基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

基于ARIMA模型对山东省生猪出场价格变动的预测

猪肉价格保持在合理区间,对于生猪生产和消费至关重要。为预测未来生猪出场价格,推动生猪价格回归合理区间,本文基于2012年11月—2024年2月山东省生猪出场价格,运用ARIMA模型对山东省2024年3月-12月的生猪出场价格变化进行预测。结果表明,该模型拟合效果较好,能准确地预测山东省生猪出场价格短期波动。本文建议政府应该从调控能繁母猪保障底线、完善价格监测预警制度、强化价格风险管理工具、优化生猪库存管理、控制生猪生产成本、落实生猪补贴政策和拓宽生猪贸易等方面采取措施,优化生猪产能调控机制,促进生猪产业的发展。

基于时间序列的朝阳市生猪价格短期预测研究

为了获取更多利润,降低价格波动带来的风险,对朝阳市生猪价格进行基于时间序列的短期预测研究.根据辽宁省朝阳市某养猪场提供的2020~2022年3种生猪日销售价格,首先利用Excel对数据进行处理,以周为基本单位,把每周的平均价格作为周价格;其次,根据外三元猪价格中前100周的价格,分别采用时间序列预测法中的一次移动平均预测法、一次指数平滑预测法和三次指数平滑预测法来预测后57周的价格,通过与实际价格的对比可知,采用三次指数平滑预测法预测的误差最小,由此用该预测法来预测内三元猪和土杂猪后57周的价格;最后,利用Matlab计算土杂猪、内三元猪的预测值,结果显示二者的预测误差分别为0.386、0.604,并据此绘制价格变化趋势的图像,为养猪场预测生猪价格提供理论依据.

生猪价格波动的非对称分析——基于Markov区制转移VAR模型

本研究基于2000年1月—2017年6月的生猪价格月度数据,选取影响生猪价格波动的主要因素,建立MSIAH(3)-VAR(2)模型分析生猪价格在不同区制下的波动情况,并对未来的生猪价格做出预测。结果表明:(1)仔猪价格、猪肉价格和牛肉价格显著影响着生猪价格,在不同状态下,对生猪价格的影响有异质性。猪肉价格在3种区制状态下对生猪价格均有显著影响,仔猪价格仅在"价格下跌"时对生猪价格有显著影响,而牛肉价格仅在"价格上涨"时对生猪价格有显著影响。(2)生猪价格位于"价格稳定"区制的频率最高,达到0.5529,且3个区制具有高度稳定性。区制1转移至区制3、区制3转移至区制1的概率分别为0.1046和0.0600,区制2转移到区制3、区制3转移到区制2的概率分别为0.1079和0.4315,生猪价格波动存在不对称性。(3)预测2017年下半年的生猪价格从"价格下跌"状态转移至"价格稳定"状态概率显著增大,和实际情况较吻合。

基于能繁母猪存栏量和猪粮价比的猪肉价格预报

生猪生产有内在规律性,猪肉价格存在约40个月的长期变化周期,能繁母猪存栏量的增减影响10个月后的生猪供给。用Granger因果关系检验发现,当期猪肉价格和猪粮价比是当期能繁母猪存栏量的单向原因,10个月前的能繁母猪存栏量和10个月前的猪粮价比是当月猪肉价格的单向原因。建立了包含10个月前能繁母猪存栏量偏离率和10个月前猪粮价比偏离率且综合季节性因素、趋势性因素和周期性因素的猪肉价格预报模型。用2000年1月至2011年12月的猪粮价比数据回归获得模型参数,基于10个月前的猪粮价比预报2012年猪肉价格,平均准确率为95.6%;用2009年1月至2011年12月的能繁母猪存栏量数据回归获得模型参数,基于10个月前的存栏量偏离率预报2012年猪肉价格,平均准确率为97.2%。猪粮价比模型预报2013年4月猪肉价将出现周期性低点,价格为19.89元/kg;能繁母猪存栏量模型预报2013年5月将出现周期性低点值,价格为20.88元/kg。

基于ARIMA模型的上海市生猪价格预测

利用2010年1月—2019年2月上海市生猪集贸市场价格数据、猪肉批发价格数据以及鲜猪肉零售价格数据,建立最佳的ARIMA (p, d, q)模型,利用该模型对2019年3—7月生猪价格走势进行预测,结果表明:上海市生猪价格和猪肉批发价格在此期间会止跌上涨,但不会出现大涨暴涨的局面,鲜猪肉零售价格稳定在28.5元/kg左右。

基于GRNN模型的安徽省生猪价格预测预警研究

基于生猪价格影响的供给、需求和市场外部因素,考虑其与生猪价格之间复杂的非线性关系,使用自适应LASSO回归与神经网络用于预警生猪价格波动,旨在监测生猪价格波动风险。首先利用自适应LASSO回归确定影响生猪价格的主要指标变量,将筛选出的各指标和生猪价格分别作为广义回归神经网络GRNN模型的输入和输出建立预警模型,利用该模型对安徽省2009年—2019年的生猪价格及其影响因素分析得出玉米价格、鸡蛋价格等指标可以作为生猪价格警情指标;GRNN神经网络模型输出的生猪价格在收敛速度优于BP和RBF等其它神经网络模型并且其网络输出的相对误差仅为0.056%。

2012年广东生猪产业发展形势与对策建议

对广东省2012年生猪产业发展情况进行了介绍,重点从区域分布、产业化水平、价格变化、成本收益、碳足迹测算等方面进行了分析。重点对2012年广东生猪产品的价格进行分析,并对2013年的生猪产品价格趋势进行了预测。同时针对"猪周期"提出了一系列的对策建议。

生猪价格的省域空间溢出效应及其动态关联分析——基于空间面板模型和DY分解

[目的]分析生猪价格的省际空间溢出效应,并通过各省域间价格联动效应探究我国生猪价格体系的传导机制,对治理我国生猪产业区域不均衡发展问题具有重要意义。[方法]文章建立空间杜宾模型探索生猪价格的空间传导特性,引入溢出效应分解分析替代品价格、成本要素对省域生猪价格的冲击效应,并运用广义预测误差分解测定省际生猪价格关联水平及方向。[结果](1)我国生猪价格波动具有显著空间相关性和异质性,其空间集聚特征随时间推移愈发显著,产业布局呈现“高—高南部簇拥,低—低东向西扩”的空间演变特征。(2)省内替代品价格、成本要素对生猪价格波动的影响显著但作用力度有限,省际溢出效应是生猪价格发生空间传导的主导因素。(3)鸡肉价格与省内、省外的生猪价格存在密切正向关联;牛肉价格波动推动本省生猪价格同步波动;豆粕价格波动对本省或邻省生猪价格均起到正向推动作用;玉米价格变化引起本省或邻省生猪价格的负向变化。(4)辽宁、河北、吉林、河南等省的正向净关联度较大,属于波动“主导者”或“发动者”;上海、广西、重庆等省市的负净关联度较大,隶属价格波动的“接收者”;江苏、湖南、福建等省市的关联度和全国平均关联度持平,在价格波动传导体系中属于波动“中介者”。[结论]有关部门应针对不同省域在生猪价格传导体系中所发挥职能的不同,分级管控生猪价格,同时促进地方畜牧业经济发展,不断优化我国生猪养殖产业区域布局。

基于“猪粮比”区间优化模型的生猪价格指数保险探究——以黑龙江省生猪市场价格为例

与其他农产品相比,我国生猪价格具有很强的周期性和季节波动性,生猪养殖面临的市场风险更复杂。以2007年测算的"猪粮比"为基础制定的保险定价已不能适应当前市场情况。为稳定生猪市场、满足市场变化的定价机制,本文利用黑龙江省生猪市场2010-2015年六年的实际数据,建立时间序列模型,得出"猪粮比"的合理区间。在此基础上,为我国生猪价格指数保险的深入发展,建立健全专业的农产品市场价格监测体系,提高政府市场价格监测信息的及时性、准确性以及权威性等,提出相关对策与建议。

中国猪肉价格预测研究——基于ARIMA-GM-RBF组合模型的分析

猪肉是重要的畜产品之一,其价格关系居民生活水平及整个农产品市场的稳定。本文利用2011年以来的猪肉价格数据,分别构建ARIMA模型、GM (1,1)模型及ARIMA-GM-RBF组合模型对中国猪肉价格进行预测。结果表明,单一模型由于信息利用不充分,预测精度较低。本文中,ARIMA模型表现为普遍低估,且更适合进行短期预测,随着预测期延长,其误差变大;GM模型表现为普遍高估,且更适合进行中长期预测,随着预测期延长,其误差变小。ARIMA-GM-RBF组合模型充分利用了3个模型的优点,相对误差最小,拟合效果最好。结果显示,2018年下半年,中国猪肉价格将呈波动上升趋势;受新一轮增长周期和非洲猪瘟疫情等因素影响,2019年上半年将延续2018年底的上涨趋势,由13.55元/kg持续上升至17.04元/Kg,月均增速为3.89%,2019年下半年,增速将进一步扩大,预计月均增速将达4.68%,年底将创纪录地增至22.52元/kg。最后,提出适当加大规模化、专业化、组织化养殖;监测饲料及原料等上游产业形势;完善猪肉市场监测预警机制,加强疫情防控等促进生猪养殖产业发展和健全猪肉价格调控管理的建议。

一种基于改进时间卷积网络的生猪价格预测方法

针对传统的生猪价格预测方法存在预测精度不够高,容易陷入局部最小值等问题,为更加精准地预测生猪价格,采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法,以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本,对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606,平均绝对误差(MAE)为0.288 424,决定系数(R^(2))为0.995 683,均优于其他3种机器学习模型;与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较,3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。

我国猪肉价格波动特征及预测研究

猪肉是关系国计民生的重要农产品之一,猪肉价格波动会直接影响整体物价水平和居民日常生活。本文采用了(2007年1月-2020年2月)近13年猪肉价格数据,运用Census X12季节调整模型,剔除季节因素、不规则因素,从而得到猪肉价格趋势性和周期性的变化特征。运用H-P滤波模型将剔除出的猪肉价格趋势循环序列进行进一步预测分析,同时运用ARMA模型完成对我国猪肉价格波动的预测研究。结果表明:我国猪肉月度价格呈现明显的季节性波动特征,并且平均每36个月会有一次波动。