Energi Terapan 191 (2017) 521–530

Daftar isi tersedia di ScienceDirect

Energi Terapan

homepage jurnal: www.elsevier. com / lokasi / apenergy

Peramalan harga karbon menggunakan dekomposisi mode empiris

dan kuadrat terkecil evolusioner mendukung regresi vektor
Bangzhu Zhu Sebuah , ⇑ , Dong Han Sebuah , Ping Wang Sebuah , Zhanchi Wu Sebuah , ⇑ , Tao Zhang b , Yi-Ming Wei c
Sebuah Universitas Jinan, Guangzhou, Guangdong 510632, Cina
b Birmingham Business School, Universitas Birmingham, Edgbaston, Birmingham B15 2TT, Inggris
c Pusat Penelitian Kebijakan Energi dan Lingkungan, Institut Teknologi Beijing, Beijing 100081, Cina

highlight

Sebuah regresi vektor dukungan kuadrat terkecil multiskala dibuat untuk memprediksi harga karbon. Harga
karbon diuraikan menjadi beberapa mode sederhana melalui dekomposisi mode empiris. Kuadrat terkecil
evolusioner mendukung regresi vektor digunakan untuk meramalkan setiap mode. Pendekatan yang
diusulkan dapat mencapai kinerja statistik dan perdagangan yang tinggi.

articleinfo abstrak

Sejarah artikel: Metode konvensional kurang kuat dalam hal meramalkan harga karbon non-stasioner dan nonlinier secara akurat.
Diterima 14 Juli 2016 Dalam studi ini, kami mengusulkan mode empiris berbasis dekomposisi evolusioner kuadrat terkecil mendukung
Diterima dalam bentuk revisi 19 Januari 2017
model peramalan ansambel multiskala regresi vektor untuk peramalan harga karbon. Pertama, setiap harga karbon
Diterima 27 Januari 2017
dibongkar menjadi beberapa mode sederhana dengan stabilitas tinggi dan keteraturan tinggi melalui dekomposisi
Tersedia online 9 Februari 2017
mode empiris. Kedua, kuadrat terkecil evolusioner berbasis pengoptimalan gerombolan partikel mendukung regresi
vektor digunakan untuk meramalkan setiap mode. Ketiga, nilai prakiraan semua moda dikomposisikan ke dalam
Kata kunci:
nilai karbon asli. Terakhir, menggunakan empat harga karbon berjangka yang berbeda jatuh tempo di bawah Skema
Perkiraan harga karbon
Perdagangan Emisi Uni Eropa sebagai sampel,
Dekomposisi mode empiris
Kuadrat terkecil mendukung regresi vektor
Optimasi gerombolan partikel
2017 Elsevier Ltd. Semua hak dilindungi undang-undang.

1. Perkenalan
Perubahan iklim global, sebagai tantangan besar yang dihadapi oleh
masyarakat manusia, semakin menarik perhatian di seluruh dunia dalam
beberapa dekade terakhir. Untuk mengatasi tantangan ini, Protokol Kyoto, yang
ditandatangani pada tahun 1997, mulai berlaku pada tanggal 16 Februari 2005.
Protokol tersebut menetapkan target pengurangan emisi gas rumah kaca
kuantitatif untuk negara maju dan negara industri.
Singkatan: EMD, dekomposisi mode empiris; LSSVR, kuadrat terkecil mendukung regresi
vektor; IMF, fungsi mode intrinsik; PSO, optimasi gerombolan partikel; EU ETS, Sistem
Perdagangan Emisi Uni Eropa; GARCH, heteroskedastisitas bersyarat autoregresif umum; JST,
jaringan saraf tiruan; ARIMA, rata-rata bergerak terintegrasi autoregresif; RBF, dasar radial
Untuk mencapai target ini secara efektif, Sistem Perdagangan Emisi Uni Eropa (EU
ETS) dimulai pada Januari 2005. EU ETS sejauh ini merupakan pasar perdagangan
karbon terbesar. Ini juga memberikan demonstrasi penting konstruksi pasar
karbon untuk negara atau wilayah lain, serta pilihan investasi baru bagi investor [1] .
Sehubungan dengan hal tersebut, keakuratan prakiraan harga karbon perlu
ditingkatkan. Di satu sisi, peramalan harga karbon yang akurat dapat
berkontribusi pada pemahaman yang mendalam tentang karakteristik harga
karbon sehingga dapat membentuk mekanisme penetapan harga karbon yang
efektif dan stabil. Di sisi lain, ini dapat memberikan panduan praktis untuk operasi
produksi dan keputusan investasi, membantu menghindari risiko harga karbon
dan memaksimalkan aset karbon. Oleh karena itu, prediksi harga karbon menjadi
salah satu topik paling populer dalam penelitian energi.

fungsi; ECX, Pertukaran Iklim Eropa; RMSE, root mean squared error; D stat,
Seperti yang kita ketahui, teknologi prediksi secara umum dapat
di ⇑ statistik prediksi rektional; Tes DM, tes Diebold – Mariano.
diklasifikasikan menjadi dua kategori: (i) peramalan deret waktu, dan (ii)
Penulis yang sesuai.
Alamat email: wpzbz@126.com (B. Zhu), wuzhanchi@sina.com (Z. Wu). peramalan multifaktor. Meskipun peramalan multi-faktor dapat dipertimbangkan

http://dx.doi.org/10.1016/j.apenergy.2017.01.076
0306-2619 / 2017 Elsevier Ltd. Semua hak dilindungi undang-undang.
522 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530

pengaruh variabel eksogen, digunakan untuk meramalkan harga karbon dalam
premis peramalan variabel eksogen, yang niscaya akan menimbulkan masalah
kesalahan akumulasi sehingga membuat prediksi harga karbon gagal. Prediksi
deret waktu dapat memprediksi tren harga karbon masa depan dengan membuat
model matematika untuk memperluas tren hukum historisnya yang dapat
berubah tanpa pengaruh variabel eksogen, yang dapat memperoleh akurasi
prediksi yang tinggi. Banyak penelitian telah membuktikan bahwa prediksi deret
waktu dapat diterapkan untuk prakiraan harga energi dan karbon. Dengan
demikian, peramalan multi-faktor tidak termasuk, dan peramalan deret waktu
digunakan untuk memprediksi harga karbon dalam studi ini. Akhir-akhir ini,
ramalan harga karbon telah menarik lebih banyak perhatian penelitian [2–11] .
Pendekatan peramalan deret waktu yang digunakan sejauh ini secara kasar dapat
dibagi menjadi dua kategori besar: model statistik dan ekonometri, dan model
kecerdasan buatan (AI). Yang pertama mencakup regresi linier berganda [2] ,
GARCH [3] , MS-AR-GARCH [4] , FIAPGARCH [5] , HAR-RV [6] , dan model
nonparametrik [7] . Yang terakhir termasuk jaringan saraf tiruan (JST) [8,9] dan
kotak terkecil mendukung regresi vektor (LSSVR) [10,11] . Meskipun metode yang
ada dapat memperoleh hasil yang baik ketika diterapkan untuk peramalan deret
waktu stasioner, metode tersebut tidak kuat untuk meramalkan harga karbon
secara akurat karena karakteristiknya yang sangat non-stasioner dan nonlinier. [12]
.
Uji Mariano (DM), uji Tingkat, dan kinerja perdagangan termasuk pengembalian
tahunan, volatilitas yang disetahunkan, dan rasio Informasi, untuk menilai
ketahanan model EMD – LSSVR – ADD yang diusulkan.
Makalah ini disusun sebagai berikut. Bagian 2 menjelaskan EMD, LSSVR, dan
model yang diusulkan. Bagian 3 melaporkan analisis empiris, dan Bagian 4 menyimpulkan
penelitian.
2. Metodologi
2.1. EMD
EMD dapat menguraikan harga karbon menjadi beberapa IMF dan satu residu
berdasarkan skala fitur lokalnya, sebagai berikut:
Langkah 1: Cari tahu poin-poin ekstrim lokal dari harga karbon x ð t Þ;
Langkah 2: Bentuk amplop atas dan bawah, e maks ð t Þ dan e min ð t Þ,
masing-masing;
Langkah 3: Dapatkan mean dari e maks ð t Þ dan e min ð t Þ:
Sebuah ð t Þ ¼ ½ e maks ð t Þ þ e min ð t Þ = 2
Langkah 4: Dapatkan perbedaan antara x ð t Þ dan Sebuah ð t Þ:

d ð t Þ ¼ x ð t Þ Sebuah ð t Þ

Dekomposisi mode empiris (EMD), yang diusulkan oleh Huang dan rekan
penulisnya pada tahun 1998, merupakan pendekatan yang efektif untuk
menangani deret waktu nonlinier dan non-stasioner [13–15] . EMD dapat
membongkar harga karbon apa pun menjadi beberapa fungsi mode intrinsik (IMF)
ditambah residu dengan stabilitas tinggi dan keteraturan tinggi. Ketika IMF dan
residu digunakan sebagai masukan JST atau LSSVR, hal itu dapat meningkatkan
efisiensi pembelajaran dan akurasi perkiraan dengan memberikan pemahaman
yang lebih baik dan pengambilan fitur [11,16] . Dengan demikian, akurasi prakiraan
harga karbon dapat ditingkatkan melalui EMD. Selama beberapa tahun terakhir,
model JST dan / atau LSSVR berbasis EMD telah diterapkan untuk peramalan deret
waktu [17–26] , termasuk prakiraan harga karbon [11,16] . Namun, JST propagasi
balik tradisional, yang digunakan sebagai prediktor, dapat menyebabkan masalah
overfitting. Meskipun LSSVR, yang dibangun di atas minimalisasi risiko struktural,
Langkah 5: Memeriksa d ð t Þ. Kapan d ð t Þ tidak bisa memenuhi dua syarat IMF,
biarlah x ð t Þ ¼ d ð t Þ, kembali ke langkah 1, dan tidak dapat diulang kecuali d ð t Þ
memenuhi dua syarat. Jika tidak, d ð t Þ didefinisikan sebagai IMF, dan biarkan
residunya r ð t Þ ¼ x ð t Þ d ð t Þ;
Langkah 6: Lakukan langkah 1–5 hanya jika kriteria penghentian terpenuhi.
Dalam studi ini, kami menggunakan kriteria terminasi pro-
diajukan oleh Rilling et al. [29] , di mana Sebuah ¼ 0:05, h 1 ¼ 0:05, dan
h 2 ¼ 0: 5.
Akhirnya, kami dapat memperoleh:
X
x ð t Þ ¼ m IMF saya ð t Þ þ R m ð t Þ
saya ¼ 1

dapat secara efektif menyelesaikan masalah overfitting

dimana m adalah jumlah IMF, dan R m ð t Þ adalah residu terakhir.

[27] , kinerja prediktor LSSVR sensitif terhadap pemilihan modelnya sendiri. Namun
2.2. LSSVR
model EMD hibrida dan LSSVR jarang digunakan untuk prakiraan harga karbon.
Oleh karena itu, studi ini berupaya untuk mengatasi kesenjangan dalam
Untuk data f x saya; y saya g; saya ¼ 1; 2; . . . ; n, LSSVR didefinisikan sebagai [27] :
metodologi prakiraan harga karbon.
(
Tujuan dari studi ini adalah untuk mengembangkan model LSSVR evolusioner 1k x k 2 þ 1 X) n

berbasis EMD untuk meramalkan harga karbon dengan akurasi tinggi. Kontribusi min C nsaya
2
2 2
dari penelitian ini ada dua. Di satu sisi, model LSSVR evolusioner berbasis EMD saya ¼ 1

(EMD – LSSVR – ADD) dibuat untuk memperkirakan harga karbon: (1) setiap harga
karbon diuraikan menjadi beberapa IMF ditambah residu dengan stabilitas tinggi
dan keteraturan tinggi melalui EMD; (2) semua IMF dan residu masing-masing
diprediksi melalui LSSVR yang dilatih oleh particle swarm optimization (PSO); (3)
nilai prakiraan semua IMF dan residu digabungkan menjadi nilai harga karbon
asli. Di sisi lain, dengan menggunakan data empiris dari empat masa depan
s: t: y saya ¼ xu ð x saya Þ þ b þ e saya; saya ¼ 1; 2; . . . ; n
di mana x: vektor berat, C: parameter penalti, n saya: kesalahannya, u: fungsi
pemetaan, dan b: bias.
Fungsi Lagrange digunakan untuk menemukan solusi untuk x dan
n saya:

karbon yang berbeda jatuh tempo di bawah EU ETS, studi ini membandingkan n Xn
hasil yang diperkirakan dari model yang diusulkan dengan model ARIMA dan Lð x; b; n; Sebuah Þ ¼ 1 k x k 2 þ 1C
X nsaya
2 Sebuah saya f xu ð x saya Þ þ b þ n saya y saya g
LSSVR tunggal, model hybrid ARIMA + LSSVR, dan variasi model peramalan
2 2 saya ¼ 1 saya ¼ 1

(EMD-ARIMA-ADD) untuk mendemonstrasikan ketahanannya. Guo dkk. [28] berpendapat

di mana f Sebuah saya; saya ¼ 1; 2; . . . ; n g adalah sekumpulan pengali Lagrange.
bahwa itu mungkin lebih cocok untuk inte-
Solusi optimal diperoleh dari:
8
> X
>
> @L
parut semua IMF tanpa IMF 1 saat meramalkan kecepatan angin. Jadi
>
>
> @x¼ 0! x¼n Sebuah saya u ð x saya Þ
>
>
>
saya ¼ 1

studi tersebut menambahkan dua model dengan menghapus IMF 1 dari EMD– >
< X
ARIMA – ADD dan EMD – LSSVR – ADD untuk menguji apakah pendekatan ini @L
@b¼ 0! n Sebuah saya ¼ 0
layak dalam prediksi harga karbon, dilambangkan sebagai EMD– >
>
>
>
saya ¼ 1

ARIMA – IMF 1 –ADD dan EMD – LSSVM – IMF 1 Model –ADD masing-masing. Studi ini >
> ¼ 0! Sebuah saya ¼ Ce saya
>
@L

>
> @ e saya

mengadopsi kriteria evaluasi yang mapan, >

: @L ¼ 0! xu ð x saya Þ þ b þ e saya y saya ¼ 0
termasuk perkiraan level, prediksi arah, Diebold– @ Sebuah saya
 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530 523

Menggunakan metode kuadrat terkecil untuk menyelesaikan persamaan linier, Langkah 4: mengevaluasi kesesuaian. Menghitung nilai kesesuaian
LSSVR dapat diperoleh sebagai: y ð x Þ ¼ P. n setiap partikel dengan Persamaan. (4) , dan dapatkan p terbaik dan g terbaik pada generasi
Sebuah saya K ð x; x saya Þ þ b, di mana
saya ¼ 1

fungsi kernel, K ð x; x saya Þ ¼ u ð x Þ u ð x saya Þ, memenuhi Mercer's saat ini.

prinsip.
2.3. Hibrid LSSVR dan PSO untuk prakiraan harga karbon
Pemilihan model LSSVR berkaitan dengan dua masalah utama
[30,31] : cara memilih fungsi kernel yang sesuai, dan cara menentukan parameter
optimal LSSVR. Untuk yang pertama, radial
fungsi dasar (RBF), K ð x; y Þ ¼ exp ð k xy k 2 = 2
LSSVR, karena RBF secara umum dapat memberikan hasil yang baik [32] . Untuk
yang terakhir, kami menggunakan algoritma PSO [33] untuk mencari parameter
optimal ( C dan r) dari LSSVR. Dalam pemodelan PSO,
x saya ¼ ð x saya 1; x saya 2; . . . ; x saya m Þ dan v saya ¼ ð v saya 1; v saya 2; . . . ; v saya m Þ adalah masing-masing
didefinisikan sebagai posisi dan kecepatan partikel saya; saya ¼ 1; 2; . . . ; m.
Langkah 5: memperbarui posisi dan kecepatan setiap partikel dengan
Persamaan. (1) - (3) .
Langkah 6: Memeriksa kondisi akhir. Ketika kondisi akhir, iterasi maksimum di
sini, terpenuhi, proses optimasi berakhir, dan parameter optimal diperoleh
untuk membangun LSSVR. Jika tidak, lanjutkan ke langkah 7.
Langkah 7: Membiarkan t ¼ t þ 1, dan kembali ke langkah 4.
r 2 Þ; dipilih untuk membangun model
2.4. Model LSSVR berbasis EMD yang diusulkan untuk prakiraan harga
karbon
Untuk harga karbon x t ð t ¼ 1; 2; . . . ; T Þ; Sebuah h- prakiraan langkah
sebelumnya,
x̂ t^þ h, dapat dinyatakan sebagai

p terbaik ¼ ð p saya 1; p saya 2; . . . ; p saya m Þ dan g terbaik ¼ ð p g 1; p g 2; . . . ; p gM Þ masing-masing

^ x̂ t þ h ¼ f ð x t; x t 1; . . . ; x tm þ 1 Þ
didefinisikan sebagai posisi optimal partikel saya dan m partikel di
iterasi saat ini. x saya dan v saya dari setiap partikel diperbarui sebagai: dimana x t, ^ x̂ t dan m adalah real, nilai prediksi, dan urutan lag
masing-masing.

8
>
< p maks; x id < p maks
x Indo ð t þ 1 Þ ¼>x Indo ð t Þ þ v Indo ð t þ 1 Þ; p maks 6 x Indo 6 p maks ð1Þ
:
p maks; x id> p maks
8
>
< v maks; v id < v maks
v Indo ð t þ 1 Þ ¼> w ð t Þ v Indo ð t Þ þ c 1 r 1 ½ p Indo ð t Þ x Indo ð t Þ þ c 2 r 2 ½ p gd ð t Þ x Indo ð t Þ; v maks 6 v Indo 6 v maks ð2Þ
:
v maks; v id> v maks

dimana 1 6 saya 6 m, 1 6 d 6 M, x Indo ð t Þ dan v Indo ð t Þ masing-masing adalah posisi Seperti yang ditunjukkan di Gambar 2 , kami mengusulkan model LSSVR berbasis EMD
dan kecepatan partikel saya di iterasi t, hal Indo adalah yang optimal (EMD-LSSVR-ADD) untuk prakiraan harga karbon, umumnya terdiri dari tiga
posisi partikel saya di iterasi t, hal gd adalah posisi optimal global, dan w adalah langkah utama berikut:
bobot inersia, didefinisikan sebagai:
Langkah 1: Setiap harga karbon diuraikan menjadi sekumpulan IMF dan satu
w maks w min residu dengan stabilitas tinggi dan keteraturan tinggi melalui EMD.
w ð t Þ ¼ w maks t ð3Þ
t maks Langkah 2: LSSVR masing-masing digunakan dalam meramalkan IMF dan
residu, untuk mendapatkan nilai prakiraannya.

dimana w maks dan w min masing-masing adalah bobot inersia maksimal dan Langkah 3: Nilai perkiraan semua IMF dan residu digabungkan ke dalam nilai

minimal. prediksi akhir dari harga karbon asli.

Studi ini memperkenalkan algoritma PSO untuk mencari parameter yang

optimal ( C dan r) dari LSSVR, untuk meningkatkan efisiensi pencarian dan akurasi
prediksi [10] , seperti yang disajikan di Gambar 1 . Singkatnya, usulan EMD-LSSVR-ADD pada dasarnya merupakan model EMD
(multiscale decomposition) –LSSVR (perkiraan komponen) –ADD (multiscale

Langkah 1: menyiapkan set pelatihan dan pengujian. Data harga karbon ensemble forecast), yang merupakan pemanfaatan taktik '' dekomposisi dan

dibagi menjadi satu set pelatihan dan satu set pengujian. Yang pertama ensembel ” [11,34] . Di bagian berikutnya, empat harga karbon berjangka

digunakan untuk menetapkan model, dan yang terakhir digunakan untuk digunakan untuk menguji kekuatan pendekatan prediksi multiskala yang

menguji kinerja peramalan model yang diusulkan. diusulkan.

Langkah 2: inisialisasi. Menghasilkan secara acak m partikel dengan

pengkodean C dan r dengan nilai riil, dan menetapkan parameter
3. Analisis empiris
PSO: iterasi maksimal t maks, posisi maksimal p maks, kecepatan maksimal v maks, w
2 ½ w min; w maks, koefisien percepatan c 1 dan
3.1. Data
c 2, C 2 ½ C min; C maks, r 2 ½ r min; r maks. Membiarkan t = 0, dan pelatihan dimulai.
Langkah 3: memilih root mean square error (RMSE) sebagai fit-
Sebagai pasar perdagangan karbon terbesar di EU ETS, European Climate
fungsi ness v n:
Exchange (ECX) merupakan indikator pasar karbon global. Empat harga berjangka
jatuh tempo pada Desember 2013,
u n ð x saya
1X
u ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi 2014, 2015 dan 2016 (dilambangkan sebagai DEC13, DEC14, DEC15 dan DEC16
RMSE ¼ t ^ x̂ saya Þ 2 ð4Þ masing-masing) dipilih sebagai sampel empiris. Data harian dikumpulkan dalam
n
Euro / ton (tidak termasuk hari libur dari April 2008 hingga Oktober 2016). Untuk
saya ¼ 1

kenyamanan pemodelan, sampel dibagi menjadi dua subset: set pelatihan dan set
di mana n adalah jumlah sampel pelatihan, x saya dan ^ x̂ saya adalah nyata pengujian. Set pelatihan digunakan untuk membuat prediksi
dan nilai prediksi.
524 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530

setiap partikel

Menginisialisasi setiap partikel

Kumpulan data harga karbon Melatih model LSSVR

Menghitung seluruh partikel '

nilai kebugaran

Mengevaluasi seluruh partikel '

nilai kebugaran

Memperbarui seluruh partikel '

posisi dan kecepatan

Mendapatkan yang terbaik untuk Puas berhenti

Iya
model LSSVR
kriteria?

Tidak

Mendapatkan LSSVR yang optimal

model harga karbon Menghasilkan partikel baru
peramalan

Gambar 1. Proses pemilihan model untuk LSSVR menggunakan PSO.

Gambar 2. Kerangka kerja untuk metodologi prediksi multiskala yang diusulkan.

 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530 525

Tabel 1 sama. Menggunakan uji dua sisi, ketika nilai absolut z RT

Sampel harga karbon.
melebihi 1,96, hipotesis nol ditolak pada tingkat signifikansi
Harga karbon Ukuran Tanggal dari 5%.
Keakuratan statistik yang baik tidak selalu berarti kinerja perdagangan yang
DES13 Set sampel 1209 1 April 2009–16 Desember 2013 1 April
Perlengkapan latihan 833 2009–29 Juni 2012 baik. Bagi investor, mereka biasanya lebih peduli dengan kepraktisan model
Set pengujian 376 2 Juli 2012–16 Desember 2013 dalam perdagangan. Pada bagian ini, terinspirasi oleh Sermpinis et al.
DEC14 Set sampel 1719 8 April 2008–18 Desember 2014 8 April [37] , kami merancang strategi perdagangan palsu untuk menguji kinerja
Perlengkapan latihan 1340 2008–28 Juni 2013 perdagangan karena investor memilih untuk membeli atau menjual (atau tetap
Set pengujian 379 1 Juli 2013–18 Desember 2014 mengawasi) aset karbon ketika pengembalian yang diperkirakan di atas atau di
DEC15 Set sampel 1035 29 November 2011–14 Desember 2015 29 bawah (atau sama) nol pada harga karbon saat ini masing-masing di pasar nyata.
Perlengkapan latihan 704 November 2011–29 Agustus 2014 Ini dapat mengilustrasikan nilai aplikasi model kita dalam membuat produksi dan
Set pengujian 331 1 September 2014–14 Desember 2015
investasi lebih menguntungkan. Kami menggunakan pengembalian tahunan,
DEC16 Set sampel 1006 27 November 2012–31 Oktober 2016 27 volatilitas tahunan, dan rasio Informasi untuk mengevaluasi kinerja perdagangan,
Perlengkapan latihan 705 November 2012–31 Agustus 2015 1
yang masing-masing didefinisikan sebagai:
Set pengujian 301 September 2015–31 Oktober 2016

P. t 1
Pengembalian harian: R t ¼ P. t
P. t 1
model, dan set pengujian digunakan untuk menguji ketahanan model yang
ditetapkan. Contoh harga karbon yang terbagi dilaporkan di Tabel 1 . Data yang
1 Xk
digunakan diperoleh dari situs ECX ( http://www.theice.com ). Pengembalian tahunan: R SEBUAH ¼ 252 Rt
k t¼1 u

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
3.2. Kriteria evaluasi
u 1v X
p ffiffiffiffiffiffiffiffiffi k ð Rt
Volatilitas tahunan: r SEBUAH ¼ 252 t Rm Þ2
Kinerja peramalan diukur dengan dua kriteria utama: peramalan level dan k1 t¼1
prediksi arah. Perkiraan level diukur melalui root mean squared error (RMSE):

s ffiffiffi ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi Rasio informasi: IR ¼ R SEBUAH

n½ ^ x̂ ð t Þ x ð t Þ 2 r SEBUAH
RMSE ¼ 1 X
n t¼1 dimana P. t adalah harga harian karbon berjangka pada hari itu t; k adalah nomornya
set pengujian, dan R m artinya R t.
Di sisi lain, prediksi arah diukur dengan statistik prediksi arah ( D stat) [ 10,35] :
Untuk mengevaluasi kinerja prediksi yang diusulkan
Model EMD – LSSVR – ADD dengan model peramalan populer lainnya, studi ini
n
membandingkan keluarannya dengan keluaran model ARIMA dan LSSVR tunggal,
D stat ¼ 1 X Sebuah t 100% model hibrid ARIMA + LSSVR, varian
n t¼1
dari model EMD – ARIMA – ADD, EMD – ARIMA – IMF 1 –TAMBAH dan
EMD – LSSVM – IMF 1 Model –TAMBAH. Dalam varian model EMD– ARIMA – ADD,
Sebuah t ¼ 1; jika ½ x ð t þ 1 Þ x ð t Þ ½ð ^ x̂ ð t þ 1 Þ x ð t Þ P. 0 semua IMF dan residu diekstraksi oleh EMD
0; jika tidak
secara independen diramalkan oleh model ARIMA, dan nilai prediksi dijumlahkan
dimana ^ x̂ ð t Þ dan x ð t Þ adalah nilai nyata dan nilai prediksi, dan n adalah jumlah ke dalam prediksi akhir dari harga karbon asli.
sampel uji.
Tes DM selanjutnya digunakan untuk secara statistik membandingkan kinerja
yang diprediksi dari berbagai model prediksi [36] . Dalam studi ini, mean square 3.3. hasil dan Diskusi
prediksi error (MSPE) dipilih sebagai fungsi kerugian. Jadi, statistik DM
didefinisikan sebagai Eksperimen peramalan dilakukan dalam hal langkah-langkah yang diuraikan
di bagian sebelumnya. Kami menetapkan ambang batas dan toleransi-
d ffiffiffiffiffiffiffiffiffi
DM ¼ ffiffi q N ð 0; 1 Þ; T! 1 ance as ½ h 1; h 2; Sebuah ¼ ½ 0:05; 0: 5; 0:05 [29] , dan hasil dekomposisi melalui
V̂^ d = T EMD dilaporkan di Gambar 3 . Jelas bahwa DEC13,
DEC14, DEC15 dan DEC16 cenderung non-stasioner dan nonlinier karena fakta
dimana d ¼ 1TP. Tt ¼ 1 ½ g ð e te; t Þ g ð e membasahi Þ, g ð e te; t Þ¼ P. Tt ¼ 1 ete;2t, g ð e membasahi Þ¼ P.t T¼ 1 ere;2t, bahwa sarana mereka berubah seiring waktu. DEC13, DEC14 dan DEC15
P. 1 c j, dan c j ¼ cov ð d t; d tj Þ.
e te; t ¼ x t ^ x̂ te; t, e membasahi ¼ x t ^ x̂ re; t, V̂ ^ d ¼ c 0 þ 2 j ¼ 1 masing-masing dibongkar menjadi tujuh IMF dan satu residu, sedangkan DEC16
dibongkar menjadi enam IMF dan satu residu. Pada saat yang sama, semua IMF
^ x̂ te; t dan ^x̂ membasahi menunjukkan nilai yang diperkirakan dari x t dihitung menggunakan
dan residu memiliki stabilitas yang lebih tinggi dan keteraturan yang lebih kuat
model uji ( te) dan model referensi ( kembali) pada waktu t, masing-masing.
dibandingkan dengan seri aslinya.
Uji satu sisi umumnya digunakan dalam mengevaluasi statistik DM-
Kami menerapkan metode pengujian satu tembakan [38] , di mana satu single
tic. Dalam uji DM, hipotesis nol, yaitu model yang diuji tidak
model berlaku selama semua periode pengujian. Jadi, kami menerapkan jendela
lebih buruk dari model referensi, diuji. Karena itu, hanya jika p aku s
waktu tetap untuk melatih model menurut set pelatihan, dan memperkirakan
lebih rendah dari tingkat signifikansi 0,05 yang sering digunakan, kita harus melakukannya
pengujian yang ditetapkan oleh model terlatih. Sementara itu, kami melakukan
tolak; jika tidak, kita harus menerimanya.
prakiraan satu langkah lebih maju untuk DEC13 hingga DEC16. Paket software
Statistik uji Tingkat dinyatakan sebagai
EViews yang dikembangkan oleh Quantitative Micro Software digunakan untuk
p
p SEBUAH ffiffiffiffiffi
B
pemodelan ARIMA. Model optimal ditemukan melalui kriteria informasi Akaike.
z RT q
¼ ffiffiffiffiffiffiffiffiffi N ð 0; 1 Þ; n! 1
p SEBUAH ð 1 p SEBUAH Þ þ pBð1pBÞ Secara trial and error, model terbaik dari DEC14 hingga DEC16 adalah model
n n
ARIMA (2,1,0), sedangkan model terbaik untuk DEC13 adalah model ARIMA (1,1,1).
dimana p SEBUAH dan p B adalah akurasi prediksi arah model A dan B. Hipotesis nol Selain itu, seperti yang disebutkan sebelumnya, ARIMA juga digunakan untuk
dari uji Tingkat adalah itu memodelkan setiap IMF dan residu yang diurai oleh EMD. Nilai prediksi semua
akurasi prediksi arah model A dan B adalah IMF
526 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530

Sebuah. Hasil dekomposisi untuk DEC13. c. Hasil dekomposisi untuk DEC15.

b. Hasil dekomposisi untuk DEC14. d. Hasil dekomposisi untuk DEC16.

Gambar 3. Hasil dekomposisi untuk harga karbon melalui EMD.

dan residu kemudian digabungkan ke dalam nilai prediksi model EMD – ARIMA –
ADD.
Semua model LSSVR dibangun oleh LSSVMlab oleh Suykens dan
rekan-rekannya pada platform MATLAB 2016b. Input dari setiap model LSSVR
ditentukan dengan menggunakan metode fungsi autokorelasi parsial [16] .
Parameter optimal dicari dengan 100 parti-
cles dan 5 generasi. C 2 ½ 1; 1000, r 2 ð 0; 50; c 1 ¼ c 2 ¼ 2,
w maks ¼ 0: 9, w min ¼ 0: 1, p maks ¼ 0:05, dan v maks ¼ 50. Selain itu, seperti disebutkan
di atas, LSSVR juga digunakan untuk meramalkan setiap IMF dan resi-
karena terdekomposisi melalui EMD, dan nilai prediksi dari semua IMF dan residu
digabungkan ke dalam nilai perkiraan model EMD – LSSVR– ADD.
Model ARIMA + LSSVR hibrida dibangun seperti yang didiskusikan di atas, nilai
prediksi harga karbon asli oleh model ARIMA dan LSSVR adalah jumlah tertimbang
yang sama dari prediksi akhir harga karbon. Akibatnya, terinspirasi oleh Tang et
al. [18] , Guo
dkk. [28] , Zhu dan Wei [10] dan Yu et al. [39] , dua model tunggal (LSSVR dan
ARIMA), model ARIMA + LSSVR hibrid, dan empat model peramalan multiskala
(EMD – ARIMA – IMF1 – ADD, EMD–
ARIMA – ADD, EMD – LSSVR – IMF 1 –ADD dan EMD – LSSVR – ADD) adalah
diterapkan untuk meramalkan harga karbon. Hasil RMSE dan D stat
untuk model yang berbeda ditampilkan di Meja 2 . DM dan Rate
hasil tes tercantum dalam Tabel 3 dan 4 . Selanjutnya, perbandingan kinerja
perdagangan disimpulkan pada Tabel 5 . Hasil perkiraan dari sampel untuk DEC13,
DEC14, DEC15 dan DEC16 oleh usulan EMD-LSSVR-ADD disajikan di Gambar 4 .
Dari perspektif peramalan level yang diukur dengan RMSE, dapat diketahui
bahwa, pertama, akurasi prediksi model LSSVR lebih unggul daripada model
ARIMA karena kemampuan aproksimasi nonliniernya yang kuat dan kemampuan
belajar mandiri yang sangat baik. Sementara itu, optimalisasi PSO meningkatkan
kemampuan pembelajaran dan prediksi LSSVM. Proses hybrid model ARIMA dan
LSSVR saja

Meja 2
Perbandingan out-of -sample dari RMSE dan D stat dari setiap model prediksi.

Model ARIMA LSSVM Hibrida EMD-ARIMA-IMF 1- MENAMBAHKAN EMD-ARIMA-ADD EMD-LSSVR-IMF 1- MENAMBAHKAN EMD-LSSVR-ADD

RMSE DES13 0.211 0.209 0.206 0.127 0.126 0.139 0.125

DEC14 0.142 0.141 0.141 0,080 0,073 0,081 0,072
DEC15 0,091 0,091 0,090 0,055 0,050 0,053 0,047
DEC16 0.142 0.142 0.141 0,082 0,079 0,085 0,077

D stat DES13 66.22 62.50 57.71 79.52 80.05 72.87 79.79

DEC14 55.41 61.48 59.10 83.91 86.02 83.91 87.34
DEC15 74.62 69.49 72.21 80.36 83.69 84.29 84.89
DEC16 68.44 60.80 69.10 83.06 87.38 83.06 86.71
 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530 527

Tabel 3
Perbandingan out-of -sample tes DM dari masing-masing model prediksi.

Model uji Model referensi

ARIMA LSSVM Hibrida EMD-ARIMA-IMF 1- MENAMBAHKAN EMD-ARIMA-ADD EMD-LSSVR-IMF 1- MENAMBAHKAN

DES13 LSSVM 0.8276

Hibrida 0.2558 0.2250
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0.7428
EMD-LSSVR-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0,0001 * 0,0069 * 0,0222 *
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0.6718 0.8389 0,0004 *

DEC14 LSSVM 0,5796

Hibrida 0.4803 0.7311
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0,0128 *
EMD-LSSVR-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 * 0.4789 0,0119 *
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0,0079 * 0.4791 0,0005 *

DEC15 LSSVM 0.7598

Hibrida 0,2193 0.1131
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0.0000 *
EMD-LSSVR-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 * 0,0443 * 0,0164 *
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0.0000 * 0,0137 * 0.0000 *

DEC16 LSSVM 0.8957

Hibrida 0.2819 0.4421
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0,5032
EMD-LSSVR-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 * 0,0225 * 0.2506
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0,0865 0.4930 0,0175 *

catatan: Tabel ini melaporkan nilai P dari uji DM.

*
Menunjukkan bahwa hipotesis nol ditolak pada tingkat signifikan 5%.

Tabel 4
Perbandingan out-of -sample dari uji tingkat dari setiap model prediksi.

Model uji Model referensi

ARIMA LSSVM Hibrida EMD-ARIMA-IMF 1- MENAMBAHKAN EMD-ARIMA-ADD EMD-LSSVR-IMF 1- MENAMBAHKAN

DES13 LSSVM 0.2872

Hibrida 0,0163 * 0.1801
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0.8565
EMD-LSSVR-IMF 1- MENAMBAHKAN 0,0477 * 0,0024 * 0.0000 * 0,0324 * 0,0204 *
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0,9268 0,9291 0,0257 *

DEC14 LSSVM 0,0902

Hibrida 0.3048 0,5034
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0.4167
EMD-LSSVR-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0.0000 * 1.0000 * 0.4167
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0.1786 0.5931 0.1786

DEC15 LSSVM 0.1417

Hibrida 0.4831 0.4417
EMD-ARIMA-IMF 1- MENAMBAHKAN 0,0773 0,0013 * 0,0138 *
EMD-ARIMA-ADD 0,0041 * 0.0000 * 0,0004 * 0,2649
EMD-LSSVR-IMF 1- MENAMBAHKAN 0,0021 * 0.0000 * 0,0002 * 0.1854 0.8334
EMD-LSSVR-ADD 0,0010 * 0.0000 * 0,0001 * 0,1243 0.6716 0.8308

DEC16 LSSVM 0,0502

Hibrida 0.8614 0,0330 *
EMD-ARIMA-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0,0001 *
EMD-ARIMA-ADD 0.0000 * 0.0000 * 0.0000 * 0.1357
EMD-LSSVR-IMF 1- MENAMBAHKAN 0.0000 * 0.0000 * 0,0001 * 1.0000 0.1357
EMD-LSSVR-ADD 0.0000 * 0.0000 * 0.0000 * 0.2116 0.8068 0.2116

catatan: Tabel ini melaporkan nilai-P dari uji Rate.

*
Menunjukkan bahwa hipotesis nol ditolak pada tingkat signifikan 5%.

sedikit meningkatkan akurasi predikasi di sini. Kedua, semua model prediksi untuk meningkatkan akurasi prediksi secara signifikan. Ketiga, di antara model
ansambel multiskala termasuk EMD – ARIMA– prediksi ansambel multiskala, EMD – LSSVR– ADD dan EMD – ARIMA – ADD
IMF 1 -MENAMBAHKAN, EMD – ARIMA – ADD, EMD – LSSVR – IMF 1 -MENAMBAHKAN dan menunjukkan hasil yang lebih baik daripada EMD–
EMD – LSSVR – ADD jelas mengungguli setiap model prediksi tunggal seperti LSSVR – IMF 1 –ADD dan EMD – ARIMA – IMF 1 –ADD, yang berbeda dari kesimpulan
ARIMA, LSSVR dan model hybridnya. Alasan utamanya adalah setelah dekomposisi Guo et al. [28] dan menunjukkan perlunya
EMD, baik LSSVR dan ARIMA dapat secara efektif meramalkan komponen pertimbangkan semua IMF saat meramalkan harga karbon. Terakhir, hasil EMD –
sederhana dan stabil sehingga LSSVR – ADD lebih unggul
528 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530

Tabel 5
Perbandingan out-of -sample kinerja perdagangan dari setiap model prediksi.

Performa perdagangan ARIMA LSSVM Hibrida EMD-ARIMA-IMF 1- MENAMBAHKAN EMD-ARIMA-ADD EMD-LSSVR-IMF 1- MENAMBAHKAN EMD-LSSVR-ADD

DES13 Pengembalian tahunan (%) 15.25 50.59 69.44 584.38 587.51 573.73 593,99
Volatilitas tahunan (%) 57.11 63.99 64.7 55.04 55.16 55.87 54.9
Rasio informasi 0.27 0.79 1.07 10.62 10.65 10.27 10.82

DEC14 Pengembalian tahunan (%) 4.39 21.73 10.3 385.71 402.26 385.06 417.63
Volatilitas tahunan (%) 39.24 37.3 36.17 33.8 32.92 33.84 32.42
Rasio informasi 0.11 0,58 0.28 11.41 12.22 11.38 12.88

DEC15 Pengembalian tahunan (%) 56.28 40.15 51.99 194.27 206.55 203.93 211.6
Volatilitas tahunan (%) 17.48 17.11 17.51 16.64 16.05 15.85 15.75
Rasio informasi 3.22 2.35 2.97 11.67 12.87 12.87 13.43

DEC16 Pengembalian tahunan (%) 71 52.14 83.35 368.31 385.38 363.39 395
Volatilitas tahunan (%) 36.6 35.12 37.37 32.81 32.28 33.27 31.95
Rasio informasi 1.94 1.48 2.23 11.23 11.94 10.92 12.36

Sebuah. Hasil perkiraan out-of-sample untuk DEC13. c. Hasil perkiraan out-of-sample untuk DEC15.

b. Hasil perkiraan out-of-sample untuk DEC14. d. Hasil perkiraan out-of-sample untuk DEC16.

Gambar 4. Hasil perkiraan di luar sampel untuk harga karbon.

dengan EMD – ARIMA – ADD, yang menunjukkan kekuatan prediksi yang kuat dari
model EMD-LSSVR-ADD yang diusulkan. Membandingkan semua model di sini,
tingkat akurasi tertinggi yang dicapai oleh model EMD – LSSVR – ADD yang
diusulkan menyiratkan keuntungan dari prinsip "dekomposisi dan ensemble".
Dalam hal prediksi arah, hasil D stat mirip dalam hal RMSE. Model yang dibuat
melalui dekomposisi EMD
dan LSSVR menunjukkan akurasi yang lebih tinggi dalam prediksi arah. Oleh
karena itu, model EMD-LSSVR-ADD yang diusulkan mencapai yang tertinggi
nilai D stat ( atau setidaknya setinggi) dibandingkan dengan model lain
dalam kontrak dari DEC13, DEC14, DEC15 dan DEC16. Terkait tingkat perbaikan
prediksi arah, EMD memberikan kontribusi terbesar. Karena keunggulan EMD
yang signifikan, LSSVR hanya menghasilkan kemajuan yang lebih sedikit daripada
ARIMA di sini.
Dua temuan diperoleh dari hasil tes DM. Pertama, semua model prediksi
ansambel multiskala sangat mengungguli model skala tunggal pada tingkat
signifikansi 5%. Tidak ada perbedaan yang jelas antara model ARIMA, LSSVM dan
hybrid dalam prediksi level. Ini menegaskan kekuatan EMD untuk menangkap
karakteristik harga karbon yang berbeda. Kedua, secara umum,
 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530
model EMD-LSSVR-ADD yang diusulkan secara signifikan lebih unggul
EMD – ARIMA – IMF 1 –ADD dan EMD – LSSVR – IMF 1 Model –ADD, tetapi tidak
memiliki keunggulan yang jelas dibandingkan dengan EMD – ARIMA – ADD
model kecuali untuk DEC15. Lebih lanjut, uji Rate menunjukkan hasil yang serupa
dengan uji DM, yaitu model ansambel multiscale dapat memperoleh akurasi
prediksi arah yang tinggi pada tingkat kepercayaan 5% untuk semua harga
karbon. Meskipun EMD yang diusulkan–
Model LSSVR – ADD memiliki akurasi tertinggi dari D stat, itu tidak menunjukkan
perbedaan yang signifikan dari ansambel multiscale lainnya
model keakuratan untuk arah.
Dalam hal kinerja perdagangan, model EMD – LSSVR– ADD yang diusulkan
menghasilkan kinerja perdagangan terbaik di semua harga karbon untuk
pengembalian tahunan tertinggi dan volatilitas tahunan terkecil. Ini menyiratkan
bahwa model EMD – LSSVR – ADD yang kami usulkan mampu mencapai
keuntungan perdagangan yang baik, dan juga menyarankan keunggulan model
multiskala dengan EMD dibandingkan model skala tunggal tanpa EMD.
Kesimpulannya, dari hasil analisis empiris dapat ditarik beberapa kesimpulan:
(1) dalam hal prediksi level, peramalan arah, uji DM, dan uji Rate, dibandingkan
dengan ARIMA,
LSSVR, ARIMA + LSSVR, EMD – ARIMA – IMF 1 –ADD, EMD – ARIMA–
ADD dan EMD – LSSVR – IMF 1 –Model ADD, model EMD– LSSVR – ADD yang kami
usulkan dapat memperoleh statistik terbaik dan kinerja perdagangan
penampilan; (2) empat model ansambel multiscale dapat mencapai hasil prediksi
yang lebih tepat daripada model ARIMA, LSSVR, dan ARIMA + LSSVR, yang
menyiratkan bahwa taktik 'dekomposisi dan ansambel' dapat secara signifikan
meningkatkan kemampuan prediksi; (3) pendekatan nonlinier (LSSVR) lebih tepat
untuk meramalkan harga karbon daripada model linier (ARIMA). Oleh karena itu,
model LSSVR berbasis EMD yang diusulkan tampaknya merupakan pendekatan
yang menjanjikan untuk prakiraan harga karbon.
4. Kesimpulan dan pekerjaan masa depan
Dalam studi ini, kami mengusulkan mode empiris baru berbasis evolusioner kuadrat terkecil evolusioner
mendukung regresi vektor untuk prakiraan harga karbon. Model ini menggunakan dekomposisi mode empiris untuk
membongkar setiap harga karbon menjadi sekumpulan komponen yang lebih stasioner dan lebih teratur, yang dapat
dengan mudah diramalkan oleh kuadrat terkecil evolusioner berbasis pengoptimalan partikel yang mendukung
regresi vektor. Nilai ramalan akhir dari harga karbon diperoleh melalui agregasi nilai ramalan dari semua komponen.
Akhirnya, dengan menggunakan empat harga karbon berjangka dari Skema Perdagangan Emisi Uni Eropa sebagai
sampel, usulan model empiris berbasis dekomposisi kuadrat terkecil evolusioner mendukung regresi vektor telah diuji
secara empiris, dan kinerja prediktifnya telah dibandingkan dengan kinerja prediktif tunggal, model prakiraan
multiskala hybrid dan variasional, dalam hal pengukuran statistik dan kinerja perdagangan. Hasil empiris
menunjukkan bahwa model yang diusulkan dapat menghasilkan pengukuran statistik yang optimal. Selain itu, model
yang diusulkan juga menunjukkan kinerja perdagangan yang hebat, yang menunjukkan nilainya dalam praktik.
Kesimpulannya, pendekatan yang diusulkan tampaknya merupakan pendekatan yang valid untuk prakiraan harga
karbon nonlinier dan non-stasioner. Pekerjaan utama kami di masa depan adalah (1) untuk meningkatkan akurasi
dekomposisi mode empiris, (2) untuk membangun peramalan yang optimal untuk setiap komponen dalam hal
karakteristiknya sendiri model yang diusulkan juga menunjukkan kinerja perdagangan yang hebat, yang menunjukkan
nilainya dalam praktik. Kesimpulannya, pendekatan yang diusulkan tampaknya merupakan pendekatan yang valid
untuk prakiraan harga karbon nonlinier dan non-stasioner. Pekerjaan utama kami di masa depan adalah (1) untuk
meningkatkan akurasi dekomposisi mode empiris, (2) untuk membangun peramalan yang optimal untuk setiap
komponen dalam hal karakteristiknya sendiri model yang diusulkan juga menunjukkan kinerja perdagangan yang
hebat, yang menunjukkan nilainya dalam praktik. Kesimpulannya, pendekatan yang diusulkan tampaknya merupakan
pendekatan yang valid untuk prakiraan harga karbon nonlinier dan non-stasioner. Pekerjaan utama kami di masa
depan adalah (1) untuk meningkatkan akurasi dekomposisi mode empiris, (2) untuk membangun peramalan yang
optimal untuk setiap komponen dalam hal karakteristiknya sendiri
[40] , dan (3) untuk mengeksplorasi ansambel nonlinier dari semua komponen.
Melalui upaya-upaya tersebut diharapkan akurasi peramalan harga karbon
non-stasioner dan nonlinier tinggi dapat lebih ditingkatkan. Lebih lanjut,
Berdasarkan model yang diusulkan, bagaimana mengembangkan peramalan
cerdas dan sistem pendukung keputusan perdagangan untuk pasar karbon
sehingga produksi dan investasi menghasilkan keuntungan maksimum juga
merupakan pekerjaan kami berikutnya.
529
Ucapan Terima Kasih
Kami berterima kasih kepada pemimpin redaksi dan komentar dua pengulas,
yang membantu kami memperbaiki makalah ini. Terima kasih tulus kami juga
harus diberikan kepada National Natural Science Foundation of China (NSFC)
(71473180, 71201010, 71303174, 71303076, dan 71673083), National Philosophy
and Social Science Foundation of China (14AZD068, 15ZDA054, 16ZZD049),
Guangdong Young Zhujiang Cendekia (Yue Jiaoshi [2016] 95), Yayasan Sains Alam
untuk Bakat Muda Terkemuka di Guangdong (2014A030306031), Yayasan Sains
Lunak Guangdong (2014A070703062), Yayasan Ilmu Sosial Guangdong
(GD14XYJ21), Guru Muda Terhormat di Guangdong ([2014] 145), Proyek Personalia
Tingkat Tinggi Guangdong ([2013] 246), Basis Utama Guangdong untuk Ilmu
Humaniora dan Sosial — Lembaga Penelitian Pengembangan Perusahaan, Institut
Sumber Daya,
Referensi
[1] Zhang YJ, Wei YM. Gambaran umum penelitian saat ini tentang EU ETS: Bukti dari
mekanisme operasi dan efek ekonominya. Appl Energy 2010; 87 (6): 1804–14 .
[2] Guobrandsdottir HN, Haraldsson HO. Memprediksi harga karbon ETS UE
kredit. Syst Eng Procedia 2011; 1: 481–9 .
[3] Paolella MS, Taschini L. Analisis ekonometrik harga tunjangan emisi. J
Keuangan Bank 2008; 32: 2022–32 .
[4] Benz E, Truck S. Memodelkan dinamika harga CO 2 tunjangan emisi.
Ekon Energi 200; 31 (1): 4–15 .
[5] Conrad C, Rittler D, Rotfub W. Pemodelan dan menjelaskan dinamika
Harga Tunjangan Uni Eropa pada frekuensi tinggi. Ekon Energi 2012; 34 (1): 316–26 .
[6] Chevallier J, Sevi B. Tentang realisasi volatilitas emisi ECX berjangka 2008
kontrak: distribusi, dinamika dan peramalan. Ann Finance 2011; 7: 1–29 .
[7] Chevallier J. Pemodelan harga karbon nonparametrik. Ekon Energi 2011; 33
(6): 1267–82 .
[8] Fan XH, Li SS, Tian LX. Identifikasi karakteristik yang kacau untuk harga karbon dan
model prediksi jaringan persepsi multi-layer. Ahli Syst Appl 2015; 42: 3945–52 .
[9] Atsalakis GS. Menggunakan kecerdasan komputasi untuk meramalkan harga karbon. Appl
Soft Comput 2016; 43: 107–16 .
[10] Zhu BZ, Wei YM. Prediksi harga karbon dengan ARIMA hibrida dan paling sedikit
kotak mendukung metodologi mesin vektor. Omega 2013; 41: 517–24 .
[11] Zhu BZ, Shi XT, Chevallier J, Wang P, Wei YM. Ansambel multiskala adaptif
belajar paradigma untuk peramalan time series harga energi non-stasioner dan nonlinier. J
Prakiraan 2016. http://dx.doi.org/10.1002/for.2395 .
[12] Feng ZH, Zou LL, Wei YM. Ketidakstabilan harga karbon: Bukti dari EU ETS. Appl
Energi 2011; 88: 590–8 .
[13] Huang NE, Shen Z, SR Panjang. Dekomposisi mode empiris dan Hilbert
spektrum untuk analisis deret waktu nonlinier dan non-stasioner. Proses Roy Soc London
1998; A454: 903–95 .
[14] Huang NE, Shen Z, SR Panjang. Pemandangan baru gelombang air nonlinier: Hilbert
spektrum. Annu Rev Fluid Mech 1999; 31: 417–57 .
[15] Investigasi kausalitas Yu L, Li J, Tang L, Wang S. Linear dan nonlinier Granger
antara pasar karbon dan pasar minyak mentah: pendekatan multi-skala. Ekon Energi 2015;
51: 300–11 .
[16] Zhu BZ. Model prediksi harga karbon ansambel multiskala baru
mengintegrasikan dekomposisi mode empiris, algoritma genetika, dan jaringan saraf
tiruan. Energies 2012; 5: 355–70 .
[17] Yu LA, Wang SY, Lai KK. Peramalan harga minyak mentah dengan saraf berbasis EMD
paradigma pembelajaran ansambel jaringan. Energi Econ 200; 30 (5): 2623–35 .
[18] Tang L, Yu LA, Wang S, Li JP, Wang SY. Pembelajaran ansambel hybrid baru
paradigma untuk peramalan konsumsi energi nuklir. Energi Appl 2012; 93: 432–43 .
[19] Chen CF, Lai MC, Yeh CC. Peramalan permintaan pariwisata berdasarkan empiris
dekomposisi mode dan jaringan saraf. Syst Berbasis Pengetahuan 2012; 26: 281–7 .
[20] Lin CS, Chiu SH, Lin TY. Kotak terkecil berbasis dekomposisi mode empiris
mendukung regresi vektor untuk peramalan nilai tukar mata uang asing. Econ Model 2012;
29 (6): 2583–90 .
[21] Wei Y, Chen MC. Memperkirakan arus penumpang metro jangka pendek
dekomposisi mode empiris dan jaringan saraf. Transportasi Res Bagian C: Emergency
Technol 2012; 21 (1): 148–62 .
[22] An N, Zhao WG, Wang JZ, Shang D, Zhao ED. Menggunakan multi-output feedforward
jaringan syaraf tiruan dengan pemfilteran sinyal berbasis dekomposisi mode empiris untuk
peramalan kebutuhan listrik. Energi 2013; 49 (1): 279–88 .
530 B. Zhu dkk. / Energi Terapan 191 (2017) 521–530
[23] Yu LA, Wang ZS, Tang L. Sebuah dekomposisi – model ansambel dengan data-
rekonstruksi berdasarkan karakteristik untuk prakiraan harga minyak mentah. Energi Apel
2015; 156: 251–67 .
[24] Liu H, Markas Besar Tian, Liang XF, Li YF. Pendekatan peramalan kecepatan angin menggunakan
algoritma dekomposisi sekunder dan jaringan saraf Elman. Energi Apel 2015; 157: 183–94 .
[25] Li W, Lu C. Penelitian tentang penetapan interval harga karbon yang seragam
patokan di pasar perdagangan karbon nasional Cina. Energi Apel 2015; 155: 728–39 .
[26] Ghasemi A, Shayeghi H, Moradzadeh M, Nooshyar M. Algoritme hibrid baru
untuk harga listrik dan prakiraan beban di jaringan pintar dengan manajemen sisi
permintaan. Energi Appl 2016; 177: 40–59 .
[27] Suykenns JAK, Vandewalle J. Least squares mendukung mesin vektor. Neural
Proses Lett 1999; 9 (3): 293–300 .
[28] Guo ZH, ZhaoWG, Lu HY, Wang JZ. Peramalan multi-langkah untuk kecepatan angin menggunakan
model jaringan syaraf tiruan berbasis EMD yang dimodifikasi. Energi Terbarukan 2012; 37
(1): 241–9 .
[29] Riling G, Flandrin P, Goncalves P. Pada dekomposisi mode empiris dan nya
algoritma. Dalam: Prosiding lokakarya IEEE EURASIP tentang pemrosesan sinyal dan
gambar nonlinier, Grado, Italia, Juni 2003.
[30] Pai PF, Lin CS. ARIMA hybrid dan model mesin vektor dukungan tersedia
perkiraan harga. Omega 2005; 33: 497–505 .
[31] Cagdas HA, Erol E, Cem K. Peramalan deret waktu nonlinier dengan hibrida
metodologi. Appl Math Lett 2009; 22: 1467–70 .
[32] Chen KY, Wang CH. Sebuah SARIMA hybrid dan mesin vektor pendukung masuk
meramalkan nilai produksi industri permesinan di Taiwan. Ahli Syst Appl 2007; 32: 254–64 .
[33] Liu XY, Shao C, Ma HF, Liu RX. Kontrol keseimbangan tekanan bumi yang optimal untuk
tunneling perisai berdasarkan LS-SVM dan PSO. Automat Constr 2011; 20: 321–7 .
[34] Liu H, Tian HQ, Pan DF, Li YF. Model peramalan kecepatan angin menggunakan wavelet,
paket wavelet, deret waktu dan Jaringan Syaraf Tiruan. Energi Apel 2013; 107: 191-208 .
[35] Yu L, Wang SY, Lai KK. Model peramalan ansambel nonlinier baru
menggabungkan GLAR dan ANN untuk nilai tukar mata uang asing. Comput Oper Res
2005; 32: 2523–41 .
[36] FX Diebold, Mariano RS. Membandingkan akurasi prediksi. Statistik J Bus Econ
1995; 13 (3): 253–63 .
[37] Sermpinis G, Stasinakis C, Rosillo R, Fuente D. Perdagangan bursa Eropa
perdagangan dana dengan regresi vektor dukungan tertimbang secara lokal. Eur J Oper
Res 2016; 258: 372–84 .
[38] Luis T. Data mining dengan R: Belajar dengan studi kasus. CRC Press; 2011 . [39] Yu L, Wang Z,
Tang L. Sebuah dekomposisi – model ansambel dengan data-
rekonstruksi berdasarkan karakteristik untuk prakiraan harga minyak mentah. Energi Apel
2015; 156: 251–67 .
[40] Liu L, Huang JB, Yu SW. Prediksi kebutuhan energi primer berbasis di China
pada model optimal AGAEDE. Sumber Daya Penduduk J. Cina. Mengepung. 2016; 14 (1):
16–29 .