动力煤期货价格预测模型

张智勇 李宏军 杨 鹏 李冬武

(1.中国中煤能源股份有限公司销售中心，北京市西城区，100120；2.国务院研究室，北京市西城区，100017；3.中国矿业大学 (北京)管理学院，北京市海淀区，100083)

1 动力煤期货价格预测方法选择

无论是煤炭产业链上下游企业套期保值操作，还是进行投机获利，对期货价格进行合理的预测都是非常重要的。金融市场上价格预测的方法很多，如技术分析和基本面分析等，侧重点各有不同。动力煤期货上市时间不久，对其价格的预测多出于经验判断，得出的一般是相对模糊的结论，且容易受到人自身情绪的干扰，难以做到客观理性。

对于商品期货市场来说，一般都具有相对透明、自由流通、资金量巨大的特征，参与者基本都是价格的被动接受者，接近完全自由市场，因此适宜建立数量模型对价格进行预测。

本文并非简单的理论探讨，而是从最大化实用的角度出发，使用计量经济学VAR模型方法，建立动力煤期货价格预测模型。既要符合正确的理论，又要方便应用，实现对动力煤期货价格走势的理性判断。

2 模型变量的选择

2.1 变量的选择范围

动力煤期货的价格与动力煤的生产、运输、需求、库存、进出口等因素直接相关，也与我国的宏观经济情况息息相关。因此在建模过程选择与动力煤产业链相关的产、运、需、存相关因素，以及宏观经济因素作为模型的备选变量；此外，考虑到股票市场是国民经济的晴雨表，对宏观经济变化具有先行的特点，因此将沪深300指数与上证180指数纳入变量考虑范围，见表1。

表1 动力煤期货价格建模备选变量

煤炭行业个别数据有部分缺失 (尤其是12月份和1月份数据)，一些缺失数据可由同期增长数据计算得出，无法获取的数据我们使用三次样条插入法来补足，使用Matlab软件编程计算。

2.2 期货历史价格的模拟

由于动力煤期货目前上市时间太短，没有足够的动力煤期货历史价格数据序列，因而在建立动力煤期货价格预测模型时，想要预测的变量的数据就没有来源，难以建模。考虑到期货与现货当期价格之间具有较大相关性，在参数估计时使用环渤海动力煤价格指数 (BSPI)替代期货的历史价格。

环渤海动力煤价格指数基本能综合反映动力煤的现货价格，而现货价格与期货价格的高度相关性，在期货市场上广泛存在，尤其是比较大的品种和比较成熟的品种，这种高度相关性在理论上也完全成立，这是由期货的交割机制决定的。比如国际原油现货价格与WIT原油期货价格的相关系数达到0.99。随机选取几个中国的期货品种，发现与现货价格相关性系数都较大。如太原螺纹钢期现货相关性系数为0.943，沪铜1311期货与现货相关性系数为0.934。

2.3 变量的筛选检验

表2中所列变量是一个选择范围，并不是全部选择。有些变量因素，主观上认为是动力煤市场产业链的重要因素，但由于市场的复杂性，经过系统的多次传导，该因素是否与最终的价格密切相关，主观的判断就不太可靠，需要通过数据统计检验来说明。通过相关性检验保留影响动力煤价格变化的最重要因素，剔除与之相关性较小的、对于前瞻性预测无作用的因素，使模型尽可能准确地预测动力煤价格变化。

在分析时间序列数据时，使用传统的相关性检验容易出现伪回归问题，因此要求变量之间存在协整关系以避免这个问题。对于我们这里的检验来说，主要目的只是为了实现筛选出有用变量、剔除无价值变量。由于伪回归是回归的必要不充分条件，且VAR模型对协整性没有要求，因此可以不考虑伪回归的问题。

表2 变量的筛选检验

将前文所述每一个变量分别与环渤海指数做相关性检验，相关性较小的则剔除考虑范围。最终选取秦皇岛锚地船数量、国有煤炭铁路运量、国有重点煤矿库存、电煤库存、动力煤进口量、PPI、CPI、HS300指数作为模型变量。由于沪深指数与上证指数相关性非常高，达到0.994，因此只选取其中一个，用沪深指数作为变量即可。煤炭企业库存和国有重点煤矿库存的相关性也很高，达到0.90，只保留与环渤海指数相关度更高的国有重点煤矿库存。另外，GDP数据是以季度为时间单位发布的数据，我们的模型是月度预测模型，如果把GDP纳入变量，实际预测使用起来不太方便，因而舍去。

3 动力煤期货价格预测模型

3.1 模型形式及基本解释

本文建模的主要目的是为预测动力煤期货的价格，对价格形成原因的诠释则放在次要位置，使用Eviews＿6.0作为计量经济计算软件，同时使用Matlab(R2012a版本)辅助计算。

TCFutures:动力煤期货价格，即Thermal CoalFutures；TCFutures(-2)为动力煤期货价格上2期 (滞后2期，上上个月)的值，TCFutures(-3)为动力煤期货价格上上一期 (滞后3期，往前推3个月)的值。其余变量与此类同。

3.1.1 时间单位

由于信息化的发展，通过金融交易平台，我们可以实时观察到价格变化，最小精确到秒，还可以是年、月、周、日、时、5分钟等。但是，考虑太小时间单位内的价格变动有时候是没有意义的。价格是市场参与主体对各类信息的综合反应，太小时间单位内的变动经常是属于 “市场噪音”，没有什么规律可循。即使勉强做出预测模型，其效果衰减的速度也会很快。

适当长的时间的价格变动，比如月、年，就有一定意义了，能够比较好地研究市场规律。如果时间周期更长，比如10年、20年，或许有意义，但对于参与主体来讲，应用价值较小。

对于我们的模型来说，预测周期是月。选择以月为单位主要原因是多数统计数据是按月发布的，对企业参与套期保值来说也更具操作意义。实际使用时，将变量的统计数据值带入模型，即可得出模型对当月价格的预测，这一预测值是当月价格的平均值。

3.1.2 模型阶数

VAR模型阶数太多会导致变量太多，模型自由度太大，根据建模经验，参考AIC、SC原则，最终确定为2阶。从动力煤价格模型预测实用的角度出发，本文对模型做以下调整:

(1)国有煤炭铁路运量、国有重点煤矿库存、电煤库存、动力煤进口量、PPI、CPI这几个变量的数据发布滞后时间比较长，有些常常滞后超过1个多月。我们使用-2和-3期两阶。如果采用-1期的话，则实际预测时有可能还没有发布。

(2)秦皇岛锚地船数量、HS300指数这两个指标的数据发布比较及时，采用-1和-2期两阶。

但是VAR模型变量必须是同阶的，所以输入变量的数据时间序列时，就把不同阶的数据序列提前或滞后一期输入，这样就能实现不同阶的VAR模型。经过这样的调整，模型在实际测算时就能确保可有效获取数据，带入前期数据求出下个月期货价格的预期增长量，预期增长量加本月的实际价格，就能求出下个月期货的预期价格，实现预测的目的。

3.2 模型结果

建立VAR模型前，首先对所有变量取差分运算。Eviews软件中，差分运算公式是D(y)＝y-y(-1)，其经济意义相当于环比增长。

所建立的动力煤期货价格预测模型如下:

式中:TCFutures(-1)——某月前一个月期货平均价格，可以查看统计数据或金融数据终端得到；

D＿TCFutures——某月期货价格理论差分值，也就是由模型计算得出的理论环比增长值；

TCFutures——某月的理论期货价格，也就是我们对此月期货价格的预测值，由上式相加得出。

其中:

式中:

D＿CPⅠ——消费物价指数环比增长量；

D＿HS300——沪深300股票指数环比增长量；

D＿ⅠMPORT——动力煤进口量环比增长量；

D＿PPⅠ——生产者物价指数环比增长量；

D＿QB——秦皇岛港锚地船数量环比增长量；

D＿STMK——国有重点煤矿库存环比增长量；

D＿STPOWER——电煤库存环比增长量；

D＿TRR——国有煤炭铁路运量环比增长量；

可以注意到，秦皇岛锚地船数量和HS300指数这两个变量的滞后期数是-1和-2，其余变量的滞后期数是-2和-3。

VAR模型稳定性检验的原则是:AR根的模都小于1，且位于单位圆内。符合这一条件的说明构建的VAR模型是稳定的。本模型的AR根检验结果见图1。

图1 模型的稳定性检验

从图1可见，所有的点落于单位圆内，即AR根的模都小于1，说明模型是稳定的。

模型计算完成后，把变量数据带入模型，回测出期货价格，与历史数据作对比，以检验模型的效果。模型回测值与历史价格数据的对比见图2，可以看到，模型回测的值与历史数据非常吻合，可以直观了解到该模型的预测效果是比较理想的，相关性系数达到0.997以上。模型回测数据与历史数据的残差值见图3，可见残差值较小，大致介于-12和14之间，标准差为9.3567，波动较小，且很接近随机正态分布，说明信息挖掘比较彻底，也是比较理想的。

图2 模型回测值与历史价格数据的对比

回测值与历史数据的相关性检验结果为:相关系数0.997，t统计量75.33，p值0.00。

图3 预测残差的分布

残差的描述性统计结果为:最大绝对值13.79，均值0.418，标准差6.57，J-B值0.95。

3.3 模型的相关说明

3.3.1 模型应用

本文模型是用环渤海指数代替动力煤期货价格估计参数的，因此在动力煤上市初期会存在难以避免的基差。由于没有更好的能反映动力煤价格走势变化的统计数据，在误差较小的情况下，模型仍很有参考意义。经过验证，使用本模型来预测动力煤期货价格趋势完全可行，可以准确预测出上市初期的涨势。

3.3.2 突发事件因素

本模型考虑的是普通情况下的市场，没有考虑到突发状况。在发生金融危机或重大经济环境变化时，由于原有的市场规律会突然失效，陷入混乱，模型也会坍塌而失去预测效果，此时应该暂停使用模型，需要等待危机的消退重新预测。此时若要进行市场预测，可以考虑以基本面分析方法为主。

3.3.3 模型效果的衰减

本文模型是以历史数据为基础建立的，因此，模型所述的表达式能代表一定时期的市场内部规律。随着时间的推移，模型的预测效果会逐渐衰退，偏离逐渐变大，在时间足够长之后，原有模型就失效了。对于煤炭市场来说，考虑建模的方法、煤炭产业的周期等因素，预计模型失效时间粗略估计为3～5年。

应对模型失效这一问题，办法是每隔固定的一段时间，重新对模型的参数进行估计，重新估计参数的时间间隔不太长的话，变量不必重新选择，因为变量的总体关系变化一般不会太大。然后每隔更长的一个周期 (多年)，对变量的参数也可以重新进行选择。

[1]李子奈，叶阿忠.高级应用计量经济学[M].北京:清华大学出版社，2012

[2]温渤，李大伟，汪寿阳.国际石油期货价格预测及风险度量研究[M].北京:科学出版社，2009

[3]高扬.大宗商品期货价格研究[M].北京:经济科学出版社，2011

[4]中国煤炭工业协会.2011中国煤炭工业发展研究报告[R].北京:中国经济出版社，2011

[5]魏毅，程跃，车永才.灰色理论在煤炭产品价格预测中的应用[J].中国煤炭，2006

[6]刘巍，陈昭.计量经济学软件EViews6.0建模方法与操作技巧[M].北京:机械工业出版社，2011

[7]高铁梅.计量经济分析方法与建模:EViews应用及实例 (第2版)[M].北京:清华大学出版社，2011

[8]李宏.中国煤炭运输:能力、消耗和价格[M].北京:中国市场出版社，2008

[9]张华明，赵国浩，焦斌.煤炭资源价格形成机制的政策体系研究[M].北京:冶金工业出版社，2011