Методы прогнозирования цен на медь Текст научной статьи по специальности «Экономика и бизнес»

МЕТОДЫ ПРОГНОЗИРОВАНИЯ ЦЕН НА МЕДЬ

Аннотация. В статье раскрыта актуальность прогнозирования цен на медь. Разобраны факторы, влияющие на динамику рынка металла. Анализируется несколько подходов к построению прогнозов цены на медь и выбору ключевых факторов. Исходя из изученной информации, авторами построены две математические модели прогнозирования цены меди, проверены статистические показатели их эффективности, выбрана лучшая. В конце статьи сформулированы выводы о дальнейших шагах по совершенствованию методики прогнозирования цен на медь.

Ключевые слова: ценообразование, медь, прогнозирование цены, цветные металлы, регрессионный анализ.

COPPER PRICE PREDICTION METHODS

Annotation. The article represents methods of copper's price prediction. Authors analyze factors that influence on cooper's price. Different opinions on cooper's price prediction methodology and key factors selection are shown. Authors, relying on this information, formulate two mathematical models, then compare models' efficiency indexes and choose the most effective one. At the end derivations aboutfurther method's development are formed. Keywords: price formation, copper, price prediction, nonferrous metals, regression analysis.

Медь - важный природный ресурс для развития экономики. По объему потребления медь занимает 2-е место в мире среди цветных металлов (после алюминия). Металл используется в строительстве, электронике, машиностроении, судостроении, производстве оружия. Крупнейшие производители меди - Чили, Перу, Южная Африка, Северная Америка и Китай. Политические волнения, забастовки или проблемы с доставкой в главных странах-производителях меди могут привести к серьезным колебаниям цен на медь.

По причине использования меди в ключевых отраслях экономики спрос на этот металл зависит от темпов роста национальных народных хозяйств и, следовательно, проявляется в интенсивно развивающихся странах. Потребление меди по регионам представлено на рисунке 1. Ключевыми потребителями являются Китай, Южная Корея, Япония, США и ЕС.

Важными факторами, формирующими современную динамику мирового рынка меди, являются ожидаемый рост спроса со стороны КНР и других стран Азии, состояние промышленности в странах ЕС, традиционно являющихся крупными потребителями меди, цены на энергоносители и трудовые ресурсы, доступность сырья и стоимость его переработки для рафинировочных предприятий. Медь, помимо прочего, считается индикатором экономического роста. Цена на металл формируется на Лондонской бирже металлов (ЛБМ). По этим причинам ценообразование меди подвержено спекулятивным факторам. ЛБМ имеет свою сеть складов-агентов, с которых, в случае необходимости, могут производиться отгрузки товара. Но большинство договоров погашается контрактами обратной купли или продажи.

Прогнозирование цены на цветные металлы, в том числе и медь, необходимо для составления бизнес-планов производителей и потребителей металла, а также для инвесторов и трейдеров. Существует несколько подходов к прогнозированию цены на цветные металлы. Большинство из них оперируют балансом спроса и предложения. Например, математическая модель, предложенная Б. Арлю-ком [1], опирается на следующие факторы: баланс спроса и предложения (5V); запасы металла у покупателей (Z). Другой подход предлагают аналитики CRU International. По их мнению, цена цветного металла тесно связана с производством: при уменьшении цены производство должно соответствующе реагировать и уменьшаться, а при увеличении - наоборот. При построении модели CRU

УДК 338.5 М.А. Денисенко С.А. Кечин М.С. Пикин

Mikhail Denisenko Sergej Kechin Maxim Pikin

© Денисенко М.А., Кечин С.А., Пикин М.С., 2015

выбирает следующие факторы: мировая мощность; мировое потребление; мировое производство; уровень потребления; предложение по отношению к спросу; дневные запасы.

Рис. 1. Мировой спрос на медь [3]

Как было сказано выше, цена на медь подвержена спекулятивным факторам. Торговля на бирже осуществляется крупными финансовыми организациями, которые торгуют контрактами, а не реальным металлом. Их поведение зависит от положительных или отрицательных новостей о состоянии, как отраслей потребителей металла, так и в целом экономик стран импортеров меди. Поэтому для прогнозирования цены могут использоваться такие факторы как ассигнования на машины и оборудование во всех отраслях промышленности США, индекс производства в электротехнической промышленности США, новые заказы в машиностроении США и т.д. Проблема заключается в том, что информация о большинстве таких факторов закрыта для широко круга исследователей либо выходит с задержкой, что делает их не пригодными для прогнозирования. Поэтому одно из требований к факторам математической модели - это доступность показателей и регулярность их обновления.

Модель, представленная М. Денисенко и М. Пикиным, опирается помимо прочего на биржевые индексы, которые, опосредовано, определяют цену на медь [2]. Предлагаются следующие факторы: запасы металла на ЛБМ; цена трехмесячных фьючерсных контрактов; индекс NASDAQ; индекс DJ.

Выбор индексов Доу-Джонса и Насдак обуславливается тем, что эти два показателя традиционно выступают отражением развития экономики США, одной из ключевых потребителей меди. А как было сказано выше, чем быстрее развивается экономика страны, тем больше меди она потребляет. Кроме того, в листинге бирж представлены компании, являющиеся носителями наиболее современных технологий.

Математическая модель имеет следующий вид:

Y = 1731,9034 - 0,2047 xt + 0,0092 ж2 + 0,1067 х3 + 0,0835х4> (1)

где Y - цена меди; хх - запасы меди; х2 - индекс Доу-Джонса; х3 - индекс NASDAQ; х4 - трехмесячные фьючерсы. При этом модель имеет соответствующий критерий Фишера и равняется 0,9, что говорит о высокой статистической значимости регрессии.

Важным фактором, влияющим на рынок меди, является развитие Китая и азиатского региона в целом. Китай обеспечивает около 37-40 % мирового спроса на металл. При этом рост потребления не ослабевал даже в кризисные годы. В целом Азия потребляет 62 % произведенной меди [5]. Ожидается, что интерес к меди в КНР будет расти, в том числе за счет закупок металла для пополнения государственных резервов; эту тенденцию постепенно подхватывают и другие страны Азиатско-Тихоокеанского региона. Внутренний выпуск меди в КНР не в состоянии обеспечить растущие потребности страны. В последние полтора десятилетия ввоз в КНР меди в концентратах постепенно увеличивается. Внутреннее производство медных концентратов обеспечивает в последние годы лишь около 35-40 % потребностей китайских плавильных предприятий [5].

Логично предположить, что показатели развития экономик азиатских стран положительно скажутся на точности прогнозов математической модели. Учитывая, что более 60 % мирового потребления меди приходится на азиатские страны (Китай, Японию, Южную Корею и др.), в модель нами были добавлены следующие факторы: CSI300 - индекс Шанхайской фондовой биржи, китайский аналог DJI; NIKKEI225 - основной индекс Токийской фондовой биржи.

Для построения регрессий были взяты ежедневные данные с января по май 2015 г. Информация по всем факторам имеется в открытых источниках. Нами были составлены две альтернативные регрессии с одним набором факторов, но взятым за разные периоды времени.

Первая регрессия имеет вид:

Р= ?(/с • lag Хп ), (2)

где Р - цена меди; к - коэффициенты, подобранные методом наименьших квадратов; 1ад(Хп) - значения факторов модели за прошлый период времени.

Показатели качества модели получились следующие: 0,84; F=51,6; все коэффициенты кроме фьючерсных контрактов оказались статистически незначимы. Ретроспективный прогноз (выборка была разбита на две части: одна для построения модели, другая для прогнозирования) объяснил основные тренды, но оказался не достаточно точен (см. рис. 2). Сумма квадратов отклонений равна 125 788.

Для второй модели взяты факторы на настоящий период времени:

р= \к-Хп, (3)

где Р - цена меди; к - коэффициенты, подобранные методом наименьших квадратов; Хп - значения факторов модели на настоящий период времени.

Уравнение имеет следующий вид:

Y = 74,35 - 0,0005 хх + 1,04 х2 - 0,05 х3 + 0,14х4 - 0,04х5 + 0,01х6, (4)

где 7 - цена меди; хх - запасы меди; х2 - индекс Доу-Джонса; х3 - индекс NASDAQ; х4 - трехмесячные фьючерсы; х5 - CSI300; х6 - NIKKEI225.

F = 5005, =0,99, что говорит о высокой статистической значимости модели. Гипотеза о равенстве коэффициентов CSI, DJI, NASDAQ, Futures и Stock нулю отвергается на 5 % уровне значимости, коэффициента NIKKEI на 10 % уровне значимости. Свободный член статистически может быть равен нулю. Ретроспективный прогноз оказался точным (см. рис. 3). Сумма квадратов отклонений равна 3733.

Помимо прочего был проведен тест на автокорреляцию. Критерий Дарбина-Уотсона равный 1,22 выявил наличие положительной автокорреляции первого порядка. Поэтому в исследовании были применены робастные стандартные ошибки для определения значимости коэффициентов. Применение робастных ошибок показало значимость всех коэффициентов кроме свободного члена на 95 % доверительном интервале.

Из двух моделей по статистическим показателям вторая оказалась предпочтительнее. И правда, логично ожидать, что трейдеры отслеживают тренды индексов и принимают решения о закупке или продаже металла в реальном времени. Сравнение цены и ее прогнозного значения по второй модели представлено в таблице 1.

Таблица 1

Цена на медь и ее прогнозное значение с 24.04. по 12.05.2015 г.

Дата Цена Прогноз Отклонение, %

24.04.2015 6025,25 6040,901 0,260

27.04.2015 6060,5 6065,404 0,081

28.04.2015 6090,0 6090,695 0,011

30.04.2015 6244,75 6217,026 -0,444

07.05.2015 6436,5 6447,365 0,169

08.05.2015 6396,0 6394,938 -0,017

11.05.2015 6362,75 6366,800 0,064

12.05.2015 6446,5 6447,401 0,014

Следует отметить, что в модель может быть добавлен фактор, определяющий производство «красного» металла. В частности такую информацию предоставляет 1С80 [4], но исследовательская группа раскрывает лишь годовую информацию, что не годится для целей краткосрочного прогнозирования. Производство, помимо прочего, может страдать от аварий и снижения качества руды, что, например, наблюдалось на месторождениях ВНР в Австралии и Glencore в Африке соответственно. Такие события влияют на баланс спроса и предложения, что в свою очередь определяет динамику цен.

В качестве вывода можно сказать, что выбранные факторы практически полностью описывают колебания цены на медь. Следующим шагом должно быть определение трендов факторов и выбор моделей их прогнозирования. В любом случае, точность прогнозов будет зависеть от наличия или отсутствия непредсказуемых событий, которые не учтены в модели, как например, забастовка рабочих на производстве или снижение субсидий китайским правительством на развитие инфраструктуры.

Библиографический список

1. Арлюк, Б. И. Прогнозы мировых цен на алюминий и их коммерческое использование / Б. И. Арлюк // Цветные металлы. - 2002. - № 9 - С. 7-19.

2. Денисенко, М. А. О возможности прогнозирования цен на цветные металлы / М. А. Денисенко // Национальная металлургия. - 2002. - № 6 - С. 39-43.

3. Мировое производство и потребление меди по регионам [Электронный ресурс]. - Режим доступа : http://www.icsg.org/index.php/component/jdownloads/finish/165/872 (дата обращения : 03.09.2015).

4. Мировое производство меди [Электронный ресурс]. - Режим доступа : http://www.icsg.org/index.php/ component/jdownloads/finish/165/871 (дата обращения : 03.09.2015).

5. Потребление меди по регионам мира [Электронный ресурс]. - Режим доступа : http://www.dtin.ru/wp-content/uploads/2014/12/Med-.pdf (дата обращения : 03.09.2015).