基于金融和非金融結合視角的我國大宗商品價格波動風險預警研究

隨著大宗商品金融化的發展，我國煤炭價格的劇烈波動除了與非金融因素有關之外，與金融因素也有著密不可分的關系。因此，本文從金融和非金融結合的視角，研究我國煤炭價格波動風險預警機制，以期為我國煤企改革、煤炭價格調控提供決策借鑒，進一步促進煤炭市場的健康發展。

趙國浩、車康模(2011)的研究基礎是價格監測預警理論，首先，研究煤炭價格監測預警的內容和方式；其次創構了煤炭價格監測預警的指標體系；最后，將煤炭價格波動警情進行分級設定，設立預警辨別指標，創建預警調控機制，不但給出了理論創新，也對調節煤炭價格進行了實際指導[2]。張濤、黃國良、姚圣(2012)綜合現階段中國煤炭行業的特點以及我國煤炭企業的風險特征，選取煤炭企業的市場警情指標，研究樣本為2006—2009年的國有重點煤炭企業數據，研究方法采用了因子分析法和聚類分析法，最終確定了預警標準，并創構了煤炭企業市場風險預警模型[3]。丁志華、趙潔、周梅華(2013)認為煤炭價格與GDP的變化有正向關系， 但這種關系體現在時變彈性上，是非對稱性的，也就是說煤炭價格上漲引起 GDP 上升的幅度遠小于其下跌引起的 GDP 降落，因而要在該理論基礎上完備 GDP-煤炭價格調控機制，建立關聯預警機制，避免煤炭價格變動幅度增大[4]。劉玥、曾慶婷、周頂峰等(2014)立足于價格預警理論，指標采用煤炭工業生產者購進價格指數，通過實證研究將警情等級劃分為各個區間，并得出結論，即2013年煤炭工業生產者購進價格指數無警情，通過檢驗與現實擬合度較好[5]。

本文旨在通過分析煤炭價格波動風險因素以及構建煤炭價格波動風險預警體系，創建煤炭價格風險管理體系，有助于政府部門制定合理的風險控制策略，有助于煤炭企業規避風險，提高在新經濟形態下的生命力和競爭力。

1 煤炭價格波動風險預警實證

1.1 數據選擇

基于數據的可獲得性和代表性，煤炭價格用山西電煤價格月度指數(元/噸)代表，煤炭供給量用山西原煤產量的月度數據，煤炭需求量用國有重點煤礦華北地區月銷量(千萬噸)數據，實際GDP增速用工業生產者購進價格指數(上年同月=100，除以100)即PPI的月度數據表示（以上數據均來自于前瞻網）。此外，美元匯率選擇人民幣對美元匯率的月度數據，數據來源于國家外匯管理局，貨幣供應量選擇M2(消除季節因素)。該數據來源于中國經濟社會大數據研究平臺。

以上指標均選擇2009年1月—2018年12月的月度數據，共121組。

1.2 選取煤炭價格波動風險預警指標

將一個主成分表征為上述6種指標(須經過標準化處理)的線性組合：

將CD、CP、CS、PPI、E以及M2分別用X1、X2、X3、X4、X5、X6、代替，公式變為：

做出其碎石圖，如圖1所示：

圖1 六個指標的碎石圖

可看出主成分一即煤炭需求量貢獻率較高，進一步計算其相關系數矩陣，可得到如表1所示。

表1 相關系數矩陣

在相關系數矩陣的基礎上求其特征值和特征向量，其中特征值大于1的是CD和CP，分別為4.218979和1.227943，計算其累計方差貢獻率，公式為：

第一主成分貢獻率為70.32%、前兩個主成分累計貢獻率高達90.78%，概括性較好，基本上可以囊括原指標體系所包含的絕大部分內容。

接著可得到這兩個主要成分的載荷系數分別為表2所示。

表2 主成分的載荷系數

根據相關系數矩陣和載荷系數，可得各因子的綜合得分，計算公式如下：

這樣，即用幾個重要變量把影響我國煤炭價格的眾多因素進行概括，又獲得了代表煤炭價格波動風險的新指標Z。

2.3 煤炭價格波動風險強度預測

格波動風險強度，得到從2009年1月—2018年12月的月度煤炭價格波動風險強度數據，共121個。

分析煤炭價格波動風險強度的時序圖如圖2所示：

圖2 煤炭價格波動風險強度月度數據時序圖

從圖2能夠看出，Z值在0～5的范圍內上下波動，具有很明顯的波動性，ARMA模型的使用條件要求時間序列滿足平穩性和非白噪聲的要求，一般情況下，對時間序列進行差分法就可以實現序列的平穩性。對煤炭價格波動風險強度月度數據分別做一階差分和二階差分處理如下，分別記作z和z1：

測試處理后數據的時間序列圖，如圖3所示：

圖3 煤炭價格波動風險強度的差分時序圖

從圖2—3可看出z經過一階差分后，波動性仍較強，二次差分后數據大致圍繞固定值上下波動，均值和方差上看起來像是平穩的，基本滿足平穩性需要，且隨著時間的變化，時間序列大抵保持不變，因此設置差分項d=2。具體檢驗序列是否平穩，時間序列分析中普遍應用單位根來檢驗，如果檢驗出序列中含有單位根說明序列是非平穩的，如果未檢驗出序列中含有單位根則說明序列是平穩的。一般采用的單位根檢驗方法是ADF檢驗。對z的二階差分Zt進行ADF檢驗，得到的結果，如表3所示。

表2-3

ADF檢驗所得到的P值為0.01 ，則可以拒絕原假設即數據存在單位根，說明數據通過了單位根檢驗，是平穩序列。

再對Zt進行白噪聲檢驗，利用Ljung-Box方法，得到統計量的P值為：2.548e-09，在0.05的顯著水平下不能拒絕原假設，即時間序列Zt是非白噪聲序列，具有時間上的相關性，滿足ARMA模型的使用條件。

1.3.2 模型定階和參數估計

要構建ARIMA預測模型，要對兩個重要參數p、q進行選擇，即選擇滯后階數，定階數有多種方法，包括自相關函數(ACF)和偏自相關函數(PACF)計算法，赤池信息準則(AIC)及貝葉斯信息準則(BIC)最小值法以及熱力圖定價等，我們首先選自相關法和偏自相關法。

根據ARMA(p，q)模型的ACF與PACF理論模式理論，如表4所法。

表4

畫出Zt對應的自回歸圖和偏自回歸圖，如圖4、圖5所示：

圖4 煤炭價格波動風險強度二階差分ACF圖

圖5 煤炭價格波動風險強度二階差分PACF圖

可看出自相關系數1階截尾，偏自相關系數拖尾，屬于非典型性情況，為擬合模型定階為MA(1)，為了使模型更準確，選定幾個不同的p、q，同時擬合ARIMA(2，1)，ARIMA(3，1)，ARIMA(4，1)，并運用信息準則來選擇最優模型。

運用R中的auto.arima函數進行精準p、q值選擇，根據AIC準則和BIC準則，可以得到最終擬合的ARMA模型為：ARIMA(4，2，1)，其相關參數根據“ML”極大似然法，估計如表5所示。

表5

1.3.3 模型擬合與預測

擬合結果為：

預測2019前三個月的Zt，可以得到下表數據，如表6所示。

表6

表現在圖像中，即為圖6中的灰色部分：

圖6 煤炭價格波動風險強度預測圖

1.3.4 模型效果檢驗

首先畫出殘差序列的QQ圖：

圖7 模型的殘差序列的QQ圖

再進行LB檢驗，得到P值為0.9855，在0.05的顯著水平下，不能拒絕原假設，標準化殘差序列不存在序列相關性。由此可知可選用上述模型對煤炭價格波動風險強度進行解釋和預測。

2 加強我國煤炭價格波動風險管理的對策建議

2.1 建立煤炭價格風險應對機制，提高煤炭價格風險管理靈活性

首先，通過編制反映煤炭供需與煤炭價格的煤炭交易價格指數，對煤炭價格進行嚴密監控；其次，確立一套嚴密的煤炭價格風險應對流程，發揮煤電聯動機制的調節作用，減弱煤價波動影響，及時緩解煤炭價格波動壓力；最后，完善煤炭價格監管機制，利用網絡平臺建立煤炭價格信息披露制度，干預煤炭價格傳導途徑，完善其傳導機制。

2.2 完備煤炭價格風險調控機制，提高煤炭價格風險管理有效性

國家政府既要從價格風險管理的方面提高認識，也要依據理論，出臺應對煤炭價格波動的相應舉措，疏通傳導渠道，實現資源配置優化。政府在對煤炭價格波動情況下的適度調節，有利于真正發揮市場的自發調節功能，克服市場調節缺陷，促進煤炭價格回歸，穩定煤炭供需，以多樣化的煤炭價格風險管理手段規避煤炭價格風險。

2.3 拓寬煤炭價格風險管理渠道，豐富煤炭價格風險管理多樣性

首先，進一步提高對期現結合模式和重要性的認識，形成合理認知并推動聯動機制建立；其次，加大對煤炭金融衍生產品市場的資金和人物力投入，進一步標準化煤炭金融衍生產品市場；最后，可參考建立煤炭價格穩定基金，吸引證券公司和保險公司等的參與，拓寬風險管理渠道。