一種結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，屬于原油價(jià)格預(yù)測(cè)領(lǐng)域。

背景技術(shù)：

1、原油是全球重要的戰(zhàn)略能源，國(guó)際原油價(jià)格不僅與國(guó)際經(jīng)濟(jì)形勢(shì)息息相關(guān)，而且與我國(guó)經(jīng)濟(jì)發(fā)展也密不可分，國(guó)際油價(jià)的波動(dòng)會(huì)對(duì)我國(guó)的經(jīng)濟(jì)發(fā)展產(chǎn)生巨大影響，因此對(duì)原油價(jià)格的準(zhǔn)確預(yù)測(cè)具有重要的指導(dǎo)意義。

2、在現(xiàn)有技術(shù)中，傳統(tǒng)的原油價(jià)格預(yù)測(cè)方法，普遍是通過(guò)單一的時(shí)間維度的價(jià)格調(diào)整數(shù)據(jù)，其預(yù)測(cè)的本質(zhì)基本都是圍繞單一維度數(shù)，這種傳統(tǒng)方式具有很大的局限性。隨著技術(shù)的不斷發(fā)展，也出現(xiàn)了一些改進(jìn)的價(jià)格預(yù)測(cè)方法，如：申請(qǐng)?zhí)枮?01710971600.6，申請(qǐng)日為2017年10月18日，專利名稱為“一種基于ceemd-pso-bp模型及誤差補(bǔ)償?shù)脑蛢r(jià)格預(yù)測(cè)方法及系統(tǒng)”的中國(guó)發(fā)明專利所公開的技術(shù)方案；申請(qǐng)?zhí)枮?02211576357.5，申請(qǐng)日為2022年12月9日，專利名稱為“一種基于lstm的原油價(jià)格預(yù)測(cè)方法”的中國(guó)發(fā)明專利所公開的技術(shù)方案；申請(qǐng)?zhí)枮?02310640982.x，申請(qǐng)日為2023年6月1日，專利名稱為“基于線性回歸和決策樹結(jié)合的油價(jià)預(yù)測(cè)方法、裝置及設(shè)備”的中國(guó)發(fā)明專利所公開的技術(shù)方案；

3、包括以上技術(shù)方案在內(nèi)的現(xiàn)有技術(shù)，普遍只基于現(xiàn)有的模型或理論，而原油價(jià)格在很大程度上會(huì)受到國(guó)際形勢(shì)的影響，因此上述方案在進(jìn)行價(jià)格預(yù)測(cè)時(shí)其預(yù)測(cè)結(jié)果會(huì)有偏差。除了上述方案，目前對(duì)于原油價(jià)格的預(yù)測(cè)，還出現(xiàn)了一種基于“波動(dòng)區(qū)間+未來(lái)一年內(nèi)大致趨勢(shì)”的模式。這種模式中，波動(dòng)區(qū)間在多數(shù)情況下涵蓋了年內(nèi)可能達(dá)到的最大和最小值，因此區(qū)間范圍多在10美元以上。但對(duì)于市場(chǎng)參與者來(lái)說(shuō)，過(guò)于寬泛的區(qū)間不具備太高參考價(jià)值。例如貿(mào)易商存在提前采貨的需求，會(huì)關(guān)注油價(jià)一年中何時(shí)達(dá)到最高/最低水平、最高/最低水平分別是多少等具體時(shí)點(diǎn)問(wèn)題。因此，對(duì)使用者的參考意義并不大。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題是：克服現(xiàn)有技術(shù)的不足，提供一種結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，以情景分析為主框架，結(jié)合量化模型預(yù)測(cè)國(guó)際油價(jià)，既能提供油價(jià)在不同情景下的波動(dòng)區(qū)間，又能給出基準(zhǔn)情景下油價(jià)月均價(jià)的具體預(yù)測(cè)值，滿足不同市場(chǎng)參與者的多元化需求，有更高的參考價(jià)值。

2、本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：該結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：包括如下步驟：

3、步驟1，基于情景分析法定性分析確定情景模式；通過(guò)多個(gè)要素以及情景劃分方法提出三種不同的波動(dòng)區(qū)間情景：基準(zhǔn)情景、極端看漲情景以及極端看跌情景；

4、步驟2，基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基準(zhǔn)情境下的原油月均價(jià)；

5、步驟3，基于步驟1中的情景劃分方法，結(jié)合經(jīng)濟(jì)政策不確定性指數(shù)的波動(dòng)趨勢(shì)得到對(duì)宏觀環(huán)境的基本預(yù)期，再得到相應(yīng)的極端看漲情景和極端看跌情景分別對(duì)應(yīng)的油價(jià)月均價(jià)變動(dòng)區(qū)間。

6、優(yōu)選的，步驟1中的多個(gè)要素包括宏觀要素、供應(yīng)要素、需求要素、價(jià)差要素、隨機(jī)事件要素，每個(gè)要素關(guān)聯(lián)多個(gè)因子。

7、優(yōu)選的，步驟1中的情景劃分方法包括：

8、方法一，季節(jié)性分析：篩選出每個(gè)要素下具有季節(jié)性特征的因子，總結(jié)季節(jié)性規(guī)律；因子近一個(gè)月的變動(dòng)方向和未來(lái)波動(dòng)方向應(yīng)都符合自身季節(jié)性規(guī)律，則認(rèn)為因子處于基準(zhǔn)情景；若因子變動(dòng)方向?qū)е掠蛢r(jià)超出基準(zhǔn)情景區(qū)間以上，則認(rèn)為因子處于極端看漲情景；若因子變動(dòng)方向?qū)е掠蛢r(jià)跌至基準(zhǔn)情景區(qū)間以下，則認(rèn)為因子處于極端看跌情景；

9、方法二，均值區(qū)間測(cè)算和關(guān)鍵指標(biāo)設(shè)定：通過(guò)對(duì)因子在某一段時(shí)間內(nèi)的數(shù)值做正態(tài)分布檢驗(yàn)，得到均值區(qū)間，因子近一個(gè)月的月均值和未來(lái)波動(dòng)都應(yīng)處于均值區(qū)間內(nèi)，則認(rèn)為因子處于基準(zhǔn)情景；若因子月均值和未來(lái)波動(dòng)導(dǎo)致油價(jià)超出基準(zhǔn)情景區(qū)間以上，則認(rèn)為因子處于極端看漲情景；若因子月均值和未來(lái)波動(dòng)導(dǎo)致油價(jià)跌至基準(zhǔn)情景區(qū)間以下，則認(rèn)為因子處于極端看跌情景；

10、方法三，歷史分位水平：針對(duì)存在周期性波動(dòng)規(guī)律的因子，當(dāng)因子處于歷史較高/較低分位時(shí)，周期性規(guī)律下未來(lái)存在回落或上升的概率；60％以上屬于較高分位水平，則認(rèn)為因子處于極端看漲情景；40％以下屬于是較低分位水平，則認(rèn)為因子處于極端看跌情景；40％-60％之間屬于中等分位水平，則認(rèn)為因子處于基準(zhǔn)情景。

11、優(yōu)選的，步驟2包括如下步驟：

12、步驟2-1，羅列宏觀要素、供應(yīng)要素、需求要素、價(jià)差要素、隨機(jī)事件要素分別關(guān)聯(lián)的因子；

13、步驟2-2，劃分周期；

14、步驟2-3，篩選高權(quán)重因子；

15、步驟2-4，運(yùn)用多因子時(shí)間序列模型預(yù)測(cè)關(guān)鍵因子；

16、步驟2-5，神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)原油價(jià)格。

17、優(yōu)選的，步驟2-2，包括如下步驟：

18、步驟2-2-1，準(zhǔn)備宏觀要素、供應(yīng)要素、需求要素、價(jià)差要素、隨機(jī)事件要素下所有因子的歷史數(shù)據(jù)；

19、步驟2-2-2，將每個(gè)因子的數(shù)據(jù)統(tǒng)一為月頻；

20、步驟2-2-3，月均價(jià)價(jià)格“最低點(diǎn)-最高點(diǎn)-最低點(diǎn)”為一輪大周期；

21、步驟2-2-4，在出現(xiàn)突發(fā)事件后，采用結(jié)構(gòu)性斷點(diǎn)檢驗(yàn)油價(jià)結(jié)構(gòu)是否發(fā)生變化，判斷是否需要在大周期內(nèi)進(jìn)一步劃分小周期。

22、優(yōu)選的，在步驟2-2-4中，結(jié)構(gòu)性斷點(diǎn)檢驗(yàn)為：

23、確定突發(fā)事件的估計(jì)窗和事件窗，估計(jì)窗是突發(fā)事件發(fā)生前未受事件影響的一段時(shí)期，事件窗是突發(fā)事件影響時(shí)期，再計(jì)算估計(jì)窗內(nèi)的正常收益率模型、計(jì)算事件窗內(nèi)的累積異常收益率，并檢驗(yàn)是否不等于0，若該值不等于0，則認(rèn)為因子發(fā)生了結(jié)構(gòu)性變化，則需進(jìn)一步劃分小周期，

24、事件正常收益率的計(jì)算公式為：

25、rt＝100×in(pt/pt-1)

26、其中，rt表示當(dāng)期收益率，pt表示當(dāng)期價(jià)格，pt-1表示前一期價(jià)格，

27、異常收益率指分析對(duì)象的實(shí)際收益和根據(jù)正常收益率模型得到的預(yù)測(cè)值之間的差。

28、優(yōu)選的，宏觀要素下的因子優(yōu)選采用方法二或方法三進(jìn)行情景劃分；供應(yīng)要素和需求要素下的因子采用方法一進(jìn)行情景劃分；價(jià)差價(jià)差因素下的因子采用方法二進(jìn)行情景劃分。

29、與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果是：

30、在本結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法中，以情景分析為主框架，結(jié)合量化模型預(yù)測(cè)國(guó)際油價(jià)，既能提供油價(jià)在不同情景下的波動(dòng)區(qū)間，又能給出基準(zhǔn)情景下油價(jià)月均價(jià)的具體預(yù)測(cè)值，滿足不同市場(chǎng)參與者的多元化需求，有更高的參考價(jià)值。

31、本結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，這種方法既能減少純主觀分析時(shí)夾雜的個(gè)人非理性判斷，也能解決純統(tǒng)計(jì)學(xué)預(yù)測(cè)時(shí)無(wú)法將突發(fā)因素和未來(lái)潛在風(fēng)險(xiǎn)包含在內(nèi)的問(wèn)題，因此相比傳統(tǒng)方法，情景分析可以給讀者提供操作性更強(qiáng)、更有效的預(yù)測(cè)結(jié)果。

技術(shù)特征：

1.一種結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：包括如下步驟：

2.根據(jù)權(quán)利要求1所述的結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：步驟1中的多個(gè)要素包括宏觀要素、供應(yīng)要素、需求要素、價(jià)差要素、隨機(jī)事件要素，每個(gè)要素關(guān)聯(lián)多個(gè)因子。

3.根據(jù)權(quán)利要求2所述的結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：步驟1中的情景劃分方法包括：

4.根據(jù)權(quán)利要求2所述的結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：步驟2包括如下步驟：

5.根據(jù)權(quán)利要求4所述的結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：步驟2-2，包括如下步驟：

6.根據(jù)權(quán)利要求5所述的結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：在步驟2-2-4中，結(jié)構(gòu)性斷點(diǎn)檢驗(yàn)為：

7.根據(jù)權(quán)利要求3所述的結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，其特征在于：宏觀要素下的因子優(yōu)選采用方法二或方法三進(jìn)行情景劃分；供應(yīng)要素和需求要素下的因子采用方法一進(jìn)行情景劃分；價(jià)差價(jià)差因素下的因子采用方法二進(jìn)行情景劃分。

技術(shù)總結(jié)
一種結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法，屬于原油價(jià)格預(yù)測(cè)領(lǐng)域。其特征在于：包括如下步驟：步驟1，基于情景分析法定性分析確定情景模式；步驟2，基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基準(zhǔn)情境下的原油月均價(jià)；步驟3，基于步驟1中的情景劃分方法，結(jié)合經(jīng)濟(jì)政策不確定性指數(shù)的波動(dòng)趨勢(shì)得到對(duì)宏觀環(huán)境的基本預(yù)期，再得到相應(yīng)的極端看漲情景和極端看跌情景分別對(duì)應(yīng)的油價(jià)月均價(jià)變動(dòng)區(qū)間。在本結(jié)合情景分析和神經(jīng)網(wǎng)絡(luò)算法的國(guó)際油價(jià)預(yù)測(cè)方法中，以情景分析為主框架，結(jié)合量化模型預(yù)測(cè)國(guó)際油價(jià)，既能提供油價(jià)在不同情景下的波動(dòng)區(qū)間，又能給出基準(zhǔn)情景下油價(jià)月均價(jià)的具體預(yù)測(cè)值，滿足不同市場(chǎng)參與者的多元化需求，有更高的參考價(jià)值。

技術(shù)研發(fā)人員：梁曦玥,劉新偉,曹慧,趙渤文
受保護(hù)的技術(shù)使用者：山東卓創(chuàng)資訊股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30