商品期货交易数学建模
期货交易中的量化交易策略利用数学模型赚取利润
期货交易中的量化交易策略利用数学模型赚取利润量化交易是指通过运用大量数据和数学模型，以及使用算法和自动化系统来进行的交易策略。
它借助科技手段对市场进行分析和预测，进而制定出具有高度准确性和可执行性的交易策略。
期货交易是一种金融衍生品交易，它的风险和波动性较大，因此，利用量化交易策略来进行期货交易可以帮助投资者降低风险、提高交易效率，进而赚取更多的利润。
在期货交易中，利用数学模型进行量化交易策略的方法有很多种，下面将介绍其中几种常见的方法。
首先，统计套利是一种常见的量化交易策略。
通过对不同市场、合约之间的统计关系进行分析，找出其中的价格差异和相关性，进而制定相应的交易策略。
例如，通过对现货市场和期货市场的关系进行分析，以及对同一品种不同交割月份的合约进行比较，可以找到价格差异较大的机会，进而进行套利操作。
这种策略可以利用数学模型对历史数据进行回测和验证，以保证其稳定性和可靠性。
其次，趋势跟踪是另一种常见的量化交易策略。
该策略认为价格存在一定的趋势性，即价格在一段时间内具有明显的上升或下降趋势。
通过对价格走势进行分析，可以判断市场的长期走势，并采取相应的交易动作。
这种策略可以利用数学模型对市场进行技术指标的计算和分析，以及对历史数据进行回测，以确定交易时机和止损水平。
再次，配对交易是一种基于统计关系的量化交易策略。
该策略将两个相关性较高的品种进行匹配，当其中一个品种的价格出现偏离时，即可进行交易。
例如，对两个相关性较高的期货合约进行配对，当其中一个合约的价格上涨而另一个合约的价格下跌时，即可进行买入一个合约、卖出另一个合约的交易动作。
这种策略可以利用数学模型对两个品种的相关性进行分析和协整性检验，以确定交易时机和头寸配比。
最后，套利交易是一种通过利用市场价差进行风险无套利利润的量化交易策略。
通过对相关的期货合约进行研究和分析，可以找到价格差异较大的机会，进而进行套利操作。
这种策略可以利用数学模型对历史数据进行回测和验证，以确定交易时机和止损水平。
文华财经商品期货基本交易模型
文华财经商品期货基本交易模型Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】一、内盘案例二、外盘案例三、经济数据、突发事件案例一、内盘案例模型一：棕榈油周线基本面模型NN:=BARSLAST(DATE<>REF(DATE,1))+1;RZC:=SUM(OPI,NN)-REF(SUM(OPI,NN),NN);RZC1:=STD(RZC,5);AA..GETBASEINFO(32);GETBASEINFO(84);GETBASEINFO(253);GETBASEINFO(220) ;GETBASEINFO(221);模型二：棉花日线基本面模型AA:=GETBASEINFO(230);模型五：郑棉主连日线案例加载合约：郑棉主连周期：日线信号计算起始时间：2014年1月1日至今沉淀资金:=OPI*C*UNIT*MARGIN;NUM3:=REF(BARSLASTCOUNT(ISNULL(GETBASEINFO(286))),1)+1; S5:=GETBASEINFO(286)>REF(GETBASEINFO(286),NUM3);B5:=GETBASEINFO(286)<REF(GETBASEINFO(286),NUM3);NUM5:=REF(BARSLASTCOUNT(ISNULL(GETBASEINFO(230))),1)+1; JC:=GETBASEINFO(230)-C;二、外盘案例模型六：COMEX铜指日线案例加载合约：COMEX铜指周期：日线信号计算起始时间：2014年1月1日至今沉淀资金:=OPI*C*UNIT*MARGIN,COLORMAGENTA;CX:=ABS(GETBASEINFO(235)-REF(GETBASEINFO(235),29))/(HHV(GETBASEINFO(235),30)-LLV(GETBASEINFO(235),30))*100;JC:=GETBASEINFO(235)-C;模型七：马盘棕榈油周线基本面模型AA:=GETBASEINFO(32);模型九：COMEX黄金一小时线单一突发事件函数模型A1..GETEVENT(404,1);GETEVENT(405,1);GETEVENT(396,1);GETEVENT(406,1);G ETEVENT(407,1);//欧元降息利多黄金GETEVENT(407,1)||GETEVENT(396,1)||GETEVENT(405,1)&&SCALE>&&DUALVOLUME ('M')>0,BK;C<BKPRICE-25*MINPRICE1||C>BKPRICE+80*MINPRICE1,SP;GETEVENT(407,1)||GETEVENT(404,1)&&SCALE<&&DUALVOLUME('M')<0,SK;C>SKPRICE+25*MINPRICE1||C<SKPRICE-80*MINPRICE1,BP;AUTOFILTER;SETDEALPERCENT(70);交易思路：当盘中出现欧元降息，金矿罢工，美元降息时，对黄金价格产生影响，同时在短时间出现增仓上行，此时多单进场；当盘中出现欧元加息，美元加息时，对黄金价格产生影响，同时在短时间出现增仓下行，此时空单进场；多单平仓条件，价格低于开仓价格25个最小变动价位止损；价格高于开仓价格80个价位止盈；空单平仓条件，价格高于开仓价格25个最小变动价位止损；价格低于开仓价格80个价位止盈；交易特点：优点：对突发事件开仓和平仓反应较快，通过市场突发事件，盘中仓位变化和市场情绪来引导交易，短周期模型，胜率较高，盈亏比正常，风险相对可控。
数学建模期货交易中换手率的影响分析
数学建模期货交易中换手率的影响分析本文介绍了期货交易中换手率的相关知识，分析了交易者在使用期权策略进行交易时，对换手率的影响。
其中需要注意的是，不同证券品种交易期限不同股票、 ETF、期货合约等都具有较大差异；并且对于不同品种来说，其换手率也会发生变化。
本文介绍了三种期货品种的交易情况，并且对比二者之间的换手率变化。
三个品种上都有换手效率偏高这个特性。
同时也提到在期权交易中，如果在标的物波动周期内某一时间段内换手率不变，那么价格波动趋势就很难发生变化；反之如果标的物在波动周期内有一定幅度的上涨和下跌，那么由于涨跌幅度大换手率随之变化。
通过以上方法可以发现价格波动幅度越大，当指数或 ETF价格变动周期是不变时，其对应期货合约换手率就越高。
在同一波段内多空交替进行时的情况下，换手率也会出现这种现象。
我们知道在行情波动中经常会发生“一天跌”的现象而换手率则会有所下降。
本文就是通过一个真实世界中交易行为的数学模型来研究这三种股票行情变动趋势中不同品种之间换手率之间是否存在变化趋势。
一、模型下面我们从市场行为的角度出发，建立一个真实世界中股票价格与 ETF价格波动趋势模型，来观察投资者对这一标的物是否存在趋势变动的行为。
假设投资者对指数或 ETF持有看涨期权，则其看涨期权到期后将会以较低的价格卖出行权。
但若投资者持有看跌期权则市场将继续变动直至卖出行权结束。
假设市场波动幅度较小，但投资者对后市可能出现的情况较为敏感。
因此，投资者会根据其对后市行情波动的敏感程度来决定其止损设置。
如果投资者持有看涨期权则会平仓；如果投资者持有看跌期权或者看涨期权均未平仓，则看涨期货头寸会一直保持平仓状态。
在这个过程中投资者只需要根据价格趋势来控制仓位，因为指数或者 ETF的波动趋势是不确定的，所以其价格趋势只有一个（但对于指数或 ETF来说）。
而对于 ETF来说其价格趋势是相对确定的，投资者可以根据这一趋势判断相应价格波动幅度比较大的期权是否需要止损或者是否要继续持有。
期货市场的量化交易模型
期货市场的量化交易模型随着科技的不断发展，金融市场也在迅速变化，并且越来越多地采用了量化交易模型。
期货市场作为金融市场的重要组成部分，同样也逐渐应用了量化交易模型。
本文将深入探讨期货市场的量化交易模型，并对其特点和应用进行详细讨论。
一、量化交易模型的概念及原理量化交易模型是一种通过利用大量历史数据和数学模型，以及使用高性能计算机进行数据分析和交易决策的交易方式。
其基本原理是将市场的历史数据进行量化处理，构建数学模型，并通过算法进行模拟交易和系统优化。
通过对大量数据的深入分析，量化交易模型可以发现市场中的规律和趋势，从而提高交易效率和盈利能力。
二、期货市场的量化交易模型的优势1. 提高交易效率：量化交易模型可以通过实时获取市场数据，并利用计算机算法进行交易决策，消除了人为情绪因素对交易的影响，提高交易效率和准确性。
2. 降低交易风险：量化交易模型可以通过对历史数据的分析，识别和规避潜在的交易风险，从而降低交易风险和损失。
3. 多样化投资策略：量化交易模型可以基于不同的投资策略进行设计和实施，如趋势跟踪、均值回归等，使投资组合更加多样化，降低风险。
三、期货市场的量化交易模型的应用1. 趋势跟踪策略：量化交易模型可以基于市场的趋势进行交易，通过对市场走势的分析，判断市场的上涨或下跌趋势，并相应地进行交易操作。
2. 均值回归策略：量化交易模型可以基于市场的均值回归原理进行交易，即在市场价格偏离均值较大时进行交易，以期望价格会再次回归到平均水平。
3. 统计套利策略：量化交易模型可以通过对相关证券或期货之间的统计关系的分析，找出价格的差异并进行套利交易，以获得稳定的收益。
四、期货市场的量化交易模型的挑战1. 数据质量：量化交易模型的有效性和准确性严重依赖于所使用的市场数据，数据质量的好坏对交易模型的效果有重要影响。
2. 算法复杂性：量化交易模型的设计和优化需要进行复杂的数学建模和算法实现，需要投入大量的时间和资源。
量化交易：商品期货交易策略的数学模型
量化投资-商品期货交易策略的数学模型摘要商品期货交易在当前中国的经济体系中占据着很重要的作用，投资者都希望从大量的期货交易中获取一定的利润，但是期货交易作为一种投机行为，交易者置身其中往往要承担很大的风险，本文研究了商品期货交易中的一些问题，给出了获取较大收益的交易方式。
问题一：我们首先利用SPSS中的模型预测方法给出了橡胶期货交易各项指标在9月3号这天随时间推移的波动图，又给出了利用Matlab软件作出的成交价与各个指标的相关性图表。
分析所作的图得出的结论是商品期货的成交价与B1价、S1价具有显著相关性，与成交量、持仓增减、B1量、S1量也具有相关性而与总量不具有相关性。
最后利用SPSS软件双变量相关分析进一步确认其相关性指标。
为了对橡胶期货价格的这些变化特征进行分类，我们作出了成交价19天的波动图，并以持仓量为例分析其他指标的变化特征，将七项指标分成了上涨和周期波动两类。
问题二：本文采用了回归分析的方法建立价格波动预测模型。
首先介绍回归分析的基本原理与内容，叙述了回归分析中用到的最小二乘法，之后在第一问的基础上建立回归分析的数学模型，得出函数关系，算得价格的波动趋势并与实际数据对比，再分析模型中的残差数据，验证所建立的回归模型合理性。
问题三：为建立收益最大化的交易模型，本题我们分析价格的波动数据后，借助移动平均线的理论方法，再分析价格的“高位”与“低位”，得出买点卖点。
建立交易模型后，利用MATLAB 软件分析出合适的交易时机，并画出图形，利用所给数据根据建立的模型计算收益。
关键词：期货交易波动 SPSS软件回归分析我国商品期货交易的品种迅速增加，吸引了大量交易者的参与，如何从商品期货的交易中获取相对稳定的收益成为交易者非常关注的问题。
商品期货交易实行T+0的交易规则，所开的“多单或空单”可以马上平仓，从而完成一次交易，这样就吸引了大量的投机资金进行商品期货的日内高频交易。
某种商品价格在低位时开“多单”，当价格高于开“多单”的价格时平仓，或者，价格在高位时开“空单”，当价格低于开“空单”的价格时平仓，差价部分扣除手续费后就是交易者的盈利；反之则是亏损。
最常用的期货交易模型三十个
最常用的期货交易模型三十个1. 均线交易模型：通过计算不同周期均线的交叉点来确定买入和卖出时机。
2. 动量交易模型：利用价格和成交量之间的变化来判断市场趋势和力量。
3. 布林带交易模型：利用布林带的上下轨道来判断价格的超买超卖情况。
4. KDJ交易模型：结合随机指标和移动平均线来判断超买超卖和市场拐点。
5. MACD交易模型：结合长期和短期的指数移动平均线来判断趋势和买卖信号。
6. RSI交易模型：通过计算相对强弱指数来判断股价的超买超卖情况。
7. DMI交易模型：利用动向指数和平均动向指数来判断趋势的强弱。
8. 壳牌交易模型：通过计算股价的支撑位和阻力位来判断买入和卖出时机。
9. 逆市交易模型：在市场情绪极度悲观或极度乐观时，采取相反的操作策略。
10. 趋势线交易模型：通过划定趋势线来判断趋势的延续和反转。
11. 顶底转向交易模型：根据市场价格走势的拐点来判断趋势的变化。
12. 三重交叉交易模型：通过计算不同周期均线的三重交叉点来确定买入和卖出时机。
13. 金叉死叉交易模型：通过计算不同周期均线的金叉和死叉来判断买入和卖出时机。
14. 隐形背驰交易模型：通过比较价格和指标之间的背离来判断趋势的反转。
15. 盘整突破交易模型：通过股价突破盘整区间来确定买入和卖出时机。
16. 整理区间交易模型：在价格形成明确的整理区间时，进行短期的来回交易。
17. 跳空缺易模型：通过股价出现跳空缺口来判断趋势的变化。
18. 强势股交易模型：选取表现优异的股票进行长期持有和盈利。
19. 趋势反转交易模型：根据趋势线的突破和转向来判断趋势的反转。
20. 补缺回抽交易模型：利用股价的缺口和回抽来确定买入和卖出时机。
21. 日内反转交易模型：根据开盘价和收盘价的相对位置来决定买入和卖出时机。
22. 日内趋势交易模型：利用盘中股价的高低点来判断市场的趋势和波动。
23. 冲动交易模型：在市场情绪极度冲动时，采取相反的操作策略。
期货交易中的交易模型
期货交易中的交易模型在期货交易市场中，交易者需要采用合适的交易模型来指导交易策略和决策，以期获得更好的交易结果。
本文将介绍几种常见的期货交易模型，并分析其特点和适用场景。
一、趋势交易模型趋势交易模型是一种基于市场趋势的交易方法。
它认为市场会沿着一定的趋势方向发展，交易者可以通过跟随趋势来获利。
趋势交易模型通常使用技术指标如移动平均线、相对强弱指标等来判断市场趋势的方向和力度。
当市场处于上升趋势时，交易者可以选择做多头交易；当市场处于下降趋势时，可以选择做空头交易。
趋势交易模型适用于市场较为明显的趋势情况下，但在震荡市或趋势不明显时效果不佳。
二、均值回归交易模型均值回归交易模型是一种基于市场价值回归至均值的交易策略。
它认为市场价格在短期内有可能偏离均值，且会向均值回归。
交易者可以根据价格的偏离程度来选择适时入场和出场。
常见的均值回归交易模型包括配对交易和统计套利。
配对交易是指通过寻找相关性较高的资产或合约，当其价差偏离历史均值时，做多差价；当价差回归均值时，平仓获利。
统计套利则是利用期货合约价格与其他相关金融指标之间的关系进行交易。
均值回归交易模型适用于震荡市或价格偏离明显的情况。
三、量化交易模型量化交易模型是基于数学和统计模型构建的交易系统。
它通过大量数据的分析和模型推演，自动进行交易决策和执行。
量化交易模型可以利用大量历史数据进行回测和优化，从而找到适合的交易策略。
它通常包括信号产生模型、风险管理模型和执行模型等。
信号产生模型根据市场行情和技术指标生成交易信号；风险管理模型根据策略的风险收益特征进行头寸和仓位的规划；执行模型则负责具体的交易执行和成本控制。
量化交易模型在需要大量数据和较高算力支持的情况下表现出色，适用于高频交易和大规模资金管理。
四、事件驱动交易模型事件驱动交易模型基于市场上发生的特定事件来进行交易。
这些事件可能是财经数据发布、重大事件公告或其他市场影响因素。
交易者可以根据对事件的分析和预测，制定相应的交易策略。
期货交易中的量化交易策略利用数学模型提高交易效率
期货交易中的量化交易策略利用数学模型提高交易效率期货交易是一种金融交易方式，通过买卖合约来投资和对冲风险。
在传统的期货交易中，交易员主要依靠经验和技巧进行决策，然而，随着科技的发展和大数据的普及，量化交易作为一种全新的交易方式，逐渐受到市场的关注。
量化交易利用数学模型和算法进行交易决策，以提高交易效率和获得更稳定的收益。
一、量化交易概述量化交易是指通过利用计算机程序和数学模型进行交易决策，自动执行交易和风险管理的交易方式。
它的核心思想是利用历史数据和相应的数学模型，对市场行为进行建模和预测，以制定交易策略、进行交易决策和管理风险。
相比传统交易方式，量化交易具有更高的执行效率和较低的情绪干扰，可以全天候、快速、准确地进行交易。
二、利用数学模型进行交易策略制定1. 历史数据分析：量化交易的第一步是收集和分析大量的历史数据，包括价格、成交量、交易活动等指标。
通过对历史数据进行统计学分析和模式识别，可以发现市场的一些规律和趋势，为后续的交易策略制定提供依据。
2. 市场行为建模：基于历史数据的分析，量化交易者可以利用数学模型对市场行为进行建模。
常用的模型包括趋势模型、均值回归模型、波动率模型等。
这些模型可以帮助量化交易者抓住市场的特定模式和规律，制定相应的交易策略。
3. 策略开发与优化：基于建立的数学模型，量化交易者可以开发和优化具体的交易策略。
交易策略包括市场进出场规则、头寸管理规则、止损和止盈规则等。
通过对历史数据进行回测和优化，可以选择表现较好的策略进行实盘交易。
三、应用数学模型提高交易效率1. 交易决策的自动化：通过利用计算机程序和数学模型，量化交易可以实现交易决策的自动化。
交易员可以编写程序，根据设定的交易策略，自动进行交易决策和交易执行。
这样可以减少人为因素对交易的影响，提高交易的执行效率和一致性。
2. 风险管理的优化：量化交易中的数学模型可以帮助交易者进行风险管理的优化。
通过建立风险模型和设置风险控制指标，可以对市场风险进行量化和评估，并制定相应的风险控制策略。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2014中南大学数学建模模拟竞赛第一轮承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。
我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。
如有违反竞赛规则的行为，我们将受到严肃处理。
我们参赛选择的题号是（从A/B/C/D中选择一项填写）： B我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名）：中南大学参赛队员(打印并签名) ：1.2.3.指导教师或指导教师组负责人(打印并签名)：日期： 2014 年 8 月 11 日赛区评阅编号（由赛区组委会评阅前进行编号）：2014高教社杯全国大学生数学建模竞赛编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：商品期货交易策略摘要我国的期货发展历史已有十多年，吸引了大量交易者的参与，如何从中获取相对稳定的收益成为交易者非常关注的问题。
本文旨在为交易者谋得最大盈利，通过数据分析，找到影响价格因素，对价格波动进行分类并预测，从而建立交易模型。
本文通过对数据抽样，拟合检验，建立主成分分析模型（模型1），找到影响价格因素指标，回归分析检验结果；再建立聚类分析模型（模型2），对波动方式进行分类，并建立小波神经网络预测模型（模型3）对价格趋势作出预测，最后建立期货获利交易模型（模型4），使交易者获得最大盈利。
模型1：主成分分析模型由于对价格有影响的因素众多，而由SPSS得到的散点图和相关系数表可发现，成交价与B1价、S1价和日期有极其显著的关系，但许多变量之间可能存在信息上的重叠。
故选用了主成分分析模型，进行贡献率的判定。
利用SPSS软件，将数据标准化（数据见附件1），并获得相关系数表和特征方程，提取特征值大于1的前4 个主成分，通过计算可得到每个主成分前的系数，即特征向量。
计算可得出主成分表达式。
最后可由主成分综合模型中根据每个因素的贡献率判定对价格的影响因素。
最后利用MatlabR2012a 软件进行回归分析检验。
模型2：聚类分析模型为找到不同波动方式的类型，先利用MatlabR2012a软件绘出时间-盈利走势图，在此基础上选择盈利最大周期，3个交易日；然后选择R性聚类分析，对变量进行相似性度量，对相似性大的变量进行聚类。
利用SPSS软件，将10个相关变量进行组内链接，皮尔逊相关测量区间的相关性方法作出聚类图，共分为8组（表2），最后给出分析得到的交易量、持仓量和价格的关系。
模型3：小波神经网络预测模型为了对价格的后期走势作出预测，按交易者的投资来看必然是短期预测，故采用精确度较高的小波神经网络进行预测。
利用MatlabR2012a软件，选取3个输入节点，6个隐含层节点和1个输出节点，对9天的数据进行训练，修正，另外10天的数据进行预测，分别反复训练200次和500次，得到预测结果与实际结果高精确度吻合（见图4-5），说明该预测模型合理。
模型4：期货获利交易模型根据前两问得出价格相关因素和价格的预测，为使交易者盈利最大，建立期货获利交易模型，在原先盈利函数上扣除手续费、保证金，利用线性规划方法，设立约束条件，目标函数为最大盈利，最后利用MatlabR2012a软件进行求解得到月所有日最大收益为515700元。
关键字：主成分分析聚类分析小波神经网络预测期货获利价格波动最大盈利一、问题重述1.1 基本情况期货，是指在固定的时间，固定的地点，用保证金的形式所进行的标准合约化的买卖。
目前，我国的期货市场也得到了长足的发展。
我国商品期货交易的品种迅速增加，吸引了大量交易者的参与，如何从商品期货的交易中获取相对稳定的收益成为交易者非常关注的问题。
商品期货交易实行T+0的交易规则，即当天买入的期货合约在当天就可以卖出，所开的“多单或空单”可以马上平仓，从而完成一次交易，这样就吸引了大量的投机资金进行商品期货的日内高频交易。
某种商品价格在低位时开“多单”，当价格高于开“多单”的价格时平仓，或者，价格在高位时开“空单”，当价格低于开“空单”的价格时平仓，差价部分扣除手续费后就是交易者的盈利；反之则是亏损。
商品期货交易所可提供每个正在交易品种的实时交易数据，每秒钟二笔。
1.2 有关信息文件中给出了2012年9月橡胶1301合约(ru1301)的成交明细：附件201209RU1301。
说明：表中价格是每吨价格，交易单位10吨/手；B1价是指买1价、B1量是指买1量、S1价是指卖1价、S1价是指卖1价。
B1、B2、S1、S2等数据这里空缺），里面每个文件名都标了成交发生的日期。
1.3 问题提出请以文件中给出的数据为基础，建立数学模型解答下列问题：（1）、通过数据分析，寻找价格的波动和哪些指标（仅限于表中列出的数据，如持仓量、成交量等指标）有关，并对橡胶期货价格的波动方式进行简单的分类。
（提示：这里的波动方式是指在某一时间段内（简称周期）价格的涨跌、持仓量的增减、成交量的增减等指标的变化特征。
周期的选取可以短到几秒钟，长到几十分钟甚至是以天为单位，具体时长通过数据分析确定，较优的周期应该是有利于交易者获取最大的盈利）。
（2）在实时交易时，交易者往往是根据交易所提供的实时数据，对价格的后期走势做出预测来决定是开“多单”还是开“空单”。
请在第1问的基础上建立合理的橡胶价格波动预测模型；（3）橡胶期货交易的手续费是20元/手，保证金为交易额的10%，设初始资金为100万。
请利用前面已经得到的相关结果，建立交易模型，使交易者所有日的收益最大；（4）试分析确定合理的评价指标体系，用以评价你的交易模型的优劣。
（这一问为做）二、问题分析问题一:根据2012年9月橡胶1301合约(ru1301)的成交明细，寻找影响价格的波动因素并根据波动方式进行分类。
首先对数据进行抽样，并对比抽样前后价格趋势变化，验证抽样的合理性。
利用SPSS软件对所有因素进行主成分分析建立模型一得出主成分分析综合模型，即成交价格与其所有因素之间的关系方程，由相关系数得出影响价格的主要因素。
利用抽样后的数据对价格波动进行拟合，得到价格波动拟合曲线，做线性回归分析得到价格与其主要影响因素之间的关系方程。
为找到不同波动方式的类型，建立模型二，选择R性聚类分析，对变量进行相似性度量，对相似性大的变量进行聚类。
利用SPSS软件，给出分析得到的交易量、持仓量和价格的关系。
问题二：为了对价格的后期走势作出预测，采用精确度较高的小波神经网络进行预测。
利用MatlabR2012a软件，选取输入节点，隐含层节点和输出节点，对一部分数据进行训练，修正，另外的数据进行预测，分别反复训练，得到预测结果。
问题三：根据前两问得出价格相关因素和价格的预测，为使交易者盈利最大，建立模型三，期货获利交易模型，在原先盈利函数上扣除手续费、保证金，利用线性规划方法，设立约束条件，目标函数为最大盈利，最后利用MatlabR2012a软件进行求解得到月所有日最大收益。
三、模型假设（1）价格预测只对短期情况作出考虑；（2）手续费按每笔交易计算，双向交易皆计入考虑；(3) 只计算初始保证金，且初始资金为最初一次性投入；(4) 附件中所记录数据真实可靠；四、模型的建立与求解4.1问题一4.1.1 数据的处理文件中给出了2012年9月橡胶1301合约(ru1301)的成交明细数据。
由于数据量十分庞大，不便于分析计算，所以首先对数据进行一定的处理。
根据观察计算，所有交易数据量共达到40多万，非常庞大。
数据中每一秒给出2个交易数据，所以我们考虑将观测时间由0.5秒变长，观察对数据整体趋势是否有影响。
通过对数据进行奇偶点抽样取值，将观测时间由0.5秒变为2.5秒，分别作出各个因素影响下价格的走向图（由于图量非常大，这里只列出日期-价格走向图）。
4x 1054x 1054 Array x 105图4-1 日期-价格走向图分析数据：一般情况下，交易不会在短暂时间中产生非常剧烈的波动，同时，大数据样本不会对微小的差异很敏感，所以抽样后的数据可以表示原先的大数据。
4.1.2 模型1的准备为了寻找价格的波动与哪些因素有关，我们利用SPSS软件绘制出了成交价与日期、时间、成交量、持仓增减、B1价、B1量、S1价、S1量八个因素的散点图并计算了他们的相关系数矩阵。
散点图如表4-1所示。
表4-1成交价与八个因素的散点图计算得到相关系数表4-2如下：表4-2 相关系数表由散点图和相关系数表可发现，成交价与B1价 S1价有极其显著的关系，相关性很高，同时成交价与日期也有显著关系。
同时，许多变量之间直接的相关性比较强，证明他们可能存在信息上的重叠。
故还需用主成分分析法继续进行贡献率的判定。
4.1.3模型1的建立主成分分析法定义：主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。
1、原始指标数据的标准化采集p 维随机向量x = (x1,X2,...,X p)T)n 个样品x i = (x i1,x i2,...,x ip)T，i=1,2,…,n，n＞p，构造样本阵，对样本阵元进行如下标准化变换：其中，得标准化阵Z。
2、对标准化阵Z 求相关系数矩阵其中,。
3、解样本相关矩阵R 的特征方程得p 个特征根,确定主成分按确定m 值，使信息的利用率达85%以上，对每个λj,j=1,2,...,m, 解方程组Rb = λj b得单位特征向量。
4、将标准化后的指标变量转换为主成分U称为第一主成分,U2称为第二主成分,…,U p称为第p 主成分。
15 、对m 个主成分进行综合评价对m 个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
4.1.3模型1的求解利用SPSS软件进行主成分分析统计得到方差分解主成分提取分析表4-3和初始因子载荷矩阵表4-4如下。
表 4-4 元件矩阵a元件1 2 3 4日期.902 -.099 -.018 .009时间.065 .965 .030 .008成交价.991 .000 .013 -.001成交量-.010 -.080 .765 -.007总量.039 .970 .029 .006B1价.991 .000 .012 -.001属性(持仓增减) -.002 -.041 .734 -.008B1量-.054 .099 .155 .722S1价.991 .000 .013 -.001S1量-.047 .119 .142 -.713主成分个数提取原则为主成分对应的特征值大于1的前m 个主成分。