國(guó)際原油價(jià)格預(yù)測(cè)的研究動(dòng)態(tài)與展望

□張躍軍 邢麗敏

[湖南大學(xué) 長(zhǎng)沙 410082]

引言

原油作為重要的能源產(chǎn)品，不僅具有一般的商品屬性，還具有金融屬性和政治屬性，其價(jià)格波動(dòng)對(duì)世界經(jīng)濟(jì)、金融市場(chǎng)和區(qū)域穩(wěn)定具有顯著影響[1～3]。根據(jù)《BP世界能源統(tǒng)計(jì)年鑒2020》數(shù)據(jù)，2019年石油消費(fèi)仍占全球化石能源消費(fèi)的首位，為33.1%[4]。同時(shí)，作為世界最大的發(fā)展中國(guó)家，中國(guó)經(jīng)濟(jì)過(guò)去幾十年持續(xù)穩(wěn)定增長(zhǎng)，工業(yè)化進(jìn)程不斷加快，原油需求量也不斷攀升。據(jù)BP統(tǒng)計(jì)[4]，自2015年以來(lái)，我國(guó)年石油消費(fèi)連續(xù)位居世界首位，這導(dǎo)致我國(guó)原油對(duì)外依存度逐年上升，2020年已高達(dá)73.5%，如圖1所示。

圖1 2003～2020年中國(guó)原油進(jìn)口量和對(duì)外依存度

原油需求過(guò)度依賴進(jìn)口使得我國(guó)產(chǎn)生了巨大的外匯資金需求，同時(shí)，國(guó)際油價(jià)的頻繁劇烈波動(dòng)給我國(guó)原油進(jìn)口成本和國(guó)內(nèi)相關(guān)行業(yè)的經(jīng)濟(jì)效益造成了巨大不確定性。盡管2018年3月26日，我國(guó)原油期貨的上市可以幫助企業(yè)通過(guò)期貨交易降低國(guó)際油價(jià)波動(dòng)風(fēng)險(xiǎn)，但石油企業(yè)在面臨國(guó)際原油市場(chǎng)重大突發(fā)事件的沖擊時(shí)仍然損失慘重。例如，2020年初突如其來(lái)的新冠肺炎疫情在全球蔓延，導(dǎo)致世界石油需求預(yù)期大幅降低，隨后減產(chǎn)問(wèn)題談判破裂直接導(dǎo)致油價(jià)暴跌，并引發(fā)全球原油市場(chǎng)恐慌情緒蔓延。受疫情沖擊，中國(guó)油氣行業(yè)遭受大幅虧損，特別是上游開(kāi)采行業(yè)[5]。例如，中石油集團(tuán)2020年第二季度油氣勘探生產(chǎn)業(yè)務(wù)的毛利率由上年同期的26.67%縮水為16.02%；而民營(yíng)企業(yè)遭受的損失更加嚴(yán)重，如洲際油氣企業(yè)的毛利率由上年同期的21.65%大幅跌至-4.96%。

為此，國(guó)際原油資產(chǎn)定價(jià)與預(yù)測(cè)成了我國(guó)能源供需安全甚至經(jīng)濟(jì)安全的核心關(guān)切。政府部門(mén)、企業(yè)和投資機(jī)構(gòu)等都迫切希望能夠?qū)υ蛢r(jià)格進(jìn)行準(zhǔn)確定價(jià)并對(duì)其走勢(shì)進(jìn)行預(yù)測(cè)，以開(kāi)展科學(xué)的政策制定、生產(chǎn)投資和買(mǎi)賣(mài)交易等，同時(shí)最大程度地規(guī)避油價(jià)波動(dòng)風(fēng)險(xiǎn)。

一、原油價(jià)格的主要影響因素

原油資產(chǎn)的復(fù)雜屬性決定了國(guó)際原油市場(chǎng)是一個(gè)典型的復(fù)雜非線性系統(tǒng)，其價(jià)格波動(dòng)是一系列風(fēng)險(xiǎn)因素相互交織、綜合作用的結(jié)果?；久婧头腔久嬉蛩毓餐饔?，導(dǎo)致國(guó)際油價(jià)發(fā)生劇烈波動(dòng)，特別是2008年金融危機(jī)以來(lái)，世界經(jīng)濟(jì)疲軟不振、原油市場(chǎng)供需平衡脆弱、投機(jī)基金不斷游走以及地緣政治摩擦頻繁，導(dǎo)致原油價(jià)格大起大落。國(guó)際原油市場(chǎng)最重要的兩種基準(zhǔn)油：西德克薩斯輕質(zhì)（West Texas Intermediate，WTI）原油和布倫特（Brent）原油價(jià)格的變動(dòng)趨勢(shì)如圖2所示。

圖2 WTI和Brent原油價(jià)格走勢(shì)

首先，原油作為重要的工業(yè)原料，具有一般商品的屬性，其價(jià)格波動(dòng)長(zhǎng)期來(lái)看受供需基本面因素的影響。例如，2008年金融危機(jī)之前，國(guó)際石油市場(chǎng)供需基本平衡，全球經(jīng)濟(jì)的繁榮發(fā)展為油價(jià)上行提供了有力支撐[6]。而2008年金融危機(jī)后，原油市場(chǎng)供需格局發(fā)生了深刻變化，一方面全球經(jīng)濟(jì)復(fù)蘇緩慢，另一方面美國(guó)頁(yè)巖油產(chǎn)量增加，原油市場(chǎng)供需失衡，石油輸出國(guó)組織（Organization of Petroleum Exporting Countries，OPEC）的減產(chǎn)措施成為支撐2009～2014上半年油價(jià)上漲的關(guān)鍵動(dòng)力。同時(shí)，石油庫(kù)存作為供需基本面的平衡器和調(diào)節(jié)器，不但影響石油市場(chǎng)供需變動(dòng)，也會(huì)對(duì)市場(chǎng)投資者的預(yù)期產(chǎn)生影響，進(jìn)而導(dǎo)致油價(jià)波動(dòng)[7]。

其次，進(jìn)入21世紀(jì)以來(lái)，隨著全球金融市場(chǎng)不斷演進(jìn)，原油期貨在國(guó)際大宗商品市場(chǎng)占據(jù)越來(lái)越突出的地位，原油的金融屬性逐漸凸顯，其價(jià)格波動(dòng)受投機(jī)基金的影響也較為明顯。原油期貨市場(chǎng)的投資基金炒作疊加其他因素往往會(huì)對(duì)油價(jià)漲跌形成推波助瀾的作用[8～9]。例如，2009年5～6月，全球經(jīng)濟(jì)持續(xù)復(fù)蘇，美聯(lián)儲(chǔ)量化寬松導(dǎo)致美元弱勢(shì)，加之OPEC產(chǎn)量保持低位，使投機(jī)者對(duì)油價(jià)的情緒回暖，資金持續(xù)流入能源板塊，原油價(jià)格突破了70美元/桶，漲幅達(dá)36.5%。此外，由于原油價(jià)格以美元計(jì)價(jià)，美元指數(shù)的漲跌也會(huì)影響其價(jià)格變化。例如，2008年金融危機(jī)后美國(guó)連續(xù)實(shí)施四輪量化寬松政策，超低利率導(dǎo)致美元貶值，對(duì)這一階段的油價(jià)上漲形成了重要支撐。

最后，由于石油資源的稀缺性，主要產(chǎn)油國(guó)長(zhǎng)期以來(lái)對(duì)原油供應(yīng)形成寡頭壟斷，產(chǎn)油大國(guó)之間的利益博弈以及地區(qū)沖突等地緣政治風(fēng)險(xiǎn)也對(duì)原油價(jià)格波動(dòng)產(chǎn)生了不可忽視的政治化影響[10～11]。例如，2020年3月初的國(guó)際油價(jià)大跌，沙特和俄羅斯的博弈只是導(dǎo)火索，其背后則是國(guó)際能源格局變化的深層次問(wèn)題。

原油市場(chǎng)的復(fù)雜系統(tǒng)特征及其引致的油價(jià)波動(dòng)非線性、動(dòng)態(tài)性等特征使得國(guó)內(nèi)外學(xué)者多年來(lái)致力于探尋能夠提高油價(jià)預(yù)測(cè)精度的方法。本文首先對(duì)目前油價(jià)預(yù)測(cè)的主要工作進(jìn)行系統(tǒng)梳理，然后對(duì)油價(jià)預(yù)測(cè)的主要方法進(jìn)行歸納總結(jié)，再給出未來(lái)油價(jià)預(yù)測(cè)有待拓展的方向。

二、油價(jià)預(yù)測(cè)研究綜述

原油價(jià)格預(yù)測(cè)作為全球能源研究學(xué)者關(guān)注的重要議題，相關(guān)文章多發(fā)表于國(guó)際期刊上。因此，我們?cè)谌驈V泛使用的論文數(shù)據(jù)庫(kù)Web of Science中以關(guān)鍵詞“crude oil price”“crude oil”“oil price”“forecast”和“predict”進(jìn)行搜索，最終獲取2002～2021年發(fā)表的295篇關(guān)于油價(jià)預(yù)測(cè)的學(xué)術(shù)論文。本文對(duì)這些油價(jià)預(yù)測(cè)論文進(jìn)行系統(tǒng)梳理和剖析，發(fā)現(xiàn)目前油價(jià)預(yù)測(cè)方法主要包括三大類：計(jì)量方法、機(jī)器學(xué)習(xí)方法以及混合預(yù)測(cè)方法。

這些預(yù)測(cè)方法的主要區(qū)別在于：計(jì)量方法依據(jù)經(jīng)濟(jì)理論構(gòu)建確定的估計(jì)方程，然后根據(jù)樣本內(nèi)參數(shù)估計(jì)進(jìn)行樣本外預(yù)測(cè)；機(jī)器學(xué)習(xí)方法直接對(duì)輸入的樣本數(shù)據(jù)進(jìn)行不斷學(xué)習(xí)和訓(xùn)練進(jìn)而得到預(yù)測(cè)結(jié)果。兩類方法各有優(yōu)劣，運(yùn)用計(jì)量模型可以有效識(shí)別影響原油價(jià)格的因素，所得預(yù)測(cè)結(jié)果可解釋性更強(qiáng)；但是，由于模型設(shè)定形式的局限性及可能存在的設(shè)定偏誤，其相比機(jī)器學(xué)習(xí)方法難以刻畫(huà)油價(jià)波動(dòng)的各種復(fù)雜非線性特征。而機(jī)器學(xué)習(xí)方法基于先進(jìn)的人工智能算法，能夠?qū)τ蛢r(jià)序列的歷史值進(jìn)行反復(fù)學(xué)習(xí)和模擬訓(xùn)練，模型預(yù)測(cè)精度往往更高；但該類模型所得預(yù)測(cè)結(jié)果的可解釋性較差，即僅通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行“黑箱”訓(xùn)練就得到預(yù)測(cè)結(jié)果令人難以信服，且機(jī)器學(xué)習(xí)算法容易陷入過(guò)度擬合和局部最優(yōu)的陷阱。針對(duì)計(jì)量和機(jī)器學(xué)習(xí)方法各自的優(yōu)劣，近幾年的油價(jià)預(yù)測(cè)研究更傾向于同時(shí)運(yùn)用計(jì)量和機(jī)器學(xué)習(xí)方法，即多種模型的綜合集成運(yùn)用。

對(duì)295篇油價(jià)預(yù)測(cè)的文章進(jìn)行分析可知，采用計(jì)量方法預(yù)測(cè)油價(jià)的論文數(shù)量居多，合計(jì)180篇；機(jī)器學(xué)習(xí)方法次之，共93篇；而運(yùn)用混合預(yù)測(cè)方法的論文有22篇。我們描繪出2002～2021年采用各類方法預(yù)測(cè)油價(jià)的文章發(fā)表趨勢(shì)如圖3所示。

圖3 2002～2021年油價(jià)預(yù)測(cè)研究發(fā)表論文數(shù)量

可以發(fā)現(xiàn)，2002～2007年關(guān)于油價(jià)預(yù)測(cè)的論文發(fā)表數(shù)量寥寥無(wú)幾。對(duì)相關(guān)文獻(xiàn)進(jìn)行閱讀和分析發(fā)現(xiàn)，這一時(shí)期所用的預(yù)測(cè)方法以簡(jiǎn)單的計(jì)量模型（如普通最小二乘回歸、自回歸整合移動(dòng)平均、向量自回歸）和機(jī)器學(xué)習(xí)方法（如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法）為主。2008年金融危機(jī)發(fā)生后，油價(jià)預(yù)測(cè)的文章數(shù)量開(kāi)始逐漸增多。具體而言，2007年有關(guān)油價(jià)預(yù)測(cè)的論文僅有1篇，而2008～2010年分別增加至6、13和11篇。這表明，金融危機(jī)導(dǎo)致原油價(jià)格大幅下跌，對(duì)全球經(jīng)濟(jì)社會(huì)的生產(chǎn)經(jīng)營(yíng)活動(dòng)造成嚴(yán)重沖擊，這使得廣大學(xué)者意識(shí)到把握原油價(jià)格驅(qū)動(dòng)因素、提高對(duì)油價(jià)走勢(shì)的預(yù)測(cè)準(zhǔn)確性是一項(xiàng)重要且緊迫的研究工作。2011～2013年，此時(shí)期油價(jià)預(yù)測(cè)的文章數(shù)量雖然有所減少，但機(jī)器學(xué)習(xí)方法在油價(jià)預(yù)測(cè)方面的應(yīng)用卻得到較快發(fā)展。2014年7月，由于原油市場(chǎng)供過(guò)于求，且全球經(jīng)濟(jì)疲軟，加上OPEC拒不減產(chǎn)，直接導(dǎo)致WTI原油價(jià)格由90～100美元/桶的高位再次暴跌，此后原油價(jià)格開(kāi)始長(zhǎng)期低位震蕩。原油價(jià)格的又一次大幅下跌吸引廣大學(xué)者關(guān)注油價(jià)預(yù)測(cè)研究，且預(yù)測(cè)技術(shù)的不斷改進(jìn)使得自2014年開(kāi)始油價(jià)預(yù)測(cè)文章的數(shù)量呈快速增長(zhǎng)趨勢(shì)。尤其是2018～2020年，油價(jià)預(yù)測(cè)研究工作呈現(xiàn)爆發(fā)式增長(zhǎng)態(tài)勢(shì)，各年發(fā)文數(shù)分別達(dá)到47、41和54篇。

接下來(lái)，我們對(duì)油價(jià)預(yù)測(cè)研究的發(fā)表期刊進(jìn)行統(tǒng)計(jì)，主要發(fā)表期刊分布如圖4所示?？梢园l(fā)現(xiàn)，油價(jià)預(yù)測(cè)的研究主要發(fā)表于《Energy Economics》《Energy》《Journal of Forecasting》《Economic Modelling》和《International Journal of Forecasting》等國(guó)際權(quán)威SCI/SSCI檢索期刊，其中在能源經(jīng)濟(jì)領(lǐng)域的ABS三星級(jí)期刊（JCR分區(qū)一區(qū)）《Energy Economics》發(fā)文量最大，共計(jì)85篇。

圖4 2002～2021年油價(jià)預(yù)測(cè)文章發(fā)表期刊統(tǒng)計(jì)

進(jìn)一步地，我們以期刊《Energy Economics》為例，對(duì)2018年發(fā)表于該刊的文章進(jìn)行關(guān)鍵詞分析，可以發(fā)現(xiàn)，在《Energy Economics》發(fā)表的論文中占比最高的關(guān)鍵詞即為“oil price”，說(shuō)明“油價(jià)”是《Energy Economics》期刊的關(guān)注熱點(diǎn)。其他涉及原油市場(chǎng)預(yù)測(cè)的關(guān)鍵詞還包括 “crude oil price”“volatility”“forecasting”“GARCH”“structure break”和“oil price shock”。從這些關(guān)鍵詞可以看出，運(yùn)用GARCH族模型對(duì)油價(jià)波動(dòng)率進(jìn)行預(yù)測(cè)十分熱門(mén)，同時(shí)考慮原油價(jià)格的結(jié)構(gòu)突變和油價(jià)沖擊是油價(jià)預(yù)測(cè)的重點(diǎn)關(guān)注問(wèn)題。

最后，我們對(duì)相關(guān)油價(jià)預(yù)測(cè)文章的作者單位進(jìn)行統(tǒng)計(jì)，結(jié)果如圖5所示?？梢园l(fā)現(xiàn)，中國(guó)學(xué)者是原油價(jià)格預(yù)測(cè)研究的最主要貢獻(xiàn)者，其發(fā)文數(shù)量占油價(jià)預(yù)測(cè)總發(fā)文量的比重高達(dá)44%；其次是美國(guó)學(xué)者，其在油價(jià)預(yù)測(cè)領(lǐng)域發(fā)文數(shù)量占比為16.41%。就中國(guó)學(xué)者所在的研究機(jī)構(gòu)而言，中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院在油價(jià)預(yù)測(cè)領(lǐng)域的發(fā)表文章數(shù)量為首位，為油價(jià)預(yù)測(cè)研究做出了突出貢獻(xiàn)。其他在油價(jià)預(yù)測(cè)領(lǐng)域發(fā)文數(shù)量排名靠前的機(jī)構(gòu)單位包括：西南交通大學(xué)、南京理工大學(xué)、北京化工大學(xué)、中國(guó)科學(xué)院大學(xué)、北京理工大學(xué)、西南財(cái)經(jīng)大學(xué)、云南財(cái)經(jīng)大學(xué)、湖南大學(xué)和南京審計(jì)大學(xué)等。

圖5 發(fā)表油價(jià)預(yù)測(cè)文章的地域分布和研究結(jié)構(gòu)統(tǒng)計(jì)

三、國(guó)際油價(jià)預(yù)測(cè)的主要方法

油價(jià)波動(dòng)的影響因素錯(cuò)綜復(fù)雜，且其波動(dòng)的非線性、不確定性、動(dòng)態(tài)性特征顯著，因此，如何科學(xué)準(zhǔn)確地對(duì)其價(jià)格變化進(jìn)行預(yù)測(cè)是近二十年來(lái)國(guó)內(nèi)外研究的熱點(diǎn)。尤其是2008年金融危機(jī)以來(lái)，國(guó)際原油價(jià)格波動(dòng)更加頻繁，迫切需要開(kāi)發(fā)出能夠精確預(yù)測(cè)原油價(jià)格走勢(shì)的模型方法。

現(xiàn)有關(guān)于原油價(jià)格預(yù)測(cè)的方法層出不窮，歸結(jié)起來(lái)主要有兩大類：一類是以普通最小二乘回歸（Ordinary Least Squares，OLS）、隨機(jī)游走（Random Walk，RW）[12]、不變模型（Nochange）[12]、自回歸模型（Autoregressive，AR）、自回歸整合移動(dòng)平均（Autoregressive Integrated Moving Average，ARIMA）、向量自回歸（Vector Autoregression，VAR）、向量誤差修正模型（Vector Error Correct Model，VECM）等為代表的傳統(tǒng)計(jì)量方法及其衍生預(yù)測(cè)模型。另一類是以人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、支持向量機(jī)（Support Vector Machine，SVM）、最小二乘支持向量回歸（Least Square Support Vector Regression，LSSVR）、遺傳算法（Genetic Algorithm，GA）等為代表的機(jī)器學(xué)習(xí)方法及其拓展模型。近幾年的研究逐漸開(kāi)始結(jié)合計(jì)量和機(jī)器學(xué)習(xí)模型進(jìn)行混合預(yù)測(cè)，以發(fā)掘各類方法的優(yōu)勢(shì)，獲得更為精確的預(yù)測(cè)結(jié)果。事實(shí)上，對(duì)多個(gè)模型的綜合集成運(yùn)用確實(shí)往往可以獲得比單種模型更好的預(yù)測(cè)效果。主要的國(guó)際油價(jià)預(yù)測(cè)方法總結(jié)如表1所示。

表1 國(guó)際油價(jià)的主要預(yù)測(cè)方法總結(jié)

（一）基于計(jì)量經(jīng)濟(jì)模型的國(guó)際油價(jià)預(yù)測(cè)研究

早期基于計(jì)量模型的油價(jià)預(yù)測(cè)研究，主要運(yùn)用簡(jiǎn)單的ARIMA、VAR和VECM模型，且著重探究原油價(jià)格的有效預(yù)測(cè)變量。例如，Ye等[13～14]利用傳統(tǒng)的OLS回歸模型預(yù)測(cè)油價(jià)，證實(shí)了OECD石油庫(kù)存對(duì)油價(jià)預(yù)測(cè)的重要作用。Coppola[15]利用VECM模型考察了原油期貨價(jià)格對(duì)原油現(xiàn)貨價(jià)格的長(zhǎng)期均衡關(guān)系，發(fā)現(xiàn)原油期貨市場(chǎng)的信息可以解釋部分原油價(jià)格的變化。Murat和Tokat[16]同樣基于VECM模型，發(fā)現(xiàn)原油與石油產(chǎn)品的基差對(duì)原油現(xiàn)貨價(jià)格具有短期和長(zhǎng)期影響，而且利用基差變量所得的油價(jià)預(yù)測(cè)結(jié)果優(yōu)于基準(zhǔn)的RW模型。

1.原油價(jià)格收益率預(yù)測(cè)方法

在相關(guān)研究中，學(xué)者們提出各種策略以提高計(jì)量模型對(duì)油價(jià)收益率的預(yù)測(cè)能力，如運(yùn)用實(shí)時(shí)數(shù)據(jù)（Real-time Dataset）、對(duì)參數(shù)估計(jì)施加約束、對(duì)估計(jì)結(jié)果進(jìn)行組合加權(quán)以及連續(xù)篩選預(yù)測(cè)變量等。例如，Baumeister和Kilian[17]提出利用實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)油價(jià)收益率，發(fā)現(xiàn)運(yùn)用實(shí)時(shí)數(shù)據(jù)可以提高VAR等計(jì)量模型對(duì)美國(guó)煉油商的進(jìn)口收購(gòu)成本的預(yù)測(cè)精度，其預(yù)測(cè)誤差和預(yù)測(cè)方向正確性率不僅高于基準(zhǔn)的RW模型，且高于AR和ARIMA模型。在施加約束方面，Wang等[18]提出對(duì)參數(shù)估計(jì)施加經(jīng)濟(jì)和統(tǒng)計(jì)意義層面的約束來(lái)預(yù)測(cè)原油價(jià)格，發(fā)現(xiàn)通過(guò)舍棄參數(shù)估計(jì)符號(hào)與其經(jīng)濟(jì)意義不符以及樣本內(nèi)統(tǒng)計(jì)不顯著的變量，可以提高OLS模型的預(yù)測(cè)精度。隨后，Yi等[19]通過(guò)對(duì)預(yù)測(cè)變量、系數(shù)符號(hào)和回歸結(jié)果施加組合約束，發(fā)現(xiàn)相比單一的約束方式，組合約束可以顯著提高油價(jià)預(yù)測(cè)精度。

考慮到模型設(shè)定的不確定性，單一模型的預(yù)測(cè)效果可能不會(huì)一直表現(xiàn)很好，Baumeister和Kilian[20]提出組合預(yù)測(cè)的思想來(lái)預(yù)測(cè)油價(jià)收益率。組合預(yù)測(cè)是將單一模型的預(yù)測(cè)結(jié)果基于不同權(quán)重進(jìn)行加權(quán)組合，結(jié)果表明組合預(yù)測(cè)確實(shí)可以提高油價(jià)的樣本外預(yù)測(cè)精度。在Baumeister和Kilian的基礎(chǔ)上，Wang等[21]提出運(yùn)用時(shí)變參數(shù)的OLS回歸對(duì)油價(jià)收益率進(jìn)行預(yù)測(cè)，然后采用多種權(quán)重估計(jì)方法對(duì)單一模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均，即TVP-FC方法，結(jié)果發(fā)現(xiàn)TVP-FC預(yù)測(cè)結(jié)果不僅好于單一模型的預(yù)測(cè)結(jié)果，且優(yōu)于基于固定系數(shù)模型的組合預(yù)測(cè)結(jié)果。Zhang等[22]采用一種新的組合預(yù)測(cè)方法，即迭代組合方法預(yù)測(cè)油價(jià)收益率，發(fā)現(xiàn)新的組合預(yù)測(cè)方法好于傳統(tǒng)的組合預(yù)測(cè)方法。其他的組合預(yù)測(cè)方法還包括動(dòng)態(tài)模型平均（Dynamic Model Average，DMA）[23～24]等。

與組合預(yù)測(cè)方法不同，收縮模型通過(guò)對(duì)影響原油價(jià)格的驅(qū)動(dòng)因素進(jìn)行動(dòng)態(tài)篩選，可以剔除冗余變量，有效識(shí)別出最主要的預(yù)測(cè)變量，從而提高對(duì)原油價(jià)格的預(yù)測(cè)精度。例如，Ma等[25]基于多種預(yù)測(cè)指標(biāo)，包括宏觀經(jīng)濟(jì)變量、技術(shù)變量和情緒類變量，運(yùn)用收縮方法即最小絕對(duì)收縮和選擇算子（Least Absolute Shrinkage and Selection Operator，LASSO）回歸，以及組合預(yù)測(cè)方法（DMA和TVPFC）預(yù)測(cè)油價(jià)收益率，結(jié)果表明LASSO回歸的預(yù)測(cè)效果相對(duì)更優(yōu)。Zhang等[26]運(yùn)用收縮方法（LASSO、彈性網(wǎng)絡(luò)）和其他競(jìng)爭(zhēng)模型（如DMA、組合預(yù)測(cè)、偏最小二乘回歸、主成分分析）預(yù)測(cè)油價(jià)收益率，結(jié)果表明用收縮方法的預(yù)測(cè)效果好于其他模型?？紤]到原油市場(chǎng)經(jīng)常發(fā)生劇烈波動(dòng)，油價(jià)序列的不穩(wěn)定性可能對(duì)造成參數(shù)估計(jì)的較大偏差，Hao等[27]采用基于Huber損失函數(shù)的收縮方法預(yù)測(cè)油價(jià)收益率，結(jié)果表明該方法所得預(yù)測(cè)結(jié)果不僅優(yōu)于基于OLS估計(jì)的單一模型和組合預(yù)測(cè)，也優(yōu)于原始收縮方法。

鑒于預(yù)測(cè)變量數(shù)據(jù)頻率的差異性，有學(xué)者發(fā)現(xiàn)利用高頻數(shù)據(jù)能夠提高對(duì)低頻原油價(jià)格的預(yù)測(cè)精度。例如，Baumeister等[28]基于周度和日度金融數(shù)據(jù)，利用混頻數(shù)據(jù)模型（Mixed Frequency Data Sampling，MIDAS）和混頻VAR模型（Mixed-Frequency Vector Autoregressive，MF-VAR）預(yù)測(cè)月度WTI原油價(jià)格，結(jié)果表明高頻金融數(shù)據(jù)的確有利于提高模型預(yù)測(cè)精度。Zhang和Wang[29]綜合運(yùn)用MIDAS回歸、基于自回歸分布滯后（Autoregressive Distribution Lags，ADL）的ADL-MIDAS模型和MF-VAR模型，發(fā)現(xiàn)ADL-MIDAS模型的預(yù)測(cè)效果最好，其次是MIDAS，而MF-VAR模型的表現(xiàn)不如前兩者。

2.原油價(jià)格波動(dòng)率預(yù)測(cè)方法

油價(jià)波動(dòng)率對(duì)于計(jì)算風(fēng)險(xiǎn)價(jià)值和投資者進(jìn)行風(fēng)險(xiǎn)管理具有重要意義，因此有大量研究聚焦油價(jià)波動(dòng)率預(yù)測(cè)。廣義自回歸條件異方差（Generalized Autoregressive Conditional Heteroscedasticity，GARCH）族模型由于能夠捕獲油價(jià)變化的長(zhǎng)短記憶特征，被廣泛運(yùn)用并不斷改進(jìn)。

從現(xiàn)有研究成果來(lái)看，尚未有預(yù)測(cè)效果絕對(duì)最優(yōu)的單一機(jī)制GARCH族模型。Morana[30]首次嘗試將GARCH模型用于預(yù)測(cè)Brent油價(jià)波動(dòng)率，證實(shí)了該方法對(duì)原油價(jià)格波動(dòng)率的可預(yù)測(cè)性。Cheong[31]發(fā)現(xiàn)捕獲短記憶特征的GARCH模型在預(yù)測(cè)Brent油價(jià)波動(dòng)率方面具有良好性能，而能夠捕獲長(zhǎng)記憶特征的分?jǐn)?shù)單整（Fractionally Integrated）的FIGARCH和分?jǐn)?shù)單整非對(duì)稱冪（Fractionally Integrated Asymmetric Power）的FIAPARCH模型對(duì)WTI油價(jià)波動(dòng)率的預(yù)測(cè)效果更好。Kang等[32]發(fā)現(xiàn)FIGARCH模型對(duì)Brent油價(jià)波動(dòng)率的樣本外預(yù)測(cè)效果更好，而能夠同時(shí)捕獲長(zhǎng)短記憶特征的成分GARCH（Component GARCH, CGARCH）模型對(duì)WTI油價(jià)波動(dòng)率的預(yù)測(cè)性能更好。Wei等[33]納入八種線性和非線性GARCH族模型對(duì)WTI油價(jià)波動(dòng)率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)非線性GARCH族模型的長(zhǎng)期預(yù)測(cè)精度高于線性GARCH族模型。

相比單一狀態(tài)的GARCH族模型，馬爾科夫機(jī)制轉(zhuǎn)換（Markov Regime Switching，MRS）GARCH族模型由于能夠捕獲油價(jià)波動(dòng)的不同狀態(tài)也被廣泛應(yīng)用。例如，F(xiàn)ong等[34]采用馬爾科夫過(guò)程刻畫(huà)油價(jià)波動(dòng)的機(jī)制轉(zhuǎn)換特征，結(jié)果表明MRSGARCH模型的預(yù)測(cè)效果顯著優(yōu)于單一狀態(tài)的GARCH模型。Xu和Ouenniche[35]的研究也表明考慮機(jī)制轉(zhuǎn)換特征的MRS-EGARCH模型對(duì)油價(jià)收益率、波動(dòng)率和風(fēng)險(xiǎn)價(jià)值的樣本外預(yù)測(cè)誤差均小于一般的EGARCH模型。Klein和Walther[36]采用基于混合記憶（Mixture Memory，MM）的MM-GARCH模型刻畫(huà)油價(jià)波動(dòng)的不同狀態(tài)，發(fā)現(xiàn)MM-GARCH模型的預(yù)測(cè)能力好于單一機(jī)制的GARCH族模型。Lin等[37]基于隱馬爾科夫（Hidden Markov，HM）的HM-GARCH模型預(yù)測(cè)油價(jià)波動(dòng)率，發(fā)現(xiàn)該模型預(yù)測(cè)效果好于單獨(dú)的GARCH族模型和MRSGARCH模型。然而，Zhang等[38]研究發(fā)現(xiàn)，考慮機(jī)制轉(zhuǎn)換的GARCH模型（包括MRS-GARCH和MMGARCH）的樣本內(nèi)擬合效果雖然很好，但其樣本外預(yù)測(cè)效果并不優(yōu)于單一機(jī)制的GARCH族模型。綜上所述，大量相關(guān)研究并沒(méi)有對(duì)哪種GARCH模型的預(yù)測(cè)效果最好達(dá)成一致結(jié)論，這可能與樣本區(qū)間、預(yù)測(cè)長(zhǎng)度、參數(shù)設(shè)置等問(wèn)題有關(guān)。另外，還有學(xué)者發(fā)現(xiàn)馬爾科夫轉(zhuǎn)換多重分形（Markov Switching Multifractal，MSM）模型對(duì)油價(jià)波動(dòng)率的預(yù)測(cè)效果優(yōu)于傳統(tǒng)的GARCH族模型[39～40]。

上述研究中的GARCH族模型往往基于日度數(shù)據(jù)，且以收益率的平方表示波動(dòng)率，難以體現(xiàn)更高頻的交易數(shù)據(jù)信息。自從已實(shí)現(xiàn)波動(dòng)率異質(zhì)自回歸模型（Heterogeneous Autoregressive Model-Realized Volatility，HAR-RV）模型被提出以來(lái)[41]，分鐘高頻數(shù)據(jù)在能源金融市場(chǎng)的研究中得到廣泛應(yīng)用，且大量研究表明利用高頻數(shù)據(jù)構(gòu)造的低頻RV值能夠捕獲油價(jià)波動(dòng)的長(zhǎng)記憶性，所得油價(jià)波動(dòng)率預(yù)測(cè)結(jié)果精度往往更高。Liu和Wan[42]使用日內(nèi)分鐘高頻數(shù)據(jù)構(gòu)造已實(shí)現(xiàn)波動(dòng)率預(yù)測(cè)上海燃料油期貨價(jià)格波動(dòng)率，結(jié)果表明基于能夠表征長(zhǎng)記憶性和波動(dòng)持續(xù)性的自回歸分?jǐn)?shù)單整移動(dòng)平均（Autoregressive Fractionally Integrated Moving Average，ARFIMA）模型對(duì)已實(shí)現(xiàn)波動(dòng)率的預(yù)測(cè)精度遠(yuǎn)高于Wei[33]等采用的GARCH族模型。此后，HAR-RV族模型被廣泛應(yīng)用并得到持續(xù)改進(jìn)，且研究結(jié)果大多表明考慮日內(nèi)高頻數(shù)據(jù)信息能夠提高對(duì)油價(jià)波動(dòng)率的預(yù)測(cè)精度。

例如，Wen等[43]將結(jié)構(gòu)突變引入HAR-RV族模型預(yù)測(cè)原油期貨的已實(shí)現(xiàn)波動(dòng)率，發(fā)現(xiàn)引入結(jié)構(gòu)突變的HAR-RV族模型預(yù)測(cè)效果較簡(jiǎn)單的HAR-RV模型預(yù)測(cè)效果更好。其中，考慮連續(xù)樣本路徑方差和離散跳躍方差的HAR-CJ模型在預(yù)測(cè)未來(lái)一天和一個(gè)月時(shí)效果最好，引入正負(fù)已實(shí)現(xiàn)半變差的HARRSV模型對(duì)未來(lái)一周油價(jià)波動(dòng)率的預(yù)測(cè)效果最好。Ma等[44]將油價(jià)波動(dòng)的機(jī)制轉(zhuǎn)換特征引入HAR-RV族模型，發(fā)現(xiàn)相比單機(jī)制的HAR-RV族模型，慮機(jī)制轉(zhuǎn)換特征的MRS-HAR-RV族模型的樣本外預(yù)測(cè)精度更高。Zhang等[45]將收縮預(yù)測(cè)和組合預(yù)測(cè)方法引入HAR族模型，對(duì)油價(jià)波動(dòng)率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)基于兩種收縮方法（即彈性網(wǎng)絡(luò)和LASSO回歸）所得的樣本外預(yù)測(cè)結(jié)果不僅好于單一的HAR-RV族模型，而且好于基于組合預(yù)測(cè)方法的HAR-RV族模型。Chen等[46]將HAR-RV模型與FIGARCH模型相結(jié)合，結(jié)果表明相較線性HAR-RV模型，考慮油價(jià)波動(dòng)ARCH效應(yīng)的HAR-RV族模型預(yù)測(cè)精度更高。Luo等[47]將無(wú)限狀態(tài)的隱馬爾科夫模型（Infinite Hidden Markov，IHM）引入HAR族模型，發(fā)現(xiàn)IHM-HAR模型的預(yù)測(cè)效果好于沒(méi)有考慮機(jī)制轉(zhuǎn)換的HAR族模型。

另外，還有學(xué)者考察了外生變量對(duì)HAR模型預(yù)測(cè)油價(jià)波動(dòng)率的影響，如投資者情緒、原油市場(chǎng)隱含波動(dòng)率指數(shù)、股票市場(chǎng)和其他期貨市場(chǎng)的已實(shí)現(xiàn)波動(dòng)率[48～50]。但是，也有部分學(xué)者發(fā)現(xiàn)HAR-RV模型的樣本外預(yù)測(cè)精度并不比低頻GARCH族模型更好。例如，Sévi等[51]利用HAR模型預(yù)測(cè)WTI原油期貨的已實(shí)現(xiàn)波動(dòng)率，發(fā)現(xiàn)考慮跳點(diǎn)和半方差的HAR-RV模型的樣本內(nèi)擬合精度相比GARCH族模型有所提高，但對(duì)提高樣本外預(yù)測(cè)精度無(wú)益。

（二）基于機(jī)器學(xué)習(xí)方法的國(guó)際油價(jià)預(yù)測(cè)研究

機(jī)器學(xué)習(xí)是預(yù)測(cè)國(guó)際油價(jià)的另一類重要方法，且各種前沿算法被不斷用于油價(jià)預(yù)測(cè)，使得預(yù)測(cè)結(jié)果精度持續(xù)提高。早期相關(guān)研究主要利用神經(jīng)網(wǎng)絡(luò)模型或支持向量機(jī)方法預(yù)測(cè)油價(jià)，研究結(jié)果發(fā)現(xiàn)這類非線性模型的預(yù)測(cè)性能往往好于傳統(tǒng)的線性模型（如ARIMA、VAR模型等）。

在利用傳統(tǒng)的機(jī)器學(xué)習(xí)方法預(yù)測(cè)油價(jià)方面，Kaboudan[52]使用ANN和GA模型預(yù)測(cè)油價(jià)，發(fā)現(xiàn)GA相比基準(zhǔn)的RW模型可以獲得更好的預(yù)測(cè)結(jié)果，而ANN的預(yù)測(cè)結(jié)果卻不如RW模型。Mirmirani和Li[53]將基于GA算法的反向傳播神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network，BPNN）模型和VAR模型所得油價(jià)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)前者的預(yù)測(cè)結(jié)果顯著好于后者。Wang等[54]提出了一種改進(jìn)的混合人工智能系統(tǒng)框架，即將ANN、基于規(guī)則的專家系統(tǒng)和基于網(wǎng)頁(yè)的文本挖掘技術(shù)相結(jié)合，發(fā)現(xiàn)該混合方法能夠顯著提高原油價(jià)格預(yù)測(cè)精度。Xie等[55]提出使用SVM方法預(yù)測(cè)油價(jià)，發(fā)現(xiàn)該模型的預(yù)測(cè)性能優(yōu)于ARIMA和BPNN模型。Moshiri和Foroutan[56]將ANN模型的預(yù)測(cè)結(jié)果與GARCH模型、ARIMA模型相比，發(fā)現(xiàn)ANN模型對(duì)原油價(jià)格的預(yù)測(cè)性能更優(yōu)。

1.分解集成預(yù)測(cè)方法

根據(jù)Wang等[54]的TEI@I預(yù)測(cè)思想，Zhang等[57]將集成經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）技術(shù)用于分解具有非線性和非穩(wěn)定特征的原油價(jià)格序列。自此，分解–集成預(yù)測(cè)方法被廣泛應(yīng)用于油價(jià)預(yù)測(cè)領(lǐng)域，且獲得了良好的預(yù)測(cè)效果。常見(jiàn)的分解技術(shù)包括EMD、EEMD、小波分析（Wavelet Analysis，WA）、奇異譜分析（Singular Spectrum Analysis，SSA）、變分模態(tài)分解（Variational Mode Decomposition，VMD）等。針對(duì)EMD和EEMD在恢復(fù)信號(hào)的過(guò)程中引入新的噪聲和“模態(tài)混合”等問(wèn)題，VMD方法對(duì)其進(jìn)行改進(jìn)并被廣泛應(yīng)用。

已有研究表明，結(jié)合分解方法和ANN或SVM模型確實(shí)可提高單一機(jī)器學(xué)習(xí)模型的預(yù)測(cè)精度。例如，Yu等[58]提出利用EMD方法將油價(jià)序列分解為幾個(gè)固有模態(tài)函數(shù)（Intrinsic Mode Functions，IMFs），然后利用前饋神經(jīng)網(wǎng)絡(luò)模型分別對(duì)IMFs進(jìn)行預(yù)測(cè)，最后應(yīng)用自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)模型集成多個(gè)IMFs的預(yù)測(cè)結(jié)果，證實(shí)了分解–集成方法預(yù)測(cè)性能優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)模型。類似地，楊云飛等[59]結(jié)合EMD和SVM模型對(duì)原油價(jià)格進(jìn)行預(yù)測(cè)。Wang和Li[60]將SSA和BPNN模型結(jié)合預(yù)測(cè)大宗商品價(jià)格（包括原油價(jià)格），證實(shí)了該混合模型的預(yù)測(cè)優(yōu)越性。Jammazi和Aloui[61]將小波分解技術(shù)和多層BPNN神經(jīng)網(wǎng)絡(luò)模型結(jié)合，結(jié)果表明該方法的預(yù)測(cè)性能好于單一的BPNN模型。

近幾年的相關(guān)研究中，預(yù)測(cè)效果更好的機(jī)器學(xué)習(xí)模型或更優(yōu)的預(yù)測(cè)策略被應(yīng)用于分解–集成預(yù)測(cè)研究中。例如，Tang等[62]提出運(yùn)用互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解（Complementary EEMD）方法得到原油價(jià)格序列的多個(gè)IMFs，然后運(yùn)用擴(kuò)展的極限學(xué)習(xí)機(jī)（Extended Extreme Learning Machine，EELM）方法預(yù)測(cè)各IMFs，最后將各子序列的預(yù)測(cè)結(jié)果相加得到最終的預(yù)測(cè)值，該模型被證實(shí)可以有效提高原油價(jià)格的預(yù)測(cè)精度，且EELM算法的預(yù)測(cè)效果好于基于其他算法的神經(jīng)網(wǎng)絡(luò)模型。Yu等[63]同樣結(jié)合EEMD分解方法和EELM算法，證實(shí)了該方法在預(yù)測(cè)油價(jià)方面的優(yōu)越性。Wang等[64]分別將EMD、VMD、WA、SSA四種分解方法與AR、ARIMA、ANN和SVM模型相結(jié)合，共得到16種組合預(yù)測(cè)模型，結(jié)果表明組合預(yù)測(cè)較單一模型能夠大幅降低預(yù)測(cè)誤差。Tang等[65]提出將EEMD方法和基于隨機(jī)向量函數(shù)鏈（Random Vector Functional Link，RVFL）算法的神經(jīng)網(wǎng)絡(luò)模型用于油價(jià)預(yù)測(cè)，結(jié)果表明EEMD-RVFL模型的預(yù)測(cè)精度不僅高于單獨(dú)ELM網(wǎng)絡(luò)模型、核嶺回歸、隨機(jī)森林、BNN、LSSVR、ARIMA模型，且好于EEMD和這些模型的組合預(yù)測(cè)結(jié)果。Bisoi等[66]將VMD與RVFL神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，證實(shí)了該方法的代碼運(yùn)行時(shí)間和預(yù)測(cè)誤差均小于VMD和BPNN、ARIMA、LSSVR、自適應(yīng)神經(jīng)模糊推理系統(tǒng)（Adaptive Neuro-fuzzy Inference System，ANFIS）、區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的組合。張金良等[67]基于VMD和果蠅算法優(yōu)化后的最小二成支持向量機(jī)（Least Squares SVM，LSSVM）構(gòu)建了混合預(yù)測(cè)模型，并證實(shí)了該預(yù)測(cè)方法對(duì)油價(jià)具有良好預(yù)測(cè)性能。Yu等[68]從集成策略的多樣性角度出發(fā)，綜合分析了樣本數(shù)量多樣性、抽樣區(qū)間多樣性、參數(shù)設(shè)置多樣性、集成數(shù)量多樣性和集成方法多樣性這五種不同策略對(duì)RVFL神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能的影響。結(jié)果表明，考慮多種策略組合的RVFL集成模型預(yù)測(cè)精度相比單一的RVFL模型預(yù)測(cè)精度有顯著提高。唐振鵬等[69]基于VMD和EEMD相融合的二次分解技術(shù)，結(jié)合差分進(jìn)化（Differential Evolution，DE）算法優(yōu)化后的極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM），提出對(duì)原油價(jià)格的VMD-RES-EEMD-DE-ELM混合多步預(yù)測(cè)模型，實(shí)證結(jié)果表明，與其他的基準(zhǔn)模型相比，作者提出的混合模型有效且穩(wěn)健。

2.深度學(xué)習(xí)預(yù)測(cè)方法

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，其能夠通過(guò)構(gòu)建包含很多隱含層的機(jī)器學(xué)習(xí)模型對(duì)海量數(shù)據(jù)進(jìn)行訓(xùn)練，表征數(shù)據(jù)分布特征，從而提升對(duì)復(fù)雜文本、聲音、圖像等數(shù)據(jù)的分類或預(yù)測(cè)的準(zhǔn)確性。目前原油市場(chǎng)預(yù)測(cè)中常用的深度學(xué)習(xí)模型包括長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory Network，LSTM）、門(mén)控循環(huán)單元（Gated Recurrent Units，GRU）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和深度置信網(wǎng)絡(luò)（Deep Belief Networks，DBN）、去噪自編碼機(jī)（Denoising Autoencoders，DAE）。其中，LSTM網(wǎng)絡(luò)是一種改進(jìn)的RNN模型，其通過(guò)引入門(mén)單元能夠?qū)W習(xí)時(shí)間序列的長(zhǎng)期依賴信息，對(duì)于具有顯著序列相關(guān)性的經(jīng)濟(jì)金融數(shù)據(jù)具有較強(qiáng)預(yù)測(cè)優(yōu)勢(shì)。GRU和LSTM的網(wǎng)絡(luò)結(jié)構(gòu)類似，也包括門(mén)單元，但是GRU設(shè)置的門(mén)單元數(shù)量更少，模型訓(xùn)練所需參數(shù)少，訓(xùn)練難度較小且易收斂。

近年來(lái)，深度學(xué)習(xí)逐漸被應(yīng)用于原油市場(chǎng)研究，且部分研究表明深度學(xué)習(xí)模型在原油市場(chǎng)預(yù)測(cè)中能夠獲得更優(yōu)的結(jié)果。Chen等[70]將DBN和LSTM與線性模型（RW、ARIMA）相結(jié)合，結(jié)果發(fā)現(xiàn)深度學(xué)習(xí)模型有助于提高原始模型對(duì)油價(jià)的預(yù)測(cè)精度。Zhao等[71]將堆疊去噪自編碼機(jī)（Stacked Denoising Autoencoders，SDAE）用于刻畫(huà)原油價(jià)格與其影響因素間的非線性復(fù)雜關(guān)系，并運(yùn)用自助聚合算法訓(xùn)練樣本抽樣以提高SDAE模型的預(yù)測(cè)精度，結(jié)果表明該方法可以大幅提高對(duì)原油價(jià)格的預(yù)測(cè)準(zhǔn)確性。Wu等[72]將EEMD分解方法和LSTM相結(jié)合預(yù)測(cè)國(guó)際油價(jià)，發(fā)現(xiàn)該方法的預(yù)測(cè)表現(xiàn)優(yōu)于EEMD和ELM、LSSVR、ANN、ARIMA的結(jié)合的預(yù)測(cè)結(jié)果。Huang和Deng[73]將改進(jìn)的信號(hào)–能量（Improved Signal Energy，ISE）規(guī)則用于VMD分解方法的參數(shù)選擇，然后運(yùn)用移動(dòng)窗口（Moving Window，MW）策略作為VMD分解的補(bǔ)充，提出了VMD-LSTM- MW預(yù)測(cè)方法對(duì)原油價(jià)格進(jìn)行日度和月度預(yù)測(cè)，實(shí)證結(jié)果證實(shí)了該方法的優(yōu)越性。Wang和Wang[74]基于隨機(jī)遺傳公式（Random Inheritance Formula，RIF）和門(mén)控循環(huán)單元模型，提出RIF-BiGRU模型預(yù)測(cè)國(guó)際油價(jià)，并將預(yù)測(cè)結(jié)果和SVM、LSTM、GRU以及RIF-GRU模型做比較，結(jié)果表明RIF-BiGRU的預(yù)測(cè)精度高于其他模型。Li等[75]基于文本數(shù)據(jù)構(gòu)建了投資者情緒指數(shù)，先運(yùn)用VMD模型分解油價(jià)序列，然后運(yùn)用雙向BiLSTM模型對(duì)原油價(jià)格收益率和波動(dòng)率進(jìn)行預(yù)測(cè)，結(jié)果證實(shí)VMD-BiLSTM模型相比其他競(jìng)爭(zhēng)模型具有優(yōu)越的預(yù)測(cè)性能。

基于卷積核和反向傳播過(guò)程，CNN在文本數(shù)據(jù)特征提取和情感分類方面具有巨大優(yōu)勢(shì)。例如，Li等[76]采用CNN方法對(duì)原油市場(chǎng)相關(guān)新聞進(jìn)行特征提取，然后基于潛在狄利克雷分布主題模型對(duì)情感特征進(jìn)行聚合從而構(gòu)建情緒指數(shù)，實(shí)證結(jié)果表明，采用CNN算法構(gòu)建情緒指數(shù)對(duì)提高油價(jià)預(yù)測(cè)結(jié)果有顯著作用。Wu等[77]首先運(yùn)用CNN模型提取石油市場(chǎng)新聞的特征信息，然后利用VMD方法剔除新聞數(shù)據(jù)中的無(wú)用信息，進(jìn)而構(gòu)建基于文本數(shù)據(jù)的原油市場(chǎng)情緒指標(biāo)，最后運(yùn)用多種模型，如多元線性回歸、BPNN、SVM、RNN、LSTM和GRU預(yù)測(cè)原油價(jià)格，證實(shí)了新聞數(shù)據(jù)對(duì)預(yù)測(cè)原油價(jià)格的重要作用。

（三）基于混合方法的國(guó)際油價(jià)預(yù)測(cè)研究

現(xiàn)有多數(shù)研究主要基于單一的計(jì)量模型或機(jī)器學(xué)習(xí)方法預(yù)測(cè)油價(jià)收益率或波動(dòng)率，實(shí)際上將兩類預(yù)測(cè)方法相結(jié)合往往可以獲得更好的預(yù)測(cè)結(jié)果。

例如，Ou和Wang[78]認(rèn)為神經(jīng)網(wǎng)絡(luò)能夠克服傳統(tǒng)計(jì)量模型在參數(shù)估計(jì)中由于各種先驗(yàn)假設(shè)所導(dǎo)致的估計(jì)偏誤，由此構(gòu)建了GARCH-ANN模型，結(jié)果表明該模型在不同參數(shù)設(shè)定情況下的預(yù)測(cè)結(jié)果均顯著優(yōu)于GARCH模型。Bildirici和Ersin[79]分別運(yùn)用平滑轉(zhuǎn)換自回歸（Smooth Transition Autoregressive，STAR）和多層感知機(jī)（Multi-Layer Perceptron，MLP）神經(jīng)網(wǎng)絡(luò)刻畫(huà)GARCH族模型條件均值和條件方差的非線性，發(fā)現(xiàn)新方法的樣本外預(yù)測(cè)結(jié)果遠(yuǎn)好于原始的GARCH族模型。Zhang等[80]首先運(yùn)用EEMD分解原油價(jià)格序列，然后分別用GARCH模型和基于粒子群優(yōu)化的LSSVM模型刻畫(huà)油價(jià)波動(dòng)率序列的時(shí)變性和非線性特征，最后合成各IMFs序列的預(yù)測(cè)結(jié)果。結(jié)果證實(shí)，混合預(yù)測(cè)方法的表現(xiàn)遠(yuǎn)好于其他競(jìng)爭(zhēng)模型。Safari和Davallou[81]分別運(yùn)用線性模型（指數(shù)平滑法和ARIMA）以及非線性模型（非線性自回歸神經(jīng)網(wǎng)絡(luò)）預(yù)測(cè)原油價(jià)格，并根據(jù)卡爾曼濾波算法和狀態(tài)空間模型計(jì)算出時(shí)變組合權(quán)重，發(fā)現(xiàn)基于該時(shí)變權(quán)重所得的預(yù)測(cè)結(jié)果好于基于等權(quán)重、遺傳算法求解權(quán)重所得的預(yù)測(cè)效果。Zhang等[82]首先運(yùn)用HMM識(shí)別出原油價(jià)格波動(dòng)的不同狀態(tài)，然后分別采用EGARCH和LSSVM預(yù)測(cè)原油價(jià)波動(dòng)率和殘差序列，并運(yùn)用誤差修正模型（Error Correct Model，ECM）模型不斷修正預(yù)測(cè)結(jié)果，最終的預(yù)測(cè)結(jié)果表明，新的混合模型預(yù)測(cè)性能較其他相關(guān)模型更優(yōu)。Abdollahi和Ebrahimi[83]分別利用ANFIS、ARFIMA和MRS模型預(yù)測(cè)原油價(jià)格，并基于不同權(quán)重得到各模型的加權(quán)平均預(yù)測(cè)結(jié)果，然后運(yùn)用GA算法對(duì)各模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)，所得的最終結(jié)果顯著好于基于等權(quán)重和預(yù)測(cè)誤差最小加權(quán)的方法。

四、研究評(píng)述與展望

（一）研究評(píng)述

本文通過(guò)對(duì)油價(jià)預(yù)測(cè)領(lǐng)域的相關(guān)文獻(xiàn)進(jìn)行系統(tǒng)總結(jié)和梳理，發(fā)現(xiàn)國(guó)內(nèi)外學(xué)者主要基于計(jì)量和機(jī)器學(xué)習(xí)方法進(jìn)行國(guó)際油價(jià)預(yù)測(cè)研究，也有部分研究將計(jì)量和機(jī)器學(xué)習(xí)方法相結(jié)合，以提取原油價(jià)格序列的復(fù)雜變化特征，獲得更為精確的預(yù)測(cè)結(jié)果。根據(jù)已有研究，本文認(rèn)為油價(jià)預(yù)測(cè)領(lǐng)域還存在一些亟待研究的問(wèn)題：

1.缺乏對(duì)超高頻數(shù)據(jù)預(yù)測(cè)作用的研究。隨著金融市場(chǎng)的快速發(fā)展，交易頻率大大加快，借助現(xiàn)代金融信息技術(shù)，可以收集到時(shí)間間隔很小的高頻交易數(shù)據(jù)，比如每一分鐘交易數(shù)據(jù)，甚至每一筆交易數(shù)據(jù)。相比日度數(shù)據(jù)，高頻數(shù)據(jù)包含了更多的交易信息，研究者可以在更高的數(shù)據(jù)頻率下探究資產(chǎn)價(jià)格變化規(guī)律，研究其對(duì)資產(chǎn)價(jià)格的預(yù)測(cè)作用。然而，目前較少有研究涉及高頻交易數(shù)據(jù)對(duì)油價(jià)的預(yù)測(cè)作用。雖然HAR-RV族模型運(yùn)用了高頻分鐘數(shù)據(jù)，但經(jīng)過(guò)線性變化其高頻數(shù)據(jù)信息仍被包含在低頻變量?jī)?nèi)，估計(jì)模型仍采用日度數(shù)據(jù)進(jìn)行預(yù)測(cè)。因此，有必要探索適合高頻數(shù)據(jù)估計(jì)的模型方法。

2.缺乏對(duì)原油價(jià)格區(qū)間預(yù)測(cè)和概率密度預(yù)測(cè)開(kāi)展研究。區(qū)間預(yù)測(cè)和密度預(yù)測(cè)均屬于不確定預(yù)測(cè)，即給出未來(lái)資產(chǎn)價(jià)格的變化范圍和出現(xiàn)某個(gè)預(yù)測(cè)值的概率大小。然而，現(xiàn)有油價(jià)預(yù)測(cè)研究多為點(diǎn)預(yù)測(cè)，即預(yù)測(cè)未來(lái)時(shí)刻油價(jià)的期望值，缺乏對(duì)區(qū)間和概率密度預(yù)測(cè)的研究。實(shí)際上，把握原油價(jià)格的精確變化幾乎是不可能的，雖然各種前沿計(jì)量模型和機(jī)器學(xué)習(xí)方法能夠在很高的預(yù)測(cè)精度下給出油價(jià)變化的確切值，但是政策制定者和市場(chǎng)參與者可能更關(guān)注價(jià)格的變化區(qū)間或未來(lái)資產(chǎn)價(jià)格在多大概率水平下上漲或下跌。因此，有必要深入對(duì)原油價(jià)格區(qū)間和概率密度預(yù)測(cè)的研究。

3.對(duì)計(jì)量與機(jī)器學(xué)習(xí)預(yù)測(cè)方法的結(jié)合探索不足。根據(jù)前文綜述，目前針對(duì)油價(jià)預(yù)測(cè)領(lǐng)域的計(jì)量和機(jī)器學(xué)習(xí)方法探究均實(shí)現(xiàn)了跨越式發(fā)展。然而，兩類預(yù)測(cè)方法的演進(jìn)過(guò)程實(shí)際上是并行獨(dú)立的，缺乏對(duì)兩類預(yù)測(cè)方法交互融合后預(yù)測(cè)效應(yīng)的研究。有必要嘗試將前沿的計(jì)量方法（如組合預(yù)測(cè)、收縮模型）和深度學(xué)習(xí)模型（如LSTM和GRU）相結(jié)合，以發(fā)掘各類方法的優(yōu)勢(shì)，獲得更優(yōu)的預(yù)測(cè)效果。

4.預(yù)測(cè)結(jié)果的應(yīng)用研究需要進(jìn)一步豐富。盡管油價(jià)預(yù)測(cè)結(jié)果在風(fēng)險(xiǎn)管理和投資組合的應(yīng)用研究方面取得了一些進(jìn)展，但是目前大部分油價(jià)預(yù)測(cè)的研究?jī)H局限于預(yù)測(cè)結(jié)果在統(tǒng)計(jì)意義層面的比較，缺乏對(duì)預(yù)測(cè)結(jié)果經(jīng)濟(jì)應(yīng)用價(jià)值的深層次挖掘，缺乏與相關(guān)市場(chǎng)主體就預(yù)測(cè)結(jié)果的實(shí)際應(yīng)用進(jìn)行深入溝通探討。

（二）研究展望

基于油價(jià)預(yù)測(cè)領(lǐng)域存在的問(wèn)題和挑戰(zhàn)，本文提出一些該領(lǐng)域未來(lái)可能的研究方向：

1.考察高頻數(shù)據(jù)對(duì)油價(jià)預(yù)測(cè)的作用。信息技術(shù)的快速發(fā)展產(chǎn)生了有別于傳統(tǒng)數(shù)據(jù)的新型數(shù)據(jù)，如函數(shù)型數(shù)據(jù)[84]。函數(shù)型數(shù)據(jù)的觀測(cè)頻率極高幾乎可認(rèn)為是連續(xù)數(shù)據(jù)，對(duì)該類型數(shù)據(jù)進(jìn)行分析可采用函數(shù)型數(shù)據(jù)分析（Functional Data Analysis，F(xiàn)DA）方法，其假設(shè)資產(chǎn)價(jià)格具有某種函數(shù)特性。利用函數(shù)型數(shù)據(jù)，可以預(yù)測(cè)下一個(gè)原油期貨價(jià)格變動(dòng)的時(shí)點(diǎn)、未來(lái)每個(gè)時(shí)間點(diǎn)原油價(jià)格變動(dòng)的概率，此類研究可改善投資機(jī)構(gòu)的交易策略和風(fēng)險(xiǎn)管理水平。已有研究表明利用FDA方法從股票高頻數(shù)據(jù)中提取主成分，能夠顯著提高基本的AR模型對(duì)股票價(jià)格的預(yù)測(cè)能力[85～86]。總之，高頻交易數(shù)據(jù)包含了價(jià)格變動(dòng)更為豐富的信息，所得預(yù)測(cè)結(jié)果可用于量化投資交易策略設(shè)計(jì)和衍生品定價(jià)，未來(lái)研究需要開(kāi)發(fā)出新的適合高頻數(shù)據(jù)建模的計(jì)量和機(jī)器學(xué)習(xí)方法。

2.探索原油價(jià)格區(qū)間預(yù)測(cè)和概率密度預(yù)測(cè)的理論方法。一方面，原油價(jià)格區(qū)間數(shù)據(jù)包含了最高價(jià)和最低價(jià)等信息，對(duì)油價(jià)變化進(jìn)行區(qū)間預(yù)測(cè)對(duì)于政策制定者和市場(chǎng)參與者把握價(jià)格運(yùn)行區(qū)間，防范化解風(fēng)險(xiǎn)意義重大；另一方面，相較于傳統(tǒng)的點(diǎn)預(yù)測(cè)，概率密度預(yù)測(cè)不僅可以得到未來(lái)某時(shí)刻油價(jià)的期望值，還可以獲取其概率分布信息，即該時(shí)刻下所有可能的油價(jià)值及其出現(xiàn)的概率，可為決策者進(jìn)行政策制定、調(diào)整投資決策提供全面參考。現(xiàn)有理論與方法在應(yīng)用于區(qū)間數(shù)據(jù)分析時(shí)并不完全適用，需要發(fā)展適合區(qū)間數(shù)據(jù)的理論和方法，并提出適合評(píng)估區(qū)間預(yù)測(cè)和概率密度預(yù)測(cè)結(jié)果準(zhǔn)確性的指標(biāo)[87]。

3.將計(jì)量方法和機(jī)器學(xué)習(xí)預(yù)測(cè)方法有機(jī)結(jié)合。未來(lái)研究有待將兩類預(yù)測(cè)方法的優(yōu)勢(shì)深入融合，以獲得更好的預(yù)測(cè)效果。例如，鑒于單一模型不太可能始終獲取最優(yōu)的預(yù)測(cè)結(jié)果，即存在模型不確定性，可將計(jì)量領(lǐng)域的組合預(yù)測(cè)思想用于機(jī)器學(xué)習(xí)方法中；運(yùn)用多種神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型獲得多組油價(jià)預(yù)測(cè)結(jié)果，然后將各預(yù)測(cè)結(jié)果基于不同權(quán)重計(jì)算方法加權(quán)平均；運(yùn)用LASSO等變量篩選方法選取各時(shí)期影響油價(jià)變動(dòng)的主要變量，把握各時(shí)期影響油價(jià)變動(dòng)的主要驅(qū)動(dòng)因素，并基于各預(yù)測(cè)變量利用機(jī)器學(xué)習(xí)方法預(yù)測(cè)油價(jià)，以增強(qiáng)機(jī)器學(xué)習(xí)預(yù)測(cè)結(jié)果的可解釋性。

4.深化預(yù)測(cè)結(jié)果的應(yīng)用價(jià)值。擴(kuò)展預(yù)測(cè)結(jié)果的實(shí)際應(yīng)用價(jià)值值得研究學(xué)者在未來(lái)研究中深入探究，廣大學(xué)者可加強(qiáng)和相關(guān)政府部門(mén)、企業(yè)和投資機(jī)構(gòu)的合作，以使學(xué)術(shù)成果更好服務(wù)實(shí)體決策。例如，原油價(jià)格預(yù)測(cè)結(jié)果如何為我國(guó)石油儲(chǔ)備中心調(diào)整進(jìn)出口額度等提供決策支持？如何為石油相關(guān)企業(yè)調(diào)整生產(chǎn)經(jīng)營(yíng)策略提供參考？如何為原油期貨市場(chǎng)參與者進(jìn)行套期保值等業(yè)務(wù)提供交易策略指導(dǎo)？這些問(wèn)題都值得廣大學(xué)者未來(lái)進(jìn)一步探究。