长，且精度呈上升趋势，但当样本数
超过 *& 时，精度并没有显著提高，同时网络训练
时间急剧增加；随着隐含层单元数的增多，网络记
忆能力加强，精度有所提高，但有时记忆过细，造
成预测行情波动过于频繁，导致精度略呈下降趋
势，并且可以看出其预测效果与样本数目极其相
关；所以综合考虑，认为期价预测中训练样本数应
选取在各个隐含层单元数都有较好精度的点，再
选取有较小误差的隐含层神经元数，并结合历史
行情的检验，可以找到期价预测效果较优的模型
参数 !
—&*— 管 理 科 学 学 报 *&&+年 +*
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
月
图 ! 误差分析图 图 " 沪铝 ###$合约期价预测图
例如图 !中在样本数为 %&处各个隐含层单
元数精度都较好，再选取 ’ 个隐含层单元数对 (
至 ’ 月份的行情作向前一天的期价预测图如图 "
所示，其它品种采用此方法作向前一天的期价预
测图分别如图 (、’所示，均取得较好预测效果，具
有实用价值 !
图 ( 郑州绿豆 ###$期价预测图 图 ’ 大连大豆 )##*期价预测图
为了比较预测效果，采用文［$］中期价确定
随机过程模型，对以上 ! 组数据作向前一天的期
价预测，采用 +,-. 指标来检验预测效果 !对比
结果如表 %所示 !
表 % 预测效果比较
模 型 沪铝 ###$合约 +,-. 郑州绿豆 ###$合约 +,-. 大连大豆 )##*合约 +,-.
人工神经网络模型 # !##’ *$) # !##* )%& # !##! ’!’
确定随机过程模型 # !#)$ ’!% # !#!% )%) # !#)* (%" )
综合结论及需说明的问题：
%）应用 /- 网络模型预测期价的精度较高，
预测效果比确定随机过程模型要好 0这与 /- 网
络模型综合处理了期市行情中的 *类市场数据有
直接关系 0
)）由图可见，在上升趋势中期价预测曲线一
般处于期价原始曲线的下侧，而在下降趋势中却
处于上侧 0据之，认为两曲线的交叉点可以作为买
卖信号的研判依据 0
!）/-网络模型预测中具有一定的时滞性 0在
—%)—第 ’
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
期 陈晓红等：基于神经网络的期货套期保值决策支持系统
选取网络输入层时，没有考虑利率、汇率、物价指
数等经济因素以及政治因素和自然因素，因此该
模型宜作中短期预测 !
"）我国期市的发展还处在初级阶段，人为因
素和国家政策的干预常使期市产生不规范的突
变，这大大增加技术预测的难度，因此需结合传统
的基本分析法和技术分析法才能对期价作出成功
的判断 !在本文的方案中，通过修正方案加入用户
对其它因素引起期价走势判别 !
! 系统功能设计及实现
本系统运用原型法，采用面向对象的开发工
具 #$%&’()*+,&’- ! .，其“事件驱动”的思想便于快
速地开发系统，包括应用程序开发和数据库设计 !
上述人工神经网络专家系统的样本库、知识库及
输出结果适合存放于数据库中，其中涉及大量的
数据处理，运算复杂，开发中注意将计算过程向后
台数据库转移，采用存储过程以提高系统运算速
度，相应也提高系统的可维护性 !系统逻辑功能结
构如图 /所示 !
基本信息管理：可以方便地对交易所、品种、
费率、行情等基本信息进行增加、删除、修改，并提
供任意组合条件查询功能 !系统的其它业务处理
是基于基本信息进行的，如 (#预测、参数分析等
涉及的信息，系统自动从对应的基本信息中取出
所需数据进行处理 !所以，基本信息必需完整
输入 !
图 / 系统逻辑功能结构图
神经网络预测：系统应用神经元网络专家系
统预测主导行情，根据样本库（历史行情）中的数
据，自动预测用户选定时间段内的结算平均价，一
系列预测值构成一条趋势线，为用户提供图表
分析 !
参数分析：有基本参数分析和入市时机分析
两个模块 !系统根据用户选定的历史行情计算最
佳套保率、期货标准差、现货标准差及现货与期货
间的相关系数；系统通过比较以上计算的参数，自
动逻辑判断空头或多头入市时机 !为用户提供辅
助决策 !
套保方案编制：系统对制定的各种不同方案
计算其成本费用、盈利等，并提供分析报表，用户
可以比较各方案效果后，做出选择 !
" 结束语
本系统尝试用人工神经网络专家系统预测期
货价格走势，经实证检验，该模型具有较强的学习
和记忆能力，可以在一定程度上模拟期货行情内
在规律 !并且，本系统的应用强调人机交互性，即
用户的积极参与，系统需要通过大量的网络训练
达到预测效果，其它相关理论的应用也需要用户
的经验加以补充，有待进一步探讨 !
—00— 管 理 科 学 学 报 0112年 20
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
月
参 考 文 献：
［!］ 侯晓鸿，曾继民，李一智 "市场弱型有效检验方法研究［#］"管理工程学报，$%%%，（!）：&’()%
［$］ 李一智，侯晓鸿 "套期保值数量风险的分析研究［#］"期货，!’’*，（!$）：+,(+*
［-］ 陈晓红，林孝贵 "套期保值交易时机分析［#］"中南工业大学学报，$%%%，&（$）：$!-($!,
［+］ 张建勋，贺京同，王 维等 "人工神经网络在经济控制中的应用［#］"预测，!’’’，（&）：$&($’
［,］ ./0/1/2 3 4，/5 67" 859:; </=09=>61:/ >9?/7@1A B2@1A 1/B=67 1/5C9=;2：6 :9><6=65@D/ 25B?E C@5F =/A=/22@91 >9?/72［#］"
4/B=67 4/5C9=;，!’’+，)（$）：-),(-**
［&］ 陈 明 "神经网络模型［G］"大连：大连理工大学出版社，!’’,
［)］ 陈晓红 "决策支持系统理论与应用［G］"北京：清华大学出版社，$%%%
［*］ HF/1 I@69F91A " 3 J88 5F/9=E 0=9> <=9K7/> 297D@1A <6=6?@A>［#］" L15/=165@9167 #9B=167 90 L109=>65@91 61? G616A/>/15
8:@/1:/2，$%%%，（,）：!$,(!-!
［’］ 李一智，侯晓鸿 "运用动态模拟方法分析期货价格行为［#］"预测，!’’’，（!）：,-(,,
［!%］ 杨 欣，马洪波 "人工神经网络在中长期汇率预测中的应用［#］"系统工程，!’’’，（!）：!*($+
［!!］ 郑立群等 "人工神经网络方法在投资风险评价中的应用［#］"管理科学学报，!’’’，$（+）：’-(’,
!"#"$% &%’(% ’%)*+*,- +"..,$# +/+#%0 12+%’ ,- -%"$23 -%#4,$5
!"#$ %&’()*(+,，-". %&’
8:F997 90 MB2@1/22 61? G616A/>/15，H/15=67 89B5F N1@D/=2@5E，HF61A2F6 +!%%*-，HF@16
61+#$2)#：OF@2 <6</= 6167E2/2 59567 79A@: 90 5F/ 0B5B=/ F/?A/ ?/:@2@91 2B<<9=5 2E25/> K62/? 91 5F/ :F6=6:(
5/=@25@:2 90 F/?A/ 9</=65@91 " 3=5@0@:@67 1/B=67 1/5C9=; /P</=5 2E25/> @2 6?9<5/? 59 09=/:625 5F/ 5/1?/1:E 90
0B5B=/ >6=;/5 " OF/ 344 >9?/7 @2 2/5 61? @52 25=B:5B=/ @2 :6=/0B77E ?/2@A1/?" L1 5F/ 344 >9?/7 62 <=/?@:(
5@91 90 0B5B=/ <=@:/，<6=6>/5/=2 90 5F/ >9?/7 6=/ ?E16>@:677E :F61A/? @1 9=?/= 59 2/6=:F <=/0/=6K7/ /00/:5 90
<=/?@:5@91 " OF@2 >9?/7 F62 K//1 6<<7@/? 59 5F/ =/67 :62/2 90 09=/:625@1A 90 0B5B=/，61? 5F/ 6167E2@2 90 6<<7@(
:65@91 90 <=/?@:5@91 =/2B75 @2 A@D/1 " 35 5F/ 26>/ 5@>/，5F/ 25=B:5B=/ 61? 0B1:5@91 90 5F/ J88 6=/ A@D/1，
CF@:F F6D/ 2565/? 2@A1@0@:61:/ 09= 2B<<9=5@1A ?/:@2@91 90 F/?A/= "
7%/ 4,$’+：1/B=67 1/5C9=;；0B5B=/；F/?A/；?/:@2@91 2B<<9=5 2E25/>
—-$—第 &
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
期 陈晓红等：基于神经网络的期货套期保值决策支持系统
