1. 课程导论：能源化工产业链全景图、量化分析的价值与挑战、课程目标与学习路径

1.1 能源化工产业链全景图——我们到底在分析什么？

大家好，我是你们这门课的主讲。在能源化工行业摸爬滚打了十几年，我见过太多人一上来就扎进数据堆里，结果连自己分析的是哪个环节都没搞清楚。所以，咱们第一件事，先把地图摊开。

能源化工产业链，说白了就是一条从「地下」到「地上」再到「消费者手里」的超级长链。我习惯把它分成三大段：

• 上游（资源端）：原油、天然气、煤炭的开采。这里的数据波动最大，地缘政治、OPEC减产、飓风封港，随便一个消息就能让价格上蹿下跳。
• 中游（加工端）：炼化、裂解、聚合。把原油变成石脑油、乙烯、丙烯，再变成聚乙烯、聚丙烯。这个环节的利润，说白了就是「加工费」，受开工率和原料成本影响极大。
• 下游（消费端）：塑料、橡胶、化纤、化肥。最终用户是汽车、建筑、纺织、农业。下游的需求变化，会像涟漪一样一层层传回上游。

我在项目中遇到过一件事：有个团队花了三个月做甲醇的价格预测模型，精度很高，但一上线就失效。为什么？因为他们没把上游煤炭价格的波动考虑进去。甲醇是煤化工的下游，煤一涨价，甲醇的成本逻辑全变了。你看，不懂产业链全景，模型再漂亮也是空中楼阁。

1.2 量化分析的价值——为什么非要用数据说话？

你可能会问：做能源化工这么多年，老师傅凭经验也能赚钱，为什么还要搞量化？

嗯，这个问题问得好。我举个例子你就明白了。

2018年有个经典案例：当时PTA（精对苯二甲酸）的现货价格和期货价格出现了严重背离。现货市场因为检修供应紧张，价格猛涨；但期货市场却因为宏观预期悲观，价格不动。很多老交易员凭经验做多现货，结果期货一交割，基差回归，亏得底朝天。

但如果你用量化模型，把PTA的库存、开工率、下游聚酯的利润、甚至汇率波动都纳入一个多因子模型，你会发现：基差回归的概率在95%以上，而且回归速度与库存变化率高度相关。这就是量化分析的价值——它帮你把模糊的经验，变成可验证、可复现的决策依据。

1.3 量化分析的挑战——这条路并不好走

说实话，能源化工行业的量化分析，比金融行业的量化要难得多。为什么？

• 数据质量参差不齐：很多工厂的开工率数据是人工填报的，周末和节假日经常缺失。我见过一个数据集，连续三年的春节数据全是NaN——因为工人放假了没人填。
• 产业链传导有滞后：原油价格涨了，下游的塑料价格不会立刻跟涨。这个滞后时间是多少？3天？7天？还是两周？不同品种、不同市场环境下都不一样。你想想看，如果模型不考虑滞后，那预测结果基本就是错的。
• 政策黑天鹅频发：环保限产、出口退税调整、反倾销调查……这些事件在历史数据里没有先例，模型根本学不到。我曾经在2019年做一个聚丙烯的套利模型，运行了半年都好好的，突然某天国家宣布禁止废塑料进口，整个价差结构瞬间崩塌。

1.4 课程目标——学完你能带走什么？

这门课不是讲理论，而是讲「怎么干」。具体来说，我希望你学完之后能做到三件事：

能力维度	具体目标	对应实战场景
数据清洗	能处理缺失值、异常值、不同频率数据对齐	把工厂日报、海关月报、期货分钟线整合到一个DataFrame
模型构建	能独立搭建多因子回归、时间序列、套利模型	预测PTA加工利润、识别甲醇与动力煤的套利机会
策略回测	能设计回测框架，评估策略的收益与风险	验证「库存低位+利润为负」是否是一个有效的买入信号

1.5 学习路径——我建议你这样走

这门课一共10个章节，我建议你按顺序来，别跳。因为每个章节的知识都是下一章的基石。

• 第1章（本章）：全景认知，搞清楚我们在分析什么。
• 第2-3章：数据获取与清洗。这是最枯燥但最重要的一步。数据不干净，模型就是垃圾。
• 第4-6章：核心建模方法。从线性回归到时间序列，再到机器学习。
• 第7-8章：实战案例。我们会一起做两个完整的项目：一个做价格预测，一个做套利策略。
• 第9章：模型评估与优化。怎么判断模型好不好？怎么避免过拟合？
• 第10章：总结与进阶方向。学完之后，你还能往哪个方向深入？

好了，导论部分就到这里。记住一句话：量化分析不是魔法，它只是把经验变成数学，把直觉变成代码。接下来的路，我们一起走。

---