论文部分内容阅读
石油作为一种占据全球贸易总量十分之一的资源,在当今世界能源格局中具有举足轻重的地位。但是,石油作为一种特殊的商品,它的价格波动是十分复杂和不规律的,不仅受到供求关系的影响,还受到世界各国经济、政治等因素的影响。从本世纪初以来,石油价格一直都在大幅度的波动,非常典型的是2007-2008年间石油价格的变化幅度和频率都达到了历史之最。我国是一个石油进口大国,随着我国经济的增长和工业的快速发展,我国对石油的依赖也变得愈来愈大。建立期货市场是由它的特殊功能即价格发现和规避风险这两个功能决定的,充分了解原油期货价格的变化规律,无论是对于政府稳定市场还是对于国家原油定价权的掌握,都具有重要的意义。由于当下原油期货价格变化比21世纪之前更加剧烈和频繁,如果采用传统的方法诸如计量经济学中的模型预测,难以进行有效合理的解释,此外,应用浅层神经网络来预测原油期货的价格,也存在着一些限制和不足之处。经过各种比较,深度学习模型能够很好的刻画原油期货价格的复杂变化趋势,在各个方面都有较好的表现。为了进一步提高原油期货价格的预测精度,本文在构建特征和模型组合方面做出了努力。首先,本文以上海原油期货SC0、布伦特原油期货BRENT和WTI原油期货为样本,收集整理了三种原油期货的历史交易数据;其次,基于原油期货的历史数据,采用技术面分析的方法,构建了日交易数据的指标和多种技术指标;而后,把这两类指标作为候选的特征变量,目标变量为下一日的收盘价,构建了本文所要用到的数据集,并对数据集进行了预处理;最后,分别将LASSO、岭回归这两种用于特征变量筛选的正则化方法与长短时记忆模型(Long-Short Term Memory,LSTM)组合对三支原油期货进行预测,并根据模型对测试集的预测精度确定最优的预测模型,之后与S VR、BP神经网络两种单一模型和基于正则化方法的组合模型在时间序列预测上表现较好的模型预测效果进行对比,论证模型的有效性。其中,LSTM算法的参数优化方法为网格搜索法,最优的预测模型是LASSO–LSTM模型。本文实证分析得到的结果表明:一,两种正则化方法筛选出的变量都包含了我们构造的日交易数据变量和技术指标,这说明我们构建的两类变量都充分的包含了与原油期货价格变动的信息;二,基于LASSO方法对三种原油期货特征变量的筛选不包含日交易数据变量,说明我们构造的技术指标更能反应原油期货市场的变化趋势;三,LASSO-LSTM模型在上海原油期货、布伦特原油期货和WTI原油期货上的预测结果都较好,且优于SVR模型、BP神经网络、LASSO-SVR模型和LASSO-BP模型。