经济论文哪里有？本文是研究原油期货的价格预测问题，主要是利用分解集成的思想并结合群体智能优化算法和深度学习方法来建立模型求解。
1 绪论
1.3.1 创新点
(1) 结合深度学习模型和智能优化算法的分解集成策略用于原油期货价格预测
本文主要是利用分解集成方法，来处理非线性、不平稳的原油期货价格时间序列数据，所采取的自适应分解方法可将非平稳序列变平稳以提高预测精度。机器学习方法在处理非线性、不平稳序列上具有显著优势，目前，深度学习方法更是成为处理这些数据的主流，智能优化算法用于优化深度学习模型的超参数。最后在集成方法上，采用多元线性回归进一步提高了模型的预测精度，通过选取相应的评价指标对采用不同分解方法、深度学习模型、智能优化算法以及集成方法的预测模型进行了对比分析。
(2) 新闻标题数据的情感分析
众所周知，影响原油期货价格的因素有很多，但投资者情绪是一个显著影响期货价格的潜在因素，非理性投资者的狂热情绪可能会推动原油期货价格暴涨。本文采用新闻标题进行情感分析，因为新闻标题基本不存在重复和冗余且包含新闻的关键信息。结合自然语言处理技术对新闻标题数据进行分析，得到投资者累积情绪得分。结合情绪得分对原油价格进行预测以获得更高的预测精度。
3 原油期货价格预测的研究框架
3.1 原油期货价格预测的研究思路
本文主要是研究原油期货的价格预测问题，研究对象是WTI原油期货。数据格式为WTI原油期货价格的日度数据。图3.1为本文的技术路线图。所提出的模型分为四个阶段，如下所示：
(1) 情感分析
首先对原油价格相关的新闻标题数据进行预处理，删除停止词和标点符号。随后，根据新闻的影响力会持续七天的假定，计算累积情感得分序列。
(2) 数据分解
EEMD可有效抑制EMD的模态混叠现象且分解效果优于EMD，因此本文采用EEMD对WTI原油价格数据进行分解并挖掘原始数据中的主要特征。
(3) 海鸥优化算法优化GRU
Step1.海鸥种群数目等参数的初始化。 Step2.确定适应性函数，并设置终止条件。。
(4) 分析和预测
一方面，对2000年1月4日到2021年6月30日的原油期货价格数据，通过对价格序列分解结果的fine-to-coarse重构，分析国际重大事件和黑天鹅事件的影响。此外，选取一定的评估和统计指标，对原油期货价格以及其收益率和波动率进行描述性分析，可以对原油投资的收益和风险有一个基本判断。另一方面，截取2010年1月4日到2019年9月17日的原油期货价格数据，结合计算得到的累积情感得分，使用建立的SOA-GRU模型预测EEMD分解得到的本征模态函数和趋势项，将每个分量的预测作为自变量，WTI原油价格测试集作为因变量进行多元线性回归得到回归系数，并得到最终的预测结果。为了证明预测方案的有效性，组合不同的数据分解、智能优化算法和深度学习方法形成不同的比较模型验证所提出模型的性能，并通过DM检验方法来验证组合预测模型的有效性。
5 模型预测的实证结果与分析
5.1 结合CSS的原油期货价格预测模型比较
为了检测所提出模型的性能，本文选取了八个比较模型，包括， EMD-WOA-LSTM,EMD-WOA-GRU,EMD-SOA-LSTM,EMD-SOA-GRU,EEMD-WOA-LSTM,EEMD-WOA-GRU,EEMD-SOA-LSTM和EEMD-SOA-GRU用于对比分析。为简便起见，用Model1-Model8分别表示这8个比较模型。结合计算得到的累积情感得分序列以及原油期货价格序列，将数据集划分为训练集和测试集，划分比例分别为80%和20%，即前2048条观测值，也就是2010年1月4日到2017年9月27日的数据被划分为训练集；后510条观测值，也就是2017年9月28日到2019年9月17日的数据被划分为测试集。此外，针对WTI原油市场，研究了具有不同预测步长（在本研究中，H={1,2,3}）的多步原油期货价格预测结果。最后，本文将累积情绪得分序列和每个分解的组分分别作为所选择模型的输入，并通过不同的集成方法集成各组分的预测结果。详细的实验结果和分析如下。
表5.1展示了预测模型的四个评价指标在测试集下的相关结果，其中加粗字体的值代表每个评价指标中的最优值。图5.1展示了所选模型的预测结果和WTI的原始价格，由于所选模型在预测误差上相差不大，因此模型的预测结果很多重叠在一起，为了更好地观察各个模型的预测结果，截取了2018年1月2日到2018年3月31日三个月数据重新绘图如图5.2所示。同样，表5.2和表5.3给出了测试集在两步和三步情况下不同预测模型的WTI原油期货价格的详细计算结果。为了更清楚地分析和验证所提出的模型的优越性，采取四种模型比较方式，包括比较Ⅰ（不同数据分解方法的比较，即EMD和EEMD），比较Ⅱ（不同优化算法的比较，即SOA和WOA），比较Ⅲ（比较不同处理时间序列的深度学习方法，即LSTM和GRU）和比较Ⅳ（比较所提出的混合模型与其他本文所选的八个比较模型）。
5.2 原油期货价格预测模型比较
为了验证情感分析在提高预测精度方面的有效性，仅使用原油期货价格数据的分解组分作为模型输入进行多步预测，测试集的预测结果如表5.4到表5.6所示。首先，对比表5.1到表5.6，从总体来看，除了使用EEMD分解方法的对比模型，结合累积情绪得分序列的预测更有效。这说明在没有随机白噪声序列的干扰下，通过对新闻标题进行情感分析得到的情绪得分对原油期货价格预测具有显著影响。随后，针对上述的四种比较方式进行详细的分析对比。
(1) 比较Ⅰ
对第一个比较，在不同预测步长的情况下，结合不同的数据分解技术但使用同样群体智能优化算法和深度学习方法的混合模型在预测精度方面存在差异。比如，根据表5.4的结果，EMD-SOA-LSTM和EEMD-SOA-LSTM的MAPE的值分别为0.0234和0.0231；EMD-SOA-GRU和EEMD-SOA-GRU的MAPE的值分别为0.0240和0.0215；EMD-WOA-LSTM和EEMD-WOA-LSTM的MAPE的值分别为0.0258和0.0250；EMD-WOA-GRU和EEMD-WOA-GRU的MAPE的值分别为0.0282和0.0215。同理可进行其他误差评价指标和其他比较模型之间的对比，值得注意的是，模型的输入是否包含累积情绪得分序列在这里得到了相反的结论。通过比较可知在仅使用原油期货价格历史数据预测的情形下，集成经验模态分解相比于经验模态分解更有优势，这正是因为在没有其他因素干扰的情况下，EEMD可有效抑制原时间序列数据的不连续性而产生模态混叠现象，使得预测精度提高。
6 结论与展望
6.2 展望
本文在研究原油期货价格的多步预测时，限于文章篇幅，只考虑了一步、两步和三步预测结果。在后续研究中，可以更进一步地考虑六步、九步乃至更多步长的预测，通过对更多不同步长下的预测结果，将会得到更多的有用信息。
另外，本文在选择研究的数据时，只考虑了原油期货价格以及新闻标题数据，而没有考虑其他因素对原油价格的影响。然而原油价格受到众多复杂因素的共同影响，且其中很多因素都具有不确定性，如恶劣天气、地缘政治冲突等，虽然这些因素更是难以量化，但在考虑到天气、社会、经济以及政策等与原油期货价格有关的因素后，模型的预测准确性可能会得到提升。在实验中，只选择了WTI这一研究对象，没有考虑到预测模型是否适用于其他原油期货的价格预测。可以选择布伦特（Brent）原油期货来做一个横向比较，这样可以更好地验证我所提出模型的有效性。
另一方面，本文的研究是针对原油期货价格的点预测，却忽视了区间价格预测的重要性。然而众所周知，区间原油期货价格预测不仅可以提供更多信息，还可以测量不确定性和可变性。因此未来研究可以基于点估计的预测结果，开展区间估计的预测研究，也可以通过考虑原油期货的最低价和最高价形成的区间，直接使用区间预测方法进行区间预测。此外，本文深度学习模型仅使用了LSTM和GRU这种基础的循环神经网络模型作为预测模型，未来的研究中可进一步考虑类似于双向长短期记忆（BiLSTM）等更复杂的深度学习模型。
参考文献（略）
