曹 霜，何玉成

（華中農(nóng)業(yè)大學 經(jīng)濟管理學院，武漢 430070）

0 引言

農(nóng)產(chǎn)品價格下降會增加農(nóng)產(chǎn)品生產(chǎn)者的風險，而價格上漲會提高消費者的消費水平，價格穩(wěn)定與否關系到國民經(jīng)濟與人們生活的各個方面，穩(wěn)定農(nóng)產(chǎn)品價格已經(jīng)成為宏觀經(jīng)濟調(diào)控的重要目標。由于農(nóng)產(chǎn)品市場受到氣候、突發(fā)事件以及調(diào)控政策等多種因素錯綜復雜地影響，其價格呈現(xiàn)波動大、非線性、非平穩(wěn)等特征。因此，對農(nóng)產(chǎn)品價格進行分析與預測，對農(nóng)產(chǎn)品未來波動進行監(jiān)測與預警，將為農(nóng)產(chǎn)品價格的調(diào)整提供系統(tǒng)指導，對抑制農(nóng)產(chǎn)品價格波動與控制物價水平具有重要的實踐意義。

本文將采用小波分析對農(nóng)產(chǎn)品價格時間序列進行分解，并分別采用SVM與ARIMA建立預測模型，重構農(nóng)產(chǎn)品價格組合預測模型。

1 研究方法

1.1 小波及多分辨分析

這時，我們稱φ(t)為一個基本小波或母小波，對其進行伸縮和平移操作后就可以得到一個小波序列。

1.2 支持向量機(SVM)模型

支持向量機(SVM)是由Vapnik首先提出來，是建立在VC維理論與結(jié)構風險最小原理的基礎之上，將低維空間的非線性問題通過非線性映射為高維空間的線性問題。由于支持向量機具有理論完善、通用性強、魯棒性高、計算復雜度低等優(yōu)勢，因此廣泛地應用到農(nóng)產(chǎn)品價格預測的研究中。

設訓練數(shù)據(jù)集為{(xi，yi)，i∈l}，則回歸模型的如公式（2）所示。

其中?為權重向量，b為偏差，而φ(x)為非線性核函數(shù)。上式的目的是將非線性的輸入數(shù)據(jù)以非線性的函數(shù)轉(zhuǎn)換到高維特征空間中的線性形式。其對應的優(yōu)化問題如公式（3）所示：

其中ξi為誤差?約束下訓練絕對誤差的上限，而c為懲罰參數(shù)，其目的是用來對超出誤差范圍的樣本進行懲罰。

增高cAMP水平藥物主要包括腺苷酸環(huán)化酶抑制劑和選擇性血小板磷酸二酯酶抑制劑兩種。腺苷酸環(huán)化酶抑制劑常見藥物如貝前列腺素、伊洛前列腺素等，但因其半衰期短，穩(wěn)定性差等原因，不適合應用于ACS長期治療，因此臨床上應用較少。選擇性血小板磷酸二酯酶抑制劑中常見藥物包括西洛他唑、雙嘧達莫等。兩種藥物作用機制相似，均以抑制磷酸二酯酶活性，提高血小板內(nèi)cAMP濃度，使血小板聚集受到抑制。其中西洛他唑可通過抑制血管內(nèi)膜基質(zhì)中金屬蛋白酶的表達，進而抑制血管內(nèi)膜的過度增生。西洛他唑常用無法耐受阿司匹林同時需進行ACS雙抗治療的患者中，替代阿司匹林抗血小板治療[2]。

在構建SVM預測模型時，需要選取懲罰參數(shù)c和核函數(shù)g，并且這兩個參數(shù)選取將直接影響模型的預測準確率。所以，本文將采用交叉驗證來優(yōu)化參數(shù)的選取，提高模型的預測準確率。

1.3 差分自回歸移動平均(ARIMA)模型

ARMA模型是目前最常用的擬合平穩(wěn)序列的模型，ARMA(p,q)其數(shù)學公式如(4)與(5)所示：

由于ARMA建模的首要條件是序列具有平穩(wěn)性，因此在采用ARMA建模之前需要對序列進行平穩(wěn)性檢驗。通常可以根據(jù)時序圖與自相關圖檢驗序列的平穩(wěn)性：從時序圖觀察序列是否在一個常數(shù)值周圍隨機波動，而波動的范圍有界、無明顯趨勢及周期性；在自相關圖觀察隨著延遲階數(shù)的增加，系列的自相關圖是否很快地向零衰減。若序列通過了平穩(wěn)性檢驗，則需要進行模型識別與參數(shù)評估來完成ARMA建模。若序列沒有通過平穩(wěn)性檢驗，則需要選用ARIMA來建模，即對序列進行差分操作消除其趨勢性與周期性特征，得到平穩(wěn)序列，然后再進行分析與建模。由于采用ARIMA建模的過程中對序列進行了差分操作，提出了其趨勢性與周期性特征，會降低模型的預測精度。因此，通常是將ARIMA模型與其他模型結(jié)合使用，構成組合預測模型。

1.4 組合預測方法原理

本文建立組合預測模型的基本思路是：首先，采用小波對農(nóng)產(chǎn)品價格序列進行分解；然后，分別采用ARIMA模型與SVM模型對小波分解序列進行建模與預測；最后，將上述小波分解序列的預測模型進行整合，形成對農(nóng)產(chǎn)品價格的組合預測模型。具體流程圖如圖1所示：

圖1 組合預測流程圖

2 模型構建與結(jié)果分析

本文將選取大白菜作為研究對象，數(shù)據(jù)來源于國泰安數(shù)據(jù)庫中的《農(nóng)產(chǎn)品價格調(diào)查年鑒》。由于目前《農(nóng)產(chǎn)品價格調(diào)查年鑒2013》中只有2002～2012年的數(shù)據(jù)，所以本文對大白菜2002～2011年的價格進行分析與建模，選擇對其2012年的價格進行預測，以對組合預測模型的有效性進行驗證。其中，2002～2011年的價格時間序列如圖2所示。從圖2中我們可以發(fā)現(xiàn)，大白菜價格不僅有上漲的趨勢，還有周期性波動和隨機波動的特征。

圖2 2002～2011年大白菜價格曲線

2.1 小波多分辨分析

考慮到大白菜價格序列的波動性較大，故選用db3小波基函數(shù)，而分解階數(shù)選為3，其具體流程如圖3所示。

圖3 小波多分辨分析流程圖

本文將采用Matlab 2012a編程實現(xiàn)小波分解過程，其分解序列如圖4所示。

圖4 大白菜價格分解序列圖

從圖4可以看出，隨著不斷地往下分解，小波分解序列的細節(jié)部分越平滑，規(guī)律性越凸顯，其中ca3揭示了大白菜價格的上升趨勢，cd3揭示了其季節(jié)性趨勢，cd2揭示了循環(huán)波動趨勢，而cd1則揭示了其隨機波動性。

2.2 SVM模型

考慮到分解序列ca3具有非常明顯的非線性上升趨勢，因此本文將采用擅長非線性分析的SVM來對其進行建模與預測。

在建模SVM模型時，采用高斯徑向基（RBF）核函數(shù)，設定懲罰參數(shù)c和核函數(shù)g的取值范圍都為[2-4,24]，并采用K-CV（K組交叉驗證法）進行參數(shù)尋優(yōu)。該方法的參數(shù)尋優(yōu)原理如下：將懲罰參數(shù)c和核函數(shù)g在既定范圍內(nèi)取值，用K-CV法計算不同c與g組合下訓練集的均方根誤差（MSE），并選取使得MSE最小的c與g作為最優(yōu)參數(shù)。此外，本文考慮樣本數(shù)據(jù)量偏小，故選取K為3。

本文基于Matlab 2012a與LIBSVM 3.12進行參數(shù)尋優(yōu)與建模，其結(jié)果如圖5所示。

即最優(yōu)參數(shù)為c=5.67，g=0.125，而MES=0.0021593。

2.3 ARIMA模型

考慮cd3與cd2表現(xiàn)出周期波動，而cd1則是隨機波動，故選用ARIMA模型對這三個分解序列進行建模與預測。

觀察cd3分解序列圖與自相關-偏相關分析圖，發(fā)現(xiàn)cd3具有明顯的季節(jié)性趨勢，故選用ARIMA(p,d,q)x(P,D,Q)S模型。而觀察cd1與cd2的自相關-偏相關分析圖，發(fā)現(xiàn)具有平穩(wěn)性，故選用ARMA(p,q)建模。

依據(jù)姜啟源介紹的模型識別方法，我們對cd1、cd2、cd3構建的預測模型如表1所示。

圖5 SVM參數(shù)尋優(yōu)結(jié)果

表1 cd1、cd2、cd3的預測模型

2.4 組合預測與結(jié)果分析

前面分別對cd1、cd2、cd3以及ca3分別建立了預測模型，則對于大白菜價格的預測公式為：

為了分析和比較組合預測模型的預測效果，本文將采用平均百分誤差（MAPE）與均方根誤差（RMSE）來度量預測結(jié)果的精度。

其中，各個分解序列的預測結(jié)果如表2所示。

表2 大白菜價格組合預測結(jié)果

為了進一步驗證組合預測模型的有效性，本文將分別采用ARIMA模型與SVM模型對大白菜價格進行預測，將其與組合預測結(jié)果進行對比分析。其具體結(jié)果如表3與表4所示。

從表4的對比結(jié)果，可以發(fā)現(xiàn)ARIMA模型與SVM模型的預測精度相當，并且均劣于組合預測模型。深入分析其原因，不難發(fā)現(xiàn)ARIMA模型與SVM模型均難以提取價格序列的全部變化趨勢，而基于小波分解的SVM-ARIMA模型能夠?qū)r格序列的四個變化特征進行細致地分析，并針對性地建立預測模型，所以組合預測模型的準確性更高。

表3 三種模型預測結(jié)果

表4 三種模型預測精度

3 結(jié)論

農(nóng)產(chǎn)品由于其產(chǎn)品特性，從生產(chǎn)、儲存到出售有其特殊性，其價格也受到多方面因素錯綜復雜地影響，致使其價格波動呈現(xiàn)多種趨勢的混合交錯，對其預測難度較大。而傳統(tǒng)預測方法難以充分地分析農(nóng)產(chǎn)品價格所有變化趨勢，大多數(shù)情況下都是抓住某方面的變化趨勢而忽視了其他方面，導致預測結(jié)果不理想。針對這種情況，本文提出了基于小波分解的SVM-ARIMA預測模型，充分利用SVM模型與ARIMA模型對農(nóng)產(chǎn)品價格的四種變化趨勢進行分析與建模，并重構為農(nóng)產(chǎn)品價格的組合預測模型。實例分析表明，這種建立在小波分解基礎上的組合預測比傳統(tǒng)預測模型具有更高的精度，可以作為農(nóng)產(chǎn)品價格預測的有效工具。

[1]陳燦煌.我國農(nóng)產(chǎn)品價格指數(shù)短期預測——基于時間序列分解的分析[J].價格理論與實踐,2011,(7).

[2]陳兆榮,雷勛平,王亮.基于ARIMA—SVM組合模型的我國農(nóng)產(chǎn)品價格預測研究[J].財經(jīng)理論研究,2013,(2).

[3]平平,劉大有,楊博.組合預測模型在豬肉價格預測中的應用研究[J].計算機工程與科學,2010,32(5).

[4]李干瓊,許世衛(wèi),李哲敏.農(nóng)產(chǎn)品市場價格短期預測方法與模型研究——基于時間序列模型的預測[J].中國農(nóng)業(yè)大學學報,2011,16(2).

[5]姜啟源.數(shù)學實驗與數(shù)學建模[J].數(shù)學的實踐與認識,2001,31(5).