钢材价格影响因素先行性的分析

周耀邦，王敏



钢材价格影响因素先行性的分析

周耀邦，王敏

（浙江省数据管理有限公司，浙江 杭州 310000）

钢铁是国民经济发展的战略性原材料。分析时间上和统计学意义上有先行性的影响因素，有助于对钢材价格的特征和规律进行探索，对未来价格趋势作出预测。选取了浙江省2013-01—2018-05的线材价格数据，从成本、供需、宏观经济、先行指标等维度选取多种可能的影响因素，利用交叉相关系数探索对线材价格“先行”的因素，并进行格兰杰因果检验，最后建立了ARIMA时间序列模型，对短期未来价格进行了预测。

钢材价格；影响因素；先行性；ARIMA时间序列模型

近年来，我国钢材价格波动较大。2013—2016年，钢材价格连续下降。2016年，钢材价格开始止跌回升，2016年和2017年中钢材格指数涨幅分别为76.5%和22.4%.与此同时，钢材价格的波动较为剧烈，2016年钢材价格经历每吨2 000元—3 000元—2 500元—3 500元的波动，全年的波动标准差接近400；2017年也呈现出3 500元—4 000元—3 500元—4 500元的起伏，全年的波动标准差接近500.剧烈波动对行业上下游的发展带来不利影响。2018年政府工作报告提出，再压减钢铁产能3.0×107t左右，着力推动钢铁行业布局优化、转型升级、规范经营，实现可持续健康发展。因此，在钢铁行业改革调整的关键时期，对钢材价格密切监测，对价格规律进行探寻，对价格波动提前预警预测，有助于推动我国钢铁行业平稳有序改革，确保国民经济稳定发展。

本文选取了浙江省线材——高线6.5，hpb300价格作为钢材价格的代表，价格走势如图1所示。线材是我国第二大钢材生产品种，用途广泛，我国也是世界最大的线材生产国。线材也是我国最早进入期货交易的两个钢材品种之一，具有较强的代表性。

1 先行性分析

1.1 因素初选

通过阅读学术文献，参考期货分析，查阅行业网站，访谈钢贸专家等，本文选取了29种可能对钢材价格产生影响的因素。数据来源包括西本新干线、国家统计局、国家外汇管理局、中国银行、上海钢联数据库等。全部整理为月度数据，共计64组。

供给：线材产量值、线材社会库存量、全国主要钢材品种库存总量、高炉开工率。

需求：国内线材表观消费量、国内月度钢材出口量、月度房地产建设、房屋新开工面积同比增速。

图1 2013—2018年浙江省线材价格走势

成本：62%铁矿石指数、铁矿石进口月度均价、铁矿石主力合约收盘价、焦炭主力合约收盘价格、焦煤主力合约收盘价格、西澳-北仑铁矿海运价、波罗的海干散货指数（BDI）、废钢价格、国内月度粗钢产量、全球粗钢产能利用率（%）。

宏观经济指标：PMI、FAI固定资产投资总额累计同比、发电量_当期值（亿千瓦时）、汇率、利率、固定资产投资额、人民币新增贷款、狭义货币供应量增速（M1，%）、广义货币供应量增速（M2，%）。

其他指标：钢铁行业PMI指数、国际钢铁价格指数CRU

1.2 交叉相关系数

在分析经济周期问题的时候，可利用交叉相关系数，区分先行、一致和滞后经济指标，用来表明经济指标与整个经济景气的同步性。

图2为线材价格与PMI的交叉相关图，每栏中两侧虚线对应着正负2倍标准差。线材与PMI同期相关系数（为0），与PMI前期（+）和PMI后期（－）的相关系数都较高，超过了2倍标准差，十分明显。由于lag那一列的值大于lead那一列的值，可认为线材略微滞后（lag）于PMI。

图2 线材价格与PMI的交叉相关图

两者价格数值标准化后的图形见图3，其能直观地验证线材价格变动略微滞后于PMI变动。可以看出，2016年之前两者关系不明显，但2016年之后，PMI经过Z标准化的曲线波动略大于线材价格经过Z标准化的曲线。

将线材与各种因素的交叉相关图画出。结果显示，变化略微超前于线材价格且有经济学意义的因素有焦煤期货价格、焦炭期货价格、M2增速，新屋开工率、PMI、钢铁PMI、高炉开工率等。

1.3 格兰杰因果检验

格兰杰因果检验用于分析经济变量之间的格兰杰因果关系。格兰杰因果关系并非变量之间因果性的判据，而是用于计量经济学的变量预测。若在包含了变量、的过去信息的条件下，对变量的预测效果要优于只单独由的过去信息对进行的预测效果，即变量有助于解释变量的将来变化，则认为变量是引致变量的格兰杰原因。

格兰杰因果检验的前提是数据是平稳的。采用ADF单位根检验，结果显示，线材价格是不平稳的，其一阶差分是平稳的。因此可用线材价格和影响因素的差分来做格兰杰检验，一阶差分的经济学意义是增量。

格兰杰因果检验对滞后期较为敏感，一般以随机误差项不存在序列相关的判定标准选择滞后期数。

表1为通过了显著性测试并且与线材价格有关的结果。

图3 标准化线材价格与标准化PMI走势图

表1 与线材有关的格兰杰因果分析结果

F值P值 D_WIRE_PRICE does not Granger Cause D_EXCHANGE_RATE（1阶滞后）4.643 860.035 3 D_WIRE_PRICE does not Granger Cause D_SCR_STE_PRI（3阶滞后）3.593 10.019 4 D_WIRE_PRICE does not Granger Cause D_SCR_STE_PRI（4阶滞后）2.915 040.030 3 D_WIRE_PRICE does not Granger Cause CRUDE_STEEL_PRODUCTION（1阶滞后）4.751 540.033 3

整体结论是：线材价格增量的历史信息有助于对汇率增量的变化、废钢价格增量的变化以及粗钢产量变化的预测，但不存在对线材价格增量有格兰杰原因的变量。

2 ARIMA时间序列预测

ARIMA模型是一种经典的时间序列预测方法，有优秀的短期预测能力，以模拟历史、从已经发生的经济活动中找出变化规律为主要技术手段，对未来趋势进行预测。

ARIMA模型有3个参数：，，.其中，为预测模型中采用的时序数据本身的滞后数（lags）；为时序数据需要进行几阶差分化，才是稳定的；为预测模型中采用的预测误差的滞后数（lags）。

本文数据采用由浙江省2013-01—2018-06的线材型号高线6.5，hpb300进行分析预测，共计284个周度数据。

2.1 建立模型

2013-01—2017-12，共260个数据。零阶不平稳，一阶平稳，因此为1.分析其一阶差分后自相关ACF和偏自相关PACF，一阶延迟均超过横线，随后均是0，可认为两者都是一阶截尾的。尝试建立=1，=1，=0，=0的不同组合，根据调整的方值、AIC、SIC等信息量准则、模型单位根平稳性检验等，有效的模型为=1，=1.

2.2 验证模型

当预测多于1期时，可进行静态预测或动态预测。静态预测用的是上期的实际值，动态预测用的是上期的拟合值。

为检验模型效果，静态预测2018-01—2018-06，动态预测2018-01—2018-05.

平均预测误差率 =[（拟合值－实际值）/实际值]，平均预测准确率 = 1－平均预测误差率

结果表明，在预测期间内，静态预测平均预测准确率为97.96%，4期的动态预测平均准确率为95.9%.ARIMA是一种适合短期预测的模型。预测超过1期时，静态预测会快速的跟随波动，动态预测由于缺乏反馈信息，主要是延续之前的态势；当数据保持上涨、下跌或平稳状态，2个预测效果接近；当出现波动时，静态预测误差率会较大，而动态预测误差率会较大。

图4 线材2013—2017年的ACF和PACF值

2.3 进行预测

用2013—2018年的数据重新建立模型，对2018年价格进行预测。图5将2018年线材价格实际值，以及对未来3期的预测值置于一张图中。

图5 线材价格2018年数据及预测数据

参考2017年的模型，可以认为，对未来1期的预测，平均预测准确率为97.96%.对未来1～4期的预测，平均准确率为95.9%.

3 结束语

本文选取多种影响因素，分析了影响因素相对线材价格的先行性，并检验其在统计上是否对预测线材价格有帮助。建立了ARIMA时间序列模型，对短期价格进行了预测。

实证分析结果表明，利用交叉相关系数，得出了略微超前于线材价格且有经济学意义的因素有焦煤期货价格、焦炭期货价格、M2增速，新屋开工率、PMI、钢铁PMI、高炉开工率等。利用格兰杰因果关系检验分析线材价格增量（一阶差分），结果没有发现对线材价格增量有格兰杰原因的变量。而ARIMA时间序列仅对短期预测效果较好，对长期趋势的预测，可采用机器学习等更先进的算法进行分析。

［1］许亚萍，王甜.我国钢铁价格影响因素的实证分析［J］.价格理论与实践，2013（8）：58-59.

［2］柴槡.中国钢材价格的波动因子与期货价格指数研究［D］.上海：复旦大学，2009.

［3］中国期货业协会.钢材［M］.北京：中国财政经济出版社，2011.

［4］高铁梅.计量经济分析方法与建模［M］.第二版.北京：清华大学出版社，2009.

［5］J.M.伍德里奇.计量经济学导论［M］.第三版.北京：人民大学出版社，1996.

2095－6835（2018）20－0068－03

F764.2

A

10.15913/j.cnki.kjycx.2018.20.068

周耀邦（1974—），男，浙江温州人，硕士，浙江省数据管理有限公司总经理，主要研究方向为大数据。王敏（1985—），女，江西鄱阳人，硕士，主要研究方向为云计算、大数据、机器学习。

〔编辑：严丽琴〕