数据选取
本文选取的解释变量包括原油价格趋势、曲线结构、M1-M3价差绝对数值，目的是为了预测未来原油库存变化。数据选取美国商业原油库存周数据(代表库存变化趋势)和Brent M1-M3价差周数据(代表价格变化，目前市场应用最广泛)。
由于全球库存数据难以收集完整，且不准确，这里用美国商业原油库存数据来代表全球商业原油的库存，并利用ICE Brent价格走势代表一个总体价格和价差的变化趋势。
通过对数据进行观察可以发现，原油库存存在明显的季节性，为了更好地分析价差对库存的影响，这里对库存进行了季节性调整;同时为了剔除单个数据波动的影响，更好地反映决策者的逻辑，一般参考价格取最近4个数据的平均价。
选取2008年1月18日—2017年7月21日的库存数据，是为了覆盖较全面的信息，更好地反映近几年的变化。数据周期太长的话，更多的不定因素会干扰模型。
为了方便描述，这里用M1-M3表示第一个月减去第三个月合约的价差，即行业普遍使用的月差。用MV4代表价差周数据，前4个数据的平均值。6W表示基于现在的库存水平，6周后的变化量。
在选择月差对库存影响的传导周期时候，标准依据有两个：一是C(Contango，升水)结构下，上涨次数最多;二是B(Backwardation，贴水)结构下，上涨次数较少。同时，为了防止结构性影响，本文将时间周期按照上述办法分为3个阶段，最后再统一概括。
历史分段研究
第一阶段(2014年年中—2017年)：C结构
选择6W作为传导周期的原因，统计结果如下表所示：
在C结构下，2014年年中—2017年和2008—2010年这两个阶段，和其他时间相比，6W时间传导最有效。库存6周后变化的情况，在2014年年中—2017年，有153个数据，其中有101个数据是上涨的，上涨对应的价差平均是-1.2。B结构下，2011—2014年这个阶段，6W的上涨周数不是最少，但与其他时间比，差距不大，所以选择6W作为月差的传导时间。
图为2014年年中—2017年Brent价格走势
图为2014年年中—2017年MV4变化
这个时期的结构是升水结构，也叫C结构。期货的单边趋势可以细分四个阶段：首先是急速跳水阶段，让曲线结构从B到C;接着是振荡下调阶段，曲线结构维持较好的C结构，且保持不错的升水程度;随后，小幅回弹阶段，曲线结构被迅速拉平，但依旧保持C结构;最后，小幅回调后的低幅度振荡阶段，在C结构的情况下，价差的波动增大。
从曲线结构可以看出，价差的敏感性随着期货价格的变化迅速反应，简单来说就是，前月的波动和反应加剧，后月的反应有一定的滞后，波动较小。
图为2014年年中—2017年原油价差变化
直线是库存的0线，表示在线上都是库存增加，线下都是库存减少，不具体考虑变化的量。从这张图可以看出，自2014年价差急速跳水，库存就一直保持增长的水平，直到2016年5月，价差出现上涨，库存反应较慢，但后来也是快速减少。随后的价差和库存的变化就保持很好的负相关。为了更好地量化多大的价差才能导致库存增加，我们利用库存上涨对应的价差平均值来作为指标，来回测是否可以得出库存增加。
数据统计结果显示，当MV4小于等于-1.2时候，对应周数有55个，在这55个里面，有40个周变化是正值。也就是说，如果利用-1.2作为分界点来猜测库存变化，大概73%的概率会出现库存增加。
第二阶段(2011—2014年年中)：B结构
2011—2014年年中曲线结构处于B阶段。细分为两段：首先是2011—2012年B结构，单边振荡走低，91个数据中，52个为上涨;之后是2013—2014年B结构，区域振荡，79个数据里面，38个为上涨。
图为2011—2014年年中Brent价格走势
图为2011—2014年年中原油价差变化
直线是库存的0线，表示在线上都是库存增加，线以下都是库存减产，不具体考虑变化的量。从上图可以看出，2011—2014年年中MV4的趋势是区间振荡，这也导致库存增加或减少。不过，MV4价差和库存的变化情况还是有几处明显的背离关系，用圆圈标出了。特别要注意的是，曲线背离关系不能完全解释价差与库存变化，要看到价差的位置和观察库存变化是否处于0点以上。
综合来看，库存上涨对应的价差均值为1.1。
这里上涨的主要原因是下游刚性需求增长，还有一些政策购买计划等。当然，库存上涨的次数相对C结构下的次数就少了很多。特别在行情波动下的市场，大家对方向把握不准，进货的情绪会比较保守。同样为了更好地量化多大的价差才能导致库存增加，我们利用库存上涨对应的价差平均值来作为指标，来回测是否可以得出库存增加。
数据统计结果显示，当MV4小于等于1.1时候，对应101个周。在这101个里面，有46个周变化是正值。这也就是说，我们如果利用1.1作为分界点来猜测库存变化，大概45%的概率会出现库存增加，与之前的73%有了很明显的对比。
第三阶段(2008—2010年)：C结构
2008—2010年的结构属于C结构，这里分为两个阶段：第一阶段是急速跳水，让曲线结构从B到C;随后进入振荡上涨阶段，曲线C结构在慢慢走弱，转向B结构的趋势。
前一阶段的快速下降，让库存增加速度和量都维持高位，但随后的振荡上涨阶段，让价差也呈现上涨后振荡的趋势，价差缩小，导致利润下降，库存的变化也小幅上涨或下降。C结构的价差均值约为-1.9。
图为2008—2010年Brent价格走势
图为2008—2010年原油价差变化
数据统计结果显示，当MV4小于等于-1.9时候，对应42个周，在这42个周里面，有34个周变化是正值。这也就是说，我们如果利用-1.9作为分界点来猜测库存变化，大概81%的概率会出现库存增加。但值得注意的是，出现增长的34个周里面，大部分集中在2008年，2009—2010年的C结构走向B结构的趋势导致库存变化出现不确定。
指导意义及不足
对比上述三个阶段，可以发现在C结构下，市场补库存的情绪比B结构下要积极。特别是在原油期货处于下降趋势的情况下，且处于C结构，价差预测库存变化最有效。研究成果可以帮助解决择时的问题，在趋势不明朗的情况下，可以借助研究结果验证目前的情况，帮助投资者选择入场时间。
然而研究依然存在不足，首先利用美国库存代表整体数据，不能完全包含所有样本的特点;其次，利用ICE的价差结合美国的库存数据会出现日期不吻合的情况，但影响不大，而且，价差选择、库存变化周期很可能出现变化。最后，突发事件未能考虑进入模型，不能更好地贴合市场。
产量对库存的传导作用
产量和库存
图为库存与产量对比
库存和产量通过单因素模型，统计结果如下：
R Square 0.149191
Adjusted R Square 0.144616
从大方向来说，库存和产量的走势趋同，但不能直接就认为产量增加就一定会导致库存的增加。一是产量不会直接导致库存增加，产量的影响传导至库存变化一定要考虑消费、进口、出口等因素;二是产量与库存之间的线性关系很弱，R平方只有0.15，不能完全解释库存变化。
产量与价格
图为产量与价格对比
价格和产量通过单因素模型，统计结果如下：
R Square 0.383084357
Adjusted R Square 0.379767606
为了更好地发现数据的特征，统计学结果如上。
从大方向来说，价格和产量的走势有较强的背离，但不能直接就认为产量增加就一定会导致价格的走低。产量不会直接导致价格变化，产量的影响传导至价格变化一定要考虑金融环境、投机度、消费等因素。另外，产量与价格之间的线性关系很弱，R平方只有0.38，不能完全解释库存变化，但快速增长的产量会导致价格的下跌。
指导意义
产量和库存的传导没有明显的线性关系，有一定的滞后性，但结合研究成果，从价格和产量的趋势来看，过高的产量会对价格打压，导致曲线结构的变化从而传导至库存的上升。
