動力煤期貨價格預測模型

張智勇 李宏軍 楊 鵬 李冬武

(1.中國中煤能源股份有限公司銷售中心，北京市西城區，100120；2.國務院研究室，北京市西城區，100017；3.中國礦業大學 (北京)管理學院，北京市海淀區，100083)

1 動力煤期貨價格預測方法選擇

無論是煤炭產業鏈上下游企業套期保值操作，還是進行投機獲利，對期貨價格進行合理的預測都是非常重要的。金融市場上價格預測的方法很多，如技術分析和基本面分析等，側重點各有不同。動力煤期貨上市時間不久，對其價格的預測多出于經驗判斷，得出的一般是相對模糊的結論，且容易受到人自身情緒的干擾，難以做到客觀理性。

對于商品期貨市場來說，一般都具有相對透明、自由流通、資金量巨大的特征，參與者基本都是價格的被動接受者，接近完全自由市場，因此適宜建立數量模型對價格進行預測。

本文并非簡單的理論探討，而是從最大化實用的角度出發，使用計量經濟學VAR模型方法，建立動力煤期貨價格預測模型。既要符合正確的理論，又要方便應用，實現對動力煤期貨價格走勢的理性判斷。

2 模型變量的選擇

2.1 變量的選擇范圍

動力煤期貨的價格與動力煤的生產、運輸、需求、庫存、進出口等因素直接相關，也與我國的宏觀經濟情況息息相關。因此在建模過程選擇與動力煤產業鏈相關的產、運、需、存相關因素，以及宏觀經濟因素作為模型的備選變量；此外，考慮到股票市場是國民經濟的晴雨表，對宏觀經濟變化具有先行的特點，因此將滬深300指數與上證180指數納入變量考慮范圍，見表1。

表1 動力煤期貨價格建模備選變量

煤炭行業個別數據有部分缺失 (尤其是12月份和1月份數據)，一些缺失數據可由同期增長數據計算得出，無法獲取的數據我們使用三次樣條插入法來補足，使用Matlab軟件編程計算。

2.2 期貨歷史價格的模擬

由于動力煤期貨目前上市時間太短，沒有足夠的動力煤期貨歷史價格數據序列，因而在建立動力煤期貨價格預測模型時，想要預測的變量的數據就沒有來源，難以建模。考慮到期貨與現貨當期價格之間具有較大相關性，在參數估計時使用環渤海動力煤價格指數 (BSPI)替代期貨的歷史價格。

環渤海動力煤價格指數基本能綜合反映動力煤的現貨價格，而現貨價格與期貨價格的高度相關性，在期貨市場上廣泛存在，尤其是比較大的品種和比較成熟的品種，這種高度相關性在理論上也完全成立，這是由期貨的交割機制決定的。比如國際原油現貨價格與WIT原油期貨價格的相關系數達到0.99。隨機選取幾個中國的期貨品種，發現與現貨價格相關性系數都較大。如太原螺紋鋼期現貨相關性系數為0.943，滬銅1311期貨與現貨相關性系數為0.934。

2.3 變量的篩選檢驗

表2中所列變量是一個選擇范圍，并不是全部選擇。有些變量因素，主觀上認為是動力煤市場產業鏈的重要因素，但由于市場的復雜性，經過系統的多次傳導，該因素是否與最終的價格密切相關，主觀的判斷就不太可靠，需要通過數據統計檢驗來說明。通過相關性檢驗保留影響動力煤價格變化的最重要因素，剔除與之相關性較小的、對于前瞻性預測無作用的因素，使模型盡可能準確地預測動力煤價格變化。

在分析時間序列數據時，使用傳統的相關性檢驗容易出現偽回歸問題，因此要求變量之間存在協整關系以避免這個問題。對于我們這里的檢驗來說，主要目的只是為了實現篩選出有用變量、剔除無價值變量。由于偽回歸是回歸的必要不充分條件，且VAR模型對協整性沒有要求，因此可以不考慮偽回歸的問題。

表2 變量的篩選檢驗

將前文所述每一個變量分別與環渤海指數做相關性檢驗，相關性較小的則剔除考慮范圍。最終選取秦皇島錨地船數量、國有煤炭鐵路運量、國有重點煤礦庫存、電煤庫存、動力煤進口量、PPI、CPI、HS300指數作為模型變量。由于滬深指數與上證指數相關性非常高，達到0.994，因此只選取其中一個，用滬深指數作為變量即可。煤炭企業庫存和國有重點煤礦庫存的相關性也很高，達到0.90，只保留與環渤海指數相關度更高的國有重點煤礦庫存。另外，GDP數據是以季度為時間單位發布的數據，我們的模型是月度預測模型，如果把GDP納入變量，實際預測使用起來不太方便，因而舍去。

3 動力煤期貨價格預測模型

3.1 模型形式及基本解釋

本文建模的主要目的是為預測動力煤期貨的價格，對價格形成原因的詮釋則放在次要位置，使用Eviews＿6.0作為計量經濟計算軟件，同時使用Matlab(R2012a版本)輔助計算。

TCFutures:動力煤期貨價格，即Thermal CoalFutures；TCFutures(-2)為動力煤期貨價格上2期 (滯后2期，上上個月)的值，TCFutures(-3)為動力煤期貨價格上上一期 (滯后3期，往前推3個月)的值。其余變量與此類同。

3.1.1 時間單位

由于信息化的發展，通過金融交易平臺，我們可以實時觀察到價格變化，最小精確到秒，還可以是年、月、周、日、時、5分鐘等。但是，考慮太小時間單位內的價格變動有時候是沒有意義的。價格是市場參與主體對各類信息的綜合反應，太小時間單位內的變動經常是屬于 “市場噪音”，沒有什么規律可循。即使勉強做出預測模型，其效果衰減的速度也會很快。

適當長的時間的價格變動，比如月、年，就有一定意義了，能夠比較好地研究市場規律。如果時間周期更長，比如10年、20年，或許有意義，但對于參與主體來講，應用價值較小。

對于我們的模型來說，預測周期是月。選擇以月為單位主要原因是多數統計數據是按月發布的，對企業參與套期保值來說也更具操作意義。實際使用時，將變量的統計數據值帶入模型，即可得出模型對當月價格的預測，這一預測值是當月價格的平均值。

3.1.2 模型階數

VAR模型階數太多會導致變量太多，模型自由度太大，根據建模經驗，參考AIC、SC原則，最終確定為2階。從動力煤價格模型預測實用的角度出發，本文對模型做以下調整:

(1)國有煤炭鐵路運量、國有重點煤礦庫存、電煤庫存、動力煤進口量、PPI、CPI這幾個變量的數據發布滯后時間比較長，有些常常滯后超過1個多月。我們使用-2和-3期兩階。如果采用-1期的話，則實際預測時有可能還沒有發布。

(2)秦皇島錨地船數量、HS300指數這兩個指標的數據發布比較及時，采用-1和-2期兩階。

但是VAR模型變量必須是同階的，所以輸入變量的數據時間序列時，就把不同階的數據序列提前或滯后一期輸入，這樣就能實現不同階的VAR模型。經過這樣的調整，模型在實際測算時就能確保可有效獲取數據，帶入前期數據求出下個月期貨價格的預期增長量，預期增長量加本月的實際價格，就能求出下個月期貨的預期價格，實現預測的目的。

3.2 模型結果

建立VAR模型前，首先對所有變量取差分運算。Eviews軟件中，差分運算公式是D(y)＝y-y(-1)，其經濟意義相當于環比增長。

所建立的動力煤期貨價格預測模型如下:

式中:TCFutures(-1)——某月前一個月期貨平均價格，可以查看統計數據或金融數據終端得到；

D＿TCFutures——某月期貨價格理論差分值，也就是由模型計算得出的理論環比增長值；

TCFutures——某月的理論期貨價格，也就是我們對此月期貨價格的預測值，由上式相加得出。

其中:

式中:

D＿CPⅠ——消費物價指數環比增長量；

D＿HS300——滬深300股票指數環比增長量；

D＿ⅠMPORT——動力煤進口量環比增長量；

D＿PPⅠ——生產者物價指數環比增長量；

D＿QB——秦皇島港錨地船數量環比增長量；

D＿STMK——國有重點煤礦庫存環比增長量；

D＿STPOWER——電煤庫存環比增長量；

D＿TRR——國有煤炭鐵路運量環比增長量；

可以注意到，秦皇島錨地船數量和HS300指數這兩個變量的滯后期數是-1和-2，其余變量的滯后期數是-2和-3。

VAR模型穩定性檢驗的原則是:AR根的模都小于1，且位于單位圓內。符合這一條件的說明構建的VAR模型是穩定的。本模型的AR根檢驗結果見圖1。

圖1 模型的穩定性檢驗

從圖1可見，所有的點落于單位圓內，即AR根的模都小于1，說明模型是穩定的。

模型計算完成后，把變量數據帶入模型，回測出期貨價格，與歷史數據作對比，以檢驗模型的效果。模型回測值與歷史價格數據的對比見圖2，可以看到，模型回測的值與歷史數據非常吻合，可以直觀了解到該模型的預測效果是比較理想的，相關性系數達到0.997以上。模型回測數據與歷史數據的殘差值見圖3，可見殘差值較小，大致介于-12和14之間，標準差為9.3567，波動較小，且很接近隨機正態分布，說明信息挖掘比較徹底，也是比較理想的。

圖2 模型回測值與歷史價格數據的對比

回測值與歷史數據的相關性檢驗結果為:相關系數0.997，t統計量75.33，p值0.00。

圖3 預測殘差的分布

殘差的描述性統計結果為:最大絕對值13.79，均值0.418，標準差6.57，J-B值0.95。

3.3 模型的相關說明

3.3.1 模型應用

本文模型是用環渤海指數代替動力煤期貨價格估計參數的，因此在動力煤上市初期會存在難以避免的基差。由于沒有更好的能反映動力煤價格走勢變化的統計數據，在誤差較小的情況下，模型仍很有參考意義。經過驗證，使用本模型來預測動力煤期貨價格趨勢完全可行，可以準確預測出上市初期的漲勢。

3.3.2 突發事件因素

本模型考慮的是普通情況下的市場，沒有考慮到突發狀況。在發生金融危機或重大經濟環境變化時，由于原有的市場規律會突然失效，陷入混亂，模型也會坍塌而失去預測效果，此時應該暫停使用模型，需要等待危機的消退重新預測。此時若要進行市場預測，可以考慮以基本面分析方法為主。

3.3.3 模型效果的衰減

本文模型是以歷史數據為基礎建立的，因此，模型所述的表達式能代表一定時期的市場內部規律。隨著時間的推移，模型的預測效果會逐漸衰退，偏離逐漸變大，在時間足夠長之后，原有模型就失效了。對于煤炭市場來說，考慮建模的方法、煤炭產業的周期等因素，預計模型失效時間粗略估計為3～5年。

應對模型失效這一問題，辦法是每隔固定的一段時間，重新對模型的參數進行估計，重新估計參數的時間間隔不太長的話，變量不必重新選擇，因為變量的總體關系變化一般不會太大。然后每隔更長的一個周期 (多年)，對變量的參數也可以重新進行選擇。

[1]李子奈，葉阿忠.高級應用計量經濟學[M].北京:清華大學出版社，2012

[2]溫渤，李大偉，汪壽陽.國際石油期貨價格預測及風險度量研究[M].北京:科學出版社，2009

[3]高揚.大宗商品期貨價格研究[M].北京:經濟科學出版社，2011

[4]中國煤炭工業協會.2011中國煤炭工業發展研究報告[R].北京:中國經濟出版社，2011

[5]魏毅，程躍，車永才.灰色理論在煤炭產品價格預測中的應用[J].中國煤炭，2006

[6]劉巍，陳昭.計量經濟學軟件EViews6.0建模方法與操作技巧[M].北京:機械工業出版社，2011

[7]高鐵梅.計量經濟分析方法與建模:EViews應用及實例 (第2版)[M].北京:清華大學出版社，2011

[8]李宏.中國煤炭運輸:能力、消耗和價格[M].北京:中國市場出版社，2008

[9]張華明，趙國浩，焦斌.煤炭資源價格形成機制的政策體系研究[M].北京:冶金工業出版社，2011