基于EEMD--ARIMA--LSTM组合模型对原油期货价格预测.docx

基于EEMD--ARIMA--LSTM组合模型对原油期货价格预测
基于EEMD-ARIMA-LSTM组合模型的原油期货价格预测
摘要：
随着全球经济的发展和能源需求的增长，原油市场一直是金融市场的重要组成部分。因此，准确预测原油价格对于投资者和从业人员来说至关重要。本文提出了一种基于EEMD-ARIMA-LSTM组合模型进行原油期货价格预测的方法。该方法结合了经验模态分解（EEMD）、自回归移动平均模型（ARIMA）和长短期记忆网络（LSTM）进行多层次的时间序列分析和建模。通过实证研究发现，该组合模型能够有效地提高原油期货价格的预测精度，对投资者的决策具有重要的参考价值。
关键词：原油期货价格预测；EEMD；ARIMA；LSTM；组合模型
1引言
原油是全球最重要的能源资源之一，其价格波动对全球经济具有重要影响。因此，准确预测原油价格对投资者和从业人员来说具有重要意义。然而，原油价格受到多种因素的影响，如供应和需求关系、地缘政治因素、金融市场波动等，因此其价格走势难以准确预测。
目前，原油价格预测主要采用时间序列分析方法。其中，自回归移动平均模型（ARIMA）是最常用的方法之一。ARIMA模型基于时间序列的概念，假设时间序列具有定常性和线性自回归移动平均模式。然而，原油价格序列通常不满足这些假设，因此ARIMA模型的预测效果有限。
为了提高原油价格预测的准确度，本文提出了一种组合模型，将经验模态分解（EEMD）、ARIMA和长短期记忆网络（LSTM）相结合。经验模态分解是一种非参数分解方法，可以将时间序列分解为一系列本征模态函数（IMF）和一个残差项。每个IMF都代表了不同的频率成分，可以捕捉原油价格序列的非线性特征。
在本研究中，首先使用EEMD方法将原油价格序列分解为若干IMF和一个残差项。然后，对每个IMF和残差项分别建立ARIMA模型进行预测。最后，将各个模型的预测结果输入到LSTM网络中，进行综合预测。实证研究结果表明，该组合模型能够显著提高原油期货价格的预测精度。
2方法
2.1经验模态分解（EEMD）
经验模态分解（EEMD）是一种非参数分解方法，可以将时间序列分解为若干本征模态函数（IMF）和一个残差项。EEMD方法能够有效地捕捉时间序列的非线性特征。具体而言，EEMD方法首先对原始序列进行均值去除和归一化处理，然后对去噪后的序列进行一系列的二元（上、下）分解操作，直到得到IMF和残差项为止。
2.2自回归移动平均模型（ARIMA）
自回归移动平均模型（ARIMA）是一种常用的时间序列预测模型。ARIMA模型假设时间序列是由自回归（AR）和移动平均（MA）模型的组合构成的。ARIMA模型通常由三个参数(p,d,q)来确定，其中p表示自回归阶数，d表示差分次数，q表示移动平均阶数。
2.3长短期记忆网络（LSTM）
长短期记忆网络（LSTM）是一种常用的循环神经网络模型，特别适用于时间序列预测。LSTM模型通过引入门控机制，能够更好地捕捉时间序列中的长期依赖关系。在本研究中，我们使用LSTM模型对各个IMF和残差项的预测结果进行综合分析和预测。
3实证研究
本研究选取了国际原油期货价格作为实证研究对象，选取2000年至2020年的数据进行分析。首先，对原油价格序列进行EEMD分解，得到若干IMF和一个残差项。然后，对每个IMF和残差项分别建立ARIMA模型进行预测。最后，将各个模型的预测结果输入到LSTM网络中，进行综合预测。
实证研究结果显示，经过EEMD分解后的IMF和残差项能够更好地捕捉原油价格序列的非线性特征。而经过ARIMA模型和LSTM模型的预测，能够进一步提高预测精度。相比单纯使用ARIMA模型或LSTM模型进行预测，该组合模型能够显著提高原油期货价格的预测精度。
4结论
本研究提出了一种基于EEMD-ARIMA-LSTM组合模型进行原油期货价格预测的方法。实证研究结果表明，该组合模型能够有效地提高原油期货价格的预测精度。该模型不仅可以为投资者提供准确的价格预测，还可以为决策者提供重要的参考价值。然而，该组合模型仍然有一些局限性，需要进一步的研究和改进。未来的研究可以从多个方面进行扩展，如引入更多的外部因素、改进模型结构等。