基于人工智能算法的上海银行间同业拆放利率预测.pdf

《基于人工智能算法的上海银行间同业拆放利率预测.pdf》由会员分享，可在线阅读，更多相关《基于人工智能算法的上海银行间同业拆放利率预测.pdf（44页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、分类号： 密级： 专 业 学 位 研 究 生 学 位 论 文 论 文 题 目 （ 中 文 ） 基于人工智能算法的上海银行间 同 业 拆 放 利 率 预测 论文题目（外文） The Artificial-intelligence-algorithms-based Prediction about the Shanghai Interbank Offered Rate 研 究 生 姓 名 林 庆 添 学 位 类 别 应用统计 专 业 学 位 领 域 学 位 级 别 硕 士 校内导师姓 名、 职称 严定琪 副教授 校外导师单 位、 姓名 论 文 工 作 起 止 年 月 2015 年 3 月至 201

2、6 年 4 月 论 文 提 交 日 期 2016 年 4 月 论 文 答 辩 日 期 2016 年 5 月 学 位 授 予 日 期 校址：甘肃省兰州市 _原 创 性 声 明 本人 郑重 声明 ： 本人 所呈 交的 学位 论文 ， 是在 导师 的指 导下 独立 进行 研究 所 取得的成果。学位论文中凡引用他人已经发表或未发表的成果、数据、观点等， 均已明确注明出处。 除文中已经注明引用的内容外， 不包含任何其他个人或集体 已经发表或撰写过的科研成果。对本文的研究成果做出重要贡献的个人和集体， 均已在文中以明确方式标明。 本声明的法律责任由本人承担。 论文作者签名： 日 期： 关于学位论文使用授权

3、的声明 本人在导师指导下所完成的论文及相关的职务作品， 知识产权归属兰州大学。 本人完全了解兰州大学有关保存、 使用学位论文的规定， 同意学校保存或向国家 有关部门或机构送交论文的 纸质版 和电 子版 ， 允许 论文 被查 阅和 借阅 ； 本人 授权 兰州大学可以将本学位论文的全部或部分内容编入有关数据库进行检索， 可以采 用任何复制手段保存和汇编本学位论文。 本人离校后发表、 使用学位论文或与该 论文直接相关的学术论文或成果时，第一署名单位仍然为兰州大学。 本学位论文研究内容： 可以公开 不宜公开，已在学位办公室办理保密申请，解密后适用本授权书。 （请在 以上选项内选择其中一项打“ ”） 论

4、文作者签名： 导师签名： 日 期： 日 期： _ I 基于人工智能算法的上海银行间同业 拆放利率预测 摘 要 同业拆放利率是银行同业间在货币市场上融通资金的利率。 作为市场化核心 利率，上海银行间同业拆放利率（Shibor ）能准确、及时地反映货币市场的资金 供求关系，其变动会迅速传导和影响我国金融市场。因此，预测 Shibor 的波动 和走势 具有重要 意义 。 本文从两个时间维度上对 Shibor 的隔夜品种进行研究和预测，分别是日波 动和 月走 势。 隔夜 Shibor 日数据的预测中， 首先建立基于 BP 神经网络算法的对 照性预测模型， 接着将小波神经网络应用于预测中， 发现效果更好

5、。 进一步提出 基于 布谷 鸟搜 索 （CS ）优 化的 小波 神经 网络 预 测模 型， 提 高了 预测 精 度， 较好 地拟合了隔夜 Shibor 的日波动。预测 隔夜 Shibor 的月均值时，从影响利率走势 的因 素出 发， 预选取9 个指标并进行相关性检验， 建立回归型支持向量机 （SVR ） 预测 模型 。 利用 粒子 群优 化算 法 （PSO ） 改进 SVR 算法 ， 建立 PSO-SVR 预测模 型，提高预测精度，模型基本可以对隔夜 Shibor 的走势进行预测。 针对日数据和月数据的特点， 选用相应适宜的算法， 并进一步优化算法。 建 立的预测模型在隔夜 Shibor 的日

6、数据和月均值预测中具有一定的科学性和应用 价值。最后建立隔夜 Shibor 决策系统，整合预测模型，对货币市场参与主体具 有一定指导作用。 关键词： 拆放利率，人工智能 ，SVR ，布谷鸟搜索，粒子群优化 _ II The Artificial-intelligence-algorithms-based Prediction about the Shanghai Interbank Offered Rate Abstract Inter Bank Offered Rate refers to the benchmark rate that banks use in circulating fu

7、nds in the monetary market. As the core rate of the marketization, the Shanghai Interbank Offered Rate (Shibor) can accurately and timely reflect the supply and demand of funds in the monetary market and its variation will quickly influence the monetary market in China. Therefore, it is very importa

8、nt to predict the fluctuation and the tendency of the Shanghai Interbank Offered Rate. This paper will research and predict the overnight SHIOR varieties in two dimensions of time, which are the daily fluctuation and the monthly tendency. In order to predict the overnight Shibor daily data, firstly,

9、 establish a comparative prediction model based on Back-Propagation (BP) neural network algorithm. Secondly, apply the wavelet neural network to the prediction, which results in better effectiveness. Lastly, bring up the idea of wavelet neural network prediction model based on optimization of the Cu

10、ckoo Search (CS), which enhances the accuracy of the prediction and matches the daily fluctuation of the overnight Shibor in a better way. When predicting the monthly average of the overnight Shibor, from the point of the factors that will affect the tendency of the rate, select 9 indicators to insp

11、ect the correlation, and build the regressive Support V ector Regression (SVR) prediction model. After that, improve SVR algorithm by utilizing the Particle Swarm Optimization (PSO) and build the PSO-SVR prediction model to help enhance the accuracy of the prediction, in which way the model can basi

12、cally predict the tendency of the overnight Shibor. Select and optimize the appropriate algorithm based on the features of the daily and monthly data. The built prediction models are scientific and applicable in some way in predicting the daily data and the monthly average rate of the overnight Shib

13、or. Establishing the overnight Shibor deciding system and integrating the prediction models will certainly provide some guidance for the participants of the monetary market. Key Word: Offered Rate, Artificial intelligence algorithms, SVR,Cuckoo Search, Particle Swarm Optimization _ III 目 录 中文摘要 . I

14、Abstract . II 第一章 引言 . 1 1.1 研究背景 . 1 1.2 研究现状 . 2 1.3 本文的研究内容和方法 . 3 1.4 创新之处 . 4 第二章 基于人 工智能 的隔 夜 Shibor 预测 . 5 2.1 BP 神经网络预测模型 . 5 2.1.1 BP 神经网络基本原理. 5 2.1.2 实证分析. 7 2.2 小波神经网络预测模型 . 10 2.2.1 小波神经网络基本原理. 10 2.2.2 预测效果分析. 11 2.3 布谷鸟搜索优化的小波神经网络预测模型 . 14 2.3.1 布谷鸟搜索（CS ）理论基础 . 14 2.3.2 实验结果分析 . 15 2

15、.4 本章小结 . 17 第 三 章 基于利 率影响 因素的 隔夜 Shibor 预测 .18 3.1 Shibor 的影响因素 . 18 3.2 变量选取 . 21 3.3 回归型支持向量机（SVR ）预测模型 . 22 3.4 PSO-SVR 预测模型 . 26 3.3.1 粒子群算法（PSO ） . 27 3.3.1 PSO-SVR 预测模型仿真实验 . 28 3.5 本章小结 . 29 第 四 章 隔夜 Shibor 决策 系统 .31 _ IV 4.1 决策 系统框架设计 . 31 4.2 系统主要应用 . 32 第 五 章 结论与 展望 . 34 5.1 主要结论 . 34 5.2

16、 研究展望 . 35 参考文献 . 36 致 谢 . 38 _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 1 第一章 引言 1.1 研 究 背景 中国经济地位不断提高， 建立健全一个强大金融市场的重要性愈加凸显。 其 中， 逐步 推出 市场 化利 率是 金融 领域 改革 的重 中之 重， 将直 接影 响到 中国 金融 市 场的稳定性以及在国际金融市场博弈中的地位， 而利率市场化的关键就是要确立 基准 利率 。 基准 利率 指的 是货 币市 场中 具有 普遍 参照 意义 的利 率， 金融 市场 中其 它金融产 品定价或回报率高低可依据这一基准利率来确定， 货币当局也可以依

17、据 该利率来制定和实施货币政策。 同业拆放利率也叫同业拆借利率， 是商业银行间在货币市场上融通资金的利 率。拆放利率参与报价的主体是信用评级较高银行，相对 于其他利率，公开化、 市场 化、 透明 化的 利率 形成 机制 使得 它能 够准 确并 及时 地集 中反 映出 货币 市场 中 的资金供求关系。 鉴于拆放利率的重要性， 国际上通常选择其作为基准利率， 比 如伦敦银行同业拆放利率（Libor ）。 上海银行间同业拆放利率（Shibor ）从 2006 年末开始试运行，正式运行于 2007 年 1 月 4 日，由于我国央行 将 Shibor 作为我国的基准利率进行培育，加上 采用国际上的形成机

18、制，其又被称作是中国的 Libor 。目前，Shibor 提供 8 个品 种的利率报价，分别有隔夜（O/N）、1 周（1W ）、2 周（2W ）、1 月（1M）、2 月（2M）、3 月（3M ）、6 月（6M）、9 月（9M ）、1 年（1Y) 。Shibor 体制的确 立促进了货币市场地快速发展， 在市场化金融资产价格的确定中得到了广泛应用， 在央行对货币市场的调控中也具有显著意义。 随着货币市场参与主体的认可以及上海银行同业拆借市场的成熟， 作为核心 利率， Shibor 在货币市场举足轻重 ， 其变动会迅速影响整个市场， 影响银行和投 资者 进行 决策 。 与此 同时 ， 随着 我国 同

19、业 拆借 市场 的交 易量 日益 增大 ， 关联 产品 越来 越多 ，影 响力 越来 越 大， 可 能导 致的 利率 风 险的 破 坏性 也就 越大 。 通过 对 Shibor 数据的观察我们也可看出， 拆放利率的较大波动时有发生， 对于金融市场 的平稳运行影响很大。 金融市场的核心任务是风险管理和风险定价， 在利率风险 的风险管理和相关金融产品的风险定价中， 准确地预测同业拆放利率的波动和走 势尤 为重 要， 这其 中包 括同 业拆 放利 率的 日波 动以 及经 济环 境发 生变 化时 拆放 利 率的走势。科学地运用适当的利率预测方法，探索建立 Shibor 预测模型，设计 Shibor 决

20、策 系统 ， 对于 央行 更加 高效 的金 融监 管、 商业 银行 更加 高效 地管理资金 均具有重大意义。 _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 2 1.2 研 究 现状 目前，对 Shibor 的研究方向集中于这三个方面：（1 ）何畅（2007 ）、蒋敢 为（2013 ）、张丽萍（2013 ）等研究了 Shibor 作为我国基准利率的可行性以及 表现情况 1-3 ；（ 2） 李银 银 （2013 ） 、 黄妙 贤 （2013 ） 、 张茵 （2014 ） 等对 Shibor 的影响因素进行了实证分析 4-6 ；（ 3）Shibor 的波动特征分析及走势分析，

21、 预测 模型的建立。 同业拆放利率的预测研究， 早期多用的是传统金融时间序列模型。 如孙继国 和伍海华(2004) 运用 ARMA 模型 和 ARIMA 模型对 Chibor 隔夜拆 放 利率进行了 短期预测 7 。彭化非和任兆璋(2005) 建立了 ARIMA 和 GARCH 模型，发现在 Chibor 隔夜 拆放 利 率预 测中 ，ARIMA 模型 预测 能力 较 好 8 。郑尧天和杜子平 （2007 ）选择 GARCH 族模型对 Chibor 隔夜拆放利率进行建模，取得了较好的 短期预测效果 9 。田 敏等 （2008 ）应用 ARMA 模型对1 周 Shibor 进行短时期预 测，发现

22、预测时间跨度越大 ， 影响 Shibor 的因素 越多，因此预测误差越大 10 。 虽然传统金融时间序列方法对拆放利率的预测效果较好， 但也存在一定局限 性。随着人工智能方法的快速发展，特别是人工神经网络 的研究工作不断深入， 在高维非线性问题上 的建模和解决中 ， 神经网络提供了一种全新的方法， 逐渐被 运用于金融数据的分析、 处理和预测中。如 王军生与包卫军(2010) 根据 msereg 性能函数确定输入层个数，使用 Elman 神经网络 构建 了 中国银行间 同业拆 放利 率的神经网络 模型 11 。谢小璐（2012 ）基于小波神经网络和回归时 间序列组合 模型，对 2 周 Shibo

23、r 进行预测，结果显示小波神经网络的误差小，比回归时间 序列组合预测模型拟合效果较好 12 。师小伟（2014 ）使用 ARIMA 模型、支持 向量回归模型、贝叶斯神经网络模型分别对隔夜 Chibor 和隔夜 Shibor 进行实证 分析和比较，并进一步 提出以布谷鸟搜 索为权值优化算 法的组合预测模 型 13 。 周思 聪 （2015 ） 对比 分析 Shibor 和 Libor 的波 动性 特征 ， 提出 了结 合经 验模 态分 解方法（EMD ）和 Elman 神经网络的预测模型 14 。 从以上的研究现状分析中，可得到如下结论： （1 ）Shibor 从 2007 年开 始运 行， 运

24、行 时间 短， 所以 对于 中国 银行 间同 业拆 放利率的研究相对来说更加充分，Shibor 的预测模型研究较少。 并且， 对 Shibor 进行预测的模型使用的数据量通常比较小， 不一定能适用于近年的拆放利率数据。 （2 ）无论是使用传统的金融时间序列模型或者是使用基 于人工智能优化的 拆放利率预测模型， 通常只能在短时期的预测中取得较好的效果， 预测期越长预 测偏差越多。 （3 ）目前对 Shibor 的预测研究几乎都是基于时间序列， 在一段较为平缓的 周期 中， 预测 效果 较好 ， 但是 一旦 经济 大环 境发 生极 端情 况的 变化 时， 就几 乎失 _兰州大学硕士学位论文 基于人

25、工智能算法的上海银行间同业拆放利率预测 3 去了预测的价值。 研 究拆放利率的预测缺少在预测中加入拆放利率相关影响指标 的预测模型。 （4 ）缺少对 Shibor 决策系统的框架设计， 把 Shibor 预测模型应用到相应决 策中。 1.3 本 文 的研究 内容和方 法 本文在深入研究现有文献的基础上，确定了将 Shibor 作为研究对象，主要 是因为从 2007 年上海银行同业拆借市场正式运行以来，拆借市场的成交量急剧 放大，从2006 年2 万多亿增长到2007 年 10 万亿以上，并且在之后持续快速增 长。在 Shibor 公布的 8 个类型中，隔夜品种的成交量最大，商业银行运用多， 对

26、于利率市场的影响最大。因此，本文研究基于人工智能算法的隔夜 Shibor 预 测模型。 选取 2007 年至 2015 年的隔夜 Shibor 数据作为仿真实验数据，针对隔夜 Shibor 的日数据和月算术平均数据提出了基于人工智能算法的两种预测模型， 分 别适用于隔夜 Shibor 的日数据的波动预测和月度数据的趋势预测。 第一部分研究隔夜 Shibor 的日波动，在这一较短的时间维度上，可以假设 货币市场基本没发生变化，因此，可以基于时间序列建立 拆放利率的预测模型， 充分利用过去的利 率水平预测接下来的利率水平。 提出运用 BP 神经网络与小波神经网络分别对隔夜 Shibor 日数据进行

27、时间序 列预测并分析预测效果，发现小波神经网络预测隔夜 Shibor 的误差比较小，进 一步运用布谷鸟搜索 （CS ） 优化 小波 神经 网络 ， 发现 优化 后的 算法 运算 效率 高、 拟合效果好。 第二部分研究隔夜 Shibor 在月度的趋势变化，考虑到在这样较长的时间维 度中 ， 由于 货币 市场 环境 不断 变化 ， 单纯 的拆 放利 率时 间序 列不 能有 效地 携带 预 测走势的足够信息， 将造成基于时间序列预测的困难。 为了更好地拟合拆放利率 月度数据的走势，尝试建立基于利率影响因素 的预测模型。 根据利率决定理论选取对拆放利率 会 产生影响的9 个经 济变 量， 进一 步运

28、用 皮尔森 相关检验分析这些经济指标和隔夜 Shibor 月均值的相关性选定预测模型 的输 入变 量。 根据 选定 输入 变量 构建 运用 回归 型支 持向 量机 （SVR ） 算法的预测 模型 ， 发现 预测 精确 度一 般， 进而 建立 用粒 子群 算法 （PSO ） 优化 SVR 的 PSO-SVR 模型，精度显著提高。 _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 4 1.4 创 新 之处 （1 ）数据选取从2007 年至2015 年的隔夜 Shibor 数据，几乎涵盖了 Shibor 自发布以来的所有数据， 在这样的时间跨度上建立的预测模型 对于 预测效果 的

29、比 较更有意义， 也更有实际应用价值。 （2 ）使用布谷鸟算法 优化小波神经网络预测模型，运用 粒子群优化算法对 回归型支持向量机 进行 参数 寻优 ， 提高 模型 的推 广能 力和 预测 精确 度， 对于 隔夜 Shibor 的应用具有较大意义。 （3 ）根据隔夜 Shibor 的时间维度以及关注点的不同， 分别建立了基于时间 序列的预测模型对隔夜 Shibor 日波动进行观测，以及基于利率影响因素的模型 对隔夜 Shibor 月趋势进行考量。 （4 ）Shibor 预测与应用是一个系统工程，将基于时间序列的日数据波动和 基于利率影响因素的月数据趋势的预测模型整合到 Shibor 决策系统框

30、架中，让 市场参与主 体更好地利用 Shibor 提升效益。 _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 5 1 () 1 x fx e 第二章 基于人工智能的隔夜 Shibor 预测 2.1 BP 神 经网络预 测模型 传统的时间序列模型， 比如 ARMA 模型 、VAR 模型 ， 基本 上是 假设 研究 对 象是 线性 的。 但是 ， 经济 市场 中的 研究 对象 大多 很难 满足 这样 的假 设， 上海 银行 间同业拆放利率是混沌的、 高维非线性的时间序列数据。 拆放利率的日数据时间 序列 预测 ， 就是 要以 数据 分析 和波 动的 规律 方式 为依 据， 运

31、用 科学 的研 究 方法来 测定波动预测下一日利率水平。 随着人工智能的快速发展， 由于 在处理高维非线 性问题中的优良表现，神经网络被应用于很多研究。其中，BP 网络是向前神经 网络 中最 佳、 最精 华和 核 心的 部 分， 数 据显 示 ，80% 以上 的网 络 都是 使 用的 BP 网络或是它的相关变形和优化。 相关的变形和优化， 在不同的研究对象和目的中 表现不尽相同。本章的研究对象是 Shibor 的隔夜品种日数据，研究方法是人工 神经 网络 ， 故首 先建 立 BP 神经网络预测模型作为基础性的模型， 以便在进一步 研究中作为模型表现参照标准。 2.1.1 BP 神经网络 基本原

32、理 BP 网络是一类 多层的前馈型神经网络，在它的网络训练过程中，信号是向 前传播的， 最关键 的 步骤是通过误差反向传播来调整网络的权值， 故取名BP （反 向传播）学习算法。BP 神经网络可以学习并且记忆大量的输入与输出间的模式 映射 模式 ， 但不 需要 事先 显性 表示 出这 样模 式映 射模 式的 数学 方程 。 在前 向信 号 传递 中， 由输 入层 输入 的信 号经 过隐 含层 的层 层处 理， 到达 输出 层。 每层 的神 经 元不 互相 连接 ， 通过 全互 联方 式影 响下 层神 经元 状态 。 若输 出层 无法 得到 期望 输 出， 则进 入基 于梯 度下 降的 反向 传

33、播 过程 ， 更新 网络 权值 和预 测， 不断 提高 网络 性能，从而使输出逐渐逼近期望输出。BP 神经网络（一个隐含层）的拓扑结构 如图2-1 所示，算法训 练流程如图2-2 所示。相关表达式为： （1 ）隐含层激励函数 _ ： （2-1） （2 ）隐含层输出 _ ： （2-2） 1 ( ) 1,2, , n j ij i j i H f x a j l _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 6 （3 ）预测输出 _ ： （2-3） （4 ）计算预测误差 _ ， _ 为期望输出： （2-4） （5 ）权值 _ _ 、 _ _ 更新： （2-5） （2-6）

34、（6 ）阈值 _ 、_ 更新： （2-7） （2-8） 以上表达式中， _ 是输入层节点数， _ 为输出层节点数， _ 表示隐含层节点数。 图 2-1 BP 网络拓扑结构图 1,2, k k k e Y O k m 1 (1 ) ( ) m ij ij j j jk k k H H x i e jk jk j k He 1 (1 ) m j j j j jk k k a a H H e k k k b b e 1,2, , in 1,2, , km 1,2, , jl 1,2, , jl 1,2, , km 1 1, 2, l k j jk k j O H b k m 1,2, , jl _兰

35、州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 7 图 2-2 BP 算法训练流程图 2.1.2 实证分析 预测性能误差评价： 在上海银行间同业拆放利率的预测模型建立过程中， 除 了对于数据的图表对比分析， 还需要一类直观、 可量化的预测精度评价标准。 评 价体系应能简洁地度量模型的预测性能。 对于不同的模型， 由于研究对象和研究 目的 的差 异， 国内 外对 于预 测的 评价 暂时 还没 有一 套统 一的 体系 。 结合本文的研 究目的和方法，这 里选用平均绝 对误差 （MAE ） 、均 方误 差 （MSE ） 和平均百 分比误差 （MAPE ） 作为衡量预测误差的指标 。

36、 具体的表达式见公式2-9、2-10、 2-11 ： 平均绝对误差 （Mean Absolute Error ，MAE ） 表达式： （2-9） 1 1 | n t t i MAE y y n _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 8 均方误差 （Mean Square Error,MSE ）表达式: （2-10） 平均百分比误差 （Mean Absolutely Percentage Error ，MAPE ） 表达式： （2-11） 本文选取 2007 年 1 月 4 日至 2015 年 12 月 31 日的隔夜 Shibor 日数据进行 预测模型的实证分析

37、，几乎涵盖了 Shibor 自发布以来所有隔夜品种 日数据。 之 所以选择隔夜 Shibor 作为研究对象，是因为目前上海银行间同业拆借市场中， 隔夜品种 Shibor 的成交量是最大的，并且占了相当大的份额，研究 隔夜 Shibor 较有实际意义。 2007 年-2015 年， 隔夜 Shibor 共产生了2248 个日 数据 ， 截取 前 2100 个（ 2007 年 1 月 4 日-2015 年 5 月 29 日）隔夜 Shibor 日数据当作训练样本，余下的 148 个（2015 年 6 月 1 日-12 月 31 日）数据作为测试数据。 依据 BP 神经网络的实施步骤， 首先决定隐含

38、层的节点数， 经实验选用节点 数目为 8； 输入层的节点数目是 5 ，输出层节点数目为 1 ，含义是在映射的训练 中使用时间序列的第1 至第5 个数据来预测之后的第6 个数据，第 2 至第6 个数 据来对应第7 个数 据， 余下 数据 同理 递推 。 图2-3 即为 BP 神经网络对隔夜 Shiobr 的预测效果图： 图 2-3 预测效果图 BP 网络模型 2 1 1 () n t t i MSE y y n 1 1 | | 100% n t t i t yy MAPE ny _兰州大学硕士学位论文 基于人工智能算法的上海银行间同业拆放利率预测 9 从图2-3 中可以看出， BP 神经网络在隔

39、夜 Shiobr 的时间序列预测中， 前60 个数据的平稳阶段比较好地拟合了拆放利率的波动情况， 在波动较大时拟合表现 一般。 当预测出现偏差后，在后 面 近 90 个数据点的拟合整体出现了较大偏离。 整体来说，BP 神经网络预测模型对于拆放利率的波动趋势基本拟合出来了，但 是误差还是比较大。其中，MAPE 的值为 2.3978 ，MAE 的值为 0.0388 ，MSE 的值为0.0028 。具体的隔夜 Shibor 真实值和预测值见表2-1 ： 表 2-1 BP 网络预测值 日期 真实值 预测值 日期 真实值 预测值 日期 真实值 预测值 日期 真实值 预测值 6/1 1.0270 1.08

40、42 7/23 1.3320 1.3459 9/15 1.8990 1.9426 11/11 1.7820 1.8266 6/2 1.0340 1.0790 7/24 1.3370 1.3650 9/16 1.9000 1.9406 11/12 1.7840 1.8235 6/3 1.0390 1.0658 7/27 1.3740 1.3737 9/17 1.8990 1.9403 11/13 1.7860 1.8225 6/4 1.0470 1.0754 7/28 1.3880 1.3775 9/18 1.9000 1.9415 11/16 1.7840 1.8250 6/5 1.0510

41、1.0803 7/29 1.4270 1.4194 9/21 1.9010 1.9405 11/17 1.7820 1.8275 6/8 1.0610 1.0911 7/30 1.4480 1.4301 9/22 1.9080 1.9418 11/18 1.7810 1.8247 6/9 1.0710 1.0924 7/31 1.4700 1.4765 9/23 1.9080 1.9426 11/19 1.7850 1.8223 6/10 1.0830 1.1038 8/3 1.4880 1.4894 9/24 1.9090 1.9512 11/20 1.7840 1.8212 6/11 1.

42、0900 1.1132 8/4 1.4970 1.5156 9/25 1.9070 1.9496 11/23 1.7850 1.8266 6/12 1.1040 1.1263 8/5 1.5080 1.5289 9/28 1.9100 1.9512 11/24 1.7850 1.8248 6/15 1.1210 1.1318 8/6 1.5170 1.5380 9/29 1.9070 1.9474 11/25 1.7850 1.8264 6/16 1.1310 1.1471 8/7 1.5290 1.5489 9/30 1.9890 1.9522 11/26 1.7850 1.8253 6/17 1.151