林宇, 余元圆, 张希, 岳逾颖, 刘洵
准确预测原油价格一直都是政府管理决策部门、投资主体和学术界关注的重点. 然而由于货币政策、地缘政治等多样化风险因素相互作用, 原油价格表现出更加复杂的非线性特征, 使得原油价格预测面临着前所未有的挑战. 本文以 INE 和 WTI 原油期货市场为研究对象, 通过基于数据分解、强化学习集成策略和误差修正技术构建的原油价格预测模型 (PVMD-QSBT-ECS) 开展实证研究. 首先运用自适应权重的粒子群优化算法 (particle swarm optimization, PSO) 优化的变分模态分解 (variational mode decomposition, VMD) 对原油期货价格序列进行分解; 然后利用 Q 学习算法 (Q-learning, QL) 确定堆叠式长短期记忆网络 (stacked bidirectional long short-term memory, SBiLSTM)、双向门控循环单元 (bidirectional gated recurrent unit, BiGRU) 和时域卷积网络 (temporal convolutional network, TCN) 的最优权重组合以构建集成预测模型, 而后对预测结果进行动态误差修正; 最后运用修正的 Diebold 和 Mariano 检验 (modified Diebold and Mariano, M-DM) 进一步评估 PVMD-QSBT-ECS 模型预测性能. 实证结果表明, 本文提出的 PVMD-QSBT-ECS 预测模型不仅较其他对比模型具有更低的预测误差, 而且在新兴市场和发达市场的预测中都表现出优异的性能, 还在不同步长的预测上具有显著的优势.