基于不确定性的国际油价预测研究
发布时间：2022-01-04 09:09
石油是各国竞相争夺的重要能源,也是各国工业发展的血液。石油价格波动不仅影响着国内经济的正常运行,也是世界经济、政治变化的主要驱动因素之一。反之,其价格变化主要在于市场供需平衡的动态变化、全球经济、国际政治、市场投机、突发性事件等。基于上述背景,油价波动形态难以精准把握。为了提升国际油价预测精度,并减少预测复杂度,本文着眼于国际油价属性分析与预测模型优化两个要点对油价因素进行解释并对油价预测模型进行改进,构建了基于不确定性因素的国际油价属性分析、基于不确定性集成因素的国际油价预测模型以及基于不确定性参数的LSSVR模型优化研究,具体研究内容如下:（1）基于不确定性因素的国际油价属性分析本文通过集成经验模态分解方法EEMD与关联分析（格兰杰因果检验和主成分分析/线性回归）的有机结合,构建了油价属性分析框架。依据国际油价三类主要影响因素——供需关系、经济因素以及网络大数据（谷歌趋势）,对分解分量序列、重构分量以及原始序列进行关联分析,从而获取国际油价的核心影响因素,以此为期波动提供合理的解释。实证研究结果表明:不同波动频率承载的波动因素不同,且众多高频序列均受到经济因素的影响,而低频序列的线...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图１－２技术路线图??Ｆｉｇ．?１－２?Ｔｈｅ?ｔｅｃｈｎｉｃａｌ?ｒｏａｄｍａｐ??（２）确定研究方法
但是，小波分解的决定因素在于其小波基的定义，意义的谐波干扰分析。因此，相对而言ＥＥＭＤ则具：（１）只产生具有不同频率的分解分量，且均有意义；择而实现的，可最大程度获取波动特征；（３）分解存在的模态混合。因此，本文选择采用ＥＥＭＤ技术对习，获取各个频度的分量。??法??旨在探宄油价分解分量、重构分量以及原始序列与各架主要包含三个步骤：（１）因果关系检验；（２）主，采用Ｇｒａｎｇｅｒ?Ｃａｕｓａｌｉｔｙ?ｔｅｓｔ提取油价波动关联因素；归获取油价相关序列的关键驱动因素，其分析流程如包含方法进行说明，３．２．２．１介绍Ｇｒａｎｇｅｒ?Ｃａｕｓａｌｉｔｙ?ｔｅｓｔ（ＰＣＡ）。其中，线性回归是一种原理简单且常用的方述。?????
３．３．３关联关系分析??根据３．３．３节的油价属性分析框架所示，完成原始数据分解之后，将对分解分量、??重构序列以及原始序列分别与所有因素进行关联分析。关联分析主要包含两个步骤：??（１）通过Ｇｒａｎｇｅｒ?Ｃａｕｓａｌｉｔｙ?ｔｅｓｔ获取关联因素（ＣＦ）集合，（２）?ＰＣＡ／ＬＲ获取主要驱??动因素（ＭＦ）。根据众多的经济类文献的实证研究，本节提出三个假设：（１）将几天??至一个月视为短期；（２）—个月至一年视为中期；（３）—年及以上视为长期［４９，５５］。３．３．３．１??节和３．３Ｊ．２节将对格兰杰检验和驱动因素分析结果分别进行说明。??３．３．３．１格兰杰因果检验??为了确保实验结果的合理性，Ｇｒａｎｇｅｒ?ｃａｕｓａｌｉｔｙ?ｔｅｓｔ必须建立在平稳序列的基础之??上。故而，首先对油价数据通过差分的方法进行平稳化处理，平稳之后方可进行下一??步检验和分析。本次实验通过差分对归一化数据进行预处理，之后采用ＡＤＦ检验评估??预处理数据的平稳性，具体结果如表３－３所示。其中，＊＊表示在１０％置信水平下拒绝??原假设。??检验结果显示：（１）?ＩＭＦｓ?１－２和Ｈｉｈ序列在原始状态已平；（２）
【参考文献】：
期刊论文
[1]基于Holt-Winters与最小二乘支持向量机的混合预测模型[J]. 刘宝成,张仲荣,盛秀梅,程丽娟. 洛阳理工学院学报(自然科学版). 2017(04)
[2]基于多因素SVM的油价预测模型研究[J]. 李建立,万勇韬,张志刚. 数学的实践与认识. 2014(06)
[3]基于混合模型的原油价格混沌预测方法[J]. 张金良,谭忠富. 运筹与管理. 2013(05)
[4]采用优化极限学习机的多变量混沌时间序列预测[J]. 高光勇,蒋国平. 物理学报. 2012(04)
[5]岩溶地下河日流量预测的小样本非线性时间序列模型[J]. 温忠辉,任化准,束龙仓,王恩,柯婷婷,陈荣波. 吉林大学学报(地球科学版). 2011(02)
博士论文
[1]基于数据流学习的国际石油价格预测研究[D]. 高爽.中国地质大学(北京) 2016
硕士论文
[1]基于EEMD优化的国际油价分解集成预测模型研究[D]. 戴伟.北京化工大学 2015
[2]混合神经网络在石油价格预测中的应用研究[D]. 胡珊.南昌大学 2013
[3]黄金与石油价格波动的联动性研究[D]. 刘莎莎.南京财经大学 2010
本文编号：3568070
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图１－２技术路线图??Ｆｉｇ．?１－２?Ｔｈｅ?ｔｅｃｈｎｉｃａｌ?ｒｏａｄｍａｐ??（２）确定研究方法
但是，小波分解的决定因素在于其小波基的定义，意义的谐波干扰分析。因此，相对而言ＥＥＭＤ则具：（１）只产生具有不同频率的分解分量，且均有意义；择而实现的，可最大程度获取波动特征；（３）分解存在的模态混合。因此，本文选择采用ＥＥＭＤ技术对习，获取各个频度的分量。??法??旨在探宄油价分解分量、重构分量以及原始序列与各架主要包含三个步骤：（１）因果关系检验；（２）主，采用Ｇｒａｎｇｅｒ?Ｃａｕｓａｌｉｔｙ?ｔｅｓｔ提取油价波动关联因素；归获取油价相关序列的关键驱动因素，其分析流程如包含方法进行说明，３．２．２．１介绍Ｇｒａｎｇｅｒ?Ｃａｕｓａｌｉｔｙ?ｔｅｓｔ（ＰＣＡ）。其中，线性回归是一种原理简单且常用的方述。?????
３．３．３关联关系分析??根据３．３．３节的油价属性分析框架所示，完成原始数据分解之后，将对分解分量、??重构序列以及原始序列分别与所有因素进行关联分析。关联分析主要包含两个步骤：??（１）通过Ｇｒａｎｇｅｒ?Ｃａｕｓａｌｉｔｙ?ｔｅｓｔ获取关联因素（ＣＦ）集合，（２）?ＰＣＡ／ＬＲ获取主要驱??动因素（ＭＦ）。根据众多的经济类文献的实证研究，本节提出三个假设：（１）将几天??至一个月视为短期；（２）—个月至一年视为中期；（３）—年及以上视为长期［４９，５５］。３．３．３．１??节和３．３Ｊ．２节将对格兰杰检验和驱动因素分析结果分别进行说明。??３．３．３．１格兰杰因果检验??为了确保实验结果的合理性，Ｇｒａｎｇｅｒ?ｃａｕｓａｌｉｔｙ?ｔｅｓｔ必须建立在平稳序列的基础之??上。故而，首先对油价数据通过差分的方法进行平稳化处理，平稳之后方可进行下一??步检验和分析。本次实验通过差分对归一化数据进行预处理，之后采用ＡＤＦ检验评估??预处理数据的平稳性，具体结果如表３－３所示。其中，＊＊表示在１０％置信水平下拒绝??原假设。??检验结果显示：（１）?ＩＭＦｓ?１－２和Ｈｉｈ序列在原始状态已平；（２）
【参考文献】：
期刊论文
[1]基于Holt-Winters与最小二乘支持向量机的混合预测模型[J]. 刘宝成,张仲荣,盛秀梅,程丽娟. 洛阳理工学院学报(自然科学版). 2017(04)
[2]基于多因素SVM的油价预测模型研究[J]. 李建立,万勇韬,张志刚. 数学的实践与认识. 2014(06)
[3]基于混合模型的原油价格混沌预测方法[J]. 张金良,谭忠富. 运筹与管理. 2013(05)
[4]采用优化极限学习机的多变量混沌时间序列预测[J]. 高光勇,蒋国平. 物理学报. 2012(04)
[5]岩溶地下河日流量预测的小样本非线性时间序列模型[J]. 温忠辉,任化准,束龙仓,王恩,柯婷婷,陈荣波. 吉林大学学报(地球科学版). 2011(02)
博士论文
[1]基于数据流学习的国际石油价格预测研究[D]. 高爽.中国地质大学(北京) 2016
硕士论文
[1]基于EEMD优化的国际油价分解集成预测模型研究[D]. 戴伟.北京化工大学 2015
[2]混合神经网络在石油价格预测中的应用研究[D]. 胡珊.南昌大学 2013
[3]黄金与石油价格波动的联动性研究[D]. 刘莎莎.南京财经大学 2010
本文编号：3568070
本文链接：https://www.wllwen.com/guanlilunwen/shengchanguanlilunwen/3568070.html
