一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

基于EEMD-LSTM的农产品价格短期预测模型研究

本文将集成经验模态分解(EEMD)方法与长短期记忆网络(LSTM)相结合，构建了一个端到端的农产品价格短期预测模型。首先，对原始价格信号进行EEMD分解，得到若干IMF子序列和一个残差序列；然后，运用Fine-to-coarse高低频重构方法对IMF子序列进行高频—低频重构；最后将原始价格序列、高频项、低频项和残差趋势项作为特征，输入到LSTM网络进行训练得到预测模型。本文以广州市江南农副产品市场的富士苹果日价格为例进行实证分析，结果表明，本文提出的EEMD-LSTM模型在农产品价格短期预测问题上具有一定的性能优势。     

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型（X12-ARIMA）将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法（ICEEMDAN）将季节调整后序列分解成一系列不同时间尺度的本征模态函数（IMF）和残差序列（Residue）。然后使用基于模糊C均值算法（FCM）划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。     

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型，简称FEPA，由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集，应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF），然后通过主成分分析将分解后的数据降维，提取最有信息量的特征；然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想，有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达，提供了今后融合更多信息的算法接口；2）通过多步长预测输出深入研究EMD分解的有效信息结构；3）通过切换到更细时间框架来处理EMD的端点效应，并探索了两级时间框架下的预测效果；4）给出了金融时间序列组合预测模型的一般性架构，具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证，结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%，在澳大利亚股指日线上也达到了74%的命中率，经比较，明显高于文献中常见的5种模型。     

应用经验模态分解的上海股票市场价格趋势分解及周期性分析

文章以经验模态分解方法对上海股票市场价格日序列进行了趋势分解和周期性的波动分析。得到了趋势项和几个不同平均周期的非周期循环分量。实证显示,在趋势分解效能上,经验模态分解与Hodrick-Prescott滤波器性能相近。经验模态分解的结果支持了R/S分析对沪市长程相关性的考察结论。得到的各分量的波动对宏观的重大事件有不同程度的反应,这意味着这些分量的波动反映了股市的各种周期规律。平均周期为40天的分量对股市重要转折点有敏感的预期,其最长预测时间符合非线性动力学的理论,这个分量可以被分为波动特征不同的两个阶段。分析结果表明,2005年中国股权分置改革是沪市股票价格周期波动特征改变的过渡阶段。本文引入的经验模态分解方法提供了一种有用的股票时间序列分析工具,建立基于此结果的新的理论框架将是非常有意义的工作。     

基于经验模态分解的房价周期波动实证分析

房地产市场是一个复杂的系统,房价是多种因素共同作用下最终的表现形式。经验模态分解方法是处理非平稳、非线性序列的有效工具,将其运用于房价分析,可以从房价时间序列自身出发揭示内在特征。以杭州市过去四年新建商品住宅交易的周度价格数据为例,对其分解,再根据本征模态函数的特征进行重组。研究表明:房价时间序列由经济基本面决定的长期趋势、金融危机等重大事件带来的低频振动和短期市场不均衡导致的随机波动三方面构成,为短期房价预测提供了思路。杭州市商品住宅市场存在3年的大周期,14个月和7个月的小周期。     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

贵金属期货价格预测方法及实证研究

本文融合了二次分解与极限学习机的优势,提出了VMD-Res.-EEMD-ELM贵金属期货价格预测模型,选择变分模态分解(VMD)作为主要的分解技术,生成模态分量序列(VMFi)和残差序列(Res.),采用集合经验模态分解(EEMD)对残差序列进行二次分解,并使用具有良好泛化能力的极限学习机(ELM)对各分量进行预测,最后叠加各模态分量和残差的预测值形成收益率的最终预测结果。所提出的模型不仅充分发挥了二次分解技术的优势,而且解决了传统变分模态分解组合预测模型未考虑残差影响因素的问题。实证研究表明,本文所提出的组合模型能够全面捕捉黄金、白银期货价格日收益率序列的特征,方向性预测准确率分别为83.33%和93.33%,误差指标MAE分别为0.15和0.11,经比较本文所提出的模型具有良好的预测性能。     

基于滚动时间窗的碳市场价格分解集成预测研究

提高碳市场价格预测准确性对于交易风险监测以及碳市场平稳发展具有重要价值。针对复杂的、非线性碳市场价格数据的短期预测误差偏大、分解过程易产生数据泄露问题，提出了基于滚动时间窗的SSA-SVR分解集成预测框架。首先，选取时间窗数据，继而借助奇异谱分析将时间窗内碳价序列分解重构为高、低频序列；然后，使用支持向量回归方法对高、低频序列分别进行预测；最后，加和集成预测结果，得到下一时刻的碳市场价格预测值。通过不断更新时间窗的数据内容，动态执行“分解-预测-集成”过程，实现碳市场价格的实时预测。研究结果表明，本文所提出框架表现出优异且稳定的预测性能，在碳市场价格预测研究中具有良好的适用性和有效性。     

我国碳排放增长率的运行机理及预测

碳排放是气候变暖的重要原因之一,研究和预测碳排放增长率能为低碳政策的制定提供理论指导。利用经验模态分解方法,本文将我国碳排放增长率序列分解为短期波动项和趋势项两个序列,并分析了国家政策、国内宏观经济变化、金融危机对短期波动项和趋势项的影响。在此基础上,利用动态神经网络分别对趋势项和短期波动项进行预测,并将二者之和作为最终的碳排放增长率的预测值。最后,从误差序列绝对值的最大值、最小值、均值和标准差四个角度来比较该预测方法与单独以碳排放量和碳排放增长率为输入变量的神经网络模型的优劣,并得出本文提出的模型具有预测有效性的结论。     

国内外原油价格关系的动态分析

以2000年1月~2006年12月国内原油和国际原油现货FOB月价格为变量,分析了两者的动态关系:首先,通过Johansen和Juselius的极大似然法对2个变量进行了协整检验,结果显示2个变量之间可能存在动态均衡关系;其次,通过G ranger因果检验和建立误差修正模型对两者的动态均衡关系进行了检验,证明这2个变量间存在均衡关系;然后,运用脉冲响应函数和预测误差分解技术对这种动态均衡关系进行了分解,分析了国内外原油价格之间的相互作用机制和影响程度。在此基础上,从我国石油价格形成机制方面讨论了增强国内原油价格对国际原油价格定价的发言权、避免国际原油价格的波动风险的途径。     

基于非参多元Expectile模型的原油价格风险测度研究—宏观不确定性视角

当下政治经济环境存在诸多不确定性，原油价格随着不确定性的增加而大幅波动，因此在当前不确定性环境中建立一个有效的风险预测模型具有重要的实际意义。本文基于非参多元Expectile模型，选取2010年1月5日至2020年1月6日的美国西德克萨斯原油价格的日度数据，构建同时包含地缘政治风险、经济政策不确定性等六个宏观不确定性变量的原油价格风险预测模型。此外，引入APARCH模型和基于蒙特卡罗方法的GARCH模型，比较以上三个模型预测能力。最后，基于预测的VaR值计算调整的Sharpe比率。结论表明，整体上，非参多元Expectile模型能较好处理多个宏观变量包含的信息，具有更高的预测能力。在不确定性事件叠加发生的时期预测表现依然优于其他模型，减少了不确定性增加导致原油市场波动幅度增加带来的风险，具有更强的稳定性。因此，在经济转型的关键时期，本研究可为政策制定者和监管当局面临不确定性上升环境下建立有效的原油价格风险预测模型提供参考，制定应对政策防范化解风险，同时也为投资者在当前复杂的国际形势下提供预测参考，尽量规避损失同时获取收益。     

基于小波分析的石油价格长期趋势预测方法及其实证研究

本文将小波方法引入到油价长期趋势的预测中,利用小波多尺度分析的功能,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势,从总体上把握油价的非线性波动特征,从而能够很好地利用油价时间序列的历史数据,开展对未来一段时期内的多步预测。实证研究中,对Brent油价开展了时间跨度为1年的趋势预测,并将预测结果与ARIMA、GARCH、Holtwinters等方法得到的结果进行了比较,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的,反映了本文所建立的石油价格长期趋势预测方法的有效性。     

布伦特原油价格季节性波动分析

油价时间序列往往受众多因素的影响,从而可以分解成各种成分。本文利用X-12-ARIMA方法分析布伦特原油价格的季节性波动,探讨油价运动规律,为我国进口石油提供决策支持。     

基于多尺度组合模型的铜价预测研究

铜价预测是国际大宗商品市场研究的一个重要领域。本文运用经验模态分解法（EMD）、人工神经网络（ANN）、支持向量机（SVM）和时间序列方法,基于分解-重构-集成的思想,构建了一个多尺度组合预测模型。在模型构建过程中,提出了运用游程判定法对分量序列进行重构的新思路。然后,运用此模型对LME铜价波动特点和走势进行分析：将铜价序列分解并重构成高频、低频和趋势三个部分,并从不规则因素、重大事件以及长期趋势三个角度解释了重构项的波动特征;实证分析表明,与灰色模型GM（1,1）、Elman神经网络方法等单模型,以及ARIMA-SVM组合模型相比,多尺度组合模型取得了最好的预测效果。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。