论文部分内容阅读
近年来,中国大宗商品的对外依存度不断提高,而国际大宗商品的价格波动剧烈且整体大幅走高,对中国的经济造成了较大的冲击。如果能正确有效地预测出大宗商品价格的波动与走势变化,对于国家经济政策制定和企业生产经营决策都有重要的意义。基于分解-重构-集成的思想,运用经验模态分解法(EMD)、游程判定法、人工神经网络(ANN)、支持向量机(SVM)和时间序列方法,构建了一个新的多尺度组合预测模型。模型构建的具体过程是：首先利用EMD经验模态分解法对商品价格序列做多尺度分解；然后首次提出运用游程判定法客观地对分解得到的分量序列进行重构的新思路；针对重构项的不同波动特点,分别选用神经网络、支持向量机和时间序列方法等多种预测方法进行预测；最后利用SVM集成方法将各项的预测结果集成。分别选用原油、铜和小麦作为能源商品、基础原材料和大宗农产品三大类大宗商品的代表,利用构建的多尺度组合模型进行预测实证研究。在分析各商品市场特点的基础上,首先,利用EMD多尺度分解方法分解,原油和小麦价格被分解成7个IMF分量和1个剩余分量,铜价被分解为6个IMF分量和1个剩余分量。然后,利用游程判定法重构,原油价格分量序列被重构为高频、中频、低频和趋势项四部分,铜价和小麦价格被重构为高频、低频和趋势项三部分。通过对各重构项的波动特点分析发现,高频项、中频项、低频项和趋势项分别代表了不规则因素、季节因素、重大事件影响以及长期走势；之后,分别选用Elman神经网络、SVM方法和ARIMA模型对各重构项进行预测。最后,利用SVM集成方法将各项预测结果集成。实证研究表明,与单一预测方法(ARIMA、Elman、SVM、GARCH和GM等)以及ARIMA-SVM组合模型和不进行重构的EMD-SVM-SVM多尺度组合模型相比,本文构建的多尺度组合模型取得了更好的预测效果,更适合大宗商品价格预测。本文构建的多尺度组合模型一方面增强了预测精度,另一方面对分解重构后的序列赋予了经济含义,基本认为大宗商品价格序列由长期走势、季节因素、重大事件影响因素和不规则因素构成,属于“数据驱动建模”和“理论驱动建模”相结合的预测方法,比较适合大宗商品价格预测。