复杂性特征驱动的国际油价预测研究

作     者：马梦瑶 

作者单位：北京化工大学 

学位级别：硕士

导师姓名：余乐安

授予年度：2021年

学科分类：02[经济学] 0202[经济学-应用经济学] 

主      题：油价预测 分解集成 数据特征驱动建模 复杂性特征 记忆性特征 混沌性特征 不确定性特征 

摘      要：石油作为世界上重要的基础能源,是国民经济和民生发展的基本保障,也是整个现代社会平稳运行的重要支撑。作为战略资源,石油在全球经济、政治局势和军事实力中发挥着重要作用。因此原油价格的波动会引起全世界的广泛关注,而精准并快速预测油价变化对于决策者而言价值不可估量。由于受到石油市场供需关系、全球经济形势、股票期货市场、投机行为、地缘政治和突发事件等因素的综合影响,油价通常呈现出高复杂性、非平稳性和非线性特征,这也为油价预测研究带来了巨大的挑战。在此背景下,本文以提高预测精度和降低计算成本为目标,立足于复杂性的三个典型数据特征（记忆性、混沌性和不确定性）展开本文的研究。具体研究内容如下:（1）记忆性特征驱动的油价分解-重构-集成预测研究本研究工作针对油价记忆性特征提出了一种新的记忆性特征驱动的分解-重构-集成学习范式,进一步提高油价预测模型精度的同时,减少预测模型的计算复杂性。具体而言,本研究将分解集成的每一步（即数据分解、分量重构、重构分量预测和集成预测）均立足于数据记忆性特征,并基于记忆性特征与各类技术之间的关系研究建立了分解集成预测框架的技术选择规则,解决了经典分解集成框架技术选择无依据、计算耗时和累计偏差的问题。实验结果显示本研究提出的预测模型显著优于其他六类基准模型,证明了该方法可以被用作油价预测有前景的预测方法。同时,对比经典的分解集成模型可以发现对长期记忆性特征序列和超长期记忆性特征序列重构,可以在一定程度上提高模型的预测效果。（2）混沌性特征驱动的油价分解-集成预测研究为提高油价预测模型的精确程度和解释性,本研究工作基于“分而治之和“数据特征驱动建模思想,提出了一种混沌性特征驱动的油价分解-集成预测学习范式。具体而言,本研究将混沌性特征作为属性引入油价预测的研究中。研究过程中,将互信息法、曹（CAO）方法与李亚普诺指数相结合用于检验时序数据的混沌性特征,并将分解集成的三个步骤与各阶段的混沌性特征检验结果相结合,首次建立了混沌性特征驱动下分解集成框架的技术选择规则。这项对经典分解集成框架的改进,不仅增强了预测框架的可解释性,还提高了模型的预测性能,同时也为油价预测研究提供了新的研究思路。实验结果表明,提出的混沌性特征驱动分解集成模型的预测效果优于其他四类基准模型,且具有更好的可解释性。这证明了本研究提出的学习范式的有效性,也表明该学习范式可以作为预测油价有前景的预测工具。同时,混沌性特征驱动数据分解方法、分量预测方法和集成预测方法的预测效果显著优于相应的基准模型,这表明本研究工作提出的学习范式对经典分解集成框架每步优化都是有效的,也证明了混沌性特征驱动的技术选择在分解集成框架中的有效性。（3）不确定性特征驱动的油价分解-重构-集成预测研究本研究提出了一种不确定性特征驱动的油价分解-重构-集成学习范式。实际上,该学习范式是对经典分解集成框架的改进。具体而言,本研究对经典的分解集成框架引入了油价不确定性特征,并将不确定性特征作为技术选择的决定性因素。在整体的研究过程中,从各个阶段按类别选择主流的技术,并通过实验研究逐步构建了不确定性特征与各阶段技术之间的联系,一定程度上解决了分解集成框架技术选择无依据的问题。实验结果显示不确定性特征驱动的分解-重构-集成预测模型显著优于其他五类基准模型,证明该方法可以被选择作为有前景的预测方法。同时,从理论和实验两方面证明了基于模糊熵与Fisher聚类的不确定性特征驱动分量重构方法在计算复杂度和预测精度上的有效性。本文通过结合“数据特征驱动建模和“分而治之思想构建的三类复杂性特征驱动的国际油价预测学习范式,可以在一定程度上提高模型的预测性能,同时,还可以有效降低模型的计算复杂度。在一定意义上,本文的研究工作也进一步证实了“数据特征驱动建模思想和“分解集成策略的有效性。