綜合運用互聯(lián)網(wǎng)大數(shù)據(jù),豐富外貿(mào)預測數(shù)據(jù)來源,對提升外貿(mào)監(jiān)測預警分析能力,提高決策的針對性、科學性和時效性具有重要意義。本文基于鋼鐵行業(yè)相關文獻研究,從闡述互聯(lián)網(wǎng)大數(shù)據(jù)對中國鋼鐵出口值預測作用機制出發(fā),基于百度搜索數(shù)據(jù)和中國鋼鐵出口值的月度數(shù)據(jù),建立引入互聯(lián)網(wǎng)大數(shù)據(jù)的SVR回歸預測模型對中國鋼鐵出口值進行預測,并與傳統(tǒng)時間序列模型進行對比分析。實證表明:引入互聯(lián)網(wǎng)大數(shù)據(jù)樣本進行鋼鐵出口預測時,SVR模型預測效果明顯優(yōu)于其他對比模型;基于互聯(lián)網(wǎng)大數(shù)據(jù)建立的SVR預測模型可以更好地逼近真實值的波動,能夠更加準確地對鋼鐵出口值進行預測,為外貿(mào)進出口監(jiān)測預警提供應用方法參考。 

【文章來源】：價格理論與實踐. 2020,(07)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

可知，鋼鐵出口市場預期是影響出口鋼鐵值變化的重要方面，而通過互聯(lián)網(wǎng)大數(shù)據(jù)能夠在圖1互聯(lián)網(wǎng)大數(shù)據(jù)對鋼鐵出口值的預測作用機理

鐵出口預測實證結果分析由于支持向量機回歸模型涉及的參數(shù)較多且防止參數(shù)出現(xiàn)過擬合問題，本文經(jīng)過分析選用sig-moid核函數(shù)，基于R語言的e1071函數(shù)包中的SVR算法，利用5折交叉驗證法，搜索最優(yōu)的懲罰因子cost,核參數(shù)gamma、損失函數(shù)的參數(shù)epsilon的參數(shù)值。令cost的值區(qū)間范圍為[-2e10,2e10]，cost和gamma的步長分別為2和0.002，經(jīng)過多次測算，篩選出了平均絕對百分誤差（MAPE）為95%以上的參數(shù)組合，最終確定Cost值為1000，gamma值為0.01，epsilon值為0.01。將訓練樣本輸入到模型1-4中進行運算后，得到訓練效果圖如圖2、圖3。由圖2可知，加入互聯(lián)網(wǎng)大數(shù)據(jù)的鋼鐵出口值SVR預測模型1在訓練集中擬合性表現(xiàn)良好，幾乎與真實值同步變化，預測誤差校與之對應的未加入互聯(lián)網(wǎng)大數(shù)據(jù)的SVR預測模型2在訓練集中擬合性表現(xiàn)不如模型1優(yōu)秀，但是基本會與真實值同頻變化，預測誤差相對較校也就是說，加入互聯(lián)網(wǎng)大數(shù)據(jù)后使得鋼鐵出口值SVR預測模型訓練效果更好。由圖3可知，加入互聯(lián)網(wǎng)大數(shù)據(jù)的ARIMA預測模型3在訓練集中訓練效果表現(xiàn)明顯不如SVR預測模型，其表現(xiàn)為僅能與真實值保持相對一致的變化，預測誤差較大，特別在鋼鐵出口值波動明顯的月份，預測值不能夠及時有效地發(fā)現(xiàn)真實值的波動。同樣，與之對應的未加入互聯(lián)網(wǎng)大數(shù)據(jù)的ARIMA模型4在訓練集中擬合性表現(xiàn)不如模型3，幾乎只能按照真實值的平均值上下小幅度波動，預測誤差相對較大。綜合圖2和3的結果可知，在引入互聯(lián)網(wǎng)大數(shù)據(jù)進行小樣本預測時SVR訓練效果比ARIMA模型表現(xiàn)更好，而引入互聯(lián)網(wǎng)大數(shù)據(jù)則會使得SVR模型訓練預測效果更好。下文分別根據(jù)訓練集形成的模型1-4對2019年6-11月中國鋼鐵出口值（預測集）進行預測，4個模型的預測誤差如表1。由表1可知：模型1的平均絕對百分誤差

讜げ饈抵そ峁?治?由于支持向量機回歸模型涉及的參數(shù)較多且防止參數(shù)出現(xiàn)過擬合問題，本文經(jīng)過分析選用sig-moid核函數(shù)，基于R語言的e1071函數(shù)包中的SVR算法，利用5折交叉驗證法，搜索最優(yōu)的懲罰因子cost,核參數(shù)gamma、損失函數(shù)的參數(shù)epsilon的參數(shù)值。令cost的值區(qū)間范圍為[-2e10,2e10]，cost和gamma的步長分別為2和0.002，經(jīng)過多次測算，篩選出了平均絕對百分誤差（MAPE）為95%以上的參數(shù)組合，最終確定Cost值為1000，gamma值為0.01，epsilon值為0.01。將訓練樣本輸入到模型1-4中進行運算后，得到訓練效果圖如圖2、圖3。由圖2可知，加入互聯(lián)網(wǎng)大數(shù)據(jù)的鋼鐵出口值SVR預測模型1在訓練集中擬合性表現(xiàn)良好，幾乎與真實值同步變化，預測誤差校與之對應的未加入互聯(lián)網(wǎng)大數(shù)據(jù)的SVR預測模型2在訓練集中擬合性表現(xiàn)不如模型1優(yōu)秀，但是基本會與真實值同頻變化，預測誤差相對較校也就是說，加入互聯(lián)網(wǎng)大數(shù)據(jù)后使得鋼鐵出口值SVR預測模型訓練效果更好。由圖3可知，加入互聯(lián)網(wǎng)大數(shù)據(jù)的ARIMA預測模型3在訓練集中訓練效果表現(xiàn)明顯不如SVR預測模型，其表現(xiàn)為僅能與真實值保持相對一致的變化，預測誤差較大，特別在鋼鐵出口值波動明顯的月份，預測值不能夠及時有效地發(fā)現(xiàn)真實值的波動。同樣，與之對應的未加入互聯(lián)網(wǎng)大數(shù)據(jù)的ARIMA模型4在訓練集中擬合性表現(xiàn)不如模型3，幾乎只能按照真實值的平均值上下小幅度波動，預測誤差相對較大。綜合圖2和3的結果可知，在引入互聯(lián)網(wǎng)大數(shù)據(jù)進行小樣本預測時SVR訓練效果比ARIMA模型表現(xiàn)更好，而引入互聯(lián)網(wǎng)大數(shù)據(jù)則會使得SVR模型訓練預測效果更好。下文分別根據(jù)訓練集形成的模型1-4對2019年6-11月中國鋼鐵出口值（預測集）進行預測，4個模型的預測誤差如表1。由表1可知：模型1的平均絕對百分誤差表1模

【參考文獻】：
期刊論文
[1]基于外匯輿情的人民幣匯率波動預測研究[J]. 成舟,余崢,過弋,王志宏.  計算機科學. 2019(S2)
[2]基于小波變換和DGM（2,1）的我國鋼鐵產(chǎn)量預測[J]. 王艷,徐小梅.  江蘇建筑職業(yè)技術學院學報. 2019(03)
[3]基于文本挖掘和百度指數(shù)的匯率預測[J]. 楊超,姜昊,雷崢嶸.  統(tǒng)計與決策. 2019(13)
[4]基于灰色系統(tǒng)理論的我國鋼鐵產(chǎn)業(yè)與GDP關系研究[J]. 王貴成,賀振,高俊麗.  礦冶工程. 2019(02)
[5]去產(chǎn)能背景下我國鋼鐵價格走勢研究——基于鋼鐵行業(yè)供給側結構性改革成效的分析[J]. 賈帥帥,孫輝.  價格理論與實踐. 2017(09)
[6]“一帶一路”戰(zhàn)略能夠化解我國過剩的鋼鐵產(chǎn)能嗎——基于時變參數(shù)向量自回歸模型平均的預測[J]. 倪中新,盧星,薛文駿.  國際貿(mào)易問題. 2016(03)
[7]基于內存計算的鋼鐵價格預測算法研究[J]. 朱靖翔,張濱,樂嘉錦.  計算機科學. 2014(S2)
[8]基于MVC3架構的基建進度管理系統(tǒng)設計與實現(xiàn)[J]. 羅長亮,范學宏.  低碳世界. 2014(15)
[9]大數(shù)據(jù)時代銀行業(yè)應對策略[J]. 張建國.  中國金融. 2014(15)
[10]基于PSA-SVRM模型的鋼鐵企業(yè)副產(chǎn)煤氣消耗量預測[J]. 楊波.  過程工程學報. 2014(03)



本文編號：3391837