《Algorithms》：Neural-Networks-Based Gold Price Forecasting with Recursive Feature Elimination and Optuna Tuning
编辑推荐：
战略资源规划对于优化供应链管理和确保高效运营至关重要。该研究旨在通过利用先进的黄金价格预测模型来加强金矿的战略规划。通过准确预测未来黄金价格，矿业公司可以更好地规划其开采、加工和分销活动，从而提高整体供应链效率。研究人员实施了多种先进的预测模型，包括反向传播神
战略资源规划对于优化供应链管理和确保高效运营至关重要。该研究旨在通过利用先进的黄金价格预测模型来加强金矿的战略规划。通过准确预测未来黄金价格，矿业公司可以更好地规划其开采、加工和分销活动，从而提高整体供应链效率。研究人员实施了多种先进的预测模型，包括反向传播神经网络（BPNNs）、卷积神经网络（CNN）、长短期记忆网络（LSTM）、双向长短期记忆网络（Bi-LSTM）、门控循环单元（GRU）和双向门控循环单元（Bi-GRU）。特征选择过程通过递归特征消除（RFE）实现，并使用Optuna对神经网络模型进行微调。评估基于均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。BPNN在最低RMSE（0.5928）、MAE（0.4091）和MAPE（0.34%）方面表现最佳，而Bi-GRU表现最差，其RMSE为9.41，MAE为8.1916，MAPE为6.94%。此外，Optuna进一步提高了每个模型的准确性，但CNN的性能略有下降。先进的预测神经系统表现不及标准反向传播神经网络。在这方面，BPNN在预测黄金价格方面被证明非常有效，为金矿公司和投资者应对动态且波动的黄金市场提供了关键的管理启示。
研究背景与问题提出。黄金价格预测是金融领域中具有重要战略意义的研究课题，其准确性直接影响投资者的投资组合优化、矿业公司的长期投资决策以及金融机构的风险管理策略。黄金作为传统的避险资产，其价格波动受到国际经济状况、政治因素和投资者情绪等多重复杂变量的影响。尽管深度学习模型如CNN、LSTM和GRU在诸多预测任务中展现出优越性能，但现有研究仍面临关键挑战：一是尚不清楚哪种深度学习系统更适合黄金价格预测；二是如何从大量经济、政治和市场情绪变量中识别最具预测潜力的特征组合；三是复杂模型可能因过度拟合或优化困难而表现不佳。因此，研究人员开展了这项研究，旨在通过集成多种深度学习架构并结合特征选择与超参数优化技术，提升黄金价格预测的准确性和可解释性，为金矿供应链中的需求预测、风险管理和库存管理提供数据支持。该论文发表于《Algorithms》期刊。
关键技术与方法。该研究的数据来源于Yahoo Finance（雅虎财经），涵盖2011年11月18日至2019年1月1日的1718个数据点，包含80个属性变量，涉及传统投资工具（如S&P500指数、道琼斯工业平均指数）、贵金属价格（白银、铂金、钯金、铑）、汇率（欧元/美元）、公司特定指标（Eldorado Gold Corporation、Gold Miners ETF）以及原油、美国国债等金融经济指标。研究人员采用的核心技术方法包括：（1）递归特征消除（RFE）进行特征降维，从80个原始特征中筛选出最具预测力的变量子集；（2）六种神经网络架构，包括BPNN、CNN、LSTM、Bi-LSTM、GRU和Bi-GRU；（3）基于树结构Parzen估计器（TPE）的贝叶斯优化框架Optuna进行超参数自动调优；（4）30天滚动窗口方法构建训练样本，数据按80%训练集和20%测试集划分，采用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为评估指标。
研究结果。BPNN最优预测性能。BPNN在所有模型中表现最佳，RMSE为0.5928，MAE为0.4091，MAPE为0.34%。其简洁的架构和强大的非线性关系学习能力使其能够有效捕捉数据中的基本趋势，而不过度关注深层细微变化，从而实现了最优的泛化性能。研究人员认为BPNN的计算效率和易于实现的特点使其特别适合实时金融预测应用。
CNN的次优表现。CNN模型取得RMSE为2.1241、MAE为1.7431、MAPE为1.42%的优异成绩。其卷积层擅长识别数据中的局部模式和层次结构，尽管最初为图像数据设计，但 adapted 到时间序列预测后展现出强大的特征提取能力，能够有效处理多维特征空间。
LSTM与Bi-LSTM的对比。LSTM模型RMSE为8.7046，MAE为7.3769，MAPE为6.27%；Bi-LSTM表现优于单向LSTM，RMSE为7.314，MAE为5.8623，MAPE为5.00%。双向架构通过同时处理前向和后向序列信息，增强了对时间依赖关系的理解，但整体性能仍不及BPNN和CNN，表明LSTM类模型并非对所有时间序列预测任务都是最优选择。
GRU与Bi-GRU的表现。GRU取得RMSE为7.8233，MAE为6.4011，MAPE为5.45%的中等性能；而Bi-GRU表现最差，RMSE高达9.41，MAE为8.1916，MAPE为6.94%。这一反直觉的结果表明，双向架构引入的额外复杂性并未转化为性能提升，可能由于过度拟合或参数优化困难所致。
Optuna超参数优化的效果。Optuna显著提升了除CNN外所有模型的准确性。BPNN的RMSE、MAE和MAPE分别降低33%、56%和51%；Bi-LSTM的RMSE降低15%，MAE和MAPE均降低19%。然而CNN在Optuna调优后性能略有恶化，RMSE、MAE和MAPE分别上升5%、6%和1%，说明不同模型对超参数优化的响应存在差异。
RFE特征选择结果。RFE算法从80个原始特征中筛选出14个关键预测变量，主要包括：黄金ETF开盘价、最低价、交易量，S&P500和道琼斯指数交易量，Eldorado Gold的开盘/收盘/交易量，欧元/美元汇率，布伦特原油交易量，美元指数交易量，GDX开盘/收盘价及交易量，以及USO石油交易量。
讨论与结论。研究人员指出，BPNN优于先进深度学习模型的深层原因在于：首先，BPNN架构简单，在数据集结构良好且特征选择有效时能降低过度拟合风险；其次，其计算复杂度较低，训练速度更快、实现更简便；第三，当前数据以趋势为主导，BPNN能够有效学习这类宏观模式，而深度学习架构过度关注深层细粒度变化，反而可能造成优化困难。研究人员同时强调，这一结论仅限于当前黄金数据集、样本和实验设置条件，不能简单推广至其他场景。
该研究的实践意义在于：BPNN的准确预测可指导金矿企业锁定供应协议时机、优化采购策略、对齐生产计划与市场需求、优化库存水平、辅助战略决策（如黄金储备出售时机、基础设施投资）、以及支持对冲策略以抵御价格波动风险。
研究局限性包括：对历史数据的依赖无法预测突发性市场中断、地缘政治事件或宏观经济转变；输入特征的相关性会随市场条件演变而变化；金融市场的复杂性存在模型未能充分捕捉的变量；实际应用中还面临数据质量变异、计算资源限制和专业技术人员需求等挑战。
未来研究方向建议：整合地缘政治事件、汇率和市场情绪分析等外部因素；实施基于在线学习技术的实时预测系统；扩展预测范围至白银、铂金等其他贵金属；开发基于场景的预测系统以模拟不同市场条件下的价格波动。
