深度学习期货价格预测【matlab+数据】

1. 数据清洗与整理

首先对原始样本数据进行清洗和整理，包括处理缺失值、异常值，确保数据的准确性和完整性。然后对数据进行归一化处理，以减少模型训练时的数值波动，确保各特征在相同的尺度上进行比较。

• 数据清洗：主要包括处理缺失值、异常值以及数据的重复性问题。
• 数据归一化：采用min-max归一化方法，将数据缩放到[0, 1]区间。

• % 数据加载与清洗
  data = readtable('gold_futures.csv');  % 加载黄金期货数据
  
  % 数据清洗：移除缺失值
  cleaned_data = rmmissing(data);
  
  % 数据归一化
  min_data = min(cleaned_data{:, 2:end});
  max_data = max(cleaned_data{:, 2:end});
  normalized_data = (cleaned_data{:, 2:end} - min_data) ./ (max_data - min_data);
  
  % 将归一化数据重新组合
  cleaned_data{:, 2:end} = normalized_data;
  

2. 技术指标的构建

通过整理后的黄金期货数据，构建常见的技术指标，例如移动平均线（MA）、相对强弱指数（RSI）等，并将这些技术指标作为特征输入到模型中。

% 计算技术指标 - 移动平均线（MA）
window = 10;
cleaned_data.MA = movmean(cleaned_data.Close, window);

% 计算相对强弱指数（RSI）
rsi_period = 14;
cleaned_data.RSI = rsindex(cleaned_data.Close, rsi_period);

5. 模型评估

使用均方根误差（RMSE）和决定系数（R²）两个评价指标，比较10个基模型的预测效果，并选择表现最好的模型进行集成预测。

6. 集成学习模型构建

将多个表现较好的模型（随机森林、XGBoost等）进行集成，构建更强大的国际黄金期货价格预测模型。

% 设定交易信号
buy_signal = ensemble_predictions > cleaned_data.MA;  % 当预测价格高于MA时买入
sell_signal = ensemble_predictions < cleaned_data.MA;  % 当预测价格低于MA时卖出

% 回测交易策略
initial_capital = 1000000;
positions = buy_signal * initial_capital;  % 满仓策略
returns = diff([0; cleaned_data.Close]) ./ cleaned_data.Close;  % 日收益率

% 计算策略收益率
strategy_return = sum(positions .* returns);
disp(['策略收益率: ', num2str(strategy_return)]);