探讨我国石油价格走势实证分析

0 引言

石油是当今世界最为重要的基础能源和化工原料，它关系着国民经济振兴与国家经济安全。随着全球经济一体化进程的加快，世界石油市场的竞争日益激烈，对石油的争夺已成为当今世界矛盾的焦点之一。目前就国内情况来看，随着经济的快速发展和工业化进程的加快，石油需求逐年上升，现已成为世界第二大石油消费国和进口国，石油对外依存度相当高。并且由于石油工业属于上游产业，国际油价的波动会通过我国石油定价机制的传导对国民经济各个行业造成影响。石油价格波动是其最具有特色的风险之一[1]。国际石油价格的波动对国内的政治、经济形势起着举足轻重的作用。因此，各国都试图控制和左右国际石油定价机制，用低成本利用国际石油资源以保证国内石油市场的稳定。深入分析石油价格的走势，对于提出有效的应对策略，保证我国国民经济稳定、快速、持续增长具有重要的理论和现实意义。

1 ARMA 模型

ARMA 模型是一类常用的随机模型，由博克思、詹金斯创立，亦称B-J 方法。他是一种精确度较高的时序短期预测方法，其基本思想是：某些时间序列是依赖于时间t 的一组随机变量，构成该时序的单个序列值，虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型描述。

1.1 自回归模型（AR）

如果时间序列yt 是它的前期和随机项的线性函数，即可表示为：yt=Ф1 yt-1+Ф2 yt-2+ … +Фpyt-p+ut

上式为p 阶自回归模型，记为AR(P)。实参数Ф1，Ф2，…，Фp 称为自回归系数，是模型的待估参数，随机项ut 是相互的白噪声序列。

1.2 移动平均模型（MA）

如果时间序列yt 是它的当期和前期的随机误差项的线性函数，即可表示为：

yt=εt+θ1εt-1+…+θqεt-q则称该时间序列yt 是移动平均序列，上式为q 阶移动平均模型，记为MA(q)。实参数θ1，…，θq 为移动平均系数，是模型的待估参数。

1.3 自回归移动模型（ARMA）

如果时间序列yt 是它的当期和前期的随机误差项以及前期值的线性函数，即可表示为：

yt=Ф1 yt-1+Ф2 yt-2+ … +Фpyt-p +εt+θ1εt-1+…+θqεt-q则称该时间序列yt 是自回归平均序列模型，上式为（p、q）阶的自回归移动平均模型，记为ARMA（p、q）。Ф1，Ф2，…，Фp 为自回归系数，θ1，…，θq 为移动平均系数，都是待估参数[2]。

2 我国石油价格的 ARIMA 模型建立与预测

本文对我国石油价格进行预测研究，以我国石油价格的时间序列建立 ARIMA 模型。

2.1 数据的选取及平稳化处理

本文选取以原油现货价格作为我国石油价格水平的代表，数据来源于美国能源情报署(http:tonto. eia. doe. gov)，其公布的是每周均价

(DollaperBarrel)。为了使本文研究具有更贴近现实的指导意义，在公布的数据序列基础上计算周价均价，时间从 2009 年 1 月至 2010年 3 月，共75 个样本数据，数据全部利用 Eviews5. 0 软件处理。

ARMA 模型应用有一个前提条件，就是要求时间序列是平稳的，也就是其均值与时间无关，其方差是有限的。在现实经济生活中，许多时间序列都是非平稳的，把非平稳序列转化为平稳序列最常用的方法是差分方式。本文中石油价格用Pt 表示，为了克服数据的异方差性，对石油价格进行对数化处理。

从中看出：均为非平稳序列，都随着时间的增加而不断增大，波动幅度较大，将难以通过已知信息把握非平稳时间序列的随机性。下面将通过对其一阶分差，即求其收益率序列（ILPt）：ILPt = LPt - LPt-1，从看出，收益率序列变为平稳序列。

2.2 时间序列平稳性检验

上面序列图只是对数据序列平稳性的直观判断，时间序列平稳性需要经过检验，否则，用非平稳经济时间序列建立经济模型就会出现虚假回归问题。对时间序列可利用自相关分析图判断时间序列的平稳性，如果序列的自相关系数很快地趋于0，即落入随机区间，时序是平稳的，反之非平稳[3]。

2.3 时间序列模型参数估计

根据 Box—Jenkins 方法建模步骤，通过考察平稳化后时序的自相关函数图与偏自相关函数图的形状及性质，对时序模型作最初的判断。其判断的规律如下，如果自相关函数为指数衰减，偏相关函数图在 p 步以后截尾，则此时间序列模型为 p 阶自回归模型 AR(p)；如果自相关函数在 q 步以后截尾，偏相关函数为指数衰减，则此种时间序列模型为 q 阶移动平均模型 MA (q)。若序列的自相关函数、偏相关函数都是拖尾的，则可判定该序列为 ARMA序列，模型的阶次 p、q 可采用最小 SC、AIC 准则等方法来进行定阶[4-6]。

ARMA 模型 p、q 的确定，从其自相关和偏自相关图看出，样本自相关系数和偏相关系数均拖尾，偏自相关系数在滞后一、二、四期时明显不为0，之后很快地趋于 0，所以取 P=1、2、3 和 4，自相关系数在滞后一到四期都显著不为0，所以q 取4。各个模型检验结果如下：

比较表中各模型检验数据，第一个模型的AIC 和SC 比较小，因而选择第一个模型即ARMA（1 1 4），依据ARMA 模型的估计公式，模型估计结果如下：

ILPt=-0.6302 ILPt-1+0.6801174εt-1-0.091296εt-2-0.062084εt-3-0.009536εt-4(t=1,2…,T)t=(-2.992663) (-2.800429) (-0.576755) (-0.3533)(0.074017)模型括号中的数值为 t 检验值，其值大小说明各个自变量系数的显著性。其中回归标准差为0.062077，因变量标准差为 0.0309，D -W 统计量为 2. 074688，因而，我们判断此模型拟合程度较好，可以进行进一步诊断检验。

2.4 模型的残差检验

利用残差相关性 Q 检验以及观察残差的自相关系数和偏自相关系数，可判断被估模型的残差序列是否为白噪声序列。若是白噪声，则接受选择的模型，否则，要重新进行模型识别、定阶、估计、检验。对模型 ARIMA (1, 1, 4)的残差进行检验，得到残差的自相关图和偏相关图，以及单位根检验结果见:

由可知：序列的自相关系数很快落入地趋于0，也就是落入随机区间，与0 无显著性差异，属于白噪声序列，时序是平稳可靠的。由可知，统计量明显小于显著性水平为1%的的临界值，所以可以认为序列是稳定的，诊断该模型是可靠的，可以预测。

2.5 预测及分析

从以上分析可知：预测值与实际值误差范围在相对合理的范围内，预测是比较准确的，但随着ARMA 模型的预测的范围扩大，误差是有明显增大趋势。

3 结论

从短期来看，欧佩克产量、中美两国石油需求对石油的影响程度比较小，本文通过ARMA 模型以石油价格的历史数据为依据，撇开了预测中难以把握的突变因素影响，并且经过反复识别与修改，并通过对历史数据的验证，直至获得较为理想的模型，准确地把握油价的短期变动规律。但从长期来看，影响石油价格的因素很多，欧佩克产量、美国原油库存、美元汇率、中美两国石油需求都对国际油价产生不同程度的影响[7]。经济学硕士论文

[参考文献] (References)

[1] 陈秀芝.当前石油市场形势分析及预测[J].能源市场，2009，31(7):43～44[2] 易丹辉.数据分析与Eviews 应用[M].北京：中国人民大学出版社，2008[3] 张锐.中国石油价格波动分析及定价机制研究[D].长春：吉林大学，2007

[4] 肖龙阶,仲伟俊.基于ARMA 模型的我国石油价格预测分析[J]. 南京航空航天大学学报(社会科学版)，2009，11(1):41～46[5] 程伟力.影响国际石油价格因素的定量分析[J].国际石油经济，2005，13(8):40～43

[6] 冯春山，吴家春，蒋馥.石油价格的AMFIMA 模型预测研究[J].上海理工大学学报，2005，27(6):539～542[7] 范英，王恺，张跃军.2009 年国际原油市场分析与价格预测[J].战略与决策研究，2009，24(1):42～45