一种用于原油价格预测的新混合方法:来自多尺度数据的证据
统计金融
2020-02-25 v1 机器学习
机器学习
摘要
面对随着互联网技术加速发展而日益增多的关于原油价格波动影响因素的研究,诸如谷歌搜索量指数(GSVI)等可获取数据正被越来越多地量化并纳入预测方法中。在本文中,我们采用包含 GSVI 数据与原油价格相关传统经济数据的多尺度数据作为自变量,并提出一种用于月度原油价格预测的新混合方法。该混合方法基于分而治之策略,由 K-means 方法、核主成分分析(KPCA)和核极限学习机(KELM)组成,其中 K-means 方法用于将输入数据划分为若干簇,KPCA 用于降维,KELM 用于最终的原油价格预测。实证结果可从数据和方法两个层面进行分析。在数据层面,由于羊群行为,GSVI 数据在水平预测精度上优于经济数据,但在方向预测精度上表现相反,而混合数据结合了二者优势,在水平和方向精度上均取得最佳预测表现。在方法层面,含 K-means 的方法优于不含 K-means 的方法,这表明分而治之策略能有效提升预测性能。
引用
@article{arxiv.2002.09656,
title = {A new hybrid approach for crude oil price forecasting: Evidence from multi-scale data},
author = {Yang Yifan and Guo Ju'e and Sun Shaolong and Li Yixin},
journal= {arXiv preprint arXiv:2002.09656},
year = {2020}
}