2018-煤炭行业智能研究深度报告_基于机器学习方法的动力煤价格预测_17页-1mb

基于机器学习方法的动力煤价格预测总结

核心内容

本报告探讨了使用机器学习方法对秦皇岛港动力煤Q5500平仓价进行预测，以提高预测精度。通过分析宏观经济指标和煤炭行业指标，构建了多元线性回归模型，并引入了两种监督学习算法：LASSO回归和高斯过程回归。两种机器学习算法在预测效果上均优于传统多元线性回归模型。

主要观点

• 预测模型构建：结合宏观经济指标（如货币供给、价格指数、利率指标）和煤炭行业指标（如库存、运输成本、供需关系、国际市场价格）进行建模。
• 模型优化：通过方差膨胀因子（VIF）和相关系数表，识别并去除多重共线性影响，优化模型。
• 机器学习方法：
  • LASSO回归：通过引入L1范数惩罚项，实现特征选择和参数压缩，减少模型复杂度，提高稳定性。
  • 高斯过程回归：基于贝叶斯理论，处理非线性和高维数据，具有更好的适应性。
• 预测结果：8月份动力煤价格预测为下跌，预测值分别为636.46元/吨（高斯回归）和642.84元/吨（LASSO回归）。三季度均价预测为639.88元/吨。
• 预测方法：采用滚动窗口法，结合最新信息进行动态预测，提升模型适应性。

关键信息

• 数据来源：国家统计局、中国人民银行、中国煤炭市场网、Wind等。
• 数据处理：
  • 数据时间范围为2011年1月至2018年7月，共91个样本。
  • 数据分为训练集（2011年1月至2016年11月）和测试集（2016年12月至2018年7月）。
  • 数据标准化处理，消除单位影响。
• 预测效果对比：
  • 多元线性回归误差均值为4.62%，5%以内误差比例为65%，涨跌幅命中率为75%。
  • LASSO回归误差均值为3.49%，5%以内误差比例为80%，涨跌幅命中率为80%。
  • 高斯回归误差均值为3.07%，5%以内误差比例和涨跌幅命中率均为85%，表现略优于LASSO。
• 模型局限性：
  • 数据量有限，影响特征选择效果。
  • 缺少显著性检验方法，仅通过误差指标评估预测效果。
  • 个别月份数据缺失，影响模型拟合效果。

未来展望

• 将尝试使用混频时间序列模型处理日度行业指标和月度宏观经济数据。
• 优化数据收集，提高预测模型的准确性。

投资建议

• 8月份动力煤价格：预测下跌，建议投资者关注市场变化，谨慎操作。
• 三季度均价：预测为639.88元/吨，建议关注后续数据更新。

与传统方法的对比

• 传统方法依赖主观判断，难以准确预测煤价。
• 机器学习方法通过量化指标，提高预测精度和稳定性。

投资评级

• 证券投资评级：买入（Buy）、增持（Outperform）、中性（Neutral）、减持（Underperform）。
• 行业投资评级：看好（Overweight）、中性（Neutral）、看淡（Underweight）。

法律声明

• 本报告仅供申万宏源研究客户使用。
• 报告内容仅供参考，不构成投资建议。
• 报告信息基于公开数据，不保证其准确性或完整性。
• 投资决策需考虑个人实际情况，自行承担风险。

联系方式

• 证券分析师：孟祥文（menqxw@swsresearch.com）、刘晓宁（liuxn@swsresearch.com）
• 联系人：于光希（yugx@swsresearch.com）
• 机构销售团队：
  • 上海：陈陶（chentao@swsresearch.com）
  • 北京：李丹（lidan@swsresearch.com）
  • 深圳：胡洁云（hujy@swsresearch.com）

附录

• 图表目录：图1至图11，涵盖价格走势、指标数据、模型对比等。
• 表格目录：表1至表6，包含指标选取、回归结果、预测误差等信息。

说明

• 本报告基于机器学习方法，旨在提供更精确的动力煤价格预测。
• 投资者应结合自身情况，全面阅读报告内容，谨慎决策。