本发明涉及农产品市场预测领域,特别是涉及一种农产品市场异常波动风险监测方法及系统。
背景技术:
在信息化、市场化和全球化深入发展背景下,我国农业与国民经济的联系越来越紧密、对突发事件的反应越来越敏感、受到国际市场的影响越来越大。金融危机影响持续、全球能源价格变化、投机行为活跃和极端气候频发也给我国农产品市场健康有序运行带来较大不确定性。尤其近年来,农产品市场大起大落现象时有发生,农民“卖难”和市民“买贵”并存。农业生产经营者由于难以对市场供求和价格变化做出准确预期,时常要面临和承担价格波动带来的市场风险;农业管理部门也因缺少有效的风险管理量化工具,难以采取有预见性的事前管控措施;消费者由于缺少权威信息的及时引导,在市场频繁波动中极易产生恐慌心理,进一步加剧市场波动。
历史上发生过许多风险事件,引发市场异常波动并造成了巨大损失。如1994年上海粮油“粳米事件”、1994-1995年大连“玉米c511事件”、1995年海南“棕榈油事件”、2002年大连“大豆事件”等。随着经济全球化日益深入,某一市场发生异常波动风险时,往往会以极强的联动性向其他市场扩散蔓延,进而产生多米诺骨牌效应,引发地区性甚至全球性灾难。因此,研究农产品市场异常波动风险的监测预警方法,具有重要的应用价值。而在我国关于农产品市场异常波动风险监测预警的研究,现有分析大多以定性为主,且事后分析居多,都是在异常波动发生后对事件进行研究和分析,并不能再波动发生前进行预警,难以达到监测预警的效果。
技术实现要素:
本发明的目的是提供一种农产品市场异常波动风险监测方法及系统,以实现在农产品市场异常波动发生前进行监测预警。
为实现上述目的,本发明提供了如下方案:
一种农产品市场异常波动风险监测方法,包括:
获取监测预警对象的历史农产品数据;
结合所述历史农产品数据分析价格波动规律;
依据所述历史农产品数据及所述价格波动规律拟合价格波动的分布形式;
结合所述分布形式确定市场异常波动的预警阈值;
获取所述监测预警对象的实时农产品数据;
根据所述分布形式结合所述实时农产品数据计算所述监测预警对象的价格变化幅度;
判断所述价格变化幅度是否超出所述预警阈值;
若超出则发布预警信息。
可选的,所述获取监测预警对象的历史农产品数据具体包括:
获取所述监测预警对象的农产品品种信息;
获取所述监测预警对象的价格信息;所述价格信息包括收购价格、批发价格、零售价格、期货价格;
获取所述监测预警对象的所述价格信息对应的时间信息;所述时间信息包括月度时间序列、日度时间序列;
获取所述监测预警对象的所述价格信息对应的地域信息;所述地域信息包括全球、全国、区域、省/市、地市、县。
可选的,所述结合所述历史农产品数据分析价格波动规律具体包括:
所述农产品数据对应的时间序列包含4种变动要素:长期趋势要素、循环要素、季节变动要素和不规则要素,
采用季节分解法剔除所述时间序列中的季节变动要素和不规则要素,得到趋势循环时间序列;
根据所述趋势循环时间序列采用hp滤波法将所述长期趋势要素和所述循环要素进行分离,获得4个时间序列;
根据分离得到的4个时间序列,得到所述监测预警对象的市场价格波动的规律。
可选的,所述依据所述历史农产品数据及所述价格波动规律拟合价格波动的分布形式具体包括:
根据非参数核密度法结合所述历史农产品数据拟合价格波动的概率密度函数;
根据所述概率密度函数得到所述价格波动率的分布函数。
可选的,所述结合所述分布形式确定市场异常波动的预警阈值具体包括:
所述农产品数据包括农产品月度数据、农产品日度数据;
当所述农产品数据为农产品月度数据时;
将市场异常波动风险划分为绿灯区、黄灯区、红灯区,设定价格涨、跌幅度落在绿灯区的概率为80%,在黄灯区的概率为10%,在红灯区的概率为10%,依据设定的概率值计算绿灯区、黄灯区和红灯区相应的阈值。
可选的,所述结合所述分布形式确定市场异常波动的预警阈值具体包括:
当所述农产品数据为农产品日度数据时;
采用garch族模型进行波动性分析法受险价值估计,得到受险价值的数值,将所述数值作为预警阈值。
一种农产品市场异常波动风险监测系统,包括:
历史数据获取模块,用于获取监测预警对象的历史农产品数据;
波动规律获取模块,用于结合所述历史农产品数据分析价格波动规律;
价格波动分布形式拟合模块,用于依据所述历史农产品数据及所述价格波动规律拟合价格波动的分布形式;
风险阈值确定模块,用于结合所述分布形式确定市场异常波动的预警阈值;
实时数据获取模块,用于获取所述监测预警对象的实时农产品数据;
价格变化幅度计算模块,用于根据所述分布形式结合所述实时农产品数据计算所述监测预警对象的价格变化幅度;
预警判断模块,用于判断所述价格变化幅度是否超出所述预警阈值;
预警发布模块,用于发布预警信息。
可选的,历史数据获取模块具体包括:
品种信息获取单元,用于获取所述监测预警对象的农产品品种信息;
价格信息获取单元,用于获取所述监测预警对象的价格信息;所述价格信息包括收购价格、批发价格、零售价格、期货价格;
时间信息获取单元,用于获取所述监测预警对象的所述价格信息对应的时间信息;所述时间信息包括月度时间序列、日度时间序列;
地域信息获取单元,用于获取所述监测预警对象的所述价格信息对应的地域信息;所述地域信息包括全球、全国、区域、省/市、地市、县。
可选的,波动规律获取模块具体包括:
趋势循环时间序列获取单元,用于采用季节分解法剔除所述时间序列中的季节变动要素和不规则要素,得到趋势循环时间序列;
趋势循环分离单元,用于根据所述趋势循环时间序列采用hp滤波法将所述长期趋势要素和所述循环要素进行分离,获得4个时间序列;
规律获得单元,用于根据分离得到的4个时间序列,得到所述监测预警对象的市场价格波动的一般规律。
可选的,所述价格波动分布形式拟合模块具体包括:
概率密度函数拟合单元,用于根据非参数核密度法结合所述历史农产品数据拟合价格波动的概率密度函数;
分布函数计算单元,用于根据所述概率密度函数得到所述价格波动率的分布函数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中通过对农产品市场价格进行采集及处理,根据采集的农产品历史价格数据得到农产品市场价格波动的分布形式,确定市场异常波动的风险阈值,根据风险阈值可以对超出风险阈值的情况进行预警,以此实现了对农产品市场价格的监测和预警。
本发明中提出了一套以模型定量分析为主、事前管控为导向的监测预警方方法及系统,大大提高了监测预警的前瞻性和科学性,无论是政府管理部门政策制定还是投资者决策,都具有重大的经济社会意义和价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例农产品市场异常波动风险监测方法流程图;
图2为本发明实施例农产品市场异常波动风险监测系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例农产品市场异常波动风险监测方法流程图。参见图1,一种农产品市场异常波动风险监测方法,包括:
步骤101:获取监测预警对象的历史农产品数据;
步骤102:结合所述历史农产品数据分析价格波动规律;
步骤103:依据所述历史农产品数据及所述价格波动规律拟合价格波动的分布形式;
步骤104:结合所述分布形式确定市场异常波动的预警阈值;
步骤105:获取所述监测预警对象的实时农产品数据;
步骤106:根据所述分布形式结合所述实时农产品数据计算所述监测预警对象的价格变化幅度;
步骤107:判断所述价格变化幅度是否超出所述预警阈值;
步骤108:若超出则发布预警信息。
所述获取监测预警对象的历史农产品数据时,首先要确定市场风险监测预警的农产品品种信息,常见的有稻谷、小麦、玉米、大豆、棉花、油料、糖料、蔬菜、水果、猪肉、禽肉、牛羊肉、鸡蛋、牛奶等。然后,根据品种市场特点和目标需求选择分析的价格类型,包括收购价格、批发价格、零售价格、期货价格。针对农产品现货市场风险的监测预警,价格的时间尺度一般选择月度价格,其中种植类产品通常选择批发市场价格,畜禽类产品选择零售市场价格。针对农产品期货市场风险的监测预警,价格的时间尺度一般为每日收盘价。最后,明确对象的空间尺度范围,通常包括全球、全国、区域、省(市)、地市、县等。
农产品价格时间序列通常包含4种变动要素:长期趋势要素(t表示)、循环要素(也称周期性波动,c表示)、季节变动要素(s表示)和不规则要素(i表示)。其中,循环要素代表反映了农产品价格波动规律,即周期性波动规律。从农产品价格时间序列分离出循环要素的步骤为:
首先,对农产品价格时间序列进行季节分解,剔除其中的季节变动要素(s)和不规则要素(i),得到包含长期趋势要素和循环要素的时间序列(tc)。季节分解的方法一般采用计量经济学中常用方法x12季节分解法。
然后,利用趋势分解法对包含长期趋势要素和循环要素的时间序列进行分解,得到循环要素(c)。常用的趋势分解法有回归分析法、移动平均法、hp滤波法和bp滤波法,本专利设计采用经典的hp滤波法进行趋势分解。
最后,对循环要素时间序列进行分析,可获得农产品价格时间序列的波动规律,即周期性波动规律。
其中涉及到的hp滤波法的原理如下:
假设{yt}是包含趋势成分和波动成分(循环要素)的价格时间序列(见上面描述,采用季节分解法剔除季节要素和不规则变动要素,得到包含趋势和循环波动要素的价格时间序列),{ytt}是价格时间序列中含有的趋势成分,{ytc}是价格时间序列中含有的波动成分。则:
yt=ytt+ytc,t=1,2,……,t
其原理是从原始不光滑(原始不光滑时间序列是指包含长期趋势要素和循环要素的序列。光滑序列是指长期趋势要素时间序列)的时间序列{yt}中,通过最小化实际值的波动和整体样本的趋势变化率,找出一个光滑的时间序列{ytt}。具体算法通过定义为下面最小化问题:
式中,λ是对趋势成分ytt波动的正的惩罚因子。假设ct=yt-ytt,
λ=var(ct)/var(δ2ytt)
本专利中价格时间序列为月度数据时,λ取值为14400。
拟合农产品价格波动形式,就是要确定价格波动率的分布形式(即累计概率密度函数,常用cdf表示)。要求得cdf,就必须确定价格波动率的概率密度函数。根据概率密度函数可求得分布函数,即价格波动率的分布函数(也称分布形式),计算公式为:
其中,拟合价格波动形式的算法—非参数核密度法的原理如下:
假设农产品价格波动率(采用价格对数的一阶差分表示)变量x(,表示农产品价格时间序列)的概率密度函数为f(x),且f(x)=f'(x),∫f(x)dx=1,则有:
其中,k(·)为核函数,
选择合适的窗宽是核函数密度估计的关键所在。最优窗宽的选择是基于估计密度与真实密度之间误差最小来考虑的,即
可以证明:
当n→∞时,h→0,nh→∞,这时有
从mse均方误差分解来看,最优窗宽h的选择需要权衡
本专利中最优窗宽h的选择采用lscv法,即ise满足:
式中,
所述结合所述分布形式确定市场异常波动的预警阈值具体包括:
当所述农产品数据为农产品月度数据时;
采用非参数核密度估计得到价格波动的分布形式后,累积概率密度函数可表示为
针对季节性规律波动非常明显的个别产品(例如,鸡蛋市场为3月、8月和9月,蔬菜为1月、6月、7月和12月),其预警阈值的计算方法为:首先,从总体样本中抽取特定月份数据建立小样本。其次,假设样本近似服从正态分布,拟合计算黄灯区、红灯区的临界值,分别为均值的2倍标准差和均值的3倍标注差。最后,确定警情的阈值范围,如下:
绿灯区:
黄灯区:
红灯区:
注:式中,
当所述农产品数据为农产品日度数据时;
针对农产品价格波动日度监测预警,采用受险价值(valueatrisk、var)方法确定预警阈值,即通过计算var值作为预警阈值。考虑到日度价格数据波动频繁且较为剧烈,因此本专利采用基于波动性分析法的var估计进行农产品价格波动日度监测预警。
var是指在一定的置信水平下和一定的目标期间内预期的最大损失。严格地说,var描述了在一定的目标期间内收益和损失的预期分布的分位数,即如果c代表置信水平,var对应的是较低的尾部水平1-c,计算公式如下:
通过模型计算出var值之后,通常需要对结果进行相应的检验以验证模型的有效性。本专利采用kupiec提出的似然比率检验法,统计量为:
lr=-2ln[pn(1-p)t-n]+2ln{[1-(n/t)]t-n(n/t)n}
式中,p代表一定置信水平下的期望概率(p=0.01或0.05),t表示样本量,n为风险测量期间例外情况数目(计算的var被真实值超越的次数),则n/t为失效率或失败率。原假设h0:p=n/t,备择假设h0:p≠n/t。在原假设下,统计量lr服从自由度为1的χ2分布,经查表得知
本专利采用garch族模型进行波动性分析法var估计,其优势在于可以根据风险偏好者的需求在模型中添加控制变量。garch(p,q)模型为广义自回归条件异方差模型的一种,其基本形式如下:
rt=b0+b1rt-i+at
式中,rt为收益率,at为残差,σt为条件标准差,ω为常数项,αi和βj为各期参数。为保证garch(p,q)是宽平稳的,存在参数约束条件α+β<1。
garch(p,q)模型下收益残差存在三种分布假设:正态分布、t分布和广义误差分布(ged)。在参数方法中,计算var值的公式为:
vart=pt-1σtzc
式中,pt-1为农产品的前一期市场价格;σt为当期条件方差的标准差,本专利中根据garch模型计算而得;zc表示对应于某一置信水平c的分位数,并且都是取单尾,在不同的分布下,zc有不同的取值;t为资产持有当期。
本发明中上述方法中通过对农产品市场价格进行采集及处理,根据采集的农产品历史价格数据得到农产品市场价格波动的分布形式,确定市场异常波动的风险阈值,根据风险阈值可以对超出风险阈值的情况进行预警,以此实现了对农产品市场价格的监测和预警。
图2为本发明实施例农产品市场异常波动风险监测系统结构图。参见图2,一种农产品市场异常波动风险监测系统,包括:
历史数据获取模块201,用于获取监测预警对象的历史农产品数据;
波动规律获取模块202,用于结合所述历史农产品数据分析价格波动规律;
价格波动分布形式拟合模块203,用于依据所述历史农产品数据及所述价格波动规律拟合价格波动的分布形式;
风险阈值确定模块204,用于结合所述分布形式确定市场异常波动的预警阈值;
实时数据获取模块205,用于获取所述监测预警对象的实时农产品数据;
价格变化幅度计算模块206,用于根据所述分布形式结合所述实时农产品数据计算所述监测预警对象的价格变化幅度;
预警判断模块207,用于判断所述价格变化幅度是否超出所述预警阈值;
预警发布模块208,用于发布预警信息。
历史数据获取模块201具体包括:
品种信息获取单元,用于获取所述监测预警对象的农产品品种信息;
价格信息获取单元,用于获取所述监测预警对象的价格信息;所述价格信息包括收购价格、批发价格、零售价格、期货价格;
时间信息获取单元,用于获取所述监测预警对象的所述价格信息对应的时间信息;所述时间信息包括月度时间序列、日度时间序列;
地域信息获取单元,用于获取所述监测预警对象的所述价格信息对应的地域信息;所述地域信息包括全球、全国、区域、省/市、地市、县。
波动规律获取模块202具体包括:
趋势循环时间序列获取单元,用于采用季节分解法剔除所述时间序列中的季节变动要素和不规则要素,得到趋势循环时间序列;
趋势循环分离单元,用于根据所述趋势循环时间序列采用hp滤波法将所述长期趋势要素和所述循环要素进行分离,获得4个时间序列;
规律获得单元,用于根据分离得到的4个时间序列,得到所述监测预警对象的市场价格波动的一般规律。
所述价格波动分布形式拟合模块203具体包括:
概率密度函数拟合单元,用于根据非参数核密度法结合所述历史农产品数据拟合价格波动的概率密度函数;
分布函数计算单元,用于根据所述概率密度函数得到所述价格波动率的分布函数。
采用上述系统可以对超出风险阈值的情况进行预警,以此实现对农产品市场价格的监测和预警。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。