基于多模型分析的小麦价格预测研究

柳燕子

摘 要：本文收集了2009年～2017年全国小麦收购价格指数。针对价格序列季节性、周期性、非线性及多尺度性等特征，基于分解-重构-集成的思想，提出基于EEMD分解、ARIMA预测的多模型小麦价格预测方法，结果显示，该方法预测准确性较高，是一种有效的小麦价格预测模型。

关键词：小麦；EEMD；ARIMA；预测

文章编号：1004-7026（2018）04-0148-01 中国图书分类号：F323.7；F224 文献标志码：A

小麦价格波动主要影响农民收入和价格总水平。小麦作为一种工业原料，其价格及销量变化会影响粮食总价，进而影响国民经济。研究小麦价格波动特征并预测趋势具有重要的现实意义。

受季节、生产成本、进出口贸易及国家政策等因素影响，小麦价格波动呈季节性、周期性及多频率的特征。本文基于分解-重构-集成的思想提出基于EEMD-ARIMA的组合预测模型来预测小麦价格。

1 多尺度组合模型构建的基本思想

小麦价格受多因素共同影响，形成机理较为复杂，价格序列走势呈非平稳、多尺度的特点。为了更准确的掌握小麦价格的波动规律，提高其预测精度，本文结合传统时间序列预测方法与智能信号分解方法，建立EEMD-ARIMA组合预测模型。首先，利用EEMD分解小麦价格原始序列；然后，观察每个分解分量的波动规律，进行平稳化处理；最后，对各个分量进行ARIMA预测，并将每个分量的预测结果叠加得到最终的预测结果。

2 模型建立

2.1 EEMD分解

EEMD技术是一种全局分解技术，主要通过提取信号内在的固有模态函数，逐步实现信号平稳化。本文利用Matlab编程实现小麦2009年～2017年6月价格指数（数据来自中华粮网）的EEMD分解，得到6个分量。如图所示：

2.2 ARIMA模型

ARIMA是一种时间序列预测方法，形式为（p，d，q）。其中，d为差分阶数，p，q分别代表偏自相关函数值、自相关函数值显著不为0时的最高阶数ii。预测每个分量前，要先观察序列趋势，若序列存在明显的不平稳或季节性趋势，应对序列进行一定阶数的差分，使其符合平稳序列标准，而后预测每个序列，预测2017年7月至9月的小麦价格。本文通过Eviews软件预测各分量，然后将各分量结果进行叠加得到小麦的价格预测结果。图2展示了原始数据、ARIMA预测值及EEMD分解-ARIMA预测值，结果表明，基于多模型的小麦价格预测方法预测结果与原始数据更接近。

小麦价格波动具有不确定性，个别点的预测偏差较大。因此，下一步将重点研究个别点偏差较大的问题。

结束语

本文将EEMA-ARIMA预测方法用于小麦价格预测，针对多尺度、非平稳的小麦价格序列，利用EEMD進行信号分解，分解为尺度近似的价格分量。针对每个价格分量，采用差分方式进行平稳化处理，而后利用ARIMA预测每个分量，并通过叠加得到最终结果。对比发现，基于EEMD-ARIMA的多模型预测方法预测精度高，为小麦价格预测提供了新思路和新方法。

参考文献：

[1]郑文倩.我国小麦价格形成机制及波动特征分析[D].中国农业科学院，2016.

[2]白静，王妤晗.全国小麦收购价格指数的时间序列分析[J].农业网络信息，2015.