融合鲸鱼算法优化的BiLSTM-ARIMA期货套利价差预测方法

摘要

针对期货套利价差数据时序依赖性难以捕捉、预测精度低等问题，提出一种融合鲸鱼优化算法(whale optimization algorithm, WOA)、双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络和自回归差分移动平均(autoregressive integrated moving average, ARIMA)模型的混合预测模型。通过WOA-BiLSTM网络进行价差数据的非线性特征提取，WOA能够获取BiLSTM网络的最优超参数解决超参数设置问题，使用ARIMA提取价差序列数据中的线性特征，弥补BiLSTM在短期依赖性学习和线性特征提取中存在的不足。在上海期货交易所的螺纹钢与热卷价差数据集上的实验结果表明，相较于传统的单一预测方法，该方法能够显著提升套利价差的预测精度，并能够更准确地刻画出期货套利价差的未来变化趋势。

关键词

鲸鱼优化算法 / 双向长短期记忆网络 / 自回归差分移动平均模型 / 混合预测模型 / 期货套利价差预测