CN107798482A - 一种农产品市场异常波动风险监测方法及系统 - Google Patents
一种农产品市场异常波动风险监测方法及系统 Download PDFInfo
- Publication number
- CN107798482A CN107798482A CN201711135702.0A CN201711135702A CN107798482A CN 107798482 A CN107798482 A CN 107798482A CN 201711135702 A CN201711135702 A CN 201711135702A CN 107798482 A CN107798482 A CN 107798482A
- Authority
- CN
- China
- Prior art keywords
- price
- agricultural product
- monitoring
- warning
- fluctuation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000007774 longterm Effects 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000001788 irregular Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 235000019198 oils Nutrition 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000019482 Palm oil Nutrition 0.000 description 1
- 206010034912 Phobia Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002540 palm oil Substances 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种农产品市场异常波动风险监测方法及系统。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。采用本发明中方法或系统实现了对农产品市场价格的监测和预警。
Description
技术领域
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。
发明内容
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),{Yt T}是价格时间序列中含有的趋势成分,{Yt c}是 价格时间序列中含有的波动成分。则:
Yt=Yt T+Yt c,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 {Yt T}。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Yt T波动的正的惩罚因子。假设ct=Yt-Yt T, 则λ的最优取值为:
λ=Var(ct)/Var(Δ2Yt T)
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:传统研究 文献中,大多采用参数法确定价格波动的分布函数,即事先假定价格波动服从 已知的某种分布形式(如正态分布等),然后采用统计检验求得概率密度分布 函数,进而求得累计概率密度分布函数。参数法的缺点比较明显,农产品价格 波动分布往往不服从传统正态分布等经典分布形式。因此,本专利采用非参数核密度法拟合价格波动率的概率密度函数,其优点是不必事先假定分布形式, 能更准确拟合农产品价格波动的分布形式,也为预警阈值确定的科学性和精准 性提供了技术支撑保障。
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,满足条件:∫K(x)dx=1;∫xK(x)dx=0;∫x2K(x)dx<∞。h为窗宽。可知,核密度估计需要选择核函数和窗宽。
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,即的MSE(均方误差) 最小。MSE可表示如下:
可以证明:
当n→∞时,h→0,nh→∞,这时有则有:
从MSE均方误差分解来看,最优窗宽h的选择需要权衡和 两者的大小,窗宽h增大或减少不会使和同时减 小,也即:窗宽h越小,越小,而越大;反之,窗宽h 越大,越小,而越大。
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 表示为依据指定的概率值(绿灯区80%、黄灯 区10%、红灯区10%),可计算绿灯区、黄灯区和红灯区相应的阈值:
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,为样本价格波动的均值,S为样本标准差,α==0.05,t取 单尾分布值。
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(Value at Risk、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。
Claims (10)
1.一种农产品市场异常波动风险监测方法,其特征在于,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。
2.根据权利要求1所述的监测方法,其特征在于,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。
3.根据权利要求1所述的监测方法,其特征在于,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,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。
4.根据权利要求1所述的监测方法,其特征在于,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。
5.根据权利要求3所述的监测方法,其特征在于,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。
6.根据权利要求3所述的监测方法,其特征在于,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。
7.一种农产品市场异常波动风险监测系统,其特征在于,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。
8.根据权利要求7所述的监测系统,其特征在于,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。
9.根据权利要求7所述的监测系统,其特征在于,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,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。
10.根据权利要求7所述的监测系统,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711135702.0A CN107798482A (zh) | 2017-11-16 | 2017-11-16 | 一种农产品市场异常波动风险监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711135702.0A CN107798482A (zh) | 2017-11-16 | 2017-11-16 | 一种农产品市场异常波动风险监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107798482A true CN107798482A (zh) | 2018-03-13 |
Family
ID=61536127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711135702.0A Pending CN107798482A (zh) | 2017-11-16 | 2017-11-16 | 一种农产品市场异常波动风险监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798482A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665283A (zh) * | 2018-04-28 | 2018-10-16 | 携程计算机技术(上海)有限公司 | Ota平台的酒店房型价格异常的识别方法及系统 |
CN108846689A (zh) * | 2018-05-07 | 2018-11-20 | 河南金凤电子科技有限公司 | 一种食品价格监管方法、设备及系统 |
CN109978616A (zh) * | 2019-03-22 | 2019-07-05 | 中国农业科学院农业信息研究所 | 农产品数据监测预警系统 |
CN109978617A (zh) * | 2019-03-22 | 2019-07-05 | 中国农业科学院农业信息研究所 | 农产品大数据预测方法、系统、终端及存储介质 |
CN110706078A (zh) * | 2019-09-30 | 2020-01-17 | 中国农业科学院农业信息研究所 | 一种鲜活农产品价格异常波动监测预警方法及系统 |
CN110751508A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 一种基于大数据分析的农产品市场价格预警管理系统 |
CN111178945A (zh) * | 2019-12-16 | 2020-05-19 | 北京农业信息技术研究中心 | 果品价格的时空聚集可视化分析方法及装置 |
CN111475702A (zh) * | 2020-03-24 | 2020-07-31 | 携程旅游网络技术(上海)有限公司 | 基于爬虫技术的航司价格预警的方法、系统、设备和介质 |
CN112037075A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于价格指数保险的农产品风险评估方法及装置 |
CN112446722A (zh) * | 2019-08-30 | 2021-03-05 | 南京绿色科技研究院有限公司 | 一种农产品价格波动监测方法及系统 |
CN112767007A (zh) * | 2020-12-30 | 2021-05-07 | 苏宁消费金融有限公司 | 一种金融风险行为的监控系统 |
CN113191678A (zh) * | 2021-05-21 | 2021-07-30 | 河南高通物联网有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN113421112A (zh) * | 2021-06-10 | 2021-09-21 | 江苏唱游数据技术有限公司 | 一种全周期数据碰撞低价游判断方法及系统 |
CN115170166A (zh) * | 2022-09-06 | 2022-10-11 | 山东省市场监管监测中心 | 一种用于判断垄断行为的大数据感知方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034725A (zh) * | 2012-12-19 | 2013-04-10 | 中国科学院深圳先进技术研究院 | 数据获取、分析以及预警系统及其方法 |
CN104112163A (zh) * | 2014-04-24 | 2014-10-22 | 国家电网公司 | 一种电力预测景气指数的构造方法 |
CN106093321A (zh) * | 2016-07-04 | 2016-11-09 | 中国农业科学院农业信息研究所 | 一种农产品市场监测系统及方法 |
CN107274298A (zh) * | 2017-06-22 | 2017-10-20 | 中国农业科学院农业信息研究所 | 一种农产品价格波动预警方法及系统 |
-
2017
- 2017-11-16 CN CN201711135702.0A patent/CN107798482A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034725A (zh) * | 2012-12-19 | 2013-04-10 | 中国科学院深圳先进技术研究院 | 数据获取、分析以及预警系统及其方法 |
CN104112163A (zh) * | 2014-04-24 | 2014-10-22 | 国家电网公司 | 一种电力预测景气指数的构造方法 |
CN106093321A (zh) * | 2016-07-04 | 2016-11-09 | 中国农业科学院农业信息研究所 | 一种农产品市场监测系统及方法 |
CN107274298A (zh) * | 2017-06-22 | 2017-10-20 | 中国农业科学院农业信息研究所 | 一种农产品价格波动预警方法及系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665283B (zh) * | 2018-04-28 | 2022-04-12 | 携程计算机技术(上海)有限公司 | Ota平台的酒店房型价格异常的识别方法及系统 |
CN108665283A (zh) * | 2018-04-28 | 2018-10-16 | 携程计算机技术(上海)有限公司 | Ota平台的酒店房型价格异常的识别方法及系统 |
CN108846689A (zh) * | 2018-05-07 | 2018-11-20 | 河南金凤电子科技有限公司 | 一种食品价格监管方法、设备及系统 |
CN108846689B (zh) * | 2018-05-07 | 2021-03-16 | 河南金凤电子科技有限公司 | 一种食品价格监管方法、设备及系统 |
CN109978616A (zh) * | 2019-03-22 | 2019-07-05 | 中国农业科学院农业信息研究所 | 农产品数据监测预警系统 |
CN109978617A (zh) * | 2019-03-22 | 2019-07-05 | 中国农业科学院农业信息研究所 | 农产品大数据预测方法、系统、终端及存储介质 |
CN112446722A (zh) * | 2019-08-30 | 2021-03-05 | 南京绿色科技研究院有限公司 | 一种农产品价格波动监测方法及系统 |
CN110751508A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 一种基于大数据分析的农产品市场价格预警管理系统 |
CN110751508B (zh) * | 2019-09-26 | 2023-08-18 | 中电万维信息技术有限责任公司 | 一种基于大数据分析的农产品市场价格预警管理系统 |
CN110706078A (zh) * | 2019-09-30 | 2020-01-17 | 中国农业科学院农业信息研究所 | 一种鲜活农产品价格异常波动监测预警方法及系统 |
CN111178945A (zh) * | 2019-12-16 | 2020-05-19 | 北京农业信息技术研究中心 | 果品价格的时空聚集可视化分析方法及装置 |
CN111178945B (zh) * | 2019-12-16 | 2023-12-05 | 北京农业信息技术研究中心 | 果品价格的时空聚集可视化分析方法及装置 |
CN111475702A (zh) * | 2020-03-24 | 2020-07-31 | 携程旅游网络技术(上海)有限公司 | 基于爬虫技术的航司价格预警的方法、系统、设备和介质 |
CN111475702B (zh) * | 2020-03-24 | 2023-07-07 | 携程旅游网络技术(上海)有限公司 | 基于爬虫技术的航司价格预警的方法、系统、设备和介质 |
CN112037075A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于价格指数保险的农产品风险评估方法及装置 |
CN112767007A (zh) * | 2020-12-30 | 2021-05-07 | 苏宁消费金融有限公司 | 一种金融风险行为的监控系统 |
CN112767007B (zh) * | 2020-12-30 | 2022-08-02 | 苏宁消费金融有限公司 | 一种金融风险行为的监控方法 |
CN113191678A (zh) * | 2021-05-21 | 2021-07-30 | 河南高通物联网有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN113421112A (zh) * | 2021-06-10 | 2021-09-21 | 江苏唱游数据技术有限公司 | 一种全周期数据碰撞低价游判断方法及系统 |
CN115170166A (zh) * | 2022-09-06 | 2022-10-11 | 山东省市场监管监测中心 | 一种用于判断垄断行为的大数据感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798482A (zh) | 一种农产品市场异常波动风险监测方法及系统 | |
Liu et al. | A long short‐term memory‐based model for greenhouse climate prediction | |
CN103440283B (zh) | 一种测点数据的补缺系统及补缺方法 | |
Weatherhead et al. | Predicting and mapping the future demand for irrigation water in England and Wales | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
CN113706002A (zh) | 一种基于食品安全知识库的监管平台、方法及存储介质 | |
Ballarin et al. | A copula-based drought assessment framework considering global simulation models | |
Lee et al. | Development of yield prediction system based on real-time agricultural meteorological information | |
Mulema et al. | Monitoring of an aquatic environment in aquaculture using a MEWMA chart | |
XU et al. | Research and application of real-time monitoring and early warning thresholds for multi-temporal agricultural products information | |
Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
Zhao et al. | Characteristics of drought, low temperature, and concurrent events of maize in Songliao Plain | |
Muthoni et al. | Machine learning model accurately predict maize grain yields in conservation agriculture systems in Southern Africa | |
Akpan et al. | Assessment of empirical relationships among remittances and agricultural productivity indicators in Nigeria (1970-2012) | |
Abah et al. | Effect of maize production on agricultural output in Nigeria (1981-2019): implication for sustainable development | |
Akpan et al. | Assessment of economic policy variables that modeled agricultural intensification in Nigeria | |
CN116151860A (zh) | 基于电子商务数据分析的智慧海洋服务数字化管理系统 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN108960571A (zh) | 干热风预警方法、装置、可读存储介质及人机交互装置 | |
Li | Research on COE Program with Machine Learning Algorithms | |
Abah et al. | Trend analysis of millet production and agricultural output in Nigeria (1981-2018) | |
Jing | An Optimized Decision Tree Model for Agricultural Product Placement Using Hierarchical Clustering Algorithm | |
CN108876127A (zh) | 霜冻损失确定方法、装置、可读存储介质及人机交互装置 | |
Wang | The design of weather index insurance for forage: the case of basis risk for the Canadian province of Ontario | |
Mohammad et al. | Forecasting of Maize Production in Bangladesh using ARIMA and Mixed Model Approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |
|
RJ01 | Rejection of invention patent application after publication |