• 库存作为商品基本面供需平衡表的核心，研究库存同比增速而非绝对库存水平更具预测意义。[pidx::0][pidx::3]

- 选取铁矿石、动力煤、焦煤、焦炭、螺纹钢、热轧卷板六个品种代表性库存指标，确保数据口径一致且具趋势反映能力。[pidx::4][pidx::5]

• 库存同比增速受宏观和产业链上下游多因素影响，宏观层面重点有BDI指数、发电量、产销率等，微观层面涉及产量、消费、价格等指标分布于上下游。[pidx::6][pidx::7][pidx::12]

- 采用领先滞后相关性检验筛选出各品种库存同比领先指标，LASSO回归模型解决多指标多重共线性，实现变量压缩和预测拟合。[pidx::8][pidx::9]

• LASSO回归样本内结果显示铁矿石、焦煤、焦炭、热卷库存同比方向预测准确率均超过90%，动力煤变量压缩较弱，预测准确率较低。[pidx::10][pidx::11]

- 各品种库存同比预测与真实值拟合度良好，图6-11直观展示预测趋势与实际高度吻合。[pidx::11]

• 2018年2月库存同比预测显示铁矿石库存同比将大幅上升，热轧卷板库存基本稳定，其余品种多呈下降趋势。[pidx::14]

- 样本外6个月滚动测试验证模型稳健性，铁矿石和热卷库存同比预测准确率达100%，动力煤和螺纹钢预测效果相对欠佳。[pidx::15][pidx::16]

• 模型的核心先行指标包括M1同比、BDI指数、汽车销量等宏观微观变量，体现库存变化受宏微观共振影响。[pidx::12][pidx::16]

商品期货 CTA 专题报告（六）—— 基本面分析框架下的黑色系商品库存预测深度解析

---

一、元数据与概览

• 报告标题：商品期货 CTA 专题报告（六）—— 基本面分析框架下的黑色系商品库存预测

- 作者：吴先兴 分析师

• 发布机构：天风证券研究所

- 发布日期：2018年2月9日

• 主题：黑色系商品库存变化及其预测模型构建，着重于通过宏观及微观基本面指标，结合统计建模预测黑色系商品库存同比增速。

核心论点：库存变化是理解商品供需平衡表的“灵魂”，反映供需相对强弱。由于真实库存难以统计，本文通过构建基于代表性库存指标的同比增速预测模型，利用宏观及微观经济指标，挖掘先行指标，进而采用LASSO回归模型预测黑色系商品库存变化，达到库存变动方向及趋势的准确预测。报告表明，铁矿石、焦煤、焦炭以及热卷品种的库存同比增速预测准确性达到90%以上，样本外预测同样稳定，预示2018年2月铁矿石库存同比将大幅上升，热卷库存同比变化不大[pidx::0][pidx::3][pidx::17]。

---

二、逐节深度解读

2.1 商品供需平衡表与库存概念（第3页）

• 关键论点：供需平衡表的核心公式为：期初库存 + 供给 = 期末库存 + 需求，其中库存是供需平衡的关键反映指标。价格受供需影响，库存变动反映出期内供需的相对强弱。库存为存量，真实量难统计，且具周期性，故重点研究库存变化（同比增速），该变化构成价格变化的根本动力。

- 供需研究视角：需求与消费不可混淆，需求为原因，消费为结果。黑色系商品受宏观经济周期及政策（如环保限产、供给侧改革）影响尤甚，需自上而下结合宏观及微观品种特性分析库存变化。

• 图1逻辑图解表明库存变动由供需、价格、消费、企业利润等内生因子共同作用，并形成反馈循环，强调库存变化的复杂性和多层次影响路径。

2.2 库存代表性指标筛选（第4-6页）

• 代表性库存指标选择原则：口径一致，数据长度合理（≥5年），趋势具有代表性，反映流量（同比增速）。

- 品种范围：上游铁矿石、动力煤、焦煤、焦炭，下游螺纹钢、热轧卷板。硅铁和锰硅因数据缺失未纳入。

• 具体数据说明：

- 铁矿石以36港口的国内港口库存为准（准确、数据足够长）；
- 动力煤以六大发电集团库存合计（代表性强且数据全面）；
- 焦煤以三大港口炼焦煤库存合计（数据基期较早且口径稳定）；
- 焦炭同样采用天津、连云港、日照三港口数据；
- 螺纹钢和热卷以主要城市库存指标为主。

• 图2通过动力煤6大发电集团库存同比增速与较全面煤炭库存同比增速对比，验证了代表性指标的可行性。

- 图3、图4展示上下游品种库存同比增速趋势，观察到下游螺纹钢和热卷库存同比变化趋势高度同步。

2.3 宏观与微观潜在影响指标筛选（第6-8页）

• 宏观层面选取6大类53个经济指标，涵盖投资（工业增加值、固定资产投资）、消费（社会消费品零售总额）、进出口（波罗的海干散货指数BDI）、通胀（CPI、PPI）、货币环境（M1、M2、Shibor）、经济景气指数（PMI、克强指数等）。

- 微观层面指标分为三类：
- 上游：原材料（产量、库存、价格、进出口、运输成本）；
- 中游：替代品的产量、库存及价格、品种自身（进出口、现货收益率）；
- 下游：行业景气度（开工率、产量、消费量、利润）。

• 图5产业链结构清晰阐释煤炭、焦煤、焦炭与钢材类品种上下游业务联系，凸显产业链下游的消费多元化。

2.4 先行指标挖掘与数据处理（第8-9页）

• 针对库存同比增速，定义先行指标为在2-12个月时滞上与库存同比增速相关系数大于0.4的指标。剔除滞后或相关不显著指标；

- 数据缺失处理严格，1月份数据因春节因素剔除，缺失率>20%剔除指标，<20%用历史均值填补，确保预测时仅用先前信息以避免未来数据泄露；

• 数据样本覆盖2012年9月至2017年12月的59个月（月度剔除1月）。

- 结果筛得铁矿石、动力煤、焦煤、焦炭、螺纹钢、热卷分别26、9、48、30、25、42个先行指标，信息量较大，不做逐一罗列。

2.5 LASSO回归模型简介（第9-10页）

• 使用LASSO回归（带L1正则化的线性模型）解决多重共线性和变量多而样本量稀疏问题，通过惩罚项压缩部分系数为零实现变量选择和模型简化，避免OLS方法带来的参数估计偏差及过拟合。

- 选择惩罚系数λ通过10折交叉验证确定，优化兼顾拟合误差最小和模型复杂度最简。

• LASSO的优势在于能实现变量筛选和缩减系数方差，适合本报告多指标与少样本的建模场景。

2.6 样本内回归结果及分析（第10页）

• 除动力煤外，变量压缩率均大于50%，有效去除冗余指标，减小模型复杂度；

- 铁矿石、焦煤、焦炭、热卷品种的样本内预测方向准确率均超过90%，预测结果方向与实际情况高度一致；

• 多重共线性检验结果显示，LASSO回归后各品种指标的VIF值显著下降，说明有效缓解了指标间的多重共线性问题。

2.7 样本内预测可视化（第11页）

• 图6-11分别以六个品种的库存同比预测值与真实值对比图呈现。大部分品种预测曲线与真实曲线趋势匹配较好，尤其是铁矿石、焦煤、焦炭、热卷，显示拟合准确度较高。动力煤和螺纹钢预测曲线与真实值差异较大，拟合较弱。

- 这些图显示LASSO模型在捕捉库存变动趋势上的有效性。

2.8 回归变量结论与特征影响因素（第12-14页）

• 黑色系库存变化受宏观经济和产业链上下游多因素共同影响，其中BDI指数、产销率、发电量等属于核心先行指标。

- 细分品种案例及影响因素如下：
- 铁矿石库存与BDI、PMI、PPI（生产资料采掘工业）、产量及下游钢材库存密切相关，且汽车销量作为终端消费指标有功效。
- 动力煤库存关联工业产成品存货、BDI、煤炭调度、动力煤现货收益率及焦炭消费量。
- 焦煤库存与产销率、煤炭调度、粗钢产量、商品房成交及汽车销量等多维指标相关。
- 焦炭库存重视宏观经济景气预警指数、CPI、炼焦煤进口量、钢厂开工率及房地产景气度。
- 螺纹钢与固定资产投资、上游原材料价格、下游家电产量、房地产开工面积联系紧密。
- 热卷库存与BDI、钢材库存、家电产量、产销率等同样高度相关。

上述指标的阶数（领先时间）不同，表明预测时利用不同先行期数据。整体体现了产业链特征与宏观周期性的双重影响机制。

2.9 外推一期预测及展望（第14-15页）

• 利用2012年9月至2017年12月全样本数据估计得到的模型参数，预测2018年2月库存同比增速。

- 表14显示除焦炭和热卷因预测标准差较大外，铁矿石库存同比增速预测达到49.65%，呈现明显上升趋势；热卷略升其余品种整体预示下滑趋势。

• 根据宏观和下游先行指标的综合情况（如钢材库存增速、M1货币供应量增速、发电量同比上行等），判断经济回暖带动钢铁企业补库存。

- 这是对未来库存趋势的高概率定性判断，具备实际操作指导意义。

2.10 稳健性检验（样本外滚动预测）（第15-16页）

• 模型用最后6个月作为检验期，逐月滚动预测库存同比增速并与真实值对比，验证模型在新样本的泛化能力。

- 图12操作逻辑展示通过滑动窗口持续建模预测，避免模型因样本静态导致过拟合。

• 结果表15显示，铁矿石和热卷预测准确率达100%，说明该模型对表现较好品种兼具强稳健性。动力煤、螺纹钢方向准确率偏低，模型适用性有限。

- 表16总结了各品种6次滚动预测均被包含的稳定先行指标，强调若这些指标发生变化，对库存变动预判具重要指引价值。

• 但考虑部分指标数据受限未纳入，及阈值设置统一带来的非最优性，预测的绝对值需谨慎参考。

2.11 总结与展望（第17页）

• 以宏观及微观双维度全面梳理黑色系库存同比变化关键影响因素，基于典型指标筛选与LASSO模型构建，实现较高方向预测准确率，尤其铁矿石、焦煤、焦炭、热卷表现优良。

- 样本外测试表明模型具备较强的外推能力，2018年2月预测铁矿石库存将继续大幅上升。

• 报告指出模型估计结果会因经济数据样本规模和复杂度及初始指标选取限制而存在一定波动，强调本研究为探索基本面因素挖掘与预测模型的新思路，重点在“抓主要矛盾，寻关键变量”。

- 具有实践意义，助力CTA策略与量化基本面研究结合。

---

三、图表深度解读

图1（第3页）：商品库存变化内生影响逻辑梳理

• 该图展示供需影响价格，进而影响消费和企业利润，企业利润反馈影响库存变化，形成动态循环。

- 说明库存变化非静态、单因素现象，而是多因互作的动态系统。

图2（第5页）：动力煤代表性库存同比增速对比图

• 比较6大发电集团煤炭库存同比增速和秦皇岛港+煤矿+电厂库存同比的趋势。两者走势高度一致，证实6大发电集团库存代表性，适合建模。

- 数据时间跨度自2012年9月至2017年12月月度，显示煤炭库存增速有大幅度波动，体现周期性。

图3与图4（第5-6页）：黑色系上游与下游品种库存同比增速

• 图3显示铁矿石、动力煤、焦煤、焦炭库存同比增速波动显著，特别2014年底到2016年期间显著负增长。

- 图4展示螺纹钢和热卷库存同比高度相关，常同向波动，反映下游钢材品类行情紧密关联。

表1（第5页）：黑色系商品代表性库存指标

• 罗列6品种代表性库存指标的统计数据基期和更新频率。

- 体现数据源多为Wind数据库，时间跨度足够，更新周期多为周和日，保证数据质量和连续性。

表2（第6页）：宏观经济基本面原始指标分类

• 详细罗列投资、消费、进出口、通胀、货币环境、经济景气度六类指标，含关键代表数据。

- 为LASSO建模提供基础数据支撑。

图5（第7页）：黑色系产业链上下游构成

• 形象展现煤炭、焦煤、焦炭与钢材不同环节的上下游原料和消费产业，展示复杂产业链。

- 为微观指标筛选奠定理论基础。

表6 & 表7（第10页）：LASSO回归表现及多重共线性变化

• 表6展示各品种输入指标数、筛选变量数及样本内预测方向准确率。变量压缩率大，筛选到关键指标显著减少模型复杂度。预测准确率高。

- 表7对比回归前后的多重共线性，VIF平均值大幅下降，说明LASSO有效减少指标间 collinearity。

图6-11（第11页）：各品种库存同比预测与真实值曲线对比

• 预测和真实曲线走势高度一致（尤其铁矿石、焦煤、焦炭、热卷），模型拟合优良，能及时捕捉库存同比增速的波峰波谷。

表14（第15页）：2018年2月库存同比增速预测

• 铁矿石库存同比预计大幅增长（约50%），热卷微增，其他品种趋势偏负。表示各品种库存动态存在分化，可能反映市场需求和供给状况差异。

图12（第15页）：样本外滚动预测逻辑

• 展示采用样本内数据逐步滚动预测后续月份库存，确保模型预测的稳健性和时效性。

表15 & 表16（第16页）：样本外预测表现与稳定先行指标

• 样本外滚动预测方向准确度最高的为铁矿石和热卷，均为100%；动力煤、螺纹钢等品种准确率较低。

- 表16总结了模型中长期稳定的关键先行指标，揭示预测核心变量来源。

---

四、估值分析

本报告未涉及传统意义上的公司或行业估值分析，而是通过统计建模（LASSO回归）进行库存同比增速的预测与解释，故无现金流折现、P/E等估值模型内容。

---

五、风险因素评估

虽然未有专门风险章节，但报告内容暗含以下风险因素及相关说明：

• 数据质量与完整性风险：部分宏观经济指标数据存在缺失，且少数关键指标（如钢厂开工率、矿山开工率）因数据样本不足未纳入模型，可能导致预测精度不足。

- 模型假设风险：LASSO回归依赖历史关系稳定性及线性模型设定，忽略潜在非线性、突发事件可能带来的影响；惩罚参数的选择存在主观成分，模型结果存在一定波动。

• 宏观经济和政策环境变化风险：黑色系商品高度受宏观调控政策影响（环保限产、供给侧改革等），政策变化可能造成供需关系突变，影响库存预测准确性。

- 样本期偏短与期间异质性：样本仅覆盖约5年数据，期间宏观经济环境发生重大变化，可能导致模型参数不稳定。

• 指标筛选标准统一化潜在的非最优：相关系数阈值统一设定为0.4，对部分品种非最优，影响对单品种真实性能的刻画。

整体风险提示与缓解在于对预测结果的持续动态验证和模型滚动更新，以及对宏观微观环境变化的密切关注[pidx::9][pidx::16][pidx::17]。

---

六、批判性视角与细微差别

• 报告在指标选择上尽管以数据可用性和口径一致性为原则，但未能覆盖所有可能影响库存的关键变量（如高炉开工率等），使模型可能欠缺部分重要信息。

- LASSO模型虽有效缓解多重共线性和变量维数问题，但作为线性模型，忽略了潜在非线性关系及交互项影响，可能弱化对复杂供需关系的描述。

• 用月度数据及固定滞后区间选取先行指标，虽然贴合数据更新频率且避免未来数据信息泄露，但固定时间窗口可能忽略行业周期内动态滞后变化，不同指标的最佳先行阶数可能存在变动。

- 样本内拟合效果突出于铁矿石、焦煤、焦炭和热卷，表明部分品种特征可能更适合基于宏观微观指标的线性预测，动力煤和螺纹钢预测较弱，可能与市场结构、数据质量或影响因素复杂度不同有关。

• 外推预测结果中，焦炭和热卷预测标准差较大，警示需谨慎对待这些品种的预测精度。

- 研究主要聚焦库存同比增速，未触及价格、库存绝对水平、资金流等多维面向，对CTA策略的影响需要结合其他技术指标综合研判。

---

七、结论性综合

本文系统构建并验证了基于宏观经济基本面及行业微观因素的黑色系商品库存同比增速预测模型。通过定义并筛选代表性库存指标，提取关键宏观及微观先行指标，利用LASSO 回归模型兼顾指标筛选和估计，取得了显著的库存同比增速预测效果，尤其对铁矿石、焦煤、焦炭和热卷品种预测准确率超过90%。对样本外期的滚动预测验证进一步确认模型稳健性，铁矿石与热卷的方向预测达到100%准确率，提供有效的库存变动导向。2018年2月铁矿石库存预计继续大幅增长，热卷整体变动有限，反映宏观经济复苏及产业链需求状况。模型对库存同比影响因素的识别丰富了基本面分析视角，为商品CTA策略及量化研究提供新的研究工具。

同时，报告亦指出当前方法因数据限制、模型设定及变量选择标准统一可能带来的局限，强调预测结果更偏重方向性而非精确数值，鼓励结合其他分析方法提升预测能力。

总的来说，本文为基于基本面指标的商品库存变化预判提供了一套科学、可操作且具备实证支持的框架，充分体现“库存变化是供需分析的灵魂”这一核心理念，具备重要的学术和实践价值。[pidx::0][pidx::3][pidx::5][pidx::10][pidx::14][pidx::16][pidx::17]

---

附：核心图表精选（Markdown格式）

• 图1：商品库存变化内生影响逻辑梳理

• 图2：动力煤代表性库存同比增速

• 图3：黑色系产业链上游商品库存同比增速

• 图4：黑色系产业链下游商品库存同比增速

• 图5：黑色系产业链上下游构成

• 图6：铁矿石库存同比预测值与真实值

• 图7：动力煤库存同比预测值与真实值

• 图8：焦煤库存同比预测值与真实值

• 图9：焦炭库存同比预测值与真实值

• 图10：螺纹钢库存同比预测值与真实值

• 图11：热卷库存同比预测值与真实值

• 图12：滚动预测稳健性检验逻辑

---

本分析以报告全文内容为依据，结合报告中的表格和图表深入剖析其核心观点和数据解读，力求为读者提供系统且专业的理解架构。

报告