论文部分内容阅读
原油作为全球最主要的工业原料和战略储备,是现代国家国民经济平稳运行的重要保障。原油价格的剧烈波动会对一国的政治、经济、军事等各方面产生严重的影响。随着改革开放进程的推进,我国陆续推出了有关能源价格以及体制改革的多项政策,国内成品油价格自2006年起与国际原油价格接轨,并且随着我国原油对外依存度持续升高,国际原油价格的波动对我国国民经济运行的影响日益加重。因此寻求国际油价波动的潜在影响因素,准确预测油价走势对于我国原油战略的制定以及企业经营策略的制定都具有极为重要的意义。由于市场供需关系、地缘政治、国际突发事件以及金融投机等众多因素都影响国际原油价格的波动,国际原油价格表现出高度复杂的非线性和非平稳性特征。因此,本文提出采用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)模型分析原油价格的重大影响因素,并提出基于自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)模型和灰狼优化算法(Grey Wolf Optimizer,GWO)优化核极限学习机(Kernel Extreme Learning Machine,KELM)参数的预测模型,即CEEMDANGWO-KELM原油价格预测模型。这是本文的主要研究内容,也是本文的两个创新点。首先,本文从原油的能源市场供需因素、金融市场因素和地缘政治因素三个角度分析有关国际油价的影响因素,并结合实际数据可获得性挑选出29个变量作为SBL模型的输入变量以分析国际油价各影响因素的重要性。其次,由于原始国际原油价格时间序列具有极度复杂的非线性和非平稳性特征,为了降低后续预测的难度,本文使用CEEMDAN方法分解西德克萨斯轻质(West Texas Intermediate,WTI)原油现货价格时间序列,将其分解成若干个频率从高到低依次排列的分量,通过分别预测各个分量并将各个预测结果相加的方式实现准确的国际油价预测。在预测各个分量时,本文使用KELM作为预测模型,而KELM的构建原理是在借鉴支持向量机(Support Vector Machine,SVM)核函数的基础上,将核函数引入极限学习机(Extreme Learning Machine,ELM)中以提高模型的泛化性能,因此其同样存在如何准确选择核函数参数及正则化系数的问题。在此基础上本文引入GWO算法对KELM模型中的核参数和正则化系数进行优化,构建了GWO-KELM模型作为最终的分量预测模型,最后通过将各个分量预测结果进行简单相加的方式得到最终的国际油价预测结果。在通过对WTI原油现货价格的影响因素进行实证分析后,结果表明有关原油需求和供给以及金融市场等方面的众多因素都影响国际油价的波动。其中,WTI原油现货价格时间序列自身的滞后期时间序列数据对油价波动的影响最大,且考虑到当今在国际原油价格预测领域中,绝大多数学者都使用油价时间序列自身的滞后期时间序列数据来预测油价,本文在后续预测国际油价的实证分析中也采用油价时间序列自身的滞后期时间序列数据。同时在将SBL模型与最小二乘回归(Ordinary Least Square,OLS)模型的回归结果进行对比分析后发现,OLS模型分析出的显著影响因素不足以准确地解释油价的变动情况,不能很好地应对国际油价时间序列复杂的非线性和非平稳性特征,而本文提出的SBL模型则能很好地改善这个问题,在保证回归准确度的前提下,能更准确地分析出国际油价的影响因素。在通过对WTI原油现货价格进行单一模型预测和分解集成模型预测的实证分析后,结果表明在单一预测模型中,KELM的预测性能明显优于本文使用的对比模型,包括自回归差分移动平均(Auto Regressive Integrated Moving Average,ARIMA)、支持向量回归(Support Vector Regression,SVR)、反向传播神经网络(Back Propagation Neural Network,BPNN),证明了KELM模型在处理非线性和非平稳性时间序列方面的能力。且当KELM与SVR模型都采用相同的核函数、核参数以及正则化系数时,KELM模型的预测精度要比SVR模型高很多,这也证明了KELM模型由于其无迭代学习的特性可以显著地解决一些机器学习模型中存在的参数敏感性问题,提高油价的预测精度,证明了本文使用KELM模型来预测国际油价的思路是可行的。在分解集成预测模型中,CEEMDAN-KELM模型的预测效果要优于本文使用的对比模型,具体包括CEEMDAN-SVR和CEEMDAN-BPNN模型,其中CEEMDAN-KELM模型的均方根误差(Root-Mean-Square Error,RMSE)在一、三、六步长的预测中要比单一的KELM模型分别低64.37%、66.41%、68.78%,证明分解集成模型能在很大程度上降低预测的难度,提高模型的预测性能。随后通过比较CEEMDAN-GWO-KELM和CEEMDAN-KELM两个模型的预测结果可以发现,经过GWO算法优化参数后的KELM模型预测结果的RMSE值在一、三、六步长预测中分别比未经参数优化的KELM模型预测结果降低了10.46%、0.64%、2.05%,短期预测精度提高显著,中长期预测精度也略有提高,证明GWO优化算法对于KELM模型中参数的优化可以有效地提高对于国际油价的预测精度,证明了本文所提出的CEEMDAN-GWO-KELM模型在预测国际油价时具有优秀的预测能力,为预测国际油价提供了新的研究方法,具有较大的理论和现实意义。