论文部分内容阅读
原油是国家的战略性资源,它既具有商品属性,也具有金融产品的属性。影响原油价格波动的因素很多,如市场供需情况、利率、汇率、国家政策、政治冲突、国际资本市场资金的短期流向、气候异常等。这些因素比较复杂,信息收集起来比较困难。有些数据的获取受制于更新周期的局限,甚至存在滞后性。不少学者认为,不论是什么因素,它们对原油价格的影响都会反映在原油价格的时间序列上,所以,本文决定通过过去的原油价格时间序列数据,去预测未来的原油价格。这样就可以不用去将那些影响原有价格的复杂因素数据一一收集起来。
然而,国际原油价格时间序列常常是非线性、非平稳的,这并不利于统计模型拟合数据去做预测,这刚开始给原油价格的预测的研究带来了困难。但在学者们不懈地研究之下,预测原油价格的研究出现了曙光。他们发现如果先使用信号分解算法将原油价格时间序列分解成带有局部物理特征的数据,再使用模型去拟合数据做预测,最后模型的预测结果的精确性获得了很大的提升。本文主要是围绕着ICEEMDAN算法提出了两个新的预测原油价格更有效的模型——ICEEMDAN-XGBOOST与ICEEMDAN-TCN。XGBOOST模型在近几年的Kaggle比赛中屡次获得不错的成绩。它在很多方面比一般的机器学习模型更强大。本文所提出来的第一个新的方法就是将ICEEMDAN算法与XGBOOST模型结合在一起。首先本文使用了ICEEMDAN(improved complete ensemble empirical mode decomposition with adaptive noise)算法去将原油价格数据分解成多个固有模态函数(IMFs)与总残差,再使用XGBOOST模型对它们分别进行预测,最后论文把这些分量的预测结果加总起来得到对原油价格的预测结果。本文通过实验发现,这个预测原油价格的方法在原油价格预测上比其他的方法得到的结果更精确。
本文提出的另一种新的预测原油价格的模型,ICEEMDAN-TCN,也是先将原油价格数据分解成多个固有模态函数与总残差,然后再使用机器学习模型去预测。与ICEEMDAN-XGBOOST不同的是,ICEEMDAN-TCN模型使用的是TCN模型去预测ICEEMDAN算法分解后的分量数据。TCN模型是在2018年被提出来的新的深度学习模型。据说,这种新的深度学习神经网络在预测时序数据上比LSTM与GRU模型更稳定与更精确。
本文主要围绕着这两个模型进行实验。由于本文作者对ICEEMDAN-XGBOOST模型在之前已经发表了相应的实验研究结果,所以,本文对ICEEMDAN-XGBOOST模型的实验比较简单,主要还是针对ICEEMDAN-TCN模型进行实验研究。在一个模型的相关实验中,本文采取的是实验对比的模式去凸显实验模型在预测原油价格的表现。其中,本文会对比不同模型在没有加上信号分解算法情况下的实验结果,还会对比不同模型在加上信号分解算法之后的实验结果。在ICEEMDAN-XGBOOST的实验中,本文设置的基准模型是SVR模型,在ICEEMDAN-TCN的实验中,本文设置的基准模型除了SVR模型之外,还包括XGBOOST模型、LSTM模型与GRU模型。通过实验结果的对比,本文发现ICEEMDAN-XGBOOST模型与ICEEMDAN-TCN模型在预测原油价格上有不错的效果,其中,ICEEMDAN-TCN模型的表现要优于ICEEDMAN-XGBOOST模型。
然而,国际原油价格时间序列常常是非线性、非平稳的,这并不利于统计模型拟合数据去做预测,这刚开始给原油价格的预测的研究带来了困难。但在学者们不懈地研究之下,预测原油价格的研究出现了曙光。他们发现如果先使用信号分解算法将原油价格时间序列分解成带有局部物理特征的数据,再使用模型去拟合数据做预测,最后模型的预测结果的精确性获得了很大的提升。本文主要是围绕着ICEEMDAN算法提出了两个新的预测原油价格更有效的模型——ICEEMDAN-XGBOOST与ICEEMDAN-TCN。XGBOOST模型在近几年的Kaggle比赛中屡次获得不错的成绩。它在很多方面比一般的机器学习模型更强大。本文所提出来的第一个新的方法就是将ICEEMDAN算法与XGBOOST模型结合在一起。首先本文使用了ICEEMDAN(improved complete ensemble empirical mode decomposition with adaptive noise)算法去将原油价格数据分解成多个固有模态函数(IMFs)与总残差,再使用XGBOOST模型对它们分别进行预测,最后论文把这些分量的预测结果加总起来得到对原油价格的预测结果。本文通过实验发现,这个预测原油价格的方法在原油价格预测上比其他的方法得到的结果更精确。
本文提出的另一种新的预测原油价格的模型,ICEEMDAN-TCN,也是先将原油价格数据分解成多个固有模态函数与总残差,然后再使用机器学习模型去预测。与ICEEMDAN-XGBOOST不同的是,ICEEMDAN-TCN模型使用的是TCN模型去预测ICEEMDAN算法分解后的分量数据。TCN模型是在2018年被提出来的新的深度学习模型。据说,这种新的深度学习神经网络在预测时序数据上比LSTM与GRU模型更稳定与更精确。
本文主要围绕着这两个模型进行实验。由于本文作者对ICEEMDAN-XGBOOST模型在之前已经发表了相应的实验研究结果,所以,本文对ICEEMDAN-XGBOOST模型的实验比较简单,主要还是针对ICEEMDAN-TCN模型进行实验研究。在一个模型的相关实验中,本文采取的是实验对比的模式去凸显实验模型在预测原油价格的表现。其中,本文会对比不同模型在没有加上信号分解算法情况下的实验结果,还会对比不同模型在加上信号分解算法之后的实验结果。在ICEEMDAN-XGBOOST的实验中,本文设置的基准模型是SVR模型,在ICEEMDAN-TCN的实验中,本文设置的基准模型除了SVR模型之外,还包括XGBOOST模型、LSTM模型与GRU模型。通过实验结果的对比,本文发现ICEEMDAN-XGBOOST模型与ICEEMDAN-TCN模型在预测原油价格上有不错的效果,其中,ICEEMDAN-TCN模型的表现要优于ICEEDMAN-XGBOOST模型。