论文部分内容阅读
原油是全社会生产发展的重要能源基础,对其市场研究具有重要的经济价值。在已有的学术成果中,基于时间序列的研究方法常被用来预测市场经济未来发展趋势,然而这些方法无法探索不同对象之间的联动性。由此本文介绍了滑动窗口算法,该算法可将高维时间序列转化成拓扑结构动态演变的复杂网络,而网络节点则代表系统内部变量。通过将多个变量放入同一系统中,滑动窗口算法可从宏观层面对各变量之间的联动性进行研究。本文首先对已有的复杂网络理论知识进行梳理,介绍了节点度、集聚系数和介数等反映网络拓扑结构的特征参数,其中节点度和介数从不同方面考察了节点在整个网络图中的重要性。其次,本文详细介绍了滑动窗口算法的原理。利用滑动窗口算法将高维时间序列转化为复杂网络时,先将时间序列分割成若干个数据窗口,并对每个数据窗口求其关系系数矩阵,该矩阵表征了系统内部各变量之间的相关性。随后,通过选择合适的阈值建立邻接矩阵,该矩阵是建立复杂网络的最终依据。另外,本文分析结果表明窗口参数设置对系统分析具有重要影响。为了获得尽可能多网络图,从而更加细致地观测系统结构变化,一般需要减小窗口长度,但当窗口长度过小时,单个窗口所包含的数据量会减小,观测系统时存在局限于孤立样本采样点的风险。同时窗口长度的选择也直接影响了算法的计算量,因此本文给出了一个综合方案以确定窗口设置参数。最后,本文以美国23个地区的的原油价格月度数据为样本,基于滑动窗口算法构建了原油价格市场复杂网络图,并从节点度、集聚系数和介数三个方面同时分析了单个地区在原油价格市场中的地位,以及整个原油价格市场的同步性发展趋势,且讨论了个体与整体之间的相似性和差异性。结果表明,网络平均度和平均集聚系数的演变趋势受历史平均值排名前五名地区的影响较大。另外,节点度小的地区可能在整个网络中扮演着重要角色,例如北斯洛普地区的历史平均节点度并未进入前五,然而其历史平均介数却排名第一,表明该地区在网络图中是不同节点群的中间连接点。在采集、转移、拷贝样本数据时经常会出现原始数据被改动的现象,而本文的研究结果也表明,采用滑动窗口算法研究系统特征时,网络拓扑结构并不会随波动数据产生较大变化,仍然不影响从宏观层面观测系统动态,体现了研究方法的鲁棒性。