主页 > 行情分析 > LME铜价预测模型（二） admin未知 2015-06-16 15:26:04 LME 铜价预测模型（二） 在上一期的 LME 铜价预测模型当中，我们提到由于变量选择以 及模型预测方法的问题，三个统计模型在对 LME 预测的效果上其实 并不十分有效。在本期研究报告中，我们将重点针对这些问题做进一 步的优化和改善。 首先我们在变量的选取上做了如下改善，1）对 LME 铜价取每 月、季、年结算价作为因变量；2）对于解释变量的选取，按照数据更 新的便捷性、时效性以及充分性，对所有考虑在内的变量数据做筛 选，最终我们认为可以选取：全球精炼铜消费量、全球精炼铜产量、 LME 库存，LME 月度持仓量、美元指数、原油价格、CFTC 持仓指 标；3）周期性预测，也就是将时间段划分为每月、每季度、每年三个 时间周期进行预测，从而使得我们的模型预测效果更加具备实际意 义。 我们通过 ARIMA、V AR 以及 GARCH 三个模型对原始数据进行 统计建模，并且分别给出各个模型的预测效果。综合发现，ARIMA 模型的预测效果较后两者更为精确，因此认为参考 ARIMA 模型的预 测值更加具有意义。 最后我们依次给出各个模型的对于下一个周期的预测值，同时将 前一周期的预测值和实际值呈现出来供读者参考。 一、上期报告中存在的问题 在上一期的 LME 铜价预测模型当中，我们提到由于变量选择以及模型预测方 法的问题，三个统计模型在对 LME 预测的效果上其实并不十分有效。在本期研究 报告中，我们将重点针对这些问题做进一步的优化和改善。首先我们来回顾一下上 期报告当中存在的缺陷： 1、 因变量上期我们选择的是 LME 每个月的收盘价，然而在实际运用当中我 们通常较多的用到是月度均价数据。 2、 因变量 LME 月度收盘价对解释变量的多元线性回归不显著，这也直接干 扰到了模型的预测效果。 3、 模型预测采用月度数据预测，由于月度数据周期相对较小，一些显著性变 量因为更新延迟而被剔除，这样可能会影响到模型的预测效果。 4、 采用数据周期时间内的拟合值来判断模型的预测效果，从而使得模型的预 测精度存疑。 二、变量选取和优化 1、变量选取范围和依据 因变量: 我们主要选取从 2005 年 12 月至 2015 年 5 月的铜结算价的一阶差分（经 检验 1 阶差分平稳）作为该模型的因变量。 解释变量：与上一期比较，我们本期报告当中选取的自变量能够有较好的代表性， 具体如下： 需求方面变量：全球精炼铜消费量（WBMS 数据） 中、美、欧三国 PMI 数据 供给方面变量：全球精炼铜产量（WBMS 数据） TC/RC 综合冶炼费用 库存方面变量：LME 库存 持仓量：LME 月度持仓量 价格因素方面变量： 美元指数、原油价格（布伦特原油价格） 市场情绪指标：CFTC 持仓指标（当非商业净空头大于净多头时为 0，否则为 1） 2、最佳变量选择 结合以上变量数据在获取上的便利性，我们认为可以选取：全球精炼铜消费 量、全球精炼铜产量、LME 库存，LME 月度持仓量、美元指数、原油价格、 CFTC 持仓指标。而中、美、欧三国 PMI 数据因为彼此存在交叉影响，变量解释 力度不够。同时，TC/RC 综合冶炼费用由于数据更新的延迟，不利于模型构建。 此外，我们根据以上变量建立 LME 月度均价和以上变量做线性回归模型发现，该 模型的解释变量绝大部分通过 P 值检验，而增加其他变量以后变量的显著性明显 变差。 微信扫码二维码 “零佣金”期货开户
