【摘要】：鋼鐵不僅成為保障國民經(jīng)濟各部門順利運行的重要工業(yè)基礎(chǔ)物資,其價格波動也越來越成為制約各國經(jīng)濟平穩(wěn)運行的不穩(wěn)定因素。2017年,中國成為全球鋼鐵出口最多的國家,進口量達到全球第十一名,對中國經(jīng)濟的穩(wěn)定運行產(chǎn)生了一定的影響。在變幻莫測的國際鋼鐵市場中,鋼材作為鋼鐵的主要成型品,是鋼鐵價格的最主要承擔者,如果我們能夠正確地預測鋼材價格走勢,就可以提前對價格的波動進行預防,降低可能發(fā)生的風險,維護自身的利益。同時,正確的預測我國的鋼材價格也可以使我國鋼廠、房產(chǎn)、汽車制造商等需要使用鋼材的企業(yè)能及時應(yīng)對市場價格與供需變化。因此,密切關(guān)注我國鋼材市場,探究鋼材價格變動的潛在原由,對價格的走向進行合理的預測,對國家和企業(yè)都具有重要的意義。鋼材作為重要的工業(yè)基礎(chǔ)物資,具有政治、商品及金融等多種屬性,本文將熱軋板卷與冷軋板卷價格的月度數(shù)據(jù)作為研究對象,不僅考慮價格時間序列自身的發(fā)展規(guī)律,并且通過灰色關(guān)聯(lián)分析(GRA)篩選了影響價格的七個重要因素,提出了CEEMDAN_GA_KELM鋼材價格預測模型。本文主要研究以下兩個方面:首先是借鑒支持向量機(SVM)高斯核函數(shù)原理對極限學習機(ELM)進行改進,得到核化極限學習機(KELM),因此KELM模型也需要對核參數(shù)與懲罰系數(shù)進行選取。對此,本文建立GA_KELM模型,運用遺傳算法(GA)對KELM的核參數(shù)和懲罰系數(shù)進行優(yōu)化。通過對熱軋板卷月度價格的實證分析表明,GA_KELM預測的均方誤差為69181,與KELM模型和SVM模型相比預測精度提高了21.16%和13.50%;其次,本文將主要用于信號技術(shù)的自適應(yīng)噪聲的完全集合經(jīng)驗模態(tài)分解(CEEMDAN)運用在非平穩(wěn)非線性的價格序列研究中,將鋼材價格序列分解成若干不同頻率的分量,每個分量分別運用GA_KELM模型進行預測,將分量預測結(jié)果相加重構(gòu)得到最終的鋼材價格預測值。實證結(jié)果表明,運用CEEMDAN_GA_KELM進行預測的相對誤差為11.7702%,預測精度比單獨采用GA_KELM模型提高了4.62%,這表明本文所運用的預測方法是可行且有效的。在此模型基礎(chǔ)上,采用ARIMA模型對要素進行線性預測,再結(jié)合CEEMDAN_GA_KELM模型對后十二個月熱軋板卷價格進行預測并提出相應(yīng)建議。
【圖文】：

基于 CEEMDAN_GA_KELM 的國內(nèi)市場鋼材價格預測模型研究優(yōu)度、均方誤差和相對誤差之間的對比。結(jié)果顯示，CEEMDAN_GA_KELM 的預測結(jié)果最佳，說明第三點的優(yōu)化步驟在一定程度上對預測起到了正面作用，提高了預測精度，對相關(guān)經(jīng)濟產(chǎn)品價格預測具有重要參考意義。1.5 技術(shù)路線

計算個體適應(yīng)度值。若種群數(shù)達到要求或者遺傳代數(shù)達到要求，GA 算法結(jié)束具有最大適應(yīng)度的個體；若不滿足，執(zhí)行下一步。選擇算子決定選擇概率 PS(xi)，選擇概率會按照概率隨機從這些選擇的個體的染色體進行染色體復制，，復制 N 次，交叉算子決定交叉概率 Pc(xi)，并且按照交叉概率從 S1(k)對所選取的染色體進行配對與交叉操作，得到由新的染。變異算子決定變異概率 Pm(xi)，按照變異概率從 S2(k)選取染色體的隨機一段進行變異操作，即重新編碼，得到新的S3(k)替代最開始的種群 S(k)作為新一代的種群，t=t+1，的第 3 步。
【學位授予單位】：江西財經(jīng)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F426.31;F764.2

【相似文獻】

相關(guān)期刊論文 前10條

1 李金林;;軍品需求比例預測模型研究[J];預測;1989年03期

2 張潤杰;古德祥;蒲蟄龍;周之銘;林憲德;;三化螟逐步判別預測模型研究[J];生態(tài)科學;1989年02期

3 蔣云;崔妙玲;;慢性阻塞性肺疾病急性加重期的預后預測模型研究進展[J];護理研究;2014年07期

4 吳茜;陳蓓敏;吳嘵嘵;金愛萍;施雁;;國內(nèi)外癡呆發(fā)病風險預測模型研究進展[J];護理學報;2018年12期

5 譚旭輝;柳青;何劍鋒;羅惠明;;廣東省SARS傳播趨勢的預測模型研究[J];中國衛(wèi)生統(tǒng)計;2006年03期

6 修妍;;基于混沌相空間重構(gòu)參數(shù)優(yōu)化的動態(tài)神經(jīng)網(wǎng)絡(luò)預測模型研究[J];科技創(chuàng)新與應(yīng)用;2017年23期

7 黃麗君;羅方芳;;經(jīng)濟指標滾動遞推預測模型研究[J];統(tǒng)計與決策;2006年13期

8 馮振興;陶冶;王亞U

本文編號：2639839