面向大宗商品价格的异常信息检测仿真

大宗商品价格的异常波动会给相关企业和投资者带来较大经营与投资风险。大宗商品价格的波动状态具有非线性、高噪声、随机性等特点,价格所反映的异常信息具有局域累积性。目前,对大宗商品价格的预测是一个研究热点,而事实上,价格从长期来看可预测性较差,但是价格的异常波动在统计上是有一定规律的,且可以通过机器学习方法进行异常信息挖掘、仿真或预测。这方面的研究文献较少,也存在一定研究难度。所以,作者提出了一种基于小波分析与神经网络的大宗商品价格异常信息挖掘算法。首先,基于大宗商品价格数据的数理统计规律,利用小波变换的思想,分析数据的离散度。然后,生成神经网络输入矢量,构建训练集和测试集来训练神经网络模型。最后,利用训练好的预测模型预测大宗商品的异常状态。测试结果表明,上述模型具有一定的预测准确率,可以为企业和投资者的决策提供一定的参考。