【摘 要】期货市场作为金融市场的重要部分，对于我国国民经济的发展有着重要的影响。目前，对期货预测的研究大都基于RBF神经网络模型和数据挖掘技术。本文将对基于RBF和数据挖掘的期货预测研究进行综述，主要关注期货市场的特点、用于期货预测的数据挖掘技术中的主要算法、RBF神经网络的概述和目前研究结果的比较。
【关键词】数据挖掘技术；RBF神经网络；期货预测
0 引言
期货市场传递的价格信息能比较准确地反映未来供求状况的预期情况及其变动趋势，是市场供求状况的超前反应，对现货市场的波动有着特有的前瞻性。因此，选择有效的期货预测方法来分析和预测期货市场，对保障金融市场的稳定和维护整个经济体系有着重要的作用。由于期货价格的变化是一个非线性的时间序列，因此使用传统的统计方法直接对期货价格进行分析和预测，其预测结果的偏差是比较大[1]。基于神经网络的期货预测研究是神经网络技术在金融领域应用的一个非常重要的方面[2]，那是因为RBF神经网络具有大规模并行数据处理以及非线性模拟能力[3]。但是，目前在采用RBF神经网络进行期货预测的众多文献中[4-5]，大多的只是单纯使用RBF神经网络对大量数据进行学习、模拟。本文试图通过目前对基于RBF和数据挖掘技术的期货预测的研究现状进行梳理、比较，为期货预测的研究起借鉴和启示意义。
1 我国期货市场现状及发展
1.1 我国期货市场的现状
作为商品流通体制改革、价格市场化的重要产物及市场经济发展的一个重要标致，我国期货市场历经20多年的探索实践，取得了令人瞩目的成绩，在相关产业及国民经济发展中开始发挥越来越重要的作用，尤其是在服务国民经济、促进现代农业的发展、影响国际大宗商品价格等方面中正在成为国家宏观调控的一个抓手。
1.2 我国期货市场的发展趋势
中国的期货市场作为一种新生事物经过十几年的发展，从无到有，并且逐渐走向规划化。回顾从前，我国期货市场的发展可以说是坎坷多难，道路曲折。审视现在，我国的期货市场已进入规范发展的时期，并且正不断地走向成熟。展望未来，我国宏观经济环境良好，长期基础制度建设积累了一定基础，外部环境不断改善，期货市场风险控制能力逐渐加强，同时科学化管理水平稳步提高，这些都为期货市场的健康、快速发展奠定了坚实的基础。
2 数据挖掘简介及RBF神经网络算法概述
2.1 数据挖掘简介
近年来，随着Internet、计算机技术、信息技术和数据库技术的快速发展，计算机在各行各业中的使用也越来越广泛。由此产生的数据，随着时间的积累也越来越多。在这海量的数据中隐藏着许多重要的信息，但是目前的数据库系统却无法发现这些数据的内在联系，更无法根据现有的数据来预测其未来的发展趋势。而数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的一个过程。
2.2 RBF神经网络概述
径向基函数（RBF-Radial Basis Function）神经网络是在80年代末由J.Moody和C.Darken提出的一种神经网络模型，RBF网络是由输入层、隐含层和输出层构成的三层前向网络[7-9]，其拓扑结构如图1所示。神经网络信息的传输为：对于输入层，只负责信息的传输。对于隐含层：每个神经元将自己和输入层神经元相连的连接权值矢量 与输入矢量之间的距离乘以本身的阈值作为自己的输入。隐含层神经元采用径向基函数作为激励函数，通常采用高斯函数作为径向基函数。对于输出层，它对输入模式的作用做出响应。由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而大大加快学习速度并避免局部极小问题。
图1 RBF神经网络结图
隐含层和输出层采用径向基函数作为激励函数，该径向基函数的一般高斯函数表达式如下式：
由此可知，需要选择合适的权值wi和神经网络中心ci即可实现非线性基函数的线性转换，从而实现从现有数据到未来数据的预测。
3 RBF和数据挖掘技术在期货市场中网络模型的比较
3.1 基于主成分分析的RBF神经网络模型
RBF神经网络模型[11-12]使用基于主成分分析法对原始数据进行降维，再用这些个数较少的新变量作为RBF神经网络的输入进行模拟预测。利用SPSS软件，选择前3个成分作为主成分；同样利用SPSS软件，得到其成分矩阵。然后，设计一个三层的神经网络，输入层有3个神经元，输出层神经元为1个。利用下式对输入、输出值进行标准化，可使得输入、输出值均落在[-1，1]之间。
Xn=2*（x-minx）/（maxx-minx）-1
利用MATLAB的神经网络工具箱中用newrb函数设计这个径向基函数网络，用其做函数逼近时，可自动增加隐含层神经元，直到达到均方误差为止。经过试验，该网络模型的预测误差较小，见图2。
图2 两种方法预测期货后5日均价结果比较
由于主成分之间是相互独立的，所以由各主成分组成的输入空间不存在自相关性，从而有效地简化了RBF神经网络在高维时难以寻找网络中心的问题，提高了预测精度。不过径向基网络本身对扩展速度的选择没有一个固定的标准，不同的值得到的结果又较大的偏差，这是该网络模型的一个缺陷，值得深入地研究。
3.2 基于分段取中心值的RBF神经网络模型
由于RBF神经网络对近似线性时间序列数据预测误差较大，我们提出了一种改进的算法。该算法以分段取中心值算法为依据，使径向基函数中心点值的确定更加合理，从而使近似线性时间序列数据预测的准确度提高。
RBF网络模型[13]的学习过程可分为两步：RBF网络径向基函数的中心与宽度选择，网络输出层和隐含层权值之间的确定。改进的RBF网络模型采用改进的分段取中心值算法来确定RBF网络径向基函数的中心与宽度，同时利用最小二乘法来确定网络输出层和隐含层之间的权值。
最后确定RBF神经网络的权值，再利用MATLAB进行训练、计算。经过述理论分析和期货预测实验结果可以知道，提出的基于分段取中心值算法的 RBF 神经网络在时间序列变化较平缓且近似有规律的小幅度的上升或下降时具有较佳的拟合性能，同时也说明了 RBF 神经网络在期货预测上的准确性和可行性，为短期期货价格的走势提供了参考。
4 结论与讨论
上述研究表明，RBF和数据挖掘技术在期货预测中的应用比较广泛。总结当今神经网络的研究取得的成果，对几种RBF网络模型进行梳理、比较和研究，可以知道RBF和数据挖掘技术对期货交易的短暂的走向可以做出预测。同时，这几种RBF神经网络算法还是存在很多的不足之处，需要更加深入地进行研究，才能对期货交易进行更好地预测，使得期货市场发展的更好，我国的金融市场更加稳定。
【参考文献】
[1]申畯，申荣华.改进的RBF神经网络对期货价格的预测分析[J].现代商贸工业，2008，11：183-184.
[2]蒋综礼.人工神经网络导论[M].北京：高等教育出版社，2001.
[3]李学桥.神经网络工程应用[M].重庆：重庆大学出版社，1995（24）.
[4]高博，王启敢，张艳峰.权证定价中的神经网络方法[J].统计与决策，2010（14）.
[5]张秀艳，徐立本.基于神经网络集成系统的股市预测模型[J].系统工程理论践，2003（9）.
[6]张屹山，方毅，黄琨.中国期货市场功能及国际影响的实证研究[J].管理世界，2006，04：28-34.
[7]葛哲学，孙志强.神经网络理论语MATABLER2007实现[M].北京：电子工业出版社，2007-09.
[8]刘志杰，季令，叶玉玲，等.基于径向基神经网络的集装箱吞吐量组合预测[J].同济大学学报：自然科学版，2007，35（6）.
[9]郑丕谔，马艳华.基于RBF神经网络的股市建模与预测[J].天津大学学报，2006，33（4）.
[10]刘书明，苏涛，罗军辉.Tiger SHARC应用系统设计[M].西安：西安电子科技大学出版社，2004.
[11]刘兴彬，万发祥.RBF神经网络主成分分析法在交通预测中的应用[J].山西科教，2001（1）：54-56.
[12]飞思科技产品研发中心.神经网络理论与MATLAB实现[M].北京：电子工业出版社，2005.
[13]钱晓东，肖强，罗海燕.基于改进的RBF神经网络的人民币汇率预测研究[J].计算机工程与应用，2010，40（10）.
[责任编辑：周娜]
