小波分析结合ARIMA组合模型的2014～2017年石油贸易量预测研究

刘险峰

摘 要：选取2002～2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解，识别出数据的主要特征和细节特征，针对不同特征进行识别和平稳性检测和参数估计，建立相应的ARIMA模型，并进行预测加权合成。仿真结果表明，小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型，从而为科学合理的决策提供更为精确的预测模型。

关键词： ARIMA模型；时间序列；进出口贸易；Eviews软件；对数差分

中图分类号：F746 文献标识码： A 文章编号：1003-7217（2014）04-0117-06

一、引 言

贸易量预测的研究方法很多，通常运用的方法有持续法、卡尔曼滤波法、人工神经网络法、空间相关法、时间序列法等等，这些预测方法有着各自的优点和缺点。很多学者提出了组合预测模型，如小波和BP神经网络预测模型、小波和卡尔曼滤波预测模型。组合模型充分利用各种模型的优点，使得预测结果更为准确。

2007年王惠文[1]等人运用多元线性回归模型对贸易和贸易的影响因素进行了预测分析，得出贸易和贸易影响因素之间的回归模型，通过实证分析发现该模型预测效果较好。2010年彭向峰等人[2]提出一种基于公平角度的贸易预测模型，并以江苏某市为研究对象，进行了实证分析。2008年钟宝昌[3]将灰色理论同马尔柯夫模型相结合，提出一种基于灰色-马尔柯夫的贸易预测模型，仿真结果表明效果较好。2007年肖智等人运用SVM模型实现了中国进出口贸易的预测[4]；同年沈汉溪[5]等人运用ARMA模型进行进出口贸易额的预测；2011年褚晓琳[6]利用灰色理论实现北京市进出口贸易的预测。

上述小波分解和重构主要是通过不同的带通滤波器将含有综合信息的石油贸易量数据分解成N+1组具有不同特征的时间序列信号。N+1组信号中，其中N组是细节信息反映随机扰动带来的影响，剩下的1组代表主要信息反映数据内在的变化趋势。通过分别预测并进行合成，可以有效提高预测的精度。

三、数据来源

本文数据来源于历年《中国统计年鉴》，以我国2002～2013年的石油进出口贸易量为研究对象，运用改进的时间序列分析法对数据分析，实现2014～2017年这4年我国石油进出口贸易量做出预测，数据如表1。

四、石油进出口贸易量时间序列分析

ARIMA模型中时间序列是由一个零均值的平稳随机过程产生，因此若为非平稳时间序列，则应该事先对时间序列进行平稳化处理。

（一） 平稳性检查

依据石油进出口贸易量的时间序列见图4， 可以看出我国石油进出口贸易量具有很明显的上升趋势，因此此序列为非平稳序列。需要进行ADF单位根检验，由图5可知，ADF检验未能通过，说明石油进出口贸易量序列是非平稳的时间序列[6]。

六、结 论

以上将2002～2013年的我国石油进出口贸易量的数据作为时间序列，运用小波分析结合ARIMA组合模型实现我国石油进出口贸易量小规模的预测。 通过模型识别、比较以及检验，最终选定模型为ARIMA（3，3，2），之后对2002～2013年的石油进口贸易量进行了预测，并和实际值进行了对比，发现预测精度是比较高的。最后，对2014～2017年石油进口贸易量进行了预测，为科学决策提供理论依据。

通过实证分析研究发现，改进的ARIMA模型预测精度远远高于未改进的ARIMA模型，因此可以将预测模型推广到其他领域的预测，为合理决策提供更多方法和手段。

参考文献：

[1]王惠文，孟浩.多元线性回归的预测建模方法[J].北京航空航天大学学报，2007，（4）：15-18.

[2]彭向峰，李智.基于公平角度的贸易合理性研究以江苏某市为例[J].技术经济与管理研究，2010，（2）：122-125.

[3]钟宝昌.基于灰色马尔柯夫夫模型预测房地产价格[ J] .统计与决策， 2005，（1）：18-23.

[3]肖智，陈婷婷.基于支持向量机的外贸出口预测[J].科学管理研究，2007，（7）：231-233.

[4]沈汉溪，林坚.基于ARMA模型的中国外贸进出口预测：2006-2010[J].国际贸易问题，2007，（6）：24-26.

[5]褚晓琳.基于灰色系统理论的北京市对外贸易预测[J].中国流通经济，2011，（5）：54-58.

[6]唐海燕.进出口贸易与经济增长：作用机制与风险度量[J]. 华东师范大学学报（哲学社会科学版），2008，（6）：11-17.

[7]林剑平. 中国历次通货膨胀的原因与启示——基于货币因素和体制因素的双向视角[J]. 世界经济情况，2010，（7）：9-15.

[8]杨海水，赵大平，范方志. 进出口对我国经济增长作用的比较[J]. 统计与决策，2011，（12）：18-23.

[9]胡冬梅，郑尊信，潘世明.汇率传递与出口商品价格决定：基于深圳港2000～2008年高度分解面板数据的经验分析[J]. 世界经济，2010，（6）：15-19.

[10]高铁梅.计量经济分析方法与建模：EViews应用及实例[M].北京：清华大学出版社，2006：85-88.

（责任编辑：王铁军）

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：选取2002～2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解，识别出数据的主要特征和细节特征，针对不同特征进行识别和平稳性检测和参数估计，建立相应的ARIMA模型，并进行预测加权合成。仿真结果表明，小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型，从而为科学合理的决策提供更为精确的预测模型。

关键词： ARIMA模型；时间序列；进出口贸易；Eviews软件；对数差分

中图分类号：F746 文献标识码： A 文章编号：1003-7217（2014）04-0117-06

一、引 言

贸易量预测的研究方法很多，通常运用的方法有持续法、卡尔曼滤波法、人工神经网络法、空间相关法、时间序列法等等，这些预测方法有着各自的优点和缺点。很多学者提出了组合预测模型，如小波和BP神经网络预测模型、小波和卡尔曼滤波预测模型。组合模型充分利用各种模型的优点，使得预测结果更为准确。

2007年王惠文[1]等人运用多元线性回归模型对贸易和贸易的影响因素进行了预测分析，得出贸易和贸易影响因素之间的回归模型，通过实证分析发现该模型预测效果较好。2010年彭向峰等人[2]提出一种基于公平角度的贸易预测模型，并以江苏某市为研究对象，进行了实证分析。2008年钟宝昌[3]将灰色理论同马尔柯夫模型相结合，提出一种基于灰色-马尔柯夫的贸易预测模型，仿真结果表明效果较好。2007年肖智等人运用SVM模型实现了中国进出口贸易的预测[4]；同年沈汉溪[5]等人运用ARMA模型进行进出口贸易额的预测；2011年褚晓琳[6]利用灰色理论实现北京市进出口贸易的预测。

上述小波分解和重构主要是通过不同的带通滤波器将含有综合信息的石油贸易量数据分解成N+1组具有不同特征的时间序列信号。N+1组信号中，其中N组是细节信息反映随机扰动带来的影响，剩下的1组代表主要信息反映数据内在的变化趋势。通过分别预测并进行合成，可以有效提高预测的精度。

三、数据来源

本文数据来源于历年《中国统计年鉴》，以我国2002～2013年的石油进出口贸易量为研究对象，运用改进的时间序列分析法对数据分析，实现2014～2017年这4年我国石油进出口贸易量做出预测，数据如表1。

四、石油进出口贸易量时间序列分析

ARIMA模型中时间序列是由一个零均值的平稳随机过程产生，因此若为非平稳时间序列，则应该事先对时间序列进行平稳化处理。

（一） 平稳性检查

依据石油进出口贸易量的时间序列见图4， 可以看出我国石油进出口贸易量具有很明显的上升趋势，因此此序列为非平稳序列。需要进行ADF单位根检验，由图5可知，ADF检验未能通过，说明石油进出口贸易量序列是非平稳的时间序列[6]。

六、结 论

以上将2002～2013年的我国石油进出口贸易量的数据作为时间序列，运用小波分析结合ARIMA组合模型实现我国石油进出口贸易量小规模的预测。 通过模型识别、比较以及检验，最终选定模型为ARIMA（3，3，2），之后对2002～2013年的石油进口贸易量进行了预测，并和实际值进行了对比，发现预测精度是比较高的。最后，对2014～2017年石油进口贸易量进行了预测，为科学决策提供理论依据。

通过实证分析研究发现，改进的ARIMA模型预测精度远远高于未改进的ARIMA模型，因此可以将预测模型推广到其他领域的预测，为合理决策提供更多方法和手段。

参考文献：

[1]王惠文，孟浩.多元线性回归的预测建模方法[J].北京航空航天大学学报，2007，（4）：15-18.

[2]彭向峰，李智.基于公平角度的贸易合理性研究以江苏某市为例[J].技术经济与管理研究，2010，（2）：122-125.

[3]钟宝昌.基于灰色马尔柯夫夫模型预测房地产价格[ J] .统计与决策， 2005，（1）：18-23.

[3]肖智，陈婷婷.基于支持向量机的外贸出口预测[J].科学管理研究，2007，（7）：231-233.

[4]沈汉溪，林坚.基于ARMA模型的中国外贸进出口预测：2006-2010[J].国际贸易问题，2007，（6）：24-26.

[5]褚晓琳.基于灰色系统理论的北京市对外贸易预测[J].中国流通经济，2011，（5）：54-58.

[6]唐海燕.进出口贸易与经济增长：作用机制与风险度量[J]. 华东师范大学学报（哲学社会科学版），2008，（6）：11-17.

[7]林剑平. 中国历次通货膨胀的原因与启示——基于货币因素和体制因素的双向视角[J]. 世界经济情况，2010，（7）：9-15.

[8]杨海水，赵大平，范方志. 进出口对我国经济增长作用的比较[J]. 统计与决策，2011，（12）：18-23.

[9]胡冬梅，郑尊信，潘世明.汇率传递与出口商品价格决定：基于深圳港2000～2008年高度分解面板数据的经验分析[J]. 世界经济，2010，（6）：15-19.

[10]高铁梅.计量经济分析方法与建模：EViews应用及实例[M].北京：清华大学出版社，2006：85-88.

（责任编辑：王铁军）

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：选取2002～2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解，识别出数据的主要特征和细节特征，针对不同特征进行识别和平稳性检测和参数估计，建立相应的ARIMA模型，并进行预测加权合成。仿真结果表明，小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型，从而为科学合理的决策提供更为精确的预测模型。

关键词： ARIMA模型；时间序列；进出口贸易；Eviews软件；对数差分

中图分类号：F746 文献标识码： A 文章编号：1003-7217（2014）04-0117-06

一、引 言

贸易量预测的研究方法很多，通常运用的方法有持续法、卡尔曼滤波法、人工神经网络法、空间相关法、时间序列法等等，这些预测方法有着各自的优点和缺点。很多学者提出了组合预测模型，如小波和BP神经网络预测模型、小波和卡尔曼滤波预测模型。组合模型充分利用各种模型的优点，使得预测结果更为准确。

2007年王惠文[1]等人运用多元线性回归模型对贸易和贸易的影响因素进行了预测分析，得出贸易和贸易影响因素之间的回归模型，通过实证分析发现该模型预测效果较好。2010年彭向峰等人[2]提出一种基于公平角度的贸易预测模型，并以江苏某市为研究对象，进行了实证分析。2008年钟宝昌[3]将灰色理论同马尔柯夫模型相结合，提出一种基于灰色-马尔柯夫的贸易预测模型，仿真结果表明效果较好。2007年肖智等人运用SVM模型实现了中国进出口贸易的预测[4]；同年沈汉溪[5]等人运用ARMA模型进行进出口贸易额的预测；2011年褚晓琳[6]利用灰色理论实现北京市进出口贸易的预测。

上述小波分解和重构主要是通过不同的带通滤波器将含有综合信息的石油贸易量数据分解成N+1组具有不同特征的时间序列信号。N+1组信号中，其中N组是细节信息反映随机扰动带来的影响，剩下的1组代表主要信息反映数据内在的变化趋势。通过分别预测并进行合成，可以有效提高预测的精度。

三、数据来源

本文数据来源于历年《中国统计年鉴》，以我国2002～2013年的石油进出口贸易量为研究对象，运用改进的时间序列分析法对数据分析，实现2014～2017年这4年我国石油进出口贸易量做出预测，数据如表1。

四、石油进出口贸易量时间序列分析

ARIMA模型中时间序列是由一个零均值的平稳随机过程产生，因此若为非平稳时间序列，则应该事先对时间序列进行平稳化处理。

（一） 平稳性检查

依据石油进出口贸易量的时间序列见图4， 可以看出我国石油进出口贸易量具有很明显的上升趋势，因此此序列为非平稳序列。需要进行ADF单位根检验，由图5可知，ADF检验未能通过，说明石油进出口贸易量序列是非平稳的时间序列[6]。

六、结 论

以上将2002～2013年的我国石油进出口贸易量的数据作为时间序列，运用小波分析结合ARIMA组合模型实现我国石油进出口贸易量小规模的预测。 通过模型识别、比较以及检验，最终选定模型为ARIMA（3，3，2），之后对2002～2013年的石油进口贸易量进行了预测，并和实际值进行了对比，发现预测精度是比较高的。最后，对2014～2017年石油进口贸易量进行了预测，为科学决策提供理论依据。

通过实证分析研究发现，改进的ARIMA模型预测精度远远高于未改进的ARIMA模型，因此可以将预测模型推广到其他领域的预测，为合理决策提供更多方法和手段。

参考文献：

[1]王惠文，孟浩.多元线性回归的预测建模方法[J].北京航空航天大学学报，2007，（4）：15-18.

[2]彭向峰，李智.基于公平角度的贸易合理性研究以江苏某市为例[J].技术经济与管理研究，2010，（2）：122-125.

[3]钟宝昌.基于灰色马尔柯夫夫模型预测房地产价格[ J] .统计与决策， 2005，（1）：18-23.

[3]肖智，陈婷婷.基于支持向量机的外贸出口预测[J].科学管理研究，2007，（7）：231-233.

[4]沈汉溪，林坚.基于ARMA模型的中国外贸进出口预测：2006-2010[J].国际贸易问题，2007，（6）：24-26.

[5]褚晓琳.基于灰色系统理论的北京市对外贸易预测[J].中国流通经济，2011，（5）：54-58.

[6]唐海燕.进出口贸易与经济增长：作用机制与风险度量[J]. 华东师范大学学报（哲学社会科学版），2008，（6）：11-17.

[7]林剑平. 中国历次通货膨胀的原因与启示——基于货币因素和体制因素的双向视角[J]. 世界经济情况，2010，（7）：9-15.

[8]杨海水，赵大平，范方志. 进出口对我国经济增长作用的比较[J]. 统计与决策，2011，（12）：18-23.

[9]胡冬梅，郑尊信，潘世明.汇率传递与出口商品价格决定：基于深圳港2000～2008年高度分解面板数据的经验分析[J]. 世界经济，2010，（6）：15-19.

[10]高铁梅.计量经济分析方法与建模：EViews应用及实例[M].北京：清华大学出版社，2006：85-88.

（责任编辑：王铁军）

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