基于EMD-XGB-ELM和FSGM双元处理的碳排放交易价格集成预测

doi:10.16381/j.cnki.issn1003-207x.2021.1118

摘要/Abstract

摘要：

碳排放交易价格的精准预测是推动碳金融市场可持续发展的基础。针对碳金融市场交易价格的连贯演进和同比演进特征，从纵向维度和横向维度的双元处理视角出发，以经验模态分解（EMD）、极端梯度提升（XGBoost）、极限学习机（ELM）、分数阶季节性灰色系统（FSGM）及其组合模型，构建基于随机森林（RF）的集成预测模型。选取国内外6个碳交易市场作为研究对象，并以深圳碳交所为例进行专项分析。为验证所提出模型的有效性，进一步将其与季节性指数平滑（HW）、支持向量机（SVM）、长短期记忆网络（LSTM）、FSGM、RF以及EDM-XGB-ELM等模型的预测结果进行对比。研究结果表明，本文提出的预测模型较基准模型具备更高的预测性能，且这种基于双元处理层面的建模范式在其他领域也具备较好的应用前景。

关键词: 碳金融, EMD-XGBoost-ELM, FSGM, RF, 双元处理

Abstract:

Accurate prediction of carbon emissions trading prices is the basis for stabilizing the sustainable development of the carbon financial market. When analyzing carbon emission price forecasts， existing studies often use a single modeling approach to construct forecasting models， ignoring the characteristics of changes in carbon emission prices in different dimensions. Based on the coherent and year-on-year evolution characteristics of time series， these two traditional “unit processing” modeling ideas are defined as vertical processing and horizontal processing for the first time. At the same time， these two “unit processing” modes are combined into a “dual processing” mode through the idea of integration. Then an ensemble learning model is built based on the using of Empirical Mode Decomposition （EMD）， eXtreme Gradient Boosting （XGBoost）， Extreme learning machine （ELM）， Fractional Accumulation Order Seasonal Grey Model （FSGM）， Random Forest （RF） and their combinations Model. Then， 6 domestic and foreign carbon trading markets are selected as research objects， and Shenzhen Carbon Exchange is taken as an example to conduct special analysis. To verify the effectiveness of the proposed model， the prediction results of this model are further compared with Holt Winters （HW）， Support Vector Machine （SVM）， Long Short-Term Memory Network （LSTM）， FSGM， RF and EDM-XGB-ELM. The research results show that the prediction model proposed in this paper has better prediction performance than the benchmark model， and this modeling paradigm based on dual processing level also has good application prospects in other fields.

Key words: carbon finance, EMD-XGBoost-ELM, FSGM, RF, dual processing

中图分类号:

F832.5

周坤,高晓辉,李廉水. 基于EMD-XGB-ELM和FSGM双元处理的碳排放交易价格集成预测[J]. 中国管理科学, 2024, 32(10): 325-334.

Kun Zhou,Xiaohui Gao,Lianshui Li. Integrated Carbon Emission Trading Price Prediction Based on EMD-XGB-ELM and FSGM from the Perspective of Dual Processing[J]. Chinese Journal of Management Science, 2024, 32(10): 325-334.

图/表 13

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

表1

表2

参考文献 28

1	石敏俊，袁永娜，周晟吕，等.碳减排政策：碳税、碳交易还是两者兼之？［J］.管理科学学报，2013，16（9）：9-19.
	Shi M J， Yuan Y N， Zhou S L， et al. Carbon tax，cap-and-trade or mixed policy： Which is better for carbon mitigation？［J］. Journal of Management Sciences in China， 2013，16（9）：9-19.
2	王明喜，李明，郭冬梅，等.碳排放权的非对称拍卖模型及其配置效率［J］.管理科学学报，2019，22（7）：34-51.
	Wang M X， Li M， Guo D M， et al. An asymmetric auction model of carbon emission rights and its allocation efficiency［J］. Journal of Management Sciences in China， 2019，22（7）：34-51.
3	高杨，李健.基于EMD-PSO-SVM误差校正模型的国际碳金融市场价格预测［J］.中国人口·资源与环境，2014，24（6）：163-170.
	Gao Y， Li J. International carbon finance market price prediction based on EMD-PSO-SVM error correction model［J］. China Population，Resources and Environment， 2014，24（6）：163-170.
4	张晨，丁洋，汪文隽.国际碳市场风险价值度量的新方法——基于EVT-CAViaR模型［J］.中国管理科学，2015，23（11）：12-20.
	Zhang C， Ding Y， Wang W J. An innovation of estimating value at risk of international carbon market： Conditional autoregressive value at risk models with refinements from extreme value theory［J］. Chinese Journal of Management Science， 2015，23（11）：12-20.
5	朱帮助，魏一鸣.基于GMDH-PSO-LSSVM的国际碳市场价格预测［J］.系统工程理论与实践，2011，31（12）：2264-2271.
	Zhu B Z， Wei Y M. Carbon price prediction based on integration of GMDH， particle swarm optimization and least squares support vector machines［J］. Systems Engineering-Theory & Practice， 2011，31（12）：2264-2271.
6	Zhu B Z， Ye S X， Wang P， et al. A novel multiscale nonlinear ensemble leaning paradigm for carbonprice forecasting［J］. Energy Economics， 2018， 70： 143-157.
7	Byun S J， Cho H. Forecasting carbon futures volatility using GARCH models with energy volatilities［J］. Energy Economics， 2013， 40： 207-221.
8	Koop G， Tole L. Forecasting the European carbon market［J］. Journal of the Royal Statistical Society： Series A （Statistics in Society），2013， 176（3）： 723-741.
9	María E S， Francesco V， María M B. Understanding volatility dynamics in the EUETSmarket［J］. Energy Policy， 2015， 82： 321-331.
10	Sun W， Zhang C C. Analysis and forecasting of the carbon price using multi—resolution singular value decomposition and extreme learning machine optimized by adaptive whale optimization algorithm［J］. Applied Energy， 2018， 231： 1354-1371.
11	Atsalakis G S. Using computational intelligence to forecast carbon prices［J］. Applied Soft Computing， 2016， 43： 107-116.
12	Fan X H， Li S S， Tian L X. Chaotic characteristic identification for carbon priceand an multi-layer perceptron network prediction model［J］. Expert Systems with Applications，2015， 42： 3945-3952.
13	Zhu B Z， Wei Y M. Carbon price forecasting with a novel hybrid ARIMA andleast squares support vector machines methodology［J］.Omega，2013，41： 517-524.
14	廖诺，贺勇.基于PSO-GA-ANN的铁矿采选品位与投资策略优化［J］.系统管理学报，2018， 27（3）：493-499.
	Liao N， He Y. Optimization of iron ore grade selection and inverstment strategies in iron mines based on PSO-GA-ANN［J］. Journal of Systems & Management， 2018， 27（3）：493-499.
15	崔焕影，窦祥胜.基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测［J］.运筹与管理，2018，27（7）：133-143.
	Cui H Y， Dou X S. Carbon price forecasts in Chinese carbon trading market based on EMD-GA-BP and EMD-PSO-LSSVM［J］. Operations Research and Management Science， 2018，27（7）：133-143.
16	Wang S X， Zhang N， Wu L， et al. Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method［J］. Renewable Energy， 2016， 94： 629-636.
17	Yang S M， Chen D J， Li S L， et al. Carbon price forecasting based on modified ensemble empirical mode decomposition and long short-term memory optimized by improved whale optimization algorithm［J］. Science of the Total Environment， 2020， 716： 137117.
18	Zhu B Z， Han D， Wang P， et al. Forecasting carbon price using empirical mode decomposition and evolutionary least squares support vector regression［J］. Applied Energy， 2017， 191：521-530.
19	Li S， Goel L， Wang P. An ensemble approach for short-term load forecasting byextreme learning machine［J］. Applied Energy， 2016， 170：22-29.
20	Huang N E， Shen Z， Long S R， et al. The empirical mode decomposition and hilbert spectrum for nonlinear and non stationary time series analysis［J］. Proceeding of the Royal Society of London SERIESA， 1998， 454： 903-995.
21	Lempel A， Ziv J.On the Complexity of Finite Sequence［J］.IEEE Transactions on Information Theory，1976，22（1）：75-81.
22	Campbell K. Nonlinear time series analysis［J］.Technometrics，2001，43（4）：491-425.
23	翁克瑞，刘淼，刘钱.TPE-XGBOOST与LassoLars组合下PM_2.5浓度分解集成预测模型研究［J］.系统工程理论与实践，2020，40（3）：748-760.
	Weng K R， Liu M， Liu Q. An integrated prediction model of PM2.5 concentration based on TPE-XGBOOST and LassoLars［J］. Systems Engineering-Theory & Practice， 2020，40（3）：748-760.
24	王珏，齐琛，李明芳.基于SSA-ELM的大宗商品价格预测研究［J］.系统工程理论与实践，2017，37（8）：2004-2014.
	Wang J， Qi C， Li M F. Prediction of commodity prices based on SSA-ELM［J］. Systems Engineering-Theory & Practice， 2017，37（8）：2004-2014.
25	Wang Z X， Li Q， Pei L L. A seasonal GM（1，1） model for forecasting the electricity consumption of the primary economic sectors［J］. Energy， 2018， 154： 522-534.
26	吴利丰，刘思峰，姚立根.基于分数阶累加的离散灰色模型［J］.系统工程理论与实践，2014，34（7）：1822-1827.
	Wu L F， Liu S F， Yao L G. Discrete grey model based on fractional order accumulate［J］. Systems Engineering- Theory & Practice， 2014，34（7）：1822-1827.
27	Breiman L. Random forests［J］. Machine Learning， 2001， 45 （1）： 5-32.
28	Du K， Zhao Y， Lei J. The incorrect usage of singular spectral analysis and discrete wavelet transform in hybrid models to predict hydrological time series［J］. Journal of Hydrology， 2017， 552： 44-51.

模型	参数名称	最优参数
模型	参数名称	北京碳交所	上海碳交所	广东碳交所	天津碳交所	深圳碳交所	EUA市场
HW	数据平滑因子	0.42	0.99	0.98	0.99	0.99	0.99
	趋势平滑因子	0.01	0.99	0.58	0.87	0.99	0.01
	季节平滑因子	0.01	0.01	0.17	0.01	0.12	0.08
SVM	惩罚系数	7.62	3.09	2.09	6.01	9.54	2.81
SVM	核函数中的g	0.37	0.50	0.81	0.37	0.02	0.68
LSTM	学习率	0.01	0.01	0.01	0.01	0.01	0.00
FSGM	阶数	0.80	1.00	0.47	0.55	0.14	0.27
XGB	学习速率	0.02	0.02	0.02	0.02	0.02	0.01
	树的最大深度	12.00	12.00	12.00	12.00	12.00	10.00
	训练数据采样比	0.50	0.50	0.50	0.50	0.50	0.50
	特征采样比	0.70	0.70	0.70	0.70	0.70	0.60

模型	市场	RMSE₁	MAE₁	MAPE₁	RMSE₂	MAE₂	MAPE₂	市场	RMSE₁	MAE₁	MAPE₁	RMSE₂	MAE₂	MAPE₂
HW	深圳碳交所	5.13	4.37	11.75	5.05	3.20	11.41	EUA市场	7.93	6.33	37.01	9.40	7.73	53.82
SVM		4.66	3.74	10.22	4.32	3.54	12.72		2.25	1.87	9.30	0.82	0.71	5.06
LSTM		1.44	1.21	3.46	6.50	5.73	25.26		6.27	4.93	25.61	10.22	9.35	67.67
FSGM		9.23	8.00	23.20	8.12	6.99	30.61		3.90	3.31	16.12	3.20	2.61	18.09
RF		3.87	3.09	8.34	3.46	2.14	6.46		2.08	1.65	8.51	0.56	0.44	3.11
E-X-E		1.16	0.88	2.60	1.68	1.60	6.13		0.75	0.54	2.56	1.81	1.48	10.85
组合模型		1.13	0.66	1.75	0.91	0.75	2.77		0.77	0.56	2.90	0.53	0.46	3.26
HW	北京碳交所	9.94	7.70	14.66	14.99	12.99	15.29	上海碳交所	3.92	3.00	13.86	4.35	3.39	8.40
SVM		4.94	3.33	6.33	6.51	4.90	5.68		3.07	2.23	9.57	2.48	2.04	5.12
LSTM		29.03	26.15	50.15	7.16	5.66	7.04		3.46	2.32	10.56	5.44	4.71	11.55
FSGM		6.23	5.28	10.13	4.52	3.53	4.21		7.92	6.40	48.75	5.30	4.98	12.24
RF		4.49	3.16	5.75	4.08	2.92	3.54		3.69	2.62	13.28	2.03	1.62	4.04
E-X-E		2.50	2.18	3.91	23.90	22.54	26.37		1.97	1.51	8.57	6.77	6.35	15.62
组合模型		1.93	1.29	2.44	3.67	2.54	2.98		1.75	1.13	8.30	1.14	0.96	2.38
HW	广东碳交所	2.24	1.74	11.21	2.39	2.08	7.58	天津碳交所	3.43	1.98	14.54	3.59	2.19	9.86
SVM		2.05	1.59	8.18	2.53	2.40	8.69		2.17	1.28	9.75	1.70	1.33	6.44
LSTM		0.98	0.69	3.36	6.02	5.73	20.53		3.33	1.68	8.31	5.88	4.76	20.66
FSGM		3.43	2.75	16.94	3.05	2.59	9.37		4.63	3.81	29.85	5.82	5.65	28.51
RF		3.58	1.92	8.01	0.98	0.69	2.52		2.45	1.47	9.76	1.34	1.02	4.94
E-X-E		2.32	1.75	8.61	5.95	5.66	20.32		0.86	0.69	4.83	3.52	3.19	15.47
组合模型		2.97	1.35	4.87	0.86	0.64	2.27		1.19	0.81	5.19	1.55	1.32	6.24

[1]	周伟杰, 姜慧敏, 成雨珂, 党耀国, 丁松. 基于可重复性分数阶灰色时间幂模型的中国水电消费预测研究[J]. 中国管理科学, 2023, 31(5): 279-286.
[2]	余顺坤, 宋宇晴. GRA-RF组合算法在农信金融企业工资要素优选及测算中的应用[J]. 中国管理科学, 2022, 30(4): 86-95.
[3]	张李浩, 常陆雨, 范体军. 资金约束供应链RFID投资决策与融资优化[J]. 中国管理科学, 2021, 29(5): 45-54.
[4]	丁龙, 胡斌, 常珊, 石纯来. 基于灰色市场可追溯的RFID技术策略与窜货行为的博弈研究[J]. 中国管理科学, 2021, 29(2): 78-88.
[5]	江秋阳, 陶峰, 范体军, 黎建强. 基于RFID技术的双供应链投资决策研究[J]. 中国管理科学, 2020, 28(11): 120-129.
[6]	柴尚蕾, 周鹏. 基于非参数Copula-CVaR模型的碳金融市场集成风险测度[J]. 中国管理科学, 2019, 27(8): 1-13.
[7]	刘家国, 崔进, 周欢, 万子谦, 曹静. 基于HHM-RFRM的船舶航行风险评估方法研究[J]. 中国管理科学, 2019, 27(5): 174-183.
[8]	崔利刚, 邓洁, 王林, 张金隆, 许茂增. 基于改进联合采购及配送模型的RFID投资决策研究[J]. 中国管理科学, 2018, 26(5): 86-97.
[9]	张李浩, 刘斌. 供应链企业投资RFID技术的博弈均衡研究[J]. 中国管理科学, 2018, 26(10): 132-139.
[10]	施晓菁, 梁循, 孙晓蕾. 基于在线评级和评论的评价者效用机制研究[J]. 中国管理科学, 2016, 24(5): 149-157.
[11]	张李浩, 范体军, 杨惠霄. 基于RFID技术的供应链投资决策及协调策略研究[J]. 中国管理科学, 2015, 23(8): 112-121.
[12]	张晨, 杨玉, 张涛. 基于Copula模型的商业银行碳金融市场风险整合度量[J]. 中国管理科学, 2015, 23(4): 61-69.
[13]	李琳, 范体军. 零售商主导下生鲜农产品供应链的定价策略对比研究[J]. 中国管理科学, 2015, 23(12): 113-123.
[14]	柳瑞禹, 叶子菀. 高耗能行业电力消费长期波动效应研究[J]. 中国管理科学, 2014, 22(6): 125-133.
[15]	张李浩, 范体军. 供应链企业投资RFID技术的成本分摊研究[J]. 中国管理科学, 2014, 22(4): 25-35.