熊　熊，李　璇

(天津大學 管理與經濟學部，天津　300000)

?

引用格式：熊熊，李璇.國際原油價格預測研究[J].重慶理工大學學報(自然科學版)，2016(1):48-53.

Citation format：XIONG Xiong, LI Xuan.Prediction of International Crude Oil Price[J].Journal of Chongqing University of Technology(Natural Science)，2016(1):48-53.

國際原油價格預測研究

熊熊，李璇

(天津大學 管理與經濟學部，天津300000)

摘要：石油是不可再生能源,是經濟發(fā)展的血液。我國對石油有較大的消費需求,因此油價的波動會導致經濟的波動。原油價格波動較為復雜,不確定性影響因素較多。ARIMA模型廣泛地應用在高頻金融時間序列建模,能較好地把握此類時間序列的動態(tài)規(guī)律。從計量經濟學的角度運用EVIEWS軟件，對1996—2013年的國際原油價格進行數據整理歸納，運用ARIMA模型加入季節(jié)因子建立原油價格模型，并通過模型走勢對2014—2020年的國際原油價格進行預測。

關鍵詞：ARIMA；石油價格；預測

原油作為最基礎的能源和化工原料,被譽為“現(xiàn)代工業(yè)的血液”、“運輸工具的糧食”,在國民經濟的發(fā)展、民生狀況的改善中起著舉足輕重的作用。根據BP世界能源統(tǒng)計(2010),在75個國家中,有45個國家原油在能源消費中占據第一位。在世界能源消費構成中,原油也已超越煤炭,成為全球第一大能源(占比超過1/3)。原油價格的波動影響著世界經濟的脈搏，對世界各國的能源戰(zhàn)略和能源安全也影響重大，因此研究原油價格的走勢具有重要意義。

本文試從計量經濟學的角度,運用EVIEWS軟件，對1996—2013年的國際原油價格進行數據整理，運用ARIMA模型[4-9]并加入季節(jié)因子建立原油價格模型，并通過模型走勢對2014—2020年的國際原油價格進行預測。

1ARIMA模型

1.1數據來源

本文選取1996—2013年的原油月度價格，具體是以1996年1月—2013年11月的國際原油月均價格(庫欣原油現(xiàn)貨離岸價格)作為本文的數據來源。數據來自于互聯(lián)網公布的庫欣原油現(xiàn)貨離岸價格日成交價，并手工整理出月平均價格。本文將石油月均價格時間序列定義為X1。

1.2模型建立

1.2.1序列平穩(wěn)性檢驗

現(xiàn)實中的真實數據通常沒有統(tǒng)計假設的完美，時間序列的數據常常出現(xiàn)不平穩(wěn)的狀況。因此，在進行具體建模之前,需要運用統(tǒng)計方法檢驗時間序列的平穩(wěn)性，這里采用單位根檢驗法。單位根檢驗主要對序列的方差進行分析，進而分析序列的變動趨勢，以及所具有的季節(jié)特征。計算結果見圖1、2。

圖1　序列平穩(wěn)性測試

圖2　序列取對數后的平穩(wěn)性測試

圖1顯示：原序列存在單位根,序列不平穩(wěn),需要進行平穩(wěn)化處理。因此，對原序列取對數，判斷對數運算后的序列是否平穩(wěn)進行測試。如圖2所示，原序列經取對數運算后,仍然不能拒絕原假設,對數后的序列仍存在單位根,需要對序列進行平穩(wěn)化。

2.節(jié)水工程的制約。由于渠道襯砌及管灌等節(jié)水工程實施，原有渠道進行了襯砌，沒有為農田林網建設預留林業(yè)用地，要栽植農田林網必需占用少量耕地，導致林農矛盾突出；同時渠道襯砌后灌溉林木用水明顯減少，不能按時完成林網灌溉，限制了農田林網建設。

1.2.2序列平穩(wěn)化處理

序列平穩(wěn)化的常用方法是進行差分處理。通過相關處理技術和多次差分處理，差分方法能有效改善數據中存在的異方差。處理后的數據結果不僅單位根檢驗達標，自相關圖和偏相關圖也達到統(tǒng)計運算需要達到的平穩(wěn)性。計算結果見圖3、4。

圖3　對序列取一階差分的單位根檢驗

圖4　對序列取一階差分的自相關和偏相關檢驗

如圖3所示，對于原序列取一階差分，通過結果應拒絕原假設，一階差分后的原序列不存在單位根。如圖4所示，通過一階差分后的自相關圖和偏相關圖可以看到：一階差分后的序列基本實現(xiàn)平穩(wěn)，但不夠優(yōu)化。由于對原序列直接取一階差分結果不夠理想,因此再針對lnX1做一階差分，結果見圖5、6。

由圖5可見：一階差分后的lnX1不存在單位根，數據較為平穩(wěn)。圖6用自相關圖和偏自相關圖檢驗序列的平穩(wěn)情況。通過對原序列直接取一階差分和原序列先取對數再取一階差分可以看到：原序列先取對數再取一階差分的結果更好，數據更平穩(wěn)。因此，選擇d(lnX1)作為建模序列。

圖5　對LnX1取一階差分的單位根檢驗

圖6　對LnX1取一階差分的自相關和偏相關檢驗

1.2.3模型參數的確定

根據自相關和偏相關圖的尾部特征不同，ARIMA模型又可具體分為AR模型、MA模型以及ARMA模型，其中自相關和偏相關圖如果具有雙拖尾特征，適合采用ARMA模型，如果自相關和偏相關圖還體現(xiàn)了明顯的季節(jié)性變化特征，則還需運用SARMA模型。

通過圖6可以看到：d(lnX1)序列偏相關函數和自相關函數具有明顯的雙拖尾特征，適合采用ARMA模型[10-13]。又由于序列在第1、13、25期均出現(xiàn)了浮動，可見該序列還存在季節(jié)性，因而進一步引入SAR變量，模型為SARMA模型。建模結果見圖7。

圖7　序列建模結果

通過圖7可以看到：各參數均處于置信區(qū)間之中，具有很高的可信性。建模之后的可決系數和調整后的可決系數很高，證明模型對序列的擬合程度非常好。F檢測的概率為0.00，拒絕原假設，建立模型成立。綜上所述，該模型具有統(tǒng)計意義。

1.2.4模型確定

根據上面系數的確定，建立模型方程如下:

D(LOG(X1),1,12)=C(1)+

[AR(1)=C(2)，AR(2)=C(3),

SAR(12)=C(4),MA(1)=C(5)，

MA(2)=C(6),SMA(12)=C(7),

BACKCAST=28，ESTSMPL="28215"]

Substituted Coefficients:

D(LOG(X1),1,12)=-0.001 044 636 705 63+

[AR(1)=1.381 906 047 95，

AR(2)=-0.887 815 989 593，

SAR(12)=-0.147 796 906 879，

MA(1)=-1.334 233 018 96，

MA(2)=0.939 282 153 312，

SMA(12)=-0.960 495 252 05，

BACKCAST=28,ESTSMPL="28215"]

1.3模型檢驗

1.3.1模型的統(tǒng)計學檢驗

從檢驗結果可以看到:各參數的概率都小于0.05,T檢驗的絕對值都大于2,統(tǒng)計檢驗結果良好。

1.3.2模型的白噪聲檢驗

通過圖8對模型殘差的自相關檢驗可以看到：殘差滿足白噪聲序列，模型建立良好。

圖8　模型的白噪聲檢驗

1.3.3模型的樣本內預測檢驗

直觀圖比較法是一種簡單易操作的度量模型可依賴性的方法。該方法雖然在統(tǒng)計意義上并不精確，但可以判斷模型總體上的準確程度。通過圖9可以直觀看到：模型的擬合情況較好。

差額百分比是數學統(tǒng)計上一種重要的模型檢驗方法，通過比較模型預測結果和實際數據可以有效判斷模型的準確程度和精確程度。如圖10所示，通過差額百分比可以看到：預測值和實際值的差額占實際值基本控制在0～0.2之間,擬合情況良好。

圖9　序列與預測結果直觀比較

圖10　模型的差額百分比

通過對模型進行統(tǒng)計學檢驗、白噪聲檢驗、直觀圖檢驗和差額百分比檢驗，可以看到：前文建立的ARIMA模型對石油價格預測的精確度較高，模型較為精確，對原油價格的分析和預測具有一定的參考意義。

2石油價格走勢分析及建議

國際原油的價格預估及相關分析領域一直倍受大量學者和企業(yè)的關注，而油價隨市場需求和經濟形勢的不斷變化，既具有線性關系，又具有非線性特征。本文利用ARIMA模型捕捉石油價格中的線性趨勢，對WTI原油價格的實證研究表明：本文使用的油價預測模型長期來看是有效的，能夠較為準確地預測原油價格的變化趨勢，從而達到對世界油價進行預測的目的。同時，在一定程度上驗證了組合模型比單一模型具有更高的合理性和準確性。該預測模型是一種有效的石油價格時間序列預測模型。

建立原油價格統(tǒng)計模型主要是為了進行價格分析和預測，根據上述定量預測的結果(如圖11所示)，從中、短期來看，由于石油市場的供求關系不平衡、石油主要產出國的石油產量控制、各國石油需求增長(特別是新興國家的需求)、國際金融投機等一系列導致油價上漲的因素作用，使得油價仍會在高位保持一段時間。預計在2014—2015年原油價格仍有上升,將在出現(xiàn)一個小高峰之后振蕩下滑。在2020年,預計原油價格將回歸至70美元/桶的價位。

圖11　原油價格預測走勢

同時應注意到，政局的變動和政策變化會對石油價格產生人為的并不規(guī)律的影響。例如，在2000年3月，國際原油輸出國組織的成員國達成了一項協(xié)議，決定從4月1日起每日增產原油170萬桶。這一增產的決定導致了油價的大幅下降。又如在2001年，由于”911“事件后人們對于全球經濟的預期并不樂觀，從10月份開始，油價急劇下挫。由此可見，全球經濟形勢、政治局勢、突發(fā)事件等作為關鍵因素對油價波動的影響是較為明顯的。因此，企業(yè)在進行油價預測以及做出相關決策的過程中，在進行定量預測時，要注意結合相關影響因素進行全面分析，同時密切關注國際上發(fā)生的重大政治、軍事和經濟事件，才能得出更加準確的石油價格預測結果，從而做出正確的經營決策。

由于世界經濟的快速發(fā)展，國際政經形勢的不斷變化，影響油價的因素極為復雜，多年的油價數據也沒有體現(xiàn)出準確的規(guī)律。本文利用ARIMA模型的特點，即以數據序列的已有數據預測未來數據的特點，以大量的油價歷史數據為依據，最大程度地降低了不受控因素(如政局變動、突發(fā)事件等)對預測結果的影響。經過多次的參數修改，加上反復用歷史油價進行模型的驗證，最終得到了較為準確的預測模型，從而達到了較為準確地預測短期油價的目的。由于影響油價的因素非常復雜，本文僅考慮了歷史數據，預測的油價需要結合當前的世界政經形勢進行調整，同時由于數據量有限，此預測結果可能存在一定的誤差。隨著時間的推移，新的實際油價數據不斷更新，需要對模型的相關參數進行調整或重新擬合，以提高預測精度。

參考文獻：

[1]吳敬婷.農產品價格時間序列幾種預測模型的研究[J].黑龍江科技信息,2013(31):93-95.

[2]丁靜之,閔騏,林怡.ARIMA模型在石油價格預測中的應用[J].物流技術，2008(10):156-159.

[3]劉愛萍,郜文明.ARIMA模型在省級全社會固定資產投資預測中的應用[J].河南金融管理干部學院學報,2008(4):105-107.

[4]侯璐.基于ARIMA模型的石油價格短期分析預測[D].廣州:暨南大學,2009.

[5]吳虹,尹華.ARIMA與SVM組合模型的石油價格預測[J].計算機仿真，2010(5):264-266.

[6]徐建英,何旭宏.數據統(tǒng)計分析與spss應用[M].北京:人民郵電出版社,2003.

[7]趙銀飛.基于SAS的港口統(tǒng)計決策支持系統(tǒng)研究與設計[D].北京:北京交通大學,2010.

[8]易丹輝.數據分析與EVIEWS的應用[M].北京:中國統(tǒng)計出版社,2002.

[9]陳夫凱,夏樂天.運用ARIMA模型的我國城鎮(zhèn)化水平預測[J].重慶理工大學學報(自然科學版),2014,28(4):133-137.

[10]鄒柏賢,劉強.基于ARMA模型的網絡流量預測[J].計算機研究與發(fā)展,2002(12):1645-1652.

[11]韓瑞玲,佟連軍,朱紹華,等.基于ARMA模型的沈陽經濟區(qū)經濟與環(huán)境協(xié)調發(fā)展研究[J].地理科學,2014(1):32-39.

[12]張勃,劉秀麗.基于ARIMA模型的生態(tài)足跡動態(tài)模擬和預測[J].生態(tài)學報,2011,31(20):6251-6260.

[13]李瑞瑩,康銳.基于ARMA模型的故障率預測方法研究[J].系統(tǒng)工程與電子技術,2008(8):1588-1591.

(責任編輯陳艷)

Prediction of International Crude Oil Price

XIONG Xiong, LI Xuan

(College of Management and Economics, Tianjin University,Tianjin 300000，China)

Abstract:Oil is a non-renewable energy sources, and it is the blood of economic development. China is a major oil importer and consumer, so oil price fluctuations have a great impact on the operation of the price system and the economy of China. Oil price fluctuations is complex, depending on different uncertain factors. ARIMA model is a random sequence and is widely used in high frequency financial time series. It can grasp the laws of dynamic time series. This paper tried to analyze oil price(1996-2013) by using ARIMA model to establish a price model with seasonal factor in the econometrics perspective. Also, this paper used this model to predict oil price from 2014 to 2020.

Key words:ARIMA; oil price; prediction

文章編號：1674-8425(2016)01-0048-06

中圖分類號：TK-9；O21

文獻標識碼：A

doi:10.3969/j.issn.1674-8425(z).2016.01.009

作者簡介：熊熊(1972—)，男，湖南常德人，博士，教授，博士生導師，主要從事金融數學研究；李璇，碩士，主要從事并購、資產評估方面研究。

基金項目：國家自然科學基金資助項目(71271145)；教育部博士點基金資助項目(20110032110031)

收稿日期：2015-02-25