[论文解读] Forecasting Model for Crude Oil Price Using Artificial Neural Networks and Commodity Futures Prices

Siddhivinayak Kulkarni, Imad Haidar|ArXiv.org|Jun 26, 2009

Market Dynamics and Volatility参考文献 14被引用 28

一句话总结

本研究开发了一种多层前馈神经网络模型，用于预测未来最多三天内的原油即期价格走势，使用滞后即期价格和1至4个月到期的预处理期货价格。最优模型使用13个滞后即期价格输入，实现了一天内预测价格方向78%的准确率，表明期货价格为短期预测提供了增量信息。

ABSTRACT

This paper presents a model based on multilayer feedforward neural network to forecast crude oil spot price direction in the short-term, up to three days ahead. A great deal of attention was paid on finding the optimal ANN model structure. In addition, several methods of data pre-processing were tested. Our approach is to create a benchmark based on lagged value of pre-processed spot price, then add pre-processed futures prices for 1, 2, 3,and four months to maturity, one by one and also altogether. The results on the benchmark suggest that a dynamic model of 13 lags is the optimal to forecast spot price direction for the short-term. Further, the forecast accuracy of the direction of the market was 78%, 66%, and 53% for one, two, and three days in future conclusively. For all the experiments, that include futures data as an input, the results show that on the short-term, futures prices do hold new information on the spot price direction. The results obtained will generate comprehensive understanding of the crude oil dynamic which help investors and individuals for risk managements.

研究动机与目标

• 开发一种用于预测短期原油即期价格走势的稳健人工神经网络（ANN）模型。
• 识别最优的ANN架构和数据预处理技术，以提高预测准确率。
• 评估商品期货价格在预测即期价格走势方面的增量信息含量。
• 使用滞后即期价格建立基准，并评估加入期货数据的附加价值。

提出的方法

• 使用多层前馈神经网络预测原油即期价格走势（上涨/下跌），预测期分别为1天、2天和3天。
• 数据预处理包括归一化和变换技术，以稳定方差并改善模型收敛性。
• 基准模型使用13个预处理后即期价格的滞后值来预测方向，作为基准参考。
• 依次将1、2、3和4个月到期的期货价格作为输入特征加入，以评估其预测能力。
• 通过方向准确率（正确预测价格方向变化的百分比）评估模型性能。
• 基于交叉验证和测试数据上的表现选择最优模型结构，确定13个滞后值为短期预测的最优选择。

实验结果

研究问题

• RQ1 使用人工神经网络模型预测原油价格走势时，最优的滞后即期价格观测数量是多少？
• RQ2 将不同到期日的预处理期货价格纳入模型，如何提升原油即期价格方向预测的准确率？
• RQ3 具有13个滞后值的动态模型是否优于简单的静态模型，以预测短期价格方向？
• RQ4 期货价格在多大程度上包含未反映在滞后即期价格中的新信息，以支持短期预测？

主要发现

• 最优模型结构使用13个预处理后即期价格的滞后值，在所有测试配置中实现了最高的方向准确率。
• 该模型在一天内预测方向的准确率达到78%，两天预测为66%，三天预测为53%。
• 与仅使用滞后即期价格的基准模型相比，加入1、2、3和4个月到期的期货价格显著提升了预测准确率。
• 期货价格为短期价格方向预测提供了增量信息，这从模型中加入期货价格后持续的性能提升中得到证实。
• 结果证实期货市场对短期即期价格走势具有信息价值，支持其在风险管理与交易策略中的应用。
• 本研究表明，数据预处理和模型架构选择对于最大化人工神经网络在商品价格预测中的性能至关重要。