基于混合结构数据的碳价格多尺度组合预测

beoplay体育提现学报（社会科学版） ›› 2019, Vol. 29 ›› Issue (3): 57-65.

基于混合结构数据的碳价格多尺度组合预测

任贺松^1,²,刘金培^1,³,郭艺^1,⁴,郭健^1,⁵

^1. 安徽大学商学院,安徽合肥230601
^2. 西安交通大学管理学院,陕西西安710049
^3. 北卡罗莱纳州立大学工业与系统工程系,美国罗利 27695
^4. 东南大学经济管理学院,江苏南京2111895

收稿日期:2019-07-23 出版日期:2019-09-25 发布日期:2019-09-25
作者简介:任贺松（1994-）,男,安徽界首人,西安交通大学,博士,研究方向：预测与决策分析|刘金培（1984-）,男,山东滨州人,安徽大学商学院,副教授,研究方向：预测与决策分析
基金资助:
国家自然科学基金(71901001);国家自然科学基金(71501002);国家自然科学基金(71871001);安徽省自然科学基金杰出青年基金(1908085J03);安徽省高校人文社科基金重点项目(SK2019A0013);安徽省高校人文社科基金重点项目(SK2018A0605)

Multiscale Combined Forecast of Carbon PriceBased on Mixed Structure Data

REN HESONG^1,²,LIU JINPEI^1,³,GUO YI^1,⁴,GUO JIAN^1,⁵

^1. School of Business, Anhui University, Hefei, Anhui, 230601, China
^2. School of Management, Xi'an Jiaotong University, Xi’an, Shanxi, China;
^3. Edward P. Fitts Department of Industrial and Systems Engineering, North Carolina State University, Raleigh, NC, 27695, USA
^4. School of Economics and Management, Southeast University, Nanjing, Jiangsu, 211189, China5. School of Economics and Management, Tongji University, Shanghai 200092,China

Received:2019-07-23 Online:2019-09-25 Published:2019-09-25

摘要/Abstract

摘要：

碳交易价格的精准预测对推动碳交易市场的科学理性发展具有重要意义,因此提出一种基于混合结构数据的碳价格多尺度组合预测方法。首先,用谷歌指数提取碳价格相关的非结构化数据,基于主成分分析对其进行降维。然后,对影响因素的结构化数据、降维后的非结构化数据、碳交易价格分别进EMD分解得到不同个数的本征模函数（IMF）,并采用Fine-to-Coarse技术对IMF进行重构得到高频序列、低频序列和趋势项。进而根据时间序列各尺度特点,用ARIMA、PLS 和神经网络对高频数据、低频数据和趋势项进行预测。最后,对预测结果集成得到碳价格预测序列。以欧盟碳价格为例进行实证分析,结果表明,此组合预测模型的预测精度优于单项预测方法和未对时间序列进行EMD分解处理的预测方法,具有较好适用性。

关键词: EMD分解, 组合预测, 碳价格, PLS, 非结构化数据

Abstract:

Accurate forecast of the carbon trading price is of great significance in promoting the scientific and rational development of carbon trading market. Therefore, this paper proposes a multi-scale combined forecasting method for carbon price based on mixed structure data. First, the Google Index is used to extract the unstructured data related to the carbon price.The dimensions of unstructured data are reduced based on principal component analysis. Then, EMD is employedto the structured data,unstructured data and the carbon trading price to obtain different IMFs, which are reconstructed by the Fine-to-Coarse technique to get low, high frequency sequence and trend sequence. Furthermore, the three items are predicted respectively by using ARIMA, PLS and neural networks according to the features of each scale in time series. Finally, the forecasting results are summed to get the carbon price forecast sequence. The proposed method is used to forecast carbon price in EU. The empirical results show that the prediction accuracy of the model is higher than that of the single prediction method and the prediction method that time series aren’t decomposed by EMD, which is of great applicability.

Key words: EMD decomposition, combination forecast, carbon price, PLS, unstructured data

中图分类号:

F407.21

任贺松,刘金培,郭艺,郭健. 基于混合结构数据的碳价格多尺度组合预测[J]. beoplay体育提现学报（社会科学版）, 2019, 29(3): 57-65.

REN HESONG,LIU JINPEI,GUO YI,GUO JIAN. Multiscale Combined Forecast of Carbon PriceBased on Mixed Structure Data[J]. Journal of Xidian University(Social Sciences Edition), 2019, 29(3): 57-65.

图/表 7

图1：

图2：

图3：

图4：

图5：

图6：

表1：

参考文献 20

[1]	CORJAN B, HERMAN R J, VOLLEBERGH , etal. CarbonPricing in the EU:Evaluation of different EU ETS Reform Options[J]. Energy Policy, 2016,97:603-617.
[2]	李晓龙, 许保光, 石彪 . 基于经验模态分解的航空公司旅客流量分析[J]. 系统工程, 2015,33(4):142-148.
[3]	DUAN W Y, HAN Y, HUANG L M , etal. AHybrid EMD-SVR Model for the Short-term Prediction of Significant Wave Height[J]. Ocean Engineering, 2016,124:54-73.
[4]	杨云飞, 鲍玉昆, 胡义 , 等. 基于EMD和SVMs的原油价格预测方法[J]. 管理学报, 2010,7(12):1884-1889.
[5]	蒋铁军, 张怀强, 王先甲 . 基于EEMD和进化KPCR的复杂时间序列自适应预测建模[J]. 系统工程理论与实践, 2014,34(10):2722-2730.
[6]	王书平, 朱艳云 . 基于多尺度分析的小麦价格预测研究[J]. 中国管理科学, 2016,24(5):85-91. doi: 10.16381/j.cnki.issn1003-207x.2016.05.010
[7]	高杨, 李健 . 基于EMD-PSO-SVM误差校正模型的国际碳金融市场价格预测[J]. 中国人口.资源与环境, 2014,24(6):163-170.
[8]	孙毅, 吕本富, 陈航 . 基于网络搜索行为的消费者信心指数构建及应用研究[J]. 管理评论, 2014,26(10):117-125.
[9]	沈苏彦, 赵锦, 徐坚 . 基于“谷歌趋势”数据的入境外国游客量预测[J]. 资源科学, 2015,37(11):2111-2119.
[10]	MANFRED D,MARTINW . Cointegration in singular ARMA models[J]. Economics Letters, 2017,155:39-42.
[11]	刘涛雄, 徐晓飞 . 互联网搜索行为能帮助我们预测宏观经济吗?[J]. 经济研究, 2015(12):68-83.
[12]	陈涛, 林杰 . 基于搜索引擎关注度的网络舆情时空演化比较分析—以谷歌趋势和百度指数比较为例[J]. 情报杂志, 2013,32(3):7-10,16.
[13]	王娜 . 基于大数据的碳价预测[J]. 统计研究, 2016,33(11):56-62.
[14]	刘金培, 朱家明, 陈华友 , 等. 模糊变权组合预测方法研究[J]. 统计与决策, 2017(16):5-10.
[15]	GBADEBO O . Identifying the Oil Price-macroeconomyRelationship:AnEmpirical Mode Decomposition Analysis of US data[J]. Energy Policy, 2009,37(12):5417-5426.
[16]	ZHANG X, LAI K K, SHOU Y W . A New Approach for Crude Oil Price Analysis Based on Empirical Mode Decomposition[J]. Energy Economics, 2008,30(3):905-918.
[17]	QIN M J, LI ZH H, DU ZHH . RedTide Time Series Forecasting by Combining ARIMA and Deep Belief Network[J]. Knowledge-Based Systems, 2017,125:39-52 .
[18]	LUGHOFER E, POLLAK R, ZAVOIANU A C , etal. Self-adaptive Evolving Forecast Models with Incremental PLS Space Updating for On-line Prediction of Micro-fluidic Chip Quality[J]. Engineering Applications of Artificial Intelligence, 2018,68:131-151.
[19]	吴璇 . 基于BP神经网络的航空运输量短期预测模型[J]. beoplay体育提现学报(社会科学版), 2007,17(3):67-70.
[20]	林盛, 叶馨, 刘金培 . 基于多因素小波回归分析的国际原油价格分析与预测[J]. beoplay体育提现学报(社会科学版), 2011,21(6):55-62.

评价指标	本文模型	自变量不分解组合预测	EMD-ARIMA	EMD-PLS	EMD-BP神经网络
MAPE	0.08	0.09	0.16	0.09	0.09
U	0.04	0.04	0.04	0.06	0.04
DS（%）	59.65	55.26	56.14	48.25	57.89
MSPE	0.01	0.01	0.02	0.01	0.01
MAE	0.45	0.52	0.94	0.51	0.52