Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

预测原油价格是现代经济学中最困难的任务之一。市场并非以直线或可预测的模式运行；相反，它表现得像一场混沌的风暴，受经济数据、政治事件以及供需突然变化的共同驱动。由于价格波动如此剧烈且难以捉摸，传统的数学工具往往无法捕捉其真实本质。为了理清这种混沌，研究人员转向了一种称为“分解”的策略。想象一下，试图通过同时聆听整个管弦乐队来理解一首复杂的乐曲，这几乎是不可能听到旋律的。然而，如果你能将乐器分离开来，分别聆听弦乐、铜管和打击乐，那么音乐的结构就会变得清晰。在数据世界中，这意味着将一段单一、杂乱的数字流分解成更小、更简单的部分，以便于研究。一旦理解了这些部分，就可以将它们重新组合，从而创造出关于未来可能发生什么的更清晰的图景。

研究人员 Abdelkader Aouar 最近的一项研究针对这一分解策略中的一个特定问题进行了探讨。该研究聚焦于一种称为变分模态分解（Variational Mode Decomposition，简称 VMD）的方法，这是一种将时间序列数据拆分为那些更简单部分的精密方式。虽然 VMD 功能强大，但它需要在开始工作前正确调整两个关键设置：数据应被切分为多少个部分，以及一个控制各部分分离严密程度的因子。如果这些设置错误，数据可能会被切分成过少的碎片，导致重要细节被隐藏；或者切分得过多，从而产生不必要的噪声。过去，科学家们使用计算机算法自动寻找最佳设置，但他们一直依赖于一个特定的规则来判断何为“最佳”。这个被称为“包络熵”（envelope entropy）的规则最初是为检测机器部件（如发动机中损坏的轴承）的故障而设计的。它通过寻找信号中尖锐、突然的脉冲来发挥作用。因为这个规则在机器领域表现出色，许多研究人员便假设它也同样适用于原油价格。Aouar 的研究通过提出一个简单的问题，挑战了这一假设：一个为损坏齿轮设计的规则，真的有助于预测石油价格吗？

为了回答这个问题，研究人员构建了一个结合了三种不同工具的混合预测系统。首先，该系统使用一种名为粒子群优化（Particle Swarm Optimization）的算法——它模仿鸟群寻找食物的过程——来自动测试 VMD 工具的数千种不同设置。其次，它利用 VMD 方法将每日原油价格分解为其组成部分。第三，它将这些部分输入到一种称为长短期记忆网络（Long Short-Term Memory，简称 LSTM）的人工智能类型中，这种网络非常擅长记忆随时间变化的模式。实验的关键不在于工具本身，而在于用来告诉计算机哪些设置是“最佳”的规则。该研究测试了四种不同的规则：三种衡量数据复杂性或不规则性的规则（称为样本熵、排列熵和包络熵），以及一种简单衡量数据在拆分并重新组合时损失了多少信息的规则（称为重构误差）。

实验结果令人震惊，并推翻了使用机器故障规则的流行习惯。当研究人员使用在许多以往研究中作为标准选择的包络熵规则时，模型的表现很差，其决定系数（R²）为 -0.3519。这个负值表明，该模型的预测准确度甚至不如直接使用平均价格作为基准，与其它方法相比，其表现明显逊色。另外两种基于复杂性的规则表现稍好，但仍未达到预期。最终的胜出者是重构误差规则。该规则专注于保持原始信息的完整性，而非试图让信号看起来“干净”或“稀疏”，这使得模型达到了远超其他方法的准确度。使用该规则的最终预测模型能够以仅 1.37% 的误差率预测原油价格，这一数字与实际值非常接近。相比之下，使用其他规则的模型误差率要高出数倍。

研究还揭示了获胜规则为何如此有效。当计算机被告知要最小化信息损失时，它选择将原油价格数据分解为九个不同的部分。这使得系统能够同时捕捉长期趋势、中期周期和短期波动。相比之下，基于复杂性的规则告诉计算机将数据分解为仅两个部分，这过于简单，无法捕捉市场的完整故事。此外，获胜规则选择的设置允许数据片段保留更多的原始形状，而其他规则则强迫数据呈现出一种更平滑、更僵硬的形式，从而剥离了有价值的细节。研究结果表明，对于以波动性和突然跳跃为特征的金融市场，目标不应该是寻找最简单的信号，而应该是尽可能保留原始的、杂乱的现实。

这项研究不仅仅改进了一个单一的预测模型；它还揭示了许多科学研究进行过程中的一个关键缺陷。多年来，研究人员一直在将来自一个领域（如机械工程）的规则应用于另一个领域（如金融），而没有测试这些规则是否真的适用。这项研究证明，适用于振动机器零件的规则并不一定适用于一桶原油的价格。通过在完全相同的条件下系统地测试不同的规则，研究人员表明，评估规则的选择与计算机算法本身一样重要。研究结论指出，对于预测复杂的金融数据，最有效的策略是优先考虑保持原始信息的完整性，而不是试图将其强行纳入某种预设的、关于“干净”信号的观念之中。这一洞察为任何试图理解全球市场不可预测节奏的人提供了新的前进方向。