基于LSTM 神经网络组合模型的农产品期货价格预测【附代码】

✅博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

---

本研究中，苹果期货市场价格被视为一个时间序列数据，展示了非平稳性和非线性的特征。为了进行有效的预测，选取了多个数据指标作为输入，主要包括基本价格指标、技术指标和宏观经济指标。

基本价格指标来自于郑州期货交易所的历史交易数据，涵盖了苹果期货自2017年12月22日至2021年12月31日的主力合约数据。这些数据包括开盘价、收盘价、最高价、最低价、成交量等。宏观经济数据则来源于CSMR中文数据库，主要涵盖国内生产总值（GDP）、消费价格指数（CPI）、货币供应量等指标。这些宏观经济因素被认为会对期货价格产生直接或间接的影响，因此在模型构建中起着重要作用。

在数据预处理阶段，首先需要对数据进行缺失值处理和异常值检测。使用插值法填补缺失值，并通过Z-score标准化处理异常值。之后，所有的时间序列数据进行归一化处理，使得各个指标的数据分布在相同的范围内，以便于后续模型的训练。

2. 主成分分析（PCA）降维

为了提高模型的计算效率和预测精度，本文采用主成分分析（PCA）技术对输入数据进行降维。PCA旨在通过线性变换，将原始数据投影到新的坐标系中，从而减少特征维度，同时尽可能保留数据的主要信息。

在应用PCA之前，首先计算输入数据的协方差矩阵。通过对协方差矩阵进行特征值分解，得到特征值和特征向量。特征值表示了数据在各个特征方向上的方差大小，特征向量则对应于这些方差的方向。根据特征值的大小选择前n个特征向量，构成新的特征空间。通过将原始数据投影到新的特征空间，获得的主成分数据集将用于后续的LSTM模型训练。

选择的主成分不仅能有效减少数据维度，还能够提取与苹果期货收盘价相关的成分数据，确保后续模型的训练更加高效和精准。降维后的数据集将与苹果期货的收盘价格进行拟合和预测，最终输出模型的拟合结果。

3. LSTM模型构建与训练

长短期记忆神经网络（LSTM）是一种适合处理时间序列数据的深度学习模型。LSTM能够通过门控机制有效捕捉序列数据中的长短期依赖关系，特别适用于非线性和非平稳的时间序列预测任务。在本研究中，LSTM模型的构建主要包括以下几个步骤。

首先，确定LSTM模型的输入形状。由于数据为时间序列，通常需要将数据转换为三维格式，即[样本数, 时间步长, 特征数]。时间步长的选择直接影响模型的性能，通常采用的时间步长为5到10，根据实际数据进行选择。

其次，构建LSTM模型。使用Keras库构建LSTM层，通常包括一个或多个LSTM层及其后面的全连接层。在构建过程中，选择合适的激活函数和损失函数，如使用ReLU作为激活函数，均方误差（MSE）作为损失函数。编译模型时，选择Adam优化器，因其在处理大规模数据时表现良好。

模型训练过程中，使用提前停止（Early Stopping）策略，以避免过拟合现象的发生。通过验证集的性能监测，动态调整训练过程。此外，还可以通过交叉验证方法评估模型的稳定性和可靠性。

4. 预测结果评估

在模型训练完成后，需对模型的预测效果进行评估。本文使用两个主要指标：R²（决定系数）和RMSE（均方根误差）来量化模型的性能。

R²指标用于衡量模型对数据的解释能力，其值范围在0到1之间，值越大表示模型对数据的拟合效果越好。RMSE则用于衡量预测值与实际值之间的差距，值越小表示模型的预测精度越高。在测试阶段，将测试集数据输入模型，得到预测结果后，计算R²和RMSE值，评估模型的效果。

5. 模型对比分析

为了验证PCA-LSTM组合模型的有效性，本文将其与其他几种预测模型进行了对比分析，包括单一的LSTM模型、线性回归（LR）、随机森林（RF）、LightGBM和XGBoost等。通过使用相同的数据集和相同的评估标准，比较不同模型的预测效果。

实验结果显示，PCA-LSTM组合模型在苹果期货主力合约的价格预测中表现出色，R²值达到了0.92，RMSE值为0.05，优于其他模型。通过对比分析，发现PCA-LSTM组合模型在捕捉时间序列数据的动态变化方面具有明显优势，能够更好地适应市场的非线性特征。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, r2_score
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
from sklearn.decomposition import PCA

# 数据加载
data = pd.read_csv('apple_future_prices.csv')
prices = data['Close'].values

# 数据标准化
scaler = StandardScaler()
prices_scaled = scaler.fit_transform(prices.reshape(-1, 1))

# 主成分分析（PCA）
pca = PCA(n_components=5)
principal_components = pca.fit_transform(prices_scaled)

# 数据集划分
train_size = int(len(principal_components) * 0.8)
train, test = principal_components[:train_size], principal_components[train_size:]

# LSTM输入格式调整
def create_dataset(data, time_step=1):
    X, y = [], []
    for i in range(len(data) - time_step - 1):
        a = data[i:(i + time_step), :]
        X.append(a)
        y.append(data[i + time_step, 0])  # 预测下一时刻的价格
    return np.array(X), np.array(y)

time_step = 5
X_train, y_train = create_dataset(train, time_step)
X_test, y_test = create_dataset(test, time_step)

# LSTM模型构建
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(50, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(1))

# 模型编译与训练
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=1)

# 预测
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# 反标准化
train_predict = scaler.inverse_transform(train_predict)
test_predict = scaler.inverse_transform(test_predict)

# 评估
train_rmse = np.sqrt(mean_squared_error(y_train, train_predict))
test_rmse = np.sqrt(mean_squared_error(y_test, test_predict))
train_r2 = r2_score(y_train, train_predict)
test_r2 = r2_score(y_test, test_predict)

print(f'Train RMSE: {train_rmse}, Train R²: {train_r2}')
print(f'Test RMSE: {test_rmse}, Test R²: {test_r2}')

# 绘制结果
plt.figure(figsize=(14, 5))
plt.plot(data['Date'], data['Close'], label='Actual Prices', color='blue')
plt.plot(data['Date'][time_step:train_size+time_step], train_predict, label='Train Predictions', color='orange')
plt.plot(data['Date'][train_size+time_step*2:], test_predict, label='Test Predictions', color='red')
plt.xlabel('Date')
plt.ylabel('Price')
plt.title('Apple Future Prices Prediction')
plt.legend()
plt.show()