第 23 卷第 4 期 电子科技大学学报（社科版） Vol. 23, No.

4
2021 年 8 月 Journal of UESTC （Social Sciences Edition） Aug. , 2021

• 经济管理青年学者论坛 •

国际原油价格预测的研究动态与展望

□张跃军　邢丽敏
[湖南大学　长沙　410082]

[摘　要] 【目的/意义】 原油作为重要的工业原料、大宗商品和战略储备物资，其价格波动对

全球经济发展具有重大影响，对原油价格进行预测是能源经济领域的热点研究课题。对国际
原油价格预测的主要方法进行系统梳理并展望未来研究方向，有助于该研究领域的纵深发展。
【设计/方法】 基于295篇国际期刊文献，对国际油价预测的发展阶段、发表期刊、研究机构等
进行归纳总结，然后对近二十年油价预测领域的主要研究方法进行系统梳理和分析，最后对油价
预测工作进行评述和趋势展望。 【结论/发现】 自2008年金融危机后，油价预测研究快速发展，相关
文章主要发表于能源经济领域的权威期刊《Energy Economic》。现有油价预测方法主要包括计量模
型、机器学习和混合预测模型。展望未来，利用高频日内交易数据，融合计量和机器学习前沿方法，
对原油价格进行区间预测或概率密度预测是值得探索的方向，此外还应深化油价预测结果的实际应用
价值。
[关键词]　原油价格预测；计量模型；机器学习；高频数据；区间预测
[中图分类号] F416.22 [文献标识码] A [DOI] 10.14071/j.1008-8105(2021)-1104

Research Trend and Prospect of International Crude Oil Price Forecast

ZHANG Yue-jun XING Li-min
(Hunan University　Changsha　410082　China)

Abstract [Purpose/Significance] As a kind of important industrial raw material, commodity and strategic
reserve, crude oil price fluctuations have significant impact on the global economy. Forecasting crude oil price is a
hot research topic in the field of energy economy. To promote the in-depth development of the crude oil price
prediction, this study systematically reviews the crude oil price prediction methods and provides future research
direction. [Design/Methodology] Firstly, based on 295 papers from international journals, this paper analyzes the
development stages, published journals and research institutions, etc, of international crude oil price forecasting
research. Then, it systematically combs and analyzes the main forecasting methods for crude oil price in the past
two decades. Finally, this paper gives a few comments and points out trend on crude oil price forecasting.
[Conclusions/Findings] Since the financial crisis in 2008, oil price forecasting research has experienced rapid
development, and related papers are mainly published in the authoritative journal Energy Economics in the energy
economy field. The existing oil price forecasting methods mainly include econometric approaches, machine
learning and hybrid prediction models. In future, it is worth making interval or probability density forecast of the
crude oil price by using high-frequency intraday data and combining it with advanced methods of econometric
models and machine learning. In addition, the practical application value of oil price forecasting results should also

[收稿日期]　2021 – 05 – 27
[基金项目]　国家自然科学基金面上项目（71774051）；国家社科基金重大项目（18ZDA106）；湖南省科技创新计划（2020RC4016）；教育部
长江学者奖励计划（T2020095）.
[作者简介]　张跃军（1980– ）男，湖南大学工商管理学院教授；邢丽敏（1991– ）女，湖南大学工商管理学院博士研究生.
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望 · 93 ·

be deepened.
Key words crude oil price forecast; econometric model; machine learning; high frequency data; interval prediction

石油消费仍占全球化石能源消费的首位，为33.1%[4]。
引言 同时，作为世界最大的发展中国家，中国经济过去
几十年持续稳定增长，工业化进程不断加快，原油
原油作为重要的能源产品，不仅具有一般的商 需求量也不断攀升。据BP统计[4]，自2015年以来，
品属性，还具有金融属性和政治属性，其价格波动 我国年石油消费连续位居世界首位，这导致我国原
对世界经济、金融市场和区域稳定具有显著影响[1~3]。 油对外依存度逐年上升，2020年已高达73.5%，如
根据《BP世界能源统计年鉴2020》数据，2019年 图1所示。

6 80
70.8 73.5
65.4 72.6 70
5 68.4
59.3
56.4 60
53.8 60.8

原油对外依存度 (%)
原油净进口 (亿吨)

4 57.4
48.0 55.1 50
43.0 51.2
40.0 46.1
3 40
39.7
32.9 30
2
20
1
10

0 0
2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

2020
原油净进口 (亿吨) 原油对外依存度 (%)

图 1 2003～2020年中国原油进口量和对外依存度

原油需求过度依赖进口使得我国产生了巨大的 定、生产投资和买卖交易等，同时最大程度地规避
外汇资金需求，同时，国际油价的频繁剧烈波动给 油价波动风险。
我国原油进口成本和国内相关行业的经济效益造成
了巨大不确定性。尽管2018年3月26日，我国原油 一、原油价格的主要影响因素
期货的上市可以帮助企业通过期货交易降低国际油
原油资产的复杂属性决定了国际原油市场是一
价波动风险，但石油企业在面临国际原油市场重大
个典型的复杂非线性系统，其价格波动是一系列风
突发事件的冲击时仍然损失惨重。例如，2020年初
险因素相互交织、综合作用的结果。基本面和非基
突如其来的新冠肺炎疫情在全球蔓延，导致世界石
本面因素共同作用，导致国际油价发生剧烈波动，
油需求预期大幅降低，随后减产问题谈判破裂直接
特别是2008年金融危机以来，世界经济疲软不振、
导致油价暴跌，并引发全球原油市场恐慌情绪蔓
原油市场供需平衡脆弱、投机基金不断游走以及地
延。受疫情冲击，中国油气行业遭受大幅亏损，特 缘政治摩擦频繁，导致原油价格大起大落。国际原
别是上游开采行业[5]。例如，中石油集团2020年第 油市场最重要的两种基准油：西德克萨斯轻质
二季度油气勘探生产业务的毛利率由上年同期的 （West Texas Intermediate，WTI）原油和布伦特
26.67%缩水为16.02%；而民营企业遭受的损失更 （Brent）原油价格的变动趋势如图2所示。
加严重，如洲际油气企业的毛利率由上年同期的 首先，原油作为重要的工业原料，具有一般商
21.65%大幅跌至-4.96%。 品的属性，其价格波动长期来看受供需基本面因素
为此，国际原油资产定价与预测成了我国能源 的影响。例如，2008年金融危机之前，国际石油市
供需安全甚至经济安全的核心关切。政府部门、企 场供需基本平衡，全球经济的繁荣发展为油价上行
业和投资机构等都迫切希望能够对原油价格进行准 提供了有力支撑[6]。而2008年金融危机后，原油市
确定价并对其走势进行预测，以开展科学的政策制 场供需格局发生了深刻变化，一方面全球经济复苏
· 94 · 电子科技大学学报（社科版） 第 23 卷
140

120

100

原油价格 (美元/桶)
80

60

40

20

0
1986

1987

1989

1991

1993

1995

1997

1998

2000

2002

2004

2006

2008

2009

2011

2013

2015

2017

2019

2020
WTI 原油价格 Brent 原油价格

图 2 WTI和Brent原油价格走势

缓慢，另一方面美国页岩油产量增加，原油市场供 目前油价预测的主要工作进行系统梳理，然后对油
需失衡，石油输出国组织（Organization of 价预测的主要方法进行归纳总结，再给出未来油价
Petroleum Exporting Countries，OPEC）的减产措施 预测有待拓展的方向。
成为支撑2009～2014上半年油价上涨的关键动力。
同时，石油库存作为供需基本面的平衡器和调节 二、油价预测研究综述
器，不但影响石油市场供需变动，也会对市场投资
者的预期产生影响，进而导致油价波动[7]。 原油价格预测作为全球能源研究学者关注的重
其次，进入21世纪以来，随着全球金融市场不 要议题，相关文章多发表于国际期刊上。因此，我
断演进，原油期货在国际大宗商品市场占据越来越 们在全球广泛使用的论文数据库Web of Science中
突出的地位，原油的金融属性逐渐凸显，其价格波 以关键词“crude oil price”“crude oil”“oil price”
动受投机基金的影响也较为明显。原油期货市场的 “forecast”和“predict”进行搜索，最终获取
投资基金炒作叠加其他因素往往会对油价涨跌形成 2002～2021年发表的295篇关于油价预测的学术论
推波助澜的作用[8~9]。例如，2009年5~6月，全球经 文。本文对这些油价预测论文进行系统梳理和剖
济持续复苏，美联储量化宽松导致美元弱势，加之 析，发现目前油价预测方法主要包括三大类：计量
OPEC产量保持低位，使投机者对油价的情绪回 方法、机器学习方法以及混合预测方法。
暖，资金持续流入能源板块，原油价格突破了70美 这些预测方法的主要区别在于：计量方法依据
元/桶，涨幅达36.5%。此外，由于原油价格以美元 经济理论构建确定的估计方程，然后根据样本内参
计价，美元指数的涨跌也会影响其价格变化。例 数估计进行样本外预测；机器学习方法直接对输入
如，2008年金融危机后美国连续实施四轮量化宽松 的样本数据进行不断学习和训练进而得到预测结
政策，超低利率导致美元贬值，对这一阶段的油价 果。两类方法各有优劣，运用计量模型可以有效识
上涨形成了重要支撑。 别影响原油价格的因素，所得预测结果可解释性更
最后，由于石油资源的稀缺性，主要产油国长 强；但是，由于模型设定形式的局限性及可能存在
期以来对原油供应形成寡头垄断，产油大国之间的 的设定偏误，其相比机器学习方法难以刻画油价波
利益博弈以及地区冲突等地缘政治风险也对原油价 动的各种复杂非线性特征。而机器学习方法基于先
格波动产生了不可忽视的政治化影响 [10~11]
。例如， 进的人工智能算法，能够对油价序列的历史值进行
2020年3月初的国际油价大跌，沙特和俄罗斯的博 反复学习和模拟训练，模型预测精度往往更高；但
弈只是导火索，其背后则是国际能源格局变化的深 该类模型所得预测结果的可解释性较差，即仅通过
层次问题。 对历史数据进行“黑箱”训练就得到预测结果令人
原油市场的复杂系统特征及其引致的油价波动 难以信服，且机器学习算法容易陷入过度拟合和局
非线性、动态性等特征使得国内外学者多年来致力 部最优的陷阱。针对计量和机器学习方法各自的优
于探寻能够提高油价预测精度的方法。本文首先对 劣，近几年的油价预测研究更倾向于同时运用计量
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望 · 95 ·

和机器学习方法，即多种模型的综合集成运用。 机器学习方法次之，共93篇；而运用混合预测方法
对295篇油价预测的文章进行分析可知，采用 的论文有22篇。我们描绘出2002～2021年采用各类
计量方法预测油价的论文数量居多，合计180篇； 方法预测油价的文章发表趋势如图3所示。

60

50

40
文章数量

30

20

10

0
2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

2020

2021
发表年份
计量方法 机器学习方法 混合预测方法

图 3 2002～2021年油价预测研究发表论文数量

可以发现，2002～2007年关于油价预测的论文 《Energy》《Journal of Forecasting》《Economic

发表数量寥寥无几。对相关文献进行阅读和分析发 Modelling》和《International Journal of Forecasting》
现，这一时期所用的预测方法以简单的计量模型 等国际权威SCI/SSCI检索期刊，其中在能源经济领
（如普通最小二乘回归、自回归整合移动平均、向 域的ABS三星级期刊（JCR分区一区）《Energy
量自回归）和机器学习方法（如人工神经网络、支 Economics》发文量最大，共计85篇。
持向量机、遗传算法）为主。2008年金融危机发生 进一步地，我们以期刊《Energy Economics》
后，油价预测的文章数量开始逐渐增多。具体而 为例，对2018年发表于该刊的文章进行关键词分
言，2007年有关油价预测的论文仅有1篇，而2008～ 析，可以发现，在《Energy Economics》发表的论
文中占比最高的关键词即为“oil price”，说明
2010年分别增加至6、13和11篇。这表明，金融危
“油价”是《Energy Economics》期刊的关注热
机导致原油价格大幅下跌，对全球经济社会的生产
点。其他涉及原油市场预测的关键词还包括 “crude
经营活动造成严重冲击，这使得广大学者意识到把
oil price”“volatility”“forecasting”“GARCH”
握原油价格驱动因素、提高对油价走势的预测准确
“structure break”和“oil price shock”。从这些关
性是一项重要且紧迫的研究工作。2011～2013年，
键词可以看出，运用GARCH族模型对油价波动率
此时期油价预测的文章数量虽然有所减少，但机器
进行预测十分热门，同时考虑原油价格的结构突变
学习方法在油价预测方面的应用却得到较快发展。
和油价冲击是油价预测的重点关注问题。
2014年7月，由于原油市场供过于求，且全球经济
最后，我们对相关油价预测文章的作者单位进
疲软，加上OPEC拒不减产，直接导致WTI原油价 行统计，结果如图5所示。可以发现，中国学者是
格由90~100美元/桶的高位再次暴跌，此后原油价 原油价格预测研究的最主要贡献者，其发文数量占
格开始长期低位震荡。原油价格的又一次大幅下跌 油价预测总发文量的比重高达44%；其次是美国学
吸引广大学者关注油价预测研究，且预测技术的不 者，其在油价预测领域发文数量占比为16.41%。就
断改进使得自2014年开始油价预测文章的数量呈快 中国学者所在的研究机构而言，中国科学院数学与
速增长趋势。尤其是2018～2020年，油价预测研究 系统科学研究院在油价预测领域的发表文章数量为
工作呈现爆发式增长态势，各年发文数分别达到 首位，为油价预测研究做出了突出贡献。其他在油
47、41和54篇。 价预测领域发文数量排名靠前的机构单位包括：西
接下来，我们对油价预测研究的发表期刊进行 南交通大学、南京理工大学、北京化工大学、中国
统计，主要发表期刊分布如图4所示。可以发现， 科学院大学、北京理工大学、西南财经大学、云南
油价预测的研究主要发表于《Energy Economics》 财经大学、湖南大学和南京审计大学等。
· 96 · 电子科技大学学报（社科版） 第 23 卷
《Energy Economics》 85
《Energy》 15
《Physica A: Statistical Mechanics and Its Applications》 11
《Journal of Forecasting》 10
《Economic Modelling》 7
《International Journal of Forecasting》 7
《International Journal of Finance & Economics》 6
《Applied Energy》 6
《The Energy Journal》 6
期刊名称

《Energy Policy》 6
《Empirical Economics》 5
《Resources Policy》 5
《Applied Soft Computing》 5
《Journal of Futures Markets》 4
《Soft Computing》 3
《Applied Economics》 3
《Journal of Empirical Finance》 3
《Journal of Applied Econometrics》 3
《Knowledge-based Systems》 2
《Technological Forecasting and Social Change》 2
0 20 40 60 80 100
发文数量 (篇)

图 4 2002～2021年油价预测文章发表期刊统计

三、国际油价预测的主要方法 优势，获得更为精确的预测结果。事实上，对多个
模型的综合集成运用确实往往可以获得比单种模型
油价波动的影响因素错综复杂，且其波动的非 更好的预测效果。主要的国际油价预测方法总结如
线性、不确定性、动态性特征显著，因此，如何科 表1所示。
学准确地对其价格变化进行预测是近二十年来国内 （一）基于计量经济模型的国际油价预测研究
外研究的热点。尤其是2008年金融危机以来，国际 早期基于计量模型的油价预测研究，主要运用
原油价格波动更加频繁，迫切需要开发出能够精确 简单的ARIMA、VAR和VECM模型，且着重探究
预测原油价格走势的模型方法。 原油价格的有效预测变量。例如，Ye等[13~14]利用传
现有关于原油价格预测的方法层出不穷，归结 统的OLS回归模型预测油价，证实了OECD石油库
起来主要有两大类：一类是以普通最小二乘回归 存对油价预测的重要作用。Coppola [15] 利用VECM
（Ordinary Least Squares，OLS）、随机游走 模型考察了原油期货价格对原油现货价格的长期均
（Random Walk，RW） [12]
、不变模型（No- 衡关系，发现原油期货市场的信息可以解释部分原
change） [12]
、自回归模型（Autoregressive， 油价格的变化。Murat和Tokat[16]同样基于VECM模
AR）、自回归整合移动平均（Autoregressive 型，发现原油与石油产品的基差对原油现货价格具
Integrated Moving Average，ARIMA）、向量自回 有短期和长期影响，而且利用基差变量所得的油价
归（Vector Autoregression，VAR）、向量误差修 预测结果优于基准的RW模型。
正模型（Vector Error Correct Model，VECM）等为 1. 原油价格收益率预测方法
代表的传统计量方法及其衍生预测模型。另一类是 在相关研究中，学者们提出各种策略以提高计
以人工神经网络（Artificial Neural Network， 量模型对油价收益率的预测能力，如运用实时数据
ANN）、支持向量机（Support Vector Machine， （Real-time Dataset）、对参数估计施加约束、对
SVM）、最小二乘支持向量回归（Least Square 估计结果进行组合加权以及连续筛选预测变量等。
Support Vector Regression，LSSVR）、遗传算法 例如，Baumeister和Kilian[17]提出利用实时数据预测
（Genetic Algorithm，GA）等为代表的机器学习方 油价收益率，发现运用实时数据可以提高VAR等计
法及其拓展模型。近几年的研究逐渐开始结合计量 量模型对美国炼油商的进口收购成本的预测精度，
和机器学习模型进行混合预测，以发掘各类方法的 其预测误差和预测方向正确性率不仅高于基准的
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望 · 97 ·

土耳其 3.39% RW模型，且高于AR和ARIMA模型。在施加约束

伊朗 3.65%
意大利 3.91% 方面，Wang等 [18] 提出对参数估计施加经济和统计
德国 4.43%
意义层面的约束来预测原油价格，发现通过舍弃参
加拿大
4.43% 数估计符号与其经济意义不符以及样本内统计不显
澳大利亚 中国 著的变量，可以提高OLS模型的预测精度。随后，
6.25% 44.01%
Yi等[19]通过对预测变量、系数符号和回归结果施加
法国 组合约束，发现相比单一的约束方式，组合约束可
6.77%
以显著提高油价预测精度。
英国 6.77% 考虑到模型设定的不确定性，单一模型的预测
效果可能不会一直表现很好，Baumeister和Kilian[20]
美国 16.41% 提出组合预测的思想来预测油价收益率。组合预测
(a) 地域分布
是将单一模型的预测结果基于不同权重进行加权组
南京审计大学 中国科学院数学与 合，结果表明组合预测确实可以提高油价的样本外
6.49% 系统科学研究院
湖南大学 16.23% 预测精度。在Baumeister和Kilian的基础上，
7.14%
Wang等 [21] 提出运用时变参数的OLS回归对油价收
云南财经大学 益率进行预测，然后采用多种权重估计方法对单一
7.79%
模型的预测结果进行加权平均，即TVP-FC方法，
西南财经 西南交通 结果发现TVP-FC预测结果不仅好于单一模型的预
大学 大学
7.79% 12.99%
测结果，且优于基于固定系数模型的组合预测结
果。Zhang等[22]采用一种新的组合预测方法，即迭
北京理工大学 代组合方法预测油价收益率，发现新的组合预测方
7.79%
南京理工大学 法好于传统的组合预测方法。其他的组合预测方法
12.34%
中国科学院大学 还包括动态模型平均（Dynamic Model Average，
9.74% 北京化工大学
11.69% DMA）[23~24]等。
(b) 研究结构分布 与组合预测方法不同，收缩模型通过对影响原
图 5 发表油价预测文章的地域分布和研究结构统计
油价格的驱动因素进行动态筛选，可以剔除冗余变

表1 国际油价的主要预测方法总结
类别 预测方法 典型文献 主要发现
ARIMA、RW、
Alquist和Kilian（2010） 通常作为基准模型，其预测性被认为很难被其他模型超越
No-change
VAR、VECM Coppola（2008）；Murat和Tokat（2009） 考虑协整关系的VECM模型预测准确性相比随机游走模型更高
Baumeister和Kilian（2015）；Naser（2016）；
组合预测 多数研究表明组合预测较单一模型的预测效果更好
Wang等（2017）；Zhang等（2018）
收缩预测 Zhang等（2019）；Hao等（2020） 收缩模型的预测结果优于单一模型和组合预测的结果
计量模型 混频预测 Baumeister等（2015）；Zhang和Wang（2019） 混频模型对油价收益率的预测效果优于同频模型
方法 （1）尚未有预测效果绝对最优的单一机制GARCH族模型；
GARCH族模 Kang等（2009）；Wei等（2010）；Wang等 （2）考虑机制转换的GARCH族模型预测效果并不一定优于单一机
型、MSM模型 （2016）；Klein和Walther（2016） 制的GARCH族模型；（3）MSM模型的预测效果优于传统的
GARCH族模型
（1）考虑高频数据的已实现波动率模型预测效果优于GARCH族模
Sévi等（2014）；Wen等（2016）；Ma等
型；（2）考虑结构突变和机制转换特征的HAR-RV族模型预测效果
HAR-RV族模型 （2017）；Zhang等（2019）；Chen等
优于普通的HAR-RV模型；（3）基于收缩方法的HAR-RV族模型预
（2020）；Luo等（2020）
测效果优于单一和组合预测的HAR-RV族模型
传统的ANN、 Kaboudan（2001）；Mirmirani和Li（2004）； 多数研究表明ANN和SVM的预测效果优于ARIMA、VAR和
SVM Xie等（2006）；Moshiri和Foroutan（2006）； GARCH模型
Yu等（2008）；Wu等（2009）；Tang等 （1）分解集成方法的预测效果显著优于单一的机器学习模型；
分解集成方法 （2015）；Yu等（2016）；Tang等（2018）； （2）将EEMD等分解方法和基于随机向量函数链（RVFL）算法的
机器学习
Bisoi等（2019）；Yu等（2021） 神经网络模型结合所得预测效果目前在机器学习领域中是最好的
（1）深度学习方法能够提高传统机器学习模型的预测精度；
Chen等（2017）；Zhao等（2017）；Wu等
深度学习方法 （2）将分解算法和深度学习方法结合，其预测效果优于基于传统神
（2019）
经网络模型的分解集成预测结果
Ou和Wang（2011）；Bildirici和Ersin（2013）；
综合计量模型和 将计量模型和机器学习结合使用，可以提高对预测油价收益率或波
混合方法 Zhang等（2015）；Safari和Davallou（2018）；
机器学习 动率的预测精度
Abdoll和Ebrahimi（2020）
· 98 ·
量，有效识别出最主要的预测变量，从而提高对原
油价格的预测精度。例如，Ma等 [25]
基于多种预测
指标，包括宏观经济变量、技术变量和情绪类变
量，运用收缩方法即最小绝对收缩和选择算子
（Least Absolute Shrinkage and Selection Operator，
LASSO）回归，以及组合预测方法（DMA和TVP-
FC）预测油价收益率，结果表明LASSO回归的预
测效果相对更优。Zhang等 运用收缩方法（LASSO、
[26]
弹性网络）和其他竞争模型（如DMA、组合预
测、偏最小二乘回归、主成分分析）预测油价收益
率，结果表明用收缩方法的预测效果好于其他模
型。考虑到原油市场经常发生剧烈波动，油价序列
的不稳定性可能对造成参数估计的较大偏差，Hao
等[27]采用基于Huber损失函数的收缩方法预测油价
收益率，结果表明该方法所得预测结果不仅优于基
于OLS估计的单一模型和组合预测，也优于原始收
缩方法。
鉴于预测变量数据频率的差异性，有学者发现
利用高频数据能够提高对低频原油价格的预测精
度。例如，Baumeister等[28]基于周度和日度金融数
据，利用混频数据模型（Mixed Frequency Data
Sampling，MIDAS）和混频VAR模型（Mixed-
Frequency Vector Autoregressive，MF-VAR）预测
月度WTI原油价格，结果表明高频金融数据的确有
利于提高模型预测精度。Zhang和Wang 综合运用
MIDAS回归、基于自回归分布滞后（Autoregressive
Distribution Lags，ADL）的ADL-MIDAS模型和
MF-VAR模型，发现ADL-MIDAS模型的预测效果
最好，其次是MIDAS，而MF-VAR模型的表现不如
前两者。
2. 原油价格波动率预测方法
油价波动率对于计算风险价值和投资者进行风
险管理具有重要意义，因此有大量研究聚焦油价波
动率预测。广义自回归条件异方差（Generalized
Autoregressive Conditional Heteroscedasticity，
GARCH）族模型由于能够捕获油价变化的长短记
忆特征，被广泛运用并不断改进。
从现有研究成果来看，尚未有预测效果绝对最
优的单一机制GARCH族模型。Morana
将GARCH模型用于预测Brent油价波动率，证实了
该方法对原油价格波动率的可预测性。Cheong[31]发
现捕获短记忆特征的GARCH模型在预测Brent油价
波动率方面具有良好性能，而能够捕获长记忆特征
的分数单整（Fractionally Integrated）的FIGARCH
和分数单整非对称幂（Fractionally Integrated
电子科技大学学报（社科版） 第 23 卷
Asymmetric Power）的FIAPARCH模型对WTI油价
波动率的预测效果更好。Kang等[32]发现FIGARCH
模型对Brent油价波动率的样本外预测效果更好，
而能够同时捕获长短记忆特征的成分GARCH
（Component GARCH, CGARCH）模型对WTI油价
波动率的预测性能更好。Wei等[33]纳入八种线性和
非线性GARCH族模型对WTI油价波动率进行预
测，发现非线性GARCH族模型的长期预测精度高
于线性GARCH族模型。
相比单一状态的GARCH族模型，马尔科夫机
制 转 换 （ M a rk o v R e g i m e Sw i t c h i n g ， MRS ）
GARCH族模型由于能够捕获油价波动的不同状态
也被广泛应用。例如，Fong等[34]采用马尔科夫过程
刻画油价波动的机制转换特征，结果表明MRS-
GARCH模型的预测效果显著优于单一状态的
GARCH模型。Xu和Ouenniche[35]的研究也表明考虑
机制转换特征的MRS-EGARCH模型对油价收益
率、波动率和风险价值的样本外预测误差均小于一
般的EGARCH模型。Klein和Walther[36]采用基于混
合记忆（Mixture Memory，MM）的MM-GARCH
模型刻画油价波动的不同状态，发现MM-GARCH
模型的预测能力好于单一机制的GARCH族模型。
Lin等[37]基于隐马尔科夫（Hidden Markov，HM）
的HM-GARCH模型预测油价波动率，发现该模
[29]
型预测效果好于单独的GARCH族模型和MRS-
GARCH模型。然而，Zhang等[38]研究发现，考虑机
制转换的GARCH模型（包括MRS-GARCH和MM-
GARCH）的样本内拟合效果虽然很好，但其样本
外预测效果并不优于单一机制的GARCH族模型。
综上所述，大量相关研究并没有对哪种GARCH模
型的预测效果最好达成一致结论，这可能与样本区
间、预测长度、参数设置等问题有关。另外，还有
学者发现马尔科夫转换多重分形（Markov Switching
Multifractal，MSM）模型对油价波动率的预测效果
优于传统的GARCH族模型[39~40]。
上述研究中的GARCH族模型往往基于日度数
据，且以收益率的平方表示波动率，难以体现更高
频的交易数据信息。自从已实现波动率异质自回归
[30]
首次尝试 模型（Heterogeneous Autoregressive Model-Realized
Volatility，HAR-RV）模型被提出以来[41]，分钟高
频数据在能源金融市场的研究中得到广泛应用，且
大量研究表明利用高频数据构造的低频RV值能够
捕获油价波动的长记忆性，所得油价波动率预测结
果精度往往更高。Liu和Wan [42] 使用日内分钟高频
数据构造已实现波动率预测上海燃料油期货价格波
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望 · 99 ·

动率，结果表明基于能够表征长记忆性和波动持续 （如ARIMA、VAR模型等）。
性的自回归分数单整移动平均（Autoregressive 在利用传统的机器学习方法预测油价方面，
Fractionally Integrated Moving Average，ARFIMA） Kaboudan [52] 使用ANN和GA模型预测油价，发现
模型对已实现波动率的预测精度远高于Wei[33]等采 GA相比基准的RW模型可以获得更好的预测结果，
用的GARCH族模型。此后，HAR-RV族模型被广 而ANN的预测结果却不如RW模型。Mirmirani和
泛应用并得到持续改进，且研究结果大多表明考虑 Li [53] 将基于GA算法的反向传播神经网络（Back-
日内高频数据信息能够提高对油价波动率的预测 Propagation Neural Network，BPNN）模型和VAR
精度。 模型所得油价的预测结果进行对比，发现前者的预
例如，Wen等 [43]
将结构突变引入HAR-RV族模 测结果显著好于后者。Wang等 [54] 提出了一种改进
型预测原油期货的已实现波动率，发现引入结构突 的混合人工智能系统框架，即将ANN、基于规则
变的HAR-RV族模型预测效果较简单的HAR-RV模 的专家系统和基于网页的文本挖掘技术相结合，发
型预测效果更好。其中，考虑连续样本路径方差和 现该混合方法能够显著提高原油价格预测精度。
离散跳跃方差的HAR-CJ模型在预测未来一天和一 Xie等[55]提出使用SVM方法预测油价，发现该模型
个月时效果最好，引入正负已实现半变差的HAR- 的预测性能优于ARIMA和BPNN模型。Moshiri和
RSV模型对未来一周油价波动率的预测效果最好。 Foroutan [ 5 6 ] 将ANN模型的预测结果与GARCH模
Ma等[44]将油价波动的机制转换特征引入HAR-RV族 型、ARIMA模型相比，发现ANN模型对原油价格
模型，发现相比单机制的HAR-RV族模型，虑机制 的预测性能更优。
转换特征的MRS-HAR-RV族模型的样本外预测精 1. 分解集成预测方法
度更高。Zhang等 [45]
将收缩预测和组合预测方法引 根据Wang等 [ 5 4 ] 的TEI@I预测思想，Zhang
入HAR族模型，对油价波动率进行预测，发现基于 等 [ 5 7 ] 将集成经验模态分解（Ensemble Empirical
两种收缩方法（即弹性网络和LASSO回归）所得 Mode Decomposition，EEMD）技术用于分解具有
的样本外预测结果不仅好于单一的HAR-RV族模 非线性和非稳定特征的原油价格序列。自此，分解
型，而且好于基于组合预测方法的HAR-RV族模 –集成预测方法被广泛应用于油价预测领域，且获
型。Chen等 [46]
将HAR-RV模型与FIGARCH模型相 得了良好的预测效果。常见的分解技术包括EMD、
结合，结果表明相较线性HAR-RV模型，考虑油价 EEMD、小波分析（Wavelet Analysis，WA）、奇
波动ARCH效应的HAR-RV族模型预测精度更高。 异谱分析（Singular Spectrum Analysis，SSA）、变
Luo等 [47]
将无限状态的隐马尔科夫模型（Infinite 分模态分解（Variational Mode Decomposition，
Hidden Markov，IHM）引入HAR族模型，发现 VMD）等。针对EMD和EEMD在恢复信号的过程
IHM-HAR模型的预测效果好于没有考虑机制转换 中引入新的噪声和“模态混合”等问题，VMD方
的HAR族模型。 法对其进行改进并被广泛应用。
另外，还有学者考察了外生变量对HAR模型预 已有研究表明，结合分解方法和ANN或SVM
测油价波动率的影响，如投资者情绪、原油市场隐 模型确实可提高单一机器学习模型的预测精度。例
含波动率指数、股票市场和其他期货市场的已实现 如，Yu等 [58] 提出利用EMD方法将油价序列分解为
波动率[48~50]。但是，也有部分学者发现HAR-RV模 几个固有模态函数（Intrinsic Mode Functions，
型的样本外预测精度并不比低频GARCH族模型更 IMFs），然后利用前馈神经网络模型分别对IMFs
好。例如，Sévi等 利用HAR模型预测WTI原油期[51]
进行预测，最后应用自适应线性神经网络模型集成
货的已实现波动率，发现考虑跳点和半方差的 多个IMFs的预测结果，证实了分解–集成方法预测
HAR-RV模型的样本内拟合精度相比GARCH族模 性能优于单一的神经网络模型。类似地，杨云飞等[59]
型有所提高，但对提高样本外预测精度无益。 结合EMD和SVM模型对原油价格进行预测。
（二）基于机器学习方法的国际油价预测研究 Wang和Li[60]将SSA和BPNN模型结合预测大宗商品
机器学习是预测国际油价的另一类重要方法， 价格（包括原油价格），证实了该混合模型的预测
且各种前沿算法被不断用于油价预测，使得预测结 优越性。Jammazi和Aloui[61]将小波分解技术和多层
果精度持续提高。早期相关研究主要利用神经网络 BPNN神经网络模型结合，结果表明该方法的预测
模型或支持向量机方法预测油价，研究结果发现这 性能好于单一的BPNN模型。
类非线性模型的预测性能往往好于传统的线性模型 近几年的相关研究中，预测效果更好的机器学
· 100 ·
习模型或更优的预测策略被应用于分解–集成预测
研究中。例如，Tang等 提出运用互补集成经验模
[62]
态分解（Complementary EEMD）方法得到原油价
格序列的多个IMFs，然后运用扩展的极限学习机
（Extended Extreme Learning Machine，EELM）方
法预测各IMFs，最后将各子序列的预测结果相加
得到最终的预测值，该模型被证实可以有效提高原
油价格的预测精度，且EELM算法的预测效果好于
基于其他算法的神经网络模型。Yu等
EEMD分解方法和EELM算法，证实了该方法在预
测油价方面的优越性。Wang等 [64]
分别将EMD、
VMD、WA、SSA四种分解方法与AR、ARIMA、
ANN和SVM模型相结合，共得到16种组合预测模
型，结果表明组合预测较单一模型能够大幅降低预
测误差。Tang等[65]提出将EEMD方法和基于随机向
量函数链（Random Vector Functional Link，
RVFL）算法的神经网络模型用于油价预测，结果
表明EEMD-RVFL模型的预测精度不仅高于单独
ELM网络模型、核岭回归、随机森林、BNN、
LSSVR、ARIMA模型，且好于EEMD和这些模型
的组合预测结果。Bisoi等 将VMD与RVFL神经网
[66]
络模型相结合，证实了该方法的代码运行时间和预
测误差均小于VMD和BPNN、ARIMA、LSSVR、
自适应神经模糊推理系统（Adaptive Neuro-fuzzy
Inference System，ANFIS）、区间二型模糊神经网
络和递归神经网络（Recurrent Neural Network，
RNN）的组合。张金良等 [67] 基于VMD和果蝇算法
优化后的最小二成支持向量机（Least Squares
SVM，LSSVM）构建了混合预测模型，并证实了
该预测方法对油价具有良好预测性能。Yu等[68]从集
成策略的多样性角度出发，综合分析了样本数量多
样性、抽样区间多样性、参数设置多样性、集成数
量多样性和集成方法多样性这五种不同策略对RVFL
神经网络模型预测性能的影响。结果表明，考虑多
种策略组合的RVFL集成模型预测精度相比单一的
RVFL模型预测精度有显著提高。唐振鹏等[69]基于
VMD和EEMD相融合的二次分解技术，结合差分
进化（Differential Evolution，DE）算法优化后的
极限学习机（Extreme Learning Machine，ELM），
提出对原油价格的VMD-RES-EEMD-DE-ELM混合
多步预测模型，实证结果表明，与其他的基准模型
相比，作者提出的混合模型有效且稳健。
2. 深度学习预测方法
深度学习是机器学习研究中的一个新领域，其
能够通过构建包含很多隐含层的机器学习模型对海
电子科技大学学报（社科版） 第 23 卷
量数据进行训练，表征数据分布特征，从而提升对
复杂文本、声音、图像等数据的分类或预测的准确
性。目前原油市场预测中常用的深度学习模型包括
长短期记忆网络（Long Short Term Memory Network，
LSTM）、门控循环单元（Gated Recurrent Units，
GRU）、卷积神经网络（Convolutional Neural
Networks，CNN）和深度置信网络（Deep Belief
Networks，DBN）、去噪自编码机（Denoising
[63]
同样结合 Autoencoders，DAE）。其中，LSTM网络是一种
改进的RNN模型，其通过引入门单元能够学习时间
序列的长期依赖信息，对于具有显著序列相关性的
经济金融数据具有较强预测优势。GRU和LSTM的
网络结构类似，也包括门单元，但是GRU设置的门
单元数量更少，模型训练所需参数少，训练难度较
小且易收敛。
近年来，深度学习逐渐被应用于原油市场研
究，且部分研究表明深度学习模型在原油市场预测
中能够获得更优的结果。Chen等[70]将DBN和
LSTM与线性模型（RW、ARIMA）相结合，结果
发现深度学习模型有助于提高原始模型对油价的预
测精度。Zhao等 [71] 将堆叠去噪自编码机（Stacked
Denoising Autoencoders，SDAE）用于刻画原油价
格与其影响因素间的非线性复杂关系，并运用自助
聚合算法训练样本抽样以提高SDAE模型的预测精
度，结果表明该方法可以大幅提高对原油价格的预
测准确性。Wu等[72]将EEMD分解方法和LSTM相结
合预测国际油价，发现该方法的预测表现优于
EEMD和ELM、LSSVR、ANN、ARIMA的结合的
预测结果。Huang和Deng [ 7 3 ] 将改进的信号–能量
（Improved Signal Energy，ISE）规则用于VMD分
解方法的参数选择，然后运用移动窗口（Moving
Window，MW）策略作为VMD分解的补充，提出
了VMD-LSTM- MW预测方法对原油价格进行日度
和月度预测，实证结果证实了该方法的优越性。
Wang和Wang[74]基于随机遗传公式（Random
Inheritance Formula，RIF）和门控循环单元模型，
提出RIF-BiGRU模型预测国际油价，并将预测结果
和SVM、LSTM、GRU以及RIF-GRU模型做比较，
结果表明RIF-BiGRU的预测精度高于其他模型。
Li等[75]基于文本数据构建了投资者情绪指数，先运
用VMD模型分解油价序列，然后运用双向BiLSTM
模型对原油价格收益率和波动率进行预测，结果证
实VMD-BiLSTM模型相比其他竞争模型具有优越
的预测性能。
基于卷积核和反向传播过程，CNN在文本数据
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望
特征提取和情感分类方面具有巨大优势。例如，
Li等 采用CNN方法对原油市场相关新闻进行特征
[76]
提取，然后基于潜在狄利克雷分布主题模型对情感
特征进行聚合从而构建情绪指数，实证结果表明，
采用CNN算法构建情绪指数对提高油价预测结果有
显著作用。Wu等[77]首先运用CNN模型提取石油市
场新闻的特征信息，然后利用VMD方法剔除新闻
数据中的无用信息，进而构建基于文本数据的原油
市场情绪指标，最后运用多种模型，如多元线性回
归、BPNN、SVM、RNN、LSTM和GRU预测原油
价格，证实了新闻数据对预测原油价格的重要作用。
（三）基于混合方法的国际油价预测研究
现有多数研究主要基于单一的计量模型或机器
学习方法预测油价收益率或波动率，实际上将两类
预测方法相结合往往可以获得更好的预测结果。
例如，Ou和Wang[78]认为神经网络能够克服传
统计量模型在参数估计中由于各种先验假设所导致
的估计偏误，由此构建了GARCH-ANN模型，结果
表明该模型在不同参数设定情况下的预测结果均显
著优于GARCH模型。Bildirici和Ersin[79]分别运用平
滑转换自回归（Smooth Transition Autoregressive，
STAR）和多层感知机（Multi-Layer Perceptron，
MLP）神经网络刻画GARCH族模型条件均值和条
件方差的非线性，发现新方法的样本外预测结果远
好于原始的GARCH族模型。Zhang等 [80] 首先运用
EEMD分解原油价格序列，然后分别用GARCH模
型和基于粒子群优化的LSSVM模型刻画油价波动
率序列的时变性和非线性特征，最后合成各IMFs
序列的预测结果。结果证实，混合预测方法的表现
远好于其他竞争模型。Safari和Davallou[81]分别运用
线性模型（指数平滑法和ARIMA）以及非线性模
型（非线性自回归神经网络）预测原油价格，并根
据卡尔曼滤波算法和状态空间模型计算出时变组合
权重，发现基于该时变权重所得的预测结果好于基
于等权重、遗传算法求解权重所得的预测效果。
Zhang等[82]首先运用HMM识别出原油价格波动的不
同状态，然后分别采用EGARCH和LSSVM预测原
油价波动率和残差序列，并运用误差修正模型
（Error Correct Model，ECM）模型不断修正预测
结果，最终的预测结果表明，新的混合模型预测性
能较其他相关模型更优。Abdollahi和Ebrahimi[83]分
别利用ANFIS、ARFIMA和MRS模型预测原油价
格，并基于不同权重得到各模型的加权平均预测结
果，然后运用GA算法对各模型预测结果进行加
权，所得的最终结果显著好于基于等权重和预测误
· 101 ·
差最小加权的方法。
四、研究评述与展望
（一）研究评述
本文通过对油价预测领域的相关文献进行系统
总结和梳理，发现国内外学者主要基于计量和机器
学习方法进行国际油价预测研究，也有部分研究将
计量和机器学习方法相结合，以提取原油价格序列
的复杂变化特征，获得更为精确的预测结果。根据
已有研究，本文认为油价预测领域还存在一些亟待
研究的问题：
1. 缺乏对超高频数据预测作用的研究。随着金
融市场的快速发展，交易频率大大加快，借助现代
金融信息技术，可以收集到时间间隔很小的高频交
易数据，比如每一分钟交易数据，甚至每一笔交易
数据。相比日度数据，高频数据包含了更多的交易
信息，研究者可以在更高的数据频率下探究资产价
格变化规律，研究其对资产价格的预测作用。然
而，目前较少有研究涉及高频交易数据对油价的预
测作用。虽然HAR-RV族模型运用了高频分钟数
据，但经过线性变化其高频数据信息仍被包含在低
频变量内，估计模型仍采用日度数据进行预测。因
此，有必要探索适合高频数据估计的模型方法。
2. 缺乏对原油价格区间预测和概率密度预测开
展研究。区间预测和密度预测均属于不确定预测，
即给出未来资产价格的变化范围和出现某个预测值
的概率大小。然而，现有油价预测研究多为点预
测，即预测未来时刻油价的期望值，缺乏对区间和
概率密度预测的研究。实际上，把握原油价格的精
确变化几乎是不可能的，虽然各种前沿计量模型和
机器学习方法能够在很高的预测精度下给出油价变
化的确切值，但是政策制定者和市场参与者可能更
关注价格的变化区间或未来资产价格在多大概率水
平下上涨或下跌。因此，有必要深入对原油价格区
间和概率密度预测的研究。
3. 对计量与机器学习预测方法的结合探索不
足。根据前文综述，目前针对油价预测领域的计量
和机器学习方法探究均实现了跨越式发展。然而，
两类预测方法的演进过程实际上是并行独立的，缺
乏对两类预测方法交互融合后预测效应的研究。有
必要尝试将前沿的计量方法（如组合预测、收缩模
型）和深度学习模型（如LSTM和GRU）相结合，
以发掘各类方法的优势，获得更优的预测效果。
4. 预测结果的应用研究需要进一步丰富。尽管
· 102 · 电子科技大学学报（社科版）
油价预测结果在风险管理和投资组合的应用研究方
面取得了一些进展，但是目前大部分油价预测的研究
仅局限于预测结果在统计意义层面的比较，缺乏对
预测结果经济应用价值的深层次挖掘，缺乏与相关
市场主体就预测结果的实际应用进行深入沟通探讨。
（二）研究展望
基于油价预测领域存在的问题和挑战，本文提
出一些该领域未来可能的研究方向：
1. 考察高频数据对油价预测的作用。信息技术
的快速发展产生了有别于传统数据的新型数据，如
函数型数据 。函数型数据的观测频率极高几乎可
[84]
认为是连续数据，对该类型数据进行分析可采用函
数型数据分析（Functional Data Analysis，FDA）
方法，其假设资产价格具有某种函数特性。利用函
数型数据，可以预测下一个原油期货价格变动的时
点、未来每个时间点原油价格变动的概率，此类研
究可改善投资机构的交易策略和风险管理水平。已
有研究表明利用FDA方法从股票高频数据中提取主
成分，能够显著提高基本的AR模型对股票价格的
预测能力[85~86]。总之，高频交易数据包含了价格变
动更为丰富的信息，所得预测结果可用于量化投资
交易策略设计和衍生品定价，未来研究需要开发出
新的适合高频数据建模的计量和机器学习方法。
2. 探索原油价格区间预测和概率密度预测的理
论方法。一方面，原油价格区间数据包含了最高价
和最低价等信息，对油价变化进行区间预测对于政
策制定者和市场参与者把握价格运行区间，防范化
解风险意义重大；另一方面，相较于传统的点预
测，概率密度预测不仅可以得到未来某时刻油价的
期望值，还可以获取其概率分布信息，即该时刻下
所有可能的油价值及其出现的概率，可为决策者进
行政策制定、调整投资决策提供全面参考。现有理
论与方法在应用于区间数据分析时并不完全适用，
需要发展适合区间数据的理论和方法，并提出适合
评估区间预测和概率密度预测结果准确性的指标[87]。
3. 将计量方法和机器学习预测方法有机结合。
未来研究有待将两类预测方法的优势深入融合，以
获得更好的预测效果。例如，鉴于单一模型不太可
能始终获取最优的预测结果，即存在模型不确定
性，可将计量领域的组合预测思想用于机器学习方
法中；运用多种神经网络和深度学习模型获得多组
油价预测结果，然后将各预测结果基于不同权重计
算方法加权平均；运用LASSO等变量筛选方法选
取各时期影响油价变动的主要变量，把握各时期影
响油价变动的主要驱动因素，并基于各预测变量利
第 23 卷
用机器学习方法预测油价，以增强机器学习预测结
果的可解释性。
4. 深化预测结果的应用价值。扩展预测结果的
实际应用价值值得研究学者在未来研究中深入探
究，广大学者可加强和相关政府部门、企业和投资
机构的合作，以使学术成果更好服务实体决策。例
如，原油价格预测结果如何为我国石油储备中心调
整进出口额度等提供决策支持？如何为石油相关企
业调整生产经营策略提供参考？如何为原油期货市
场参与者进行套期保值等业务提供交易策略指导？
这些问题都值得广大学者未来进一步探究。
参考文献
[1] KILIAN L, VIGFUSSON R J. Nonlinearities in the oil
price-output relationship[J]. Macroeconomic Dynamics, 2011,
15(S3): 337-363.
[2] 任泽平. 能源价格波动对中国物价水平的潜在与实
际影响[J]. 经济研究, 2012, 8: 59-69.
[3] ALOUI R, GUPTA R, Miller S M. Uncertainty and
crude oil returns[J]. Energy Economics, 2016, 55: 92-100.
[4] BP. BP Statistical Review of World Energy 2020[R].
伦敦: 英国石油公司, 2020.
[5] 张跃军. 国际油价暴跌对宏观经济的影响及对策研
究[J]. 中国地质大学学报(社会科学版), 2020, 20(2): 153-156.
[6] KILIAN L. Not all oil price shocks are alike:
disentangling demand and supply shocks in the crude oil
market[J]. American Economic Review, 2009, 99(3): 1053-
1069.
[7] KILIAN L, MURPHY D P. The role of inventories and
speculative trading in the global market for crude oil[J]. Journal
of Applied Econometrics, 2014, 29: 454-478.
[8] ZHANG Y J. Speculative trading and WTI crude oil
futures price movement: an empirical analysis[J]. Applied
Energy, 2013, 107: 394-402.
[9] JUVENAL L, PETRELLA I. Speculation in the oil
market[J]. Journal of Applied Econometrics, 2015, 30(4): 621-
649.
[10] BRANDT M W, GAO L. Macro fundamentals or
geopolitical events? a textual analysis of news events for crude
oil[J]. Journal of Empirical Finance, 2019, 51: 64-94.
[11] LIU J, MA F, TANG Y, et al. Geopolitical risk and oil
volatility: a new insight[J]. Energy Economics, 2019, 84:
104548.
[12] ALQUIST R, KILIAN L. What do we learn from the
price of crude oil futures?[J]. Journal of Applied Econometrics,
2010, 25(4): 539-573.
[13] YE M, ZYREN J, SHORE J. A monthly crude oil spot
price forecasting model using relative inventories[J].
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望
International Journal of Forecasting, 2005, 21(3): 491-501.
[14] YE M, ZYREN J, SHORE J. Forecasting short-run
crude oil price using high-and low-inventory variables[J].
Energy Policy, 2006, 34(17): 2736-2743.
[15] COPPOLA A. Forecasting oil price movements:
exploiting the information in the futures market[J]. Journal of
Futures Markets, 2008, 28(1): 34-56.
[16] MURAT A, TOKAT E. Forecasting oil price
movements with crack spread futures[J]. Energy Economics,
2009, 31(1): 85-90.
[17] BAUMEISTER C, KILIAN L. Real-time forecasts of
the real price of oil[J]. Journal of Business and Economic
Statistics, 2012, 30(2): 326-336.
[18] WANG Y D, LIU L, DIAO X D, et al. Forecasting the
real prices of crude oil under economic and statistical
constraints[J]. Energy Economics, 2015, 51: 599-608.
[19] YI Y, MA F, ZHANG Y, et al. Forecasting the prices
of crude oil using the predictor, economic and combined
constraints[J]. Economic Modelling, 2018, 75: 237-245.
[20] BAUMEISTER C, KILIAN L. Forecasting the real
price of oil in a changing world: a forecast combination
approach[J]. Journal of Business and Economic Statistics, 2015,
33(3): 338-351.
[21] WANG Y D, LIU L, WU CH F. Forecasting the real
prices of crude oil using forecast combinations over time-
varying parameter models[J]. Energy Economics, 2017, 66:
337-348.
[22] ZHANG Y J, MA F, SHI B S, et al. Forecasting the
price of crude oil: an iterated combination approach[J]. Energy
Economics, 2018, 70: 472-483.
[23] NASER H. Estimating and forecasting the real prices
of crude oil: a data rich model using a dynamic model averaging
(DMA) approach[J]. Energy Economics, 2016, 56: 75-87.
[24] DRACHAL K. Forecasting spot oil price in a dynamic
model averaging framework —have the determinants changed
over time?[J]. Energy Economics, 2016, 60: 35-46.
[25] MA F, LIU J, WAHAB M I M, et al. Forecasting the
aggregate oil price volatility in a data-rich environment[J].
Economic Modelling, 2018, 72: 320-332.
[26] ZHANG Y, MA F, WANG Y. Forecasting crude oil
prices with a large set of predictors: can LASSO select powerful
predictors?[J]. Journal of Empirical Finance, 2019, 54: 97-117.
[27] HAO X F, ZHAO Y Y, WANG Y D. Forecasting the
real prices of crude oil using robust regression models with
regularization constraints[J]. Energy Economics, 2020, 86:
104683.
[28] BAUMEISTER C, GUÉRIN P, KILIAN L. Do high-
frequency financial data help forecast oil prices? the MIDAS
touch at work[J]. International Journal of Forecasting, 2015,
31(2): 238-252.
[29] ZHANG Y J, WANG J L. Do high-frequency stock
· 103 ·
market data help forecast crude oil prices? evidence from the
MIDAS models[J]. Energy Economics, 2019, 78: 192-201.
[30] MORANA C. A semiparametric approach to short-
term oil price forecasting[J]. Energy Economics, 2001, 23(3):
325-338.
[31] CHEONG C W. Modeling and forecasting crude oil
markets using ARCH-type models[J]. Energy Policy, 2009,
37(6): 2346-2355.
[32] KANG S H, KANG S M, YOON S M. Forecasting
volatility of crude oil markets[J]. Energy Economics, 2009,
31(1): 119-125.
[33] WEI Y, WANG Y D, HUANG D S. Forecasting
crude oil market volatility: further evidence using GARCH-
class models[J]. Energy Economics, 2010, 32(6): 1477-1484.
[34] FONG W M, SEE K H. A Markov switching model of
the conditional volatility of crude oil futures prices[J]. Energy
Economics, 2002, 24(1): 71-95.
[35] XU B, OUENNICHE J. A data envelopment analysis-
based framework for the relative performance evaluation of
competing crude oil prices’ volatility forecasting models[J].
Energy Economics, 2012, 34(2): 576-583.
[36] KLEIN T, WALTHER T. Oil price volatility forecast
with mixture memory GARCH[J]. Energy Economics, 2016,
58: 46-58.
[37] LIN Y, XIAO Y, LI F. Forecasting crude oil price
volatility via a HM-EGARCH model[J]. Energy Economics,
2020, 87: 104693.
[38] ZHANG Y J, YAO T, HE L Y, et al. Volatility
forecasting of crude oil market: can the regime switching
GARCH model beat the single-regime GARCH models?[J].
International Review of Economics and Finance, 2019, 59: 302-
317.
[39] WANG Y D, WU C F, YANG L. Forecasting crude
oil market volatility: a Markov switching multifractal volatility
approach[J]. International Journal of Forecasting, 2016, 32(1):
1-9.
[40] LUX T, SEGNON M, GUPTA R. Forecasting crude
oil price volatility and value-at-risk: evidence from historical
and recent data[J]. Energy Economics, 2016, 56: 117-133.
[41] CORSI F. A simple approximate long-memory model
of realized volatility[J]. Journal of Financial Econometrics,
2009, 7(2): 174-196.
[42] LIU L, WAN J. A study of Shanghai fuel oil futures
price volatility based on high frequency data: long-range
dependence, modeling and forecasting[J]. Economic Modelling,
2012, 29(6): 2245-2253.
[43] WEN F, GONG X, CAI S. Forecasting the volatility
of crude oil futures using HAR-type models with structural
breaks[J]. Energy Economics, 2016, 59: 400-413.
[44] MA F, WAHAB M I M, HUANG D, et al.
Forecasting the realized volatility of the oil futures market: a
· 104 · 电子科技大学学报（社科版）
regime switching approach[J]. Energy Economics, 2017, 67:
136-145.
[45] ZHANG Y J, WEI Y, ZHANG Y, et al. Forecasting
oil price volatility: forecast combination versus shrinkage
method[J]. Energy Economics, 2019, 80: 423-433.
[46] CHEN W, MA F, WEI Y, et al. Forecasting oil price
volatility using high-frequency data: new evidence[J].
International Review of Economics and Finance, 2020, 66: 1-
12.
[47] LUO J, JI Q, KLEIN T, et al. On realized volatility of
crude oil futures markets: forecasting with exogenous predictors
under structural breaks[J]. Energy Economics, 2020, 89:
104781.
[48] GONG X, LIN B. The incremental information
content of investor fear gauge for volatility forecasting in the
crude oil futures market[J]. Energy Economics, 2018, 74: 370-
386.
[49] YANG C, GONG X, ZHANG H. Volatility
forecasting of crude oil futures: the role of investor sentiment
and leverage effect[J]. Resources Policy, 2019, 61: 548-563.
[50] LUO X G, QIN S H. Oil price uncertainty and
Chinese stock returns: new evidence from the oil volatility
index[J]. Finance Research Letters, 2017, 20: 29-34.
[51] SÉVI B. Forecasting the volatility of crude oil futures
using intraday data[J]. European Journal of Operational
Research, 2014, 235(3): 643-659.
[52] KABOUDAN M A. Compumetric forecasting of
crude oil prices[C]// Proceedings of the 2001 Congress on
Evolutionary Computation. Seoul, Korea: IEEE, 2001: 283-287.
[53] MIRMIRANI S, LI H C. A comparison of VAR and
neural networks with genetic algorithm in forecasting price of
oil[J]. Advances in Econometrics, 2004, 19: 203-223.
[54] WANG S Y, YU L A, LAI K K. Crude oil price
forecasting with TEI@I methodology[J]. Journal of Systems
Science and Complexity, 2005, 18(2): 145-166.
[55] XIE W, YU L, XU S, et al. A new method for crude
oil price forecasting based on support vector machines[C]//
International Conference on Computational Science. Berlin,
Heidelberg: Springer, 2006: 444-451.
[56] MOSHIRI S, FOROUTAN F. Forecasting nonlinear
crude oil futures prices[J]. The Energy Journal, 2006, 27(4): 81-
95.
[57] ZHANG X, LAI K K, WANG S Y. A new approach
for crude oil price analysis based on empirical mode
decomposition[J]. Energy Economics, 2008, 30(3): 905-918.
[58] YU L, WANG S, LAI K K. Forecasting crude oil
price with an EMD-based neural network ensemble learning
paradigm[J]. Energy Economics, 2008, 30(5): 2623-2635.
[59] 杨云飞, 鲍玉昆, 胡忠义, 等. 基于EMD和SVMs的原
油价格预测方法[J]. 管理学报, 2010, 7(12): 1884-1889.
[60] WANG J, LI X. A combined neural network model
第 23 卷
for commodity price forecasting with SSA[J]. Soft Computing,
2018, 22(16): 5323-5333.
[61] JAMMAZI R, ALOUI C. Crude oil price forecasting:
Experimental evidence from wavelet decomposition and neural
network modeling[J]. Energy Economics, 2012, 34(3): 828-841.
[62] TANG L, DAI W, YU L, et al. A novel CEEMD-
based EELM ensemble learning paradigm for crude oil price
forecasting[J]. International Journal of Information Technology
and Decision Making, 2015, 14(1): 141-169.
[63] YU L, DAI W, TANG L. A novel decomposition
ensemble model with extended extreme learning machine for
crude oil price forecasting[J]. Engineering Applications of
Artificial Intelligence, 2016, 47: 110-121.
[64] WANG J, LI X, HONG T, et al. A semi-
heterogeneous approach to combining crude oil price
forecasts[J]. Information Sciences, 2018, 460: 279-292.
[65] TANG L, WU Y, YU L. A non-iterative
decomposition-ensemble learning paradigm using RVFL
network for crude oil price forecasting[J]. Applied Soft
Computing, 2018, 70: 1097-1108.
[66] BISOI R, DASH P K, MISHRA S P. Modes
decomposition method in fusion with robust random vector
functional link network for crude oil price forecasting[J].
Applied Soft Computing, 2019, 80: 475-493.
[67] 张金良, 李德智, 谭忠富. 基于混合模型的国际原油
价格预测研究[J]. 北京理工大学学报(社会科学版), 2019,
21(1): 65-70.
[68] YU L, WU Y, TANG L, et al. Investigation of
diversity strategies in RVFL network ensemble learning for
crude oil price forecasting[J]. Soft Computing, 2021, 25(5):
3609-3622.
[69] 唐振鹏, 张婷婷, 吴俊传, 等. 基于混合模型的原油
价格多步预测研究[J]. 计量经济学报, 2021, 1(2): 346-361.
[70] CHEN Y, HE K, TSO G K F. Forecasting crude oil
prices: a deep learning based model[J]. Procedia Computer
Science, 2017, 122: 300-307.
[71] ZHAO Y, LI J, YU L. A deep learning ensemble
approach for crude oil price forecasting[J]. Energy Economics,
2017, 66: 9-16.
[72] WU Y X, WU Q B, ZHU J Q. Improved EEMD-based
crude oil price forecasting using LSTM networks[J]. Physica A:
Statistical Mechanics and Its Applications, 2019, 516: 114-124.
[73] HUANG Y, DENG Y. A new crude oil price
forecasting model based on variational mode decomposition[J].
Knowledge-Based Systems, 2021, 213: 106669.
[74] WANG B, WANG J. Energy futures price prediction
and evaluation model with deep bidirectional gated recurrent
unit neural network and RIF-based algorithm[J]. Energy, 2021,
216: 119299.
[75] LI Y, JIANG S, LI X, et al. The role of news
sentiment in oil futures returns and volatility forecasting: data-
第 23 卷 张跃军，等：国际原油价格预测的研究动态与展望
decomposition based deep learning approach[J]. Energy
Economics, 2021, 95: 105140.
[76] LI X, SHANG W, WANG S. Text-based crude oil
price forecasting: a deep learning approach[J]. International
Journal of Forecasting, 2019, 35(4): 1548-1560.
[77] WU B, WANG L, LV S X, et al. Effective crude oil
price forecasting using new text-based and big-data-driven
model[J]. Measurement, 2021, 168: 108468.
[78] OU P H, WANG H S. 2011. Applications of neural
networks in modeling and forecasting volatility of crude oil
markets: evidences from US and China[J/OL]. (2011-05-11).
https://www.scientific.net/AMR.230-232.953.
[79] BILDIRICI M, ERSIN Ö Ö. Forecasting oil prices:
smooth transition and neural network augmented GARCH
family models[J]. Journal of Petroleum Science and
Engineering, 2013, 109: 230-240.
[80] ZHANG J L, ZHANG Y J, ZHANG L. A novel
hybrid method for crude oil price forecasting[J]. Energy
Economics, 2015, 49: 649-659.
· 105 ·
[81] SAFARI A, DAVALLOU M. Oil price forecasting
using a hybrid model[J]. Energy, 2018, 148: 49-58.
[82] ZHANG Y J, ZHANG J L. Volatility forecasting of
crude oil market: a new hybrid method[J]. Journal of
Forecasting, 2018, 37(8): 781-789.
[83] ABDOLLAHI H, EBRAHIMI S B. A new hybrid
model for forecasting Brent crude oil price[J]. Energy, 2020,
200: 117520.
[84] 洪永淼. 理解现代计量经济学[J]. 计量经济学报,
2021, 1(2): 266-284.
[85] MÜLLER H G, SEN R, STADTMÜLLER U.
Functional data analysis for volatility[J]. Journal of
Econometrics, 2011, 165(2): 233-245.
[86] 陈海强, 陈丽琼, 李迎星, 等. 高频数据是否能改善
股票价格预测—基于函数型数据的实证研究[J]. 计量经济
学报, 2021, 1(2): 426-436.
[87] SUN Y, HAN A, HONG Y, et al. Threshold
autoregressive models for interval-valued time series data[J].
Journal of Econometrics, 2018, 206(2): 414-446.
编　辑　朱娜