面向互联网数据的大宗商品市场深度学习预测方法研究

This project focuses on the study on the commodity market prediction based on deep learning and Internet data. Based on the analysis of impact factors of commodity market and Internet data mining, the project constructs the convolution neural network (CNN) structure and extracts the characteristics of commodity market. At the same time, the open source data is effectively combined with the traditional statistical data, and the price forecast model using LSTM based on decomposition and reconstruction is established. On this basis, the integrated forecasting modesl like CNN-LSTM are established by combining the CNN feature extraction model and LSTM. This project is of great significance for the development of prediction method under lbig data and scientific decision-making of governments, enterprises and other departments.

本项目主要研究面向互联网数据的大宗商品深度学习预测方法。在大宗商品市场影响因素分析与互联网数据挖掘的基础上，搭建深度学习卷积神经网络（CNN）结构，提取互联网大宗商品市场特征。同时，将开源数据与传统统计数据有效结合，建立基于分解重构的长短时记忆（LSTM）大宗商品市场价格预测模型。在此基础上，有效融合CNN特征提取模型，建立大宗商品市场CNN-LSTM预测模型及多模型非线性集成预测模型。此项目对于大数据下新的预测方法的研究以及政府、企业等部门的科学决策具有重要意义。

本项目在国家自然科学基金的支持下，针对面向互联网大数据的大宗商品预测问题进行了系统深入的探索和研究。基于大规模互联网新闻和文本挖掘技术，将开源数据与传统统计数据有效结合，构建包括文本识别、数据挖掘和深度学习在内的大宗商品市场分析及预测的大资料研究框架；利用多种时间序列分解方法，深入探究商品市场价格的演化传导机制，通过系统分析、模态对比，揭示不同尺度下价格波动的原因、特征与形成机理；建立了面向互联网数据的大宗商品价格深度学习波动预测模型，进行大宗商品市场价格和波动率的集成预测，分析价格波动机制，显著提高了预测模型精度。同时，开发基于互联网数据的大宗商品价格预测系统模块。本项目研究的大宗商品覆盖原油、黄金、大豆、玉米、小麦、铁矿石六大品种，完成一批得到国内外学术同行好评和政府有关决策部门重视的研究工作，丰富了预测科学的理论与方法体系，有效地支持了政府相关部门的科学决策，也为企业、个人投资者的交易策略制定提供重要决策参考和技术支持。