基于可见性图模型的原油价格预测

《Finance Research Letters》：Forecasting crude oil price with a visibility graph model

　　

摘要

原油价格对工业运营、政策制定和投资配置至关重要。然而，其动态变化受多种相互作用因素驱动，并因全球政治和经济不确定性而加剧，使得准确预测变得困难。从复杂网络视角出发，我们利用可视图编码时间序列，计算节点相似性时采用 P 步随机游走核，并引入模糊理论以完善预测，从而开发了一种基于结构相似性的原油价格预测方法（VG-GK）。以 WTI 原油价格为实证样本，我们将 VG-GK 与多种基准预测模型进行了比较。结果表明，原油价格中嵌入的隐藏结构信息可以通过网络拓扑有效表示，并进一步转化为用于预测的结构相似性信息。我们的方法为应用复杂网络理论进行原油价格预测提供了新证据，并为复杂时间序列预测提供了一个结构相似性框架。

引言

原油对全球经济和金融市场至关重要，其价格波动直接影响工业生产、通货膨胀和资产配置。因此，准确的原油价格预测对政府、企业和金融机构具有重要意义。然而，地缘政治冲击、供需变化、投机行为以及宏观经济不确定性导致原油价格产生非线性、时间持久性和结构性依赖动态，使得预测变得困难（Zhao et al., 2017）。

现有研究已从传统计量经济模型演变为机器学习和混合预测框架。代表性计量经济模型，如 ARIMA、GARCH 和 TVP-VAR，主要关注线性依赖和波动率动态，但在捕捉原油价格中的非线性交互和结构依赖性方面效果不佳（Cheong, 2009; Drachal, 2021; Qiao et al., 2026）。为克服这些局限性，机器学习方法，包括支持向量机（SVM）、决策树（DT）、人工神经网络（BP）和循环神经网络（RNN），已被广泛用于原油价格预测（Ouyang et al., 2023; Liu and Xu, 2024; Nortey et al., 2025）。尽管这些方法提高了非线性建模能力，但要实现持续优越的预测性能仍具挑战性。因此，结合 EMD、EEMD 和 VMD 等信号分解技术的混合预测模型已被广泛采用以提高预测精度（Zhang et al., 2023; Xu and Niu, 2023; Li et al., 2024; Zhang et al., 2024; Ouyang et al., 2024; Deng et al., 2025）。尽管如此，分解方法通常在完整样本上实施，导致历史分量隐含地包含未来信息，可能引入样本外信息泄露并损害预测可靠性（Xu and Niu, 2023）。更重要的是，大多数现有方法仍将原油价格视为数值序列，而忽略了历史市场状态之间隐藏的结构交互。

复杂网络理论为原油价格预测提供了新视角。复杂网络方法将原油价格视为演变的市场状态相互作用的结果，而非孤立的观测值。Lacasa 等人（2008）表明，可视图可以将时间序列转换为网络，同时保留其潜在动态特征。近年来，可视图已被广泛应用于金融时间序列分析和预测（Min et al., 2016; Jiang et al., 2017; Li et al., 2022）。同时，局部随机游走、叠加随机游走、局部路径指标和图加权方法被用于揭示复杂网络中的潜在结构关系（Xu et al., 2020; Huang et al., 2021; Gao et al., 2022; Mao and Zeng, 2023; Zhan and Xiao, 2024）。与仅基于局部邻域的相似性度量不同，P 步随机游走核利用多步扩散过程来捕捉全局拓扑信息，并更有效地识别节点之间隐藏的结构相似性（Wen et al., 2022; Xu and Kang, 2025）。

尽管取得了这些进展，仍存在几个缺口。首先，现有的原油预测研究主要集中在价格序列和统计特征上，对历史市场状态之间潜在结构关系的关注有限。其次，虽然复杂网络的时间序列研究已考察了网络构建、节点特征和相似性分析，但利用全局网络拓扑来识别与当前状态相似的历史市场状态仍探索不足。第三，很少有研究关注将结构相似性纳入原油预测并在市场不确定性下调整初始预测。因此，基于对可视图、P 步随机游走核和模糊理论的现有研究，我们将这些组成部分整合到一个统一的基于结构相似性的原油预测框架中，称为 VG-GK。可视图提供了原油价格的网络表示，P 步随机游走核识别与当前状态最相似的历史市场状态，而模糊理论则调整初始预测。

我们的贡献有三点。首先，我们将可视图与原油预测相结合，将原油价格序列中的一部分时间结构和历史关联转化为网络拓扑，提供了基于网络的分析视角。其次，我们引入 P 步随机游走核来捕捉全局拓扑相似性，并识别与当前状态相似的历史市场状态。第三，我们将模糊理论纳入原油预测，以完善通过结构匹配获得的初始预测，形成一个涉及网络结构识别、历史状态匹配和预测调整的综合预测过程。

章节片段

基于结构相似性的原油价格预测方法（VG-GK）

我们使用可视图算法将原油价格序列转换为复杂网络。¹ 然后应用 P 步随机游走核来衡量局部特征图之间的结构相似性，并识别用于预测的最相似历史状态。² 最后，模糊理论用于

评估指标

我们选择六个指标来评估预测结果：平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、异方差调整均方误差（HMSE）以及方向性预测统计量（D_stat）。表 3 列出了相应的公式。MAE、MSE、RMSE、MAPE 和 HMSE 的值越低，表明预测性能越好，而 D_stat 越高，表明识别方向的能力越强

结论

从复杂网络视角出发，我们将可视图与 P 步随机游走核相结合，开发了一种基于结构相似性的原油价格预测框架，称为 VG-GK。可视图将原油价格序列转换为复杂网络，并将其部分动态信息编码在网络拓扑中。P 步随机游走核随后识别与目标状态最相似的历史市场状态，而模糊理论支持最终预测。

CRediT 作者贡献声明

Zisheng Ouyang：写作 – 审阅与编辑，写作 – 初稿，监督，项目管理，资金获取，概念化。Yinquan Qi：写作 – 审阅与编辑，写作 – 初稿，软件，方法论，数据整理。Min Lu：写作 – 审阅与编辑，写作 – 初稿，资源，资金获取，数据整理。Lixin Chen：写作 – 初稿，可视化，数据整理。

Zisheng Ouyang|Yinquan Qi|Min Lu|Lixin Chen