中观景气研究系列之四：煤炭行业基本面景气度预测研究

本报告中，我们重点研究了如下问题：煤炭产业链结构和各环节收益成本因素；如何对相关标的营收来源和追踪方法进行分析；如何对煤炭及细分行业基本面景气度进行预测。 产业链结构：不同种类的煤炭其应用场景和下游行业存在较大的差异。动力煤主要应用于发电和建材等行业，即直接消耗于下游行业； 炼焦煤通过一定的反应，生成焦炭和焦炉气等，前者主要应用于钢铁冶炼，后者可用于生成甲醇、乙炔等化工产品，即和石油化工终端应用存在一定的重合；无烟煤包括块煤和粉煤，前者较多应用于煤化工产业链，后者可用于冶金。 营收拆分和追踪：从标的财报中可获取其营收行业和产品信息，对于每一块细分业务，重点关注如下指标：产品产销和价格、生产成本、下游需求分布。追踪产品生产/业务运行流程，可确定子营收和成本。 这一过程我们重点关注的是可追踪的标准化指标。 基本面景气度预测：对于预测指标，可从如下维度进行筛选：一，产品价格；二，产品产销量；三，相关库存指标；四，下游需求；五，宏观环境指标。对于动力煤、焦煤和煤化工，分别给出了其预测框架，结果与实际值趋势较为一致，且时效性更强。 煤炭及细分行业标的涉及产业链环节较多，现有行业划分下或并不能最优地反映其营收来源。后续还需要进行完善，以得到更好地基本面景气度追踪结果。 1.行业基本面景气度预测 中观包括行业和风格两类划分方式，我们想要研究的是如何对其景气度进行刻画和预测，最终着眼于构建具有超额收益的投资组合。在已有研究中，我们将基本面景气度细分为基本面景气和交易景气。基本面景气研究的目标是对行业和风格营收或盈利情况进行跟踪预测，交易景气则是从量价维度判断行情是否已经提前或充分将基本面景气的变化反映在了价格中。对于相关研究，我们以基本面景气预测为主。 行业营收与量和价相关，盈利还需考虑成本价差。对应到标的或行业，其经营业务可能较为复杂，对其进行完全准确的追踪也并不现实。系统化基本面景气研究的目标是，把握核心业务来源和筛选关键可追踪高频宏观行业经济数据，重点对其经营走势进行追踪。与传统的预测方法相比，这一框架更多的是追踪。其目标是，将所能获取的信息纳入目标变量预测的调整中，对其趋势进行分析。 在本报告中，我们对煤炭及相关细分行业基本面景气度的预测方法进行了深入研究，重点研究了如下问题： 1.如何系统化的对行业产业链进行分析，其上下游行业是什么？ 2.如何对标的进行财务拆分，获取可追踪的关键指标？ 3.如何搭建煤炭及细分行业基本面景气度追踪框架？ 图1给出的是模型预测结果走势，结合后文结果可以发现：一，预测结果与实际财务数据趋势保持一致，且有一定的领先性；二，与行情走势具有较强的相关性。 图1煤炭细分行业基本面景气度预测走势 2.煤炭行业产业链分析 对于行业或风格基本面景气度预测，需要首先明确预测的标的，即要界定行业或风格的具体构成。同时，为分析营收变化和影响因素，需对其所处产业链位置及上下游行业构成进行研究。此部分我们首先对煤炭及细分行业构成进行分析，然后从产业链视角进行梳理。 2.1.行业基本构成：业务和成分标的 标的可划分为动力煤、焦煤和焦炭（煤化工），动力煤标的数量最多，另外两个行业相近。从市值看，多数为中盘股，中国神华市值最高，且远超其他标的。 所属行业划分基于其营收来源，但并不总是可以较为准确地反映实际情况。例如动力煤公司Z，接近80%的营收来自煤炭，其他还有发电、运输和煤化工业务；焦炭公司S，焦炭业务占比为80%左右，其次为甲醇、纯苯和炭黑等其他煤化工产品。从这两个例子可以看出，煤炭标的整体业务较为复杂，一般从上游开采、运输至下游加工均会有所覆盖。在这种情况下，对煤炭及细分行业基本面进行预测时，所需考虑的因素较多，但也应把握主导业务。 图2煤炭细分行业标的数量分布 图3煤炭行业标的市值分布 图4动力煤公司Z营收分布-2021年 图5焦炭公司S营收分布-2021年 下图给出的是动力煤、焦煤和焦炭细分指数相对煤炭行业指数超额收益走势。可以发现，动力煤超额表现相对稳定，趋势性较强；焦煤表现相对较差，大幅跑输指数；焦炭收益表现波动较大，且多数时间持续性较弱，可把握性相对不足。结合各细分板块营收来源，对其进行基本面景气度预测，具有较大的应用价值。 图6煤炭细分行业超额收益走势：表现差别较大 2.2.行业产业链梳理：收益和成本因素 此部分我们对煤炭产业链进行梳理，并分析其收益和成本影响因素。煤（煤炭）是指植物遗体在覆盖地层下，压实、转化而成的固体有机可燃沉积岩，对各种煤炭的开采、洗选、分级等生产活动构成煤炭开采和洗选业。 对于我国煤炭分类，按煤的挥发分，包括褐煤、烟煤和无烟煤，对于褐煤和无烟煤，再分别按其煤化程度和工业利用的特点分为小类。根据煤炭用途的不同，将其分为动力煤、炼焦煤和无烟煤三类：动力煤作为动力原料的煤炭，主要用于火力发电、建材等；炼焦煤具有一定的粘结性，主要用于炼钢；无烟煤煤化程度较高，挥发分产率低，其中块煤主要用于化肥化工等行业，粉煤主要用于冶金高炉喷吹等。 我国是煤炭生产大国，近十年来煤炭产量占全球比重均在40%以上；从生产和进口量可以看出，煤炭自给率相对较高。2021年，动力煤、炼焦煤和无烟煤产量分别为33.99亿吨、4.90亿吨和3.83亿吨。 图7我国煤炭供需平衡关系：自给率较高 图8我国原煤生产以动力煤为主 下图给出的是基于煤炭种类划分的产业链结构，不同种类的煤炭其应用场景和下游行业存在较大的差异。动力煤主要应用于发电和建材等行业，即直接消耗于下游行业；炼焦煤通过一定的反应，生成焦炭和焦炉气等，前者主要应用于钢铁冶炼，后者可用于生成甲醇、乙炔等化工产品，即和石油化工终端应用存在一定的重合；无烟煤包括块煤和粉煤，前者较多应用于煤化工产业链，后者可用于冶金。 这里涉及的是实际有形的产品，通过追踪其产业链环节，可获取其收益和成本因素。对于用有矿产的企业，需考虑开采中的材料和人力成本，盈利弹性主要来自于煤炭价格，以及新开发煤矿；对于煤炭加工环节，需考虑采购和运输成本，同时还需要考虑下游需求强弱，以及产品价格。 例如焦炭企业，原料是炼焦煤，下游需求行业主要为钢厂。总结来说，未预测煤炭基本面景气度，需考虑产品和成本价格，以及产品产量和下游需求端强弱变化。 不论是煤炭还是其他行业，一般不会只涉及产业链中的单一环节。例如公司S，其不仅涉及煤炭开采、运输和加工，还覆盖煤化工业务。因此似乎最合适的方法，是针对业务来展开预测，然后按比例将各业务进行加总。实际操作中，还需确定预测样本池和基本面景气度历史序列。在这个过程中，不可避免地会混合在一起。在我们的中观景气预测框架下，所追求的并不是如行业分析师所做的那般精细化的模式，而是系统化把握趋势变化情况，以期获取贝塔行情收益。 结合前文标的所属行业，其主要涉及的煤种存在一定差异，在产业链所处的位置也存在不同。图10给出的是各标的毛利率分布，可以看出较为分化；而对于整个煤炭行业而言，供给侧改革后，整体盈利能力快速抬升，但细分应用又存在较大差别。 图9煤炭行业产业链结构：煤炭种类和应用行业 图10煤炭行业标的毛利率分布 图11煤炭开采和洗选业毛利率走势 2.3.小结 为追踪公司盈利，需对其收益和成本因素进行梳理。此部分我们对煤炭产业链结构进行了梳理。煤炭行业产业结构和业务相对清晰，可较好地按应用场景进行划分，从而确定其收益和成本因素。在对行业基本面景气度进行预测时，需要做的是：一，确定其所处产业链位置；二，确定其营收驱动因素；三，提取可追踪定量指标。后文我们对这一问题进行具体分析。 3.财务拆分模型和可追踪指标 前文我们对煤炭行业产业链结构进行了梳理，对各环节成本收益因素有了一定了解。此部分我们首先对煤炭行业代表性标的财务拆分模型进行分析，梳理其追踪原理；在此基础上，对各细分行业可追踪使用的关键指标进行讨论。 3.1.财务拆分框架：如何对公司经营进行追踪 公司Z是以煤炭为基础的一体化能源公司，主营业务是煤炭、电力的生产和销售，铁路、港口和船舶运输，煤制烯烃等业务。煤炭、发电、铁路、港口、航运、煤化工一体化经营模式是其独特经营方式和盈利模式。 图12中给出的是各年营收结构分布，煤炭和发电业务贡献最高；图13中给出的是各业务营收毛利率变化情况。整体来看，公司Z涉及煤炭产 图14中给出的是煤化工行业公司S营收构成，即基本仅涉及下游环节。 对其经营进行预测，需考虑焦炭、甲醇等产品价格，以及炼焦煤、无烟 煤成本；同时，下游产品与石油化工存在一定重合，还需考虑原油和天然气等竞争品价格走势。 图12公司Z营收构成：煤炭业务占比抬升 图13公司Z各业务板块毛利率 表1:公司Z营收财务拆分框架：业务划分，量价预测 图14公司S营收构成：焦炭主导，产品多样化 3.2.可追踪宏观行业经济指标 前文我们对煤炭行业产业链结构和典型公司财务拆分框架进行了梳理。 从结果看，首先确定公司主要营收来源，然后对各业务的收入和成本端分别进行追踪。从财务拆分来看，仅需考虑产量和价格变化。从实际指标看，无法较为及时的获取单个标的数据，需跟踪行业整体数据。综合，下表给出了部分可追踪指标，后文实际应用中会有所补充。 1194939 表2:煤炭及细分行业经济指标 3.3.小结 传统的量化研究中，我们一般会梳理很多指标，然后基于一定的标准，进行样本内筛选，并预期其可能在样本外也是有效的。从更具逻辑的视角，我们认为可以借鉴行业分析师的方法。具体来说，首先对其营收来源进行细分；其次，对于每一块业务，确定其产品是什么，价格和成本可追踪哪些指标，产量和销量如何界定。在此基础上，按照产品生产/业务运行流程，确定如何逐步得到子营收，最终汇总得到实时营收。 4.煤炭行业基本面景气度预测 基于前文对煤炭及细分行业产业链结构和财务拆分模型的梳理，此部分我们对其基本面景气度进行预测。首先，我们对预测模型和数据处理方法进行说明，然后给出各细分行业预测流程和结果，并进行分析。 4.1.预测方法和模型 对于行业基本面景气，我们使用ROE- TTM 作为代理变量，基于可得的宏观行业景气数据对其进行预测。这些数据，包括价格、产量、库存和需求等数据，涵盖日、周、月和季度等不同频率的数据。因此，我们使用混频数据抽样（MIDAS），进行模型构建。 1 2 细节可见《中观景气研究：如何刻画基本面景气度》。 细节可见《M IDAS：混频数据预测通用框架》。 在实际使用中，还会面临如下问题：同一类指标或有多个数据可对应，如果将其全部纳入模型 ， 对参数估计和预测准确度产生影响 。 在Nowcasting框架下，使用因子化来解决这一问题。将其与MIDAS结合，可得Factor-MIDAS模型框架，其一般形式为： 1 /m (m)t (m)t ˆ;)f y W(L  th w h q q m m m 向前预测值为： 1 /m (m)t ˆ ˆ ˆˆ;)f y W(L Th|T w q q mw m (m)t ˆf 与一般模型形式的差别是，需要首先对解释变量 进行估计。实际 w m 应用中，我们使用动态因子模型框架对潜在因子进行估计。 对于基本面景气度预测，被解释变量为行业ROE- TTM ，解释变量包括前者滞后一个季度的值，以及所涉及的宏观行业经济数据。对于这一设定，我们并不追求对目标变量进行最为准确的预测，而是更为关注其变化趋势。因此，我们使用的是经济数据的变化值，即同比或者环比。从最新数据的向上或向下变化中，获取其对目标变量带来的综合影响。 4.2.基本面景气度预测结果 基于前文所做的工作，此部分我们给出煤炭及细分行业基本面景气度预测流程和结果。对于基本面景气度预测，逻辑基础是对其成本和收益端进行分析，这包括量和价的综合影响。同时，宏观货币财政指标也会有相应的影响。具体来说，我们首先对动力煤、焦煤和煤化工这三个细分行业进行研究，