張明昊 卓翔芝

摘要：

隨著原油市場環(huán)境的日益復雜，模型很難準確預測未來某段時間的原油價格。在保證預測精度的前提下為獲得盡可能久的預測時長，采用模糊信息粒化方法簡化計算復雜度，通過壓縮樣本點信息得到Up、Low和R三個模糊參數(shù)。針對原油價格時間序列周期性、非線性和長時記憶性的特點，基于支持向量機算法對模糊參數(shù)進行回歸預測。研究表明，此法能夠較為準確地預測未來兩周的Brent原油期貨價格走勢和波動區(qū)間。

關鍵詞：

時間序列;模糊信息?；?支持向量機;原油價格預測

中圖分類號：F224，F(xiàn)764.1

文獻標志碼：A

收稿日期：2021-03-03

基金項目：

國家社會科學基金（批準號：15BTQ048）資助。

通信作者：

卓翔芝，男，博士，教授，主要研究方向為供應鏈管理。E-mail：zhuoxz@chnu.edu.cn

原油作為最基礎的能源化工原材料、戰(zhàn)略儲備資源和世界能源結構的中流砥柱，承擔保障國家與社會安全、維持經(jīng)濟平穩(wěn)運行的重要作用。原油價格是反映能源市場經(jīng)濟活動狀況的顯性指標，是原油供求關系變化的快速指示劑，也是國家采取相應能源政策進行宏觀調(diào)控的重要依據(jù)。因原油用途廣泛、所涉產(chǎn)業(yè)鏈長，其價格變化產(chǎn)生的連鎖反應將會對行業(yè)上下游的生產(chǎn)經(jīng)營活動產(chǎn)生直接沖擊，通過金融市場等渠道的傳遞影響國內(nèi)物價水平、利率水平等宏觀經(jīng)濟指標[1-2]。預測國際原油價格的未來趨勢有利于降低國家能源價格波動風險，促進經(jīng)濟和社會穩(wěn)定，有助于原油產(chǎn)業(yè)鏈中的制造企業(yè)形成價格預警和計劃緩沖，并對相關能源產(chǎn)業(yè)的可持續(xù)發(fā)展提供前瞻性的政策建議。原油價格的預測類型可分為樣本內(nèi)預測和樣本外預測。樣本內(nèi)預測是指將原始數(shù)據(jù)事先劃分好訓練集和驗證集，通過對比預測值和觀測值的擬合優(yōu)度來判別模型的優(yōu)劣。如Elaziz等[3]利用遺傳算法（GA）改進Salp群算法（SSA）來提高自適應神經(jīng)模糊推理系統(tǒng)（ANFIS）的性能，按照7∶3的比例分割數(shù)據(jù)集，驗證了組合預測模型能夠取得更優(yōu)的預測效果。對于樣本外預測，美國能源情報署（EIA）定期向公眾發(fā)布未來兩年關于原油價格的月度和季度預測信息，常被業(yè)內(nèi)人士用于分析解讀原油市場一定時期內(nèi)的市場行情狀況[4]。Stifanic等[5]通過集成平穩(wěn)小波變換（SWT）和雙向長短期記憶網(wǎng)絡（BDLSTM）提出的商品-股票價格預測系統(tǒng)（BDLSTM+WT-ADA）對未來5天的原油價格預測效果顯著。Elshendy等[6]利用語義分析在網(wǎng)絡社交媒體上尋找經(jīng)濟意識的信號，采用動態(tài)回歸模型（ARIMAX）進行建模，分析WTI原油價格與多維預測因子之間的關系，證明了不同媒體平臺所承載的樣本外預測能力差異化。當前原油價格預測研究雖取得了一定成果，但由于市場環(huán)境復雜，多數(shù)情況下不能對原油價格做精確的點值預測，故對原油價格進行區(qū)間預測尤為必要。模糊信息?；‵IG）具有獨特的數(shù)據(jù)壓縮區(qū)間化能力，常與支持向量機算法（SVM）構成組合預測模型，廣泛應用于風速預測、負荷預測、股票價格預測以及城市交通流量預測等領域，但鮮有學者利用該模型研究原油價格預測。針對原油價格時間序列周期性、非線性和長時記憶性的特點[7-9]，支持向量機極佳的泛化性能和在小樣本、非線性預測方面的出色表現(xiàn)，使得其能夠滿足原油價格預測的需要[10]?？紤]到受原油價格受美元匯率、地緣政治博弈、重大突發(fā)事件以及國家政策導向等不確定因素的影響[2，11-13]，模型的預測精度會隨著預測時長的增加而不斷被削弱，因而短期預測的結果比長期預測更為準確，更具有實際意義[14-15]。為保證預測精度且盡可能延長模型的預測期限，將對時間序列數(shù)據(jù)做模糊信息?；幚?，配合SVM實現(xiàn)對數(shù)據(jù)變化趨勢和波動區(qū)間的拓展預測。本文擬構建FIG-SVM原油價格預測模型，以Brent原油期貨日結算價格為例，探究原油價格預測的新途徑。

1 基礎理論與方法

1.1 模糊信息?；?/p>

信息?；褪歉鶕?jù)所關注的信息，將數(shù)據(jù)集中或相似、或接近、或難以區(qū)別的元素，人為的組合并劃分成一定數(shù)量的子數(shù)據(jù)集進行研究的方法，其中構成整體的每個子部分被稱為信息粒[16-17]。?；绞娇煞譃榉悄：；╟-?；┖湍：；╢-粒化）。c-?；谥T多技法中發(fā)揮著重要作用，但在實際情況中非模糊粒子不能充分反映事物的特性，故對于大部分缺少先驗信息的研究而言，f-?；啾萩-粒化更加貼近現(xiàn)實意義[16，18]。

f-?；暮诵氖峭瓿纱翱趧?chuàng)設后的模糊化過程。以Pedrycz提出的模糊信息?；椒槔?，模糊化的目標是要在時間序列數(shù)據(jù)X上找到模糊粒子p，即一個能夠?qū)做出合理刻畫的模糊概念G（以X為論域的模糊集合），通過確定G來獲得p。因此，模糊化的本質(zhì)是一個確定函數(shù)A的過程，A為G的隸屬函數(shù)[19-20]

2.3 數(shù)據(jù)分析

上述模糊信息?；^程，將原始時間序列數(shù)據(jù)窗口化且映射到圖3中帶狀價格區(qū)域內(nèi)，削弱了原始時間序列的局部震蕩，對原油期貨價格曲線具有明顯的平滑效果，為后續(xù)配合SVM算法的回歸預測分析起鋪墊作用。由圖4～圖6可知，模糊參數(shù)Low、R和Up的樣本內(nèi)預測結果與原始數(shù)據(jù)在總體趨勢上能夠較好地吻合，且未來兩個交易周的參數(shù)Low、R和Up與尾部圖像走勢一致。圖7對應三個模糊參數(shù)第156～159個粒子窗口的預測結果，其中第158和第159個粒子窗口表示2021年前兩個交易周Brent原油期貨預測價格的下界、均值和上界，如表1所示。對比表1、表2可知，除個別時間點外實際價格波動區(qū)間及走勢與模型的預測結果基本相同。由于原油價格的不確定影響因素眾多，而本文的研究僅考慮Brent原油期貨價格自身的變化（單一變量）對預測的影響，故存在一定誤差。

3 結論

針對國際原油價格的特征，以Brent原油為例，運用模糊信息?；椭С窒蛄繖C構建預測模型。研究結果表明，F(xiàn)IG-SVM原油價格預測模型能夠?qū)rent原油期貨在未來兩個交易周內(nèi)的結算價格走勢和波動范圍做出較為準確的預測，有助于降低國家的能源價格波動風險，維護經(jīng)濟和社會穩(wěn)定，促進相關能源產(chǎn)業(yè)健康發(fā)展。本研究所構建模型的性能優(yōu)劣與參數(shù)選取密切相關，未來可利用優(yōu)化算法對模型進行參數(shù)尋優(yōu)。還可通過增加數(shù)據(jù)維度構建影響原油價格變化的多因素FIG-SVM模型，以獲得更為準確的預測結果。

參考文獻

[1]趙丹婷，劉園.國際原油價格波動對中國物價水平影響的傳導機制研究—基于全球向量自回歸模型[J].宏觀經(jīng)濟研究，2016（10）：155-166.

[2]馬鄭瑋，張家瑋，曹高航.國際原油期貨價格波動及其影響因素研究[J].價格理論與實踐，2019（4）：87-91.

[3]ELAZIZ M A， EWEES A A， ALAMEER Z. Improving adaptive neuro-fuzzy inference system based on a modified salp swarm algorithm using genetic algorithm to forecast crude oil price[J]. Natural Resources Research， 2020， 29（4）： 2671-2686.

[4]BAUMEISTER C， KILIAN L. Forecasting the real price of oil in a changing world： A forecast combination approach[J]. Social Science Electronic Publishing， 2015， 33（3）： 338-351.

[5]TIFANICˊ ?D， MUSULIN J， MIOCˇEVICˊ ? A， et al. Impact of COVID-19 on forecasting stock prices： An integration of stationary wavelet transform and bidirectional long short-term memory[J]. Complexity， 2020， 2020（1）： 1-12.

[6]ELSHENDY M， COLLADON A F， BATTISTONI E， et al. Using four different online media sources to forecast the crude oil price[J]. Journal of Information Science， 2018， 44（3）： 408-421.

[7]李建立，萬勇韜，張志剛.基于多因素SVM的油價預測模型研究[J].數(shù)學的實踐與認識，2014，44（6）：61-67.

[8]KIRAN B. Nonlinearity and fractional integration in the world crude oil prices[J]. Energy Sources， Part B-Economics， Planning， and Policy， 2016， 11（2）： 103-110.

[9]張金良，李德智，譚忠富.基于混合模型的國際原油價格預測研究[J].北京理工大學學報（社會科學版），2019，21（1）：59-64.

[10] 王綿斌，齊霞，安磊，等.小樣本條件下基于VMD-SVM的電網(wǎng)技改項目科技投資預測[J].科技管理研究，2020，40（16）：231-235.

[11] 徐蕾.國際油價后續(xù)走勢分析—是觸底反彈還是繼續(xù)走低[J].價格月刊，2020（12）：24-28.

[12] 柴建，盧全瑩，周友洪，等.國際原油價格拐點分析及統(tǒng)計推斷[J].中國管理科學，2017，25（5）：33-41.

[13] 黃維和，梅應丹，吳麗麗，等.能源革命與中國能源經(jīng)濟安全保障探析[J].中國工程科學，2021，23（1）：124-132.

[14] 何凌云，張愉，鄭豐.基于相空間重構技術的原油價格的時序混沌判據(jù)和混沌特征量[J].數(shù)學的實踐與認識，2008（17）：13-23.

[15] 姚青松，趙國慶.國際能源價格的持續(xù)性結構突變研究[J].河北經(jīng)貿(mào)大學學報，2020，41（4）：16-21.

[16] 熊景華，茹璟.基于隨機森林算法和模糊信息?；膮R率預測組合模型研究[J].數(shù)量經(jīng)濟技術經(jīng)濟研究，2021，38（1）：135-156.

[17] 廖玲瓏，李培強，唐捷，等.信息?；拖嗨茢?shù)據(jù)結合的短期風速預測[J].電力系統(tǒng)及其自動化學報，2016，28（4）：12-17.

[18] 黃文聰，張宇，楊遠程，等.模糊信息粒化和GWO-SVM算法結合的短期風速范圍預測[J].華僑大學學報（自然科學版），2020，41（5）：674-682.

[19] 李洋.時序數(shù)據(jù)的信息?；椒皯醚芯縖D].北京：北京師范大學，2012.

[20] 肖白，趙曉寧，姜卓，等.利用模糊信息?；c支持向量機的空間負荷預測方法[J].電網(wǎng)技術，2021，45（1）：251-260.

[21] 趙明利，袁一鳴，李博涵，等.基于模糊信息?；蛢?yōu)化支持向量機的氧化鋁陶瓷超聲磨削力趨勢預測[J].宇航材料工藝，2020，50（4）：24-29.

[22] 李素，袁志高，王聰，等.群智能算法優(yōu)化支持向量機參數(shù)綜述[J].智能系統(tǒng)學報，2018，13（1）：70-84.

[23] 李寧，王李管，賈明濤.基于粗糙集理論和支持向量機的巖爆預測[J].中南大學學報（自然科學版），2017，48（5）：1268-1275.

[24] 吳慶洪，高曉東.稀疏表示和支持向量機相融合的非理想環(huán)境人臉識別[J].計算機科學，2020，47（6）：121-125.

[25] 張晶華，甘宇健.基于深度學習支持向量機的上證指數(shù)預測[J].統(tǒng)計與決策，2019，35（2）：176-178.

[26] 付松，鐘詩勝，林琳，等.基于遷移學習的民航發(fā)動機小樣本故障診斷[J/OL].計算機集成制造系統(tǒng)：1-19[2021-02-22].http：//kns.cnki.net/kcms/detail/11.5946.tp.20200420.1333.004.html.

[27] 周志華.機器學習[M].北京：清華大學出版社，2016.

[28] 滕吉文，喬勇虎，宋鵬漢.我國煤炭需求、探查潛力與高效利用分析[J].地球物理學報，2016，59（12）：4633-4653.

[29] 卜林，李曉艷，朱明皓.上海原油期貨的價格發(fā)現(xiàn)功能及其國際比較研究[J].國際貿(mào)易問題，2020（9）：160-174.

[30] 陳蕊.石油價格對國民經(jīng)濟的影響及石油安全體系研究[D].哈爾濱：哈爾濱工程大學，2005.

[31] 張夢.基于模糊信息?；虯RIMA-SVR組合模型的空氣質(zhì)量指數(shù)預測[D].濟南：山東大學， 2020.

Abstract：

With the increasing complexity of the crude oil market environment， it is difficult for the model to accurately predict the crude oil price in a certain period of time in the future. In order to obtain as long prediction time as possible under the premise of ensuring the prediction accuracy， the fuzzy information granulation method is used to simplify the calculation complexity， and the up， low and R fuzzy parameters are obtained by compressing the sample information. According to the characteristics of periodicity， nonlinearity and long-term memory of crude oil price time series， the fuzzy parameters are regressed and predicted based on support vector machine algorithm. The results show that this method can accurately predict Brent crude oil futures price trend and fluctuation range in the next two weeks.

Keywords：

time series; fuzzy information granulation; support vector machine; crude oil price forecasting