原煤產品價格預測效果評價

張敏 孫修楠 李政其

[提要] 隨著煤炭開采及煤化工企業生產的多元化，風險敞口更加復雜，利用期貨工具進行風險管理勢在必行。利用期貨合約進行風險管理的前提是做好期貨價格的預測。用焦炭、動力煤、聚丙烯、甲醇四個主力期貨合約的收盤價分別建立和擬合ARIMA模型和BP神經網絡預測模型，并對價格預測能力進行效果評價。通過模型對比發現：BP神經網絡預測模型的效果好于ARIMA模型;動力煤期貨合約對模型的適用性更佳。

關鍵詞：煤炭;ARIMA模型;BP神經網絡預測模型;價格預測

一、引言

煤炭產業作為寧夏回族自治區的支柱產業，在寧夏的經濟發展中占有重要地位。根據《寧夏回族自治區2019年國民經濟和社會發展統計公報》顯示，寧夏回族自治區2019年全年實現生產總值中，第二產業占比42.3%;2019年寧夏全區規模以上工業企業實現利潤218.1億元，其中原煤、電力、精甲醇等為主要工業產品。

寧夏預測煤炭資源儲量約1，700余億噸，排名全國第六位。從煤礦開采到煤化工產品深加工，已成為地方經濟的支柱。寧夏從煤炭開采到產品生產已經形成了一條完整的產業鏈。以寧夏寶豐能源股份有限公司為例，該公司已形成了從原煤到精細化工產品的全產業鏈生產。

寧夏作為煤炭資源型省份，當地大型煤炭企業不斷提升煤炭工業的精細化生產，隨著生產地多元化，產品數量日益增加，與此同時因產品價格變動所暴露的風險敞口更加復雜。例如，寶豐能源2019年度報告中顯示，由于較2018年聚丙烯市場均價下降，企業毛利有下滑趨勢。因此，企業運用現代金融產品加強對風險的管理勢在必行。

運用期貨合約進行套期保值是目前最為常見的風險管理方法，但在運用套期保值工具前，對期貨合約價格波動的不確定性是企業對期貨市場望而卻步的重要因素之一。因此，在研究套期保值策略前，判斷期貨價格趨勢是亟待研究的首要問題。

學界目前對期貨價格預測問題研究的模型種類較多，主要有差分整合移動平均自回歸模型（ARIMA）、模糊時間序列模型、灰色預期模型、廣義自回歸條件異方差模型（GARCH）、BP神經網絡預測模型、深度學習模型等。本文基于模型的使用效率和易推廣程度分別選擇了線性時間序列中具有代表性的ARIMA模型與非線性時間序列中的代表模型BP神經網絡模型，對動力煤、焦炭、聚乙烯、甲醇等四個原煤主要產成品的期貨價格進行預測，以對比模型的適用情況。

二、模型概述

（一）ARIMA模型概述。ARIMA模型是差分整合移動平均自回歸模型（Auto Regressive Integrated Moving Average Model）的簡稱。模型的一般形式為：

在ARIMA（p，d，q）中，p為自回歸項數，d為實現序列平穩而需要進行的差分次數，q為移動平均的項數。AR（p）是自回歸函數，MA（q）是移動平均函數。ARIMA模型主要用于擬合具有平穩性的時間序列。當時間序列具有平穩性時，則可采用ARMA（p，q）模型;當時間序列不平穩時，則要進行d階差分處理完成平穩變換，采用ARIMA（p，d，q）。ARIMA（p，d，q）的實質就是差分運算與ARMA模型的組合。

（二）BP神經網絡預測模型概述。BP神經網絡預測模型（Back propagation Multiple-layer feedforward network forecasting Model）是一種基于誤差后向傳遞算法訓練的多層向前饋網絡預測模型。模型能夠模擬人類大腦神經元的運行方式，能儲存大量的“輸入—輸出”模式的映射關系，不用提前設置固定函數，是目前應用最普遍的一種神經網絡模型。

BP神經網絡模型的拓撲結構主要由輸入層、輸出層和隱含層三層節點和其之間的連接節點構成。

反向傳播過程：

（1）計算實際輸出Op與預計輸出Qi的差;

（2）用輸出層的誤差調整輸出層權矩陣;

（4）用（3）式誤差計算輸出層前導層誤差，再用輸出層前導層誤差計算上一層的誤差，以獲得其他各層的誤差值;

（5）并用這些誤差值實現對權矩陣的改進，最終實現從輸入層的方向逐級向輸出層傳遞的過程。

三、實證分析

本文分別運用ARIMA模型和BP神經網絡預測模型對焦炭、動力煤、聚丙烯、甲醇四個品種的期貨價格進行模型的建立和數據擬合。本文的焦炭、動力煤、聚丙烯、甲醇的期貨價格數據分別來源于大連商品交易所和鄭州商品交易所的焦炭、動力煤、聚丙烯、甲醇主力合約2020年2月17日至5月15日61個連續交易日的收盤價。后文運用R軟件進行模型的建立與數據擬合。

（一）ARIMA

1、平穩性檢驗。根據四組時間序列的時序圖判斷，該四組時間序列均非平穩。使用R軟件中ndiffs函數判斷序列的平穩性，結果顯示為1，即需要進行一階差分將序列平穩化。

2、模型定階。根據差分后的自相關圖和偏自相關圖判斷四組時間序列構成的ARIMA（p，d，q）模型階數，四組時間序列參數均為：p=0，d=1，q=0。使用r語言中auto.arima函數根據AIC最小原則選取最優ARIMA模型階數，結果顯示：Best model：ARIMA（0，1，0），即最優模型為ARIMA（0，1，0）模型。

3、模型檢驗。在R軟件中使用Box.test函數對模型的顯著性進行檢驗，結果見表1。（表1）

檢驗結果表明，四組模型均顯著成立，可以用于數據擬合及預測。

4、數據擬合。根據四個品種的擬合結果（部分）可知。模型的擬合情況較好。焦炭的相對誤差值區間在[0，4.05%]，動力煤的相對誤差值區間在[0，3.16%]，聚丙烯的相對誤差值區間在[0.07%，7.02%]，甲醇的相對誤差值區間在[0，5.94%]，其中聚丙烯和甲醇存在極端值，導致累計誤差較大。

（二）BP神經網絡預測模型

1、數據預處理。在R軟件中使用scale函數對原始數據進行標準化處理。

2、參數設定。為了提高模型的擬合度，需要對相關參數進行設置，主要參數設置見表2。（表2）

3、數據擬合。用61組訓練數據獲得BP神經網絡模型并進行數據擬合。模型擬合結果的相對誤差較為平穩，不存在極端值，方差明顯小于ARIMA模型擬合的相對誤差。焦炭的相對誤差值區間在[0.01%，3.64%]，動力煤的相對誤差值區間在[0，2.59%]，聚丙烯的相對誤差值區間在[0.01%，3.08%]，甲醇的相對誤差值區間在[0.01%，3.13%]。

四、結論及建議

（一）結論。經過以上實證分析，能夠得到以下結論：第一，雖然線性時間序列下的ARIMA模型在操作上較為簡單，但其預測誤差明顯高于非線性時間序列下BP神經網絡預測模型，預測結果不夠穩定。ARIMA模型的優勢在于簡單、易操作，但ARIMA模型數據擬合的累計誤差遠高于BP神經網絡預測模型，且易出現極端值。由此可以認為，BP神經網絡模型將被作為主要原煤產品期貨合約市場價格預測的首選模型。第二，不同期貨合約對模型的適用程度不同。在四個期貨合約當中，動力煤的預測效果最好，無論是ARIMA模型還是BP神經網絡預測模型，動力煤的累計誤差均是最小的;而相比之下，聚丙烯的預測效果相對較差，應考慮用其他模型進行替換。第三，期貨市場交易量的穩定性對期貨價格預測的準確性有著直接影響。通過對四個品種的交易量分析可見，相較于聚丙烯和甲醇，動力煤與焦炭的交易量不動幅度較小，未出現極端情形，而動力煤與焦炭的模型預測效果也較好。由此可見，平穩的期貨市場交易對模型的預測性能有著重要影響。第四，在價格呈現固定趨勢性波動時，ARIMA模型與BP神經網絡預測模型的效果相當;而當價格出現趨勢變動或“黑天鵝”事件性的大幅波動時，BP神經網絡預測模型的效果要優于ARIMA模型。

（二）建議。第一，擴大研究范圍，為不同期貨品種的價格預測找到適合的預測模型。通過實證分析結果可以看出，不同品種的期貨價格對模型的適用程度不同，因此需要對期貨市場上主要的原煤產品期貨合約進行多模型對比研究，找出最佳預測模型，以提高預測的準確性。下一步需要進一步提高模型精度，可以嘗試不同模型組合是否可以帶來預測效果的進一步改善。第二，短期價格波動較大，加強風險敞口管理勢在必行。例如，動力煤期貨合約自2020年2月至2020年4月的短短40個交易日內，價格下跌超過13%，這會大幅擠壓企業動力煤銷售的利潤。隨著煤炭開采企業和煤化工產品生產企業的生產經營日趨多元化，風險敞口會不斷暴露，這對于企業的生產經營和利潤提升十分不利。因此，企業需要積極利用現有的金融工具，對風險敞口進行管理，規避價格波動帶來的生產經營風險。第三，加強專業金融機構、高校研究機構對煤化工企業的金融支持服務。對于企業而言，在認知到價格波動所帶來的風險后，面臨的另一難題就是缺乏專業的風險管理人才。如果要求企業建立專門的風險管理機構，對于企業而言將付出較高的管理成本，尤其對于中小企業，實施難度較大。因此，專業金融機構和高效研究機構需要加強成果轉化，積極服務企業，尤其是中小企業，幫助企業建立風險管理機制，提供專業的價格走勢預測和套期保值方案。第四，對價格預測模型進行軟件封裝，提高預測模型的應用性。企業對金融產品及金融模型的專業認知程度較低，因此復雜的研究成果難以轉化。為提高研究成果的轉化，幫助企業更好地利用期貨合約。高校、研究機構等可以加強與企業進地合作，將研究所得模型進行軟件封裝，方便企業進行直接使用，提高研究成果的利用率。第五，完善期貨市場結構。活躍的期貨市場交易有助于市場價格的發現，穩定有序的市場有利于吸引更多投資者參與。放松市場管制和完善市場準入機制等措施有利于促進期貨市場形成穩定的成交量。第六，增加原煤產品期貨種類，創新交易品種。目前，我國期貨交易市場涉及的原煤產品標準化合約數量仍無法滿足企業風險管理的需要。因此，在國家層面需要進一步開拓商品期貨市場，不斷豐富交易品種，滿足企業風險管理需求的同時，豐富的品種可以吸引更多投資者的參與，進一步起到創造流動性和穩定市場價格的作用。

主要參考文獻：

[1]SpendEdge;Software Maintenance：Market Intelligence，Pricing Models，Supply Market Forecasts，Cost Drivers，Trends，Category Management Insights Now Available from SpendEdge[J].Computers，Networks &Communications，2019.

[2]戴玉泉.基于ARIMA模型對江西省CPI的時間序列分析與預測[J].科學技術創新，2019（35）.

[3]熊盛華.基于BP神經網絡的混合預測模型的實例研究[D].蘭州大學，2015.

[4]王文波，費浦生，羿旭明.基于EMD與神經網絡的中國股票市場預測[J].系統工程理論與實踐，2010.30（6）.

[5]萬建強，文洲.ARIMA模型與ARCH模型在香港股指預測方面的應用比較[J].數理統計與管理，2001（6）.

[6]姜春海，閆振好，宋志永.基于ARIMA和GM（1，1）模型的煤炭市場需求預測研究[J].產業經濟評論（山東大學），2019.18（3）.