一、石油价格预测网络技术的运用（论文文献综述）
张鹏[1]（2021）在《中国碳排放权交易市场价格影响因素及预测研究》文中指出碳交易不仅是经济和能源环境范畴的问题,也关系到各国之间的政治博弈。碳交易市场中最重要的因素是碳排放权交易价格（简称碳价格）,其直接影响着企业的减排意愿和减排成本,进而影响一个国家整体的减排效果和气候变化。目前,虽然我国已经正式启动全国碳排放交易市场体系,但由于处于发展初期,各个碳排放权交易试点市场之间呈现出较大的发展态势差异。因此,研究我国各个碳交易试点市场之间以及与国外碳市场之间的差异性具有重要的现实指导意义。我国八大碳交易市场中,交易量最大的四大市场为北京、湖北、广东和深圳试点市场,本文以该四大试点市场为研究对象,选取能源价格、金融市场、宏观经济、国外碳市场价格、政府政策、极端气温等十二个潜在影响因素,采用NA-MEND和VEC模型对碳价格影响因素进行分析。此外,采用MEMD-LSTM等七种方法对碳价格预测模型的精度进行比较,探求更适合预测碳价格走势的模型。研究表明:同一影响因素在相同时间周期对不同碳市场价格可能产生不同影响。总体来看,四大试点市场在长期均受到自身历史成交价格的正向影响;EUA价格在各个时期主要对北京和湖北试点市场碳价格产生正向影响,而对广东和深圳试点市场碳价格影响不显着;极端气温在中短期对各个试点市场碳价格主要产生正向影响,长期中影响不再显着;北京试点市场相对于其它试点市场受到更多影响因素的影响,具有更高的市场化程度。碳价格受到需求侧影响因素的影响大于供给侧。与欧盟排放交易市场相比,我国碳排放交易试点市场碳价格市场化程度较低,与相关市场的联系较弱。因此,本文建议我国碳排放权交易市场参与者和监管者应当在长期中形成碳价格上升的理性预期,同时关注国际市场EUA和CER价格、极端气温的出现和政府政策的发布,以及将碳价格影响因素纳入碳价格预测模型、使用经验模态分解和神经网络的混合模型以提高碳价格预测精度。
董瑶[2]（2021）在《基于粒子群算法优化的国际原油期货价格预测及交易策略研究》文中研究表明原油期货是市场上重要的多元化投资产品之一,原油期货是一种非常重要的能源衍生产品,并且其价格波动幅度较大,原油期货价格的变动对全球经济影响很大,因此准确对其价格进行预测,不仅可以为期货投资者和市场监管机构提供决策的信号,还可以为原油对商品市场的长期健康发展提供支持。本文以布伦特原油期货主力合约的收盘价作为研究对象,研究时间从2013年1月2日到2020年2月28日,通过供给、需求、库存、交易行为、期货现货市场、宏观因素、外汇股票市场等方面研究对原油期货价格波动造成影响的因素,最后确认了收盘价、持仓量、成交量、原油现货价格、黄金价格、美元指数、全球石油供给、全球石油需求、OVX原油波动指数等影响因素以及通过谷歌趋势引入原油期货投资者关注度这一指标,经筛选后最后共计29个变量作为输入变量,通过极限学习机（ELM）和长短期记忆模型（LSTM）对原油期货的收盘价格进行预测,并且引入了粒子群算法（PSO）对两个模型中的超参数进行优化,使用MAPE、MSE、MAE和R2这四个指标,对不同的模型进行评价,最终确认经由PSO优化后的LSTM模型预测的精度最高、涨跌判断准确率也最高,准确率达到了61.1%,最后根据不用模型的涨跌判断结果进行回测,回测结果表明,四个模型均可获得超额收益,其中PSO-LSTM模型的回测效果最好,短线交易收益率超过100%,长线交易收益率为89.15%,风险相对也最小,这也论证了PSO-LSTM模型的合理性。
肖月淑[3]（2020）在《基于价格影响因素视角的稀土产品价格预测问题研究》文中进行了进一步梳理稀土是极其重要的元素,具有丰富的性能,作为我国的战略性资源其在高新技术领域具有举足轻重的地位。我国稀土的总储量稳居世界第一。稀土的战略性地位无疑成为了我国贸易战中的一张潜力王牌。但稀土市场长时间缺少管理,导致稀土价格低廉,走私严重,且无限制的开采造成环境污染问题使我国遭受了极大的经济损失,并且不利于掌握稀土的定价权。因此掌握其价格波动的变化规律,明确价格变动的影响因素,对我国提高利用稀土资源利用率有显着意义,也是有效规避价格波动的必要手段。本文从稀土资源价格的影响因素出发,考虑了供需因素及金融因素作为稀土产品的价格波动影响因素。构建基于蚁群优化算法的BP神经网络（ACO-BP）组合模型对稀土产品进行预测。首先利用主成分分析（PCA）消除稀土价格预测影响因素之间存在的冗余信息,降低BP神经网络输入数据维数,提高预测精度;继而运用蚁群算法寻找最优的神经网络阈值,以优化模型收敛速度减小预测误差。本文以轻稀土代表产品氧化钕、氧化镧,氧化铈,重稀土代表产品氧化镝作为研究对象。选取2010年1月-2018年3月的月度数据,构建多因素ACO-BP组合模型进行预测。并且与未经优化的BP神经网络模型进行预测结果对比,对比结果表明多因素ACO-BP组合模型在仿真能力、误差水平、收敛精度等方面都优于传统的BP神经网络模型,能更加准确地预测稀土氧化物价格走势,对稀土产品的价格制定有一定的指导作用。根据预测结果,本文构建稀土价格波动预警系统,对价格波动进行预测及预警。稀土价格波动预测预警系统是根据实际的经济市场运作情况,行业整合、国家政治决策等因素,调整优化参数,预测稀土价格的波动趋势,并及时的发布波动预警信号。相关决策者可根据预警信号做出相关政策的及时调整,从而降低市场风险。我们将设置为三级预警体系,即一级风险预警,二级风险预警,三级风险预警。设定三个置信区间,即置信水平为0.99,0.95,0.9的相应置信区间,将预测值的涨跌进行区间划分。协助政府及管理部门指定相应政策,减少价格波动风险。
高海翔[4]（2020）在《基于分解-深度集成学习算法的国际石油价格预测研究》文中研究指明全球经济的发展和社会的稳定与国际原油市场价格波动相关联,作为全球经济市场上一种特殊的货物,其价格基本上受供需关系决定。但是也容易受到一些不规则的事件影响,例如:天气、库存水平、GDP增长、政治因素,甚至是心理预期。这些因素导致了原油市场剧烈波动,具有复杂的非线性、高波动性和不规则的特点。在此背景下,为了提高油价的预测效果,本文对现有的时间序列相关预测方法进行了改进与创新,具体研究内容如下:（1）本文在“分解集成”的策略下构建了一种基于EEMD分解的LSTM神经网络的组合预测方法。首先,EEMD对油价原始时间序列分解;然后使用LSTM神经网络预测分解分量;最后,对预测序列简单加和得到最终结果。实证结果表明,与其它基准模型比较,在水平预测和趋势预测上所提的方法更有效地预测原油价格。（2）改进EEMD分解的LSTM神经网络集成模型油价预测,提出了一种基于EEMD分解、小波阈值去噪、fine-to-coarse法重构和LSTM神经网络的组合预测方法。首先,EEMD对油价原始时间序列分解,利用小波阈值去噪法获取高频模态分量的有效信息;其次,分解出的模态分量运用fine-to-coarse法重构,得到从高到低的重构分量;然后使用LSTM神经网络预测重构分量;最后,对重构序列简单加和得到最终结果。相较于EEMD分解的LSTM集成预测模型,所提模型提高了油价预测准确度。本文提出的两种分解-集成深度学习的油价预测模型,分别使用了WTI的日度原油价格进行实证分析,并且都在一定程度上提升油价预测的准确度。实证结果表明:这两种预测方法在非线性不规则时间序列预测的有效性。
朱雨婷[5]（2020）在《基于影响特征的LSTM-RNN国际原油价格预测模型构建研究》文中指出原油是推动经济发展的主要动力之一。既往关于原油价格的预测中,以计量经济学为代表的线性方法,已经得到长足发展,机器学习（ML）方法的兴起,使我们能以非线性的方法进行预测,其中以SVM及神经网络的方法最为见长。但是,这些方法在应用上,或只管关注自限定的商品属性或金融属性因素,或忽略各因素的内生影响特征,或在模型类型选择上过于单一。因此,本文基于原油的二重属性,通过构建TVP-VAR模型,明晰各因素对原油价格造成的影响特征,为LSTM-RNN模型变量选取及参数设定提供依据。通过构建LSTM、RNN及对照模型,对原油价格进行预测,得到基于影响特征的LSTM-RNN国际原油价格预测模型。本研究通过脉冲响应函数,识别各因素对原油价格的影响特征;通过对比分析其他原油价格的预测方法,得到构建的基于影响特征的LSTM-RNN国际原油价格预测模型更为优越。主要研究结论为:（1）原油商品属性因素以及金融属性因素均会对原油价格造成影响且具有时变效应;而煤炭价格、CPI及人民币汇率对原油价格影响相对于其他因素不显着;并且各因素对原油价格的冲击大多在滞后3个月时冲击最为显着,在滞后6个月时收敛。（2）相对于传统计量经济学方法,机器学习方法具有更好的表现,LSTM-RNN模型相对于BP神经网络模型以及SVM及模型,误差更小。（3）在预测原油期货价格时,LSTM模型表现更好;在预测原油现货价格时,RNN模型表现更好。在上述研究基础上,进一步提出了推进人民币在国际市场影响力、重视原油金融属性、完善原油数据库建设的对策建议,并给出研究展望。
冷娜[6]（2020）在《基于贝叶斯和极大似然法的原油价格动态预测研究》文中认为原油是保证一个国家国民经济各部门维持正常生产生活的重要战略资源。近年来,国际原油市场的大幅度波动越来越频繁近,其背后的原因不仅仅包括资产本身的供求关系相关,还与地缘政治因素、政府的政策走向、金融市场稳定性相关联。作为世界的经济大体,中国可以说是世界上原油需求量最大的国家之一,中国每年的原油进口量十分巨大,而随着中国经济开放程度的不断提高,原油价格的波动对中国经济的稳定运行必定会造成各种各样的影响,这种影响也会越来越直接。原油价格的变化莫测扰了企业做出正确的决策,同时也对政府政策制定、投资者的投资组合产生至关重要的影响,若能找到正确的方法对油价的走向作出合理的预测,就可以在面对油价的大幅波动时,做出符合预期的决策,从而最大限度的将损失降到最低,让企业、市场、政府、个人的利益得到在预期范围的保护。由此可见,原油价格预测就对各方变得至关重要。鉴于原油具有商品、金融及政治等多种属性,本文总结了前人在原油价格预测方面的丰富研究成果,试图能够实现更加精确的原油价格的预测,因此本文将WTI原油价格的五分钟高频数据作为研究对象,提出了利用基于贝叶斯方法和极大似然估计方法的Heston原油价格预测模型,并将贝叶斯方法和古典估计方法作为两种对比估计方法应用到模型参数的估计当中。本文通过基于贝叶斯方法极大似然估计方法下的Heston模型对原油价格进行了动态预测。在实证部分,本文先是基于前人的研究,对模型参数进行了估计,在贝叶斯方法和极大似然方法两种估计方法下分别得到Heston模型的五个参数的估计解析表达式。在执行的预测过程中我们利用滚动周期的样本外预测方法,试图预测原油价格在未来100天的价格,因此我们将预测区间固定为100天,并设置了六种数据长度的估计区间来检验估计区间的数据长度对原油预测效果的影响。并将MSE、MAE、RMSPE、RMSE,MAPE五种损失函数引入到原油预测效果的评价体系当中。在比较了两种方法的预测结果之后,我们发现:两种估计方法都可以有效地估计Heston模型的参数;在特定损失函数下,当估计样本量较小时,贝叶斯方法比经典估计法更具有优势,而估计样本量增加时,经典方法略优于贝叶斯方法,同时我们还用熵方法衡量了原油价的可预测性,结果显示,极大似然估计法下预测的熵值更能代表未来一段时间价格的可预测性。
何智贤[7]（2020）在《基于BP神经网络的柴油价格预测研究》文中研究说明柴油作为一种石油制品,是工业化社会中不可缺少的能源。由于柴油的用途广泛,柴油价格的波动将会影响到社会的方方面面,尤其是各国的国民经济,所以各国对柴油的价格波动十分关注。如何减少柴油价格波动所造成的负面影响,有效地对柴油价格进行预测,对政府部门以及柴油贸易企业来说显得十分重要。在此情况下,本文采用定性和定量相结合的方法,先识别出柴油价格的影响因素,再对柴油价格进行预测分析。本文首先使用文献分析法阐述理论基础,并对国内外有关柴油价格及其影响因素和BP神经网络的相关研究进行综述。其次,运用德尔菲法进行1轮开放式调研和3轮评价式调研,识别出国内市场供需、炼油能力、柴油进出口、经济政策因素、生产成本、新能源替代、柴油库存、期货投资等8个影响柴油价格的主要因素,量化分析得出各因素的指标包括柴油产量、柴油消费量、柴油产能、出口数量、进口数量、GDP、柴油生产成本、LNG供给情况、柴油库存、ICE柴油价格等10个。在此基础上,运用这10个指标和柴油价格数据基于BP神经网络构建预测模型,并实验确定了模型的各项参数。最后,运用模型对柴油价格做了验证,拟合度为0.99998,再将本文算法与多元回归、SVM模型进行比较,结果表明,BP神经网络的预测效果优于另外两个算法,以本文构建的算法预测了2019年1月-2020年12月柴油价格。本文的研究结果将为政府部门制订政策及制度,以及柴油贸易的企业生产经营提供更为科学的决策参考依据,使研究兼备理论价值和实践意义。
黄燕燕[8]（2020）在《基于区间时间序列多尺度分解的原油价格预测与风险预警管理研究》文中研究指明石油作为人类赖以生存的战略性资源对全球的政治稳定与经济安全有重要的影响,几乎所有的生产以及生活活动都与石油紧密相关,因此原油价格的剧烈波动对世界经济的影响十分重大。近年来,我国石油对外依存度越来越高,2018年我国石油对外依存度为70.9%远远超过国际公认的警戒线50%,从《BP世界能源展望2019》中可以看出,原油不仅是现在,在未来几十年中依然会是能源结构的重要组成,中国石油对外依存度有可能还会进一步上升。原油在我国经济发展过程中有着不可替代的作用,与生产生活相关的各行各业的发展都离不开石油资源,国际油价的变动会直接影响经济发展以及生产生活,国际原油价格的走势与中国经济运行密切相关,因此研究国际油价的波动规律、预测原油价格的未来走势、对原油价格进行风险预警管理研究对我国经济发展具有一定的现实意义。针对时间序列模型的研究,奇异谱分析（Singular Spectrum Analysis,SSA）方法是一种比较新的非参数数据驱动模型,这种方法可以不受传统研究方法的限制,奇异谱分析技术通过对时间序列创建轨迹矩阵以及利用奇异值分解（Singular Value Decomposition,SVD）构建与时间序列相对应的奇异值序列进而获得相应的奇异值谱。奇异值的大小不同会反映出不同信息的时间序列,因此利用奇异谱分析技术可以将原始时间序列分解为相对独立的可以解释的分量,各个分量代表所分离出来的时间序列包含的不同信息,因此SSA技术也常用于传统时间序列的预处理。在用于降噪时,一般人为的通过奇异值来确定噪声成分,人为确定会在一定程度上掺杂主观因素,因此降噪后的时序可能会存在过拟合或者信息损失的现象,但在原油价格预测中,噪声序列可能会包含部分有用信息,因此,对噪声序列的预测是有必要的。最后对于分解得到的三个子序列分别运用合适的方法进行预测。本文基于SSA算法提出一种新的原油价格预测框架来提高原油价格区间时间序列的预测精度进而为油价预测领域提供一定的技术支持。本文以WTI每周原油价格区间数据为研究对象,对国际原油价格的波动规律进行研究同时预测原油价格的未来走势,并进行原油价格风险预警管理研究。首先,对本文涉及到的相关理论进行介绍,提出基于区间时间序列多尺度分解的原油价格预测及风险预警管理研究模型。其次,采用SSA技术对原始区间时序进行数据分解,通过创建轨迹矩阵并利用SVD方法将原始区间原油价格序列分解为趋势时间序列、市场波动时间序列与噪声序列。再次,对于分解得到的三个子序列进行平稳性检验,对于平稳的噪声序列采用ARIMA模型进行预测,对于非平稳的区间趋势序列与市场波动序列,采用BPNN&SVM组合预测方法进行预测然后集成得到最终预测结果。然后运用MSE、MAE、SSE、MSPE、MAPE这五种评价标准对模型的预测结果进行评估,评估结果表明对于原油价格区间时间序列来说,本文运用的组合预测模型（SSA-BPNN-SVR-ARIMA）具有较好的预测效果。最后,进行油价风险预警管理研究,根据划分的五个区间的油价预警警限,对于预测得到的区间原油价格序列进行风险预警研究,同时对原油价格波动可能带来的风险提出相关风险管理对策,该对策有助于石油企业与相关监管机构制定和优化风险管理政策。本文实证预测结果表明,利用奇异谱分析方法对原油价格进行预测具有一定的优势,对于经过奇异谱分析得到的包含不同信息的子序列,再根据子序列的特点进行预测具有更高的预测精度。根据五个油价预警警限进行风险预警并从国家与企业两个层面提出的风险管理对策具有一定的理论与现实意义。
徐明源[9]（2020）在《国内原油期货价格预测系统的设计与实现》文中研究表明期货市场在稳定市场经济和促进市场发展方面有着很多关键作用。其不仅可以作为一种投资的重要工具,而且可以合理利用社会闲置资金,规避市场风险。在世界石油市场中,原油期货也占有重要地位,并且其重要性在持续增加。原油期货市场的建立一方面可以根据其市场供需关系来调节生产,另一方面可以作为一种金融工具来规避市场可能性的风险。本文利用遗传算法的全局搜索能力,优化寻找BP神经网络算法的最优的初始权值和阈值的收敛速度与获取精度。在BP神经网络的预测能力基础上,配合遗传算法的优化,得到了更好的原油期货价格走向。同时除了模型,还结合使用Python编程语言和SQL Server数据管理软件,设计和实现系统的表现层,逻辑层与数据层,构成一整套的国内原油期货价格预测系统。实验可得,优化的BP神经网络对原油期货数据有良好的预测能力,对比LSTM算法模型,优化的BP神经网络模型有着更好的预测正确率和模拟收益。同时在原油期货价格影响因素的分析中,使用灰色联度分析可知收盘价与开盘价对预测的影响性更高。原油期货价格的预测,不仅可以作为规避风险的工具,还能在原期货策略的基础上,提升交易收益。本文设计的预测系统能够满足能源行业中的能源机构、经销商、私募等参与方对原油期货价格预测的需要。
付星星[10]（2020）在《基于图网络理论的大宗商品现货价格预测》文中提出近年来大宗商品的价格巨幅波动致使我国经济受损,我国作为大宗商品进口量最大的国家,在大宗商品定价权方面的话语权显得微乎其微。这种情况下,结合市场经验,正确的分析影响大宗商品价格的因素及其波动规律,运用科学的方法对大宗商品价格进行有效的预测,无疑对我国政府经济政策的制定,企业经营策略的选择,家庭以及个人的生产生活导向具有重要意义。大宗商品价格预测一直是各界研究的热点,但大宗商品价格的影响因素较多,如政府法令、市场周期性波动、个人投机行为。传统的价格预测模型已经很难满足现有价格体系下准确度的需要。本文以大宗化工产品为例,首先对产业链上产品价格传导理论进行了整理和总结。根据在价格传导的过程中出现的线性传导和非线性传导,总结了影响大宗商品现货价格波动的因素。最后,针对影响因素对价格预测理论的发展进行了评述,指出现有预测模型存在的问题。之后提出将图网络理论结合神经网络运用于产业链上产品价格的预测。这种复合算法不仅可以完全发挥图网络理论在产业网络数据表征上的优势;与此同时神经网络算法对非线性特征良好的适应能力,还在图网络理论的优越性能上进一步提高预测的有效性。文章主要研究目的是基于图网络理论的大宗商品现货价格预测的实际运用,并选取化工产品网络核心产品进行验证。首先对图网络理论的概念以及内部实现细节进行了介绍。其次,建立了基于图网络理论的现货价格预测模型,与其他模型预测结果进行比较,实现对大宗商品现货价格的仿真预测。实验结果表明,网络中关键节点对整个产品网络起到至关重要的作用,因此,企业为保证关键产品节点的生产运行,建立合理有效的预警机制。在保证现有产品网络完整性的同时,进一步优化产业链结构,增加资金投入。在大宗商品价格预测的问题上,本文提出的价格预测模型更具有效性,对产业链上游的价格预测更加准确,产业链上下游产品在生产关系上的结构能够对产品价格波动的预警起到更大的正反馈作用。让大宗商品行业的从业者、企业、政府直观的观察到大宗商品价格的变化趋势,为他们的决策提供数据支持。
二、石油价格预测网络技术的运用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、石油价格预测网络技术的运用（论文提纲范文）
（1）中国碳排放权交易市场价格影响因素及预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 碳排放权交易价格影响因素研究现状 |
| 1.2.2 碳排放权交易价格预测方法研究现状 |
| 1.2.3 各国碳排放权交易价格预测的实证研究现状 |
| 1.2.4 总结与评述 |
| 1.3 研究内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 创新点 |
| 第二章 中国碳排放权交易价格影响因素分析 |
| 2.1 中国碳排放权交易市场概况 |
| 2.2 碳排放权交易价格需求侧影响因素分析 |
| 2.2.1 能源市场对碳排放权交易价格影响分析 |
| 2.2.2 金融市场对碳排放权交易价格影响分析 |
| 2.2.3 宏观经济对碳排放权交易价格影响分析 |
| 2.2.4 极端气温对碳排放权交易价格影响分析 |
| 2.3 碳排放权交易价格供给侧影响因素分析 |
| 2.3.1 配额总量对碳排放权交易价格影响分析 |
| 2.3.2 配额划分对碳排放权交易价格影响分析 |
| 2.3.3 碳配额分配方式对碳排放权交易价格影响分析 |
| 2.3.4 配额抵消、超额惩罚制度对碳排放权交易价格影响分析 |
| 第三章 中国碳排放权交易价格影响因素实证分析 |
| 3.1 模型构建 |
| 3.1.1 NA-MEMD模型 |
| 3.1.2 多尺度分析的VEC模型 |
| 3.2 数据选取及说明 |
| 3.3 多尺度分解和重构 |
| 3.4 VEC分析 |
| 3.4.1 原始数据层面分析 |
| 3.4.2 高频数据层面分析 |
| 3.4.3 中频数据层面分析 |
| 3.4.4 低频数据层面分析 |
| 3.4.5 趋势项层面分析 |
| 3.5 中外碳市场价格影响因素差异对比 |
| 3.6 本章小结 |
| 第四章 中国碳排放权交易价格预测分析 |
| 4.1 预测模型构建 |
| 4.1.1 因素预测LSTM模型 |
| 4.1.2 多种混合预测模型 |
| 4.2 评估指标 |
| 4.3 预测结果分析与比较 |
| 4.4 本章小结 |
| 第五章 结论与启示 |
| 5.1 研究结论 |
| 5.2 启示 |
| 5.3 不足与展望 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 附录 C |
| 在学期间的研究成果 |
| 致谢 |
（2）基于粒子群算法优化的国际原油期货价格预测及交易策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1 章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文的主要贡献 |
| 第2 章 相关理论回顾与文献综述 |
| 2.1 相关理论 |
| 2.1.1 商品期货定价理论 |
| 2.1.2 量化投资理论 |
| 2.2 文献综述 |
| 2.2.1 关于国际原油价格影响因素的相关文献综述 |
| 2.2.2 关于原油价格预测的相关文献综述 |
| 2.2.3 关于交易策略的文献综述 |
| 2.2.4 关于粒子群算法的文献综述 |
| 2.2.5 文献综评 |
| 第3 章 原油期货价格预测问题的分析与交易策略的构思 |
| 3.1 原油期货价格预测问题的提出 |
| 3.2 预测模型及交易策略设计的思路 |
| 3.2.1 影响原油期货价格的因素分析 |
| 3.2.2 原油期货价格预测模型的设计 |
| 3.2.3 交易策略的设计 |
| 3.3 原油期货价格预测模型的理论框架 |
| 3.3.1 极限学习机(ELM)模型介绍 |
| 3.3.2 长短期神经网络(LSTM)算法介绍 |
| 3.3.3 粒子群(PSO)算法介绍 |
| 第4 章 基于粒子群优化的价格预测和交易策略设计 |
| 4.1 数据收集及预处理 |
| 4.1.1 数据收集 |
| 4.1.2 数据预处理 |
| 4.1.3 数据归一化处理 |
| 4.1.4 基于Lars-Lasso模型的特征筛选 |
| 4.2 模型评价指标 |
| 4.3 基于PSO-ELM模型的原油期货价格预测的方案设计 |
| 4.4 基于PSO-LSTM模型的原油期货价格预测的方案设计 |
| 第5 章 基于粒子群优化后的模型策略设计有效性评价 |
| 5.1 模型预测结果的有效性评价 |
| 5.2 交易策略方案的有效性评价 |
| 第6 章 结论与期望 |
| 6.1 研究结论 |
| 6.2 研究的不足与展望 |
| 参考文献 |
| 附录 |
| 附录1 PSO-ELM核心代码 |
| 附录2 PSO-LSTM核心代码 |
| 致谢 |
（3）基于价格影响因素视角的稀土产品价格预测问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的背景及研究意义 |
| 1.2 主要研究内容 |
| 1.3 文章的创新点 |
| 2 文献综述 |
| 2.1 稀土产品价格研究现状 |
| 2.2 资源品价格影响因素的研究进展 |
| 2.2.1 供需因素 |
| 2.2.2 金融因素 |
| 2.3 价格预测方法演进与启示 |
| 2.3.1 定性预测方法 |
| 2.3.2 定量预测方法 |
| 2.3.3 神经网络预测方法 |
| 2.4 蚁群优化算法 |
| 2.5 文献评述 |
| 3 稀土资源现状 |
| 3.1 稀土产品类别 |
| 3.2 稀土主要应用领域 |
| 3.3 稀土进出口贸易情况 |
| 3.3.1 稀土市场状况 |
| 3.3.2 中国稀土进出口量 |
| 3.4 稀土价格波动特点及原因 |
| 3.4.1 价格波动特点 |
| 3.4.2 价格波动原因 |
| 4 基于主成分分析的混合预测模型构建 |
| 4.1 主成分分析算法含义 |
| 4.1.1 主成分分析的数学模型 |
| 4.1.2 主成分分析中各统计量含义 |
| 4.2 BP神经网络 |
| 4.2.1 BP网络算法思路 |
| 4.2.2 BP网络算法过程 |
| 4.3 蚁群算法 |
| 4.4 ACO-BP模型构建 |
| 5 稀土价格预测 |
| 5.1 影响因素的选择及数据来源 |
| 5.2 影响因素主成分提取 |
| 5.3 多因素ACO-BP组合预测模型仿真 |
| 5.3.1 氧化铈的预测结果 |
| 5.3.2 氧化钕的预测结果 |
| 5.3.3 氧化镧的预测结果 |
| 5.3.4 氧化镝的预测结果 |
| 5.4 优化与未优化的BP预测模型比较 |
| 5.5 本章小结 |
| 6 稀土价格波动预警系统构建 |
| 6.1 价格波动预警系统 |
| 6.2 预警系统阈值 |
| 6.2.1 设定依据 |
| 6.2.2 阈值标准 |
| 6.3 预警结果验证 |
| 7 结论展望及政策建议 |
| 7.1 结论 |
| 7.2 展望 |
| 7.3 政策建议 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）基于分解-深度集成学习算法的国际石油价格预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容与章节安排 |
| 1.2.1 研究内容 |
| 1.2.2 章节安排 |
| 1.3 研究方法与技术路线 |
| 1.3.1 经典时间序列预测建模 |
| 1.3.2 研究思路与技术路线 |
| 1.4 本文创新点 |
| 1.5 本章小结 |
| 第二章 文献综述 |
| 2.1 国外研究现状 |
| 2.2 国内研究现状 |
| 2.3 文献评述 |
| 2.4 本章小结 |
| 第三章 基于EEMD-LSTM-ADD集成模型的油价预测研究 |
| 3.1 引言 |
| 3.2 模型构建 |
| 3.2.1 集成经验模态分解技术 |
| 3.2.2 长短期记忆网络(LSTM) |
| 3.2.3 基于EEMD-LSTM-ADD的分解集成预测模型研究 |
| 3.3 实证分析 |
| 3.3.1 实验设计 |
| 3.3.2 评价指标 |
| 3.3.3 基准模型 |
| 3.3.4 参数描述 |
| 3.3.5 实验结果 |
| 3.3.6 实证小结 |
| 3.4 本章小结 |
| 第四章 基于EEMD-FTC-LSTM集成模型的油价预测研究 |
| 4.1 引言 |
| 4.2 模型构建 |
| 4.2.1 小波阈值滤波去噪 |
| 4.2.2 Fine-to-coarse重构 |
| 4.2.3 基于EEMD的重构LSTM分解集成预测模型研究 |
| 4.3 实证分析 |
| 4.3.1 实验设计 |
| 4.3.2 评价指标 |
| 4.3.3 基准模型 |
| 4.3.4 参数设置 |
| 4.3.5 实验结果 |
| 4.3.6 与第三章所提模型的比较 |
| 4.3.7 实证小结 |
| 4.4 本章小结 |
| 第五章 研究结论与展望 |
| 5.1 总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者及导师简介 |
| 附件 |
（5）基于影响特征的LSTM-RNN国际原油价格预测模型构建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 原油价格的影响因素研究 |
| 1.2.2 原油价格预测方法的研究 |
| 1.2.3 循环神经网络的应用 |
| 1.2.4 文献述评 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线图 |
| 1.4 研究创新点 |
| 第2章 理论基础与研究设计 |
| 2.1 原油特性:商品和金融二重属性 |
| 2.1.1 原油的商品属性 |
| 2.1.2 原油的金融属性 |
| 2.2 预测模型构建方法的选择 |
| 2.2.1 时变参数向量自回归模型(TVP-VAR) |
| 2.2.2 循环神经网络和长短期记忆模型(LSTM-RNN) |
| 2.3 研究设计 |
| 2.3.1 研究设计的思路 |
| 2.3.2 研究设计的实现 |
| 2.4 本章小结 |
| 第3章 基于TVP-VAR对原油价格影响特征的甄别 |
| 3.1 数据来源 |
| 3.1.1 变量与数据选取 |
| 3.1.2 数据描述 |
| 3.2 模型设定 |
| 3.2.1 平稳性检验 |
| 3.2.2 滞后阶数确定 |
| 3.2.3 超参数设定 |
| 3.3 实证结果 |
| 3.3.1 MCMC参数估计结果分析 |
| 3.3.2 脉冲响应结果分析 |
| 3.4 本章小结 |
| 第4章 基于影响特征的LSTM-RNN原油价格预测模型构建及性能评估 |
| 4.1 变量与数据选取 |
| 4.1.1 变量选取 |
| 4.1.2 数据选取 |
| 4.2 模型构建设计 |
| 4.2.1 对照组设定 |
| 4.2.2 模型框架设计 |
| 4.3 模型性能评估 |
| 4.3.1 模型评价指标 |
| 4.3.2 实验结果分析 |
| 4.3.3 稳健性检验 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 主要结论 |
| 5.2 对策建议 |
| 5.3 不足与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B LSTM-RNN模型关键代码 |
| 附录C MCMC参数估计结果 |
（6）基于贝叶斯和极大似然法的原油价格动态预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景 |
| 第二节 研究意义 |
| 一、理论意义 |
| 二、实际意义 |
| 第三节 研究内容 |
| 第四节 研究方法和技术路线 |
| 一、研究方法 |
| 二、技术路线 |
| 第二章 原油价格预测相关理论研究现状 |
| 第一节 原油价格预测理论 |
| 一、时间序列模型 |
| 二、支持向量机(SVM) |
| 三、小波分析 |
| 四、系统动力学模型 |
| 五、神经网络模型 |
| 第二节 估计方法的国内外研究现状 |
| 一、贝叶斯方法 |
| 二、极大似然法 |
| 三、经典估计方法和贝叶斯方法的对比研究 |
| 四、随机波动模型的参数估计研究 |
| 第三节 信息熵的国内外研究现状 |
| 第四节 不同估计方法下模型预测效果的检验 |
| 第五节 文献评述 |
| 第三章 模型与估计方法 |
| 第一节 Heston模型 |
| 第二节 贝叶斯方法 |
| 一、先验分布 |
| 二、后验分布 |
| 第三节 贝叶斯计算 |
| 一、MCMC方法 |
| 二、Gibbs抽样 |
| 三、Metropolis-Hastings算法 |
| 第四节 极大似然估计法 |
| 第四章 基于贝叶斯和极大似然估计的油价预测实证分析 |
| 第一节 实证数据的选取说明 |
| 第二节 模型处理 |
| 第三节 后验密度的计算 |
| 第四节 极大似然方法的参数估计 |
| 第五节 样本外预测及预测结果分析 |
| 一、样本外预测 |
| 二、预测结果分析 |
| 第六节 原油价格的可预测性分析 |
| 第五章 结论与展望 |
| 第一节 结论 |
| 第二节 展望 |
| 参考文献 |
| 致谢 |
| 在读期间完成的科研成果目录 |
（7）基于BP神经网络的柴油价格预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要创新点 |
| 第二章 文献综述 |
| 2.1 理论基础 |
| 2.1.1 管理理论 |
| 2.1.2 价格理论综述 |
| 2.2 国内外柴油相关研究现状综述 |
| 2.2.1 成品油价格研究 |
| 2.2.2 柴油价格的影响因素 |
| 2.2.3 柴油价格研究 |
| 2.3 BP神经网络的相关研究 |
| 2.3.1 BP神经网络理论基础 |
| 2.3.2 对神经网络在应用方面的研究 |
| 2.3.3 对神经网络在算法改进方面的研究 |
| 2.3.4 BP神经网络对于柴油价格的适用性分析 |
| 2.4 本章小结 |
| 第三章 影响柴油价格的因素识别 |
| 3.1 基于德尔菲法的柴油价格影响因素分析 |
| 3.1.1 德尔菲法实施的主要步骤 |
| 3.1.2 专家小组的选定 |
| 3.1.3 资料的多次循环收集及处理 |
| 3.2 识别结果分析及影响因素含义解释 |
| 3.2.1 识别结果分析 |
| 3.2.2 影响因素的阐释 |
| 3.3 本章小结 |
| 第四章 基于BP神经网络的柴油价格预测模型的构建 |
| 4.1 人工神经网络原理 |
| 4.1.1 基本神经元 |
| 4.1.2 网络结构 |
| 4.2 BP神经网络原理 |
| 4.2.1 BP神经网络模型 |
| 4.2.2 算法实现 |
| 4.3 样本数据的选取及预处理 |
| 4.4 BP神经网络模型的确定 |
| 4.4.1 数据的输入和输出 |
| 4.4.2 网络的参数确定 |
| 4.4.3 网络的算法确定 |
| 4.5 本章小结 |
| 第五章 基于BP神经网络的实现与预测 |
| 5.1 BP神经网络的实现 |
| 5.1.1 柴油价格预测的基本思想 |
| 5.1.2 网络的算法确定 |
| 5.2 BP神经网络的训练 |
| 5.3 实际值和预测值的分析 |
| 5.4 模型对比 |
| 5.5 柴油价格预测 |
| 5.5.1 输入数据的处理预测 |
| 5.5.2 柴油价格预测 |
| 5.6 本章小结 |
| 第六章 管理启示 |
| 6.1 研究成果 |
| 6.2 相关对策建议 |
| 6.2.1 给政府部门的建议 |
| 6.2.2 给柴油企业的建议 |
| 6.3 研究的不足与展望 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录1 访谈提纲（因素识别） |
| 附录2 调查问卷（因素筛选） |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）基于区间时间序列多尺度分解的原油价格预测与风险预警管理研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 一、研究背景 |
| 二、研究目的与意义 |
| 三、研究内容 |
| 四、研究思路与方法 |
| 五、本文的创新点 |
| 第二章 理论基础与文献综述 |
| 一、相关理论基础 |
| 二、相关文献综述 |
| 第三章 基于区间时间序列多尺度分解的油价预测 |
| 一、区间时间序列相关理论 |
| 二、区间奇异谱分析组合预测流程 |
| 三、组合预测模型的建立 |
| 四、模型评价标准 |
| 第四章 原油价格预测实证分析 |
| 一、奇异谱分析(SSA)算法 |
| 二、原油价格主要影响因素 |
| 三、区间原油价格时序统计特征描述 |
| 四、区间奇异谱分析实证研究 |
| 五、基于区间时间序列模型的石油价格预测 |
| 第五章 原油价格风险预警管理研究 |
| 一、价格风险预警机制相关理论 |
| 二、原油价格风险预警警戒线的划分 |
| 三、原油价格风险预警分析 |
| 四、油价风险预警管理对策 |
| 第六章 总结与展望 |
| 一、总结 |
| 二、展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（9）国内原油期货价格预测系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义及目的 |
| 1.2 期货价格预测的研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 期货市场 |
| 1.4 研究内容及要解决的主要问题 |
| 1.4.1 研究内容 |
| 1.5 主要技术路线 |
| 1.6 文章内容安排 |
| 第二章 相关技术和基础理论 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘的功能 |
| 2.1.2 数据挖掘组成 |
| 2.1.3 数据挖掘常用方法 |
| 2.2 BP神经网络 |
| 2.2.1 神经网络的相关概念 |
| 2.2.2 神经网络的特点 |
| 2.2.3 BP神经网络原理推导 |
| 2.2.4 遗传算法 |
| 2.3 LSTM神经网络 |
| 2.3.1 LSTM基础概念 |
| 2.3.2 LSTM算法原理 |
| 2.4 K线以及期货指标 |
| 2.5 本章小结 |
| 第三章 原油期货价格预测模型建立 |
| 3.1 遗传算法优化的BP神经网络 |
| 3.2 基于优化的BP神经网络的期货价格预测模型构建 |
| 3.2.1 数据来源 |
| 3.2.2 建立优化的BP神经网络模型 |
| 3.3 基于LSTM网络的期货价格预测模型构建 |
| 3.4 本章小结 |
| 第四章 实验分析 |
| 4.1 数据处理 |
| 4.2 基于BP神经网络的原油期货价格预测模型实例分析 |
| 4.2.1 优化的BP神经网络模型结果分析 |
| 4.2.2 未优化的BP神经网络模型结果分析 |
| 4.3 基于LSTM网络的原油期货价格预测模型实例分析 |
| 4.4 实验结果对比分析和价格影响因素分析 |
| 4.4.1 模型对比分析 |
| 4.4.2 原油期货价格影响因素分析 |
| 4.5 本章小结 |
| 第五章 原油期货价格预测系统设计与实现 |
| 5.1 系统需求分析 |
| 5.2 系统关键技术 |
| 5.2.1 数据库软件 |
| 5.2.2 编程语言 |
| 5.3 系统概要设计 |
| 5.4 系统详细设计 |
| 5.5 系统实现 |
| 5.5.1 期货价格数据库 |
| 5.5.2 数据处理中心 |
| 5.5.3 输出表模块 |
| 5.5.4 用户操作界面 |
| 5.6 系统测试 |
| 5.6.1 测试环境 |
| 5.6.2 系统功能性测试 |
| 5.6.3 系统性能测试 |
| 5.7 本章小结 |
| 第六章 结论和展望 |
| 参考文献 |
| 致谢 |
（10）基于图网络理论的大宗商品现货价格预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 价格预测国内外相关文献综述 |
| 1.2.1 产业链产品价格研究现状 |
| 1.2.2 大宗商品现货价格影响因素研究现状 |
| 1.2.3 价格预测方法研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究思路与论文技术路线 |
| 第二章 产品网络价格联动分析 |
| 2.1 化工产品生产依赖关系网络构建 |
| 2.2 化工产品生产依赖关系网络结构分析 |
| 2.2.1 节点度 |
| 2.2.2 网络模块分析 |
| 2.2.3 节点中心性 |
| 2.2.4 网络抗毁性 |
| 2.3 核心产品的价格相关性网络与联动关系分析 |
| 2.3.1 核心产品的价格相关性网络 |
| 2.3.2 基于阈值的核心产品价格联动分析 |
| 2.3.3 核心网络产品价格时间延迟相关性分析 |
| 2.4 本章小结 |
| 第三章 基于图深度学习的核心产品价格预测模型 |
| 3.1 图深度学习框架 |
| 3.2 基于图深度学习的价格预测模型构建 |
| 3.2.1 输入层 |
| 3.2.2 更新和计算过程 |
| 3.2.3 输出层 |
| 3.3 实验数据选取与处理 |
| 3.3.1 核心产业链产品网络构建 |
| 3.3.2 数据说明 |
| 第四章 基于图深度学习的核心产品价格预测分析 |
| 4.1 核心产品价格预测实验参数设置 |
| 4.1.1 结构熵 |
| 4.1.2 核心产品价格相关系数 |
| 4.2 模型评价指标 |
| 4.3 价格预测结果分析与比较 |
| 4.3.1 图深度学习预测模型与单变量预测模型比较 |
| 4.3.2 不同边属性图深度学习预测模型比较 |
| 第五章 结论与展望 |
| 5.1 结论与建议 |
| 5.2 创新点总结 |
| 5.3 未来研究展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
四、石油价格预测网络技术的运用（论文参考文献）
- [1]中国碳排放权交易市场价格影响因素及预测研究[D]. 张鹏. 北方工业大学, 2021(02)
- [2]基于粒子群算法优化的国际原油期货价格预测及交易策略研究[D]. 董瑶. 上海师范大学, 2021(07)
- [3]基于价格影响因素视角的稀土产品价格预测问题研究[D]. 肖月淑. 内蒙古科技大学, 2020(10)
- [4]基于分解-深度集成学习算法的国际石油价格预测研究[D]. 高海翔. 北京化工大学, 2020(02)
- [5]基于影响特征的LSTM-RNN国际原油价格预测模型构建研究[D]. 朱雨婷. 兰州理工大学, 2020(10)
- [6]基于贝叶斯和极大似然法的原油价格动态预测研究[D]. 冷娜. 云南财经大学, 2020(07)
- [7]基于BP神经网络的柴油价格预测研究[D]. 何智贤. 华南理工大学, 2020(06)
- [8]基于区间时间序列多尺度分解的原油价格预测与风险预警管理研究[D]. 黄燕燕. 安徽大学, 2020(07)
- [9]国内原油期货价格预测系统的设计与实现[D]. 徐明源. 北京邮电大学, 2020(05)
- [10]基于图网络理论的大宗商品现货价格预测[D]. 付星星. 山东理工大学, 2020(02)