[论文解读] Multiple Wavelet Coherency Analysis and Forecasting of Metal Prices

Emre Kahraman, Gazanfer Ünal|arXiv (Cornell University)|Feb 5, 2016

Market Dynamics and Volatility参考文献 33被引用 3

一句话总结

本文提出了一种将多重小波相干性（MWC）分析与VARMA建模相结合的新方法，以提升金属价格的预测准确性。通过在时频域中识别钢、铝、铜和锌之间的动态联动模式，该方法可选择最优预测区间，相较于标准ARMA模型，显著降低了预测误差，尤其是在高互动时期。

ABSTRACT

The assessment of co-movement among metals is crucial to better understand the behaviors of the metal prices and the interactions with others that affect the changes in prices. In this study, both Wavelet Analysis and VARMA (Vector Autoregressive Moving Average) models are utilized. First, Multiple Wavelet Coherence (MWC), where Wavelet Analysis is needed, is utilized to determine dynamic correlation time interval and scales. VARMA is then used for forecasting which results in reduced errors. The daily prices of steel, aluminium, copper and zinc between 10.05.2010 and 29.05.2014 are analyzed via wavelet analysis to highlight the interactions. Results uncover interesting dynamics between mentioned metals in the time-frequency space. VARMA (1,1) model forecasting is carried out considering the daily prices between 14.11.2011 and 16.11.2012 where the interactions are quite high and prediction errors are found quite limited with respect to ARMA(1.1). It is shown that dynamic co-movement detection via four variables wavelet coherency analysis in the determination of VARMA time interval enables to improve forecasting power of ARMA by decreasing forecasting errors.

研究动机与目标

• 通过基于小波的方法分析关键工业金属（钢、铝、铜、锌）之间的动态联动模式。
• 利用小波相干性提供的时频洞察，提升金属价格预测的准确性。
• 通过识别金属之间高依存性的时期，确定最优预测时间区间。
• 将基于小波相干性的VARMA(1,1)模型与标准ARMA(1,1)模型的预测性能进行比较。
• 证明基于小波的模型选择可降低在市场波动或高度相关市场状态下的预测误差。

提出的方法

• 使用多重小波相干性（MWC）分析四种金属日度价格在时频域中的动态特性。
• 利用小波分析检测金属表现出强联动性的尺度和时间区间，表明存在共同的市场影响因素。
• 基于MWC结果，选择一个高相干性区间（2011年11月14日至2012年11月16日）作为预测区间。
• 在选定区间上应用VARMA(1,1)模型，以利用多变量依赖关系进行金属价格预测。
• 将VARMA(1,1)的预测误差与ARMA(1,1)的预测误差进行比较，以评估性能提升。
• 使用基于小波的相干性作为筛选工具，指导模型选择，从而在相关市场状态下提升预测精度。

实验结果

研究问题

• RQ1 钢、铝、铜和锌的价格在不同时间与频率尺度下如何联动？
• RQ2 哪些时频区间显示出四种金属之间最强的动态联动性？
• RQ3 基于小波的区间选择能否提升VARMA等多变量时间序列模型的预测准确性？
• RQ4 当VARMA(1,1)模型在基于小波识别出的高相干性时期进行训练时，其预测误差与ARMA(1,1)相比如何？
• RQ5 在金属价格预测中，整合小波相干性在多大程度上可降低预测误差？

主要发现

• 多重小波相干性揭示了四种金属在多个时间尺度和区间内存在显著的动态联动性。
• 金属之间的最高依存性出现在2011年11月14日至2012年11月16日期间，被确定为最优预测窗口。
• 在基于小波识别出的高相干性区间上，VARMA(1,1)的预测误差显著低于ARMA(1,1)。
• 将小波相干性用于模型区间选择，显著增强了VARMA模型的预测能力。
• 该方法有效捕捉了时变相关性，尤其是在市场压力或同步波动时期。
• 结果表明，基于小波的动态相关性检测可提升商品市场中多变量预测的准确性。