没有合适的资源?快使用搜索试试~ 我知道了~
数据科学与管理1(2021)48研究文章全球公共事件对中美大豆期货市场影响的信息融合模型朱青a,b,阮英林a,刘珊b,*,王林ca陕西师范大学国际商学院,西安bXi交通大学管理学院,c华中科技大学管理学院,武汉,430074A R T I C L E I N F O保留字:2019冠状病毒病疫情数据挖掘大豆期货中美贸易摩擦A B S T R A C T贸易摩擦及全球公共卫生安全事件令投资者更难从中美大豆期货市场赚取正回报。本文利用大连商品期货交易所(DCE)和芝加哥期货交易所(CBOT)公布的大豆期货数据,采用深度学习和模式分解来提高市场效率,并降低中美贸易摩擦和COVID- 19疫情带来的投资者风险。建议的模式有助投资者主动感知破坏性事件的市场风险,并作出有利可图的决定。研究结果为两国大豆市场的量化交易提供了实践指导1. 介绍由于大豆是全球农业产品供应链中的主要农产品,价格波动可能对生产者和消费者造成重大影响(Zhang et al.,2018; Wang和Wei,2021)。然而,大豆期货市场可以成为转移价格风险和传递信息的强大金融市场工具(Irwin等人, 2011年)。2018年3月,当美国总统唐纳德·特朗普指示美国贸易代表对中国进口商品征收关税并重新谈判贸易协定时,贸易紧张局势爆发随之而来的大豆价格暴跌使许多农民和市场参与者负债累累,收入减少(Belmonte,2019)。于二零二零年,COVID-19爆发严重影响全球金融市场(Ali et al., 2020年)。表1显示了中国大豆进口总量1和美国对中国出口总量2的变化。在中美贸易摩擦和COVID-19大流行之前,2017年中国大豆进口量为9,553万吨,其中美国出口到中国的大豆占总量的30. 02%。然而,2018年中美贸易摩擦后,中国进口大豆8804万吨,其中只有8.47%来自美国,下降超过50%。因此,需要指导,以帮助农业部门对冲其风险和供应波动(Shi等人,2019年)。 这两个事件导致交易量暴跌,导致大豆产业链的不确定性增加,进而因关税和运输费用增加等因素影响大豆消费和生产活动。 由于中美大豆市场的高度依赖性,这些公共事件导致了大豆期货市场的波动。中美贸易摩擦和COVID-19疫情对大豆市场的影响已从宏观角度进行了广泛分析,以评估全球价值链的变化并研究经济的不确定性(Altig etal., 2020; Fusacchia,2019)。然而,对突发公共事件对期货市场的影响的研究不足。 虽然投资者期望从期货市场交易策略中获得合理回报,大豆期货价格研究可以提供新的微观视角,但影响金融市场策略预测的因素很多。例如,已经发现中国和美国期货市场之间的信息传递可能导致相互价格波动(Hou和Li,2016; Fung等人, 2003年)。受以往研究启发,基于中美贸易摩擦和COVID-19疫情,本文将中国和美国三个不同时期的期货数据纳入建议模型,使用不同时期的具体而言,微观视角是同行评议由Xi交通大学负责* 通讯作者。电子邮件地址:shanliu@X jtu.edu.cn(S. Liu).1http://www.stats.gov.cn/。2https://www.usda.gov/。https://doi.org/10.1016/j.dsm.2021.02.005接收日期:2020年11月20日;接收日期:2021年1月30日;接受日期:2021年2021年3月11日网上发售2666-7649/©2021 Xi'an Jiaotong University.出版社:Elsevier B.V.代表科爱通信有限公司公司这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表数据科学与管理杂志主页:www.keaipublishing.com/en/journals/data-science-and-managementQ. Zhu等人数据科学与管理1(2021)4849表12017年至2019年中国和美国之间的大豆交易(百万吨)。日期中国大豆进口美国对中国的201795.5328.86201888.047.46201988.5121.49专注于投资者在面对具破坏性的公众事件时可采取的策略,以确保潜在的正面回报,减低风险及提高投资效率。 研究结果表明,基于深度学习和模式分解的信息集成方法能够检测突发公共事件的不确定性,能够学习隐藏在原始数据中的信息特征,识别潜在的交易机会,并利用预测的策略进行交易,为市场参与者提供有价值的交易指导。本文的其余部分组织如下:第2节回顾了相关研究,第3节详细介绍了整体框架,第4节介绍了数据处理和实验设计,第5节和第6节介绍和讨论了实证结果,第7节给出了结论。2. 相关工作全球市场由于信息开放程度的提高而变得相互关联,这意味着不同的市场会影响其他市场的风险和信息流动对商品现货和期货市场之间的关系(Nicolau和Palomba,2015; Tuo和Zhang,2020)以及不同商品期货市场之间的关系(Ahumada和Cornejo,2016)进行了大量研究。然而,不可预测的外部事件(例如COVID-19爆发)的发生可能会对金融市场造成重大影响。例如,大豆期货市场受到贸易政策、供求关系以及其他相关国际市场事件等因素的影响(Li et al.,2020年),而这些事件中的每一个都有不同的短期和/或长期影响。因此,寻找降低突发事件风险的方法已成为最近的研究方向。由于本文的实验设计是基于中美贸易摩擦和COVID-19爆发这两个事件的节点,因此根据图1中的时间轴回顾了以往的相关研究。1.一、全球农产品市场波动性大、复杂性强、相互影响.Hernandez等(2013)利用多元广义自回归条件异方差(MGSDs)研究了玉米、大豆和小麦期货波动对美国、欧洲和亚洲市场交易所的影响,发现中国和美国大豆期货市场的相关性高于中国和日本。 Jia等人(2016)使用热最优路径(TOP)方法研究了大豆、玉米和小麦期货市场收益与波动之间的动态领先滞后关系,发现大豆更容易受到国际市场波动的影响。李图1.一、时间轴。和Hayes(2017)利用协整和因果关系检验研究了芝加哥商品交易所(CME)和大连商品交易所(DCE)之间的价格领先滞后关系,发现美国大豆期货价格影响中国大豆期货价格,并存在长期单向关系。然而,随着中国大豆市场的持续增长,一个相反的因果关系方向开始出现。 Arnade等人(2017)使用误差修正模型(ECM)区分全球和中国农产品市场之间的短期和长期价格传导,发现大豆在所有研究产品中具有最强的短期价格传导能力。当全球大豆预期价格发生变化时,12%的变化立即传递到中国,这是最高的比例,一年后,大豆价格传递几乎达到100%,长期大豆传递为1.41。在最近的研究中,Qianget al.(2019)证实,最重要的联系是中国和美国之间,以及中国和巴西之间。随着经济政策的不确定性(EPU)被发现影响中国农产品期货价格,市场参与者已经改变了他们的投资策略(Xiao et al.,2019年)。中美之间的冲突增加了全球经济的不确定性,对两个金融市场都产生了不利影响(Zhang et al.,2019年12月31日(二零一九年),中美两国采取的宏观政策导致大豆期货价格波动。 Jiang等人(2019)使用时变参数向量自回归(TVP-VAR)研究了中国和美国经济政策不确定性的溢出效应,Iqbalet al. (2019)声称,虽然中美贸易摩擦将不可避免地影响全球贸易体系,但它可能会给第三国带来好处。然而,这些好处不足以抵消贸易壁垒增加的破坏性影响,因为增加的关税损害了美国和中国大豆的进出口,导致成本增加,从而对价格产生不利影响。因此,中美政策决策之间存在着密切的互动关系 在最近的研究中,Tu et al. 本报告(2020)采用SMART模型模拟中美贸易冲突的影响,并研究其对其他市场的影响,发现中美贸易冲突损害了双方的利益,对全球经济产生了负面影响。这些研究都揭示了中美之间的强烈相互影响以及对大豆这一典型中美贸易商品的深刻影响。 这些宏观展望为本文研究大豆期货市场提供了基础。随着全球COVID-19疫情日益严重,Kerr(2020)据推测,这可能会影响国际关系,一些国家寻求加强国际合作以稳定国内恐 慌 , 另 一 些 国 家 则 寻 求 减 少 对 其 他 国 家 的 依 赖 Gruszczynski(2020)从短期和长期角度研究了COVID-19疫情对国际贸易的影响,发现疫情严重扰乱了短期世界贸易,影响了多条供应链,但后果正在得到控制,长期来看,经济全球化将经历结构性变化。He等人本集团(二零二零年)采用事件研究法探讨COVID-19疫情对中国各行业股票价格的影响,发现疫情阻断了许多产品的运输,影响了投资者情绪,导致金融市场波动。中美贸易摩擦及COVID-19疫情亦对供需关系造成不利影响,导致市场波动过大、供应链产品交付延迟,以及短期及长期大豆市场复杂性增加。投资者希望通过预测正在发生的复杂动态事件的交易机会来降低投资风险。因此,与以往研究不同的是,本文结合虚拟中美大豆期货市场信息,为投资者提供交易策略指导,以降低市场风险。Q. Zhu等人数据科学与管理1(2021)48503. 实验框架为了研究公共事件对中美大豆期货市场投资者行为的影响,提出了一种新的三部分变分模式分解(VMD)-重构-双向门控回归单元(BiGRU)方法。 二、3.1. 部分a:目标变量标签使用午盘价格作为与其他价格的比较基准(Sezer和Ozbayoglu,2018),对收盘价应用n天滚动窗口标签,将其标记为当中午的价格是最大值,也就是说,卖出价是最高点,标着1,0,0当午盘价格是最低值时,即买入价格处于最低点时,它被标记为0,0,1。剩下的情况分别是0,1,0。当窗口大小设置为3时,结果对应于第二天的原始数据。3.2. b部分:处理输入数据第一步变分模式分解Dragomiretskiy和Zosso(2014)提出了一种新的模型,该模型采用非递归信号分解来同时提取不同的模式。原始输入序列f被分解为k图二. 实验框架。Q. Zhu等人数据科学与管理1(2021)48510阿δε是狄拉克分布。G的k分量s,和k^t¨2ð Þδtπt* u kt e-jωk t..阿δtπt*ukte-jωkt¨¨2h~t¼tanh。W·1/2rt*ht-1;xt]n;i6 ½k20 .BR∞。22K2(5)~H离散的子信号u,k,其中k个设定的数目手动地并且共同地再现输入数据。该方法用于通过最小化总带宽估计来确定最佳结果(Wang等人,ωn1R∞ω。bukωj2dω(四)2019年; Zhu等人, 2019),约束变分问题的构造如下:(i) 基于Hilbert变换,通过计算各模态uk的解析信号,得到了相应的单边谱。(ii) 然后通过将每个模型的估计中心频率与指数调谐信号混合,将频谱调制到相应的基带(iii) 然后获得解调信号H1高斯平滑之后的每个模式的估计带宽(Niu等人, 2020);具体的数学过程如公式(1)所示(Zhuet al.,2020;Lahmiri,2016):K¼;ukωjdω步骤2数据重建根据模态分解结果,将周期群模态定义为:长期、中期和短期。这一重建涉及两个主要原则。首先,以主体市场数据为基本变量,用其他单一群体市场数据代替基本客体。第二,根据不同组别的影响因素,用合并组别的其他市场数据代替基本对象。然后输入混淆数据进入预测模块,以验证该混合信息的有效性(X.. -是的Kj你... (二)s:t:Xuk<$f;K其中,fukg:<$fu1u2;;ωk是为每个模式设置的中心频率, * 是卷积运算,f是原始输入数据,Pk:¼PK1是求和为了解决约束,然后通过引入二次惩罚项和拉格朗日乘子将上述约束变分问题转换为无约束问题,以通过迭代确定结果(Abdoos等人, 2016年)。增广拉格朗日方程是:3.3. c部分:预测模块Cho等人(2014)首先提出了门控递归单元(GRU),它使用具有门控机制的细胞而不是常规神经元,然后进一步发展为双向门控递归单元(BiGRU),允许从正反两个方向识别深层信息。如图3,该网络具有更新门(z t)和复位门(r t)(Zhao等人, 2018),其中(r t)控制来自先前状态的被遗忘的信息的量,并且对于捕获时间序列中的短期依赖性是有用的,并且其中(z t)控制先前状态信息进入当前状态以捕获长期时间序列依赖性的程度。的具体计算过程为:X.jf-Xuktt;f-Xuktt;KKzt<$σWz·½ht-1;xt];其中α是带宽参数,λ t表示拉格朗日乘子。最后,采用交替方向乘子法搜索最小化问题的最优解。因此,ωk和uk的表达式为:ht1-zt1*ht-1zt*h~t;yt<$σWo·ht;bfω-Pbui<$ω< $ $ >bλ<$ω <$K其中σ是S形函数,xt是输入状态,ht-1表示(三)前一时刻的状态,[]表明这两个向量是BK ð Þ¼1<$2α<$ω-ω<$2;连接,* 表示矩阵X乘法,W表示学习参数权重图三. 双向门控复发单位的全局概述。2minfωkg..(1)最终预测的信息,通过整合更多的数据和信息,帮助投资者做出更有利的决策Lfukg;fωkg;λα(二)un1ωQ. Zhu等人数据科学与管理1(2021)4852见图4。美国和中国大豆期货市场的每日收盘价。图五. 中国和美国数据的核密度分布。表2中国和美国收盘价的描述性统计数据指数中国美国平均值4112.188 1107.603S.D.436.117 226.354最大值5032.000 1765.750最小值3250.000 803.500偏度-0.077 0.722峰值1.751 2.263ADF-2.119-1.516在整个实验过程中,首先使用张量神经网络构建一个多层网络,其中包括输入,隐藏(后向层和前向层),以及输出层,其中完全连接的层联合softmax捕获Softmax的值范围从0到1,使用公式(6)计算,是一个额外的处理层,可以将神经网络输出转换为概率分布。如等式(7)所示,计算预测概率分布和真实概率分布之间的距离的交叉熵被用作损失函数。最后,亚当优化器被用来优化学习率,并在训练过程中的损失函数最小化时,学习率设置为0.005。在神经元中,选择了修正线性单位(Leaky Relu)函数作为激活函数,它在负轴上保留了一个非常小的常数,因此可以保留一些小于0的信息Q. Zhu等人数据科学与管理1(2021)4853---P表3最新的特辑。输入要素输入要素f1closepricef8lnhighprice=openprice开盘价]f2¼openpricef9¼ln½highprice=openpricet-1]f3¼highpricef10¼ln½highprice=openpricet-2]f4¼lowpricef111 ¼ln½highprice=openprice(开盘价)f5½回报率f12½ln½低价=开盘价f6¼volatility25daysf13¼ln½lowprice=openprice[1]f7¼MTM15f14¼ln½lowprice=openpricet-2]ADF的统计结果为2.119和1.516,均大于5%的临界值2.863,得出两国大豆期货指数日收盘价均为非平稳的结论。表3示出了基于先前研究数据的实验中使用的15个特征(Gunduz等人,2017; Hsieh等人,2011年)。为了反映市场收益情况,模型中使用了价格、动量、波动率和各种收益指标。为了消除特征维度和幅度的影响,使用最小-最大归一化来使用等式8处理原始数据f15¼ln½lowprice=openpricet-3]*x-xminXMax -xmin(八)软最大可调范围伊伊nj¼1eyj;(6)其中x为实值,xmin和xmax分别表示实序列中的最小值和最大值。4.2. 实验细节其中yi是神经网络的输出损失1/4-Xpxlogqx;(7)X其中px表示真值,qx表示预测值。4. 数据预处理和实验设置4.1. 数据描述和处理2010年1月11日至2020年5月18日的10年大豆期货历史数据选自大连商品期货交易所(DCE)和芝加哥期货交易所(CBOT),共有2,697个数据点。中美期货市场的时区差异意味着,由于交易不一致(如假期),DCE和CBOT之间的时间序列日期并不完全匹配;因此,使用五天移动平均法来补充缺失的收盘价如图所示。 四、图表5显示了中国和美国收盘价的核密度分布,表2给出了中国和美国收盘价的基本描述性统计。由于偏度呈正态分布,绝对偏度越大,离对称分布和均值越远,绝对峰度值越大,低态分布与正态分布的差异越大由于中国市场的偏度小于0,平均值右侧的数据较多,由于峰度小于3,左侧有一条长尾,峰度相对较低。然而,由于美国市场的偏度大于0,峰度小于3,因此数据分布是正偏的,也就是说,右边有一个长尾,与正态分布相比,它相对偏态。然后应用ADF测试来测试序列平稳性。因为第三部分提出了设计框架,并给出了详细的实验设置和评价指标由于本文的目的是确定非预期事件对投资者决策的影响,如图6所示,基于两个破坏性事件设计了三个子实验:2018年3月22日,特朗普总统签署总统备忘录对中国输美产品征收关税,以及2020年1月20日确认的COVID-19人传人以中国市场数据为例,选取日收盘价标签作为目标变量,并将其输入到具有所选特征的框架中,模拟目标变量进行进一步的自动决策。然后,将模式定义为不同的组,并将相应的中国数据模式组替换为相应的美国组,以模拟中国市场目标值。由于假定中国和美国大豆期货的输入时间是同时的,因此两个期货之间没有时间差,也就是说,当将原始数据输入到BiGRU时,中国和美国大豆期货从第t天开始的值被输入到同一个BiGRU单元中。三组实验的数据选择过程4.2.1. 实验1(贸易战前)实验周期包括2010年1月11日至2018年3月22日的2,132个点,分为训练集和测试集,其中2010年1月11日至2016年12月28日的1,812个点作为训练集(原始数据集的85%),2016年12月29日至2018年3月22日的320个点作为测试集(原始数据集的15%)。4.2.2. 实验2(COVID-19)实验期为2010年1月11日至2020年1月20日,共2,609点,其中2,131点为2010年1月11日见图6。 三个实验的数据集。1/4xQ. Zhu等人数据科学与管理1(2021)4854见图7。 中国大豆收盘价的VMD分解结果。见图8。 波动的不同成分为中国大豆收盘价。至2018年3月22日用作训练集,而2018年3月23日至2020年1月20日的478个点用作测试集,以代表贸易冲突与COVID-19爆发之间的数据。4.2.3. 实验3(2019冠状病毒病疫情期间)实验期包括2010年1月11日至2020年5月21日的2,697点,2010年1月11日至2020年5月21日的2,608点。表4中国大豆市场的E实验1中测试数据的混淆矩阵。使用2020年1月20日作为训练集,并使用2020年1月21日至2020年5月21日的89个点作为测试,以代表COVID-19早期爆发期间的数据。采用滚动窗口法对该模型进行优化,将时间段设置为90 d,以确保更准确的决策。 为了检验该模型的实用性,引入了四个通用混淆矩阵指标来评估结果:准确率、精确率、F1得分和召回值。 混淆矩阵衡量分类准确度,矩阵对角线上的数字表明这些数字被正确预测为实际类别。5. 结果混淆矩阵预测卖出持有买入为了使这个过程更容易理解,实验的组织是基于前面概述的结构预测实际卖出58 20 2暂停. 28 111 22购买7 26 46为了更好地观察融合信息模型在同一金融资本市场中的盈利能力,以测试集为主要分析对象,对期货市场进行了模拟交易为Q. Zhu等人数据科学与管理1(2021)4855表5E实验1中美市场数据重构中国市场准确度(%)精密度(%)召回率(%)F1评分(%)美国市场准确度(%)精密度(%)召回率(%)F1评分(%)C_raw67.1966.2666.5666.20A_raw71.5671.4570.3070.78C_L66.2565.0964.8764.94A_L70.6269.9770.6970.23C_M68.1268.0566.9867.36上午64.6963.8365.0864.34C_S38.4435.9836.2836.01A_S31.5629.5529.5629.39C_LM61.5660.8562.8761.66A_LM65.6264.8165.2965.04C_LS36.5633.3633.3433.25A_LS35.0032.5832.0732.11C_MS37.8132.1332.0531.89A_MS33.7530.5330.4130.43表6实验2中中美市场的数据重构结果中国市场准确度(%)精密度(%)召回率(%)F1评分(%)美国市场准确度(%)精密度(%)召回率(%)F1评分(%)C_raw68.8368.3269.6968.92A_raw68.4169.3768.0468.61C_L69.2568.3869.5768.90A_L67.5768.3367.4967.85C_M65.9065.3365.1665.24上午65.9065.8266.6066.13C_S39.9635.3335.3035.28A_S39.1237.3137.0637.07C_LM63.8163.4363.7563.58A_LM66.3266.8466.1266.27C_LS41.4237.6137.6337.53A_LS37.8736.1335.7735.79C_MS39.3333.8533.9433.83A_MS38.2836.6536.6036.60表7实验3中中美市场的数据重构结果中国市场准确度(%)精密度(%)召回率(%)F1评分(%)美国市场准确度(%)精密度(%)召回率(%)F1评分(%)C_raw69.6669.7670.7270.09A_raw73.0370.6974.6572.21C_L73.0373.7673.0473.05A_L75.2872.5075.9873.86C_M66.2966.8866.1166.44上午52.8150.7154.2151.48C_S34.8335.0035.1734.06A_S42.7040.2442.2139.99C_LM64.0465.3263.9364.42A_LM55.0653.5357.8153.96C_LS40.4541.3840.8238.92A_LS32.5829.3328.6028.31C_MS39.3331.7335.7232.72A_MS34.8328.3728.8428.35为了方便读者,C开头的缩写代表中国市场基准数据,C_L表示中国长期信息被美国长期信息取代以A开头的缩写表示美国市场基准数据,A_L表示美国长期信息被中国长期信息取代。实验过程分为三个阶段。首先,提取了中国和美国大豆期货原始数据中包含的不同内在因素其次,在此基础上,建立了原始特征模型(C_raw,A_raw)、基于替换单组的信息融合模型(C_L,C_M,C_S,A_l,A_M,A_S)和基于两组特征的信息融合模型(C_LM,C_LS,C_MS,A_LM,A_LS,A_MS),并对模型进行了分析。两个市场。最后,比较了不同信息融合模型的分类性能,从两个市场的原始信号中提取了内在因素,评估了混合信息对各自市场的影响,以帮助投资者识别最佳交易机会,降低风险,并进一步探讨了混合信息模型实验结果差异的原因。5.1. 特征分解结果图7显示了VMD将中国大豆期货收盘价分解为从低频到低频的11个子模态见图9。 3组实验中两个测试集中最后一个点的资本值。Q. Zhu等人数据科学与管理1(2021)4856见图10。 3组实验中两个测试集的资本价值积累。高频率可以看出,不同的特征被自适应地分解为包括所有时间段的11个子信号,这些子信号是包含原始信号的不同时间尺度的局部特征信号。分解后的周期性信息在固有模态分量分离和信号频域划分过程中得到了清晰的表达。M1部分定义为长期部分,M2至M4定义为中期部分,M5至M11定义为短期部分。图 8显示了三个系列的趋势:M1显示了长期系列趋势; M2到M4的总和显示了中期系列趋势; M5到M11的总和显示了短期波动。 M1成分对价格趋势具有主要影响,表明尽管大豆价格预计会因破坏性的国际事件而波动,但预计会回到低频曲线。 中期频率序列的形状与原始大豆期货价格大致相同,表明其受到国内和国际政治经济事件的影响,每个波动点对应一个重大事件。高频系列期货价格波动规律性不明显,但预计金融市场投机、心理等短期因素会产生一定影响(Shu-ping et al., 2014年)。短期和中期波动具有围绕零均值波动的共同特征,表明市场虽然预期中期会受到政治经济冲击和短期市场投机的影响,但由于大豆市场供应和需求的力量,预计最终将稳定下来。因此,发现成分期货价格组合更好地反映了不同时期的波动特征(Zhang et al., 2008年)。5.2. 数学成绩评价混淆矩阵直接表示每个标签被正确或错误预测的分类数量。表4显示了中国原始市场的混淆矩阵结果,表明在320个测试集上,总准确率为67.19%,正确预测了215个点:58个卖出点,111个持有点和46个买入点。在这些点上,实际持有点的数量最多,占50.31%,即几乎等于卖出和买入的总和在三个分类结果中,持有标签的精度(0.71)是最佳的;然而,由于投资者通常不会在标签被预测为持有时做出反应,因此该操作对投资没有任何重大影响。然而,当卖出标签被错误地归类为买入时,会以相对较高的价格买入6个点,这表明该模型错过了一些好的卖点。当买入标签被归类为卖出时,10个点以相对较低的价格卖出,这意味着投资者将损失部分利润。表5-7显示了在中国和美国市场上模拟交易的Ex实验1、2和3的性能结果。 实验1中C_M和A_raw的准确率最高,分别为68.12% 和71.56% 。在Experiment 2中,Q. Zhu等人数据科学与管理1(2021)4857在7个子试验中,C_L和A_raw分别为69.25%和68.41%。 与第一阶段相比,C_L精度提高了3%。然而,A_raw的准确性下降了3.51%。在实验3中,C_L和A_L的准确率最高,分别达到73.03%和75.28%。从第一阶段到第二阶段再到第三阶段,最高精度沿着C_M到C_L到C_L和A_raw到A_raw到A_L的直线演化虽然样本是不平衡的,但F1得分表明进化方向大致一致。5.3. 财务绩效评价虽然混淆矩阵给出的平均准确度提供了数学证据,但它与盈利能力不同(Ballestra等人, 2019年)。在实际金融市场中,投资者寻求通过查阅更多的可用信息来获取额外的利润,因此,为了了解混淆信息对投资者决策的影响以及投资者在突发公共事件中的盈利能力变化,以预测测试集为主要分析对象,模拟期货市场交易以更好地观察盈利差异,并引入买入&持有策略进行比较,采用了直观、真实的金融模拟交易结果。首先,为了复制市场运作,初始资金为10,000 CNY和10,000美元,购买交易成本设定为0.05%。为加大自动算法交易在产生不利财务后果后的处罚,销售交易成本设定为0. 15%,高于实际情况。当预测标签为买入时,及时以当前价格买入;当预测标签为卖出时,及时以当前价格卖出;当预测标签为持有时,不采取任何行动。图图9(a)至图9(f)示出了每个实验中测试集中最后一个点的资本值。在E X实验1中,C_M和A_raw的最后一点具有最高资本值;在E X实验2中,C_L和A_raw的最终资本值达到最高点;在E X实验3中,C_raw和A_raw具有最高资本值。图图10(a)至图10(f)表示三个实验中每笔交易的资本变化曲线。 图图10(a)和(d)反映了两个市场(320点)中没有任何事件影响的不同融合信息中的测试集资本变化,从中可以看出,资本积累C_M曲线高于其他曲线,A_raw高于其余曲线。在替换了L、M和LM之后,这两个市场仍然有正收益。 图 10(b)和(e)反映了在单一事件影响下,两个市场中具有不同混合信息的478个测试集的资本变化。在中国市场,C_L、C_raw和C_LM的资本积累线紧密交织,而在美国市场,市场,原始和L资本积累曲线相对接近,并处于较高水平。 图 10(c)和(f)反映了在重叠事件的影响下,测试集(89点)在两个市场的不同混合信息中的资产变化。在中国市场,L曲线水平最高,LS曲线水平最低,在美国市场,原始曲线水平最高。在中国市场,原始状态处于较高水平,但在美国市场,原始状态下的资本价值更大。在美国市场进行的三项实验在原始情况下都是最有利可图的,其自身的市场信息对财务决策的影响最大。在中国市场进行的实验表明,随着时间的推移,从美国替代中长期因素获得的回报更高。由于环境复杂多变,许多短期影响因素对模型产生重大影响6. 讨论由于发现融合信息对第5节中获得的数学和交易结果有一些影响,问题是投资者如何利用这些来自不同时期和国家的信息,以识别更好的交易机会,降低市场波动的风险?因此,下面将更详细地研究这个阶段1来自EX实验1实验一选取交易前的数据,分析了在原始混合信息状态影响下两个市场的实验结果差异表5显示了两个市场在原始状态下交换不同周期信息后的模拟交易结果,从中可以清楚地看到,在E实验1的七个子实验中,C_M和A_raw准确度的表现最好。 资本曲线C_M高于资本曲线C_L,资本曲线A_raw处于高位。考虑到美国对中国市场的长期影响,美国市场的原始模拟相对较好,投资者在中国大豆期货市场获得了更大的利润。 美国市场在美国和中国商品期货之间的信息传递中发挥着主导作用,由于更有效的信息处理,美国对中国大豆价格的影响更为显著(Fung et al.,2003年)。从中期来看,国际大豆贸易互动是稳定的,只有在重大事件发生时才会出现较大的中期波动(Zhang et al.,2008年)。据观察,中国中期票据市场更依赖美国市场,这可能是因为美国中期票据市场的国际地位。中频分量反映了国内外重大政治经济事件对大豆价格的影响(Zhu etal., 2019年)。资本积累曲线C_M表现最好,这可能是因为中国市场反映的美国中期信息稳定了需求关系。 从中期来看,美国可能需要更多关注自身资本市场的变化,中国则需要更多关注美国大豆市场事件的影响。但替换中长期数据后,各项检验的准确性均有所下降,可能是因为美国市场的涨跌驱动力是国际大豆中期票据市场的市场询价过程,而中国市场的涨跌驱动力则是以美国为中心。在短期内,当短期序列数据被替换时,模型性能显著恶化,如子节5.2所示。 将短期虚拟信号替换为对方市场信号后,模型性能较差,整合对方市场短期信息后,最终资本值为负值,表明中美贸易存在需求互补、利益重叠、相互依赖、相互制约的特点。总的来说,中美之间存在一定程度的相互关注。从投资者阶段2从EX实验2开始的一阶交易合约冲击状态EX实验2中的测试集是从交易开始时开始的与2019冠状病毒病大流行的开始有关,以分析实验结果表明,在单一事件的影响下,两个市场之间 在这个事件节点之前,已经出现了一些贸易摩擦。但是,双方都没有采取任何实质性的行动。然而,在调查期间,中国对美国商品征收关税并开始反击美国,大豆就是一个典型的例子。 随着双方分歧的加剧,这一政策导致大豆市场发生了剧烈变化,投资者的焦虑反应对金融市场的影响非常明显Q. Zhu等人数据科学与管理1(2021)4858放大了效果(Qiu et al., 2019年)。表6显示了两个市场在单一事件冲击下,交换不同周期信息后的模拟交易结果,从中可以看出,中国方面从第一阶段开始发生了明显的变化,C_L准确率在所有七个子实验中最高,为69.25%。C_L的资本积累曲线相对较高,只有准确的C_M值低于第一阶段,这表明中国需求方市场担心中国对美国加征关税导致进口量减少。中国 在美国市场,A_raw的准确度最高,与第一阶段相比,美国作为供应商,仍然更关注自己市场的运营。因此,由于担心美国市场供应减少及美国可能出现的长期变化,其市场强烈反映然而,由于中国利用大豆贸易反击美国,在美国挑起贸易争端后,美国作为生产国的损失和恐慌很快反映在最初的准确性比第一阶段下降了3. 51%。因此,短期大豆期货市场受到突如其来的进出口限制的重大影响。从投资者的角度来看,中国反击后投资者的决策更多地依赖于美国大豆市场的长期变化,也就是说,投资者需要关注美国的长期变化,以确保他们自己的市场决策将带来正回报。由于形势仍处于明显的震荡之中,短期规律性尚不明显,反映了心理因素和投机行为对期货市场的影响(Shu-ping et al., 2014年)。因此,在此次贸易摩擦形势下,由于两个大豆市场紧密相连,因此更加关注双方的长期变化,短期内中国市场难以降低对美国大豆进口的依赖。第3阶段来自实验3的为了分析两个市场在重叠事件混合信息影响下的实验结果差异,实验3的基本数据点节点为COVID-19爆发。贸易摩擦及中美第一阶段经贸协议签署后,新冠疫情爆发,疫情严重性持续增加。表7显示了在重叠事件下两个市场之间交换不同时期信息的模拟交易结果。新冠疫情期间,国际食品供应链受损,大豆进出口均受到影响,大豆供需出现间歇性错配。在叠加事件的影响下,美元走强,大豆进口成本上升,进一步抑制了对美国产品的需求(Cowley et al., 2020年)。 混合信息对两个国家的影响是一致的,在每个子实验中,C_L和A_L的准确度都是最高的。 替换长期信号后,模型的准确性更高,中国和美国在现阶段的长期变化似乎对两国都至关重要,因为它们反映了投资者的预期。虽然实际交易结果与数学计算结果之间存在一些差异,但差异很小。A_L比第二阶段大,达到了前所未有的水平,这表明投资者更加关注中国的长期变化。当替换来自中国的长期信号中国主要关注美国的长期趋势和实际的交易决策,尽管中国的长期资本积累混合信息是积极的,有更大的资本积累在美国原始市场的信息。在第二阶段,中国对美国实施了贸易制裁大豆市场,然后向巴西下了很多订单然而,当COVID-19蔓延到南美时,中国将订单分配给其他国家的策略受到了干扰。在这种复杂的环境下,中美之间的贸易无法在不增加成本或效用损失的情况下完全转移到其他国家的替代供应商,这有可能导致进口总额大幅下降,并损害美国和中国的福利(Tu et al., 2020年)。长期信号替换后两组的比较结果表明,两国的分类准确率高于其原始市场。在本文所选时间点之前,中国采取了果断有力的防控措施,人民群众对战胜疫情充满信心,这一切都反映在金融市场上。投资者情绪与市场波动性之间存在负相关关系,即当投资者具有乐观情绪时,收益的波动性降低(Lee et al.,2002年)。C_L和A_raw的资本积累曲线最高;然而,实验3中选择的训练集仅截至2020年1月20日,当时美国的COVID-19疫情尚未完全爆发,当地人对疫情的严重程度并不清楚。因此,此时COVID-19对美国股市的影响仅为轻微(Lee et al.,(2002年)作为投资者,美国更担心中国在COVID-19疫情爆发后,中国并没有停留在幕后。随着全球事件的发展,美国疫情升级,但随着市场反应的减弱,中国开始关注长期生产稳定,而美国则关注中国政策的变化只有当两国在大豆市场上再次发出稳定的合作信号时,投资者才会根据这些信号做出有利的决定7. 结论本文开发了一个基于深度学习、模式分解和信息融合的混合模型,为投资者在混合信息和不同的不可预测冲击下对冲风险和制定更有利可图的交易 结合中美大豆期货数据的不同信息,发现该模型预测的潜在机会和有效的交易策略能有效地减少市场波动带来的损失和风险。 与直接面向市场销售的产品不同,大豆期货市场有一定的缓冲空间,投资者大多寻求根据美国╱中国大豆市场的中长期信息获利。虽然
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 十种常见电感线圈电感量计算公式详解
- 军用车辆:CAN总线的集成与优势
- CAN总线在汽车智能换档系统中的作用与实现
- CAN总线数据超载问题及解决策略
- 汽车车身系统CAN总线设计与应用
- SAP企业需求深度剖析:财务会计与供应链的关键流程与改进策略
- CAN总线在发动机电控系统中的通信设计实践
- Spring与iBATIS整合:快速开发与比较分析
- CAN总线驱动的整车管理系统硬件设计详解
- CAN总线通讯智能节点设计与实现
- DSP实现电动汽车CAN总线通讯技术
- CAN协议网关设计:自动位速率检测与互连
- Xcode免证书调试iPad程序开发指南
- 分布式数据库查询优化算法探讨
- Win7安装VC++6.0完全指南:解决兼容性与Office冲突
- MFC实现学生信息管理系统:登录与数据库操作
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功