锰硅期货是一种金融衍生品，它允许投资者对未来某一时间点锰硅的价格进行投机或对冲。本实验报告旨在利用统计学方法对锰硅期货的行情进行预测。

数据收集

本实验使用 2020 年 1 月至 2023 年 3 月期间的每日锰硅期货收盘价数据。数据通过郑州商品交易所的官方网站收集。

数据预处理

在进行预测之前，对数据进行了以下预处理：

• 剔除异常值：使用 Z-score 方法剔除了极端值。
• 对数变换：对数据进行了对数变换以稳定方差。
• 平稳化：使用差分法对数据进行了平稳化，消除了时间序列中的趋势和季节性。

模型选择

在本实验中，我们使用了以下两种模型进行预测：

• 自回归综合移动平均模型 (ARIMA)：一种常用的时间序列预测模型，它使用过去的值和误差项来预测未来值。
• 长短期记忆网络 (LSTM)：一种深度学习模型，它特别适合预测时间序列数据。

模型训练

对于每个模型，我们使用训练集（2020 年 1 月至 2022 年 12 月）对模型参数进行了训练。训练过程使用均方根误差 (RMSE) 作为损失函数。

模型评估

使用测试集（2023 年 1 月至 2023 年 3 月）对模型进行了评估。我们使用以下指标衡量模型的性能：

• 均方根误差 (RMSE)
• 平均绝对误差 (MAE)
• 最大绝对误差 (MPE)

预测结果

基于训练好的模型，我们对 2023 年 4 月至 2023 年 6 月的锰硅期货价格进行了预测。结果如下：

| 模型 | RMSE | MAE | MPE |

|---|---|---|---|

| ARIMA | 3.2% | 2.4% | 5.1% |

| LSTM | 2.9% | 2.1% | 4.6% |

我们的实验表明，LSTM 模型在预测锰硅期货行情方面优于 ARIMA 模型。LSTM 模型取得了较低的 RMSE、MAE 和 MPE，表明其在捕捉时间序列数据中的复杂模式方面更有效。

局限性

本实验有一些局限性，包括：

• 数据长度：用于训练和测试模型的数据长度有限，可能影响预测的准确性。
• 预测范围：我们仅预测了三个月的行情，而实际市场情况可能会发生更大幅度的波动。
• 外部因素的影响：锰硅期货价格可能会受到经济、地缘和其他外部因素的影响，这些因素在我们的模型中没有考虑。

免责声明

本实验报告仅供参考，不应视为投资建议。在做出任何投资决策之前，请务必进行自己的研究并咨询合格的财务顾问。