邸 浩，赵学军，张自力

（1.北京大学 光华管理学院，北京 100871;2.嘉实基金管理有限公司，北京 100005）

0 引言

随着金融市场的日益发展，商品期货由于其具有分散投资风险、可多空并举、充分使用杠杆等特性，使得大宗商品在资产配置中的作用越来越重要。在对大宗商品的研究当中，商品价格内在运行规律的研究是学者以及商品投资者最为关注的焦点。

学者们最初广泛使用时间序列和计量经济模型来预测商品的价格[1,2]。然而，商品的价格序列为非线性、非平稳的，上述模型不能很好地抓住商品价格非线性的特点，从而导致预测的效果并不理想。面对传统计量经济模型的缺陷，有学者开始采用BP神经网络的方法来对商品价格的序列进行预测研究[3]。结果显示BP神经网络可以很好地抓取商品价格非线性的特点，从而使得预测效果得到大大提升。然而，BP神经网络在训练的过程中却没有体现商品价格先后的时序关系，这在商品价格预测理论上具有很大的缺陷。针对此，学者们提出了循环神经网络（RNN）。然而，RNN在处理实际问题时经常会面临梯度消失的情况。1997年Hochreiter和Schmidhuber[4]提出了长短期记忆（LSTM）模型，用来克服RNN梯度消失的问题。2017年Nelson[5]采用LSTM神经网络根据历史价格以及技术分析指标来预测股票的价格。相较于以前的人工智能算法，LSTM的预测能力得到了显著的提升。

上述所有的研究都是采用单一的人工智能方法对商品的价格进行预测，然而单一的人工智能方法泛化能力较弱，在样本外不能很好地预测商品的价格。……