证券市场是一个系统,并且是一个复杂的非线性系统,系统内部的非线性相互作用造成价格变量的不规则涨落。期货市场实行的是双向交易的保证金机制及T+0的交易制度,市场的非线性特征更为明显,而黄金期货作为金融期货的重要品种,受到各方的普遍重视,使得对黄金期货的研究具有非常重要的理论和现实意义。期货价格的形成是一个非线性系统,具有高度的复杂性,因此难以用准确的数学模型来进行期货价格的预测。 神经网络(Artificial Neural Net-ANN)具有很强的非线性逼近能力和自学习、自适应等特性,因此该方法为这一问题的解决提供了可能性,它的“黑箱”策略忽略了对非线性方程的判定,可以直接利用网络的输入输出变量进行网络训练和修正,以达到预测的目的。但是,神经网络本身也存在一些局限性,如收敛速度慢、易陷入局部极小等,加上在金融系统中,训练信号是模糊的,数据都是有噪声的,一般很难正确执行准确的定量评价。为了克服这些困难,提高系统性能,可以采用遗传算法(Genetic Algorithm-GA)来优化神经网络,为解决价格预测问题提供一种全新的方法。大量的理论分析和实验结果表明,神经网络用于期货市场的预测是可行和有效的,有着非常良好的前景,而GA-BP神经网络更提高了运算的速度和预测的可靠性。 本文在深入分析期货投资理论和期货价格预测方法的基础上,提出了利用BP神经网络进行建模的方法。针对期货价格变化的非线性特征与经典BP神经网络在预测应用上的缺陷,利用遗传算法来优化误差反向传播(Error back Propagation-BP)神经网络,以达到对模型的改进。与以往的遗传算法应用不同,以往采用的是二进制编码、单点交叉及轮盘赌选择等遗传算子,使得遗传算法容易出现“早熟”,而本文使用实数编码、总误差平方和为适应度函数及多点交叉等更具实用价值的遗传算子。为了对用遗传算法优化的神经网络性能有更加具体的认识,本文还建立了黄金期货价格预测的BP神经网络模型,并对两个模型都进行了实证研究且进行了两个模型的对比研究。为了进一步提高神经网络的预测性能,还对不同的隐层单元数、神经网络的训练函数以及不同的输入变量集进行了对比研究,在此基础上选取了使神经网络性能较佳的五输入变量、三层10个隐层单元数、以trainlm为训练函数的BP神经网络；同时,在经过认真分析和对比研究的基础上,选择了较为合适的训练样本集-200个训练样本；为了便于神经网络的训练和优化,对原始数据进行了预处理,即规范化处理。通过进行多次Matlab试验仿真,两个不同模型的对比研究结果表明经遗传算法优化过的神经网络模型在计算精度、运行速度和收敛性等方面均有较大的提高；且应用到黄金期货价格的中期预测时也有较好的适用性。最后得出的结论是GA-BP神经网络在黄金期货这种复杂的非线性系统的预测方面有较好的实用价值。