玉米和大豆為同季旱糧作物，生長周期相同，幾年出現(xiàn)了間作套種技術，造成兩種作物“爭地”矛盾突出，成熟期接近，這就為期貨、現(xiàn)貨的金融市場造成了風口。

　　玉米大豆作為常見農作物，其生育進程所需的溫、光、水盡可能與最佳季節(jié)同步，是高產(chǎn)的前提。當氣溫穩(wěn)定通過10℃時(85%以上概率)，土壤含水量達到田間持水量65-70%。受到天氣影響其產(chǎn)量與價格存在波動。

　　掌握玉米和大豆兩者的價格是必要的，其期貨價格分析和預測，對種植結構調整和，農戶作物品種選擇均具有重要意義。相較于現(xiàn)貨，農產(chǎn)品期貨價格具有價格發(fā)現(xiàn)功能。針對玉米大豆的期貨預測，中國科學院自動化研究所與中國科學院大學等機構，展開了跨越復雜系統(tǒng)管理與控制、人工智能、智能化技術與系統(tǒng)工程等學科的研究。

　　該研究從分析玉米和大豆期貨價格的相關性，通過相關性計算和格蘭杰因果(基于預測的因果關系統(tǒng)計概念)檢驗，確定玉米和大豆期貨具有較強的正向相關性，且大豆期貨價格是玉米期貨價格的格蘭杰原因。

　　再次，基于長短時記憶(長短期記憶，是RNN的一種)模型對玉米和大豆期貨價格進行預測，并引入注意力機制對期貨價格預測模型進行優(yōu)化。

　　對比結果表明，與差分整合移動平均自回歸模型(整合移動平均自回歸模型(移動也可稱作滑動)，是時間序列預測分析方法之一)和支持向量回歸模型(將支持向量機的思想推廣到回歸問題中)相比，LSTM模型在各項指標中均為更優(yōu)，而與單一的LSTM模型相比，加入Attention機制的Attention-LSTM模型在各項指標中均更優(yōu)。

　　其中，玉米和大豆期貨預測結果的平均絕對誤差(所有單個觀測值與算術平均值的偏差的絕對值的平均)分別提升3.8%和3.3%，均方根誤差(即標準誤差)分別提升0.6%和1.8%，平均絕對百分誤差(平均絕對百分比誤差，一種相對度量)分別提升4.8%和2.9%，證明了Attention機制的加入可以幫助模型提取有效信息，提升性能。

　　最后，使用LSTM模型結合大豆期貨歷史價格共同預測玉米期貨價格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。

　　該項研究基于深度學習，科學提升了大豆和玉米期貨價格預測精度，且結合相關農產(chǎn)品期貨價格數(shù)據(jù)，可以提升單個農產(chǎn)品期貨模型的預測性能。