极端高温天气能预测原油价格吗？

随着原油受市场波动的影响日益加深，其价格波动对全球经济与金融格局产生显著影响（Naser, 2016）。精准预测原油价格可为高耗能企业提供科学支撑，并帮助投资者优化投资组合以有效管理风险（Tian et al., 2023; Zhang and Wang, 2022）。

为实现精准预测，需揭示驱动原油价格波动的潜在因素。已有研究表明，油价的长期趋势由市场供求基本面决定（Dees et al., 2007; Hamilton, 2009），而短期波动可能受股票表现（Bouri et al., 2022）、汇率（Sun et al., 2022）、投资者情绪（Dai et al., 2022）等外部因素影响。近年来极端天气事件频发，加剧了石油产品对气候相关风险的脆弱性（Cruz and Krausmann, 2013; Wen et al., 2021; Tumala et al., 2023），其中包括温室效应引发的全球变暖带来的影响（Kweku et al., 2018; Zhang et al., 2024）。极端高温天气期间，原油等化石燃料的需求往往会上升（Van Ruijven et al., 2019）。此外，高温可能干扰钻井和炼油厂的运营（Yalew et al., 2020; Qui et al., 2020），并对管道等石油运输基础设施的完整性构成挑战（Izaguirre et al., 2021），进而潜在影响石油供应。因此，原油市场参与者在评估市场状况和制定定价决策时必须考虑极端高温因素。然而，现有原油预测研究尚未充分关注极端高温天气条件。尽管近期研究强调了极端天气信息在原油价格预测中的重要性（Xu et al., 2023），但其依赖媒体报道的方式引入了主观偏差。微观尺度的气象观测有望为石油市场管理者提供精确的天气信息（Katopodis and Sfetsos, 2019）。本研究旨在通过利用特定目标石油市场存储和供应地点的精确气象数据，为极端天气与油价预测的关系提供额外实证证据。

用于预测原油价格的模型主要有两类。第一类是传统的计量模型，如指数平滑（ES）模型(Azevedo and Campos, 2016; He, 2018),自回归差分滑动平均（ARIMA）模型(Xiang and Zhuang, 2013; Zhao and Wang, 2014),和向量自回归（VAR）模型 (Baumeister and Kilian, 2014)。然而，这些模型在捕捉原油价格动态非线性方面面临挑战(Gao and Lei, 2017)。

第二类方法包括新兴的机器学习模型(Zhao et al., 2017),主要表现为支持向量回归（SVR）(Wang et al., 2020),递归神经网络(Chaitanya Lahari et al., 2018),和长短期记忆 (LSTM)模型(Güleryüz and Özden, 2020)。这些模型在描述影响因素与原油价格之间的非线性关系方面具有优势，并能提供有效的预测精度(Kaymak and Kaymak, 2022)。然而，机器学习模型通常被视为神秘的黑盒，因为它们难以让用户全面了解其预测机制。

可解释机器学习方法的出现为阐明各种因素如何驱动预测结果提供了宝贵的工具，其应用已扩展到比特币价格预测(Goodell et al., 2023)和能耗(Aras and Hanifi Van, 2022)等研究领域。然而，这些可解释的方法尚未应用于原油价格预测研究。

考虑到上述局限性，本研究对现有文献做出了三项重大贡献。首先，我们基于中国国际能源交易中心（INE）原油生产和储存基地的每日气象数据，建立了极高温天气指数（HTI）。与以往广泛描述全球或全国范围内极端天气事件发生频率的指数(Guo et al., 2023)或从有关极端天气的文字报道中得出的指数(Xu et al., 2023)不同,我们的HTI为INE原油价格预测提供了更精细的极端高温天气信息。

其次，我们的研究证实，将HTI作为预测因子可提高模型在预测INE原油期货价格时表现，表现为误差降低和趋势预测准确性提高。事实上，在大多数情况下，HTI的样本外预测贡献甚至超过了几个常用指标，如股市指数等。随着HTI值的增加，预测的INE原油期货价格也会相应上升。第三，我们引入了可解释方法，以提高机器学习模型在原油预测过程中的可信度，克服以往黑箱模型的固有缺陷。这使我们能够更深入地了解不同程度的极端高温与原油价格动态之间的相关性。本文的其余部分安排如下：第2节介绍研究方法。第3节介绍数据。第4节介绍我们的研究结果。最后，第5节是结论与展望。

研究详情请见原文：

https://doi.org/10.1007/s42524-025-4075-5