基于时间序列模型的天然气价格预测_李梦祎.pdf

612 0 2 3 年 2 月第 3 5 卷第 1 期油 气 与 新 能 源文章编号：2097-0021（2023）01-0061-06基于时间序列模型的天然气价格预测李梦祎，孔盈皓中国海油集团能源经济研究院引用：李梦祎,孔盈皓.基于时间序列模型的天然气价格预测J.油气与新能源,2023,35(1):61-66.摘要：2 0 2 1 年中国成为全球最大的天然气进口国，准确预测短期权威天然气价格指数可以为中国天然气市场提供参考。基于时间序列模型对普氏日韩标杆指数进行预测分析，通过比较不同时间序列模型对不同阶段天然气价格的预测效果，总结天然气价格的波动趋势。结果表明，时间序列模型对天然气价格有较好的预测能力，利用 S A RI MA模型对平稳时期的天然气价格进行短期预测将会取得较好的效果。时间序列预测模型不仅能够为政府进行天然气市场的宏观调控提供参考，还可以帮助能源企业更好地预测和减少由于价格变动带来的风险。关键词：天然气价格；时间序列；价格预测中图分类号：F064.1 文献标识码：A DOI：10.3969/j.issn.2097-0021.2023.01.008Prediction of Natural Gas Price Based on Time Series ModelLI Mengyi,KONG Yinghao CNOOC Energy Economics Institute Abstract:As China became the worlds largest natural gas importer in 2021,accurate prediction of short-term authoritative natural gas price index can provide reference experience for Chinese natural gas market.The paper carries out analysis on the JKM(Japan-Korean Marker)based on price series model.By comparing the prediction effect of the time series model on natural gas prices at different stages,it summarizes the fluctuation of natural gas price.As a result,the time series model is capable of predicting the natural gas price.And it is effective to take advantage of SARIMA model to conduct short-term prediction of the natural gas price during the stable period.The time series prediction model can not only offer reference to the macro regulation of the natural gas market,but also help energy businesses to better predict and offset the risks brought by price variation.Keywords:Natural gas price;Time series;Price prediction0引言在能源转型过程中，天然气作为一种清洁高效的化石能源，是中国建立清洁低碳、经济安全的能源体系的现实选择。在“双碳”目标指引下，天然气将发挥不可替代的作用。受需求上升、疫情受控、全球经济共振等多重因素影响，2021 年以来国际油气价格快速上涨，引起各方关注。中国是全球最大的天然气进口国、国际天然气贸易的重要参与者，准确预测短期权威机构的天然气价格指数可以帮助中国能源企业全面把握天然气最新供需形势，充分利用天然气资源，合理、经济地调控天然气分配。长期以来，由于天然气运输依赖于区域性管道，全球天然气市场呈现地区性分割的特点，形成了北美、欧洲、亚太三大主要市场价格。中国天然气价格改革目前还处在转轨时期，尚未在有效市场中实现均衡价格。JKM（Japan-Korean Marker，普氏日韩标杆指数）是 Platts（普氏）对液化天然气（LNG）实物现货市场的基准估价，反映 DES（Delivered Ex Ship，船上交货）方式交付到日本、韩国、中国的 LNG 现货市场价值。其评估方法为，根据已达成的现货交易、买卖双方的出价、指导价、交易倾向等数据，对 LNG 数量及质量、交付时间、交付窗口、标准条款、装卸货地点等交易条款62油气与新能源 经济与管理Vol.35 No.1 Feb.2023进行规范化处理，最终形成统一的价格评估。目前，JKM 价格指数在东北亚地区和全球的现货交易、招标及短期、中期和长期合约中均被广泛参考应用，对中国天然气市场有重大的影响力和参考价值。许多与能源价格预测相关的研究都更关注原油价格1-3，少部分学者对天然气价格进行过预测。eperi 等4利用神经网络和战略季节性调整支持向量回归机对 Henry Hub 现货天然气价格进行了短期预测。Hailemariam 等5应用结构异构自回归模型分析了从 1978 年 1 月2018 年 7 月的月度天然气价格的波动性。Wang 等6通过基于向量回归、长短期记忆人工神经网络以及数据分析模型的加权混合数据驱动模型预测了 2018 年 6 月2019年 5 月的美国天然气现货日度价格。由于天然气价格本身预测难度较大，许多学者倾向于预测天然气价格相关的其他指标。Lv 等7使用线性和非线性GARCH-class 模型预测天然气现货价格波动，结果显示线性模型优于非线性模型；Wiggins&Etienne8和 Hailemariam&Smyth9分别运用结构向量自回归模型和结构异构自回归模型预测了天然气生产者价格指数。随着机器学习模型的发展，一些学者也尝试在天然气价格领域应用机器学习模型。如 Su10利用人工神经网络、支持向量机、梯度提升机和高斯过程回归预测了 20012018 年 Henry Hub 现货天然气价格。由于天然气行业在国内长期属于重点管制行业，由政府统一定价，很少有学者对国内天然气价格进行预测，现有研究多是针对国际天然气市场。早期研究多为定性分析，1999 年范贻昌和刘波11研究了天然气在国际贸易中的价格，运用多维自回归模型对天然气价格进行了预测。吴东武等12考虑到天然气市场的“异质性”问题，构建 HAR-RV-CJ来预测天然气价格，取得了很好的预测效果。王建良13基于数据挖掘技术，提出了一种新的改进模式序列相似性搜索天然气价格预测方法。张金良14用 CEEMD-ELM-ARIMA 模型预测美国 Henry Hub天然气价格，提高了预测精度。现有文献总结得出，历史能源价格预测的研究主要集中在原油上，少数对天然气价格预测的文献更关注美国 Henry Hub 天然气现货价格。目前天然气价格预测不存在学界公认最优的模型和方法。许多机器学习模型需要大量的样本数据，且依赖外生变量的模型存在仅能向前预测一期的限制。本文将利用简洁有效的时间序列，对影响中国天然气市场的 JKM 价格指数进行预测。1模型设置与数据说明1.1模型设置时间序列预测是指根据市场过去的趋势预测未来的发展。近 10 年来，广泛使用的能源价格预测时间序列模型主要基于 ARMA（AutoRegressive Moving Average Model，自 回 归 移 动 平 均 模 型）、ARIMA（AutoRegressive Integrated Moving Average Model，整合自回归移动平均模型）和 GARCH（Generalized AutoRegressive Conditional Heteroskedasticity，广 义自回归条件异方差模型）。ARIMA 是 Box 和 Jenkins于 1976 年提出的著名的时间序列预测模型，它是通过分析现象随时间推移而发展变化这一特征，以历史统计数据建立时间模型，捕捉数据本身的自相关特征和移动平均特征，从而进行趋势外推的预测方法，是传统而经典的预测方法之一，适用于不平稳的时间序列15。ARIMA（p,d,q）模型：（1）（2）（3）（4）式中：p自回归项数；d使之成为平稳序列所做的差分次数（阶数）；q滑动平均项数；L滞后算子（Lag operator）；t时间；时间序列；残差项。由于在不同季节，居民和工业用户对天然气的需求有很大差别，因此天然气价格可能呈现出较强的季节性特征。SARIMA（Seasonal AutoRegressive Integrated Moving Average Model，季 节 性 自 回 归 移 动 平 均 模型）是 ARIMA 模型的一种变形形式，简称季节性ARIMA，可表示为 SARIMA（p,d,q）（P,D,Q）S：（5）式中：S季节性周期长度；P季节性自回归阶数；Q季节性移动平均阶数；D季节性差分阶数。线性 ARIMA 模型假设方差和协方差函数不变，63第 3 5 卷第 1 期2 0 2 3 年 2 月李梦祎等：基于时间序列模型的天然气价格预测即同方差。考虑到天然气价格可能具有某种非线性动态，T.Bollerslev16提出的 GARCH 模型可能会产生更好的结果。Engle17运用 GARCH 波动率模型明确地模拟了时变波动率过程。在 GARCH 规范中，滞后残差的大小会影响条件方差，但不会影响方向。（6）式中：ARCH 因子，量化了影响的大小；GARCH 因子，捕捉了波动持续性的程度。Bowden 等18研究发现较高的将表明市场参与者将对先前的价格做出过度反应，从而导致预期的波动性变得不稳定。本文使用 MAPE（Mean Absolute Percentage Error，期望值平均绝对百分误差）和 RMSE（Root Mean Squared Error，均方根误差）作为研究的预测性能指标。MAPE 统计量不依赖于所考虑变量的规模，可以直接比较两个模型的预测性能；RMSE 统计量则根据变量规模变化而变化，反映了预测的平均绝对误差。遵循的经验法则是误差统计量越小，模型的预测性能越好。（7）（8）式中：实际值；预测值；N样本量。本文建模的第一步是对 JKM 价格指数进行取对数处理，并判断其是否平稳，若序列不平稳，则对序列进行平稳化；第二步是建立相应的时间序列 模 型，利 用 AIC 信 息 准 则（Akaike Information Criterion）确定 ARMA（p,q），并对残差等统计量进行检验，确定其符合正态分布；第三步，利用已通过检验的模型进行预测。1.2数据来源与说明分别以不同时期日度、月度 JKM 价格指数为例，验证时间序列模型的有效性。出于数据可得性原因，本文选取的时间范围是 2017 年 5 月 31 日2022 年 5 月 31 日的 JKM 价格指数日度数据，以及2006 年 5 月2022 年 5 月的 JKM 价格指数月度数据，数据来源于 Platts。由于日度数据时间跨度过短，无法做 SARIMA 模型系数拟合。模型的训练集及测试集情况以及 JKM 价格指数的描述性统计分别见表 1 和表 2。表 1模型的数据划分一级分类二级分类训练集测试集JKM 日度价格正常时段2017 年 5 月 31 日2018 年 4 月 27 日2018 年 5 月异常时段2017 年 5 月 31 日2022 年 4 月 29 日2022 年 5 月JKM 月度价格正常时段2006 年 5 月2017 年 12 月2018 年全年异常时段2006 年 5 月2