基于CEEMDAN-VMD多尺度分解与CNN-BiLSTM融合的原油价格预测模型研究及其在能源经济中的应用

为解决原油价格高度非线性、非平稳性及多因素耦合影响的预测难题，研究人员创新性地提出CEEMDAN-VMD-CNN-BiLSTM混合模型，通过多尺度分解与深度学习融合技术，将预测MAPE降至3.66%，R2提升至95.94%，为能源市场风险管理和政策制定提供高精度决策工具。

　　

原油价格波动牵动着全球经济的神经，但因其受地缘政治、市场投机和宏观经济等多重因素交织影响，传统预测模型常陷入“测不准”困境。尤其近年来，从俄乌冲突引发的供应危机到全球经济放缓预期，WTI原油价格在2022年飙升至120美元/桶后又回落至70-80美元区间，这种剧烈波动暴露出现有模型在捕捉非线性关系和跨周期传导机制上的短板。更棘手的是，原油价格序列兼具高频噪声与低频趋势，单一算法难以兼顾局部波动与长期依赖，亟需一种能解构复杂信号并融合多维特征的智能预测框架。

针对这一挑战，国内研究人员在《Results in Engineering》发表的研究中，构建了CEEMDAN-VMD-CNN-BiLSTM混合模型。该研究首先通过皮尔逊相关性分析从9类潜在驱动因子中筛选出LBMA黄金价格、布伦特原油价格、人民币兑美元汇率和联邦基金利率四大关键指标；随后采用CEEMDAN（完全自适应噪声集合经验模态分解）和VMD（变分模态分解）对价格序列进行双重分解，分离出高频噪声、中频周期和低频趋势成分；最后通过CNN（卷积神经网络）提取局部时空特征，BiLSTM（双向长短期记忆网络）建模双向时序依赖，实现了多尺度特征协同优化。

关键技术方法包括：1）CEEMDAN自适应噪声注入与IMF（本征模态函数）聚类，解决模态混叠问题；2）VMD二次频域优化分解，参数α=2500；3）CNN-BiLSTM超参数网格搜索，最优配置为128卷积层/32隐藏神经元；4）基于1997-2025年WTI日频数据验证，训练集（1997-2017）与测试集（2017-2025）分段评估。

3.1. 超参数选择
通过正交实验确定最优模型结构：当CNN层数128、BiLSTM隐藏层32、迭代150次、Dropout率0.1时，测试集MSE降至30.7731，R2达68.39%。对比显示，增加卷积核数量可提升特征捕获能力，但过度加深网络会导致过拟合。

3.2. 消融实验
逐步添加模块的对比验证了混合策略的有效性：基础BiLSTM的R2仅64.92%，加入CNN后提升至78.39%，引入VMD分解后R2突破90%，最终CEEMDAN-VMD-CNN-BiLSTM模型将MAPE压至3.66%（较BiLSTM降低60.4%），且p值<0.05具统计显著性。频谱分析显示VMD成功分离出1.7Hz高频波动与0.1Hz低频趋势。

3.3. 模型对比
在LSTM、SVM等8种基准模型中，新模型以93.87%的R2全面领先。尤其在2020年新冠疫情和2022年俄乌冲突等极端事件中，其预测曲线与实际价格偏差最小，证实其对突发风险的稳健性。Transformer模型因不擅长处理高频噪声，预测误差达新模型的4.8倍。

该研究通过“分解-提取-预测”三级架构，首次实现了原油价格多尺度动力学特征的精准解耦与重构。CEEMDAN-VMD双分解使信号信噪比提升2.3dB，CNN-BiLSTM时空建模误差降低27%，最终模型在测试期的年化预测误差小于4美元/桶。这不仅为能源期货交易提供高精度工具，更开创了复杂金融时间序列分析的新范式——未来可扩展至天然气、电力等大宗商品价格预测领域。值得注意的是，模型对人民币汇率因子的敏感性（权重占比21.3%）提示新兴市场货币波动对原油定价的影响日益凸显，这为跨市场风险传导机制研究提供了新视角。