基于多尺度集成模型预测碳交易价格——以广州碳排放交易中心为例

发布时间：2020-12-15 15:01

　　随着全球对二氧化碳排放的日益关注,碳交易市场变得越来越重要。如果能够准确预测不同市场交易的碳价格,不仅可以为政府宏观调控提供更好的参考指标,还可以帮助企业更有效地管理碳排放带来的风险和相关政策。考虑到碳交易价格波动的趋势性和周期性特点,本文基于经验模式分解（EMD）、反向传播（BP）神经网络和深度神经网络（DNN）模型与支持向量机（SVM）等模型,以广州碳排放交易中心的碳交易价格为例对碳交易价格进行预测。实证分析中将单日碳价格时间序列作为各模型的输入变量,代入组合模型进行预测,并分别计算和分析了不同模型预测结果的误差和准确性。最后得出EMD-BP-DNN混合模型与SVM、BP等单一模型相比,预测误差更小,预测结果更准确,该结果提升了碳交易价格预测的准确性,为监管部门和企业决策提供了有效信息。 

【文章来源】：技术经济与管理研究. 2020年05期 北大核心

【文章页数】：6 页

【部分图文】：

碳交易价格序列相对误差

预测结果图

常用的BP神经网络结构分为三层，即输入层、隐含层和输出层。如何确定隐含层神经元的数目是在BP神经网络的应用难点，隐含层神经元太少会导致网络学习能力不足和拟合精度低，太大则需要较长的训练时间，减少神经元网络的泛化能力，甚至出现“过拟合”现象。BP算法的基本公式为：

【参考文献】：
期刊论文
[1]我国碳排放权市场价格波动的长期记忆性和杠杆效应研究——以湖北碳排放权交易中心为例[J]. 吕靖烨,王腾飞.  价格月刊. 2019(10)
[2]基于深度神经网络结构的互联网金融市场动态预测[J]. 赵洪科,吴李康,李徵,张兮,刘淇,陈恩红.  计算机研究与发展. 2019(08)
[3]基于多种机器学习算法的波士顿房价预测[J]. 田润泽.  中国新通信. 2019(11)
[4]基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测[J]. 崔焕影,窦祥胜.  运筹与管理. 2018(07)
[5]我国碳排放权交易价格影响因素分析[J]. 汪中华,胡垚.  工业技术经济. 2018(02)
[6]基于BP神经网络的煤炭价格影响因素及预测研究[J]. 李朋林,梁露露.  数学的实践与认识. 2015(17)
[7]中国碳金融交易体系效率分析[J]. 兰草,李锴.  经济学家. 2014(10)
[8]基于GMDH-PSO-LSSVM的国际碳市场价格预测[J]. 朱帮助,魏一鸣.  系统工程理论与实践. 2011(12)
[9]基于EMD与神经网络的中国股票市场预测[J]. 王文波,费浦生,羿旭明.  系统工程理论与实践. 2010(06)
[10]运用GA-BP神经网络研究时间序列的预测[J]. 黄建国,罗航,王厚军,龙兵.  电子科技大学学报. 2009(05)

硕士论文
[1]深度森林在股指涨跌预测和投资策略中的应用[D]. 许美莹.山东大学 2019
[2]几种改进的动态神经网络股指预测模型研究[D]. 赵跃波.北京交通大学 2016



本文编号：2918477