近日，中山大学2022级本科生陈奕以独立作者身份在国际期刊Annals of Operations Research（简称ANOR）发表题为“A novel method for corn futures price prediction integrating decomposition, denoising, feature selection and hybrid networks”的研究成果。该期刊系运筹学与管理科学领域SSCI Q1区、ABS三星期刊，最新影响因子为4.4。

论文发表页面

研究背景

经过多年的摸索与发展，中国期货市场价格发现以及风险规避的两大功能逐渐显露，能够帮助市场参与者决策并维持国家经济稳定。随着大连商品交易所的成立，以玉米期货为代表的农产品期货可以为农户提供更有效的套期保值手段，以分散农户生产的风险。玉米期货市场的运行效率稳定，不易受到市场化改革的影响，展现出的良好价格发现能力使其成为预测未来玉米现货市场乃至其他农产品市场走势的关键要素。影响中国玉米期货价格的因素十分复杂。除交易规模、活跃程度、宏观经济、政策引导等因素外，生猪产业、原油市场，以及其他农产品市场都会对玉米期货价格的波动产生一定影响。不确定性日益增加的全球经济形势使预测玉米期货价格成为了一项具有挑战性的工作。鉴于此，对玉米期货价格构建有效的预测模型，并将其应用于调节市场运行效率、维持经济体稳定运转，是当下亟待解决的一个问题。

研究内容和发现

本文开发了一种用于玉米期货价格预测的集成框架（CBA-X-PVW），融合了分解、降噪、特征筛选和混合神经网络。首先，该框架采用孔雀优化算法（POA）来确定变分模态分解（VMD）的最佳参数组合，将玉米期货价格序列分解为多个本征模态函数（IMF），并通过设置Pearson相关系数阈值筛选出序列中的噪声分量。随后，重构噪声分量并对其进行小波阈值去噪（WTD），再叠加信息分量与残差分量，得到去噪后的价格序列。接下来，使用XGBoost进行预训练，根据输出权重确定具有正向贡献的特征以最小化特征冗余。最后，将筛选出的特征和降噪后的价格序列输入由卷积神经网络（CNN）、双向长短期记忆网络 （BiLSTM）和注意力机制（Attention mechanism）组成的混合网络，以实现玉米期货价格预测。本文采用多种评估指标比较了所提模型与其他基准模型的预测精度。基于大连商品交易所玉米主连历史数据的实验结果表明，CBA-X-PVW优于其他模型（R2为0.9807，RMSE为12.96），结果通过了D-M 统计检验。本文还证实了该模型在不同时间滑窗和训练集划分下的稳健性，并证实了其优秀的长期预测能力。经过芝加哥期货交易所玉米期货和大连商品交易所玉米淀粉期货历史数据的跨领域测试，我们发现所提模型具有良好的泛化性能，最后本文据此提出了一些政策建议。

论文信息

Chen, Y. (2025). A novel method for corn futures price prediction integrating decomposition, denoising, feature selection and hybrid networks. Annals of Operations Research.

DOI：https://doi.org/10.1007/s10479-025-06525-8

Abstract：In this study, a novel ensemble model for predicting corn futures, termed CBA-X-PVW, is introduced. Initially, the model employs the peacock optimization algorithm (POA) to identify the optimal parameter combination for variational mode decomposition (VMD). This step decomposes the corn futures price series into multiple intrinsic mode functions (IMFs). The noise component within the series is fltered out by setting a Pearson cor-relation threshold. Subsequently, wavelet threshold denoising (WTD) is applied to the reconstructed noise component, combined with the information and residual components, to obtain a denoised price series. Next, XGBoost is utilized for pre-training, selecting the most valuable features based on output weights to minimize feature redundancy. The fnal step involves inputting the selected features and the denoised price series into a hybrid net-work comprising a convolutional neural network (CNN), a bidirectional long short-term memory network (BiLSTM), and an attention mechanism to achieve corn futures price prediction. We employ multiple evaluation metrics to compare the forecast accuracy of the proposed model with other benchmark models. Experimental results based on corn futures data from the Dalian Commodity Exchange indicate that CBA-X-PVW outperforms other models (with R2 of 0.9807 and RMSE of 12.96), with statistically confrmed by the D-M test. We also confrm its robustness under diferent time-sliding windows and training set splits, and additionally discover its long-term prediction ability. Through cross-domain tests with U.S. corn futures and corn starch futures, we conclude that the proposed model has good generalization performance and suggest some policy implication.

研究心得

从研究设计、调试程序，再到撰写手稿、投稿返修，历时约两年之久，最终能成功发表见刊实属不易。在这段时间里，十分幸运能够零距离地感受学术工作的严谨性和创造性，也坚定了未来在金融学和数据科学领域进一步探索的决心。

衷心感谢丁文捷老师在“星火计划”本科科研训练营中的悉心指导与帮助。在阅读资产定价领域相关论文时，丁老师提供了许多辅助理解的新视角，使我们小组成员迅速找到研究兴趣和研究方向。学院一直以来注重培养本科生的综合能力，注重理论与实践的结合。我在学习中形成了对“金融学+”人工智能这一交叉学科的浓厚兴趣，最终便形成了这一研究成果。

此次论文发表是对我的极大鼓励，学习还在继续，希望未来能在科研和工作的道路上取得更多成果。

——陈奕

作者简介

陈奕，中山大学商学院2022级经济学专业本科生，商学院第二届“星火计划”本科生科研训练营营员，指导老师为丁文捷助理教授。曾获2024年中国国际大学生创新大赛“青年红色筑梦之旅”赛道国家银奖（跨校参与），2023年第九届全国大学生统计建模大赛广东省一等奖， 2023-2024年度本科生国家奖学金、中山大学优秀学生一等奖学金、商学院学科竞赛专项奖学金等荣誉。