基于ACO优化的ARIMA-ES-RF布伦特原油价格预测研究

为解决传统单一的自回归积分滑动平均(ARIMA)和指数平滑(ES)预测原油价格(以布伦特原油为例)误差较大,难以精确地预测序列非线性特征的问题,提出自回归积分滑动平均(ARIMA)-指数平滑(ES)-随机森林(RF)组合预测方法。目前虽已有大量的原油价格预测模型,但还未有文献利用随机森林组合传统时间序列模型对原油价格进行研究。在此基础上,利用蚁群算法(ACO)对随机森林的重要参数(树的数量及根的深度)进行智能搜索,将随机森林组合模型的预测精度反馈给蚁群进行信息素的实时更新,输出使得组合模型预测精度最高的模型参数。研究结果表明:提出的蚁群优化参数后的组合随机森林模型能更好地预测布伦特原油价格的趋势,预测精度均方根误差(RMSE)从1.15降低至0.88,减少了0.27;平均相对误差从1.10%降低至0.86%,降低了0.24%,预测精度较以往的原油价格预测模型有显著提升。

新型冠状病毒疫情下布伦特原油价格波动研究

2020年年初,新型冠状病毒疫情暴发,布伦特原油价格发生了较大的波动,而原油价格的波动对我国的经济发展至关重要。为此,文章选取了2020年1月2日到2020年6月30日布伦特原油期货的开盘数据,对其进行二阶差分建立平稳性的原油价格序列,通过建立ARMA(1,2)模型,计算其残差并进行ARCH检验,发现序列存在着高阶ARCH效应;又进一步研究发现,序列有显著的非对称现象,最终确定对序列建立TARCH(1,1)模型对原油价格波动进行分析。

量子粒子群智能算法在国际布伦特原油价格预测中的应用

原油价格的波动对世界经济政治形势具有重要的作用,其预测问题是维护原油生产、消费企业及国家利益的重大问题。因此,原油价格预测是国际市场研究的一个重要领域。本文将TSK模糊逻辑系统与神经网络结合,设计五层模糊神经网络系统,采用量子粒子群(QPSO)智能算法调整模糊神经网络系统的参数,将所设计的智能系统应用于国际布伦特原油价格预测中。并将QPSO算法与BP算法和最小二乘法进行比较,预测性能指标和仿真结果表明基于QPSO智能算法的模糊神经网络系统的设计是有效的,取得了更好的效果。