玉米和大豆期货价格智能预测的农业科研

玉米和大豆为同季旱粮作物，生长周期相同，几年出现了间作套种技术，造成两种作物“争地”矛盾突出，成熟期接近，这就为期货、现货的金融市场造成了风口。

玉米大豆作为常见农作物，其生育进程所需的温、光、水尽可能与最佳季节同步，是高产的前提。当气温稳定通过10℃时(85%以上概率)，土壤含水量达到田间持水量65-70%。受到天气影响其产量与价格存在波动。

掌握玉米和大豆两者的价格是必要的，其期货价格分析和预测，对种植结构调整和，农户作物品种选择均具有重要意义。相较于现货，农产品期货价格具有价格发现功能。针对玉米大豆的期货预测，中国科学院自动化研究所与中国科学院大学等机构，展开了跨越复杂系统管理与控制、人工智能、智能化技术与系统工程等学科的研究。

该研究从分析玉米和大豆期货价格的相关性，通过相关性计算和格兰杰因果(基于预测的因果关系统计概念)检验，确定玉米和大豆期货具有较强的正向相关性，且大豆期货价格是玉米期货价格的格兰杰原因。

再次，基于长短时记忆(长短期记忆，是RNN的一种)模型对玉米和大豆期货价格进行预测，并引入注意力机制对期货价格预测模型进行优化。

对比结果表明，与差分整合移动平均自回归模型(整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测分析方法之一)和支持向量回归模型(将支持向量机的思想推广到回归问题中)相比，LSTM模型在各项指标中均为更优，而与单一的LSTM模型相比，加入Attention机制的Attention-LSTM模型在各项指标中均更优。

其中，玉米和大豆期货预测结果的平均绝对误差(所有单个观测值与算术平均值的偏差的绝对值的平均)分别提升3.8%和3.3%，均方根误差(即标准误差)分别提升0.6%和1.8%，平均绝对百分误差(平均绝对百分比误差，一种相对度量)分别提升4.8%和2.9%，证明了Attention机制的加入可以帮助模型提取有效信息，提升性能。

最后，使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。

该项研究基于深度学习，科学提升了大豆和玉米期货价格预测精度，且结合相关农产品期货价格数据，可以提升单个农产品期货模型的预测性能。