一种用于黄金期货价格预测的混合ICA-GRU方法

《Frontiers in Artificial Intelligence》：A hybrid ICA-GRU approach for forecasting gold futures price

　　

由于商品市场的高度波动性和非线性特征，黄金期货价格的准确预测对投资者和分析师而言至关重要。本研究开发了一种混合ICA-GRU框架用于黄金期货价格预测，该框架通过结合独立成分分析（Independent Component Analysis, ICA）和基于门控循环单元（Gated Recurrent Unit, GRU）的神经网络构建。历史日度黄金期货价格数据（2015年至2026年）收集自雅虎财经（Yahoo Finance）。ICA将相关的金融变量转换为统计独立的成分，生成信息丰富的潜在特征表示，可能更好地捕捉金融时间序列数据的潜在结构，以供后续序列学习使用。随后应用基于GRU的神经网络来识别数据中的非线性模式。拟议的ICA-GRU模型性能通过均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、平均绝对缩放误差（Mean Absolute Scaled Error, MASE）、决定系数（R²）、精确率、召回率、混淆矩阵和显著性检验进行评估。实验结果表明，RMSE为39.36，MAE为26.35，MASE为2.61，R²为0.99，明显优于传统GRU模型。根据Wilcoxon符号秩检验的结果，模型性能之间的差异具有统计学显著性（p < 0.001）。所得结果表明，所开发的ICA-GRU模型可被视为一种有前景的黄金期货价格预测工具。

黄金在全球金融体系中具有商品与金融资产的双重属性，被视为对冲通胀、汇率波动和地缘政治不确定性的可靠工具。然而，黄金期货价格受宏观经济、金融和地缘政治等多重因素交互影响，呈现高度非线性与波动性，传统计量模型因线性假设难以捕捉复杂动态，机器学习方法需大量特征工程且难以充分刻画时间依赖，深度学习模型虽能学习序列模式，但易受噪声、多重共线性、过拟合及市场波动干扰。已有研究较少将独立成分分析（Independent Component Analysis, ICA）与门控循环单元（Gated Recurrent Unit, GRU）结合用于黄金期货价格预测。为此，研究人员提出一种混合ICA-GRU模型。

研究人员从雅虎财经（Yahoo Finance）获取GC=F连续黄金期货合约2015年1月1日至2026年1月29日的日度数据，共2784个观测值，包含开盘价、最高价、最低价、收盘价和交易量五个变量，以收盘价为预测目标。研究首先采用ICA将相关预测变量转换为统计独立的成分，生成潜在特征表示；随后利用堆叠GRU网络捕捉非线性时间依赖，执行一步向前预测。通过均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、平均绝对缩放误差（Mean Absolute Scaled Error, MASE）、对称平均绝对百分比误差（sMAPE）、归一化RMSE（nRMSE）、决定系数（R²）、精确率、召回率、混淆矩阵及显著性检验评估模型。结果表明，ICA-GRU模型获得RMSE为39.36、MAE为26.35、MASE为2.61、R²为0.99，优于传统GRU模型；Wilcoxon符号秩检验显示性能差异显著（p<0.001）。该模型为黄金期货价格预测提供了可扩展且有效的混合框架，有助于投资者、金融分析师和决策者做出知情决策。论文发表于《Frontiers in Artificial Intelligence》。

研究人员采用的主要关键技术方法包括：独立成分分析（ICA）预处理，利用FastICA算法将标准化后的开盘价、最高价、最低价和交易量转换为独立成分；堆叠门控循环单元（GRU）网络，第一层128单元、第二层64单元，每层后接Dropout（0.2），最后为单神经元全连接输出层；Z-score标准化和Min-Max归一化；滑动窗口构造30天输入序列；Adam优化器（学习率0.001），均方误差损失函数，批量大小32，最大200轮早停（patience=20）。基准模型包括持久性、带漂移随机游走、线性自回归（AR(30)）、线性回归、长短期记忆网络（LSTM）、标准GRU、PCA-GRU，以及SSA-GRU、VMD-GRU和EEMD-GRU。数据来源为Yahoo Finance的GC=F连续合约。

研究结果如下：

4.1 黄金期货价格趋势分析：2015年至2019年价格低波动，2019年至2021年持续增长，2021年至2023年温和波动，2024年后价格剧烈上行，2025年至2026年波动加剧并达到研究期内峰值。黄金在1至3年短期区间的表现优于股票和债券，凸显其保护资产属性。

4.2 所提ICA-GRU模型的预测性能：ICA-GRU模型取得RMSE为39.36、MAE为26.35、MASE为2.61和R²为0.99，表明预测值接近实际价格，模型能够有效捕捉黄金期货价格中的非线性和时间关系。

4.3 实际与预测黄金期货价格分析：预测价格在整体趋势上跟随实际价格，但曲线更平滑且略低，在快速上涨期间存在轻微低估，这与高波动金融时间序列的特点一致。

4.4 误差分析：预测误差在测试期后段价格快速上行和高波动时期增大，模型倾向于低估极端上涨，但整体误差仍处于可接受范围，模型总体趋势捕捉能力较强。

4.5 方向预测性能：精确率-召回率曲线显示，在低召回率时精确率很高但波动较大，随召回率增加，精确率稳定在0.55至0.60，表明模型具备优于随机分类的方向预测能力。混淆矩阵显示模型正确预测76次下跌和179次上涨，错误预测149次下跌为上涨、146次上涨为下跌，由于研究期内金价整体上行，模型更偏向预测上涨。

4.6 对比性能分析：在所有基准模型中，ICA-GRU获得最低的RMSE（39.3699）、MAE（26.3552）、MASE（2.6179）、sMAPE（0.8546%）和nRMSE（1.3410%），并取得最高的正样本外R²（0.0027），表明其具有更好的泛化能力。

4.7 替代分解方法比较：SSA-GRU取得最低误差（RMSE 39.7481），略优于VMD-GRU，ICA-GRU、PCA-GRU和EEMD-GRU误差稍高，但各方法R²均在0.9970至0.9971之间，说明分解方法对预测性能影响有限。

4.8 计算成本与复杂度分析：模型选择2个ICA成分，可训练参数为88,001，ICA预处理仅需0.0461秒，平均训练时间45.7430秒，测试集推理时间0.6755秒，每样本推理延迟1.2260毫秒，无需GPU即可运行，计算效率高。

4.9 统计显著性分析：Wilcoxon符号秩检验基于557对观测，统计量W=143,008，p<0.001，中位绝对误差由GRU的82.97降至ICA-GRU的24.09，效应量r=0.763（大效应），95%置信区间[51.39, 63.56]不包含零。Diebold-Mariano检验采用Newey-West HAC方差估计，损失差均值62.65，DM统计量10.246，p<0.001，证实模型改进在统计上显著。

4.10 与已有研究比较：定性比较表明，相比先前采用机器学习技术指标、CNN-LSTM、编码器-解码器、BiLSTM和图像表示等方法的文献，本研究提出的ICA-GRU模型独特地结合ICA特征分解和堆叠GRU时间学习；但由于数据集、预测区间和评价协议不同，无法直接进行数值比较。

讨论部分指出，ICA-GRU模型预测误差低且与黄金价格实际走势高度一致，方向预测能力中等。相比标准GRU，ICA-GRU的RMSE、MAE和MASE更低，且样本外R²为正，Wilcoxon和DM检验均确认提升显著。然而，在替代分解方法比较中，SSA-GRU和VMD-GRU略优于ICA-GRU，表明分解方法的适用性取决于数据集特征。尽管增加ICA预处理并未在所有情形下都提高样本外精度，但本研究的主要目的是验证ICA作为计算高效特征变换技术与GRU结合的有效性。结论部分可翻译为：所提出的框架是一种混合ICA-GRU模型，利用ICA的信号分解技术和GRU的堆叠架构。研究证明，该ICA-GRU模型能够对黄金期货价格时间序列数据中的非线性关系进行建模，并提供优于现有多种预测方法的预测效果。研究还强调了特征分解、序列构建和正则化技术在提高预测准确性方面的重要性。实验发现三个关键结论：第一，基于统计的预处理方法（如ICA）能有效提升深度学习金融预测模型的准确性；第二，诸如GRU网络的循环模型非常适合黄金期货价格预测；第三，将特征分解技术与深度循环架构集成可显著改善预测性能和模型鲁棒性。因此，所提出的ICA-GRU系统是一种创新、可扩展的预测方法，可有效用于黄金期货价格预测。