基于多模型分析的小麥價格預測研究

柳燕子

摘 要：本文收集了2009年～2017年全國小麥收購價格指數。針對價格序列季節性、周期性、非線性及多尺度性等特征，基于分解-重構-集成的思想，提出基于EEMD分解、ARIMA預測的多模型小麥價格預測方法，結果顯示，該方法預測準確性較高，是一種有效的小麥價格預測模型。

關鍵詞：小麥；EEMD；ARIMA；預測

文章編號：1004-7026（2018）04-0148-01 中國圖書分類號：F323.7；F224 文獻標志碼：A

小麥價格波動主要影響農民收入和價格總水平。小麥作為一種工業原料，其價格及銷量變化會影響糧食總價，進而影響國民經濟。研究小麥價格波動特征并預測趨勢具有重要的現實意義。

受季節、生產成本、進出口貿易及國家政策等因素影響，小麥價格波動呈季節性、周期性及多頻率的特征。本文基于分解-重構-集成的思想提出基于EEMD-ARIMA的組合預測模型來預測小麥價格。

1 多尺度組合模型構建的基本思想

小麥價格受多因素共同影響，形成機理較為復雜，價格序列走勢呈非平穩、多尺度的特點。為了更準確的掌握小麥價格的波動規律，提高其預測精度，本文結合傳統時間序列預測方法與智能信號分解方法，建立EEMD-ARIMA組合預測模型。首先，利用EEMD分解小麥價格原始序列；然后，觀察每個分解分量的波動規律，進行平穩化處理；最后，對各個分量進行ARIMA預測，并將每個分量的預測結果疊加得到最終的預測結果。

2 模型建立

2.1 EEMD分解

EEMD技術是一種全局分解技術，主要通過提取信號內在的固有模態函數，逐步實現信號平穩化。本文利用Matlab編程實現小麥2009年～2017年6月價格指數（數據來自中華糧網）的EEMD分解，得到6個分量。如圖所示：

2.2 ARIMA模型

ARIMA是一種時間序列預測方法，形式為（p，d，q）。其中，d為差分階數，p，q分別代表偏自相關函數值、自相關函數值顯著不為0時的最高階數ii。預測每個分量前，要先觀察序列趨勢，若序列存在明顯的不平穩或季節性趨勢，應對序列進行一定階數的差分，使其符合平穩序列標準，而后預測每個序列，預測2017年7月至9月的小麥價格。本文通過Eviews軟件預測各分量，然后將各分量結果進行疊加得到小麥的價格預測結果。圖2展示了原始數據、ARIMA預測值及EEMD分解-ARIMA預測值，結果表明，基于多模型的小麥價格預測方法預測結果與原始數據更接近。

小麥價格波動具有不確定性，個別點的預測偏差較大。因此，下一步將重點研究個別點偏差較大的問題。

結束語

本文將EEMA-ARIMA預測方法用于小麥價格預測，針對多尺度、非平穩的小麥價格序列，利用EEMD進行信號分解，分解為尺度近似的價格分量。針對每個價格分量，采用差分方式進行平穩化處理，而后利用ARIMA預測每個分量，并通過疊加得到最終結果。對比發現，基于EEMD-ARIMA的多模型預測方法預測精度高，為小麥價格預測提供了新思路和新方法。

參考文獻：

[1]鄭文倩.我國小麥價格形成機制及波動特征分析[D].中國農業科學院，2016.

[2]白靜，王妤晗.全國小麥收購價格指數的時間序列分析[J].農業網絡信息，2015.