原煤產(chǎn)品價(jià)格預(yù)測(cè)效果評(píng)價(jià)

張敏 孫修楠 李政其

[提要] 隨著煤炭開(kāi)采及煤化工企業(yè)生產(chǎn)的多元化，風(fēng)險(xiǎn)敞口更加復(fù)雜，利用期貨工具進(jìn)行風(fēng)險(xiǎn)管理勢(shì)在必行。利用期貨合約進(jìn)行風(fēng)險(xiǎn)管理的前提是做好期貨價(jià)格的預(yù)測(cè)。用焦炭、動(dòng)力煤、聚丙烯、甲醇四個(gè)主力期貨合約的收盤(pán)價(jià)分別建立和擬合ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并對(duì)價(jià)格預(yù)測(cè)能力進(jìn)行效果評(píng)價(jià)。通過(guò)模型對(duì)比發(fā)現(xiàn)：BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的效果好于ARIMA模型;動(dòng)力煤期貨合約對(duì)模型的適用性更佳。

關(guān)鍵詞：煤炭;ARIMA模型;BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型;價(jià)格預(yù)測(cè)

一、引言

煤炭產(chǎn)業(yè)作為寧夏回族自治區(qū)的支柱產(chǎn)業(yè)，在寧夏的經(jīng)濟(jì)發(fā)展中占有重要地位。根據(jù)《寧夏回族自治區(qū)2019年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》顯示，寧夏回族自治區(qū)2019年全年實(shí)現(xiàn)生產(chǎn)總值中，第二產(chǎn)業(yè)占比42.3%;2019年寧夏全區(qū)規(guī)模以上工業(yè)企業(yè)實(shí)現(xiàn)利潤(rùn)218.1億元，其中原煤、電力、精甲醇等為主要工業(yè)產(chǎn)品。

寧夏預(yù)測(cè)煤炭資源儲(chǔ)量約1，700余億噸，排名全國(guó)第六位。從煤礦開(kāi)采到煤化工產(chǎn)品深加工，已成為地方經(jīng)濟(jì)的支柱。寧夏從煤炭開(kāi)采到產(chǎn)品生產(chǎn)已經(jīng)形成了一條完整的產(chǎn)業(yè)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(xì)化工產(chǎn)品的全產(chǎn)業(yè)鏈生產(chǎn)。

寧夏作為煤炭資源型省份，當(dāng)?shù)卮笮兔禾科髽I(yè)不斷提升煤炭工業(yè)的精細(xì)化生產(chǎn)，隨著生產(chǎn)地多元化，產(chǎn)品數(shù)量日益增加，與此同時(shí)因產(chǎn)品價(jià)格變動(dòng)所暴露的風(fēng)險(xiǎn)敞口更加復(fù)雜。例如，寶豐能源2019年度報(bào)告中顯示，由于較2018年聚丙烯市場(chǎng)均價(jià)下降，企業(yè)毛利有下滑趨勢(shì)。因此，企業(yè)運(yùn)用現(xiàn)代金融產(chǎn)品加強(qiáng)對(duì)風(fēng)險(xiǎn)的管理勢(shì)在必行。

運(yùn)用期貨合約進(jìn)行套期保值是目前最為常見(jiàn)的風(fēng)險(xiǎn)管理方法，但在運(yùn)用套期保值工具前，對(duì)期貨合約價(jià)格波動(dòng)的不確定性是企業(yè)對(duì)期貨市場(chǎng)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(jià)格趨勢(shì)是亟待研究的首要問(wèn)題。

學(xué)界目前對(duì)期貨價(jià)格預(yù)測(cè)問(wèn)題研究的模型種類(lèi)較多，主要有差分整合移動(dòng)平均自回歸模型（ARIMA）、模糊時(shí)間序列模型、灰色預(yù)期模型、廣義自回歸條件異方差模型（GARCH）、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、深度學(xué)習(xí)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(shí)間序列中具有代表性的ARIMA模型與非線性時(shí)間序列中的代表模型BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)動(dòng)力煤、焦炭、聚乙烯、甲醇等四個(gè)原煤主要產(chǎn)成品的期貨價(jià)格進(jìn)行預(yù)測(cè)，以對(duì)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(dòng)平均自回歸模型（Auto Regressive Integrated Moving Average Model）的簡(jiǎn)稱(chēng)。模型的一般形式為：

在ARIMA（p，d，q）中，p為自回歸項(xiàng)數(shù)，d為實(shí)現(xiàn)序列平穩(wěn)而需要進(jìn)行的差分次數(shù)，q為移動(dòng)平均的項(xiàng)數(shù)。AR（p）是自回歸函數(shù)，MA（q）是移動(dòng)平均函數(shù)。ARIMA模型主要用于擬合具有平穩(wěn)性的時(shí)間序列。當(dāng)時(shí)間序列具有平穩(wěn)性時(shí)，則可采用ARMA（p，q）模型;當(dāng)時(shí)間序列不平穩(wěn)時(shí)，則要進(jìn)行d階差分處理完成平穩(wěn)變換，采用ARIMA（p，d，q）。ARIMA（p，d，q）的實(shí)質(zhì)就是差分運(yùn)算與ARMA模型的組合。

（二）BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型概述。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（Back propagation Multiple-layer feedforward network forecasting Model）是一種基于誤差后向傳遞算法訓(xùn)練的多層向前饋網(wǎng)絡(luò)預(yù)測(cè)模型。模型能夠模擬人類(lèi)大腦神經(jīng)元的運(yùn)行方式，能儲(chǔ)存大量的“輸入—輸出”模式的映射關(guān)系，不用提前設(shè)置固定函數(shù)，是目前應(yīng)用最普遍的一種神經(jīng)網(wǎng)絡(luò)模型。

BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)主要由輸入層、輸出層和隱含層三層節(jié)點(diǎn)和其之間的連接節(jié)點(diǎn)構(gòu)成。

反向傳播過(guò)程：

（1）計(jì)算實(shí)際輸出Op與預(yù)計(jì)輸出Qi的差;

（2）用輸出層的誤差調(diào)整輸出層權(quán)矩陣;

（4）用（3）式誤差計(jì)算輸出層前導(dǎo)層誤差，再用輸出層前導(dǎo)層誤差計(jì)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(shí)現(xiàn)對(duì)權(quán)矩陣的改進(jìn)，最終實(shí)現(xiàn)從輸入層的方向逐級(jí)向輸出層傳遞的過(guò)程。

三、實(shí)證分析

本文分別運(yùn)用ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)焦炭、動(dòng)力煤、聚丙烯、甲醇四個(gè)品種的期貨價(jià)格進(jìn)行模型的建立和數(shù)據(jù)擬合。本文的焦炭、動(dòng)力煤、聚丙烯、甲醇的期貨價(jià)格數(shù)據(jù)分別來(lái)源于大連商品交易所和鄭州商品交易所的焦炭、動(dòng)力煤、聚丙烯、甲醇主力合約2020年2月17日至5月15日61個(gè)連續(xù)交易日的收盤(pán)價(jià)。后文運(yùn)用R軟件進(jìn)行模型的建立與數(shù)據(jù)擬合。

（一）ARIMA

1、平穩(wěn)性檢驗(yàn)。根據(jù)四組時(shí)間序列的時(shí)序圖判斷，該四組時(shí)間序列均非平穩(wěn)。使用R軟件中ndiffs函數(shù)判斷序列的平穩(wěn)性，結(jié)果顯示為1，即需要進(jìn)行一階差分將序列平穩(wěn)化。

2、模型定階。根據(jù)差分后的自相關(guān)圖和偏自相關(guān)圖判斷四組時(shí)間序列構(gòu)成的ARIMA（p，d，q）模型階數(shù)，四組時(shí)間序列參數(shù)均為：p=0，d=1，q=0。使用r語(yǔ)言中auto.arima函數(shù)根據(jù)AIC最小原則選取最優(yōu)ARIMA模型階數(shù)，結(jié)果顯示：Best model：ARIMA（0，1，0），即最優(yōu)模型為ARIMA（0，1，0）模型。

3、模型檢驗(yàn)。在R軟件中使用Box.test函數(shù)對(duì)模型的顯著性進(jìn)行檢驗(yàn)，結(jié)果見(jiàn)表1。（表1）

檢驗(yàn)結(jié)果表明，四組模型均顯著成立，可以用于數(shù)據(jù)擬合及預(yù)測(cè)。

4、數(shù)據(jù)擬合。根據(jù)四個(gè)品種的擬合結(jié)果（部分）可知。模型的擬合情況較好。焦炭的相對(duì)誤差值區(qū)間在[0，4.05%]，動(dòng)力煤的相對(duì)誤差值區(qū)間在[0，3.16%]，聚丙烯的相對(duì)誤差值區(qū)間在[0.07%，7.02%]，甲醇的相對(duì)誤差值區(qū)間在[0，5.94%]，其中聚丙烯和甲醇存在極端值，導(dǎo)致累計(jì)誤差較大。

（二）BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

1、數(shù)據(jù)預(yù)處理。在R軟件中使用scale函數(shù)對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

2、參數(shù)設(shè)定。為了提高模型的擬合度，需要對(duì)相關(guān)參數(shù)進(jìn)行設(shè)置，主要參數(shù)設(shè)置見(jiàn)表2。（表2）

3、數(shù)據(jù)擬合。用61組訓(xùn)練數(shù)據(jù)獲得BP神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行數(shù)據(jù)擬合。模型擬合結(jié)果的相對(duì)誤差較為平穩(wěn)，不存在極端值，方差明顯小于ARIMA模型擬合的相對(duì)誤差。焦炭的相對(duì)誤差值區(qū)間在[0.01%，3.64%]，動(dòng)力煤的相對(duì)誤差值區(qū)間在[0，2.59%]，聚丙烯的相對(duì)誤差值區(qū)間在[0.01%，3.08%]，甲醇的相對(duì)誤差值區(qū)間在[0.01%，3.13%]。

四、結(jié)論及建議

（一）結(jié)論。經(jīng)過(guò)以上實(shí)證分析，能夠得到以下結(jié)論：第一，雖然線性時(shí)間序列下的ARIMA模型在操作上較為簡(jiǎn)單，但其預(yù)測(cè)誤差明顯高于非線性時(shí)間序列下BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)結(jié)果不夠穩(wěn)定。ARIMA模型的優(yōu)勢(shì)在于簡(jiǎn)單、易操作，但ARIMA模型數(shù)據(jù)擬合的累計(jì)誤差遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，且易出現(xiàn)極端值。由此可以認(rèn)為，BP神經(jīng)網(wǎng)絡(luò)模型將被作為主要原煤產(chǎn)品期貨合約市場(chǎng)價(jià)格預(yù)測(cè)的首選模型。第二，不同期貨合約對(duì)模型的適用程度不同。在四個(gè)期貨合約當(dāng)中，動(dòng)力煤的預(yù)測(cè)效果最好，無(wú)論是ARIMA模型還是BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，動(dòng)力煤的累計(jì)誤差均是最小的;而相比之下，聚丙烯的預(yù)測(cè)效果相對(duì)較差，應(yīng)考慮用其他模型進(jìn)行替換。第三，期貨市場(chǎng)交易量的穩(wěn)定性對(duì)期貨價(jià)格預(yù)測(cè)的準(zhǔn)確性有著直接影響。通過(guò)對(duì)四個(gè)品種的交易量分析可見(jiàn)，相較于聚丙烯和甲醇，動(dòng)力煤與焦炭的交易量不動(dòng)幅度較小，未出現(xiàn)極端情形，而動(dòng)力煤與焦炭的模型預(yù)測(cè)效果也較好。由此可見(jiàn)，平穩(wěn)的期貨市場(chǎng)交易對(duì)模型的預(yù)測(cè)性能有著重要影響。第四，在價(jià)格呈現(xiàn)固定趨勢(shì)性波動(dòng)時(shí)，ARIMA模型與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的效果相當(dāng);而當(dāng)價(jià)格出現(xiàn)趨勢(shì)變動(dòng)或“黑天鵝”事件性的大幅波動(dòng)時(shí)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的效果要優(yōu)于ARIMA模型。

（二）建議。第一，擴(kuò)大研究范圍，為不同期貨品種的價(jià)格預(yù)測(cè)找到適合的預(yù)測(cè)模型。通過(guò)實(shí)證分析結(jié)果可以看出，不同品種的期貨價(jià)格對(duì)模型的適用程度不同，因此需要對(duì)期貨市場(chǎng)上主要的原煤產(chǎn)品期貨合約進(jìn)行多模型對(duì)比研究，找出最佳預(yù)測(cè)模型，以提高預(yù)測(cè)的準(zhǔn)確性。下一步需要進(jìn)一步提高模型精度，可以嘗試不同模型組合是否可以帶來(lái)預(yù)測(cè)效果的進(jìn)一步改善。第二，短期價(jià)格波動(dòng)較大，加強(qiáng)風(fēng)險(xiǎn)敞口管理勢(shì)在必行。例如，動(dòng)力煤期貨合約自2020年2月至2020年4月的短短40個(gè)交易日內(nèi)，價(jià)格下跌超過(guò)13%，這會(huì)大幅擠壓企業(yè)動(dòng)力煤銷(xiāo)售的利潤(rùn)。隨著煤炭開(kāi)采企業(yè)和煤化工產(chǎn)品生產(chǎn)企業(yè)的生產(chǎn)經(jīng)營(yíng)日趨多元化，風(fēng)險(xiǎn)敞口會(huì)不斷暴露，這對(duì)于企業(yè)的生產(chǎn)經(jīng)營(yíng)和利潤(rùn)提升十分不利。因此，企業(yè)需要積極利用現(xiàn)有的金融工具，對(duì)風(fēng)險(xiǎn)敞口進(jìn)行管理，規(guī)避價(jià)格波動(dòng)帶來(lái)的生產(chǎn)經(jīng)營(yíng)風(fēng)險(xiǎn)。第三，加強(qiáng)專(zhuān)業(yè)金融機(jī)構(gòu)、高校研究機(jī)構(gòu)對(duì)煤化工企業(yè)的金融支持服務(wù)。對(duì)于企業(yè)而言，在認(rèn)知到價(jià)格波動(dòng)所帶來(lái)的風(fēng)險(xiǎn)后，面臨的另一難題就是缺乏專(zhuān)業(yè)的風(fēng)險(xiǎn)管理人才。如果要求企業(yè)建立專(zhuān)門(mén)的風(fēng)險(xiǎn)管理機(jī)構(gòu)，對(duì)于企業(yè)而言將付出較高的管理成本，尤其對(duì)于中小企業(yè)，實(shí)施難度較大。因此，專(zhuān)業(yè)金融機(jī)構(gòu)和高效研究機(jī)構(gòu)需要加強(qiáng)成果轉(zhuǎn)化，積極服務(wù)企業(yè)，尤其是中小企業(yè)，幫助企業(yè)建立風(fēng)險(xiǎn)管理機(jī)制，提供專(zhuān)業(yè)的價(jià)格走勢(shì)預(yù)測(cè)和套期保值方案。第四，對(duì)價(jià)格預(yù)測(cè)模型進(jìn)行軟件封裝，提高預(yù)測(cè)模型的應(yīng)用性。企業(yè)對(duì)金融產(chǎn)品及金融模型的專(zhuān)業(yè)認(rèn)知程度較低，因此復(fù)雜的研究成果難以轉(zhuǎn)化。為提高研究成果的轉(zhuǎn)化，幫助企業(yè)更好地利用期貨合約。高校、研究機(jī)構(gòu)等可以加強(qiáng)與企業(yè)進(jìn)地合作，將研究所得模型進(jìn)行軟件封裝，方便企業(yè)進(jìn)行直接使用，提高研究成果的利用率。第五，完善期貨市場(chǎng)結(jié)構(gòu)。活躍的期貨市場(chǎng)交易有助于市場(chǎng)價(jià)格的發(fā)現(xiàn)，穩(wěn)定有序的市場(chǎng)有利于吸引更多投資者參與。放松市場(chǎng)管制和完善市場(chǎng)準(zhǔn)入機(jī)制等措施有利于促進(jìn)期貨市場(chǎng)形成穩(wěn)定的成交量。第六，增加原煤產(chǎn)品期貨種類(lèi)，創(chuàng)新交易品種。目前，我國(guó)期貨交易市場(chǎng)涉及的原煤產(chǎn)品標(biāo)準(zhǔn)化合約數(shù)量仍無(wú)法滿足企業(yè)風(fēng)險(xiǎn)管理的需要。因此，在國(guó)家層面需要進(jìn)一步開(kāi)拓商品期貨市場(chǎng)，不斷豐富交易品種，滿足企業(yè)風(fēng)險(xiǎn)管理需求的同時(shí)，豐富的品種可以吸引更多投資者的參與，進(jìn)一步起到創(chuàng)造流動(dòng)性和穩(wěn)定市場(chǎng)價(jià)格的作用。

主要參考文獻(xiàn)：

[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(duì)江西省CPI的時(shí)間序列分析與預(yù)測(cè)[J].科學(xué)技術(shù)創(chuàng)新，2019（35）.

[3]熊盛華.基于BP神經(jīng)網(wǎng)絡(luò)的混合預(yù)測(cè)模型的實(shí)例研究[D].蘭州大學(xué)，2015.

[4]王文波，費(fèi)浦生，羿旭明.基于EMD與神經(jīng)網(wǎng)絡(luò)的中國(guó)股票市場(chǎng)預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2010.30（6）.

[5]萬(wàn)建強(qiáng)，文洲.ARIMA模型與ARCH模型在香港股指預(yù)測(cè)方面的應(yīng)用比較[J].數(shù)理統(tǒng)計(jì)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(chǎng)需求預(yù)測(cè)研究[J].產(chǎn)業(yè)經(jīng)濟(jì)評(píng)論（山東大學(xué)），2019.18（3）.