基于EMD—PSO—SVM誤差校正模型的國際碳金融市場價格預測

高楊　李健

摘要 國際碳金融市場價格預測是制定碳金融市場政策和提高風險管理能力的基礎。近年來國際碳市場價格呈現出非平穩、非線性等不規律特性，傳統應用于社會經濟時間序列的統計模型已經越來越難以滿足日漸復雜的社會經濟系統的需要。基于此本文建立了基于經驗模態分解（EMD）-粒子群算法（PSO）-支持向量機（SVM）的國際碳金融市場價格誤差校正預測模型。數據選取2008年3月-2013年9月ICE碳排放期貨交易所的CER期貨（DEC12）和EUA期貨（DEC12）的日交易結算價格作為考察樣本進行仿真驗證。結果顯示：①引入EMD方法可以有效解決誤差序列隨機性強、相鄰頻帶的干擾可能造成誤差序列無法體現反映全部系統動力信息的缺陷；②校正后的預測值與誤差預測值的趨勢具有較高的一致性，預測結果滯后性和拐點誤差大的問題得到了很好的解決；③預測結果較其他常用的國際碳金融價格預測模型進行了比較分析，預測精度有了明顯提高。本研究提出的預測模型可以為我國針對目前國際碳價格市場所呈現的波動特征下的碳金融市場價格預測提供新的方法和借鑒。

關鍵詞 碳金融價格預測；誤差預測；經驗模態分解；粒子群算法；支持向量機

中圖分類號 TP18；F830 文獻標識碼 A 文章編號 1002-2104（2014）06-0163-08 doi：103969/jissn1002-2104201406024

我國“十二五”期間首次明確提出要建立碳排放交易市場，完善碳排放交易制度。而可靠的碳金融價格預測作為重要的決策工具可以為我國制定碳排放交易市場相關政策、提高碳市場風險管理能力及減少碳資產流失提供有效的依據。2005年《京都議定書》的正式生效，標志著利用市場機制進行溫室氣體減排的開端，碳交易市場在全球迅速發展起來。目前，碳衍生產品市場的發展速度要遠超碳現貨市場，而且碳排放現貨、期貨、遠期、期權等碳金融產品已發展成為市場參與者實現碳排放的投資組合收益、增強金融風險管理的主要金融管理工具[1]。據世界銀行統計并預測，2011年全球碳排放市場總交易市場規模達

1 760億美元，交易量達103億t CO2當量，較2010年增長11%，預計2020年將達到3.5萬億美元，將取代石油市場成為全球最大的商品交易市場[2]。目前，中國碳交易市場處于初步建設階段，尚處于碳價值鏈的末端，缺乏碳交易的議價權，導致我國碳資產流失嚴重，2008年因碳價差就造成我國高達33億歐元的碳資產流失[3]，建立自主碳交易體系、開展各類碳金融業務已成為我國參與全球國際碳金融競爭、實現可持續發展的當務之急。而碳金融價格預測作為提高碳金融市場風險防范能力和減少碳資產價值流失的有效途徑之一，目前已成為學術界所關注的熱點，所以探究和開發針對當前國際碳金融市場價格波動特征下的價格預測方法是具有現實意義的研究課題。

目前國內外學者針對國際碳金融市場價格的預測方面進行了大量的研究，所采用的模型和方法主要可以分為數據驅動模型和數據發掘模型兩種。數據驅動模型主要是對碳市場價格組成的時間序列進行深層次的分析和模擬，包括利用ARMA，ARCH，GARCH、TGARCH等方法對碳金融市場價格進行預測，如chevallier J等構建了AR（1）-GARCH（1，1）模型對EUA現貨、EUA期貨和CER期貨價格波動特征進行了預測與分析[4]。Suk Joon Byu和Hangjun Cho對比了GARCH、K近鄰算法和隱含波動率的對于碳期貨價格的波動性預測能力，研究結果表明GARCH模型要優于K近鄰算法和隱含波動率[5]。Yudong Wang和Chongfeng Wu對比了基于單變量和多變量的GARCH族模型在能源市場中的預測效果，結果顯示多變量模型預測效果要優于單變量模型[6]。C. G. Martos，J. Rodriguez和M. J. Sánchez建立了一個多元GARCH模型對碳排放配額價格進行預測，結果顯示該常見的波動因素可以用于改善預測區間[7]。最近能從大量模糊的隨機數據中提取隱含的有價值信息的數據挖掘技術如混沌理論、灰色理論、神經網絡以及支持向量機（Support Vector Machine， SVM）等越來越多的被引用到非平穩、非線性時間序列的預測中來。其中，建立在統計學習理論基礎上的SVM方法在時間序列預測方面具有可以有效縮小泛化誤差區間，降低模型的結構風險，同時又保證樣本預測誤差最小的優點[8]。鑒于碳金融市場價格時間序列的強噪聲特征，近幾年不少學者將SVM方法引入對國際能源價格和國際碳金融市場價格進行預測和分析中，取得較好的預測結果。如Jinliang Zhang、Zhongfu Tan提出了一種基于WT、CLSSVM和EGARCH的混合預測模型，通過對西班牙電力期貨市場的節點邊際電價和市場供求平均電價進行實證研究驗證了該模型具有較好的預測能力[9]。L.M. Saini、S.K. Aggarwal和A. Kumar構建了一個基于GASVM的預測模型，并將該模型運用到了澳大利亞國家電力市場（NEM）的兩個大型電力系統中進行測試，結果顯示該模型具有較好的預測能力[10]。Bangzhu Zhu、Yiming Wei針對傳統ARIMA模型在預測非線性特征下碳期貨價格時的缺陷，構建了ARIMALSSVM的混合模型，并對EU ETS下的兩種碳期貨價格進行實證研究，結果驗證了該混合模型較傳統線性時間序列預測模型的優越性[11]。朱幫助、魏一鳴構建了基于GARCHPSOLSSVM的混合預測模型，并選用EU ETS下的不同到期的碳期貨合約進行實證分析，取得了較好的預測結果[12]。這些在SVM方法基礎上的改進方法使得預測精度相對于傳統預測方法有了較大的提高，但是現有方法仍未有效的解決運用SVM方法的預測結果相對于實際值具有滯后性、拐點處誤差較大的缺陷，使得預測精度受到影響。

針對上述問題，本文構建了一種基于EMDPSOSVM的誤差校正預測模型。該模型是在SVM預測的基礎上，先運用PSO算法對SVM模型的參數進行優化后對原始碳金融價格序列進行初步預測，而后引入EMD方法將測試誤差分解為具有不同尺度特征的模態分量的疊加，并運用PSOSVM模型對這些分量進行訓練并預測獲得誤差預測值后，再通過預測誤差對初步預測值的校正來解決預測滯后和拐點誤差較大的問題以提高預測精度，選取ICE碳交易所2008-2013年12月份到期的CER期貨合約和EUA期貨合約的日交易結算價格數據進行實證模擬，最后將預測結果與其他常用預測方法的預測結果進行了比較分析，驗證了該模型的可行性和精確性。

1 研究方法

1.1 EMD方法原理

經驗模態分解（Empirical Mode Decomposition）方法，亦稱HilbertHuang變換，是由美國國家宇航局的N E Huang在1998年提出的一種新的自適應信號處理方法[13]。經驗模態分解可以將信號中不同時間尺度的波動逐級分解后得到幾個具有不同尺度特征的本征模函數（Intrinsic Mode Function，IMF）和一個代表原始信號總體趨勢的剩余分量，分解結果能夠反映真實的物理過程，非常適合處理非平穩、非線性的信號[14]。

（DEC12）和EUA期貨日結算價格（DEC12）進行實證分析，預測結果表明：

（1）利用PSO算法對SVM建模中的參數進行優化，可以使參數的選擇更加合理，避免了人為選擇的隨機性。

（2）將EMD方法引入對誤差的預測上來，建立了基于EMDPSOSVM方法融合的預測模型，使誤差信號中包含的信息通過各基本模態分量得以充分體現，解決了誤差序列隨機性強，相鄰頻帶的干擾可能造成誤差序列無法體現反映全部系統動力信息的缺陷，提高了預測數值的經濟含義。

（3）對本研究選取的CER期貨（DEC12）日交易結算價格和EUA期貨（DEC12）日交易結算價格進行實證分析，結果表明該預測模型能夠有效解決預測結果滯后和拐點誤差較大的問題，并與其他碳金融領域常用的預測方法進行了比較分析，提高了預測精度。

國際碳金融市場是一個涉及政治、經濟、社會、環境、科學技術等眾多因素的復雜系統，對國際碳市場價格的預測及分析是一項非常重要的任務，尤其對于中國來講，建立符合國情的碳金融市場，提高對國際碳市場價格的預測能力，對我國減少由于碳價差帶來的損失，提高對碳金融市場的風險防范能力有著重要的意義。本研究提出的預測模型針對目前國際碳金融市場價格所呈現的屬性和特征，可以為我國未來碳金融市場價格預測提供新的思路和方法。限于篇幅，本研究僅對兩種主流碳貨進行了測試，進一步增加樣本的數量、擴大測試范圍，在此模型基礎上建立多因素影響下的碳金融市場價格誤差校正預測模型是下一步的研究方向。

（編輯：常 勇）

參考文獻（References）

[1]王蘇生， 常凱， 劉艷， 等. 碳排放便利收益與期權價值分析[J]. 系統管理學報， 2012， 21（4）： 552-558.

[2]王偉. 未來低碳經濟戰略中需重視碳交易市場發展[DB/OL]. 中國碳排放交易網， （2013-09-18）[2013-11-02].http：//www.financialnews.com.cn/gj/gjyw/201206/t20120601_8769.html.

[3]楊志， 郭兆暉. 低碳經濟的由來、現狀與運行機制[J]. 學習與探索， 2010， （2）： 124-127.

[4]Chevallier J. Volatility Forecasting of Carbon Prices Using Factor Models[J]. Economics Bulletin， 2010， 30（2）： 1642-1660.

[5]Byun S J， Cho H J. Forecasting Carbon Futures Volatility Using GARCH Models with Energy Volatilities[J]. Energy Economics， 2013， （40）： 207-221.

[6]Wang Y D， Wu C F. Forecasting Energy Market Volatility Using GARCH Models： Can Multivariate Models Beat Univariate Models？[J]. Energy Economics， 2012， （34）： 2167-2181.

[7]Martos C G， Rodriguez J， Sánchez M J. Modelling and Forecasting Fossil Fuels， CO2 and Electricity Prices and Their Volatilities[J]. Applied Energy， 2013， （101）： 363-375.

[8]Vapnik V. The Nature of Statistical Learning Theory[M]. New York： Springerverlag， 1999： 78-82.

[9]Zhang J L， Tan Z F. Dayahead Electricity Price Forecasting Using WT， CLSSVM and EGARCH Model[J]. Electrical Power and Energy Systems， 2013， （45）： 362-368.

[10]Saini L M， Aggarwal S K， Kumar A. Parameter Optimisation Using Genetic Algorithm for Support Vector Machinebased Priceforecasting Model in National Electricity Market IET[J]. Gener. Transm. Distrib.， 2010， 4（1）： 36-49.

[11]Zhu B Z， Wei Y M. Carbon Price Forecasting with a Novel Hybrid ARIMA and Least Squares Support Vector Machines Methodology[J]. Omega， 2013， （41）： 517-524.

[12]朱幫助， 魏一鳴. 基于GMDHPSOLSSVM的國際碳市場價格預測[J]. 系統工程理論與實踐， 2011， 31（12）： 2264-2271.

[13]Huang N E， Shen Z， Long S R， et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceedings of the Royal Society A： Mathematical， Physical and Engineering Sciences， 1998， （1971）： 903-995.

[14]謝曉陽， 喬新勇， 劉健敏. 柴油機工作不均勻性的振動檢測方法[J]. 噪聲與振動控制， 2013， 33（3）： 79-83.

[15]劉慧婷， 倪志偉， 李建洋. 經驗模態分解方法及其實現[J]. 計算機工程與應用. 2006， （32）： 44-47.

[16]Cortes C， Vapnik V. Supportvector Networks[J]. Machine Learning， 1995， （3）： 273-297.

[17]曾偉. 多子種群PSO優化SVM的網絡流量預測[J]. 北京交通大學學報， 2013， 37（5）： 62-66.

[18]Kennedy J， Eberhart R C. Particle Swarm Optimization[C]//Proc IEEE Conf on Neural Networks， Perth： Piscataway 1995， （4）： 1942-1948.

[19]Liu J， Liu Z， Xiong Y. Method of Parameters Optimization in SVM Based on PSO[J]. Transactions on Computer Science and Technology， 2013， 2（1）： 9-16.

[20]石曉艷， 劉淮霞， 于水娟. 鯰魚粒子群算法優化支持向量機的短期負荷預測[J]. 計算機工程與應用， 2013， 49（11）： 220-223.

[21]Hassan M， Isa D， Rajkumar R， et al. Reducing Support Vector Machine Classification Error by Implementing Kalman Filter[J]. I.J. Intelligent Systems and Applications， 2013， （9）： 10-18.

[22]王玉， 郇志堅. 歐盟碳排放權交易市場的價格發現和波動溢出研究[J]， 中國人口·資源與環境， 2012， 22（5）： 244-249.

Abstract The price prediction of international carbon finance market is the basis for developing carbon finance market policies and improving risk management capabilities. In recent years， the carbon price showing nonstationary and nonlinear irregular features， the traditional time series statistical model used in socioeconomic has become difficult to meet the increasingly complex social and economic systems. This paper established an error correction prediction model based on empirical mode decomposition （EMD）， particle swarm optimization （PSO） and Support Vector Machine （SVM） to predict international carbon finance market price. Then， taking the carbon futures prices of CER and EUA with maturity called DEC 12 respective of Intercontinental Exchange as samples， empirical results show that： ①the introduced EMD method can resolve the deficiencies effectively that error sequences have strong randomness and interference of adjacent band may cause the outcome that the error sequences can not reflect all of the system dynamic information； ②the trend of corrected predicted values and error predicted values has high consistency， and the predict hysteresis and inflection point error can be solved effectively； ③the model has better prediction precision after comparing to other models commonly used in international carbon finance price prediction. This study proposes a model used in carbon price prediction to provide a new method and reference under the fluctuation characteristics of current international carbon market price.

Key words carbon finance price prediction； error prediction； empirical mode decomposition； particle swarm optimization； support vector machines

[12]朱幫助， 魏一鳴. 基于GMDHPSOLSSVM的國際碳市場價格預測[J]. 系統工程理論與實踐， 2011， 31（12）： 2264-2271.

[13]Huang N E， Shen Z， Long S R， et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceedings of the Royal Society A： Mathematical， Physical and Engineering Sciences， 1998， （1971）： 903-995.

[14]謝曉陽， 喬新勇， 劉健敏. 柴油機工作不均勻性的振動檢測方法[J]. 噪聲與振動控制， 2013， 33（3）： 79-83.

[15]劉慧婷， 倪志偉， 李建洋. 經驗模態分解方法及其實現[J]. 計算機工程與應用. 2006， （32）： 44-47.

[16]Cortes C， Vapnik V. Supportvector Networks[J]. Machine Learning， 1995， （3）： 273-297.

[17]曾偉. 多子種群PSO優化SVM的網絡流量預測[J]. 北京交通大學學報， 2013， 37（5）： 62-66.

[18]Kennedy J， Eberhart R C. Particle Swarm Optimization[C]//Proc IEEE Conf on Neural Networks， Perth： Piscataway 1995， （4）： 1942-1948.

[19]Liu J， Liu Z， Xiong Y. Method of Parameters Optimization in SVM Based on PSO[J]. Transactions on Computer Science and Technology， 2013， 2（1）： 9-16.

[20]石曉艷， 劉淮霞， 于水娟. 鯰魚粒子群算法優化支持向量機的短期負荷預測[J]. 計算機工程與應用， 2013， 49（11）： 220-223.

[21]Hassan M， Isa D， Rajkumar R， et al. Reducing Support Vector Machine Classification Error by Implementing Kalman Filter[J]. I.J. Intelligent Systems and Applications， 2013， （9）： 10-18.

[22]王玉， 郇志堅. 歐盟碳排放權交易市場的價格發現和波動溢出研究[J]， 中國人口·資源與環境， 2012， 22（5）： 244-249.

Abstract The price prediction of international carbon finance market is the basis for developing carbon finance market policies and improving risk management capabilities. In recent years， the carbon price showing nonstationary and nonlinear irregular features， the traditional time series statistical model used in socioeconomic has become difficult to meet the increasingly complex social and economic systems. This paper established an error correction prediction model based on empirical mode decomposition （EMD）， particle swarm optimization （PSO） and Support Vector Machine （SVM） to predict international carbon finance market price. Then， taking the carbon futures prices of CER and EUA with maturity called DEC 12 respective of Intercontinental Exchange as samples， empirical results show that： ①the introduced EMD method can resolve the deficiencies effectively that error sequences have strong randomness and interference of adjacent band may cause the outcome that the error sequences can not reflect all of the system dynamic information； ②the trend of corrected predicted values and error predicted values has high consistency， and the predict hysteresis and inflection point error can be solved effectively； ③the model has better prediction precision after comparing to other models commonly used in international carbon finance price prediction. This study proposes a model used in carbon price prediction to provide a new method and reference under the fluctuation characteristics of current international carbon market price.

Key words carbon finance price prediction； error prediction； empirical mode decomposition； particle swarm optimization； support vector machines

[12]朱幫助， 魏一鳴. 基于GMDHPSOLSSVM的國際碳市場價格預測[J]. 系統工程理論與實踐， 2011， 31（12）： 2264-2271.

[13]Huang N E， Shen Z， Long S R， et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceedings of the Royal Society A： Mathematical， Physical and Engineering Sciences， 1998， （1971）： 903-995.

[14]謝曉陽， 喬新勇， 劉健敏. 柴油機工作不均勻性的振動檢測方法[J]. 噪聲與振動控制， 2013， 33（3）： 79-83.

[15]劉慧婷， 倪志偉， 李建洋. 經驗模態分解方法及其實現[J]. 計算機工程與應用. 2006， （32）： 44-47.

[16]Cortes C， Vapnik V. Supportvector Networks[J]. Machine Learning， 1995， （3）： 273-297.

[17]曾偉. 多子種群PSO優化SVM的網絡流量預測[J]. 北京交通大學學報， 2013， 37（5）： 62-66.

[18]Kennedy J， Eberhart R C. Particle Swarm Optimization[C]//Proc IEEE Conf on Neural Networks， Perth： Piscataway 1995， （4）： 1942-1948.

[19]Liu J， Liu Z， Xiong Y. Method of Parameters Optimization in SVM Based on PSO[J]. Transactions on Computer Science and Technology， 2013， 2（1）： 9-16.

[20]石曉艷， 劉淮霞， 于水娟. 鯰魚粒子群算法優化支持向量機的短期負荷預測[J]. 計算機工程與應用， 2013， 49（11）： 220-223.

[21]Hassan M， Isa D， Rajkumar R， et al. Reducing Support Vector Machine Classification Error by Implementing Kalman Filter[J]. I.J. Intelligent Systems and Applications， 2013， （9）： 10-18.

[22]王玉， 郇志堅. 歐盟碳排放權交易市場的價格發現和波動溢出研究[J]， 中國人口·資源與環境， 2012， 22（5）： 244-249.

Abstract The price prediction of international carbon finance market is the basis for developing carbon finance market policies and improving risk management capabilities. In recent years， the carbon price showing nonstationary and nonlinear irregular features， the traditional time series statistical model used in socioeconomic has become difficult to meet the increasingly complex social and economic systems. This paper established an error correction prediction model based on empirical mode decomposition （EMD）， particle swarm optimization （PSO） and Support Vector Machine （SVM） to predict international carbon finance market price. Then， taking the carbon futures prices of CER and EUA with maturity called DEC 12 respective of Intercontinental Exchange as samples， empirical results show that： ①the introduced EMD method can resolve the deficiencies effectively that error sequences have strong randomness and interference of adjacent band may cause the outcome that the error sequences can not reflect all of the system dynamic information； ②the trend of corrected predicted values and error predicted values has high consistency， and the predict hysteresis and inflection point error can be solved effectively； ③the model has better prediction precision after comparing to other models commonly used in international carbon finance price prediction. This study proposes a model used in carbon price prediction to provide a new method and reference under the fluctuation characteristics of current international carbon market price.

Key words carbon finance price prediction； error prediction； empirical mode decomposition； particle swarm optimization； support vector machines