作为人类赖以生存的能源和化工原料,石油是全球非常重要的战略性资源。石油价格的波动直接影响全球的政治稳定和经济安全。然而,石油价格受很多因素影响,这些因素包括开采成本、战略储备及库存、投机因素、美元汇率、替代能源、节能技术、异常气候、地缘政治和石油输出国组织的市场干预等。它们相互影响共同作用,通过扰动石油市场的供需平衡进而影响石油价格。因此,准确地预测国际石油价格一直以来都是一个极有意义且又极具挑战的国际热点和难点问题。本文面向能源领域的国际前沿,围绕石油价格预测方法展开研究。采用计量经济学、金融物理学、神经网络、深度学习、文本挖掘、事件研究和统计检验等理论与方法,分别从石油价格短期预测、石油价格拐点预测和新闻事件驱动的石油价格预测三个热点问题展开研究。本文的主要研究工作和创新点包括以下三个方面:(1)提出了石油价格短期预测的VEC-NAR方法。考虑短期石油价格的滞后性、非线性和跨市场传导性三个重要特性,该方法通过集成向量误差修正(Vector Error Correction,VEC)模型和非线性自相关神经网络(Nonlinear Auto-Regressive neural network,NAR)模型,解决传统石油价格短期预测方法不能同时处理短期石油价格这三个特征的问题。首先,VEC模型优化石油价格的滞后阶数,以解决滞后性,并且能够区分内生变量和外生变量,以解决跨市场传导性。然后,通过NAR模型有效地获取石油价格中的非线性成分,将VEC模型的优化结果(即最优滞后及已区分好的内生变量和外生变量)输入到NAR模型,并进行石油价格短期预测。实证结果表明,我们提出的VEC-NAR模型比其他传统短期预测模型(包括广义自回归条件异方差类模型、向量自回归模型、向量误差修正模型和非线性自回归神经网络)更能够提供精确有效的预测结果。(2)提出了石油价格拐点预测的LPPL-MPGA方法。该方法通过集成对数周期幂律(Log-Periodic Power Law,LPPL)模型和多种群遗传算法(Multi-Population Genetic Algorithm,MPGA)以提高预测方法的鲁棒性。首先,采用LPPL-MPGA方法验证了历史石油价格中曾出现过的三个重大拐点。然后,将该方法与三种集成其他优化方法的对数周期幂律模型进行了对比研究,对比方法中的优化算法包括模拟退火算法、标准遗传算法和粒子群优化算法。实证结果表明,我们提出的LPPL-MPGA方法的预测准确性优于其他三种对比方法。最后,本项研究工作始于2016年底,在研究过程中新闻报道称2017年3月美国西德克萨斯轻质原油现货价格将迎来新的重大拐点,我们应用所提出的LPPL-MPGA方法验证了该新闻仅仅是虚惊一场。(3)提出了新闻事件驱动的石油价格预测方法。首先,通过词频统计量化新闻文本,将其作为softmax回归神经网络的输入;其次,通过事件研究方法衡量新闻事件对石油价格的影响程度,将新闻事件的累积异常收益率作为该神经网络的目标输出;然后,基于交叉熵构建该神经网络的损失函数;最后,通过反向传播技术对该神经网络进行训练并预测。此外,我们进一步补充并完善了选用交叉熵作为该神经网络损失函数的理论依据。为了验证该方法的预测性能,收集了 2009年7月24日至2017年8月24日期间oilprice.com网站中有关石油价格的734个新闻集合,分别对美国西德克萨斯轻质原油(WTI)和欧洲布伦特原油(Brent)的现货价格进行了预测研究。实证结果表明,当预测精确度的要求在一定范围内时,石油现货价格的预测成功率不会随着预测精确度要求的变化而发生显著的改变,当预测精确度的要求超过该范围并且进一步提高时,石油现货价格的预测成功率随着预测精确度要求的提高而逐渐下降;该方法对WTI现货价格的预测结果优于对Brent现货价格的预测结果,因为WTI现货价格的平均预测成功率高于Brent现货价格的平均预测成功率,并且前者预测结果的方差小于后者预测结果的方差;随着预测步长的不断增加,该方法对于两种原油现货价格的预测准确度都会随之逐渐下降。