應(yīng)用隱馬爾可夫模型和價(jià)格行為分析輔助原油采購(gòu)決策

周曉玲

（中國(guó)國(guó)際聯(lián)合石油化工有限責(zé)任公司，北京100728）

原油期貨交易涉及內(nèi)容廣泛，分析方法包括市場(chǎng)基本面分析、趨勢(shì)技術(shù)分析等[1]，一般都是建立在精準(zhǔn)的交易邏輯和交易規(guī)則的基礎(chǔ)之上?；诖?，本文探索應(yīng)用隱馬爾可夫模型（HMM）和價(jià)格行為分析來(lái)輔助原油采購(gòu)決策，將預(yù)測(cè)模型、市場(chǎng)趨勢(shì)分析、資金管理、交易心理等融入國(guó)際原油交易過(guò)程中，以期促進(jìn)石油套期保值，平抑原料價(jià)格波動(dòng)對(duì)下游企業(yè)的影響。

1 原油期貨決策流程中對(duì)模型的需求

對(duì)石油凈消費(fèi)國(guó)而言，通過(guò)科學(xué)使用金融策略預(yù)測(cè)價(jià)格波動(dòng)，可在一定程度上削弱石油資源供應(yīng)受制于人的巨大風(fēng)險(xiǎn)。在當(dāng)前金融工程學(xué)研究日益深入的背景下，隱馬爾可夫算法在金融領(lǐng)域中已有應(yīng)用，并取得良好收益。如，美國(guó)文藝復(fù)興科技公司雇傭了世界頂尖的馬爾可夫算法專家建立了高頻量化交易系統(tǒng)，截至2022年上半年的統(tǒng)計(jì)數(shù)據(jù)，該公司基金27年平均年化收益率高達(dá)35%[2]。

在全球金融市場(chǎng)中，價(jià)格運(yùn)行是多空雙方因?qū)κ袌?chǎng)期望不同，通過(guò)資金買賣博弈的合力所驅(qū)動(dòng)的結(jié)果。算法模型在期貨交易決策過(guò)程中與金融專業(yè)理論和方法相結(jié)合，能夠提高分析準(zhǔn)確度，有效預(yù)測(cè)期貨價(jià)格運(yùn)行趨勢(shì)拐點(diǎn)，規(guī)避人為分析的情緒化和不穩(wěn)定性，為持續(xù)獲利提供有力支持。

2 HMM 簡(jiǎn)介

選擇隱馬爾可夫算法作為模型基礎(chǔ)算法的原因在于，這是一種特殊的觀察數(shù)據(jù)與隱藏狀態(tài)相關(guān)的混合模型，參數(shù)有明確的統(tǒng)計(jì)學(xué)含義，同時(shí)算法中的隱含狀態(tài)參數(shù)契合了金融市場(chǎng)中無(wú)法直接觀察的背后隱藏的波動(dòng)狀態(tài)變量。

以Brent 原油期貨走勢(shì)預(yù)測(cè)為例，應(yīng)用隱馬爾可夫算法建立預(yù)測(cè)模型。Brent原油期貨是重要全球交易品種，重大事件會(huì)顯著影響其價(jià)格波動(dòng)狀態(tài)導(dǎo)致出現(xiàn)躍變和拐點(diǎn)，觀察走勢(shì)會(huì)發(fā)現(xiàn)其價(jià)格存在明顯的突變點(diǎn)[3-4]。由于國(guó)際市場(chǎng)中多個(gè)原油期貨品種具有聯(lián)動(dòng)性，研究Brent原油期貨對(duì)于規(guī)避期貨市場(chǎng)風(fēng)險(xiǎn)具有重要的實(shí)踐價(jià)值。準(zhǔn)確預(yù)測(cè)Brent原油期貨走勢(shì)的突變點(diǎn)，需要對(duì)期貨市場(chǎng)波動(dòng)狀態(tài)進(jìn)行準(zhǔn)確預(yù)測(cè)，但僅使用隱馬爾可夫原型算法不易識(shí)別虛假突破點(diǎn)，為此引入迭代累積平方和（ICSS）模型，對(duì)估算的波動(dòng)狀態(tài)與趨勢(shì)突變點(diǎn)進(jìn)行診斷，剔除偽趨勢(shì)突變點(diǎn)，提高對(duì)波動(dòng)狀態(tài)預(yù)測(cè)的準(zhǔn)確性，從而更精準(zhǔn)預(yù)測(cè)趨勢(shì)突變點(diǎn)。此外，預(yù)測(cè)Brent原油期貨市場(chǎng)趨勢(shì)突變點(diǎn)的準(zhǔn)確性也受其波動(dòng)率[5]的制約，因此引入指數(shù)自回歸條件異方差（EGARCH）模型對(duì)波動(dòng)率進(jìn)行預(yù)測(cè)[6-7]。

3 HMM 在交易決策中的應(yīng)用

3.1 構(gòu)建模型

3.1.1 構(gòu)建Brent 原油期貨波動(dòng)狀態(tài)預(yù)測(cè)模型

HMM 假設(shè)下個(gè)狀態(tài)的發(fā)生只跟現(xiàn)在的狀態(tài)有關(guān)，即隱藏狀態(tài)服從離散馬爾可夫過(guò)程。該模型應(yīng)用于期貨市場(chǎng)，基于市場(chǎng)走勢(shì)變量，如市場(chǎng)價(jià)格、市場(chǎng)收益率、波動(dòng)率等，通過(guò)模型判斷當(dāng)前市場(chǎng)的趨勢(shì)方向。根據(jù)HMM 以及市場(chǎng)價(jià)格走勢(shì)數(shù)據(jù)，對(duì)Brent 原油期貨市場(chǎng)波動(dòng)狀態(tài)進(jìn)行測(cè)度，有效推測(cè)期貨市場(chǎng)的波動(dòng)狀態(tài)。

首先，通過(guò)Brent原油期貨市場(chǎng)某時(shí)間級(jí)別的價(jià)格數(shù)據(jù)構(gòu)建觀測(cè)向量序列為O＝{o1，o2...ot}。由算法原理可知，需要對(duì)參數(shù)λ＝{A，B，π}進(jìn)行建模，從而預(yù)測(cè)市場(chǎng)波動(dòng)狀態(tài)。其中，A表示波動(dòng)狀態(tài)間的轉(zhuǎn)移概率，且A＝{aij}，aij＝P{st＝j(luò)│s t-1＝i}，并滿足條件，0 ≤aij≤1，1 ≤i，j≤N。B表示第i時(shí)刻市場(chǎng)波動(dòng)收益率，其波動(dòng)收益率對(duì)應(yīng)的觀察值概率分布，且B＝{b（ik）}，其bi（k）＝P{rt＝vk|st＝i}，觀察值vk∈（–∞，＋∞），表示市場(chǎng)波動(dòng)收益率的初始狀態(tài)概率分布。π＝{πi|πi＝P{st＝i}，1≤i≤N}。隱狀態(tài)集合為s＝{s1，s2，．．．sN}，隱狀態(tài)序列為Q＝{q1，q2，．．．qt}，從而可根據(jù)HMM原理對(duì)觀測(cè)序列O＝{o1，o2...ot}進(jìn)行建模，并預(yù)測(cè)t＋h時(shí)刻觀測(cè)值Ot＋h，其中t、h分別為數(shù)據(jù)序列編號(hào)和預(yù)測(cè)步數(shù)。

其次，應(yīng)用期望最大化（EM）算法對(duì)觀測(cè)序列O＝{o1，o2...ot}進(jìn)行估計(jì)，從而得到隱馬爾可夫參數(shù)λML＝arg maxλ f（O|λ），即尋找λML＝{A，B，π}使得似然值f（O|λ）達(dá)到最大。再次，采用Viterbi 算法根據(jù)參數(shù)λML估計(jì)最佳隱狀態(tài)序列Q＝{q1，q2，．．．qt}；最后，根據(jù)已知的參數(shù)λML與最佳隱狀態(tài)序列構(gòu)建HMM預(yù)測(cè)模型。

對(duì)市場(chǎng)波動(dòng)狀態(tài)預(yù)測(cè)：設(shè)t時(shí)刻的隱狀態(tài)為qt＝si，又由于隱狀態(tài)序列Q＝{q1，q2，．．．qt}服從轉(zhuǎn)移概率矩陣為A的馬爾可夫過(guò)程，則從t時(shí)刻轉(zhuǎn)移到t＋h時(shí)刻轉(zhuǎn)移矩陣為Ah，因此從t時(shí)刻狀態(tài)為qt＝si轉(zhuǎn)移到t＋h時(shí)刻狀態(tài)qt＋h＝sj的概率為Ah（i，j），即為矩陣Ah的第i行第j列元素。又由于狀態(tài)序列處于狀態(tài)st時(shí)，觀測(cè)序列服從概率分布bi（k），且有第h步預(yù)測(cè)值為，其中E（bjk）為觀測(cè)序列概率分布bj（k）的期望值。

以上通過(guò)HMM 得到了Brent 原油期貨市場(chǎng)的波動(dòng)狀態(tài)，同時(shí)獲得了不同波動(dòng)狀態(tài)轉(zhuǎn)換間的Brent原油期貨市場(chǎng)預(yù)測(cè)趨勢(shì)突變點(diǎn)。

3.1.2 改進(jìn)Brent 原油期貨市場(chǎng)趨勢(shì)突變點(diǎn)預(yù)測(cè)模型

前述HMM僅基于收益率對(duì)Brent原油期貨市場(chǎng)波動(dòng)狀態(tài)進(jìn)行測(cè)度，但Brent原油期貨市場(chǎng)波動(dòng)狀態(tài)還受到波動(dòng)率的影響。為了去除波動(dòng)狀態(tài)中存在的偽趨勢(shì)突變點(diǎn)，需要先對(duì)收益波動(dòng)率進(jìn)行預(yù)測(cè)，再采用ICSS方法對(duì)市場(chǎng)波動(dòng)趨勢(shì)突變點(diǎn)進(jìn)行診斷，保證預(yù)測(cè)的準(zhǔn)確性。

設(shè)xt表示某時(shí)間級(jí)別的第t期Brent 原油期貨市場(chǎng)交易價(jià)格，定義當(dāng)期的收益率rt計(jì)算方法如式（1）所示：

EGARCH是對(duì)GARCH模型的改進(jìn)，EGARCH模型可以準(zhǔn)確地估算收益波動(dòng)率的非對(duì)稱性及杠桿效應(yīng)等特征，不同滯后階的EGARCH模型對(duì)時(shí)間序列的估計(jì)結(jié)果非常接近。EGARCH（1，1）模型簡(jiǎn)潔、易于研究，采用該模型對(duì)波動(dòng)率進(jìn)行研究，計(jì)算方法如式（2）～式（4）所示：

式中，參數(shù)αst、βst、γst、ωst均依賴于t時(shí)刻的狀態(tài)st，參數(shù)含義參見(jiàn)GARCH模型的描述[8]。

通過(guò)上述變換得到HMM–EGARCH（1，1）模型參數(shù)，采用此模型預(yù)測(cè)Brent 原油期貨市場(chǎng)的波動(dòng)率。經(jīng)推導(dǎo)，可得到向前m步的波動(dòng)率預(yù)測(cè)值，采用ICSS方法對(duì)Brent原油期貨市場(chǎng)波動(dòng)狀態(tài)中的趨勢(shì)突變點(diǎn)進(jìn)行修正。令，且每個(gè)區(qū)間（即一種波動(dòng)狀態(tài)轉(zhuǎn)移另一種波動(dòng)狀態(tài)轉(zhuǎn)變的區(qū)間）的方差為，j＝0，1，．．．NT，其中，NT為T(mén)個(gè)觀測(cè)數(shù)據(jù)中方差變化的總數(shù)，且1 ＜k1＜k2＜．．．＜kNT＜T為突變點(diǎn)集合，計(jì)算方法如式（5）所示:

如果在檢驗(yàn)區(qū)間內(nèi)波動(dòng)結(jié)構(gòu)無(wú)突變，則Dk統(tǒng)計(jì)量圍繞水平線0 軸震蕩；反之，如果序列中存在一個(gè)或多個(gè)突變點(diǎn)，Dk值就會(huì)向上或向下顯著背離0值。

又令k*為取得時(shí)的k值，如果超過(guò)預(yù)定的置信邊界，k*就被認(rèn)定是一個(gè)真實(shí)的突變點(diǎn)，其中是標(biāo)準(zhǔn)化因子。

對(duì)Brent 原油期貨市場(chǎng)波動(dòng)趨勢(shì)突變點(diǎn)檢驗(yàn)轉(zhuǎn)化為對(duì)波動(dòng)狀態(tài)檢驗(yàn)和波動(dòng)率預(yù)測(cè)評(píng)價(jià)[9]，最后可以采用Pesaran在1992年提出的成功率SR與平均絕對(duì)誤差MAE對(duì)波動(dòng)狀態(tài)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)[10]。

3.2 應(yīng)用預(yù)測(cè)模型

應(yīng)用上述方法建立的模型，預(yù)測(cè)Brent 原油期貨市場(chǎng)波動(dòng)率的趨勢(shì)突變點(diǎn)。選取Brent原油期貨樣本數(shù)據(jù)從2016年7月1日至2020年1月31日共915 個(gè)日線交易數(shù)據(jù)樣本，數(shù)據(jù)來(lái)源于trading economics。選取315個(gè)作為預(yù)測(cè)樣本的數(shù)據(jù)（約占樣本數(shù)據(jù)的34%），樣本包含一個(gè)完整的波動(dòng)周期，能夠體現(xiàn)較為充分的市場(chǎng)信息。選擇后314個(gè)數(shù)據(jù)用于市場(chǎng)波動(dòng)率預(yù)測(cè)研究。

3.3 模型應(yīng)用效果

為了充分地說(shuō)明修正模型能夠準(zhǔn)確預(yù)測(cè)趨勢(shì)的突變點(diǎn)，從預(yù)測(cè)波動(dòng)率的角度對(duì)Brent原油期貨市場(chǎng)波動(dòng)趨勢(shì)突變點(diǎn)進(jìn)行預(yù)測(cè)（見(jiàn)圖1）。

圖1 Brent 原油期貨市場(chǎng)預(yù)測(cè)波動(dòng)率與同期實(shí)現(xiàn)波動(dòng)率對(duì)比

可以發(fā)現(xiàn)，Brent原油期貨市場(chǎng)預(yù)測(cè)波動(dòng)率與實(shí)際波動(dòng)率具有趨同的變化趨勢(shì)，尤其是在后半段的區(qū)間（850～915天），拐點(diǎn)和趨勢(shì)重合度都較好，說(shuō)明模型能夠?qū)rent 原油期貨市場(chǎng)波動(dòng)率、波動(dòng)趨勢(shì)突變點(diǎn)進(jìn)行有效預(yù)測(cè)。特別是后半段區(qū)間市場(chǎng)明顯處于波動(dòng)幅度較大的狀態(tài)，但兩條曲線擬合程度反而更高，表明模型在高波動(dòng)狀態(tài)下預(yù)測(cè)波動(dòng)率具有較高的精確度。

4 引入價(jià)格行為分析

交易過(guò)程的本質(zhì)是確定交易周期、進(jìn)出場(chǎng)點(diǎn)（以及止損止盈點(diǎn)）。關(guān)于交易周期，以商品期貨為例，通常分為短線交易、中線交易、長(zhǎng)線交易。短中長(zhǎng)線是相對(duì)的概念，不同的品種有不同的時(shí)長(zhǎng)觀念，如，Brent原油期貨常規(guī)觀察4小時(shí)級(jí)別的K線走勢(shì)，短線持倉(cāng)時(shí)間從幾天到數(shù)周不等。

進(jìn)出場(chǎng)點(diǎn)（以及止損止盈點(diǎn)）是價(jià)格行為最核心的問(wèn)題，絕佳的入場(chǎng)點(diǎn)能為后續(xù)操作預(yù)留足夠的彈性空間，以2022 年12 月1 日Brent 主連的價(jià)格走勢(shì)說(shuō)明入場(chǎng)點(diǎn)的選擇和止損點(diǎn)的設(shè)置（見(jiàn)圖2）。假設(shè)這是當(dāng)時(shí)能看到的4小時(shí)K線走勢(shì)圖，圖中顯示在標(biāo)識(shí)89.37 形成了明顯的峰頂長(zhǎng)上影線，該上影線K 線具有明顯頂峰特點(diǎn)：價(jià)格走勢(shì)在頂部關(guān)鍵位置，是大幅下跌后的第一次明顯持續(xù)反彈的鞏固形態(tài)的頂部；長(zhǎng)上影線的實(shí)體部分很小，上影線的長(zhǎng)度數(shù)倍于實(shí)體部分，下影線較短；頂峰線的實(shí)體部分都落在前一根K 線的實(shí)體區(qū)域中，說(shuō)明上漲的力度明顯不大，并且頂峰K線的整體長(zhǎng)度比前一根K 線明顯要長(zhǎng)，說(shuō)明多頭拉升的意愿較大，但市場(chǎng)中空頭占據(jù)優(yōu)勢(shì)，峰頂K 線內(nèi)部形成了單峰或者雙峰形態(tài)，價(jià)格回落到較低的位置。

圖2 Brent 主連期貨價(jià)格入場(chǎng)點(diǎn)示例

以上頂部標(biāo)示表明適合做空。保守的操作方法，以跌破該頂峰K 線的最低點(diǎn)87.50 為入場(chǎng)點(diǎn)，頂峰線的最高點(diǎn)89.37作為止損點(diǎn)，第一個(gè)止盈目標(biāo)是前一個(gè)小鞏固形態(tài)的位置84.50，第二個(gè)止盈目標(biāo)是前一個(gè)折返位置80.81。

Brent 主連期貨價(jià)格離場(chǎng)點(diǎn)示例如圖3 所示。本次操作從87.50入場(chǎng)，在86.77適當(dāng)加倉(cāng)，持倉(cāng)到2022年12月9日收盤(pán)76.10。由于該K線沒(méi)有跌破前一根K線的最低點(diǎn)，而前一根K線中約占1/2的長(zhǎng)下影線有探底止跌跡象，穩(wěn)妥操作可以止盈離場(chǎng)了。此次操作過(guò)程：持倉(cāng)約8 天，走勢(shì)下跌13%，價(jià)差為11.40。

圖3 Brent 主連期貨價(jià)格離場(chǎng)點(diǎn)示例

交易中要等待有利條件的出現(xiàn)，然后遵從市場(chǎng)走勢(shì)順勢(shì)交易。嚴(yán)格遵守資金管理、止損點(diǎn)離場(chǎng)是交易成功的生存保障機(jī)制。

5 其他體系保障需求

在實(shí)際決策過(guò)程中應(yīng)用HMM 時(shí)，需要從公司內(nèi)部制度、價(jià)格走勢(shì)分析、重大虧損風(fēng)險(xiǎn)、操作交易心理狀態(tài)等角度共同保障，才能構(gòu)建一個(gè)完整的決策體系，具體包括內(nèi)控制度、資金管理、交易心理。

5.1 內(nèi)控制度

在國(guó)內(nèi)外石油行業(yè)中，集團(tuán)或者企業(yè)常利用期貨工具，包括套期保值、期權(quán)交易等，但近年來(lái)，國(guó)內(nèi)在航煤、原油期貨市場(chǎng)出現(xiàn)了由于操作失誤帶來(lái)嚴(yán)重虧損的事件。因此要充分認(rèn)識(shí)到金融衍生品的巨大風(fēng)險(xiǎn)，實(shí)際操作過(guò)程應(yīng)該高度嚴(yán)格與謹(jǐn)慎。金融衍生工具越復(fù)雜，國(guó)際資本的金融專業(yè)能力與定價(jià)能力優(yōu)勢(shì)就越大，意味著企業(yè)“被兜售”的風(fēng)險(xiǎn)大幅增加。復(fù)雜衍生品極具誘惑力的獲利背后，本質(zhì)是風(fēng)險(xiǎn)和收益的不對(duì)稱。

為控制金融衍生品風(fēng)險(xiǎn)，國(guó)務(wù)院國(guó)資委要求企業(yè)核準(zhǔn)開(kāi)展金融衍生業(yè)務(wù)的子企業(yè)業(yè)務(wù)資質(zhì)，研判業(yè)務(wù)開(kāi)展的可行性，確定可開(kāi)展的業(yè)務(wù)類型，不得授權(quán)其他部門(mén)或決策機(jī)構(gòu)審批；其次，加強(qiáng)年度計(jì)劃管理。金融衍生業(yè)務(wù)年度計(jì)劃應(yīng)當(dāng)與操作主體財(cái)務(wù)承受能力、年度經(jīng)營(yíng)計(jì)劃相匹配，內(nèi)容應(yīng)當(dāng)包括：年度實(shí)貨經(jīng)營(yíng)規(guī)模、年度保值規(guī)模、套期保值策略、資金占用規(guī)模、時(shí)點(diǎn)最大凈持倉(cāng)規(guī)模、止損限額或虧損預(yù)警線等；再次，操作衍生業(yè)務(wù)的主體應(yīng)當(dāng)建立金融衍生業(yè)務(wù)信息系統(tǒng)，覆蓋業(yè)務(wù)全流程，嵌入內(nèi)控制度要求，實(shí)現(xiàn)“期現(xiàn)一體”管理，具備套保策略審批、交易信息記錄、風(fēng)險(xiǎn)指標(biāo)監(jiān)測(cè)、超限額或違規(guī)交易預(yù)警等功能。

5.2 資金管理

資金管理是一個(gè)動(dòng)態(tài)過(guò)程，動(dòng)態(tài)調(diào)整倉(cāng)位，把每次損失控制在可接受的范圍內(nèi)，減小虧損風(fēng)險(xiǎn)，留下足夠的資金參與后續(xù)市場(chǎng)。

假設(shè)總資金量是100 萬(wàn)元，每次允許的最大操作虧損是總資金的1%，每次損失1萬(wàn)元，連續(xù)100次操作才能損失總資金。

實(shí)操倉(cāng)位計(jì)算如下：假設(shè)參與交易做多價(jià)格為10.0元的金融資產(chǎn)，止損點(diǎn)設(shè)置為5%，即跌到9.5元離場(chǎng)，可買入資產(chǎn)數(shù)量是10 000÷（10.0–9.5）＝20 000份，總倉(cāng)位是10.0（元）×20 000（份）＝20 萬(wàn)元。即100 萬(wàn)元的資產(chǎn)，每次允許最大虧損為1%，止損點(diǎn)為5%，則每次交易的最大倉(cāng)位是20萬(wàn)元。

如果已經(jīng)連續(xù)5 次失敗，剩下總資金為95 萬(wàn)元，仍然遵循以上原則，每次最多損失95萬(wàn)的1%為是9 500元，可以買入的數(shù)量是9 500÷（10.0–9.5）＝19 000（份），總倉(cāng)位是10.0（元）×19 000（份）＝19萬(wàn)元，即總資金虧損到95萬(wàn)時(shí)，每次允許最大虧損為1%，止損點(diǎn)為5%，每次交易的最大倉(cāng)位也減少為19萬(wàn)元。

5.3 交易心理

對(duì)交易心理影響較大的是交易成功率，穩(wěn)定盈利的交易員比經(jīng)常虧損的交易員有更多的自信。因此，提高交易技術(shù)水平是改善交易心理的重要手段。建議嚴(yán)格遵守各項(xiàng)規(guī)章制度、資金管理制度，按照交易系統(tǒng)操作；開(kāi)市期間持續(xù)盯盤(pán)，跟隨每一根K 線形成的全過(guò)程，能夠了解到遠(yuǎn)多于觀察歷史走勢(shì)所獲得的走勢(shì)細(xì)節(jié)；當(dāng)交易新的品種，或者倉(cāng)位遠(yuǎn)多于以往的持倉(cāng)量，會(huì)產(chǎn)生心理壓力，因此需要更多貼近觀察新市場(chǎng)，適應(yīng)新市場(chǎng)的波動(dòng)。

6 結(jié)語(yǔ)

國(guó)際金融市場(chǎng)中90%以上的交易量都是各類機(jī)構(gòu)通過(guò)全自動(dòng)的高頻量化交易或交易員下單操作，且絕大多數(shù)的機(jī)構(gòu)最終都是盈利的，說(shuō)明市場(chǎng)無(wú)論怎樣變幻莫測(cè)，總可以通過(guò)掌握市場(chǎng)運(yùn)行規(guī)律而穩(wěn)定獲利，HMM和對(duì)市場(chǎng)價(jià)格行為的研究是盈利的有力工具。

面向提升模型的預(yù)測(cè)精度，可以從幾個(gè)方面來(lái)進(jìn)行：應(yīng)用高階HMM 對(duì)市場(chǎng)關(guān)鍵變化的多個(gè)維度同時(shí)進(jìn)行計(jì)算，繼續(xù)提高對(duì)趨勢(shì)轉(zhuǎn)折點(diǎn)的預(yù)測(cè)靈敏度；更深入地研究市場(chǎng)運(yùn)行規(guī)律，對(duì)典型形態(tài)的深層次理解可以明顯提高參與類似市場(chǎng)的成功率，持續(xù)的市場(chǎng)盈利可以為企業(yè)積累較大的原油成本優(yōu)勢(shì)。