基于双重可解释深度学习的原油期货已实现波动率多期限前瞻预测
《International Review of Financial Analysis》:Multihorizon forward forecasting of crude oil futures realized volatility based on dual-interpretable deep learning
【字体:
大
中
小
】
时间:2026年09月30日
来源:International Review of Financial Analysis 10.2
编辑推荐:
**WTI和布伦特期货已实现波动率的多期限前向预测**
- 对WTI和布伦特期货已实现波动率进行多期限前向预测。
- SVMD-REMD二次分解策略进一步降低了残差复杂度。
- CBAM-BiGRU-TCN混合模型捕捉了已实现波动率的非线性动态。
- 误差指标和多期限MCS
**WTI和布伦特期货已实现波动率的多期限前向预测**
- 对WTI和布伦特期货已实现波动率进行多期限前向预测。
- SVMD-REMD二次分解策略进一步降低了残差复杂度。
- CBAM-BiGRU-TCN混合模型捕捉了已实现波动率的非线性动态。
- 误差指标和多期限MCS检验表明,所提出的模型优于其他模型。
- 消融实验、SHAP分析和波动率择时策略展示了模型的可解释性和经济价值。
**引言**
在金融市场中,准确测量和预测资产价格波动率对于有效的风险管理和明智的决策至关重要。原油期货作为全球最重要的能源衍生品之一,由于其复杂的动态性和高波动性,构成了一项具有挑战性且重要的建模目标。原油期货价格的波动直接影响全球能源供需结构,并影响市场参与者的投资决策和回报;此外,它还可能通过价格传导机制对宏观经济和金融稳定产生深远影响(Li等,2025;Liang等,2025;Motegi & Hamori,2025)。因此,精确建模和预测原油期货价格波动率不仅有助于投资者规避风险和优化资产配置,还为政策制定者实施有效的宏观审慎管理和市场监管提供了关键基础,在保障国家能源安全和维护经济稳定方面发挥着至关重要的作用。
早期的波动率研究主要依赖于低频数据,如广义自回归条件异方差(GARCH)类模型和随机波动率模型(Bollerslev,1986;Engle,1982;Kim等,1998)。然而,这些基于日度或更低频数据构建的波动率度量无法充分利用日内交易信息,在准确反映真实市场风险状况方面存在局限。随着高频数据分析技术的发展,已实现波动率(RV)因其无模型规范、易于计算和信息丰富等优势,作为一种有效的实际波动率度量应运而生(Bonato等,2024;Fernandes & Pereira,2025;Lu等,2024)。
大量研究表明,RV序列表现出显著的长记忆特性和复杂的非线性动态。尽管一些传统线性计量经济学模型,如异质自回归(HAR)类模型,是专门为逼近此类长记忆动态而开发的,并且仍然是RV预测的强劲基准,但其固有的线性结构可能在某些情境下限制了其捕捉高度非线性和结构性复杂波动行为的灵活性(Branco等,2024;Kristjanpoller,2024;Yang等,2024)。
近年来,深度学习模型凭借其非线性拟合和特征学习能力,在金融时间序列预测中展现出巨大的潜力。为进一步提高预测精度,一种常见的策略是将先进的信号分解算法与深度学习模型相结合,构建分解集成预测框架(Cai, Yuan, & Wu,2025;Ouyang等,2026;Xu & Wang,2023)。在该框架中,首先将复杂的原始序列分解为多个相对简单的本征模态函数(IMFs)和残差项,然后对每个子序列分别建模和预测,最后将所有子序列的预测结果集成以产生最终输出。该方法已被证明能够分离不同频率下的异质动态,降低原始时间序列的复杂度,从而便于下游模型进行更准确的预测(Cai, Li等,2025;Mutinda & Yong,2026;Yan等,2024)。
然而,该框架的成功在很大程度上取决于两个关键方面。第一是分解的有效性。初次分解后的残差项往往仍包含原始序列的复杂特征和噪声,其高复杂度使得该成分难以被准确预测,成为限制最终集成精度的瓶颈。第二个方面是子序列预测模型的预测能力,即其从每个分解子序列中有效提取信息特征、捕捉时间依赖关系并建模嵌入在波动率动态中的非线性模式的能力。尽管长短期记忆网络(LSTM)和门控循环单元(GRU)等深度学习模型在时间序列预测中取得了成功,但在处理高度非线性的波动率子序列时,其在特征提取和建模时间依赖方面的能力仍需进一步改进。
本研究引入二次分解策略以解决第一个问题。具体而言,首先使用成功变分模态分解(SVMD)将原始原油期货RV序列分解为若干子序列,其中SVMD提取原始序列的主要成分。对于SVMD无法高效处理的残差子序列,采用鲁棒经验模态分解(REMD)算法对初次分解得到的残差子序列进行进一步处理。REMD可以进一步提取其特征、降低其复杂度并提高该成分的预测精度,从而对整体预测性能作出贡献。为解决第二个问题,本研究构建了一个整合卷积块注意力模块(CBAM)、双向门控循环单元(BiGRU)和时序卷积网络(TCN)的混合预测模型,称为CBAM-BiGRU-TCN。该模型利用CBAM在通道和空间两个维度上自适应优化输入特征,突出关键信息并抑制噪声干扰。它借助BiGRU的双向序列建模能力,充分捕捉子序列中的前向和后向长期依赖关系。同时,引入TCN结构,利用其膨胀因果卷积和残差连接有效扩大感受野,并同步捕捉序列中的多级时间模式。这三个组件的有机结合增强了模型对每个子序列的学习表征和预测能力。
此外,尽管混合模型提高了预测精度,但深度学习模型固有的黑箱特性在一定程度上限制了其在预测和决策过程中的可解释性,给其在高风险金融场景中的实际应用和可信度带来了挑战。为提升模型的透明度和可信度,本研究采用了双视角分析框架:消融实验量化每个模型组件对预测性能的贡献,Shapley加性解释(SHAP)方法剖析模型对输入数据的决策机制。这种双可解释性分析框架有助于验证模型的预测是否符合深度学习理论和金融市场逻辑,为模型的有效性和可靠性提供实证证据,同时也为市场参与者提供更具可操作性的见解。然而,对于面向金融应用的预测模型而言,仅具备可解释性是不够的;同样重要的是检验改进的预测性能是否能够在实际风险管理和资产配置中转化为具有经济意义的收益。因此,本研究还从应用角度评估模型的实践意义,特别是其波动率预测是否能支持更有效的波动率择时策略以用于金融风险管理。
综上所述,本研究构建了一个将二次分解策略与混合深度学习模型相结合的二次分解集成预测框架,旨在实现对原油期货RV的多期限前向预测。此外,本研究引入了双可解释性设计,通过消融实验进行模块级归因分析,并使用SHAP方法评估特征级贡献,旨在系统地描绘模型的决策逻辑。除统计预测性能外,本研究还通过波动率择时策略评估所提模型的决策有用性和经济价值,检验改进的波动率预测是否能够转化为更有效的风险管理和资产配置决策。通过实证分析,本研究试图回答三个主要问题:(1) 二次分解策略与混合深度学习模型的结合能否提高原油期货RV多期限前向预测的精度?(2) 所提框架的预测增益能否通过模块级归因和特征级贡献分析进行透明解释,这些增益在不同预测期限和评价指标下是否稳健?(3) 改进的预测性能能否在波动率择时策略等实际应用中转化为更大的决策有用性和具有经济意义的价值?
本文其余部分结构如下:第2节提供文献综述,总结波动率预测模型、分解方法和可解释性分析方面的研究进展。第3节详细阐述方法论,包括SVMD-REMD二次分解过程、CBAM-BiGRU-TCN混合模型的构建以及SHAP分析。第4节进行实证分析,通过对比实验、消融研究、统计检验、SHAP分析和波动率择时策略评估所提模型的性能。第5节总结研究结论并讨论研究的理论意义和实践价值。
**文献综述**
预测原油期货波动率一直是金融学中的重要课题,对风险管理、投资组合优化和衍生品定价具有深远影响(Geng & Wang,2024;Liu等,2023;Sun等,2024)。研究人员针对金融市场的 uncertainties and complexity 提出了多种模型和方法以提高波动率预测的准确性和可解释性(Dutta & Bouri,2024;Kim等,2026;Rao等,2025)。
**已实现波动率**
Andersen和Bollerslev(1998)提出了RV度量方法,该方法直接从高频价格变动中估计波动率,从而避免了参数化波动率模型通常所需的限制性假设。本研究使用原油期货的日内价格指数计算日度RV,具体计算方法如下:
RV_t = ∑(i=1到S) ln P_{t,i} ? ln P_{t,i?1})2
其中,P_{t,i} 表示第t个交易日第i个采样时刻的原油期货价格,S表示……
**数据选择与描述性统计分析**
原油是全球能源市场中交易量最大、影响范围最广的商品之一,其价格波动预测在能源经济学和金融风险管理领域具有重要的研究价值。本研究选择纽约商品交易所上市的西德克萨斯中质原油(WTI)期货和国际石油交易所的北海布伦特原油(Brent)期货作为主要的预测实验对象。日内……
**结论**
本研究调查了原油期货RV的多期限前向预测问题,并开发了一个将SVMD-REMD二次分解策略与CBAM-BiGRU-TCN混合深度学习模型相结合的二次分解集成框架。以WTI和布伦特期货为研究对象,考虑一天、三天和五天的预测期限,本研究通过对比实验、消融研究、统计检验、SHAP分析等对所提框架进行了评估……
**作者贡献声明**
邢海阳:方法论,撰写——初稿。许叶军:监督指导,撰写——审阅与编辑。
**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能已经影响或被视为可能影响本文所报告的工作。
**致谢**
本研究部分得到了国家自然科学基金(NSFC)项目资助(项目批准号:72671216、72271179)。
邢海阳 | 许叶军
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号