石油是当代影响世界经济、政治,同时又受到国际经济、政治影响的敏感因素。石油期货市场是现货市场发展到一定阶段的产物,是一个非常复杂、开放的非线性动力系统。其在具备价格发现与规避风险功能的同时,也给使用者带来了潜在风险。价格风险是石油期货市场风险的核心。本文正是在石油期货市场价格影响因素的定性分析和混沌性质的定量分析基础上,指出了对石油期货市场进行“唯象”分析比“唯理”分析更加合适。本文通过对石油期货价格时间序列的相空间重构和混沌性质分析,得知石油期货市场是一个混沌系统,其价格时间序列是一个混沌时间序列,对其价格时间序列的预测即是对价格混沌时间序列的预测。本文立足于混沌时间序列预测中的局部邻近域预测法,以相空间重构中的嵌入维度作为石油期货市场价格混沌时间序列的分割长度,将其划分为多个子序列,子序列的数目即是相空间中的相点数目。通过对这些相点进行聚类分析,选择部分相点组成神经网络的输入样本,从而对石油期货市场价格混沌时间序列进行预测。在局部邻近相点的选择过程中,本文改进了以往常用的仅仅以关联度等一般相关性度量做相点相关函数的方法,首次将普通相关性度量中的关联度和相关系数与反映心理偏好的水平偏移和幅度伸缩结合起来,使得相点相关性度量在保持一般性基础上,更加符合个人偏好等实际情况。从另一角度来看,本文对相关函数的改进相当于对相点进行特征属性提取,即用相关函数各分量所表示的特征属性来代表相点间的关系,如此不仅可以更加真实地反映相点之间的关系,而且为之后相点聚类打下了基础。本文在对相点相关性和各聚类分析方法的优缺点进行分析之后,选择分层聚类法来对相点进行聚类分析。通过聚类分析,本文可以得到与当前相点即预测所需相点同属一类的历史相点。通过这些同属一类的历史相点,可以构造出价格混沌时间序列预测所需的局部邻近域。得到局部邻近域后,本文运用具有良好非线性逼近能力的广义回归神经网络对其进行逼近,得到预测相点与其邻近域之间的定量关系,从中分离出本文需要的预测值,从而达到对石油期货市场价格混沌时间序列进行预测的目的。在神经网络的选择中,本文选择了作为径向基(RBF)神经网络分支之一的广义回归神经网络(GRNN),除了其相对于反向传播(BP)神经网络的逼近能力、分类能力和学习速度均优的特点外,更重要的是RBF网络的学习算法是分为有导师学习和无导师学习两部分,一般RBF网络采用的均为比较简单的K-均值(K-means)方法,本文之前所作的相空间中相点相关性度量及对相点进行层次聚类分析研究不仅可以看作是对混沌时间序列的相空间中相点局部邻近域的确定,同时也可以看作是对RBF网络中学习算法的改进和加强。本文最后通过实证分析及简单预测模型系统的开发,并与传统预测模型的预测结果进行比较后发现,本文所研究的预测方法的预测精度确有一定程度的提高。