基于金融和非金融结合视角的我国大宗商品价格波动风险预警研究

随着大宗商品金融化的发展，我国煤炭价格的剧烈波动除了与非金融因素有关之外，与金融因素也有着密不可分的关系。因此，本文从金融和非金融结合的视角，研究我国煤炭价格波动风险预警机制，以期为我国煤企改革、煤炭价格调控提供决策借鉴，进一步促进煤炭市场的健康发展。

赵国浩、车康模(2011)的研究基础是价格监测预警理论，首先，研究煤炭价格监测预警的内容和方式；其次创构了煤炭价格监测预警的指标体系；最后，将煤炭价格波动警情进行分级设定，设立预警辨别指标，创建预警调控机制，不但给出了理论创新，也对调节煤炭价格进行了实际指导[2]。张涛、黄国良、姚圣(2012)综合现阶段中国煤炭行业的特点以及我国煤炭企业的风险特征，选取煤炭企业的市场警情指标，研究样本为2006—2009年的国有重点煤炭企业数据，研究方法采用了因子分析法和聚类分析法，最终确定了预警标准，并创构了煤炭企业市场风险预警模型[3]。丁志华、赵洁、周梅华(2013)认为煤炭价格与GDP的变化有正向关系， 但这种关系体现在时变弹性上，是非对称性的，也就是说煤炭价格上涨引起 GDP 上升的幅度远小于其下跌引起的 GDP 降落，因而要在该理论基础上完备 GDP-煤炭价格调控机制，建立关联预警机制，避免煤炭价格变动幅度增大[4]。刘玥、曾庆婷、周顶峰等(2014)立足于价格预警理论，指标采用煤炭工业生产者购进价格指数，通过实证研究将警情等级划分为各个区间，并得出结论，即2013年煤炭工业生产者购进价格指数无警情，通过检验与现实拟合度较好[5]。

本文旨在通过分析煤炭价格波动风险因素以及构建煤炭价格波动风险预警体系，创建煤炭价格风险管理体系，有助于政府部门制定合理的风险控制策略，有助于煤炭企业规避风险，提高在新经济形态下的生命力和竞争力。

1 煤炭价格波动风险预警实证

1.1 数据选择

基于数据的可获得性和代表性，煤炭价格用山西电煤价格月度指数(元/吨)代表，煤炭供给量用山西原煤产量的月度数据，煤炭需求量用国有重点煤矿华北地区月销量(千万吨)数据，实际GDP增速用工业生产者购进价格指数(上年同月=100，除以100)即PPI的月度数据表示（以上数据均来自于前瞻网）。此外，美元汇率选择人民币对美元汇率的月度数据，数据来源于国家外汇管理局，货币供应量选择M2(消除季节因素)。该数据来源于中国经济社会大数据研究平台。

以上指标均选择2009年1月—2018年12月的月度数据，共121组。

1.2 选取煤炭价格波动风险预警指标

将一个主成分表征为上述6种指标(须经过标准化处理)的线性组合：

将CD、CP、CS、PPI、E以及M2分别用X1、X2、X3、X4、X5、X6、代替，公式变为：

做出其碎石图，如图1所示：

图1 六个指标的碎石图

可看出主成分一即煤炭需求量贡献率较高，进一步计算其相关系数矩阵，可得到如表1所示。

表1 相关系数矩阵

在相关系数矩阵的基础上求其特征值和特征向量，其中特征值大于1的是CD和CP，分别为4.218979和1.227943，计算其累计方差贡献率，公式为：

第一主成分贡献率为70.32%、前两个主成分累计贡献率高达90.78%，概括性较好，基本上可以囊括原指标体系所包含的绝大部分内容。

接着可得到这两个主要成分的载荷系数分别为表2所示。

表2 主成分的载荷系数

根据相关系数矩阵和载荷系数，可得各因子的综合得分，计算公式如下：

这样，即用几个重要变量把影响我国煤炭价格的众多因素进行概括，又获得了代表煤炭价格波动风险的新指标Z。

2.3 煤炭价格波动风险强度预测

格波动风险强度，得到从2009年1月—2018年12月的月度煤炭价格波动风险强度数据，共121个。

分析煤炭价格波动风险强度的时序图如图2所示：

图2 煤炭价格波动风险强度月度数据时序图

从图2能够看出，Z值在0～5的范围内上下波动，具有很明显的波动性，ARMA模型的使用条件要求时间序列满足平稳性和非白噪声的要求，一般情况下，对时间序列进行差分法就可以实现序列的平稳性。对煤炭价格波动风险强度月度数据分别做一阶差分和二阶差分处理如下，分别记作z和z1：

测试处理后数据的时间序列图，如图3所示：

图3 煤炭价格波动风险强度的差分时序图

从图2—3可看出z经过一阶差分后，波动性仍较强，二次差分后数据大致围绕固定值上下波动，均值和方差上看起来像是平稳的，基本满足平稳性需要，且随着时间的变化，时间序列大抵保持不变，因此设置差分项d=2。具体检验序列是否平稳，时间序列分析中普遍应用单位根来检验，如果检验出序列中含有单位根说明序列是非平稳的，如果未检验出序列中含有单位根则说明序列是平稳的。一般采用的单位根检验方法是ADF检验。对z的二阶差分Zt进行ADF检验，得到的结果，如表3所示。

表2-3

ADF检验所得到的P值为0.01 ，则可以拒绝原假设即数据存在单位根，说明数据通过了单位根检验，是平稳序列。

再对Zt进行白噪声检验，利用Ljung-Box方法，得到统计量的P值为：2.548e-09，在0.05的显著水平下不能拒绝原假设，即时间序列Zt是非白噪声序列，具有时间上的相关性，满足ARMA模型的使用条件。

1.3.2 模型定阶和参数估计

要构建ARIMA预测模型，要对两个重要参数p、q进行选择，即选择滞后阶数，定阶数有多种方法，包括自相关函数(ACF)和偏自相关函数(PACF)计算法，赤池信息准则(AIC)及贝叶斯信息准则(BIC)最小值法以及热力图定价等，我们首先选自相关法和偏自相关法。

根据ARMA(p，q)模型的ACF与PACF理论模式理论，如表4所法。

表4

画出Zt对应的自回归图和偏自回归图，如图4、图5所示：

图4 煤炭价格波动风险强度二阶差分ACF图

图5 煤炭价格波动风险强度二阶差分PACF图

可看出自相关系数1阶截尾，偏自相关系数拖尾，属于非典型性情况，为拟合模型定阶为MA(1)，为了使模型更准确，选定几个不同的p、q，同时拟合ARIMA(2，1)，ARIMA(3，1)，ARIMA(4，1)，并运用信息准则来选择最优模型。

运用R中的auto.arima函数进行精准p、q值选择，根据AIC准则和BIC准则，可以得到最终拟合的ARMA模型为：ARIMA(4，2，1)，其相关参数根据“ML”极大似然法，估计如表5所示。

表5

1.3.3 模型拟合与预测

拟合结果为：

预测2019前三个月的Zt，可以得到下表数据，如表6所示。

表6

表现在图像中，即为图6中的灰色部分：

图6 煤炭价格波动风险强度预测图

1.3.4 模型效果检验

首先画出残差序列的QQ图：

图7 模型的残差序列的QQ图

再进行LB检验，得到P值为0.9855，在0.05的显著水平下，不能拒绝原假设，标准化残差序列不存在序列相关性。由此可知可选用上述模型对煤炭价格波动风险强度进行解释和预测。

2 加强我国煤炭价格波动风险管理的对策建议

2.1 建立煤炭价格风险应对机制，提高煤炭价格风险管理灵活性

首先，通过编制反映煤炭供需与煤炭价格的煤炭交易价格指数，对煤炭价格进行严密监控；其次，确立一套严密的煤炭价格风险应对流程，发挥煤电联动机制的调节作用，减弱煤价波动影响，及时缓解煤炭价格波动压力；最后，完善煤炭价格监管机制，利用网络平台建立煤炭价格信息披露制度，干预煤炭价格传导途径，完善其传导机制。

2.2 完备煤炭价格风险调控机制，提高煤炭价格风险管理有效性

国家政府既要从价格风险管理的方面提高认识，也要依据理论，出台应对煤炭价格波动的相应举措，疏通传导渠道，实现资源配置优化。政府在对煤炭价格波动情况下的适度调节，有利于真正发挥市场的自发调节功能，克服市场调节缺陷，促进煤炭价格回归，稳定煤炭供需，以多样化的煤炭价格风险管理手段规避煤炭价格风险。

2.3 拓宽煤炭价格风险管理渠道，丰富煤炭价格风险管理多样性

首先，进一步提高对期现结合模式和重要性的认识，形成合理认知并推动联动机制建立；其次，加大对煤炭金融衍生产品市场的资金和人物力投入，进一步标准化煤炭金融衍生产品市场；最后，可参考建立煤炭价格稳定基金，吸引证券公司和保险公司等的参与，拓宽风险管理渠道。