張冰心

摘 要 國(guó)際原油一直是影響世界經(jīng)濟(jì)發(fā)展的重要指標(biāo)。原油價(jià)格的走勢(shì)深深地影響了其他資產(chǎn)的變動(dòng)，因此對(duì)原油價(jià)格的分析十分重要。本文使用SVM模型對(duì)國(guó)際原油價(jià)格進(jìn)行預(yù)測(cè)，對(duì)WTI的歷史價(jià)格數(shù)據(jù)進(jìn)行建模，得到的預(yù)測(cè)誤差的MAE為2.98%，對(duì)比時(shí)間序列算法有較大提升。

關(guān)鍵詞 原油價(jià)格 SVM模型 參數(shù)優(yōu)化

一、緒論

石油深深地影響了世界經(jīng)濟(jì)的發(fā)展，帶來(lái)了能源的革命。作為基礎(chǔ)的工業(yè)生產(chǎn)原料，原油價(jià)格的變動(dòng)會(huì)給世界經(jīng)濟(jì)帶來(lái)重要的影響。很多經(jīng)濟(jì)指標(biāo)都同原油的價(jià)格有密切聯(lián)系，比如美元、黃金等資產(chǎn)的價(jià)格走勢(shì)，同原油價(jià)格都有一定的關(guān)系。因此，對(duì)原油價(jià)格的預(yù)測(cè)是金融界以及學(xué)術(shù)界關(guān)注的熱點(diǎn)。

傳統(tǒng)的金融學(xué)者一般用時(shí)間序列等傳統(tǒng)的計(jì)量模型對(duì)原油價(jià)格進(jìn)行分析，但是這些模型的假設(shè)較強(qiáng)，效果較差。近年來(lái)機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘技術(shù)發(fā)展迅猛，在不同領(lǐng)域得到了很好的應(yīng)用，同時(shí)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，獲取海量數(shù)據(jù)并計(jì)算海量數(shù)據(jù)變得較為容易，其中，支持向量機(jī)（SVM）模型是一種效果較好、應(yīng)用較多的模型。因此，本文嘗試使用支持向量機(jī)（SVM）模型對(duì)WTI原油價(jià)格進(jìn)行建模，預(yù)測(cè)價(jià)格的走勢(shì)。

二、模型介紹

支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱SVM）是一種分類算法，將低維空間數(shù)據(jù)映射到高維空間，從而找到劃分邊界來(lái)對(duì)樣本進(jìn)行劃分。在求解該問(wèn)題時(shí)，對(duì)于線性不可分的數(shù)據(jù)，SVM使用了核函數(shù)來(lái)處理。核函數(shù)可以在高維空間對(duì)數(shù)據(jù)進(jìn)行劃分，從而將非線性最優(yōu)化問(wèn)題轉(zhuǎn)變?yōu)榫€性可分問(wèn)題，本文使用的是高斯核函數(shù)。

實(shí)證分析：

本文使用的WTI原油價(jià)格數(shù)據(jù)范圍為2004年1月1日到2017年12月31日，時(shí)間頻率為每日。為了分析預(yù)測(cè)效果，本文采用2004年1月1日到2016年12月31日的數(shù)據(jù)作為訓(xùn)練樣本，2017年的數(shù)據(jù)作為測(cè)試樣本。

為了建立模型，本文選擇美元指數(shù)（Usdx）、黃金現(xiàn)貨價(jià)格（Gldx）、MSCI全球指數(shù)（Msci）、彭博大宗商品指數(shù)（Bcom）、原油庫(kù)存指數(shù)（Oilstock）為維度，進(jìn)行相關(guān)性分析后，Msci的統(tǒng)計(jì)相關(guān)性較弱，因此過(guò)濾該指標(biāo)，其余指標(biāo)的統(tǒng)計(jì)檢驗(yàn)具有顯著性，因此納入建模的維度之中。對(duì)于模型的評(píng)價(jià)使用絕對(duì)誤差（MAE），該值越小，預(yù)測(cè)精度越高。

本文使用Python的Sklearn包中的SVM函數(shù)進(jìn)行建模，Sklearn是機(jī)器學(xué)習(xí)包，實(shí)現(xiàn)了若干的機(jī)器學(xué)習(xí)算法。SVM函數(shù)有一些參數(shù)需要優(yōu)化，本文采用遺傳算法進(jìn)行優(yōu)化，得到W（權(quán)重參數(shù)）=（0.47，0.53）、C（懲罰參數(shù)）=2.0、Gamma（核函數(shù)參數(shù)）=1.65。

本文在測(cè)試時(shí)使用模型的最優(yōu)參數(shù)進(jìn)行樣本外測(cè)試，同時(shí)為了對(duì)比效果，使用ARIMA算法進(jìn)行對(duì)比分析。最終SVM的MSE為2.98%，ARIMA的MSE為7.23%。從樣本測(cè)試結(jié)果中可以得出，SVM算法的表現(xiàn)遠(yuǎn)遠(yuǎn)好于傳統(tǒng)的時(shí)間序列預(yù)測(cè)ARIMA 算法。SVM算法在MAE上提高了4.25%，算法在樣本外數(shù)據(jù)測(cè)試如圖1所示。

三、結(jié)語(yǔ)

本文使用支持向量機(jī)SVM模型對(duì)WTI價(jià)格數(shù)據(jù)進(jìn)行了建模分析，建模語(yǔ)言采用Python。通過(guò)分析實(shí)證數(shù)據(jù)，可以看到SVM算法對(duì)比傳統(tǒng)的時(shí)間序列ARIMA算法，在正則均方誤差（NMSE）上提高了4.25%，準(zhǔn)確率有了較大提升，驗(yàn)證了該算法的有效性。

（作者單位為西南財(cái)經(jīng)大學(xué)）

參考文獻(xiàn)

[1] Dechow P，Sloan R . Returns to contrarian investment strategies：Tests of naive expectations hypotheses[J]. Journal of Financial Economics，1997，43（1）：3-27.

[2] 鄒運(yùn).基于遺傳算法的風(fēng)格選股模型研究[D].東北財(cái)經(jīng)大學(xué)，2012.

[3] 蔣漢橋.基于支持向量機(jī)的證券投資決策研究[D].武漢大學(xué)，2005.