張明昊 卓翔芝

摘要：

隨著原油市場(chǎng)環(huán)境的日益復(fù)雜，模型很難準(zhǔn)確預(yù)測(cè)未來某段時(shí)間的原油價(jià)格。在保證預(yù)測(cè)精度的前提下為獲得盡可能久的預(yù)測(cè)時(shí)長(zhǎng)，采用模糊信息?；椒ê?jiǎn)化計(jì)算復(fù)雜度，通過壓縮樣本點(diǎn)信息得到Up、Low和R三個(gè)模糊參數(shù)。針對(duì)原油價(jià)格時(shí)間序列周期性、非線性和長(zhǎng)時(shí)記憶性的特點(diǎn)，基于支持向量機(jī)算法對(duì)模糊參數(shù)進(jìn)行回歸預(yù)測(cè)。研究表明，此法能夠較為準(zhǔn)確地預(yù)測(cè)未來兩周的Brent原油期貨價(jià)格走勢(shì)和波動(dòng)區(qū)間。

關(guān)鍵詞：

時(shí)間序列;模糊信息粒化;支持向量機(jī);原油價(jià)格預(yù)測(cè)

中圖分類號(hào)：F224，F(xiàn)764.1

文獻(xiàn)標(biāo)志碼：A

收稿日期：2021-03-03

基金項(xiàng)目：

國(guó)家社會(huì)科學(xué)基金（批準(zhǔn)號(hào)：15BTQ048）資助。

通信作者：

卓翔芝，男，博士，教授，主要研究方向?yàn)楣?yīng)鏈管理。E-mail：zhuoxz@chnu.edu.cn

原油作為最基礎(chǔ)的能源化工原材料、戰(zhàn)略儲(chǔ)備資源和世界能源結(jié)構(gòu)的中流砥柱，承擔(dān)保障國(guó)家與社會(huì)安全、維持經(jīng)濟(jì)平穩(wěn)運(yùn)行的重要作用。原油價(jià)格是反映能源市場(chǎng)經(jīng)濟(jì)活動(dòng)狀況的顯性指標(biāo)，是原油供求關(guān)系變化的快速指示劑，也是國(guó)家采取相應(yīng)能源政策進(jìn)行宏觀調(diào)控的重要依據(jù)。因原油用途廣泛、所涉產(chǎn)業(yè)鏈長(zhǎng)，其價(jià)格變化產(chǎn)生的連鎖反應(yīng)將會(huì)對(duì)行業(yè)上下游的生產(chǎn)經(jīng)營(yíng)活動(dòng)產(chǎn)生直接沖擊，通過金融市場(chǎng)等渠道的傳遞影響國(guó)內(nèi)物價(jià)水平、利率水平等宏觀經(jīng)濟(jì)指標(biāo)[1-2]。預(yù)測(cè)國(guó)際原油價(jià)格的未來趨勢(shì)有利于降低國(guó)家能源價(jià)格波動(dòng)風(fēng)險(xiǎn)，促進(jìn)經(jīng)濟(jì)和社會(huì)穩(wěn)定，有助于原油產(chǎn)業(yè)鏈中的制造企業(yè)形成價(jià)格預(yù)警和計(jì)劃緩沖，并對(duì)相關(guān)能源產(chǎn)業(yè)的可持續(xù)發(fā)展提供前瞻性的政策建議。原油價(jià)格的預(yù)測(cè)類型可分為樣本內(nèi)預(yù)測(cè)和樣本外預(yù)測(cè)。樣本內(nèi)預(yù)測(cè)是指將原始數(shù)據(jù)事先劃分好訓(xùn)練集和驗(yàn)證集，通過對(duì)比預(yù)測(cè)值和觀測(cè)值的擬合優(yōu)度來判別模型的優(yōu)劣。如Elaziz等[3]利用遺傳算法（GA）改進(jìn)Salp群算法（SSA）來提高自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）的性能，按照7∶3的比例分割數(shù)據(jù)集，驗(yàn)證了組合預(yù)測(cè)模型能夠取得更優(yōu)的預(yù)測(cè)效果。對(duì)于樣本外預(yù)測(cè)，美國(guó)能源情報(bào)署（EIA）定期向公眾發(fā)布未來兩年關(guān)于原油價(jià)格的月度和季度預(yù)測(cè)信息，常被業(yè)內(nèi)人士用于分析解讀原油市場(chǎng)一定時(shí)期內(nèi)的市場(chǎng)行情狀況[4]。Stifanic等[5]通過集成平穩(wěn)小波變換（SWT）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（BDLSTM）提出的商品-股票價(jià)格預(yù)測(cè)系統(tǒng)（BDLSTM+WT-ADA）對(duì)未來5天的原油價(jià)格預(yù)測(cè)效果顯著。Elshendy等[6]利用語(yǔ)義分析在網(wǎng)絡(luò)社交媒體上尋找經(jīng)濟(jì)意識(shí)的信號(hào)，采用動(dòng)態(tài)回歸模型（ARIMAX）進(jìn)行建模，分析WTI原油價(jià)格與多維預(yù)測(cè)因子之間的關(guān)系，證明了不同媒體平臺(tái)所承載的樣本外預(yù)測(cè)能力差異化。當(dāng)前原油價(jià)格預(yù)測(cè)研究雖取得了一定成果，但由于市場(chǎng)環(huán)境復(fù)雜，多數(shù)情況下不能對(duì)原油價(jià)格做精確的點(diǎn)值預(yù)測(cè)，故對(duì)原油價(jià)格進(jìn)行區(qū)間預(yù)測(cè)尤為必要。模糊信息粒化（FIG）具有獨(dú)特的數(shù)據(jù)壓縮區(qū)間化能力，常與支持向量機(jī)算法（SVM）構(gòu)成組合預(yù)測(cè)模型，廣泛應(yīng)用于風(fēng)速預(yù)測(cè)、負(fù)荷預(yù)測(cè)、股票價(jià)格預(yù)測(cè)以及城市交通流量預(yù)測(cè)等領(lǐng)域，但鮮有學(xué)者利用該模型研究原油價(jià)格預(yù)測(cè)。針對(duì)原油價(jià)格時(shí)間序列周期性、非線性和長(zhǎng)時(shí)記憶性的特點(diǎn)[7-9]，支持向量機(jī)極佳的泛化性能和在小樣本、非線性預(yù)測(cè)方面的出色表現(xiàn)，使得其能夠滿足原油價(jià)格預(yù)測(cè)的需要[10]?？紤]到受原油價(jià)格受美元匯率、地緣政治博弈、重大突發(fā)事件以及國(guó)家政策導(dǎo)向等不確定因素的影響[2，11-13]，模型的預(yù)測(cè)精度會(huì)隨著預(yù)測(cè)時(shí)長(zhǎng)的增加而不斷被削弱，因而短期預(yù)測(cè)的結(jié)果比長(zhǎng)期預(yù)測(cè)更為準(zhǔn)確，更具有實(shí)際意義[14-15]。為保證預(yù)測(cè)精度且盡可能延長(zhǎng)模型的預(yù)測(cè)期限，將對(duì)時(shí)間序列數(shù)據(jù)做模糊信息?；幚?，配合SVM實(shí)現(xiàn)對(duì)數(shù)據(jù)變化趨勢(shì)和波動(dòng)區(qū)間的拓展預(yù)測(cè)。本文擬構(gòu)建FIG-SVM原油價(jià)格預(yù)測(cè)模型，以Brent原油期貨日結(jié)算價(jià)格為例，探究原油價(jià)格預(yù)測(cè)的新途徑。

1 基礎(chǔ)理論與方法

1.1 模糊信息?；?/p>

信息粒化就是根據(jù)所關(guān)注的信息，將數(shù)據(jù)集中或相似、或接近、或難以區(qū)別的元素，人為的組合并劃分成一定數(shù)量的子數(shù)據(jù)集進(jìn)行研究的方法，其中構(gòu)成整體的每個(gè)子部分被稱為信息粒[16-17]。?；绞娇煞譃榉悄：；╟-?；┖湍：；╢-粒化）。c-粒化在諸多技法中發(fā)揮著重要作用，但在實(shí)際情況中非模糊粒子不能充分反映事物的特性，故對(duì)于大部分缺少先驗(yàn)信息的研究而言，f-?；啾萩-?；淤N近現(xiàn)實(shí)意義[16，18]。

f-?；暮诵氖峭瓿纱翱趧?chuàng)設(shè)后的模糊化過程。以Pedrycz提出的模糊信息?；椒槔：哪繕?biāo)是要在時(shí)間序列數(shù)據(jù)X上找到模糊粒子p，即一個(gè)能夠?qū)做出合理刻畫的模糊概念G（以X為論域的模糊集合），通過確定G來獲得p。因此，模糊化的本質(zhì)是一個(gè)確定函數(shù)A的過程，A為G的隸屬函數(shù)[19-20]

2.3 數(shù)據(jù)分析

上述模糊信息粒化過程，將原始時(shí)間序列數(shù)據(jù)窗口化且映射到圖3中帶狀價(jià)格區(qū)域內(nèi)，削弱了原始時(shí)間序列的局部震蕩，對(duì)原油期貨價(jià)格曲線具有明顯的平滑效果，為后續(xù)配合SVM算法的回歸預(yù)測(cè)分析起鋪墊作用。由圖4～圖6可知，模糊參數(shù)Low、R和Up的樣本內(nèi)預(yù)測(cè)結(jié)果與原始數(shù)據(jù)在總體趨勢(shì)上能夠較好地吻合，且未來兩個(gè)交易周的參數(shù)Low、R和Up與尾部圖像走勢(shì)一致。圖7對(duì)應(yīng)三個(gè)模糊參數(shù)第156～159個(gè)粒子窗口的預(yù)測(cè)結(jié)果，其中第158和第159個(gè)粒子窗口表示2021年前兩個(gè)交易周Brent原油期貨預(yù)測(cè)價(jià)格的下界、均值和上界，如表1所示。對(duì)比表1、表2可知，除個(gè)別時(shí)間點(diǎn)外實(shí)際價(jià)格波動(dòng)區(qū)間及走勢(shì)與模型的預(yù)測(cè)結(jié)果基本相同。由于原油價(jià)格的不確定影響因素眾多，而本文的研究?jī)H考慮Brent原油期貨價(jià)格自身的變化（單一變量）對(duì)預(yù)測(cè)的影響，故存在一定誤差。

3 結(jié)論

針對(duì)國(guó)際原油價(jià)格的特征，以Brent原油為例，運(yùn)用模糊信息?；椭С窒蛄繖C(jī)構(gòu)建預(yù)測(cè)模型。研究結(jié)果表明，F(xiàn)IG-SVM原油價(jià)格預(yù)測(cè)模型能夠?qū)rent原油期貨在未來兩個(gè)交易周內(nèi)的結(jié)算價(jià)格走勢(shì)和波動(dòng)范圍做出較為準(zhǔn)確的預(yù)測(cè)，有助于降低國(guó)家的能源價(jià)格波動(dòng)風(fēng)險(xiǎn)，維護(hù)經(jīng)濟(jì)和社會(huì)穩(wěn)定，促進(jìn)相關(guān)能源產(chǎn)業(yè)健康發(fā)展。本研究所構(gòu)建模型的性能優(yōu)劣與參數(shù)選取密切相關(guān)，未來可利用優(yōu)化算法對(duì)模型進(jìn)行參數(shù)尋優(yōu)。還可通過增加數(shù)據(jù)維度構(gòu)建影響原油價(jià)格變化的多因素FIG-SVM模型，以獲得更為準(zhǔn)確的預(yù)測(cè)結(jié)果。

參考文獻(xiàn)

[1]趙丹婷，劉園.國(guó)際原油價(jià)格波動(dòng)對(duì)中國(guó)物價(jià)水平影響的傳導(dǎo)機(jī)制研究—基于全球向量自回歸模型[J].宏觀經(jīng)濟(jì)研究，2016（10）：155-166.

[2]馬鄭瑋，張家瑋，曹高航.國(guó)際原油期貨價(jià)格波動(dòng)及其影響因素研究[J].價(jià)格理論與實(shí)踐，2019（4）：87-91.

[3]ELAZIZ M A， EWEES A A， ALAMEER Z. Improving adaptive neuro-fuzzy inference system based on a modified salp swarm algorithm using genetic algorithm to forecast crude oil price[J]. Natural Resources Research， 2020， 29（4）： 2671-2686.

[4]BAUMEISTER C， KILIAN L. Forecasting the real price of oil in a changing world： A forecast combination approach[J]. Social Science Electronic Publishing， 2015， 33（3）： 338-351.

[5]TIFANICˊ ?D， MUSULIN J， MIOCˇEVICˊ ? A， et al. Impact of COVID-19 on forecasting stock prices： An integration of stationary wavelet transform and bidirectional long short-term memory[J]. Complexity， 2020， 2020（1）： 1-12.

[6]ELSHENDY M， COLLADON A F， BATTISTONI E， et al. Using four different online media sources to forecast the crude oil price[J]. Journal of Information Science， 2018， 44（3）： 408-421.

[7]李建立，萬勇韜，張志剛.基于多因素SVM的油價(jià)預(yù)測(cè)模型研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014，44（6）：61-67.

[8]KIRAN B. Nonlinearity and fractional integration in the world crude oil prices[J]. Energy Sources， Part B-Economics， Planning， and Policy， 2016， 11（2）： 103-110.

[9]張金良，李德智，譚忠富.基于混合模型的國(guó)際原油價(jià)格預(yù)測(cè)研究[J].北京理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2019，21（1）：59-64.

[10] 王綿斌，齊霞，安磊，等.小樣本條件下基于VMD-SVM的電網(wǎng)技改項(xiàng)目科技投資預(yù)測(cè)[J].科技管理研究，2020，40（16）：231-235.

[11] 徐蕾.國(guó)際油價(jià)后續(xù)走勢(shì)分析—是觸底反彈還是繼續(xù)走低[J].價(jià)格月刊，2020（12）：24-28.

[12] 柴建，盧全瑩，周友洪，等.國(guó)際原油價(jià)格拐點(diǎn)分析及統(tǒng)計(jì)推斷[J].中國(guó)管理科學(xué)，2017，25（5）：33-41.

[13] 黃維和，梅應(yīng)丹，吳麗麗，等.能源革命與中國(guó)能源經(jīng)濟(jì)安全保障探析[J].中國(guó)工程科學(xué)，2021，23（1）：124-132.

[14] 何凌云，張愉，鄭豐.基于相空間重構(gòu)技術(shù)的原油價(jià)格的時(shí)序混沌判據(jù)和混沌特征量[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2008（17）：13-23.

[15] 姚青松，趙國(guó)慶.國(guó)際能源價(jià)格的持續(xù)性結(jié)構(gòu)突變研究[J].河北經(jīng)貿(mào)大學(xué)學(xué)報(bào)，2020，41（4）：16-21.

[16] 熊景華，茹璟.基于隨機(jī)森林算法和模糊信息?；膮R率預(yù)測(cè)組合模型研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2021，38（1）：135-156.

[17] 廖玲瓏，李培強(qiáng)，唐捷，等.信息粒化和相似數(shù)據(jù)結(jié)合的短期風(fēng)速預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28（4）：12-17.

[18] 黃文聰，張宇，楊遠(yuǎn)程，等.模糊信息粒化和GWO-SVM算法結(jié)合的短期風(fēng)速范圍預(yù)測(cè)[J].華僑大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，41（5）：674-682.

[19] 李洋.時(shí)序數(shù)據(jù)的信息粒化方法及應(yīng)用研究[D].北京：北京師范大學(xué)，2012.

[20] 肖白，趙曉寧，姜卓，等.利用模糊信息?；c支持向量機(jī)的空間負(fù)荷預(yù)測(cè)方法[J].電網(wǎng)技術(shù)，2021，45（1）：251-260.

[21] 趙明利，袁一鳴，李博涵，等.基于模糊信息?；蛢?yōu)化支持向量機(jī)的氧化鋁陶瓷超聲磨削力趨勢(shì)預(yù)測(cè)[J].宇航材料工藝，2020，50（4）：24-29.

[22] 李素，袁志高，王聰，等.群智能算法優(yōu)化支持向量機(jī)參數(shù)綜述[J].智能系統(tǒng)學(xué)報(bào)，2018，13（1）：70-84.

[23] 李寧，王李管，賈明濤.基于粗糙集理論和支持向量機(jī)的巖爆預(yù)測(cè)[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，48（5）：1268-1275.

[24] 吳慶洪，高曉東.稀疏表示和支持向量機(jī)相融合的非理想環(huán)境人臉識(shí)別[J].計(jì)算機(jī)科學(xué)，2020，47（6）：121-125.

[25] 張晶華，甘宇健.基于深度學(xué)習(xí)支持向量機(jī)的上證指數(shù)預(yù)測(cè)[J].統(tǒng)計(jì)與決策，2019，35（2）：176-178.

[26] 付松，鐘詩(shī)勝，林琳，等.基于遷移學(xué)習(xí)的民航發(fā)動(dòng)機(jī)小樣本故障診斷[J/OL].計(jì)算機(jī)集成制造系統(tǒng)：1-19[2021-02-22].http：//kns.cnki.net/kcms/detail/11.5946.tp.20200420.1333.004.html.

[27] 周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[28] 滕吉文，喬勇虎，宋鵬漢.我國(guó)煤炭需求、探查潛力與高效利用分析[J].地球物理學(xué)報(bào)，2016，59（12）：4633-4653.

[29] 卜林，李曉艷，朱明皓.上海原油期貨的價(jià)格發(fā)現(xiàn)功能及其國(guó)際比較研究[J].國(guó)際貿(mào)易問題，2020（9）：160-174.

[30] 陳蕊.石油價(jià)格對(duì)國(guó)民經(jīng)濟(jì)的影響及石油安全體系研究[D].哈爾濱：哈爾濱工程大學(xué)，2005.

[31] 張夢(mèng).基于模糊信息?；虯RIMA-SVR組合模型的空氣質(zhì)量指數(shù)預(yù)測(cè)[D].濟(jì)南：山東大學(xué)， 2020.

Abstract：

With the increasing complexity of the crude oil market environment， it is difficult for the model to accurately predict the crude oil price in a certain period of time in the future. In order to obtain as long prediction time as possible under the premise of ensuring the prediction accuracy， the fuzzy information granulation method is used to simplify the calculation complexity， and the up， low and R fuzzy parameters are obtained by compressing the sample information. According to the characteristics of periodicity， nonlinearity and long-term memory of crude oil price time series， the fuzzy parameters are regressed and predicted based on support vector machine algorithm. The results show that this method can accurately predict Brent crude oil futures price trend and fluctuation range in the next two weeks.

Keywords：

time series; fuzzy information granulation; support vector machine; crude oil price forecasting