近年来，随着金融信息化建设的不断进步以及金融工程学和金融数学理论的不断研究，程序化交易日渐深入人心，越来越多的投资者慢慢开始接受这种自动的交易模式，并且通过不断的学习和理解，己经研究出了许多自动交易的模型，据统计显示，在美国的期货市场中将近70%的交易都是通过程序化交易进行的，而不再是人为的交易。从国内外交易的历史数据上看，程序化交易的持仓时间一般较短，且一般都是进行频繁的交易操作，同时要求交易的品种价格波动大、流动性好，以便获取较高的利润。期货合约作为交易所上市的标准资产，往往具有极好的流动性，同时又交易频繁，支持做空操作和当天结算，交易手续费低廉，是程序化交易的理想目标。例如:国内的股指期货;上海期货交易所的金属期货，包括铜、铝、锌等;大连商品交易所的鸡蛋、豆油、豆粕期货;郑州商品交易所的稻谷、白糖等，都是程序化交易者着重选择的目标。

与人为主观交易不同，程序化交易的交易纪律是由计算机程序保证的，当期货商品的当前价格触碰到程序设定的止损价格，计算机会按照程序坚决地进行止损，不会出现人为主观交易者常犯的“死扛等反弹，获利不止盈”的错误决策，所以程序化交易的收益曲线一般会比主观交易更加稳定。经过20多年的飞速发展，期货程序化交易的理论和实际应用都取得了很大的成果，产生了各种不同原理的程序化交易模型。其中以期货期限套利策略、跨品种统计套利策略、趋势跟踪类策略、事件驱动型量化交易策略、高频交易策略等几种交易策略模型最为典型。

程序化交易的交易策略主要是通过多种交易指标进行组合形成的，单一的交易指标并不能很好的给出交易开仓信号，当组合多种交易指标时，能给出成功率较高的交易开仓信号，提高收益，减少交易风险。期货市场非常复杂，包含大量的信息。各种商品之间的非线性的关系，商品价格的互相影响以及各种新闻、天气、人为心理等因素揉合在一起，组成了一个不确定性和时变性很强的系统。传统的经济模型大部分过于简单，处理不了如此复杂的系统，具有不可克服的局限性。神经网络具有很好的处理非线性数据的能力，可以在期货市场中克服非线性拟合的问题。在神经网络算法中，基于Rumelhart提出的反向传播算法(BP算法)应用广泛。

本文旨在结合主成分分析法对神经网络输入数据进行优化，训练过程中通过大量实验找出合理的训练参数，采用多变量预测方法，使用训练好的神经网络对期货价格趋势进行预测分析，最终结合交易开拓者平台，进行期货程序化交易指标的研究。