小波分析結合ARIMA組合模型的2014～2017年石油貿易量預測研究

劉險峰

摘 要：選取2002～2013年我國石油進出口貿易量的數據進行建模分析。首先運用小波分析理論將貿易量數據進行分解，識別出數據的主要特征和細節特征，針對不同特征進行識別和平穩性檢測和參數估計，建立相應的ARIMA模型，并進行預測加權合成。仿真結果表明，小波分析結合ARIMA組合模型的預測精度遠遠大于為改進的ARIMA預測模型，從而為科學合理的決策提供更為精確的預測模型。

關鍵詞： ARIMA模型；時間序列；進出口貿易；Eviews軟件；對數差分

中圖分類號：F746 文獻標識碼： A 文章編號：1003-7217（2014）04-0117-06

一、引 言

貿易量預測的研究方法很多，通常運用的方法有持續法、卡爾曼濾波法、人工神經網絡法、空間相關法、時間序列法等等，這些預測方法有著各自的優點和缺點。很多學者提出了組合預測模型，如小波和BP神經網絡預測模型、小波和卡爾曼濾波預測模型。組合模型充分利用各種模型的優點，使得預測結果更為準確。

2007年王惠文[1]等人運用多元線性回歸模型對貿易和貿易的影響因素進行了預測分析，得出貿易和貿易影響因素之間的回歸模型，通過實證分析發現該模型預測效果較好。2010年彭向峰等人[2]提出一種基于公平角度的貿易預測模型，并以江蘇某市為研究對象，進行了實證分析。2008年鐘寶昌[3]將灰色理論同馬爾柯夫模型相結合，提出一種基于灰色-馬爾柯夫的貿易預測模型，仿真結果表明效果較好。2007年肖智等人運用SVM模型實現了中國進出口貿易的預測[4]；同年沈漢溪[5]等人運用ARMA模型進行進出口貿易額的預測；2011年褚曉琳[6]利用灰色理論實現北京市進出口貿易的預測。

上述小波分解和重構主要是通過不同的帶通濾波器將含有綜合信息的石油貿易量數據分解成N+1組具有不同特征的時間序列信號。N+1組信號中，其中N組是細節信息反映隨機擾動帶來的影響，剩下的1組代表主要信息反映數據內在的變化趨勢。通過分別預測并進行合成，可以有效提高預測的精度。

三、數據來源

本文數據來源于歷年《中國統計年鑒》，以我國2002～2013年的石油進出口貿易量為研究對象，運用改進的時間序列分析法對數據分析，實現2014～2017年這4年我國石油進出口貿易量做出預測，數據如表1。

四、石油進出口貿易量時間序列分析

ARIMA模型中時間序列是由一個零均值的平穩隨機過程產生，因此若為非平穩時間序列，則應該事先對時間序列進行平穩化處理。

（一） 平穩性檢查

依據石油進出口貿易量的時間序列見圖4， 可以看出我國石油進出口貿易量具有很明顯的上升趨勢，因此此序列為非平穩序列。需要進行ADF單位根檢驗，由圖5可知，ADF檢驗未能通過，說明石油進出口貿易量序列是非平穩的時間序列[6]。

六、結 論

以上將2002～2013年的我國石油進出口貿易量的數據作為時間序列，運用小波分析結合ARIMA組合模型實現我國石油進出口貿易量小規模的預測。 通過模型識別、比較以及檢驗，最終選定模型為ARIMA（3，3，2），之后對2002～2013年的石油進口貿易量進行了預測，并和實際值進行了對比，發現預測精度是比較高的。最后，對2014～2017年石油進口貿易量進行了預測，為科學決策提供理論依據。

通過實證分析研究發現，改進的ARIMA模型預測精度遠遠高于未改進的ARIMA模型，因此可以將預測模型推廣到其他領域的預測，為合理決策提供更多方法和手段。

參考文獻：

[1]王惠文，孟浩.多元線性回歸的預測建模方法[J].北京航空航天大學學報，2007，（4）：15-18.

[2]彭向峰，李智.基于公平角度的貿易合理性研究以江蘇某市為例[J].技術經濟與管理研究，2010，（2）：122-125.

[3]鐘寶昌.基于灰色馬爾柯夫夫模型預測房地產價格[ J] .統計與決策， 2005，（1）：18-23.

[3]肖智，陳婷婷.基于支持向量機的外貿出口預測[J].科學管理研究，2007，（7）：231-233.

[4]沈漢溪，林堅.基于ARMA模型的中國外貿進出口預測：2006-2010[J].國際貿易問題，2007，（6）：24-26.

[5]褚曉琳.基于灰色系統理論的北京市對外貿易預測[J].中國流通經濟，2011，（5）：54-58.

[6]唐海燕.進出口貿易與經濟增長：作用機制與風險度量[J]. 華東師范大學學報（哲學社會科學版），2008，（6）：11-17.

[7]林劍平. 中國歷次通貨膨脹的原因與啟示——基于貨幣因素和體制因素的雙向視角[J]. 世界經濟情況，2010，（7）：9-15.

[8]楊海水，趙大平，范方志. 進出口對我國經濟增長作用的比較[J]. 統計與決策，2011，（12）：18-23.

[9]胡冬梅，鄭尊信，潘世明.匯率傳遞與出口商品價格決定：基于深圳港2000～2008年高度分解面板數據的經驗分析[J]. 世界經濟，2010，（6）：15-19.

[10]高鐵梅.計量經濟分析方法與建模：EViews應用及實例[M].北京：清華大學出版社，2006：85-88.

（責任編輯：王鐵軍）

Abstract：This paper selects 2002～2013 China's oil import and export trade data for modeling and analysis. The wavelet analysis is used to decompose the trade data， identifying the main features. The trade data series is tested for stationarity， and parameter estimation to build an appropriate ARIMA model. Simulation results show that the combination of wavelet analysis with the ARIMA model performs far better in prediction than the ARIMA forecasting model for decisionmaking.

Key words：ARIMA Model； Time Series； Import and Export Trade； Eviews Software； Logarithmic Difference

摘 要：選取2002～2013年我國石油進出口貿易量的數據進行建模分析。首先運用小波分析理論將貿易量數據進行分解，識別出數據的主要特征和細節特征，針對不同特征進行識別和平穩性檢測和參數估計，建立相應的ARIMA模型，并進行預測加權合成。仿真結果表明，小波分析結合ARIMA組合模型的預測精度遠遠大于為改進的ARIMA預測模型，從而為科學合理的決策提供更為精確的預測模型。

關鍵詞： ARIMA模型；時間序列；進出口貿易；Eviews軟件；對數差分

中圖分類號：F746 文獻標識碼： A 文章編號：1003-7217（2014）04-0117-06

一、引 言

貿易量預測的研究方法很多，通常運用的方法有持續法、卡爾曼濾波法、人工神經網絡法、空間相關法、時間序列法等等，這些預測方法有著各自的優點和缺點。很多學者提出了組合預測模型，如小波和BP神經網絡預測模型、小波和卡爾曼濾波預測模型。組合模型充分利用各種模型的優點，使得預測結果更為準確。

2007年王惠文[1]等人運用多元線性回歸模型對貿易和貿易的影響因素進行了預測分析，得出貿易和貿易影響因素之間的回歸模型，通過實證分析發現該模型預測效果較好。2010年彭向峰等人[2]提出一種基于公平角度的貿易預測模型，并以江蘇某市為研究對象，進行了實證分析。2008年鐘寶昌[3]將灰色理論同馬爾柯夫模型相結合，提出一種基于灰色-馬爾柯夫的貿易預測模型，仿真結果表明效果較好。2007年肖智等人運用SVM模型實現了中國進出口貿易的預測[4]；同年沈漢溪[5]等人運用ARMA模型進行進出口貿易額的預測；2011年褚曉琳[6]利用灰色理論實現北京市進出口貿易的預測。

上述小波分解和重構主要是通過不同的帶通濾波器將含有綜合信息的石油貿易量數據分解成N+1組具有不同特征的時間序列信號。N+1組信號中，其中N組是細節信息反映隨機擾動帶來的影響，剩下的1組代表主要信息反映數據內在的變化趨勢。通過分別預測并進行合成，可以有效提高預測的精度。

三、數據來源

本文數據來源于歷年《中國統計年鑒》，以我國2002～2013年的石油進出口貿易量為研究對象，運用改進的時間序列分析法對數據分析，實現2014～2017年這4年我國石油進出口貿易量做出預測，數據如表1。

四、石油進出口貿易量時間序列分析

ARIMA模型中時間序列是由一個零均值的平穩隨機過程產生，因此若為非平穩時間序列，則應該事先對時間序列進行平穩化處理。

（一） 平穩性檢查

依據石油進出口貿易量的時間序列見圖4， 可以看出我國石油進出口貿易量具有很明顯的上升趨勢，因此此序列為非平穩序列。需要進行ADF單位根檢驗，由圖5可知，ADF檢驗未能通過，說明石油進出口貿易量序列是非平穩的時間序列[6]。

六、結 論

以上將2002～2013年的我國石油進出口貿易量的數據作為時間序列，運用小波分析結合ARIMA組合模型實現我國石油進出口貿易量小規模的預測。 通過模型識別、比較以及檢驗，最終選定模型為ARIMA（3，3，2），之后對2002～2013年的石油進口貿易量進行了預測，并和實際值進行了對比，發現預測精度是比較高的。最后，對2014～2017年石油進口貿易量進行了預測，為科學決策提供理論依據。

通過實證分析研究發現，改進的ARIMA模型預測精度遠遠高于未改進的ARIMA模型，因此可以將預測模型推廣到其他領域的預測，為合理決策提供更多方法和手段。

參考文獻：

[1]王惠文，孟浩.多元線性回歸的預測建模方法[J].北京航空航天大學學報，2007，（4）：15-18.

[2]彭向峰，李智.基于公平角度的貿易合理性研究以江蘇某市為例[J].技術經濟與管理研究，2010，（2）：122-125.

[3]鐘寶昌.基于灰色馬爾柯夫夫模型預測房地產價格[ J] .統計與決策， 2005，（1）：18-23.

[3]肖智，陳婷婷.基于支持向量機的外貿出口預測[J].科學管理研究，2007，（7）：231-233.

[4]沈漢溪，林堅.基于ARMA模型的中國外貿進出口預測：2006-2010[J].國際貿易問題，2007，（6）：24-26.

[5]褚曉琳.基于灰色系統理論的北京市對外貿易預測[J].中國流通經濟，2011，（5）：54-58.

[6]唐海燕.進出口貿易與經濟增長：作用機制與風險度量[J]. 華東師范大學學報（哲學社會科學版），2008，（6）：11-17.

[7]林劍平. 中國歷次通貨膨脹的原因與啟示——基于貨幣因素和體制因素的雙向視角[J]. 世界經濟情況，2010，（7）：9-15.

[8]楊海水，趙大平，范方志. 進出口對我國經濟增長作用的比較[J]. 統計與決策，2011，（12）：18-23.

[9]胡冬梅，鄭尊信，潘世明.匯率傳遞與出口商品價格決定：基于深圳港2000～2008年高度分解面板數據的經驗分析[J]. 世界經濟，2010，（6）：15-19.

[10]高鐵梅.計量經濟分析方法與建模：EViews應用及實例[M].北京：清華大學出版社，2006：85-88.

（責任編輯：王鐵軍）

Abstract：This paper selects 2002～2013 China's oil import and export trade data for modeling and analysis. The wavelet analysis is used to decompose the trade data， identifying the main features. The trade data series is tested for stationarity， and parameter estimation to build an appropriate ARIMA model. Simulation results show that the combination of wavelet analysis with the ARIMA model performs far better in prediction than the ARIMA forecasting model for decisionmaking.

Key words：ARIMA Model； Time Series； Import and Export Trade； Eviews Software； Logarithmic Difference

摘 要：選取2002～2013年我國石油進出口貿易量的數據進行建模分析。首先運用小波分析理論將貿易量數據進行分解，識別出數據的主要特征和細節特征，針對不同特征進行識別和平穩性檢測和參數估計，建立相應的ARIMA模型，并進行預測加權合成。仿真結果表明，小波分析結合ARIMA組合模型的預測精度遠遠大于為改進的ARIMA預測模型，從而為科學合理的決策提供更為精確的預測模型。

關鍵詞： ARIMA模型；時間序列；進出口貿易；Eviews軟件；對數差分

中圖分類號：F746 文獻標識碼： A 文章編號：1003-7217（2014）04-0117-06

一、引 言

貿易量預測的研究方法很多，通常運用的方法有持續法、卡爾曼濾波法、人工神經網絡法、空間相關法、時間序列法等等，這些預測方法有著各自的優點和缺點。很多學者提出了組合預測模型，如小波和BP神經網絡預測模型、小波和卡爾曼濾波預測模型。組合模型充分利用各種模型的優點，使得預測結果更為準確。

2007年王惠文[1]等人運用多元線性回歸模型對貿易和貿易的影響因素進行了預測分析，得出貿易和貿易影響因素之間的回歸模型，通過實證分析發現該模型預測效果較好。2010年彭向峰等人[2]提出一種基于公平角度的貿易預測模型，并以江蘇某市為研究對象，進行了實證分析。2008年鐘寶昌[3]將灰色理論同馬爾柯夫模型相結合，提出一種基于灰色-馬爾柯夫的貿易預測模型，仿真結果表明效果較好。2007年肖智等人運用SVM模型實現了中國進出口貿易的預測[4]；同年沈漢溪[5]等人運用ARMA模型進行進出口貿易額的預測；2011年褚曉琳[6]利用灰色理論實現北京市進出口貿易的預測。

上述小波分解和重構主要是通過不同的帶通濾波器將含有綜合信息的石油貿易量數據分解成N+1組具有不同特征的時間序列信號。N+1組信號中，其中N組是細節信息反映隨機擾動帶來的影響，剩下的1組代表主要信息反映數據內在的變化趨勢。通過分別預測并進行合成，可以有效提高預測的精度。

三、數據來源

本文數據來源于歷年《中國統計年鑒》，以我國2002～2013年的石油進出口貿易量為研究對象，運用改進的時間序列分析法對數據分析，實現2014～2017年這4年我國石油進出口貿易量做出預測，數據如表1。

四、石油進出口貿易量時間序列分析

ARIMA模型中時間序列是由一個零均值的平穩隨機過程產生，因此若為非平穩時間序列，則應該事先對時間序列進行平穩化處理。

（一） 平穩性檢查

依據石油進出口貿易量的時間序列見圖4， 可以看出我國石油進出口貿易量具有很明顯的上升趨勢，因此此序列為非平穩序列。需要進行ADF單位根檢驗，由圖5可知，ADF檢驗未能通過，說明石油進出口貿易量序列是非平穩的時間序列[6]。

六、結 論

以上將2002～2013年的我國石油進出口貿易量的數據作為時間序列，運用小波分析結合ARIMA組合模型實現我國石油進出口貿易量小規模的預測。 通過模型識別、比較以及檢驗，最終選定模型為ARIMA（3，3，2），之后對2002～2013年的石油進口貿易量進行了預測，并和實際值進行了對比，發現預測精度是比較高的。最后，對2014～2017年石油進口貿易量進行了預測，為科學決策提供理論依據。

通過實證分析研究發現，改進的ARIMA模型預測精度遠遠高于未改進的ARIMA模型，因此可以將預測模型推廣到其他領域的預測，為合理決策提供更多方法和手段。

參考文獻：

[1]王惠文，孟浩.多元線性回歸的預測建模方法[J].北京航空航天大學學報，2007，（4）：15-18.

[2]彭向峰，李智.基于公平角度的貿易合理性研究以江蘇某市為例[J].技術經濟與管理研究，2010，（2）：122-125.

[3]鐘寶昌.基于灰色馬爾柯夫夫模型預測房地產價格[ J] .統計與決策， 2005，（1）：18-23.

[3]肖智，陳婷婷.基于支持向量機的外貿出口預測[J].科學管理研究，2007，（7）：231-233.

[4]沈漢溪，林堅.基于ARMA模型的中國外貿進出口預測：2006-2010[J].國際貿易問題，2007，（6）：24-26.

[5]褚曉琳.基于灰色系統理論的北京市對外貿易預測[J].中國流通經濟，2011，（5）：54-58.

[6]唐海燕.進出口貿易與經濟增長：作用機制與風險度量[J]. 華東師范大學學報（哲學社會科學版），2008，（6）：11-17.

[7]林劍平. 中國歷次通貨膨脹的原因與啟示——基于貨幣因素和體制因素的雙向視角[J]. 世界經濟情況，2010，（7）：9-15.

[8]楊海水，趙大平，范方志. 進出口對我國經濟增長作用的比較[J]. 統計與決策，2011，（12）：18-23.

[9]胡冬梅，鄭尊信，潘世明.匯率傳遞與出口商品價格決定：基于深圳港2000～2008年高度分解面板數據的經驗分析[J]. 世界經濟，2010，（6）：15-19.

[10]高鐵梅.計量經濟分析方法與建模：EViews應用及實例[M].北京：清華大學出版社，2006：85-88.

（責任編輯：王鐵軍）

Abstract：This paper selects 2002～2013 China's oil import and export trade data for modeling and analysis. The wavelet analysis is used to decompose the trade data， identifying the main features. The trade data series is tested for stationarity， and parameter estimation to build an appropriate ARIMA model. Simulation results show that the combination of wavelet analysis with the ARIMA model performs far better in prediction than the ARIMA forecasting model for decisionmaking.

Key words：ARIMA Model； Time Series； Import and Export Trade； Eviews Software； Logarithmic Difference