煤炭石油基于机器学习方法的动力煤价格预测蹭飞

煤炭石油：基于机器学习方法的动力煤价格预测 类别： 机构： 研究员：

[摘要]

本期投资提示：

在煤炭行业的重点关注指标中，价格是最根本的盈利驱动因素，因此对煤炭价格的预测在煤炭股估值中具有重要意义。本文结合机器学习算法，对秦皇岛港动力煤Q5500平仓价进行预测。

选取两大类解释变量，宏观经济指标和煤炭行业指标。宏观经济指标包括货币供给、主要价格指数和长短期利率指标。行业指标的选取主要从煤炭库存、运输成本、供求关系以及国际市场等方面分析确定，分别选取秦皇岛港煤炭库存、东南沿海六大电厂库存、秦皇岛港锚地船舶数、海运费均值、六大电厂日耗煤量、东南沿海主要城市平均气温、动力煤产量、纽卡斯尔NEWC动力煤现货价和布伦特DTD原油现货价。

监督学习是机器学习中一个重要分类。将数据分为训练集和测试集两部分，训练集起到“老师”的作用，训练机器学习输入量和输出量之间的内在逻辑关系，测试集起到验证的作用。

本文探讨了两种监督学习算法（有参数模型和无参数模型）在动力煤价格预测中的应用。

LASSO在解释变量较多（宏观与行业指标）的情况下将15个解释变量缩减为12个解释变量，更好地进行指标选取。在普通最小二乘法目标函数的基础上，通过构造一个L1范数的惩罚项，从而可以将一些绝对值较小的系数直接压缩为0，得到一个较为稳定的模型。

经济数据之间的相互关联往往是非线性的，高斯回归在处理非线性、高维数据等问题上有很好的适应性。其特点是将贝叶斯思想引入到高斯过程中，跳过传统的线性回归模型，直接拟合形式为多维高斯分布的后验分布，并通过核函数建立输入量与输出量之间的逻辑关系。

研究结论：相对于多元线性回归模型，两种机器学习算法表现较好，大大提高了预测精度。

高斯回归的误差均值为 .07%，5%以内误差比例和涨跌幅命中率均为85%，表现略优于LASSO。LASSO的误差均值为 .49%，5%以内误差比例和涨跌幅命中率均为80%。

APEC工商领导人峰会的议题对亚太地区经济和企业未来发展具有引领作用对于8月份的动力煤价格，两种算法给出的预测结果均为下跌（7月目前均价664元/吨），与我们之前的判断相一致，分析认为主因当前过高的港口和电厂库存压力所致。其中，高斯回归的预测值为6 6.46元/吨。此外，我们也尝试对三季度的均价进行了预测。在历史数据的基础上，对8月份解释变量的相关数据进行预测，最终得出三季度动力煤均价的预测值为6 9.88元/吨。今后每月25号左右，我们会发布下一月度动力煤均价的预测，并在月度价格的基础上对季度价格进行修正。