CEEMDAN-ARIMA-GARCH模型及其在国际原油价格预测中的应用.docx

? ? CEEMDAN-ARIMA-GARCH模型及其在国际原油价格预测中的应用 ? ? 赵 兴 王星惠 杨梦梦 (安徽大学 经济学院，安徽 合肥 230601) 0 引言 随着经济全球化进程不断加速，国际原油期货市场的风险逐步加大，一些极端的情况时有发生。近年来，国际原油价格震荡频繁，新冠疫情暴发导致国际原油价格暴跌为负数。国家经济发展需要原油作为支撑，我国经济处于上升期，能够准确把握国际原油价格波动对经济稳定发展有重要意义。 1 文献综述 许多学者对原油价格的预测研究通常使用ARIMA模型与GARCH模型等计量经济学模型。如丁静之，闵骐等[1]156-159使用ARIMA模型直接对原油价格预测；魏蓉蓉、叶圣伟[2]68-69用ARIMA模型对原油价格的波动进行了分析；姚小剑和吴文洁[3]1-4使用GARCH族模型分析了原油价格波动特征。近年来，LSTM(长短期记忆网络)、SVR(支持向量回归)和KNN(最邻近规则分类)等机器学习的方法也都被广泛地运用在原油价格的预测上，如潘少伟、李辉等[4]180-185使用LSTM模型对原油价格进行了预测；慕晓茜、何佳等[5]4585-4589使用SVR模型对原油期货价格进行了短期预测；楚新元、卢爱珍等[6]15-22等使用KNN模型对原油价格进行了研究。然而，各种模型都有一定的局限性，直接对原始序列应用某种单一的预测模型时，所得到的预测结果都会存在改良空间。因此，近些年来越来越多的学者将组合模型的预测方法应用到该领域。如许南、廖施煜等[7]234-236使用混合型PSO-BP模型对原油期货价格进行了预测；曹新悦、贺春林等[8]418-425使用X12-ARIMA和LSTM组合模型对城市蔬菜价格波动规律进行了研究。然而，组合模型虽然较好地将各模型的优缺点进行了中和，但直接将模型应用于原始序列的分析方法仍然不能完全提取原始序列中的特征，而经验模态分解方法则可以在一定程度上解决这个问题。如杨云飞、鲍玉昆等[9]1884-1889使用EMD-SVMs的组合模型对原油价格进行了预测；姚洪刚和沐年国[10]239-244使用EMD-LSTM模型对金融时间序列进行了分析；Wu Y X，Wu Q B[11]114-124等使用EEMD-LSTM的组合模型对原油价格进行了预测；李政毓[12]1-67使用EEMD-ARIMA-LSTM组合模型对原油价格进行了预测；崔金鑫和邹辉文[13]28-39使用CEEMDAN-PSO-ELM模型对原油期货价格进行了预测；邸浩、赵学军等[14]72-76将EEMD模型和LSTM-Adaboost模型结合对商品价格进行了预测。经验模态分解方法是先将原始序列进行分解后再进行预测，并将预测结果再进行加和重构，有效提高了模型预测的效率，也是近年来预测研究的热点之一。 经验模态分解(EMD)模型由Huang,Shen等[15]903-995创造性地提出，可以将原始信号分解为不同频率的若干个模态分量(IMF)和残差分量(即趋势项)。EMD模型的特点在于可以完全按照自身的特征对原始序列进行分解，具有自适应性。然而，EMD模型却有着容易出现模态混淆的缺点。Wu，Huang[16]1-41提出了集合经验模态分解(EEMD)模型，有效解决了模态混淆的问题。通过向原始序列添加噪声来避免模态混淆的发生，但因为存在噪声残余导致重构误差的问题。在预测过程中，模态分解的重构误差会影响最终的预测结果。María,Marcelo等[17]4144-4147提出的适应白噪声的完全集合经验模态分解(CEEMDAN)模型则可以在模态分量不含残余噪声的同时避免模态混淆的发生，有效地解决了上述的两个问题。因此，CEEMDAN模型在重构预测的过程中显现出一定优势。 本文基于原油价格预测，期间引入了CEEMDAN模型，使用CEEMDAN模型将原始序列分解为不同频率的模态分量和残差分量，再用ARIMA模型分别对各个分量和趋势项进行拟合预测并在最后加和重构。由于分解所得的高频分量波动非常频繁，ARIMA模型并不能很好地捕捉其特征，因而可以使用GARCH模型对高频分量的拟合残差平方序列进行进一步拟合，即用GARCH模型对残差的预测值来对高频分量的ARIMA预测值进行修正。因此，建立了CEEMDAN-ARIMA-GARCH模型。在CEEMDAN-ARIMA模型基础之上，提出了对高频分量有必要检验其残差序列是否具有ARCH效应的原则，使用ARIMA-GARCH模型将分量中所含的信息尽可能提取出来，实现更好的预测效果。 2 模型介绍 2.1 模型设定 2.1.1 EMD分解原理 EMD模型又称经验模态分解，是由Huang,Shen等[15]903-905提出的一种根据时间序列的局部时变特征，将序列分解为若干个模态分量(I