基于二次分解和集成学习的粮食期货价格预测研究
Research on grain futures price forecasting based on secondary decomposition and ensemble learning
查看参考文献40篇
|
文摘
|
本文基于二次分解和集成学习的思想,构建VMD-EEMD-DE-ELM-DE-ELM组合模型,选取CBOT交易所上市的大豆,小麦及水稻期货作为国际粮食期货的代表,预测其未来收益率走势.鉴于目前已有研究均直接忽略VMD分解后残差项所含纳的重要信息,本文引入二次分解思想首次对其残差项进行EEMD二次分解、集成预测,改善其预测精度,进而提高模型整体预测精度.同时,针对现有组合模型预测方法采用等权重重构分量预测结果的缺陷,本文借鉴集成学习的思想,引入DE-ELM元学习器优化预测重构权重,优化模型全局预测表现.实证结果发现:本文提出的混合模型相较参照组模型具有显著的预测优势. |
|
其他语种文摘
|
Based on the idea of secondary decomposition and ensemble learning, we build the VMD-EEMD-DE-ELM-DE-ELM model, select soybeans, wheat and rice futures listed on the CBOT exchange as representatives of international grain futures, and predict its future price trend.In view of the existing research that directly ignore the residual items after VMD decomposition, we introduce the idea of secondary decomposition to perform the EEMD decomposition and ensemble prediction of its residual items for the first time.This method can capture the rich information contained in the residual items, thereby helping to improve the model's prediction effect on the original sequence.At the same time, because of the shortcomings of the existing model which use equal weights to reconstruct the prediction results of components, we draw on the idea of ensemble learning and introduces the DE-ELM meta-learner to optimize the reconstruction weights to obtain the best overall prediction results of the model.The empirical results show that the model proposed by us has a significant predictive advantage over the existing models. |
|
来源
|
系统工程理论与实践
,2021,41(11):2837-2849 【核心库】
|
|
DOI
|
10.12011/SETP2020-0672
|
|
关键词
|
粮食期货
;
预测
;
二次分解
;
集成学习
|
|
地址
|
福州大学经济与管理学院, 福州, 350108
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1000-6788 |
|
学科
|
社会科学总论 |
|
基金
|
国家自然科学基金面上项目
|
|
文献收藏号
|
CSCD:7090515
|
参考文献 共
40
共2页
|
|
1.
尹力博. 技术指标能够预测商品期货价格吗? 来自中国的证据.
管理科学学报,2018,21(6):99-109
|
CSCD被引
3
次
|
|
|
|
|
2.
韩立岩. 商品金融化背景下大宗商品指数收益机制转换.
管理科学学报,2017,20(9):61-69
|
CSCD被引
1
次
|
|
|
|
|
3.
张翔. 国际大宗商品市场金融化与中国宏观经济波动.
金融研究,2017(1):35-51
|
CSCD被引
8
次
|
|
|
|
|
4.
郑燕. 国际农产品价格对国内农产品价格动态传递效应研究.
国际贸易问题,2019(8):47-64
|
CSCD被引
9
次
|
|
|
|
|
5.
张贵生. 基于微分信息的ARMAD-GARCH股价预测模型.
系统工程理论与实践,2016,36(5):1136-1145
|
CSCD被引
9
次
|
|
|
|
|
6.
杨继平. 基于结构转换PTTGARCH模型沪深股市波动率的估计.
系统工程理论与实践,2016,36(9):2205-2215
|
CSCD被引
5
次
|
|
|
|
|
7.
Iyer S M. A Markovian dependability model with cascading failures.
IEEE Transactions on Computers,2009,58(9):1238-1249
|
CSCD被引
5
次
|
|
|
|
|
8.
郑岩岩. 外商直接投资趋势研究——基于灰色马尔可夫预测模型与时间序列模型的对比.
系统工程理论与实践,2016,36(4):897-909
|
CSCD被引
2
次
|
|
|
|
|
9.
王帅. 基于单变量分解集成的牛奶消费需求预测研究.
系统科学与数学,2013,33(1):11-19
|
CSCD被引
4
次
|
|
|
|
|
10.
王书平. 基于多尺度分析的小麦价格预测研究.
中国管理科学,2016,24(5):85-91
|
CSCD被引
14
次
|
|
|
|
|
11.
Wang J. A combined neural network model for commodity price forecasting with SSA.
Soft Computing,2018,22(16):5323-5333
|
CSCD被引
6
次
|
|
|
|
|
12.
Xiong T. A combination method for interval forecasting of agricultural commodity futures prices.
Knowledge-Based Systems,2015(77):92-102
|
CSCD被引
8
次
|
|
|
|
|
13.
Kohzadi N. A comparison of artificial neural network and time series models for forecasting commodity prices.
Neurocomputing,1996,10(2):169-181
|
CSCD被引
3
次
|
|
|
|
|
14.
Huang G B. Extreme learning machine: Theory and application.
Neurocomputing,2006,70(1):489-501
|
CSCD被引
1287
次
|
|
|
|
|
15.
王珏. 基于SSA-ELM的大宗商品价格预测研究.
系统工程理论与实践,2017,37(8):2004-2014
|
CSCD被引
13
次
|
|
|
|
|
16.
Wang S Y. Crude oil price forecasting WITH TEI@I METHODOLOGY.
Journal of Systems Science and Complexity,2005,18(2):145-166
|
CSCD被引
35
次
|
|
|
|
|
17.
许利枝. 集装箱港口预测研究方法:香港港实证研究.
管理科学学报,2015,18(5):46-56
|
CSCD被引
6
次
|
|
|
|
|
18.
赵健. 基于EEMD-BP组合模型的区域海平面变化多尺度预测.
系统工程理论与实践,2019,39(10):2713-2722
|
CSCD被引
7
次
|
|
|
|
|
19.
翁克瑞. TPE-XGBOOST与LassoLars组合下PM_(2.5)浓度分解集成预测模型研究.
系统工程理论与实践,2020,40(3):748-760
|
CSCD被引
10
次
|
|
|
|
|
20.
梁小珍. 基于奇异谱分析的航空客运需求分析与分解集成预测模型.
系统工程理论与实践,2020,40(7):1844-1855
|
CSCD被引
15
次
|
|
|
|
|
了解气象卫星更多信息，请访问