基于等维动态马尔科夫SCGM（1，1）C模型的黄金价格预测

王梅; 陈建宏; 杨珊

doi:10.11872/j.issn.1005-2518.2020.01.095

黄金科学技术 >

2020 , Vol. 28 >Issue 1: 158 - 166

DOI: https://doi.org/10.11872/j.issn.1005-2518.2020.01.095

采选技术与矿山管理

基于等维动态马尔科夫SCGM（1，1）_C模型的黄金价格预测

王梅 ,
陈建宏 ,
杨珊

展开

中南大学资源与安全工程学院，湖南长沙 410083

陈建宏（1963-），男，江苏苏州人，教授，从事矿业经济和采矿系统工程研究工作。cjh@263.net

王梅（1994-），女，陕西延安人，硕士研究生，从事矿业经济研究工作。1816057034@qq.com

收稿日期: 2019-06-26

修回日期: 2019-08-08

网络出版日期: 2020-02-26

基金资助

国家自然科学基金青年基金项目“基于人工智能的矿山技术经济指标动态优化研究”(51404305)

收起

Gold Price Forecast Based on the Equal Dimensional Dynamic Markov SCGM（1，1）_C Model

Mei WANG ,
Jianhong CHEN ,
Shan YANG

Expand

School of Resources and Safety Engineering，Central South University，Changsha 410083，Hunan，China

Received date: 2019-06-26

Revised date: 2019-08-08

Online published: 2020-02-26

Fold

本文亮点

为了提高黄金价格预测精度，提出等维动态马尔可夫 $S C G M （ 1 ， 1 ） C$ 预测模型，引入取新去旧的数据处理方法，使用等维动态实现数据优化。等维动态马尔可夫 $S C G M （ 1 ， 1 ） C$ 预测模型是将等维动态 $S C G M （ 1 ， 1 ） C$ 模型与马尔可夫链结合起来，在等维动态 $S C G M （ 1 ， 1 ） C$ 模型的预测结果上再进行状态划分与转移，重新得到预测值。选取2018年1月~2019年4月共16组黄金价格数据，将动态等维的维数定为13，数据处理时选用2018年1月~2019年1月的13个黄金价格数据，预测2019年2月的黄金价格，再依次预测2019年3月和4月的黄金价格。以2019年2~4月的3个黄金价格预测数据作为拟合，预测2019年5月的黄金价格。通过比较灰色 $S C G M （ 1 ， 1 ） C$ 预测模型、等维动态 $S C G M （ 1 ， 1 ） C$ 模型与等维动态马尔可夫 $S C G M （ 1 ， 1 ） C$ 预测模型的精度，可知等维动态 $S C G M （ 1 ， 1 ） C$ 预测模型的精度较 $S C G M （ 1 ， 1 ） C$ 模型有所提高，等维动态马尔可夫 $S C G M （ 1 ， 1 ） C$ 模型的拟合精度最高，达到一级，相对误差平均值为0.85%，符合预测要求，应用该模型预测的2019年5月的黄金价格为1 314.78美元/盎司，实际黄金价格为1 295.55美元/盎司，价格较为接近。

本文引用格式

王梅 , 陈建宏 , 杨珊 . 基于等维动态马尔科夫SCGM（1，1）_C模型的黄金价格预测[J]. 黄金科学技术, 2020 , 28(1) : 158 -166 . DOI: 10.11872/j.issn.1005-2518.2020.01.095

Highlights

In order to improve the accuracy of gold price prediction，an equal dimensional dynamic Markov SCGM（1，1）_C forecasting model was proposed.Prediction has high requirements for the selection of data，and the latest data can improve the prediction accuracy.The equal dimensional dynamic Markov SCGM（1，1）_C model is a composite model which combines the equal dimensional dynamic SCGM（1，1）_C model with the Markov chain.On the basis of the prediction results of the equal dimensional dynamic SCGM（1，1）_C，the grey fitting accuracy index is divided into states，and the state of the monthly gold price is determined.On this basis，the next transition direction is determined according to the transition probability matrix，and finally the predicted data is obtained.In this paper，the data processing method of take the new one and remove the old one was introduced，and the equal dimension dynamic data optimization was used.Because the grey SCGM（1，1）_C prediction model is also a grey model，the grey model is characterized by less original data，so a large number of original values are not needed in this paper.A total of 16 groups of gold price data from January 2018 to April 2019 were selected，and the dimension of dynamic equal dimension was determined to be 13.When SCGM（1，1）_C model data were processed，13 gold price data from January 2018 to January 2019 were selected to predict the gold price in February 2019，and then the gold price of March 2019 and April 2019 was predicted as above.The prediction data from February 2019 to April 2019 were used as fitting data to observe whether the accuracy of the prediction model is the best.The grey SCGM（1，1）_C model was predicted directly with all 16 known data.By comparing the grey SCGM（1，1）_C prediction model，the equal dimensional dynamic SCGM（1，1）_C model and the equal dimensional dynamic Markov SCGM（1，1）_C prediction model it is know that the accuracy of the equal dimensional dynamic SCGM（1，1）_C model is higher than the SCGM（1，1）_C model.The fitting accuracy of the equal dimensional dynamic Markov SCGM（1，1）_C is the highest，reaching the first order，the average relative error is 0.85%，which meets the prediction requirements，and the gold price in May 2019 is predicted to be $1 314.78.Although the grey SCGM（1，1）_C model has the lowest accuracy，it is simple to calculate and all the predicted values can be obtained by one calculation.The equal dimensional dynamic Markov SCGM（1，1）_C model is the most complex，but its predict results are the most accurate.Compared with the neural network and other methods，the equal dimensional dynamic Markov SCGM（1，1）_C model is simpler，so the model can be used to predict the gold price.The gold price in May 2019 is $1 295.55.Which Contrast with the predict is very close.

[an error occurred while processing this directive]

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	刘亚非，陈燕武.试析黄金市场的灰色—马尔可夫预测[J].企业导报，2011（20）：224-226. Liu Yafei， Chen Yanwu.An analysis of grey Markov forecasting in gold market[J].Guide to Business，2011（20）：224-226.

2	林石洁,张卫萍.黄金价格影响因素分析[J].中国有色金属，2018(17)：64-65. Lin Shijie， Zhang Weiping.Analysis of the factors influencing gold price[J].China Nonferrous Metals，2018(17)：64-65.

3	张延利，张德生.基于动态数据驱动的改进灰色马尔科夫模型黄金价格预测[J].数学的实践与认识，2016，46（13）：31-38. Zhang Yanli， Zhang Desheng.Improves grey Markov model forecasting the price of gold based on dynamic data driven[J].Mathematics in Practice and Theory，2016，46（13）：31-38.

4	陈晓珊，田良辉，韩晓茹.黄金价格预测分析与研究[J].佛山科学技术学院学报（自然科学版），2018，36（4）：6-10. Chen Xiaoshan， Tian Lianghui， Han Xiaoru.Forecasting and analyzing gold price[J].Journal of Foshan University（Natural Science Edition），2018，36（4）：6-10.

5	吕海侠.基于相关系数变权重组合模型的黄金价格预测[J].黄金，2017，38（7）：3-5. Haixia Lü.Gold price prediction based on correlation coefficient and variable weight combination model[J].Gold，2017，38（7）：3-5.

6	张均东，刘澄，孙彬.基于人工神经网络算法的黄金价格预测问题研究[J].经济问题，2010（1）：110-114. Zhang Jundong， Liu Cheng， Sun Bin.The study on the application of ANFIS in stock index prediction[J].On Economic Problems，2010（1）：110-114.

7	张坤，郁湧，李彤.小波神经网络在黄金价格预测中的应用[J].计算机工程与应用，2010，46（27）：224-226，241. Zhang Kun， Yu Yong， Li Tong.Application of wavelet neural network in prediction of gold price[J].Computer Engineering and Applications，2010，46（27）：224-226，241.

8	张品一，罗春燕，梁锶.基于GA-BP神经网络模型的黄金价格仿真预测[J].统计与决策，2018，34（17）：158-161. Zhang Pinyi， Luo Chunyan， Liang Si.Gold price simulation prediction based on GA-BP neural network model[J].Statistics and Decision，2018，34（17）：158-161.

9	景志刚，施国良.基于小波分析的LS-SVM—ARIMA组合模型的黄金价格预测[J].黄金，2017，38（5）：5-8，14. Jing Zhigang， Shi Guoliang.Gold price prediction using combined LS-SVM and ARIMA model based on wavelet analysis[J].Gold，2017，38（5）：5-8，14.

10	许贵阳.基于灰色预测方法的中国黄金期货价格预测模型[J].黄金，2014，35（1）：8-11. Xu Guiyang.Forecasting model of China’s gold futures price based on gray prediction method[J].Gold，2014，35（1）：8-11.

11	刘成军，杨鹏，吕文生，等.灰色—马尔科夫复合模型在黄金价格预测中的应用[J].有色金属（矿山部分），2013，65（1）：7-11. Liu Chengjun， Yang Peng， Wensheng Lü，et al.Application of Grey-Markov composite model in forecasting gold price[J].Non-ferrous Metals（Mining Section），2013，65（1）：7-11

12	张延利，杨丽.基于改进GM（1，1）模型的黄金价格预测[J].黄金，2015，36（7）：6-8. Zhang Yanli， Yang Li.Gold price prediction based on improved GM（1，1） model[J].Gold，2015，36（7）：6-8.

13	Baur D G， Beckmann J， Czudaj R.A melting pot — Gold price forecasts under model and parameter uncertainty[J].International Review of Financial Analysis，2016，48：282-291.

14	Pierdzioch C， Rülke J， Stadtmann G.A note on forecasting the prices of gold and silver：Asymmetric loss and forecast rationality[J].The Quarterly Review of Economics and Finance，2013，53（3）：294-301.

15	兰建义，乔美英，周英.煤矿事故预测的马尔可夫SCGM（1，1）_C模型的建立与应用[J].安全与环境学报，2016，16（5）：6-9. Lan Jianyi， Qiao Meiying， Zhou Ying.Establishment and application of Markov S C G M （ 1 ， 1 ） C model for accidents forecast in coal mining practice[J].Journal of Safety and Environment，2016，16（5）：6-9.

16	刘思峰，谢乃明.灰色系统理论及其应用[M].北京：科学出版社，2008. Liu Sifeng， Xie Naiming.Grey System Theory and Its Application[M].Beijing：Science Press，2008.

17	杨珊，明俊桦，周智勇.基于改进的非线性GM（1，1）模型的职业病预测研究[J].中国安全生产科学技术，2018，14（1）：111-116. Yang Shan， Ming Junhua， Zhou Zhiyong.Study on prediction of occupational diseases based on improved nonlinear GM（1，1） model[J].Journal of Safety Science and Technology，2018，14（1）：111-116.

18	姜翔程，陈森发.加权马尔可夫SCGM（1，1）_C模型在农作物干旱受灾面积预测中的应用[J].系统工程理论与实践，2009，29（9）：179-185. Jiang Xiangcheng， Chen Senfa.Application of weighted Markov S C G M （ 1 ， 1 ） C model to predict drought crop area[J].Systems Engineering—Theory & Practice，2009，29（9）：179-185.

19	唐俊勇，田鹏辉，王辉.基于马尔可夫链与服务质量的网络可用性[J].计算机应用，2018，38（12）：3518-3523，3528. Tang Junyong， Tian Penghui， Wang Hui.Network availability based on Markov chain and quality of service[J].Journal of Computer Applications，2018，38（12）：3518-3523，3528.

20	冉延平，何万生，雷旭晖，等.应用灰色GM（1.1）模型及其改进模型预测渭河天水段水质[J].水资源与水工程学报，2011，22（5）：88-91. Ran Yanping， He Wansheng， Lei Xuhui，et al.Application of GM（1，1） model and improved model to predict the water quality of Weihe River in Tianshui section[J].Journal of Water Resources and Water Engineering，2011，22（5）：88-91.

21	徐建新，杨杰.煤矿百万吨死亡率动态无偏灰色马尔科夫预测[J].中国安全科学学报，2012，22（3）：122-127. Xu Jianxin， Yang Jie.Application of dynamic unbiased grey Markov model in prediction of death rate per million-ton coal[J].China Safety Science Journal，2012，22（3）：122-127.

22	李大伟，徐浩军，刘东亮，等.改进的灰色马尔柯夫模型在飞行事故率预测中的应用［J］.中国安全科学学报，2009，19（9）：53-58. Li Dawei， Xu Haojun， Liu Dongliang，et al.Improved grey Markov model and its application in prediction of flight accident rate[J].China Safety Science Journal，2009，19（9）：53-58.

23	杨灿生，黄国忠，陈艾吉，等.基于灰色—马尔科夫链理论的建筑施工事故预测研究［J］.中国安全科学学报，2011，21（10）：102-106． Yang Cansheng， Huang Guozhong， Chen Aiji，et al.Research on construction accident forecast based on Gray-Markov theory[J].China Safety Science Journal，2011，21（10）：102-106.

Options

文章导航