🤖 machine learning

Liquid Neural Network Models for Natural Gas Spot Price Time-Series Forecasting

本文提出利用液態神經網絡持續適應市場波動、非平穩及機制轉換動態的能力，以提高亨利港天然氣現貨價格的短期預測準確性。

原作者： Yiqian Liu, Jiayi Niu, Adam Kelleher, Subhabrata Das

发布于 2026-04-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Yiqian Liu, Jiayi Niu, Adam Kelleher, Subhabrata Das

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，天然气价格就像一匹狂野且难以预测的骏马。有时它缓步小跑，但往往因突如其来的风暴、地缘政治争端或天气变化而受惊、跳跃或原地打转。试图预测这匹马明天会走向何方极其困难，因为它不走直线，而是 constantly 改变主意。

本文是一场不同“驯马师”（计算机模型）之间的竞赛，旨在看谁能最准确地预测这匹马的下一步动作。哥伦比亚大学的研究人员希望验证一种新型人工智能——液体神经网络（LNN）——是否能比传统方法做得更好。

以下是他们实验的分解及其发现，使用了简单的类比：

参赛选手

研究人员设立了一场竞赛，使用五种不同类型的模型来预测天然气（具体指亨利枢纽，即美国天然气的“标准价格标签”）的每日价格变动。

老教练（滚动窗口线性回归）： 这是传统方法。想象一位教练，他观察这匹马过去 30 天的行为，画一条直线来猜测明天的走势。这很简单，但它假设马会一直沿直线奔跑，而在能源市场中这很少见。
僵硬的机器人（LSTM）： 这是一种能记住过去的标准人工智能。把它想象成一个拥有固定内部时钟的机器人。它能学习模式，但一旦设定了“齿轮”，速度就不会改变。如果市场突然换挡，机器人反应迟钝，因为其内部时钟被锁定在固定的节奏上。
液体模型（LNNs）： 这些是崭露头角的新秀。与拥有固定时钟不同，想象这些模型拥有液体时间。它们的内部齿轮可以根据当下发生的情况瞬间加速或减速。如果市场平静，它们慢速移动以节省能量；如果市场混乱，它们加速以捕捉每一个细节。

研究人员测试了这五种“液体”模型的具体版本：

严格 CfC： 具有固定混合规则的液体模型。
LTC（液体时间常数）： 可以调整速度但使用均匀步长的模型。
混合 CfC： 根据市场噪音的“响度”调整速度的模型。
CT-LTC： 试图根据日历调整速度的模型（例如，在周末移动较慢）。

比赛条件

数据涵盖了超过 10 年（2015–2025），包括巨大的冲击，如 2021 年冬季风暴 Uri（当时天然气价格疯狂波动）和 2022 年的能源危机。模型必须预测仅未来一天的价格变动。

为了确保测试公平，他们没有一次性将所有数据提供给模型，而是采用了“增长窗口”方法：

模型从 30 天的历史数据开始。
它们做出预测。
然后，它们将一天的真实数据添加到历史中，再次尝试。
这一过程重复了 160 次，模拟了真实交易者逐日学习的过程。

结果：谁赢了？

1. 老教练（线性回归）垫底。
不出所料，简单的直线模型惨败。它无法应对天然气市场的狂野跳跃和转折。这就像试图通过画一条直线来预测过山车的行程。

2. 僵硬的机器人（LSTM）表现尚可，但不够出色。
标准人工智能的表现优于老教练，但在市场突然改变“性格”时显得力不从心。由于其内部时钟是固定的，它无法足够快地适应突如其来的“冲击”（如风暴袭击德克萨斯州）。它倾向于平滑掉剧烈的波动，从而错过了大幅变动。

3. 液体模型（LNNs）领先。
新的液体模型总体上优于其他模型。它们更擅长应对混乱。

冠军：混合 CfC。
该模型是冠军。它的秘诀在于输入条件时标调制。
- 类比： 想象开车。当道路平坦时，你以稳定的速度巡航。但当你看到坑洼或有人跳出来时，你会立即猛踩刹车或急转弯。混合 CfC 就是这样做的：当市场数据变得“嘈杂”或混乱时，它会瞬间加速内部处理以做出反应。当事情平静时，它会减速。这种根据当前情况改变“反应速度”的能力使其最为准确。
亚军：LTC。
该模型也非常强劲。它使用连续时间方法，使其比僵硬的机器人能更好地追踪市场流动。然而，由于它没有像混合 CfC 那样根据数据的具体“响度”动态调整速度，其灵活性稍逊一筹。
令人失望者：CT-LTC。
该模型试图通过查看日历来变得聪明（例如，知道周一是周五之后的第三天）。研究人员认为这会有所帮助，但效果不佳。
- 原因？ 因为在天然气市场中，平静的周一与重大风暴后的周一截然不同。该模型仅仅因为日历而将所有周一视为相同，从而忽略了实际的市场新闻。这就像一个只看时钟却无视前方交通的司机。

主要启示

论文得出结论：灵活性是关键。

在一个 constantly 改变主意（非平稳）的市场中，拥有固定内部时钟的模型（如标准 LSTM）难以应对。表现最好的是那些能够持续调整内部速度以匹配当下混乱的模型。

混合 CfC 证明，预测狂野且波动剧烈的市场的最佳方式，不是拥有更快的计算机，而是拥有一台知道何时加速、何时减速的计算机，这取决于当下正在发生什么。

论文未提及的内容：

它并未声称这些模型能完美预测未来（它们仍然错过了最大、最极端的冲击，如冬季风暴 Uri）。
它并未建议将这些模型用于长期规划（如未来 5 年）；它们专为短期、次日预测而设计。
它指出，这些模型目前缺少一些“物理”数据（如实际管道流量或天气预报），这限制了它们预测最大波动幅度的能力。

简而言之：要预测一匹狂野的骏马，你需要一位能瞬间改变策略的驯马师，而不是一个遵循僵化日程的驯马师。混合液体神经网络就是那位灵活的驯马师。

以下是论文《用于天然气现货价格时间序列预测的液体神经网络模型》的详细技术摘要。

1. 问题陈述

本文解决了天然气现货价格短期预测（特别是亨利枢纽基准价格）的挑战。该任务本质上非常困难，原因如下：

高波动性与非平稳性：价格受季节性需求、地缘政治冲击和供应中断驱动，导致频繁的制度转换。
传统模型的局限性：
- 计量经济学模型（ARIMA, GARCH）： 依赖线性假设和平稳性，在结构性断裂期间失效。
- 标准深度学习（LSTM）： 虽然能够建模非线性，但它们使用固定的内部动力学和离散时间步长，限制了其连续适应快速市场变化的能力。
差距：现有方法通常依赖固定参数或离散更新，缺乏波动性大宗商品市场所需的连续适应性。

2. 方法论

A. 数据集

目标：每日亨利枢纽天然气现货价格（美元/百万英热单位）。
时期：2015 年 1 月 6 日 – 2025 年 8 月 29 日（2,645 个观测值）。
特征：30 个预测变量，包括：
- 能源基本面： WTI 原油、核能发电容量/停机情况。
- 宏观经济： 美国国债收益率曲线（2 年、5 年、10 年、20 年）、美元指数。
- 市场情绪： 标普能源指数、道琼斯煤炭指数、EQT 公司股价。
预处理：仔细处理缺失数据（节假日）和极端异常值（超过 5.5 个标准差），以避免幸存者偏差，同时保留真实的市场冲击（例如“乌拉”冬季风暴）。

B. 基准模型

多元滚动窗口线性回归：使用 30 天滚动窗口每日重新估计系数的标准基准。它包括滞后回报和外生特征。

C. 评估的神经网络架构

本研究将五种神经网络模型与基准模型进行了比较：

LSTM：标准的离散时间循环基准。
严格 CfC（闭式连续时间）：使用带有 S 形插值门的闭式解，但缺乏依赖于输入的时间常数。
LTC（液体时间常数）：使用具有可学习时间常数（ $\tau$ ）和吸引子参数的连续时间常微分方程（ODE），通过半隐式欧拉步长进行更新。
混合 CfC：结合闭式更新与输入条件时间尺度调制。衰减率根据输入信号的幅度（ $|f_t|$ ）进行调整。
CT-LTC（日历间隙 LTC）：LTC 的扩展，其中积分步长（ $\Delta t$ ）由实际经过的日历时间（考虑周末/节假日）决定，而不是固定的单位步长。

D. 评估协议

扩展窗口：模型在每个评估点从头开始重新训练，使用扩展的历史数据（不同于滚动窗口），以利用不断增长的数据，这有利于液体神经网络（LNNs）。
分层抽样：从 20 个时间区间中抽取 160 个评估点，以确保覆盖不同的市场制度。
不确定性量化：使用**移动块自助法（MBB）**进行 300 次重采样，生成指标的 95% 置信区间，保留预测误差中的时间自相关性。
指标：皮尔逊相关系数（ $r$ ）、斯皮尔曼等级相关系数（ $\rho$ ）、方向准确性（DA）、 $R^2$ 、均方根误差（RMSE）和平均绝对误差（MAE）。

3. 主要贡献

系统比较：首次对五种不同的液体神经网络（LNN）架构进行了全面评估，并将其与用于天然气预测的稳健线性基准进行了对比。
严格的统计验证：实施了分层扩展窗口协议，结合移动块自助法，提供了统计上可靠的性能估计，考虑了非平稳性和时间自相关性。
架构洞察：确定了输入条件时间尺度调制是驱动高频、制度转换市场性能的关键设计特征，将其与固定步长或基于日历的方法区分开来。

4. 结果与分析

性能摘要

基准（线性回归）：表现不佳（ $r \approx -0.04$ ， $R^2 \approx -91$ ），证实了数据的非线性性质。
LSTM：实现了中等程度的方向准确性（55%），但未能捕捉幅度（ $R^2 \approx 0$ ），表明它平滑了关键的波动性。
严格 CfC：表现不如 LSTM，表明没有自适应时间常数的闭式更新不足以完成此任务。
CT-LTC：尽管在日历间隙方面具有理论吸引力，但其表现不如统一步长的 LTC。作者认为，在事件驱动的市场中，日历距离是“信息距离”的不良代理。
LTC：显著优于 LSTM 和严格 CfC（ $r \approx 0.25$ ，正的 $R^2$ ）。其连续时间动力学允许更好地跟踪回报路径水平。
混合 CfC（最佳表现者）：
- 最高指标：实现了最高的皮尔逊相关系数（ $r \approx 0.30$ ）、斯皮尔曼相关系数和 $R^2$ （0.057）。
- 统计显著性： $R^2$ 的自助法置信区间严格为正，确认了优势是系统性的，而非随机的。
- 机制：其成功归因于自适应衰减率（ $A_t = 1/\tau_t + |f_t|$ ）。当市场冲击发生时（大 $|f_t|$ ），模型迅速清除陈旧信息；在平静时期，它在更长的时间范围内进行整合。

关键发现

方向与幅度：虽然某些模型（如 LSTM）在预测方向上略好于随机猜测，但只有混合 CfC 和 LTC 成功预测了回报的幅度和结构。
适应性是关键：对于波动性能源市场，根据输入幅度调制内部时间常数的能力（混合 CfC）优于固定时间常数（LTC）或基于日历的步长（CT-LTC）。
极端事件：所有模型都难以预测极端外生冲击（例如“乌拉”冬季风暴），突显了缺乏实时外部信号（如天气预报）的纯数据驱动模型的局限性。

5. 意义与结论

实际影响：研究表明，混合 CfC 和 LTC 为天然气短期预测提供了可靠的框架。提高的准确性可以增强公用事业公司、交易员和风险管理者的决策能力，特别是在高波动时期。
理论贡献：本文验证了将自适应时间机制整合到神经网络架构中，是模拟复杂金融时间序列的原则性方法，在这些序列中平稳性假设失效。
未来方向：作者建议未来的工作应侧重于：
- 纳入物理市场基本面（库存报告、管道流量、天气数据），而不仅仅是金融代理变量。
- 将该框架扩展到适用于对冲的多步预测视野。
- 与经典时间序列基准（ARIMA/GARCH）进行比较，以隔离非线性与自适应重新估计带来的具体收益。

总之，本文确立了液体神经网络，特别是混合 CfC 架构，通过有效地调整其内部动力学以适应能源市场的非平稳性和冲击驱动特性，在预测天然气价格方面优于传统的线性和标准深度学习模型。