基于非马尔可夫过程的原油期货价格模型分析

研报总结

一、油价波动的非马尔可夫性特征

• 市场行为具有“路径依赖”性，价格变动受历史轨迹影响，打破马尔可夫假设。
• 建立动态、含外生变量且具有时间依赖性的建模体系是理解石油市场波动的关键。
• 非马尔可夫建模必要性：传统金融模型预测力有限，需引入历史路径、宏观变量滞后项、政策扰动与情绪指标。

二、数据选取与变量构造

• 数据来源：Wind、FRED、OPEC官网、BLS，时间跨度2020年1月至2025年6月。
• 变量体系：
  • 布伦特原油结算价（B.IPE）：目标变量。
  • 对数收益率（log_ret、log_ret_lag）：短期价格变化强度。
  • 美元指数（USDX.FX）：反映货币强弱。
  • 恐慌指数（VIX）：反映市场情绪。
  • 10年期国债收益率（DGS10）：反映长期资金成本。
  • CPI（Oil）：原油价格变化对通胀压力的反馈关系。
  • OPEC减产事件（OPEC_cut）：地缘供给侧变量的核心代表。
  • 黄金价格（GC.CMX）：避险资产的替代指标。
  • OPEC石油产量：全球原油供给的重要结构性变量。
• 数据处理：时间对齐、缺失值处理、变量构造、标准化、合并数据表。

三、模型框架与结果分析

• 收益率预测：ARIMAX模型效果有限。
  • 原因：线性结构无法捕捉非线性跳跃特征、异方差结构、市场行为路径依赖与状态跃迁。
• 波动率建模：GARCH vs GARCH-X。
  • GARCH(1,1)：R²=0.5737，捕捉波动聚集特征，但对剧烈波动存在滞后。
  • GARCH-X：引入市场恐慌指数（VIX），R²=0.5676，宏观解释力更强，但在平稳期边际贡献趋弱。
• 原油价格预测：滚动OLS最优。
  • 最佳因子：美元指数、OPEC石油日产量、CPI（Oil）、DGS10、log-ret-lag。
  • R²=0.8041，滚动系数图显示变量影响程度存在显著变化。

四、风险与提示

• 模型依赖于历史数据，重大外部冲击可能导致预测失准。
• 建模参数对结果具有敏感性，模型鲁棒性有待验证。
• GARCH类模型对极端波动的不对称响应能力有限。
• 部分外生变量解释力存在衰减现象。

五、未来可能的优化

• 引入更多高频因子，提升因子筛选效率与鲁棒性。
• 采用EGARCH、GJR-GARCH等更具灵活性的波动率模型。
• 引入时间变参数模型（TVP）或Markov regime-switching框架。
• 尝试引入机器学习模型辅助修正预测结果。
• 加强模型预测结果的经济解释能力与场景应用分析。

六、实操流程

• 每日数据更新与处理。
• 模型滚动更新与预测输出。
• 输出结果并进行相应操作。

七、代码

• 代码可在GITHUB中复刻实操，链接为：https://github.com/93285198237/-.git