基于独立成分分析的国际原油价格分析预测研究

发布时间：2017-04-28 16:34

  本文关键词：基于独立成分分析的国际原油价格分析预测研究，，由笔耕文化传播整理发布。

【摘要】：作为全球最重要的基础化工原料和战略资源,原油对世界各国的经济发展、国防安全等具有强大的支撑作用,国际原油价格的波动在世界经济政治形势中占据举足轻重的地位。随着中国对外石油依存度的日趋攀升,世界原油价格波动对我国社会经济发展的冲击愈加显著。深入理解国际原油市场,挖掘国际原油价格的隐藏波动机制,合理预测未来油价走势对于维护我国经济发展、企业运作和人们生活显得尤为重要。鉴于国际原油市场价格形成机制具有复杂性和高度非线性的特点,本文首次尝试选取独立成分分析方法(ICA)作为国际原油价格数据的预处理技术,探究国际原油市场价格波动的影响因素;结合支持向量回归模型(SVR),提出了基于独立成分分析方法的国际原油价格非线性集成分析预测模型ICA-SVR2:选取国际基准油价WTI原油现货价格作为预测目标。作为原油价格数据的预处理技术,独立成分分析实现了国际油价序列的特征提取,寻求出国际原油价格时间序列中的共同隐藏驱动因素,从原始4列国际油价信号提取出长期趋势、重大事件项和市场短期波动三个独立成分;接着针对三项独立成分,利用网格搜索法和交叉验证法相结合的方式进行参数寻优,构建出不同的SVR模型分别进行预测,获得各序列预测值;最终将三项独立成分的预测值进行SVR集成得到WTI油价最终预测值,实现了WTI油价走势的精准预测。通过对WTI原油价格的模拟预测表明:基于独立成分分析的国际原油价格分析预测模型不仅可以挖掘出国际原油市场的隐藏驱动因素,有效提升预测结果的可解释性;同时实现了国际原油价格的精准预测,证明了ICA-SVR2模型具有解释能力强、鲁棒性高、学习与泛化能力强的特点。
【关键词】：国际原油价格 油价影响因素 独立成分分析 支持向量回归 集成分析预测
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F416.22;F764.1
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-14
• 1.1 选题背景及意义9-10
• 1.1.1 选题背景9-10
• 1.1.2 选题意义10
• 1.2 论文的结构安排10-13
• 1.2.1 研究内容、方法与思路10-12
• 1.2.2 论文章节安排12-13
• 1.3 论文的主要创新点13
• 1.4 本章小结13-14
• 第二章 国际原油价格分析预测基本现状14-31
• 2.1 国际原油价格影响因素分析14-23
• 2.1.1 供需因素15-19
• 2.1.2 经济金融因素19-21
• 2.1.3 突发事件21-23
• 2.2 国际油价预测分析研究现状23-29
• 2.2.1 石油价格分析预测理论方法24-25
• 2.2.2 石油价格分析预测计量模型25-27
• 2.2.3 数据驱动型模型27-29
• 2.3 本章小结29-31
• 第三章 独立成分分析方法与支持向量回归模型31-44
• 3.1 独立成分分析(ICA)31-38
• 3.1.1 独立成分分析定义31-33
• 3.1.2 独立成分估计原理33-35
• 3.1.3 Fast-ICA算法实现35-37
• 3.1.4 独立成分分析方法的适用性37-38
• 3.2 支持向量回归模型(SVR)38-43
• 3.2.1 SVR模型原理38-40
• 3.2.2 核函数的选取40-41
• 3.2.3 SVR模型参数的寻优41-42
• 3.2.4 SVR模型的适用性42-43
• 3.3 本章小结43-44
• 第四章 国际原油价格集成分析预测模型44-50
• 4.1 ICA-SVR2模型框架44-45
• 4.2 ICA-SVR2集成分析预测流程45-46
• 4.3 集成分析预测中的关键问题46-48
• 4.3.1 独立成分个数的确定46-47
• 4.3.2 SVR核函数的选择47-48
• 4.3.3 SVR参数寻优48
• 4.4 本章小结48-50
• 第五章 实证分析—WTI原油价格分析预测50-63
• 5.1 实证分析设置50-51
• 5.1.1 数据来源和预测评价准则50
• 5.1.2 实验设置和实现50-51
• 5.2 油价序列的独立成分分析51-53
• 5.2.1 数据描述51
• 5.2.2 确定独立成分个数51-52
• 5.2.3 独立成分的估计及其经济含义52-53
• 5.3 独立成分的SVR预测53-57
• 5.3.1 SVR预测模型的参数寻优53-56
• 5.3.2 三项独立成分的预测模型及预测结果56-57
• 5.4 独立成分预测结果的SVR集成57-60
• 5.4.1 SVR集成模型的参数寻优57-59
• 5.4.2 SVR集成模型的预测结果及鲁棒性分析59-60
• 5.5 预测结果对比分析60-62
• 5.6 本章小结62-63
• 第六章 结论与展望63-65
• 6.1 研究结论63-64
• 6.2 不足和展望64-65
• 参考文献65-69
• 致谢69-70
• 作者在攻读学位期间发表的学术论文目录70

【相似文献】

中国期刊全文数据库 前9条

1 王建华;郑震;张延p

本文编号：333153