2022 年 12 月 第 4 卷 第 4 期 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Dec. 2022 Vol. 4, No. 4
doi ： 10.12133/j.smartag.SA20220712
基 于 深 度 学 习 的 玉 米 和 大 豆 期 货 价 格 智 能 预 测
1 ， 2 1 ， 2 1 ， 3 1 ， 4 1 ， 4 1 ， 2
许 钰 林 ， 康 孟 珍 ， 王 秀 娟 ， 华 净 ， 王 浩 宇 ， 沈 震
（1. 中 国 科 学 院 自 动 化 研 究 所 复 杂 系 统 管 理 与 控 制 国 家 重 点 实 验 室 ， 北 京 100109 ； 2. 中 国 科 学 院 大 学 人 工 智
能 学 院 ， 北 京 100049 ； 3. 北 京 智 能 化 技 术 与 系 统 工 程 技 术 研 究 中 心 ， 北 京 100190 ； 4. 青 岛 中 科 慧 农 科 技 有 限
公 司 ， 山 东 青 岛 266000 ）
摘 要 ： 玉 米 和 大 豆 为 同 季 旱 粮 作 物 ， “ 争 地 ” 矛 盾 十 分 突 出 ， 同 时 掌 握 玉 米 和 大 豆 两 者 的 价 格 是 必 要 的 。
相 较 于 现 货 ， 农 产 品 期 货 价 格 具 有 价 格 发 现 功 能 。 因 此 ， 玉 米 和 大 豆 期 货 价 格 分 析 和 预 测 对 种 植 结 构 调 整
和 农 户 作 物 品 种 选 择 均 具 有 重 要 意 义 。 本 研 究 首 先 分 析 了 玉 米 和 大 豆 期 货 价 格 的 相 关 性 ， 通 过 相 关 性 计 算
和 格 兰 杰 因 果 检 验 ， 发 现 玉 米 和 大 豆 期 货 具 有 较 强 的 正 向 相 关 性 ， 且 大 豆 期 货 价 格 是 玉 米 期 货 价 格 的 格 兰 杰
原 因 ； 其 次 ， 基 于 长 短 时 记 忆 （Long Short-Term Memory ，LSTM ） 模 型 对 玉 米 和 大 豆 期 货 价 格 进 行 预 测 ， 并
引 入 注 意 力 机 制 （Attention ） 对 期 货 价 格 预 测 模 型 行 优 化 。 对 比 结 果 表 明 ， 与 差 分 整 合 移 动 平 均 自 回 归 模 型
（Autoregressive Integrated Moving Average Model ，ARIMA ） 和 支 持 向 量 回 归 模 型 （Support Vector Regression ，
SVR ） 相 比 ，LSTM 模 型 在 各 项 指 标 中 均 为 更 优 ， 而 与 单 一 的 LSTM 模 型 相 比 ， 加 入 Attention 机 制 的 Atten?
tion-LSTM 模 型 在 各 项 指 标 中 均 更 优 。 其 中 ， 玉 米 和 大 豆 期 货 预 测 结 果 的 平 均 绝 对 误 差 （Mean Absolute Er?
ror ，MAE ） 分 别 提 升 3.8% 和 3.3% ， 均 方 根 误 差 （Root Mean Square Error ，RMSE ） 分 别 提 升 0.6% 和 1.8% ，
平 均 绝 对 百 分 误 差 （Mean Absolute Percentage Error ，MAPE ） 分 别 提 升 4.8% 和 2.9% ， 证 明 了 Attention 机 制 的
加 入 可 以 帮 助 模 型 提 取 有 效 信 息 ， 提 升 性 能 。 最 后 ， 使 用 LSTM 模 型 结 合 大 豆 期 货 历 史 价 格 共 同 预 测 玉 米 期
货 价 格 ，MAE 提 升 了 6.9% 、RMSE 提 升 了 1.1% 、MAPE 提 升 了 5.3% 。 试 验 结 果 表 明 ， 本 研 究 使 用 Attention-
LSTM 模 型 对 玉 米 和 大 豆 期 货 价 格 进 行 预 测 ， 相 较 于 通 用 预 测 模 型 ，Attention-LSTM 模 型 能 够 提 高 大 豆 和 玉
米 期 货 价 格 预 测 精 度 ， 且 结 合 相 关 农 产 品 期 货 价 格 数 据 ， 可 以 提 升 单 个 农 产 品 期 货 模 型 的 预 测 性 能 。
关 键 词 ： 玉 米 和 大 豆 期 货 ； 期 货 价 格 预 测 ； 长 短 时 记 忆 模 型 ；Attention 机 制 ； 深 度 学 习 ； 支 持 向 量 回 归
中 图 分 类 号 ： TP183 ； F713.35 文 献 标 志 码 ： A 文 章 编 号 ： SA20220712
引 用 格 式 ： 许 钰 林, 康 孟 珍, 王 秀 娟, 华 净, 王 浩 宇, 沈 震 . 基 于 深 度 学 习 的 玉 米 和 大 豆 期 货 价 格 智 能 预 测[J]. 智
慧 农 业( 中 英 文), 2022, 4(4): 156-163.
XU Yulin, KANG Mengzhen, WANG Xiujuan, HUA Jing, WANG Haoyu, SHEN Zhen. Corn and soybean futures
price intelligent forecasting based on deep learning[J]. Smart Agriculture, 2022, 4(4): 156-163. (in Chinese with
English abstract)
杂 多 变 的 背 景 下 ， 强 化 国 内 大 豆 自 给 能 力 对 保 障
1 引 言
［1 ］
粮 食 安 全 具 有 重 要 意 义 。 《 中 共 中 央 国 务 院 关
在 新 型 冠 状 病 毒 感 染 疫 情 反 复 和 国 际 环 境 复
于 做 好 2022 年 全 面 推 进 乡 村 振 兴 重 点 工 作 的 意
收 稿 日 期 ：2022-07-27
基 金 项 目 ： 国 家 自 然 科 学 基 金 （62076239 ）
作 者 简 介 ： 许 钰 林 （1998 － ） ， 女 ， 硕 士 研 究 生 ， 研 究 方 向 为 计 算 智 能 。E-mail ：xuyulincs@126.com
通 信 作 者 ： 康 孟 珍 （1975 － ） ， 女 ， 博 士 ， 副 研 究 员 ， 研 究 方 向 为 计 算 植 物 和 智 慧 农 业 。E-mail ：mengzhen.kang@ia.ac.cnVol. 4, No. 4 许 钰 林 等 ： 基 于 深 度 学 习 的 玉 米 和 大 豆 期 货 价 格 智 能 预 测
157
见 》 指 出 “ 要 大 力 实 施 大 豆 和 油 料 产 能 提 升 工 升 重 要 信 息 的 权 重 ， 降 低 无 关 信 息 的 权 重 。 近 年
程 ” 。 玉 米 和 大 豆 为 旱 地 同 季 节 作 物 ， 存 在 着 来 ， 关 于 Attention 机 制 的 研 究 与 应 用 成 为 热 点 ，
在 机 器 翻 译 、 图 像 分 类 等 领 域 均 有 多 项 工
“ 争 地 ” 矛 盾 。 近 年 来 ， 由 于 玉 米 的 比 价 效 益 较
［16,17 ］
作 ， 交 通 和 金 融 风 险 预 测 领 域 也 有 很 多 工 作
高 ， 使 得 大 多 数 农 户 在 大 豆 地 里 改 种 玉 米 ， 国 内
［2 ］
将 Attention 机 制 与 LSTM 模 型 结 合 ， 都 取 得 了 较
大 豆 种 植 面 积 进 一 步 缩 减 。 农 产 品 期 货 诞 生 之
［18,19 ］
好 的 结 果 。 但 是 Attention 机 制 在 农 产 品 期 货
初 就 是 为 了 解 决 粮 食 供 求 矛 盾 ， 稳 定 产 销 关
［3 ］
价 格 预 测 方 面 的 应 用 较 少 。 因 此 ， 本 研 究 使 用 结
系 。 期 货 市 场 具 有 价 格 发 现 的 功 能 ， 能 够 较 为
合 Attention 机 制 的 LSTM 模 型 对 农 产 品 期 货 价 格
真 实 地 显 现 出 未 来 价 格 的 走 向 ， 服 务 于 农 产 品 的
［4 ］
进 行 预 测 ， 对 LSTM 模 型 的 各 步 输 出 赋 予 不 同 权
生 产 经 营 管 理 。 因 此 ， 玉 米 和 大 豆 的 期 货 价 格
重 ， 提 升 模 型 性 能 。 并 通 过 对 比 ， 验 证 Attention
预 测 对 于 管 理 部 门 制 定 补 贴 政 策 以 及 农 户 选 择 种
机 制 在 农 产 品 期 货 预 测 上 的 有 效 性 。
植 作 物 品 种 均 具 有 重 要 意 义 。
另 一 方 面 ， 现 有 农 产 品 期 货 价 格 预 测 的 训 练
期 货 价 格 的 预 测 方 法 可 分 为 传 统 的 统 计 学 方
数 据 大 多 使 用 单 个 期 货 的 历 史 价 格 ， 而 忽 略 了 相
法 和 人 工 智 能 方 法 。 常 见 的 统 计 学 模 型 包 括 差 分
关 农 产 品 期 货 价 格 的 作 用 。 本 研 究 分 析 了 玉 米 和
整 合 移 动 平 均 自 回 归 模 型 （Autoregressive Inte ‐
大 豆 期 货 价 格 之 间 的 相 关 性 ， 结 合 大 豆 期 货 的 历
［5 ］
grated Moving Average Model ，ARIMA ） 、En ‐
史 价 格 与 玉 米 期 货 的 历 史 价 格 进 行 玉 米 期 货 价 格
［6 ］
gle 提 出 的 自 回 归 条 件 异 方 差 模 型 （Autore ‐
的 预 测 ， 以 此 探 究 相 关 农 产 品 期 货 历 史 价 格 数 据
gressive Conditional Heteroskedasticity Model ，
的 价 值 。
［7 ］
ARCH ） ， 以 及 Bollerslev 提 出 的 广 义 ARCH 模
型 （Generalized Autoregressive Conditional Het ‐
2 材 料 和 方 法
eroskedasticity ，GARCH ） 等 。 但 统 计 学 模 型 由
于 无 法 捕 捉 期 货 价 格 序 列 中 的 非 线 性 特 征 ， 有 一
2.1 数 据 来 源
定 局 限 性 。 随 着 大 数 据 时 代 的 到 来 和 神 经 网 络 的
选 择 新 浪 财 经 - 期 货 （https ：//finance. sina.
快 速 发 展 ， 研 究 人 员 将 神 经 网 络 应 用 到 农 产 品 期
com.cn/futuremarket/ ） - 大 连 商 品 交 易 所 的 玉 米 和
［8 ］
货 价 格 预 测 中 。 刘 锦 源 将 集 合 经 验 模 态 分 解
大 豆 （ 豆 一 ） 连 续 价 格 作 为 数 据 来 源 。 选 取 2005
（Ensemble Empirical Mode Decomposition ，
年 1 月 4 日 —2022 年 3 月 9 日 的 所 有 玉 米 和 大 豆 日
EEMD ） 方 法 与 长 短 时 记 忆 （Long Short-Term
交 易 数 据 ， 其 中 玉 米 期 货 数 据 4159 条 ， 大 豆 期
Memory ，LSTM ） 结 合 ， 提 升 农 产 品 期 货 价 格 模
货 数 据 4182 条 。
［9 ］
型 性 能 ； 罗 千 惠 提 出 基 于 分 解 的 LSTM 模 型 ，
2.2 期 货 价 格 预 测 方 法
在 农 产 品 期 货 价 格 预 测 上 性 能 优 异 ；Jarrah 和 Sa ‐
［10 ］
lina 应 用 循 环 神 经 网 络 （Recurrent Neural Net ‐
2.2.1 数 据 预 处 理
work ，RNN ） 对 沙 特 的 期 货 市 场 价 格 进 行 预 测 ，
价 格 预 测 的 定 量 分 析 方 法 分 为 两 种 。 一 是 因
与 ARIMA 模 型 相 比 其 预 测 结 果 更 准 确 。
果 回 归 分 析 预 测 法 。 该 方 法 认 为 价 格 与 其 影 响 因
RNN 和 LSTM 模 型 在 期 货 价 格 预 测 上 有 较
素 之 间 存 在 因 果 关 系 ， 因 此 使 用 回 归 分 析 法 寻 找
［11-14 ］
好 的 表 现 。 但 是 ，RNN 和 LSTM 模 型 是 将 输
价 格 与 影 响 因 素 之 间 的 因 果 关 系 ， 继 而 建 立 模 型
入 序 列 转 换 为 一 个 定 长 向 量 来 保 存 所 有 信 息 ， 容
进 行 预 测 。 二 是 时 间 序 列 分 析 预 测 法 。 该 方 法 认
易 造 成 模 型 记 忆 受 限 ， 丢 失 信 息 。Attention 机
为 所 有 因 素 的 影 响 均 会 在 价 格 中 表 现 出 来 ， 且 过
［15 ］
制 的 引 入 可 以 一 定 程 度 上 减 少 信 息 丢 失 。At ‐
去 的 变 化 规 律 会 持 续 到 未 来 ， 因 此 仅 使 用 过 去 的
tention 通 过 训 练 对 输 入 序 列 赋 予 不 同 的 权 重 ， 提 价 格 进 行 预 测 。 本 研 究 训 练 数 据 使 用 历 史 价 格 ，智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 4, No. 4
158
认 为 过 去 的 变 化 规 律 会 持 续 到 未 来 ， 选 取 时 间 序
列 分 析 预 测 法 对 玉 米 和 大 豆 期 货 价 格 进 行 预 测 。
［20 ］
借 鉴 范 俊 明 等 的 做 法 ， 本 研 究 使 用 大 豆
和 玉 米 期 货 历 史 10 天 的 收 盘 价 预 测 未 来 1 天 的 收
盘 价 。 为 了 模 型 能 够 更 好 地 收 敛 ， 使 用
MinMaxScaler ( ) 函 数 将 收 盘 价 放 缩 到 0 ~1 之 间 。
标 签 label 使 用 公 式 （1 ） 进 行 处 理 ， 表 示 当 前 收
盘 价 相 较 于 前 1 天 收 盘 价 的 变 化 。
label [ i ]=(close [ i ]-close [ i-1]) /close [ i-1]
（1 ）
将 数 据 集 分 为 训 练 集 和 预 测 集 ， 数 据 集 前
80% 数 据 作 为 训 练 集 ， 后 20% 数 据 作 为 测 试 集 测
图 1 Attention-LSTM 模 型 结 构 图
试 模 型 效 果 。
Fig.1 Attention-LSTM model structure
2.2.2 玉 米 和 大 豆 期 货 价 格 预 测 模 型
同 时 间 步 抽 取 特 征 的 重 要 程 度 ” 。 通 过 加 权 求 和 ，
期 货 历 史 价 格 是 一 个 典 型 的 时 间 序 列 数 据 ，
即 可 以 得 到 最 终 的 输 出 向 量H ， 计 算 方 法 如
［21 ］
LSTM 模 型 可 以 自 动 将 历 史 信 息 转 换 成 定 长
公 式 （3 ） 所 示 ：
向 量 。 然 而 ， 单 一 的 LSTM 模 型 没 有 完 全 解 决 梯
10
H = w h （3 ）
∑
i i
i = 1
度 消 失 的 问 题 ， 不 能 有 效 判 断 哪 些 历 史 数 据 对 当
（3 ） 线 性 层 。 该 层 的 输 入 为 Attention 层 的 输
前 价 格 预 测 较 为 重 要 ， 降 低 了 信 息 的 利 用 效 率 。
出H ， 经 过 计 算 输 出 即 为 最 终 预 测 结 果 ， 结 合 第
而 Attention 机 制 能 够 为 不 同 时 刻 的 信 息 分 配 不 同
11 天 的 真 实 期 货 价 格 x 计 算 损 失 函 数 ， 实 现 网
11
权 重 ， 可 以 弥 补 LSTM 的 这 一 问 题 。
络 的 更 新 。
Attention-LSTM 模 型 架 构 在 交 通 、 量 化 投 资
2.2.3 结 合 大 豆 期 货 价 格 的 玉 米 期 货 价 格 预 测
［19 ］
等 其 他 应 用 中 已 经 取 得 了 较 好 的 效 果 。 借 鉴
模 型
其 他 领 域 的 相 关 做 法 ， 本 研 究 提 出 基 于 Atten ‐
现 有 的 农 产 品 期 货 价 格 预 测 工 作 都 是 仅 使 用
tion-LSTM 的 农 产 品 期 货 价 格 预 测 模 型 ， 整 体 模
单 个 农 产 品 期 货 价 格 作 为 训 练 数 据 ， 而 没 有 挖 掘
型 结 构 如 图 1 所 示 。 包 含 了 LSTM 模 型 、Atten ‐
相 关 农 产 品 期 货 价 格 数 据 的 价 值 。 通 过 分 析 ， 本
tion 层 和 线 性 层 三 层 。
研 究 发 现 玉 米 和 大 豆 期 货 价 格 具 有 较 强 的 正 向 相
（1 ） LSTM 模 型 。 使 用 LSTM 模 型 作 为 预 测
关 性 ， 且 大 豆 期 货 价 格 是 玉 米 期 货 价 格 的 格 兰 杰
模 型 的 第 一 层 ，LSTM 模 型 的 当 前 时 间 步 隐 状 态
原 因 （ 具 体 试 验 见 第 3 节 ） 。 因 此 ， 本 研 究 进 行
h 是 由 当 前 输 入 x 和 前 一 时 间 步 隐 状 态 h 共 同
t t t - 1
了 使 用 大 豆 期 货 数 据 共 同 预 测 玉 米 期 货 价 格 的 试
决 定 的 ， 计 算 方 法 如 公 式 （2 ） 所 示 。
验 ， 观 察 模 型 性 能 是 否 有 所 提 升 。 结 合 大 豆 期 货
h = LSTM ( x ， h ) （2 ）
t t t - 1
价 格 预 测 玉 米 期 货 价 格 模 型 结 构 如 图 2 所 示 。 包
通 过 LSTM 模 型 之 后 ， 可 以 得 到 每 个 时 间 步
含 了 LSTM 模 型 、 加 权 求 和 与 线 性 层 三 层 。
的 隐 状 态 h ， h ，... ， h 。
（1 ） LSTM 模 型 。 本 研 究 使 用 了 两 个 模 型
1 2 10
（2 ） Attention 层 。 第 二 层 为 Attention 层 ， 其
LSTM1 和 LSTM2 分 别 处 理 玉 米 期 货 价 格 的 输 入
对 LSTM 模 型 的 输 出 [ h ， h ，... ， h ] 进 行 学
序 列 [ x ，x ，... ，x ] 和 大 豆 期 货 价 格 的 输 入 序
1 2 10
1 2 10
习 ， 得 到 不 同 时 间 步 输 出 对 应 的 权 重 值 列 [ x'' ，x'' ，... ，x'' ] 。 两 个 模 型 的 输 出 分 别 是 h
1 2 10 10
[ w ，w ，... ，w ] ， 其 物 理 含 义 可 以 理 解 为 “ 不
和 h'' 。 简 单 起 见 ， 在 该 试 验 中 没 有 使 用 Attention
1 2 10
10Vol. 4, No. 4 许 钰 林 等 ： 基 于 深 度 学 习 的 玉 米 和 大 豆 期 货 价 格 智 能 预 测
159
值 设 置 为 0.2 ， 模 型 训 练 400 轮 之 后 结 束 。
ARIMA 模 型 、 支 持 向 量 回 归 （Support Vec ‐
tor Regression ，SVR ） 模 型 、LSTM 模 型 是 农 产
品 期 货 价 格 预 测 常 用 的 模 型 ， 本 研 究 选 取 ARI ‐
MA 、SVR 和 LSTM 模 型 作 为 基 线 模 型 ， 与 本 文
使 用 模 型 进 行 对 比 。
2.2.5 评 价 指 标
本 研 究 选 取 平 均 绝 对 误 差 （Mean Absolute
Error ，MAE ） 、 均 方 根 误 差 （Root Mean Square
Error ，RMSE ） 和 平 均 绝 对 百 分 误 差 （Mean Ab ‐
solute Percentage Error ， MAPE ） 三 个 常 用 的 回
图 2 结 合 大 豆 期 货 价 格 预 测 玉 米 期 货 价 格 模 型 结 构 图
归 预 测 模 型 评 估 指 标 来 衡 量 模 型 性 能 ， 分 别 由 公
Fig.2 Model structure of corn futures price forecast com ‐
式 （5 ） ~ 公 式 （7 ） 计 算 得 出 。
bined with soybean futures price
n
1
MAE = |y - y | （5 ）
∑
i i
n
机 制 对 所 有 时 间 步 的 输 出 加 权 ， 而 是 直 接 假 设 输 i = 1
n
入 序 列 的 所 有 信 息 被 提 取 到 最 后 一 个 时 间 步 的 输
1
2
RMSE = ( y - y ) （6 ）
∑ i i
n
出 h 和 h'' 中 。 i = 1
10 10
（2 ） 加 权 求 和 。 学 习 两 个 参 数 w 和 w ， 为
1 |y - y |
1 2 n
i i
MAPE = × 100% （7 ）
∑
i = 1
n y
i
h 和 h'' 分 配 不 同 的 权 重 ， 可 以 理 解 为 “ 整 个 模
10 10
其 中 ，y 为 真 实 数 据 ，y 为 预 测 数 据 。
型 对 玉 米 期 货 价 格 和 大 豆 期 货 价 格 的 关 注 程 度 ” ， i i
实 现 两 个 期 货 历 史 价 格 数 据 的 结 合 。 通 过 加 权 求
3 玉 米 和 大 豆 期 货 价 格 分 析 预 测
和 ， 可 以 得 到 最 终 的 输 出 向 量H ， 计 算 如 公
式 （4 ） 所 示 。
3.1 玉 米 和 大 豆 期 货 价 格 相 关 性 分 析
H = h w + h'' w （4 ）
10 1 10 2
图 3 中 展 示 的 是 2005 年 1 月 4 日 —2022 年 3
（3 ） 线 性 层 。 将 Attention 层 的 输 出H 输 入 线
月 9 日 期 间 玉 米 和 大 豆 期 货 价 格 变 化 。 从 图 3 中
性 层 ， 通 过 计 算 ， 输 出 最 终 预 测 结 果 ， 结 合 玉 米
可 以 看 出 ， 玉 米 和 大 豆 期 货 价 格 具 有 一 定 的 趋 势
期 货 第 11 天 的 真 实 价 格 x 计 算 损 失 ， 实 现 网 络
11
同 步 性 。 其 原 因 是 玉 米 和 大 豆 两 者 互 为 替 代 品 ，
的 更 新 。
且 主 产 地 均 为 东 北 一 带 ， 是 同 季 节 旱 地 作 物 。
2.2.4 试 验 设 计
本 研 究 共 进 行 两 个 试 验 ， 分 别 为 基 于 Atten ‐ 为 了 进 一 步 研 究 玉 米 和 大 豆 期 货 价 格 是 否 具
有 相 关 性 ， 探 究 一 个 期 货 价 格 对 另 一 个 期 货 价 格
tion-LSTM 的 玉 米 期 货 价 格 预 测 和 结 合 大 豆 历 史
的 预 测 是 否 具 有 价 值 ， 本 研 究 计 算 了 两 者 的 相 关
价 格 的 玉 米 期 货 价 格 预 测 。
性 系 数 ， 并 进 行 了 格 兰 杰 因 果 检 验 。
（1 ） 基 于 Attention-LSTM 的 玉 米 和 大 豆 期 货
价 格 预 测 。 模 型 参 数 设 置 如 下 ：LSTM 隐 藏 层 个 （1 ） 相 关 性 检 验 。 通 过 计 算 玉 米 和 大 豆 期 货
数 设 置 为 2 层 ， 隐 藏 层 节 点 数 设 置 为 128 个 ， 价 格 之 间 的 相 关 性 ， 发 现 两 者 期 货 价 格 之 间 存 在
dropout 值 设 置 为 0.2 ， 模 型 训 练 400 轮 后 结 束 。 较 强 的 正 向 相 关 性 ， 其 相 关 性 系 数 为 0.841042 。
（2 ） 结 合 大 豆 历 史 价 格 的 玉 米 期 货 价 格 预 两 者 期 货 价 格 的 相 关 系 数 矩 阵 如 表 1 所 示 。
测 。 模 型 参 数 设 置 如 下 ：LSTM 隐 藏 层 个 数 设 置 （2 ） 格 兰 杰 因 果 检 验 。 为 进 一 步 探 究 玉 米
为 2 层 ， 隐 藏 层 节 点 个 数 设 置 为 64 个 ，dropout 和 大 豆 期 货 价 格 之 间 的 因 果 关 系 ， 本 研 究 对 两智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 4, No. 4
160
大 豆 期 货 价 格 对 玉 米 期 货 价 格 进 行 预 测 ， 观 察 试
验 结 果 是 否 有 提 升 。
3.2 玉 米 和 大 豆 期 货 价 格 预 测 性 能
分 别 使 用 MAE 、RMSE 和 MAPE 作 为 评 价
标 准 检 验 模 型 性 能 ， 将 本 研 究 使 用 的 Attention-
LSTM 模 型 与 常 用 的 ARIMA 模 型 、SVR 模 型 ，
以 及 LSTM 模 型 进 行 预 测 性 能 相 比 。 玉 米 期 货 和
图 3 2005 年 1 月 4 日 —2022 年 3 月 9 日 期 间 玉 米 和 大 豆 期
大 豆 期 货 价 格 的 预 测 结 果 分 别 如 表 3 和 表 4
货 价 格 变 化
所 示 。
Fig. 3 Corn and soybean futures prices changes from Janu ‐
表 3 玉 米 期 货 的 预 测 结 果
ary 4 ， 2005 to March 9 ， 2022
Table 3 Forecast results of corn futures
表 1 玉 米 和 大 豆 期 货 价 格 相 关 系 数 矩 阵
模 型 MAE RMSE MAPE
Table 1 Correlation coefficient matrix of corn and soybean
ARIMA 401.3278 539.2874 15.6619
futures prices
SVR 105.2223 124.7325 2.2771
玉 米 期 货 价 格 大 豆 期 货 价 格
LSTM 14.3700 22.0111 0.6251
玉 米 期 货 价 格 1 0.841042
Attention-LSTM 13.8260 21.8842 0.5949
大 豆 期 货 价 格 0.841042 1
表 4 大 豆 期 货 的 预 测 结 果
者 期 货 价 格 进 行 了 格 兰 杰 因 果 关 系 检 验 ， 结 果
Table 4 Forecast results of soybean futures
如 表 2 所 示 。
模 型 MAE RMSE MAPE
表 2 大 豆 和 与 玉 米 期 货 价 格 的 格 兰 杰 检 验 结 果
ARIMA 1096.0313 1424.5800 20.6672
Table 2 Granger test results of corn and soybean
SVR 82.5733 112.1443 1.7724
futures prices
LSTM 43.5901 65.2569 0.9093
原 假 设 p 值 结 论
Attention-LSTM 42.1634 64.0829 0.8831
大 豆≠> 玉 米 0.0000 拒 绝
分 析 表 3 和 表 4 数 据 可 以 得 到 如 下 结 论 。
玉 米≠> 大 豆 0.2247 接 受
与 ARIMA 和 SVR 模 型 相 比 ，LSTM 模 型 在
注 ： “≠> ” 表 示 前 者 不 是 后 者 的 格 兰 杰 原 因 ；p < 0.05 表 示 拒 绝
各 项 指 标 中 均 更 优 ， 验 证 了 LSTM 模 型 在 农 产 品
原 假 设
期 货 价 格 预 测 方 面 的 优 势 。 与 单 一 的 LSTM 模 型
由 表 2 可 以 看 出 ， 大 豆 期 货 价 格 是 玉 米 期 货
相 比 ， 加 入 Attention 机 制 的 Attention-LSTM 模 型
价 格 的 格 兰 杰 原 因 ， 而 玉 米 期 货 价 格 不 是 大 豆 期
在 各 项 指 标 中 均 更 优 。 其 中 ， 玉 米 和 大 豆 期 货 预
货 价 格 的 格 兰 杰 原 因 。 这 个 结 果 说 明 大 豆 期 货 价
测 结 果 的 MAE 分 别 提 升 3.8% 和 3.3% ，RMSE 分
格 的 变 化 会 在 一 定 程 度 上 影 响 玉 米 期 货 价 格 的 变
别 提 升 0.6% 和 1.8% ， MAPE 分 别 提 升 4.8% 和
化 ， 反 之 没 有 这 种 影 响 。 就 现 实 情 况 来 说 ， 玉 米
2.9% ， 证 明 了 Attention 机 制 的 加 入 可 以 帮 助 模 型
期 货 价 格 可 能 对 大 豆 期 货 价 格 不 一 定 有 影 响 ， 在
提 取 有 效 信 息 ， 提 升 性 能 。
本 试 验 中 这 种 影 响 也 不 显 著 。
为 了 更 直 观 地 显 示 模 型 预 测 效 果 ， 本 研 究 以
综 上 ， 玉 米 期 货 和 大 豆 期 货 两 者 之 间 具 有 较
玉 米 期 货 为 例 ， 使 用 后 20% 的 玉 米 期 货 数 据 进
强 的 正 向 相 关 性 ， 且 大 豆 期 货 价 格 是 玉 米 期 货 价
行 价 格 预 测 ，Attention-LSTM 模 型 的 预 测 结 果 如
格 的 格 兰 杰 原 因 。 由 此 ， 大 豆 期 货 价 格 对 于 玉 米
期 货 价 格 的 预 测 是 有 价 值 的 。 因 此 ， 本 研 究 结 合 图 4 所 示 。Vol. 4, No. 4 许 钰 林 等 ： 基 于 深 度 学 习 的 玉 米 和 大 豆 期 货 价 格 智 能 预 测
161
因 此 ， 本 节 加 入 大 豆 期 货 历 史 价 格 与 玉 米 期 货 历
史 价 格 共 同 进 行 玉 米 期 货 价 格 的 预 测 。 在 数 据 处
理 部 分 ， 首 先 将 玉 米 和 大 豆 期 货 历 史 收 盘 价 进 行
对 齐 ， 再 将 其 中 缺 失 的 数 据 使 用 等 差 数 列 补 齐 。
训 练 数 据 的 构 造 与 第 4 节 中 一 样 ， 使 用 玉 米 和 大
豆 前 10 天 的 历 史 收 盘 价 共 同 预 测 第 11 天 的 玉 米
收 盘 价 。
本 节 中 使 用 两 个 独 立 的 LSTM 模 型 分 别 对 玉
图 4 Attention-LSTM 对 玉 米 期 货 预 测 结 果
米 和 大 豆 期 货 的 历 史 价 格 进 行 处 理 ， 再 进 行 加 权
Fig. 4 Forecast results of corn futures using Attention-LSTM
求 和 共 同 进 行 预 测 ， 模 型 结 构 如 图 2 所 示 。 模 型
性 能 与 仅 使 用 玉 米 期 货 历 史 数 据 进 行 训 练 的 性 能
从 图 4 中 可 以 看 出 ，Attention-LSTM 模 型 可
对 比 如 表 5 所 示 。
以 很 好 地 拟 合 玉 米 期 货 价 格 ， 包 括 一 些 价 格 产 生
表 5 玉 米 和 大 豆 期 货 历 史 数 据 预 测 大 豆 期 货 性 能 结 果
较 大 变 化 的 时 间 点 。
Table 5 Results of soybean futures forecasting with histori ‐
为 了 更 好 地 显 示 加 入 Attention 机 制 相 较 于 单
cal data of corn and soybean futures price
个 LSTM 模 型 的 性 能 差 别 ， 选 取 玉 米 期 货 预 测 区
评 价 指 标
数 据
间 的 前 100 天 ， 分 别 给 出 了 Attention-LSTM 模 型
MAE RMSE MAPE
和 单 个 LSTM 模 型 的 期 货 价 格 预 测 结 果 对 比 ， 如
玉 米 期 货 历 史 数 据 14.3700 22.0111 0.6251
玉 米+ 大 豆 期 货 历 史 数 据 13.3817 21.7791 0.5917
图 5 。 可 以 看 出 ， 加 入 Attention 之 后 ， 预 测 结 果
更 接 近 于 真 实 值 ， 再 次 说 明 了 Attention 机 制 可 以
由 表 5 可 得 ， 与 仅 使 用 玉 米 期 货 价 格 进 行 预
很 好 地 判 断 不 同 时 间 步 输 出 信 息 的 重 要 性 ， 提 升
测 相 比 ， 加 入 大 豆 期 货 历 史 价 格 在 模 型 各 项 指 标
模 型 的 预 测 性 能 。
中 均 更 优 ， 其 中 MAE 提 升 了 6.9% ，RMSE 提 升
了 1.1% ，MAPE 提 升 了 5.3% ， 性 能 提 升 较 为 明
显 。 这 个 结 果 进 一 步 验 证 了 玉 米 期 货 和 大 豆 期 货
之 间 具 有 较 强 的 相 关 性 ， 也 证 明 了 使 用 相 关 农 产
品 期 货 价 格 对 于 某 一 种 期 货 价 格 的 预 测 具 有 重 要
价 值 。
4 结 论
本 研 究 首 先 分 析 了 玉 米 期 货 和 大 豆 期 货 价 格
图 5 Attention_LSTM 与 LSTM 模 型 对 玉 米 期 货 测 区 间 前 的 相 关 性 ， 使 用 Attention-LSTM 模 型 对 玉 米 和 大
100 天 的 预 测 结 果 对 比 图
豆 期 货 价 格 分 别 进 行 预 测 ， 并 结 合 大 豆 期 货 的 历
Fig. 5 Comparison of attention-LSTM and LSTM model''s
史 价 格 对 玉 米 期 货 价 格 进 行 预 测 。 具 体 来 说 ， 本
forecast results for the first 100 days of corn futures interval
研 究 贡 献 点 可 以 总 结 为 以 下 三 点 。
（1 ） 通 过 相 关 性 计 算 以 及 格 兰 杰 因 果 检 验 ，
3.3 结 合 大 豆 期 货 价 格 的 玉 米 期 货 价 格 预
验 证 了 玉 米 和 大 豆 期 货 价 格 具 有 较 强 的 正 相 关
测 结 果
性 ， 并 且 大 豆 期 货 价 格 是 玉 米 期 货 价 格 的 格 兰 杰
玉 米 与 大 豆 期 货 价 格 具 有 较 强 正 相 关 性 ， 并
原 因 ， 即 大 豆 期 货 价 格 的 变 化 会 引 起 玉 米 期 货 价
且 大 豆 期 货 价 格 是 玉 米 期 货 价 格 的 格 兰 杰 原 因 。 格 的 变 化 。智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 4, No. 4
162
stock price trends[J]. International Journal of Ad ‐
（2 ） 应 用 Attention-LSTM 模 型 对 玉 米 和 大 豆
vanced Computer Science and Applications, 2019, 10
期 货 价 格 进 行 预 测 ， 并 与 ARIMA 模 型 、SVR 模
(4): 155-162.
型 ， 以 及 LSTM 模 型 进 行 对 比 。 结 果 显 示 ， 加 入
[11] 王 承 宇 . 基 于 LSTM 神 经 网 络 的 大 豆 期 货 价 格 预
测[D]. 重 庆: 重 庆 大 学, 2021.
Attention 机 制 后 对 玉 米 和 大 豆 期 货 价 格 的 预 测 性
WANG C. Soybean futures price prediction based on
能 均 得 到 提 升 ， 验 证 了 Attention 机 制 对 农 产 品 期
LSTM neural network[D]. Chongqing: Chongqing Uni ‐
货 价 格 预 测 的 有 效 性 。
versity, 2021.
（3 ） 使 用 大 豆 期 货 历 史 价 格 和 玉 米 期 货 历 史 [12] 刘 璐 . 基 于 RNN-LSTM 的 黄 金 期 货 价 格 预 测 与 对 比
研 究[D]. 长 春: 长 春 理 工 大 学, 2021.
价 格 共 同 进 行 玉 米 期 货 价 格 预 测 ， 与 仅 使 用 玉 米
LIU L. Gold futures price prediction and comparative
期 货 历 史 价 格 相 比 ，MAE 、RMSE 和 MAPE 分 别
Study based on RNN-LSTM[D]. Changchun: Changc ‐
提 升 了 6.9% ，1.1% 和 5.3% ， 结 果 表 明 结 合 大 豆 hun University of Science and Technology, 2021.
[13] SELVIN S, VINAYAKUMAR R, GOPALAKRISH ‐
期 货 价 格 对 玉 米 期 货 价 格 模 型 预 测 性 能 的 提 升 具
NAN E A, et al. Stock price prediction using LSTM,
有 重 要 价 值 。
RNN and CNN-sliding window model[C]// 2017 Inter ‐
national Conference on Advances in Computing, Com ‐
munications and Informatics (ICACCI). Piscataway,
参 参 考 考 文 文 献 献 ：
New York, USA: IEEE, 2017: 1643-1647.
[ 1 ] 薛 钦 峰 . 国 产 大 豆 之 困[J]. 瞭 望, 2021(22): 2.
[14] SAUD A S, SHAKYA S. Analysis of look back period
[ 2 ] 王 德 军 . 秋 作 争 地 玉 米 “ 力 压 ” 大 豆[J]. 乡 村 科 技,
for stock price prediction with RNN variants: A case
2011(7): 10-11.
study on banking sector of NEPSE[J]. Procedia Com ‐
[ 3 ] CARTER C A. Commodity futures markets: A sur ‐
puter Science, 2020, 167: 788-798.
vey[J]. Australian Journal of Agricultural & Resource
[15] MNIH V, HEESS N, GRAVES A. Recurrent models of
Economics, 1999, 43(2): 209-247.
visual attention[J]. Advances in Neural Information
[ 4 ] XU Y, PAN F, WANG C, et al. Dynamic price discov ‐
Processing Systems, 2014, 3: 27-35.
ery process of Chinese agricultural futures markets: An
[16] VASWANI A, SHAZEER N, PARMAR N, et al. Atten ‐
empirical study based on the rolling window ap ‐
tion Is All You Need[J/OL]. arXiv:1706.03762[cs.CL],
proach[J]. Journal of Agricultural and Applied Eco ‐
2017.
nomics, 2019, 51(4): 664-681.
[17] GUO M, LIU Z, MU T, et al. Beyond self-attention:
[ 5 ] ZIEGEL E R. Time series analysis, forecasting and
External attention using two linear layers for visual
control[J]. Technometrics, 2012, 37(2): 238-242.
tasks[J/OL]. arXiv:2105.02358 [cs.CV]. 2021.
[ 6 ] ENGLE R F. Autoregressive conditional heteroscedas ‐
[18] 徐 丸 絮, 沈 吟 东 . 基 于 Attention-LSTM 神 经 网 络 的 公
ticity with estimates of the variance of United King ‐
交 行 程 时 间 预 测 [J]. 现 代 电 子 技 术 , 2022, 45(3):
dom inflation[J]. Econometrica: Journal of the Econo ‐
83-87.
metric Society, 1982: 987-1007.
XU W, SHEN Y. Bus travel time prediction based on
[ 7 ] BOLLERSLEV T. Generalized autoregressive condi ‐
Attention-LSTM neural network[J]. Modern Electronic
tional heteroskedasticity[J]. Journal of Econometrics,
Technology, 2022, 45(3): 83-87.
1986, 31(3): 307-327.
[19] OUYANG Z, LAI Y. Systemic financial risk early
[ 8 ] 刘 锦 源 . 面 向 农 产 品 期 货 价 格 预 测 的 改 进 LSTM 方
warning of financial market in China using Attention-
法[J]. 江 苏 科 技 信 息, 2019, 36(27): 48-52.
LSTM model[J]. The North American Journal of Eco ‐
LIU J. Research on the improved LSTM method for ag ‐
nomics and Finance, 2021, 56: ID 101383.
ricultural futures prices forecasting[J]. Jiangsu Science
[20] 范 俊 明 . 基 于 EEMD 和 LSTM 组 合 模 型 的 大 豆 期 货
& Technology Information, 2019, 36(27): 48-52.
价 格 预 测 研 究[D]. 杭 州: 浙 江 农 林 大 学, 2020.
[ 9 ] 罗 千 惠 . 基 于 分 解 和 LSTM 的 我 国 玉 米 期 货 价 格 预
FAN J. Research on soybean futures price forecast
测 研 究[D]. 武 汉: 中 南 财 经 政 法 大 学, 2021.
based on EEMD and LSTM combination model[D].
LUO Q. Prediction of corn futures price based on de ‐
Hangzhou: Zhejiang A&F University, 2020.
composition and LSTM[D]. Wuhan: Zhongnan Univer ‐
[21] HOCHREITER S, SCHMIDHUBER J. Long short-
sity of Economics and Law, 2021.
term memory[J]. Neural Computation, 1997, 9(8):
[10] JARRAH M, SALIM N. A recurrent neural network
1735-1780.
and a discrete wavelet transform to predict the Saudi Vol. 4, No. 4 许 钰 林 等 ： 基 于 深 度 学 习 的 玉 米 和 大 豆 期 货 价 格 智 能 预 测
163
Corn and Soybean Futures Price Intelligent Forecasting
Based on Deep Learning
1,2 1,2 1,3 1,4
XU Yulin , KANG Mengzhen , WANG Xiujuan , HUA Jing ,
1,4 1,2
WANG Haoyu , SHEN Zhen
（1. The State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese
Academy of Sciences, Beijing 100190, China; 2. School of Artificial Intelligence, University of Chinese Academy of
Sciences, Beijing 100049, China; 3. Beijing Engineering Research Center of Intelligent Systems and Technology,
Beijing 100190, China; 4. Qingdao Agri Tech Co. , Ltd. , Qingdao 266000, China ）
Abstract: Corn and soybean are upland grain in the same season, and the contradiction of scrambling for land between corn and
soybean is prominent in China, so it is necessary to explore the price relations between corn and soybean. In addition, agricultur ‐
al futures have the function of price discovery compared with the spot. Therefore, the analysis and prediction of corn and soy ‐
bean futures prices are of great significance for the management department to adjust the planting structure and for farmers to
select the crop varieties. In this study, the correlation between corn and soybean futures prices was analyzed, and it was found
that the corn and soybean futures prices have a strong correlation by correlation test, and soybean futures price is the Granger
reason of corn futures price by Granger causality test. Then, the corn and soybean futures prices were predicted using a long
short-term memory (LSTM) model. To optimize the futures price prediction model performance, Attention mechanism was in ‐
troduced as Attention-LSTM to assign weights to the outputs of the LSTM model at different times. Specifically, LSTM model
was used to process the input sequence of futures prices, the Attention layer assign different weights to the outputs, and then the
model output the prediction results after a layer of linearity. The experimental results showed that Attention-LSTM model could
significantly improve the prediction performance of both corn and soybean futures prices compared to autoregressive integrated
moving average model (ARIMA), support vector regression model (SVR), and LSTM. For example, mean absolute error
(MAE) was improved by 3.8% and 3.3%, root mean square error (RMSE) was improved by 0.6% and 1.8% and mean absolute
error percentage (MAPE) was improved by 4.8% and 2.9% compared with a single LSTM, respectively. Finally, the corn fu ‐
tures prices were forecasted using historical corn and soybean futures prices together. Specifically, two LSTM models were used
to process the input sequences of corn futures prices and soybean futures prices respectively, two parameters were trained to per ‐
form a weighted summation of the output of two LSTM models, and the prediction results were output by the model after a lay ‐
er of linearity. The experimental results showed that MAE was improved by 6.9%, RMSE was improved by 1.1% and MAPE
was improved by 5.3% compared with the LSTM model using only corn futures prices. The results verify the strong correlation
between corn and soybean futures prices at the same time. In conclusion, the results verify the Attention-LSTM model can im ‐
prove the performances of soybean and corn futures price forecasting compared with the general prediction model, and the com ‐
bination of related agricultural futures price data can improve the prediction performances of agricultural product futures fore ‐
casting model.
Key words: corn and soybean futures; futures price forecast; LSTM model; Attention; deep learning; support vector regression
（ 登 陆 www.smartag.net.cn 免 费 获 取 电 子 版 全 文 ） |
|
