当前位置:首页  >  硕士论文

中美大宗商品市场与股票市场价格波动双向溢出效应比较研究 ——基于行业视角的实证分析

时间:2020-08-05来源:硕士论文

随着市场上大宗商品金融属性日趋明显,并且定价机制与传统金融资产趋 同,大宗商品价格,作为判断市场走向,规避风险的重要参考标准之一,在现如 今的金融市场上,占据着越来越重要的作用。研究大宗商品与其他金融市场间的 联动效应也引起了更多的关注。 在众多研究大宗商品与其他金融资产联动效应的文章中,多以股市和债市为 主,参考基准也多以美国市场为基准,对比对象也主要是石油,黄金,铜等大宗 商品,并没有覆盖全类别金融资产。其次,经济全球化提高了综合资源配置效率, 让世界各国金融资产连成一个整体,但是由于历史环境和发展情况的不同,不同 国家大宗商品与其他金融市场的溢出效应表现不同,具体到行业分类更是千差万 别,需要进行更细致的分类讨论。 在此

随着市场上大宗商品金融属性日趋明显,并且定价机制与传统金融资产趋 同,大宗商品价格,作为判断市场走向,规避风险的重要参考标准之一,在现如 今的金融市场上,占据着越来越重要的作用。研究大宗商品与其他金融市场间的 联动效应也引起了更多的关注。

在众多研究大宗商品与其他金融资产联动效应的文章中,多以股市和债市为 主,参考基准也多以美国市场为基准,对比对象也主要是石油,黄金,铜等大宗 商品,并没有覆盖全类别金融资产。其次,经济全球化提高了综合资源配置效率, 让世界各国金融资产连成一个整体,但是由于历史环境和发展情况的不同,不同 国家大宗商品与其他金融市场的溢出效应表现不同,具体到行业分类更是千差万 别,需要进行更细致的分类讨论。

在此背景下,本文利用VAR-GARCH-BEKK模型,同时考虑到中国期货市 场起步较晚,期货品类相对较少的现实情况,以中国期货品种作为基准,采用棉 花,大豆,豆粕,豆油,黄金,棉花,玉米七大品种的价格数据,中国股票市场 行业指数采用中信行业指数,美国股票市场采用标普500行业指数,探讨这7 种期货品种与相对应的股市行业指数的双向溢出效应,进而对比中美金融市场间 波动溢出的不同,从而针对性的提出建设中国金融市场的建议。

研究结果显示,在42组对比数据中,只有中国市场豆粕品种正态分布和T 分布局部最优解,中国市场豆油品种正态分布全局最优解,中国市场玉米品种T 分布局部最优解,以及黄金品种四种条件分布下,存在明显的价格波动双向溢出 效应,其余情况或是明显的单向溢出效果,或是不存在波动溢出效应,或是异常 数据情况。总体而言,中国市场和美国市场相关溢出情况不尽相同,体现着各自 市场不同的特点,同时在数据分布形态不同,可利用数据处理方式不同的情况下, 得到的结果也不尽相同。中国金融市场的改革和完善仍需要以实际情况为基准, 逐步调整,循序渐进。

关键词:

大宗商品市场,股票市场,VAR-GARCH-BEKK模型,价格波动,双向溢出效


Abstract

With the increasingly obvious financial attributes of commodities in the market, and the convergence of pricing mechanism and traditional financial assets, commodity prices, as one of the important reference standards for judging market trends and risk aversion, play an increasingly important role in today's financial market. Studies of the linkage between commodities and other financial markets have also drawn more attention.

In many articles of studying the linkage effect between commodities and other financial assets,most of them focus on the stock market and bond market.And most of the references benchmarks are based on the U.S. market.The comparison objects are also maily oil,gold,copper and other commodities.At the same time,not all financial assets are covered.Secondly,economic globalization had improved the comprehensive efficiency of resource allocation.Though economic globalization makes financial assets all over the world together as a whole,due to the different historical environment and the development of different national commodities and other different spillover effects in the financial market performance, specific to the industry classification is different,still need to be discussed more detailed classification.

In this background, this paper maily uses VAR - BEKK- GARCH model.At the same time, considering the Chinese futures market starts late, and the reality of futures category is relatively small.So we uses futures varieties as a benchmark in China, including cotton, soybeans, and soybean meals. It also includes soybean oil, gold,and cotton, which maize varieties of seven price data.Besidesjt takes industry in Chinese stock market index by citic industry index, and the U.S. stock market with the s&p 500 index industry into cinsideration. Discussing the seven index futures varieties and the corresponding stock market industry two-way spillover effect, and then comparing the volatility spillover between financial markets of China and the United States is different so as to put forward targeted construction of Chinese financial market recommendations.

Results show that in 42 group contrast data, only Chinese soybean meal variety


of normal distribution and T distribution with local optimal solution,and the Chinese market soybean varieties of normal distribution with the global optimal solution have the obvious spillover effect,which also include the Chinese market corn varieties T distribution with local optimal solution.As for gold varieties under the condition of four types of distribution, price fluctuation in the obvious two-way spillover effects .And the rest of the situation is or one-way spillover effect, volatility spillover effect or not.They also matain abnormal data.In general, the relevant spillovers of the Chinese market and the American market are different, reflecting the different characteristics of their respective markets. At the same time, in the case of different data distribution patterns and available data processing methods, the results are also diflerent.The reform and improvement of Chinese financial market still needs to be based on the actual situation and adjusted step by step.

Key words:

Commodity market, Stock market, VAR-GARCH-BEKK model, Price fluctuations ,

The bidirectional overflow


1章绪论 1

1.1选题背景及意义 1

1. 2文献综述 2

1.2. 1商品市场与股票市场价格波动双向溢出效应的研究综

述 2

1.2.2波动溢出效应计量方法的研究综述 5

1.3研究思路及框架 6

1. 4主要创新和不足 7

1.4. 1力图实现的创新 7

1.4.2可能存在的不足 8

第2章大宗商品市场与股票市场价格波动双向溢出效应的基本理论9

2. 1大宗商品市场与股票市场价格波动的影响因素 9

2. 1. 1大宗冏品价格的波动影响因素 9

2. 1. 2股票市场价格的波动影响因素 11

2. 2大宗商品市场与股票市场价格波动的传导机制 12

2. 2. 1大宗商品市场对股票市场的价格波动传导机制 12

2.2.2股票市场对大宗商品市场价格波动的传导机制 13

3章数据选取及模型建立 15

3. 1数据选取 15

3. 1. 1大宗商品市场品种和时间区间的选择 15

3. 1. 2股票市场行业指数的选择 16


3.2模型的建立 17

4章中国大宗商品市场与股票市场价格波动双向溢岀效应实证分 20

4. 1数据处理 20

4.2白糖期货市场与农林牧渔行业指数溢出效应实证结果…••…22

4.3大豆期货市场与农林牧渔行业指数溢出效应实证结果…••…28

4. 4豆粕期货市场与农林牧渔行业指数溢出效应实证结果…••…33

4. 5豆油期货市场与农林牧渔行业指数溢出效应实证结果…••…37

4.6黄金期货市场与有色金属行业指数溢出效应实证结果…••…42

4.7棉花期货市场与农林牧渔行业指数溢出效应实证结果…••…46

4.8玉米期货市场与农林牧渔行业指数溢岀效应实证结果…••…51 第5 美国大宗商品市场与股票市场价格波动双向溢出效应实证分 57

5. 1数据处理 57

5.2白糖期货市场与必须消费行业指数溢出效应实证结果…••…59

5.3大豆期货市场与必须消费行业指数溢出效应实证结果…••…65

5. 4豆粕期货市场与必须消费行业指数溢出效应实证结果…••…69

5. 5豆油期货市场与必须消费行业指数溢出效应实证结果…••…73

5. 6黄金期货市场与非必须消费行业指数溢出效应实证结果…・78

5. 7黄金期货市场与金融行业指数溢出效应实证结果 82

5. 8棉花期货市场与必须消费行业指数溢岀效应实证结果…••…87

5.9玉米期货市场与必须消费行业指数溢出效应实证结果…••…92


第6章中美两国大宗商品市场与股票市场价格波动双向溢出效应实

证结果比较分析及启示建议 96

6. 1中美市场实证结果分析与对比 96

6.2大宗商品市场与股票市场价格波动溢出效应研究启示…••…98

结论 101

参考文献 101

致谢 109

1章绪论

1.1选题背景及意义

伴随着世界格局的不断变化,国际金融市场的崛起相应而生,在资源分配领 域扮演着越来越重要的作用。产品的国际化与市场化,以及资本的国际化让世界 连成一个整体的同时,也将潜在的金融风险送到了金融链条上每个结点。在金融 市场不同的构成成分中,在构建多层次资本市场的历程中,股市以巨大体量和不 可动摇的资本流通传统途径占据着重要的位置,一直是投资者重点关注的领域。 近年来,大宗商品市场的迅速崛起,出现了不同于以往的价格波动情况,同时和 世界经济的增长也表现出了一定的联动效应,这些引发了广大投资者的广泛讨论 和进一步关注(兰宏,2017) a】。

由于不同国家历史背景及发展路径的不同,以及后续相关制度的建立偏向不 同,即便在经济全球化的今天,即便不同金融市场间的联动效应成为了预判风险, 组合对冲的体现指标,同种类资产价格变化及波动影响情况也各不相同,需要参 考特定时期的国家数据特点,具体分析。

美国金融市场一直是世界各国的参照市场,对其他地区各类金融资产价格波 动具有重大影响。美国金融市场工具种类繁多,体量大,市场参与者及参与形式 相对丰富,在相关分析金融资产或部分金融市场波动情况的文献中,大多也都是 以美国资本市场为参考标准(王奇珍等,2018) a]。参照美国市场相关金融市场 间的波动溢出情况,有益于及时发现本国金融市场发展过程中的问题,对建设发 展中国家的金融市场以及进一步构建完整规范的多层次资本市场具有重大借鉴 意义(林恋,2017) mi。我国金融市场虽然在市场规模和活跃度方面明显提升, 金融市场参与方式和工具在创新方面得到显著提高,但是在整体结构调整和协调 效率上还是有很大的待提升空间。

综合以上情况,我们选择中美两个市场,以数据可获取以及品种具有可对比 意义作为前提,对比两个国家的大宗商品市场与股票市场的价格波动与双向溢出 情况。根据两个国家的不同情况,对于把握市场走向和预判具有重要意义。

1.2文献综述

I. 2.1商品市场与股票市场价格波动双向溢出效应的研究综述

在19世纪时,法国著名数学家(Louis Bachelier)应用统计分析方法来综合 分析股票的收益率问题,其波动的期望值为零。Eugene Fama(1970)在上一理论 基础上进一步提出了有效市场假说。Fama提出在强势有效市场中,股票的价格 是所有相关信息的体现,这些信息主要是金融市场相关的信息,包括公开和内幕 信息,也可以说股票价格服从随机游走。但是,经过学者的检验,以及市场难以 达到强势有效的现状,人们发现信息是可以跨市场传递的,进而引出溢出效应

(Spillover Effect) (Bing Zhang,2014)⑶

在溢出问题的研究上,初期学者大多关注的是均值溢出效应(Creti, 2013) ⑵。后来,众多学者发现,相对于利用金融市场间收益率的一阶距来进行分析, 利用波动水平的二阶矩更能有效反应溢出效应的传递情况(Eric Olson,Andrew

J. Vivian和MarkE.Wohar,2014)卫】。其中,尤其以研究股票市场对其他金融市 场的溢出效应为代表。从初期的简单波动溢出到后期的多条件多情况下的动态溢 出,都是溢出方向研究的重点。Due Khuong Nguyen, Ricardo M. Sousa, Gazi Salah Uddin (2015)问探讨了中美的因果关系而导致的股票收益和能源、金属及 农产品期货收益之间的波动关系,他们使用了一个框架,解释了商品回报季节性 影响,发现了伴随溢出效应而导致的不对称性。这个研究提出的非对称效应是以 往文章中都忽视的一部分。这种非对称联系可能夸大了商品期货在构建投资组合 规避风险的作用,但是提供了美国股票收益与大宗商品期货收益之间非线性的相 关信息。文章提出未来有前景的探索方向将是关注风险溢价,而不是回报。例如, Szymanowska等人(2014)将大宗商品期货风险溢价分为现货溢价成分和期限溢价 成分。Yongdeng Xua, Nick Taylor, Wenna Lu (2018)阿三人则对股票市场的价格 波动溢出情况进行了进一步的探讨,三人提出了求解非流动性动态的乘法误差模 (MEM),利用完整数据充分证实了金融危机前后八个发达国家股市的非流动性 和波动性溢出效应,从而得出结论,股票市场的波动性和非流动性是相互依赖的, 且大多数市场在经济危机区间内表现出波动性上升和非流动性溢出效应,而二者 的传导又是高度相关的。大宗商品金融化趋势愈加明显,关于大宗商品市场和金 融市场之间的溢出效应的研究也多了起来,陆续有学者提出,利用大宗商品丰富 资产配置方式,进一步强化了大宗商品的金融属性。Zeno Adams和Thorsten Gluck (2015)舵]提出,大量的资金流入商品投资,改变了一直以来商品和一般股票市 场之间的行为和依赖结构。市场游资对两个市场共同投资的增加,是在2007 2009年金融危机期间完成的。文章提出,单凭财务困境无法解释共病的规模 和持续时间,而大宗商品却已成为机构投资者的一种投资风格。为了继续研究大 宗商品市场与股票市场的双向溢出效应,许多学者试图对大宗商品波动性建模, Karanasosa, Menla Alib, Margaronisa等(2018)⑺利用映射数据和未映射数据, 探讨了近期金融危机对具有代表性的关键金属期货回报最普遍的随机特性的影 响。实证结果显示,在危机期间,铜和黄金期货收益在条件波动溢出中表现出随 时间变化的持续性,除此之外,实证结果也显示了在危机的不同阶段,这些收益 之间均存在时变波动溢出。

在整个研究大宗商品市场和股票市场波动双向溢出效应的历史进程中,以国 际市场中的石油价格、原油价格和股票市场双向溢出效应的研究最为活跃,研究 范围包括了世界上极具代表性的国家,同时还有学者试图验证大宗商品能否作为 有效风险对冲工具。Bradley T. Ewing和Farooq Malik (2013)⑷利用1993年至 2010年的日收益率,研究包含结构性断裂的黄金和石油期货的波动性溢出问题。 当模型中将结构性方差突变考虑进去时,黄金和石油收益之间的波动性显现出了 显著传递,同时文章页计算了最优投资组合权重以及动态风险最小化对冲比率。 而研究结果证实了跨市场对冲和金融市场参与者共享共同信息的想法。Bin Mo 等(2019) Hi]从产业角度进行分析,研究了国际石油市场与中国大宗商品市场的 动态关系,实证结果显示全球石油市场与中国大宗商品行业之间存在较强的回报 溢出效应以及长期的时变波动联系。结果同时证明了降低风险的一条明显路径是 投资组合的多样化,并且投资组合多样化策略的表现在不同的时间段是不同的, 且利用石油商品板块之间的关联可以使投资者面临最小化的风险,从而进一步构 建最优投资组合。Weiju Xu, Feng Ma等人(2019)[涸提采用一种新的溢出方向 测度和非对称溢出测度,研究了石油与股票市场之间的动态非对称波动溢出。文 章使用的主要指标是,WTI期货价格的日度数据,还有S&P500、上证综合指数 的日内数据。研究者发现石油市场和股票市场之间存在不对称溢出效应,并且在 样本周期内,坏的波动溢出会主导好的波动溢出。Abdallah Fayyad, Kevin Daly(2010)⑴,对阿曼、科威特、英国、阿联酋、卡塔尔、美国、巴林、等7 国家的油价与股票市场收益率之间的关系进行了分析研究。文章采用2005年9 月至2010年2月的日度数据,实证结果表明,在油价上涨和全球金融危机(GFC) 期间,石油对股票回报的预测能力有所增强,其中在GFC期间,冲击对油的脉 冲响应增加,而海湾合作委员会成员国的卡塔尔和阿联酋以及英国对石油危机的 反应明显要强于其他市场。Shahzada, Walid Mensi等人(2018)联]研究了伊斯 兰世界指数、美国、英国、日本伊斯兰指数和伊斯兰金融板块指数等5个伊斯兰 股票市场,主要研究对象包括这几个国家的上、下风险溢出和依赖结构,实证结 果显示,石油和伊斯兰股市之间存在时变的较低尾部依赖关系,石油对伊斯兰股 市的不对称上、下风险溢出。并且在全球金融危机之后,这种不对称的风险溢出 显著增加。其中Walid (2014)卩1]还进行了主要能源市场和农产品市场之间的溢 出效应研究。Yudong Wang, Li Liu (2016)厲]关注两组指标的动态相关关系, 指标分别包括7个石油出口国和9个主要石油进口国,研究波动溢出效应和原油 与股票市场之间的动态相关性。同时基于样本内和样本外证据的实证分析结果显 示,国际原油市场和一国股市之间的波动溢出和动态相关性取决于该国石油进出 口在世界市场上的净头寸。此外,文章也提出投资石油出口国的股票相比投资石 油进口国的股票能更好地对冲相关风险。Mark E. Wohar等人(2017)⑶为了计算 时变对冲比率,只用了三种完全不同的方法,综合结果显示大宗商品能在金融危 机期间充当股市的对冲工具这一情况并不准确。

除了国际广泛关注的石油和原油,其他大宗商品对股票市场及其他金融市场 的双向溢出效应也引起诸多研究者的注意。Sang Hoon Kang等人(2017)㈡]运 用溢出指数法,分类别分析了6个商品期货市场的溢出效应,主要包括收益率和 波动性溢出指数的动态,以揭示近期全球金融和欧洲主权债务危机期间的传导强 度和方向。Perry Sadorsky (2014)囚]对新兴市场股票价格、铜价、油价和小麦 价格之间的波动性和条件相关性进行了建模,利用动态条件相关模型进行最优拟 合,生成动态条件相关、套期保值比率和最优投资组合权重。经过对比,文章证 实了石油是新兴市场股票价格最便宜的对冲工具,而铜是最昂贵的对冲工具。

1-2.2波动溢出效应计量方法的研究综述

金融市场间的溢出效应表现为两方面,即均值溢出效应和波动溢出。均值溢 出效应是一阶距溢出,影响程度可以用正向或负向表示。波动溢出是二阶矩溢出, 影响程度仅仅表现为正向。衡量价格和收益溢出效应方面,二阶矩溢出模型将资 产收益率的自相关和交叉自相关考虑进来。因此,对的波动溢出效应的研究,使 用非对称的模型,构建时变的相关系数来描述交叉上市非对称性。目前在研究大 宗市场和股票市场的双向溢出效应的文章或是其他金融市场间的双向溢出效应 的文章多是应用二阶矩溢出。

Dermot J. Hayes等人(2011)卩刃为了评估可能出现的波动而构建了随机波动 模型。随机波动模型利用的是1998年11月至2009年1月的原油、玉米和小麦 期货价格。文章采用贝叶斯马尔可夫链蒙特卡罗方法估计模型参数。文章建立了 模型捕捉原油价格动态的若干性质,既有均值回归、波动的聚类性问题,又有收 益与波动之间的非对称性和不常见的复合跳跃。文章同时发现了 2006年秋季之 后原油、玉米和小麦市场波动溢出的证据。Burak Saltogl团队(2012)⑸对io 个新兴市场的单变量混合数据抽样(MIDAS)模型与GARCH(1,1)基准模型的周外 波动预测性能进行了评价。文章证实了基于West(2006)提出的检验,MIDAS 型在近期金融动荡时期提供了较好的统计预测精度。但是对于平静时期,MIDAS 模型无法产生统计意义上更好的每周波动预测,为解决不同金融市场间数据处理 问题提供了新的思路。

后续研究对GARCH模型的应用则是更加广泛和多样。Menelaos Karanasosa 团队(2018) "I利用双变量GARCH模型表明了在危机的不同阶均存在金融市场 收益时变波动溢出。Perry Sadorsky ( 2014 )利用 VARMA-AGARCH DCC-AGARCH模型,对新兴市场股票价格、铜价、油价和小麦价格之间的波动 性和条件相关性进行了建模。Adel Boubaker团队(2014)采用VAR-GARCH 型研究了 4种大宗商品,包括能源、黄金以及食品和饮料,分析它们在2000 2011年动荡时期于S&P500指数之间的收益率传导和波动溢出。在收益和波 动溢出方面,文章证实,标普500指数和大宗商品市场之间存在显著的传导。标 500指数过去的变化和波动对石油和黄金市场产生了强烈影响,对比发现标准 普尔500指数与黄金指数、标准普尔500指数与WTI指数之间的条件相关性最 高。Yonghong Jian团队(2019)利用2004年9月1日至2018年9月28日的日 数据集,采用DCC-GJR-GARCH模型对全球石油市场与中国大宗商品行业的内 在关系进行实证研究。在研究基础上,文章提出了建立动态收益和波动关联投资 组合的一些建议。Syed Abul Basher和Petry Sadorsky (2016)囚]证明由于“维数 的诅咒“即一般性和可行性之间的权衡),在大型数据集上估计GARCH模型具有 挑战性。针对一些多变量GARCH规范,如BEKK,会随着变量数量的增加自由 参数的数量增长得非常快,使得大型数据集的估计不可行。像CCC (常相关系 数多元)、DCC(动态条件相关)和GO-GARCH这样的多元GARCH模型为大数 据集上估计多元GARCH模型提供了易于分析的方法。虽然CCC和DCC型多元 GARCH模型非常流行(Chikashi Tsuji,2018)⑹,但GO-GARC H在实际应用中较少。 DCC捕获了波动性和相关性的持久性和时变相关性,但没有捕获波动性的溢出 效应,DCC在线性变换下也不是封闭的(Chikashi Tsuji,2018)⑺。GO-GARCH 足所有这四项要求,但直到最近,它才变得更加难以估计。文章包括新兴市场股 票收益、油价、金价、债券价格和波动率指数,利用DCC、ADCC、GO-GARCH 模型,比较不同模型条件下的套期保值比率。方法是使用固定滚动窗口估计 DCC、ADCC和GO-GARCH模型,并估计在领先一步条件下的对冲比率。谭小 芬等(2018)旳则进一步应用BEKK-GARCH模型,选取不同种国际大宗商品, 利用国际大宗商品现价分别和中国股票市场和美国股票市场做双向溢出效应的 检验,一定程度上完善且进一步细化了双向溢出范围。

1.3研究思路及框架

由于不同国家市场间大宗商品种类不同,而我们的研究对象主要集中在中美 两国上,而且相对美国金融市场,中国金融市场起步相对较晚(Marc Joets,2013)^o 所以在大宗商品种类选取上综合以上情况,我们一共选取了七个品种,涉及到的 股票行业指数主要包括中国市场的两大板块和美国市场相关股票行业指数的三 大板块。

本文包括6大部分,具体内容如下:

第1章是绪论,包含了文章的选题背景和写作意义,梳理了不同市场间的价 格波动双向溢出效应的相关文献,以及文献中具体涉及的研究模型,涵盖了整体 文章的研究思路以及存在的创新和不足。

第2章是大宗商品市场与股票市场价格关于溢出效应的相关理论阐述,主要 包含两大方面,一是两大市场价格波动的影响因素,二是两大市场间相互作用, 价格波动的作用机制。

第3章是从理论方面对VAR-GARCH-BEKK模型在建立过程中的问题进行 理论阐述,是后续实证结果的重要基础。

第4章是中国市场在七个大宗商品品种上与相关的两大股票行业指数之间 的价格波动双向溢出实证结果分析。由于相关大宗商品可获取数据的条件不同, 所以我们考虑到了选取的数据特点,同时又补充了另一种条件分布下的实证结 果。在考虑到数据不同形态分布的同时,我们还综合考虑了应用软件模型局部最 优解和理论模型全局最优解两种情况,对大宗商品市场与股票市场价格的双向溢 出效应作出了更具体的划分,便于对结果进行深入且全方位的分析和对比。

第5章是在已建立的模型和第4章的综合考量下,继续探讨美国市场内大宗 商品市场与股票市场价格波动双向溢出的具体情况。

第6章是在前两章得到的实证结果基础上,分析中美两国市场的不同,探讨 在中国特殊的国情背景下,如何进一步构建完整规范的金融市场。

1.4主要创新和不足

1.4.1力图实现的创新

通过目前已有的文献梳理和阅读,可以看出,目前我国相关研究上,主要还 是集中在单向溢出和均值溢出上,双向溢出效应且以行业为背景的情况研究的较 少。并且大部分文献都是以国际大宗商品价格为代表,研究国际大宗商品市场(一 般利用现价)对不同国家股票市场的波动溢出效应,很少有以国家为单位,且从 行业角度分别进行不同国家内的大宗商品市场与股票市场间的综合溢出效应的。 很多文章选取的数据受限于样本区间限制,无法准确定义数据分布,所以讨论的 情况不全面。本文将基于新的立意点,对市场间的波动溢出效应进行全方位多情 况的综合分析。

在研究相关问题使用的模型上,通过阅读已梳理的文献可以看出,部分研究 者是基于GARCH模型以及GARCH相关延展模型进行研究。在采用的数据上, 一般针对股票市场的数据采用的都是日度收益,而在大宗商品市场相关数据的采 用上则各不相同,有的文献利用国际大宗商品的日现货价格,有的则是采用半年 期的大宗商品期货价格,更多的是采用一年期的大宗商品期货价格。本文则是利 用大宗商品连续区间的日度数据,同时有选择性的筛选数据,区别连续交易数据 和活跃交易数据,同时考虑到两种数据分布的情况进行综合分析。

本文将利用winrats和R语言,充分考虑的溢出效应的时变效应,并突破了 相关金融变量之间的相关系数保持恒定的限制。为了减少误差,全面的分析价格 波动双向溢出效应,文章还充分兼顾了应用软件双向溢出模型的局部最优和理论 模型整体最优解的情况,尽可能全方位确定大宗商品市场和股票市场间的双向溢 出效应以及溢出方向。

1.4.2可能存在的不足

本文虽然基于行业分析的角度分析了大宗商品市场和股票市场的双向溢出 效应,但是鉴于数据处理的难度和相关板块数据利用的重叠性,不能将每一种大 宗商品寻求到完全相关的股票市场对应板块,即大宗商品市场数据和股票市场相 关板块数据不能完全一一对应,同时部分大宗商品品种只活跃在其他国家金融市 场上,不能在文章中进行更细致的多市场多品种分析(El Hedi Arouri,2011)[11]o 续的研究还需不断补充相关行业和板块的数据,对不同板块进行更细致的分析。

同时,鉴于数据的可获取度和可利用性,为了不影响正常的数据运用,部分 数据采取连续交易数据,部分数据采取活跃交易数据。由于不同大宗商品的可以 用数据区间不同,尽管在中美市场对比的数据具有平行一致性,但是无法做到全 体数据的区间完全一致性,可能会对实证结果存在一定的误差影响。

本文文献仅选取最具有代表性的中美市场进行对比,相比于国际上不同国家 的金融市场发展情况,还缺少其他国家的对比,这也是本文不足的地方(潘思琦, 2014)卩3]。


2 大宗商品市场与股票市场价格波动双向溢出效应的
基本理论

2.1大宗商品市场与股票市场价格波动的影响因素

大宗商品价格和股票市场价格波动频率和幅度的攀升背后,是世界经济迅速 发展,整体格局变化的大环境(骆镜华,2014) QI。大宗商品价格和股票市场价 格,一定程度上可以反映世界经济趋势和民生民计,不仅可以作为宏观经济参考 重点,也可透过价格研究微观经济,把握发展运营问题(Amaine Lahiani等,2011) [18]。

2.1.1大宗冏品的价格波动影响因素

考察大宗商品历史价格波动情况,可以发现,即便大宗商品价格始终处于波 动状态,但是波动的具体情况完全不同,尤其在几个世界经济格局变化的时点 (Due Khuong Nguyen,2013)[1刃。在20世纪90年代,大宗商品价格波动相对平稳, 进入21世纪后,波动幅度变大,并保持着长期持续上涨的趋势,相比过去,价 格指数攀升了近四倍(Lucia Baldi,2016)问。经过2008年金融危机后,价格指数 明显下降,但依然保持在90年代价格指数之上,但只有最高水平的一半,在2016 年年初到达金融危机后的最低点。2017年世界经济开始出现小幅波动和不稳定 现象,大宗商品价格指数自从2016年后半段小幅回暖后,又在年度中旬逼近百 点。后续世界发达经济体和发展中经济体由于去库存去产能政策效益日显,大宗 商品价格指数上扬趋势明显(孙玉奎等,2018)卩4]。也有文章著名,大宗商品价 格只有在世界经济增长达到4%时才能维持上涨趋势(童莉霞,2016)。但是,整 体世界经济格局变化较快,经济环境依然复杂,大宗商品价格指数未来波动依然 难以预测。

影响大宗商品价格因素较多,不仅分有长期因素短期因素,还要根据具体的 大宗商品品种进行区别分析(NicholasApergis)[20]o总体来说,影响大宗商品价格 的因素极为复杂,而且相互作用不仅仅是两个对象单向波动,中间还存在着相当 复杂和难以确定时效的相互交叉影响和滞后性的问题。

首先,作为世界经济重要参考标准的大宗商品价格,会很大程度受到来自实 体经济的冲击,实体经济影响多表现为宏观经济相关因素,既包括长期因素又包 括短期因素。大宗商品虽然金融属性日趋明显,但是依然符合商品属性,符合基 本的供需决定理论,所以研究宏观经济相关因素影响大宗商品价格指数也需要紧 紧围绕基本供求来看(Maitg2019)[i6】。分析历年数据显示,大宗商品价格指数和 全球经济周期具有动态平衡关系,具有明显的正向相关关系,并且经济周期会在 长期上影响供求情况(Karanasos,2018)[i7]。以经济周期为例,在经济衰退阶段, 刚刚经历了上一轮经济过热而陷入冷却期,国家会降息以刺激经济,提升价格(王 少飞,2017)]。衰退期间各个经济指标走弱,之前过剩的产能和下降的价格使 通货膨胀率降低,利率持续下降,收益率也明显下降,此时债券类产品成为避险 类产品首选,导致大宗商品需求明显减少,价格持续走弱。在经济过热阶段,受 限于生产力上限,大宗商品供给出现短缺,容易出现通货膨胀,在央行提高利率 的时候,GDP整体增长大于趋势增长,此时大宗商品成为更优的投资品,需求 增加,随之而来价格指数明显增长(Riccardo Colacito,2011)[22]o与宏观经济周期 相关的可以监控的指标可以细化很多,包括国民经济核算、固定资产投资、交通 运输、物价指数、财政支出、利用外币和人民生活等指标(韩立岩等,2012)旳。

除去与经济周期有关的宏观经济因素通过影响基本供需情况影响大宗商品 价格以外,还有很多其他因素,如人口因素等。而人口因素又具体包括人口总量, 人口结构等(Sanjuan-Lopez等,2017)]。从技术水平来看,技术水平越高,效 率越高,大宗商品单位成本会越低,相对价格也会降低。

以上研究的都是相对可控的因素通过影响基本供求关系从而影响大宗商品 价格,现实中还会存在很多不可控的偶发因素影响大宗商品价格(Julien Chevallier等,2016)]。比如会明显影响农作物生产的天气情况,不同国家之前由 于特定历史环境和偶发事件产生的贸易牵制政策,由于政治环境变化而导致的相 关行业政策变革,突发的疫情和重大自然灾害,都属于相对不可控的因素,会通 过直接或间接影响大宗商品的供求而影响价格指数的进一步变化(Shawkat Hammoudeh 等,2005 ) [25]

其次,大宗商品金融属性极为明显,所以金融相关因素也是影响大宗商品价 格指数的重要条件Vardar, Gulin等,2018]。总体而言,可以将影响大宗商品价 格指数的金融相关因素分为三大部分:流动性问题,汇率问题和不同市场联动机 制问题(杨奕,2015) 25]。和这些金融影响因素相关的可参考指标又可以细化为 货币供应情况,股票债券等金融市场指标,利率相关因素,外汇相关因素,银行 同业拆借等。一般情况而言,货币供应量的情况直接影响流动性问题,货币政策 越宽松,流动性越好,大宗商品价格也会相应上涨Makram Beljid等,2013)]。 同时,美元作为绝对强势的计价货币,它的升值会造成大宗商品的价格下调压力, 所以大多数情况,美元币值与大宗商品价格呈负相关关系。在跨市场联动上,由 于大宗商品是由期货市场和现货市场组成的,而且从理论上来说,期货市场具有 价格发现功能,所以一般会有价格波动会由期货市场向现货市场波动的情况(周 俊禹等,2019) SI。除了这两个市场以外,其他的金融市场与大宗商品市场之间 由于资金流动,也会进一步影响价格变化Walid Chkili等,2014)阳。

2.1.2股票市场的价格波动影响因素

在西方经济的理论中,股票市场资产价格相关理论研究主要有自下而上和自 上而下法,并且以经济为研究基础,以宏观经济、中观经济和微观经济为主要的 研究对象。特殊情况下,可以继续利用行为金融,心理学,信息综合处理等相关 扩展类别只是作为辅助。但综合而言,经济因素是其重中之重(孙彦林等,2014) [55]o经济因素与非经济因素相辅相生,应当全面且共同考虑研究。

股票市场价格波动影响因素包括宏观因素和微观因素,而二者都可以进一步 细分为经济因素和非经济因素。宏观经济因素对股票价格影响比较广比较大,主 要包括利率、汇率、经济周期,财政政策和货币政策等Ahmet Sensoy 2017) [33]o整体经济良好处于良性经济周期时,代表整体投资者对市场环境看好,整体 投资环境较好,流动资金较为充裕,各项指标良好,有力促进循环再投资和扩展 发展战略,有利于营造且维护良好的经营环境,此时股票价格指数呈明显上升趋 势(王嬪华,2015) ®]。利率影响融资成本问题,进而会影响企业经营问题,并 且利率一般与股票价格指数呈现负相关关系。汇率因素对股票行业指数的影响, 一般与宏观环境有关,宏观环境越好,汇率变动会进一步影响进出口情况,进而 影响企业经营情况,从而影响股票价格和相关行业指数。在涉及到宏观非经济因 素中,公司所处行业周期会影响股票价格,一般处于成长期的公司股票价格处于 上升渠道,处于成熟期的公司股票价格较为稳定。国际上发生的突发事件也会影 响股票市场价格,一般突发事件影响较广,并且对价格影响较为迅速,比如战争 或是黑天鹅事件Xunxiao,2018)W]。除此之外,宏观经济非经济因素还包括房地 产市场价格,股指期货价格,国家稅收政策等等都会影响股票市场价格。影响股 票市场价格的微观因素一般都是涉及企业自身经营情况,比如上市公司管理层要 素,相关税收政策和会计政策的财务处理方式,还有涉及到具体经营效益的各个 指标等Yudong Wang等,2019) [35]O这些指标具体包括盈利能力相关指标,偿 债能力相关指标,营运能力相关指标,现金流相关指标等。除了涉及企业经营效 益的指标,一些非经营业绩类指标同样会引起股票价格变动,如限售股解禁股情 况,公司法人治理结构问题,社会责任与道德问题等等(胡翔,2013)]。与企 业经营有明显关联的并购政策,上市退市政策以及监管政策等,都会直接或间接 影响股市价格。

2.2大宗商品市场与股票市场价格波动的传导机制

股票市场和大宗商品市场价格决定和价格影响机制方面有很多不同的地方, 但是也有很多共通的部分,比如同时都会受到宏观经济的影响。在研究两个市场 之间价格波动的传导机制问题时我们依然分为两部分,第一部分是大宗商品市场 对股票市场的价格波动传导机制,第二部分是股票市场对大宗商品市场价格波动 的传导机制,这样的对比会更明确和明显。

2.2.1大宗商品市场对股票市场的价格波动传导机制

大宗商品兼具商品属性和金融属性,所以对其他市场的溢出效应需要从多角 度出发。大宗商品市场的价格波动传导机制可以大体分成两类,一类是通过资本 流动渠道的传导机制,一类是通过贸易渠道的传导机制(力vkoV等,2018)跑。

资本流动渠道的传导机制条件下,由于国际资本或是国内资本的逐利性,在 进入市场后容易引起资本输入型通货膨胀。一般国际资本或是国内资本进入市场 后,主要有两个投资途径,一部分是投资证券市场,一部分投资实体经济相关的 产业。

我们统一将国际流动资本和国内流动资本称为流动资本,国际流动资本和国 内流动资本在作用机制上有类似的部分,但是在涉及国际经济活动往来而造成的 国际收支账户余额变动时,情况会有所不同。一般情况下,流动资本为了获得更 大的超额收益,会不断寻找价格被低估的经济体,在资本大举进入目标市场时, 会造成短暂的经济过热的情况,同时给市场和投资者造成经济形势一片大好的景 象,从而打破市场之前的相对稳定状态,投机的因素占比越来越大。随之而来的 便是短期内资本价格的不断攀升,资产的升值会在短期内提高投资者的财富,造 成消费欲望。在消费欲望和资本价值增长的双重影响下,进一步刺激市场商品价 格的攀升和需求,会导致商品现实交易价格和股票市场价格指数的共同上涨。而 流动资本获得足够收益后,便会撤出市场,从而带动股票市场价格迅速下跌和财 富的迅速缩减。流动资本在直接投资一国实体经济时,有实物资本投资,技术投 资或是现汇投资等,其中对一国经济影响最为直接的是现汇投资。现汇投资直接 引起一国内资金需求,导致投资和政府资金支持都出现明显增长,促进企业进一 步扩张,导致相关股票市场价格明显攀升。在国际资本问题上,国际资本的介入, 还可能迅速扩充资本金融账户,会促使本国政府为了保持资产平衡而加大国内货 币投放量,造成投资和扩张成本减少,促进经济的迅速发展,从而促进整个股票 市场整体价格的提升,容易进一步扩散到现实商品价格上升,容易引起通货膨胀。

通过贸易渠道的一般价格波动从大宗商品市场向股票市场溢出,一般是国际 大宗商品价格波动通过商品贸易途径,通过影响进出口情况和影响替代品的供需 情况进而影响国内大宗商品价格,也会同时影响股票市场价格(杨子晖等,2018) 当国际大宗商品价格变动时,由于替代关系或国内国际市场供需情况的不同,会 明显影响相关产品价格,这种情况在食品,汽车等领域表现的较为明显。还有一 些是通过原材料价格的变动,进而影响到商品价格。

除去上面的两个传导机制,大宗商品价格波动对股票市场价格的影响可以通 过金融市场途径传导,这是因为大宗商品金融属性的体现,也是投资者控制风险 所采取的必要手段。

2.2.2股票市场对大宗商品市场价格波动的传导机制

股票市场对大宗商品市场价格波动的传导机制大部分是利用宏观经济途径。 股票市场作为“国民经济的晴雨表”,既是宏观经济的体现者,又对宏观经济具有 一定的影响作用。在整体宏观情况向好,市场表现较为积极时,股票市场价格较 高,居民整体财富及可支配财富有所增加,会刺激进一步的消费,而进一步的消 费会促进相关生产。由于可支配收入而导致需求量上涨,从而部分商品价格会上 涨。商品价格上涨后又会带动企业的进一步生产,从而形成良性循环,而商品价 格也会随着循环不断发生变化。价格和需求的明显变化会带动整体市场情况向 上,在生产和消费形成良性循环后会进一步吸引各方资金,从而形成投资、生产 和消费三者良性循环的良好局面。

除去宏观情况的周期影响,股票市场价格波动还会从微观层面上影响相关大 宗商品价格。股市价格的波动和背后代表的是融资途径和融资手段的变化(高子 鑫等,2017)屮]。相对于从银行获得贷款的手续繁杂和耗时较长,股市会是众多 公司寻求资本支持的重要途径。股票市场的价格波动也代表着投资成本的变化, 投资成本的变化会进一步影响企业做出下一步的经营决策,会影响商品的周期性 问题和生产规模,进而将这种影响扩散到商品相关的全部市场。同时,股市的波 动会带来人们财富分配的流动和结构性的变化,带来相关投资者风险偏好的变 化。这就会导致投资者会将目光从股票市场投向其他金融市场,比如风险相对较 小的债市相关产品或是信托相关产品。而大宗商品兼具商品市场和金融市场属性 特点,所以也是投资者重点关注的对象。资金的规模流动可能会进一步影响行业 周期问题,从而影响到企业的规模规划和下一步的经营措施改进。

总体而言,由于世界经济一体化和越来越频繁的贸易往来,大宗商品市场和 股票市场的价格变动也越来越复杂,但是具体的溢出方向和溢出程度,不同国家 的两市场之间价格波动溢出情况的异同,以及在众多的价格影响因素和价格波动 传导机制中,哪部分才是造成价格波动溢出的主要原因,都需要进行更细致的分 析和判断(付亦重,2017)〔45]。


3章数据选取及模型建立

目前中国是世界第二大经济体,也是针对大宗商品最大的进口国和消费国, 但是在期货市场交易和定价话语权方面一直不占有优势。并且,直至2019年12 月末,在《卫星与金融科技赋能大宗商品市场》论坛依然强调,“完善研究数据 体系是期货市场发展的关键技术,国内原油期货未能走出独立行情,部分原因在 于当前国内缺乏研究数据S中国在2018年1月份才新增工业领域铜期权还有铜 铝标准仓单交易平台。并且,在2018年3月份,原油期货才作为国内第一个国 际化品种,上市运行(余静涵,2019)⑹]。为了进行中美市场的对比,我们第一 步的数据选取还是以国内市场拥有可提取数据的大宗商品品种为主。

3.1数据选取

本文目的在于研究中国和美国两国内大宗商品价格波动与股票市场价格波 动的双向溢出效应,为了保证对比的充分性,我们充分选取了具有对比意义的数 据。但是我们能选取的数据数量和范围有限,这和中国大宗商品市场起步较晚现 状有关。除了国内大宗商品市场起步较晚,数据不全以外,目前大宗商品交易市 场并非集中于一个市场交易,不同品种的集中交易市场不同,但是总体来说美国 市场交易品种较多,同时由于美国金融市场的相对规范化,交易规模较大,所以 我们选择了美国市场作为对比对象。所以,本文综合美国市场和中国市场的交易 品种进行对比品种筛选。

3.1.1大宗商品市场品种和时间区间的选择

在Wind数据库中,符合数据可提取且数据具有一定时间跨度的中国大宗商 品市场可进行交易的品种一共有12种,包括白糖、大豆、豆粕、豆油、黄金、 棉花、玉米、菜籽、棕稠油、有色金属镰、有色金属铅和有色金属锌。但是只有 白糖、大豆、豆粕、豆油、黄金、棉花、玉米这7个品种在美国市场有相关的交 易数据。在剩余的品种中,菜籽油期货市场交易主要集中在加拿大,有色金属镰、 铅和锌的期货市场交易主要活跃在英国市场,棕扌闾油的期货市场交易主要集中在 印度市场。

虽然我们锁定了进行对比的7个大宗商品期货市场交易品种,但是在所有可 获取数据中,类型不尽相同。数据类型主要有连续交易数据,活跃交易数据。其 中连续交易数据还会细分成连续交易三个月数据,连续交易六个月数据等等。由 于无法在7个品种中统一数据类型,所以我们以数据可获取可利用为前提,针对 不同的大宗商品品种选取不同的数据类型。同时存在的问题还有,可获取数据的 时间区间无法完全统一。所以我们做对比的数据都是以品种为基础,以中美两国 市场数据都可以提取为条件,进行对比数据时间区间的截取。

综合以上,针对白糖,本文选取的是2016年1月9号至2019年12月20 日的活跃交易数据;针对大豆,本文选取的是2011年9月5日至2019年12 20日的活跃交易数据;针对豆粕,本文选取的是2013年1月3日至2019年12 月20日的活跃交易数据;针对豆油,本文选择的是2013年1月3日至2019 12月20日的活跃交易数据;针对黄金,本文选择的是2010年4月13日至2019 年12月20日的活跃交易数据;针对棉花,本文选择的是2007年4月16日至 2019年12月20日的活跃交易数据;针对玉米,本文选择的是2011年9月2 2019年12月20日的活跃交易数据。虽然有色金属的可用数据都是连续交易 数据,但是由于有色金属的期货交易主要在英国市场,所以在这里不做过多阐述。

3.1.2股票市场行业指数的选择

标准普尔500指数,英文缩写为S&P 500 Index,是由标准普尔公司编制的 一个指数,涵盖了美国500家上市公司,并且已有63年的历史。最初的标普500 指数是由425种工业股票,15种铁路股票和60种公用事业股票构成的。

在wind数据库中,本文选取标普普尔500指数的行业指数,由于我们可提 取数据的大宗商品品种局限在7个品种当中,这7个品种大致涉及到标准普尔 500指数行业指数中的三个类别,具体为标准普尔500必须消费行业指数,标准 普尔500非必须消费行业指数和标准普尔500金融行业指数。

在国内主流的行业分类指数包括申万行业分类、证监会行业分类。在国际上 各机构用的比较多的主要是富时行业分类(ICB)和国际行业分类标准(GICS) 国内券商行业类相关研究中,以申万行业指数为主,更有利于同行交流。国内的 国信,中信行业分类标准主要是以证监会行业分类为基础,参考了国际标准,但 同时又针对我国证券市场做出了相应的调整。所以尽管申万行业指数使用更为广 泛,在中国股票市场行业指数的选择上,本文还是选择了中信行业指数。不仅是 因为中信行业指数结合了中国证券市场的特有背景,同时也是出于和美国进行对 比的目的。在众多行业指数编撰背景当中,只有中信标普指数沿袭的美国标普的 分类,一级行业一共有10个,并且金融和地产股是合并成一个金融指数。因为 美国的地产业不是重头,被视为金融的附属行业。如果这种情况出现在国内细致 的行业研究时,中信行业指数并非首选,但是在本文中,主要的对比目标是美国 和中国市场,所以文章要寻求最大程度的同根性。同时,中信行业指数的选择可 以一定程度上避免因大宗商品可利用的种类有限而出现的与行业指数覆盖率较 低的问题。

3.2模型的建立

在进行中美两国大宗商品市场与股票市场价格波动双向溢出效应对比的模 型选用过程中,为了进行充分的对比,大宗商品市场和股票市场本文都是采用日 度收盘价数据,其中大宗商品市场主要选取的都是活跃合约的交易数据,并且两 市场的收益率均采用对数收益率的表现方式。公式如下,其中r为大宗商品收益 率,R为股票行业指数收益率,i为大宗商品种类,m为行业,t为时间。

 

仏产加(Pm/Pm,— )

 

上文提到,大宗商品市场与股票市场价格波动的双向溢出包括均值溢出和波 动溢出。均值溢出体现的是市场间的价格信息相互传导作用效果,波动溢出体现 的是市场波动的传导效果(王沁,2019)吗。本文使用VAR-GARCH( 1,1 )-BEKK 模型可以兼顾均值溢出与波动溢出(DanyanWen,2019)^0其中GARCH-BEKK 型参照了 Engle, Kroner (1955)的BEKK参数化方法模型构建条件方差矩阵正 定的二元GARCH-BEKK模型对大宗商品市场与股票市场价格波动双向溢出效 应进行拟合。并且根据R语言程序求得最优滞后阶数n。

其中,k为滞后阶数,n为最优滞后阶数,庁2,,和5为残差项。

BEKK模型易于满足GARCH-BEKK模型的正定性,并且相比于GARCH 型具有更少参数,在定量分析中适用更广(叶莉等,2019)㈣。同时GARCH-BEKK 模型相对于常相关多元GARCH模型,突破了金融变量之间的相关系数保持恒定 的假设限制(谭小芬,2018)冈。GARH(p,q)-BEKK模型如下:

Q P

£ = KK,+ £匕启小+  B'kHt_kBk

j=l k = l 2 丿

由于非对称效应包含范围和情况较广,所以我们本文主要研究的是包含非对 称效应的价格波动双向溢出效应(余博等,2019)尿],将上述模型扩展如下:

Ht =阿£忖%)\£叽Bk v;_y)D7.

j=1 k=l j=l

其中K是上三角常数项系数矩阵,是条件协方差矩阵,具体到二元

BEKK-GARCH (黄元生等,2019)跑,形式如下:

kn

k2i

D=


VU-1

-Vi,—

其中"12表示变量1的条件方差,表示变量2的条件方差,A是残 差项的系数矩阵,B是条件异方差的系数矩阵。上述式子表明,影响大宗商品市

场和股票市场价格波动的因素主要来自两个方面,一是代表自身及其他相关因素

的前期冲击,二是条件方差的影响。继续将矩阵进行细化,可以得到:

Ml, t = “11 + @11 1 + 2^11^21 —1*2,/—I + a21 *2,7—1) +

(Si t-i + 221 2,t-l + ^21 22,/-i) +

@11 Vl,/-1 + ^^11^21Vl,t-lV2,t-l +宀21 2,/—1)

2, t ~ “21, t ~ *11^21 + (。1112勺一1 +02,/—1 ~^aiia22£l,t-l£2,t-l +。2122*2,/—1) + (20121, /_1 +%221 2,『一1 + Al%2, /—1 + :202222, 7—1) +

(d][ d12Vl,t-l + ^12^21Vl,t-lV2,t-l + ^11^22Vl,t-lV2,t-l

+d21d22v2t_1)

22, / = *21 + “22 + 1 + ^ai2a22£l,t-l£2,t-l + a22S2,t-l

+(他

1,/-1 + 2^022 2 —1 + 〃2222,/—1) + ("12%—1 +

2J12J22v1?z_1v2^_1 + d22v2t_x)

针对以上情况,我们做出相应假设,当2=治叽=。时,说明不存在变 1对变量2的溢出效应。当°21 = b2i =d2i=0时,说明不存在变量2对变量1 的溢出效应。°21=$1=〃21=%2=勿2=%2= °时,说明变量1和变量2

不存在双向溢出效应。

第4章中国大宗商品市场与股票市场价格波动双向溢出效
应实证分析

在中国国内大宗商品市场与股票市场价格波动双向溢出效应的实证章节中, 主要涉及的是7个大宗商品的活跃合约交易数据和中信行业指数中的2个行业指 数。

4.1数据处理

其中白糖期货市场相关数据有3313个,大豆期货市场相关数据有1964个, 豆粕期货市场相关数据有1651个,豆油期货市场相关数据有1651个,黄金期货 市场相关数据有2297个,棉花期货市场相关数据有3010个,玉米期货市场相关 数据有1965个,中国农林牧渔中信行业指数相关数据有3639个,中国有色金属 中信行业指数相关数据有3639个。针对以上数据我们进行变量统一描述。

4.1.1整体数据统计性描述

 

均值

最小值

最大值

标准差

峰度

偏度

白糖

-0.001411

-7.778517

8.388148

1.228612

7.992476

0.342479

大豆

-0.027848

-20.512047

5.826891

1.103999

70.063491

-3.801149

豆粕

-0.023339

-13.240421

4.600627

1.237798

16.217015

-1.418464

豆油

-0.018107

-4.107908

4.369368

0.946705

4.848580

0.116852

黄金

0.011021

-7.843270

4.684697

0.930927

8.486849

-0.293474

棉花

0.007173

-16.033120

9.618392

1.073075

26.747530

0.860526

玉米

-0.018557

-16.306656

4.021473

0.851099

91.529223

-5.072793

农林牧渔

0.048990

-10.368229

17.143752

2.159690

7.567680

0.275434

有色金属

0.035650

-10.216327

9.538054

2.432183

5.288692

-0.382152

 

数据来源:wind数据库

在表4.1中,数据的偏度和峰度和正态数据分布有所区别,所以在此数据基

础上,继续进行数据处理,对变量进行Jarque-Bera检验,结果如下表。

4.1.2 Jarque-Bera 检验

变量

JB统计量

变量

JB统计量

白糖

3540.1696***

大豆

373567.3029***

豆粕

12607.6172***

豆油

240.3397***

黄金

2922.1355***

棉花

71205.9606***

玉米

651481.7911***

 

 

农林牧渔

2819.5894***

有色金属

1478.2513***

注:***代表1%显著性水平下,结果拒绝原假设

结果证明所选区间的数据不符合正态分布,所以在后续双向溢出模型拟合时

 

 

使用t分布。同时利用R软件建立时间序列平稳性检验。

4.1.3平稳性检验

变量

t统计量

变量

t统计量

白糖

-40.2549 ***

大豆

■33.1123***

豆粕

■29.4175***

豆油

■29.0185***

黄金

■34.1776***

棉花

■37.4924***

玉米

■31.5241***

 

 

农林牧渔

■42.2716***

有色金属

■32.7436***

注:***代表1%显著性水平下,结果拒绝原假设

单位根检验结果显示,样本中的时间序列均在1%显著性水平下拒绝原假设, 大宗商品和股票市场对数收益率都是平稳的时间序列。

上面已经证明样本中的所有时间序列都是平稳的,后面继续对数据进行处 理,利用R语言软件求得VAR模型的滞后阶数。

 

 

4.1.4 VAR模型滞后阶数

VAR变量

滞后阶数

VAR变量

滞后阶数

白糖■农林牧渔

5

大豆■农林牧渔

2

豆粕■农林牧渔

2

豆油■农林牧渔

2

黄金■有色金属

1

棉花■农林牧渔

3

玉米■农林牧渔

4

 

 

VAR模型滞后阶数的确定是格兰杰因果检验的基础,根据格兰杰因果检验

 

的结果确定后续GARCH-BEKK模型中利用rats软件而进行的语言模型编写。

4.2白糖期货市场与农林牧渔行业指数溢出效应实证结果

GARCH(1,1)-BEKK的实现,本文主要是通过ratsv8_pro,在后续实证分析 中,还需利用格兰杰因果检验结果来确定最优滞后阶数的问题中,是继续用VAR 方程构建双向溢出模型还是用AR自回归模型或是常数方程来构建。同时, GARCH(1,1)-BEKK在构建的过程中,会存在两种均衡的情况,即理论模型整体 最优解和软件构建模型局部最优解情况(张银山等,2019)。因为要做双向溢出 效应,所以格兰杰检验要做两次。

4.2.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

3295

 

 

2

3300-5

4.7129

0.0002718***

Res.Df

Df

F

Pr(>F)

1

3295

 

 

2

3300-5

3.7158

0.002345 **

 

:***代表1%显著性水平下,结果拒绝原假设

如上表所示,白糖期货市场样本数据和对应的中信农林牧渔行业指数的两次 格兰杰检验均通过,再通过ARCH检验的话,就可以构建VAR模型,并且存在 理论模型全局最优解和软件构建模型局部最优解两种情况。由于在前部分本文 JB检验中得出样本数据都符合t分布的形态,所以如果通过ARCH检验后还要 对残差项再进彳丁一遍JB检验,看残差项是否符合t分布o表4.6显不的是理论模 型全局最优解的情况,进行后面的JB检验要将整体残差导出,在R软件中进行 残差JB检验。

422理论模型全局最优解ARCH检验

Chi-squared = 1312.7 df = 5 p-value < 2.2e-16

检验残差通过,继续对残差序列进行数据形态检验。

4.2.3理论模型全局最优解残差JB检验

白糖序列残差项 X-squared= 3645.9895

农林牧渔行业指数序列残差项 X-squared=1431.3664

根据上表显示,可以根据VAR模型在ratsv8_pro中构建GARCH(1,1)-BEKK

模型,且残差项符合t分布。得出结果如下:

4.2.4白糖■农林牧渔行业模型系数估计结果

 

白糖

农林牧渔

白糖(-1)

-0.023167

(-1.412600)

0.084291***

(4.108490)

白糖(-2)

-0.014124

(-0.883210)

-0.015903

(-0.773960)

白糖(-3)

0.004378

(0.274680)

0.041717**

(1.992080)

白糖(-4)

0.003351

(0.209780)

-0.032569

(-1.587140)

白糖(-5)

■0.050890***

(-3.183000)

0.004470

(0.215890)

农林牧渔(-1)

-0.015525**

(-1.980600)

0.143053***

(8.388310)

农林牧渔(-2)

0.019953***

(2.643400)

■0.072541***

(-4.280960)

农林牧渔(-3)

0023129***

(-3.020000)

0.035971*

(2.159990)

农林牧渔(-4)

0.017958**

(2.363740)

0.021105

(1.263080)

农林牧渔(-5)

0.011741

(1.529610)

-0.018728

(-1.118190)

常数项

■0.026859*

0.084961***

(■1.718860) (3.403800)

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 在上述系数估计上也可以看出,数据符合VAR模型的构建。

 

 

4.2.5白糖■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.133938***

7.102400

 

 

 

k2i

-0.058338

-1.145600

k22

0.229888***

7.279150

an

0.194328***

10.441420

an

-0.000933

-0.026720

a2i

0.003561

0.274960

a22

0.279274***

15.495960

bn

0.966169***

178.657430

bn

0.011559

0.977650

b2i

0.003424

1.109660

b22

0.938953***

327.575400

du

■0.170436***

-5.731890

di2

-0.006355

-0.093650

d2i

-0.002538

-0.176440

d22

0.289035***

8.487330

注:***, **, *代表在%, 5%, 10%显著性水平下,结果拒绝原假设

接上表做WALD检验,检验两市场间是双向溢出效应还是单向溢出效应。

4.2.6 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

白糖■农 林牧渔

5.149280

7.790575*

 

15.534629**

注:***,

**, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

由上表结果可以看出存在股票市场对大宗商品市场的单向溢出效果,但溢出 效应较弱。

在软件构建模型局部最优解的情况下,格兰杰检验和上部分是一样的,只有 在系数和参数以及联合检验上有所不同。

4.2.7软件构建模型局部最优解ARCH检验

Statistic

Degrees

Sigrdf

922.87

45

0.00000

如上表,残差项通过符合ARCH效应,将局部残差导出,继续进行局部最

优解的残差JB检验。

 

 

4.2.8软件构建模型局部最优解残差JB检验

白糖序列残差项

X-squared= 3445.0224

农林牧渔行业指数序列残差项

X-squared=2760.1366

残差项符合t分布,

构造GARCH-BEKK模型。

4.2.9

白糖■农林牧渔行业模型系数估计结果

 

白糖

农林牧渔

白糖(-1)

0.012842

0.134918***

 

(0.736630)

(4.396800)

白糖(-2)

0.004720

-0.048071

 

(0.270100)

(-1.562660)

白糖(-3)

0.008191

0.014616

 

(0.468960)

(0.475380)

白糖(-4)

0.006571

-0.013801

 

(0.376820)

(-0.449650)

白糖(-5)

■0.057828***

-0.037556

 

(-3.316520)

(-1.223660)

农林牧渔(-1)

-0.019113*

0.172574***

 

(-1.923400)

(9.866250)

农林牧渔(-2)

0.033685***

■0.123335***


 

 

(3.338660)

(-6.944900)

农林牧渔(-3)

■0.021504**

(-2.113380)

0.045950**

(2.565540)

农林牧渔(-4)

0.016662*

(1.649060)

0.032222*

(1.811760)

农林牧渔(-5)

0.011946

(1.205340)

-0.006627

(-0.379890)

常数项

-0.004973

(-0.233720)

0.045877

(1.224960)

.***, **,

*代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 表4.2.10白糖■农林牧渔行业BEKK参数

 

参数

参数值

t

参数

参数值

t

kn

0.132094***

6.777950

 

 

 

1<21

-0.058229

-1.027850

k22

0.227974***

6.149140

an

0.191474***

10.045170

an

0.002323

0.057460

a2i

0.005589

0.476900

a22

0.274023***

14.284930

bn

0.966370***

179.832020

bn

0.010425

0.757590

b2i

0.003359

1.134250

b22

0.940639***

144.273890

du

0.169893***

5.649690

di2

0.012073

0.161130

d2i

0.005765

0.462750

d22

■0.287726***

-8.904310

 

 

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

4.2.11 WALD联合检验

模型

白糖■农林 牧渔

ai2=bi2=di2=0

4.679226

a2i=b2i=d2i=0

10.180807**

ai2=bi2=di2=a2i=b2i=d2i=0

15.993821**

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

由上表的结果可以看出,这种情况下只存在股票市场向大宗商品市场的单向 溢出效应。

由于本文选取的样本并非全体数据,所以要考虑到如果数据量足够大,用正 态分布来描述的话,溢出效应是否会有变化。首先,先讨论理论模型全局最优解 情况。

4212理论模型全局最优解ARCH检验

Chi-squared = 1262.8 df = 5 p-value < 2.2e-16

通过ARCH检验,继续利用全局残差构建GARCH-BEKK模型。

4.2.13白糖■农林牧渔行业模型系数估计结果

 

白糖

农林牧渔

中白糖(・1)

0.014088

(0.768950)

0.069545***

(2.887750)

中白糖(-2)

-0.010486

(-0.562530)

-0.003194

(-0.124640)

中白糖(-3)

0.016079

(0.886490)

0.028312

(1.089180)

中白糖(-4)

0.002906

(0.169540)

-0.009947

(-0.397340)

中白糖(-5)

■0.058382***

(-3.249990)

-0.016797

(-0.701540)

农林牧渔(-1)

■0.020820**

(-2.148310)

0.148522***

(& 184460)

农林牧渔(-2)

0.036040***

(4.412940)

■0.087354***

(-4.627650)

农林牧渔(-3)

■0.023433***

(-2.737880)

0.046560**

(2.572550)

农林牧渔(-4)

0.019413**

(2.006590)

0.029001

(1.577270)

农林牧渔(-5)

0.014529*

1.716500

-0.025919

-1.337910

常数项

-0.010765

(-0.703310)

0.015885

(0.538170)

注:***, **, *代表在[%,

5%, 10%显著性水平下,

结果拒绝原假设

4.2.14白糖■农林牧渔行业BEKK参数

 

参数

参数值

t

参数

参数值

t

kn

0.174471***

7.553240

 

 

 

1<21

0.011932

0.212700

k22

0.236596***

9.966150

an

0.203582***

10.674410

an

0.020168

0.581100

a2i

0.009037

0.804850

a22

0.246955***

13.307830

bn

0.962059***

134.653520

bn

-0.001049

-0.077260

b2i

0.000868

0.272080

b22

0.948729***

178.183970

du

0.158371***

4.528490

di2

0.015384

0.311530

d2i

-0.001808

-0.090430

d22

■0.229115***

-8.133170

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设


4.2.15 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

白糖■农林

 

牧渔

2.066769

6.122847

&949449

由上表结果可以看出,两市场间没有溢出效应。

正态分布条件下软件构建模型局部最优解的系数结果和t分布下的局部最优 解情况一致,这是由软件构建模型条件语句决定的,并且ARCH检验效果也一 致。

4.2.16白糖■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.173552***

7.397290

 

 

 

k2i

-0.002284

-0.039550

k22

0.238620***

10.224390

an

0.202000***

11.496960

an

0.013426

0.383370

a2i

0.009974

1.023790

a22

0.247179***

13.956940

bn

0.962470***

134.280650

bn

0.002952

0.212340

b2i

0.001209

0.368520

b22

0.948351***

181.689070

du

-0.152877***

-4.488040

di2

-0.004522

-0.091960

d2i

-0.003009

-0.219450

d22

0.226107***

8.503750

 

 

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

4.2.17 WALD联合检验

模型

白糖■农林 牧渔

ai2=bi2=di2=0

1.924104

a2i=b2i=d2i=0

7.324558*

ai2=bi2=di2=a2i=b2i=d2i=0

12.675278**

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

综合考量中国白糖期货市场与农林牧渔行业指数的双向溢出效应实证结果 4种分布情况,可以看出整体上来说,股票市场价格变动对大宗商品市场只存 在单向溢出效应,并且这种单向溢出效应效果并不强。

白糖生产和其他产品生产有所不同,因为糖料与其他作物生产流程有差异,
收货后只有经过工业化加工才可以成为商品,这就会涉及到较大的设备和其他资
源的投入,导致在需求变动时,价格波动反应相对滞后,且价格波动周期较长。
目前由于市场选择问题,白糖的加工慢慢从经济发达地区转向经济不发达地区,

所以相对波动周期会更长一些。

虽然一般而言,期货市场具有发现价格的功能,但是由于白糖本身的特点和 交易特点,会导致股市相关价格波动优先于期货市场,并且价格波动背后代表的 是整体投资者对相关行业的发展判断,而这种判断会进一步影响大宗商品市场的 交易价格。而由于白糖本身的行业特点,这种体现在期货市场的价格波动信息会 在接下来的时间中发生巨大变化,缺乏了变化信息的时效性,便无法体现在股票 市场中。

4.3大豆期货市场与农林牧渔行业指数溢出效应实证结果

首先对大豆期货市场和农林牧渔行业指数样本数据进行格兰杰检验,通过格 兰杰检验则利用VAR构建二元GARCH-BEKK模型,如果未通过,则分别进行 AR和常数方程模型检验。

4.3.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

1957

 

 

2

1959-2

1.4222

0.2414

Res.Df

Df

F

Pr(>F)

1

1957

 

 

2

1959-2

0.8723

0.4181

如上表所示,样本数据均未通过格兰杰检验,此时换AR模型看能否确定最 优滞后阶数,在AR模型确定最优滞后阶数时,需要利用R软件画出两组变量的 acf图和pacf图,如果无法确定滞后阶数的话,便继续利用常数方程构建模型。 图形如下:




Series data1$zhongdadou

图4.1大豆期货市场样本数据ACF图

Series data1$nonglinmuyu

0 5 10 15 20 25 30

图4.2农林牧渔行业指数样本数据ACF图

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


 


CM

O O

O

CM

O

O

o

g

Series datal $zhongdadou

§ -

0

5 10

15 20 25

30

 

 

 

 

 

 

 

 

 

 

 


 


图4.3大豆期货市场样本数据PACF图

SeHes data1$nonglinmuyu




in

o

o

o

in

o _

o

o

o

o

o

o











0 5 10 15 20 25 30

Lag

4.4农林牧渔行业指数样本数据PACF

同时在VAR模型的估计系数上也能看看出无法通过VAR模型,下表是估计 性系数。

4・3・2大豆■农林牧渔行业模型系数估计结果

大豆

农林牧渔

大豆(・1)

■0.073628***

-0.052213

(-3.254570)

(-1.295780)

大豆(-2)

-0.020817

0.039716

(-0.919750)

(0.985190)

农林牧渔(-1)

0.011149

0.196825***

(0.885520)

(&776890)

农林牧渔(-2)

-0.014072

■0.137292***

(-1.117790)

(-6.122740)

常数项

-0.030531

0.026512

(-1.226460)

(0.597940)

注:***, **, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

由以上4个图和1张表,可以确定AR模型确定的滞后阶数为1,然后继续 在确定AR模型的基础上进行ARCH检验。未通过VAR模型的只有软件构建模 型局部最优解情况。

4・3・3 AR模型残差检验

大豆 常数

AR(1)

-0.027485 -1.184530

-0.071563 3.177570***

农林牧渔 常数

AR(1)

0.029223 0.542030

0.171010 7.686690***

注:***, **, *代表在 1%, 5%,

4.3.4

10%显著性水平下,结果拒绝原假设

AR模型ARCH检验

Chi-squared = 304.68

p-value < 2.2e-16

如上表,模型通过ARCH检验。同时对残差继续进行JB检验。

4・3・5软件构建模型局部最优解残差JB检验

大豆序列残差项

X-squared= 379177.1151

农林牧渔行业指数序列残差项 X-squared=4424.1895

结果显示,残差符合t分布,继续利用t分布进行模型构建。


4.3.6大豆-农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.431638***

12.427690

k2i

0.077585**

1.991810

k22

0.36361

6.534550

an

0.715008***

13.721580

an

0.065371

1.302300

a2i

-0.002564

-0.177360

a22

0.266433***

6.651720

bn

0.672866***

21.929020

bn

-0.035297

-1.330970

b2i

-0.003096

-0.704030

b22

0.931437***

95.299480

du

0.420033***

3.884350

di2

0.067819

1.306940

d2i

■0.043798**

-2.394500

d22

■0.500177***

-8.230180

注:***,

**, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

4.3.7 WALD联合检验

模型 ai2=bi2=di2=0 a2i=b2i=d2i=0 ai2=bi2=di2=a2i=b2i=d2i=0

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

由于我们选择的样本数据有限,所以本文继续补充正态分布条件下的局部最 优解实证结果。其中格兰杰因果检验和AR模型滞后阶数的部分是一致的,并且

VAR模型系数估计上由于软件实现条件的一致,也是相同的。只有BEKK

型参数和WALD检验结果有所不同。

4.3.8大豆■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.606928***

11.720090

k2i

0.031664

0.684290

k22

0.216865***

7.437210

an

■0.436698***

-10.171910

an

-0.060856

-1.472640

a2i

0.023155

1.626910

a22

0.233828***

11.221000

bn

0.731882***

17.294760

bn

-0.018561

-0.506740

b2i

-0.005116

-0.791160

b22

0.951969***

140.742370

du

■0.249649**

-2.556820

di2

-0.012358

-0.370850

d2i

-0.011357

-0.480300

d22

■0.216957***

-5.515270

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设


4.3.9 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

大豆■农林

牧渔

3.627180

4.022894

7.535989


综合以上两种情况来看,中国大豆期货市场与农林牧渔行业指数之间价格波 动溢出效应基本不存在,这是由于在国内大豆的需求量极大,不存在季节性消费 问题。并且明显会影响到大豆价格变动情况的月份集中在当年9月至次年1月, 供需情况比较透明且稳定,所以市场的价格波动溢出效应不是很明显,变化相对 同步。

4.4豆粕期货市场与农林牧渔行业指数溢出效应实证结果

首先对豆粕期货市场与农林牧渔行业指数样本数据做格兰杰因果检验,结果 如下表。

4.4.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

1644

2

1646-2

2.8205

0.05987

Res.Df

Df

F

Pr(>F)

1

1644

2

1646-2

0.6717

0.511

样本数据未通过格兰杰因果检验,换AR模型,首先看ACF图和PACF图。




Series data1$zhongdoupo





4.5豆粕期货市场样本数据ACF

农林牧渔行业指数样本数据ACF图箭图4.2,农林牧渔行业指数样本数据

PACF图见图4.4o

Series data1$zhongdoupo


4.6豆粕期货市场样本数据PACF

VAR模型估计系数中虽然通过,但是无法通过格兰杰因果检验,也无法 构建VAR模型。

4.4.2豆粕■农林牧渔行业模型系数估计结果

豆粕

农林牧渔

豆粕(-1)

-0.016699

(-0.677120)

0.053042

(1.317170)

豆粕(・2)

-0.016008

(-0.648840)

■0.078719**

(-1.953950)

农林牧渔(-1)

-0.008316

(-0.555940)

0.188884***

(7.733150)

农林牧渔(-2)

-0.013617

(-0.910920)

■0.132683***

(-5.435690)

常数项

-0.023803

(-0.779430)

0.047560

(0.953750)

注:***, **, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设


根据4张图,无法确定AR模型最优滞后阶数,换常数方程。

4・4・3常数方程ARCH检验

Chi-squared = 672.46 p-value < 2.2e-16

残差项通过常数方程ARCH检验,继续对残差进行JB检验,检验结果显示 残差符合t分布。由于无法构建VAR模型,所以这组双向溢出实证分析只涉及 软件构建模型局部最优解。

444软件构建模型局部最优解残差JB检验

豆粕序列残差项 X-squared= 12607.6172

农林牧渔行业指数序列残差项 X-squared=3938.9051

如上表,结果显示残差符合t分布,继续构建模型。

4・4・5豆粕■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.294736***

4.932410

k2i

0.166206**

2.231450

k22

0.150271

1.447480

an

0.158568***

5.651490

an

0.073982**

2.358600

a2i

-0.019931

-1.385340

a22

0.314244***

9.873850

bn

0.952080***

55.783020

bn

-0.047817**

-2.243520

b2i

0.001013

0.224350

b22

0.932402***

95.671010


du

d2i

-0.041233

0.038992**

-0.896840

2.191190

di2

d22

-0.034753

0.260923***

-0.484670

4.562880

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。

4.4.6 WALD联合检验

模型 ai2=bi2=di2=0 a2i=b2i=d2i=0 ai2=bi2=di2=a2i=b2i=d2i=0


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

由于选取的样本数据容量有限,本文继续补充正态分布条件下的实证分析结

果,并且只有BEKK参数部分和WALD检验部分不一样。

4.4.7豆粕■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.756705***

9.009740

k2i

0.114477***

2.683800

k22

-0.000383

-0.012410

an

■0.307232***

-6.505900

an

■0.110136***

-3.779670

a2i

■0.046304**

-2.100130

a22

0.227142***

11.209380

bn

0.708090***

10.443270

bn

■0.122358***

-4.964940

b2i

-0.000601

-0.071990

b22

0.954105***

142.123400

du

0.199349**

2.263160

dn

0.061517

1.591120

d2i

0.083156***

3.076490

d22

0.208112***

5.671150

注:***,

**, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

继续进行WALD检验,结果如下。



4.4.8 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

豆粕■农林 牧渔

37.213646***

13.808663***

53.903071***

注:***, **, *代表在[%, 5%, 10%显著性水平下,结果拒绝原假设

综合以上两种情况,中国豆粕市场和相应行业指数的价格波动双向溢出效应


较为明显,这是因为在衡量整个农林牧渔行业时,豆粕市场占有比重较重,并且

豆粕是12种油粕中产量最大,用途最广的,所以豆粕的需求变化对各行业影响

极大,一个市场的豆粕价格变化都会影响到其他的市场的价格表现。

4.5豆油期货市场与农林牧渔行业指数溢出效应实证结果

首先对豆油期货市场与农林牧渔行业指数样本数据做格兰杰因果检验,结果 见下表。

4.5.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

1644

2

1646-2

&4903

0.0002146***

Res.Df

Df

F

Pr(>F)

1

1644

2

1646-2

0.3366

0.7143


注:***, **, *分别代表在1%, 5%, 10%显著性水平下拒绝原假设 结果通过格兰杰因果检验,利用VAR构建模型,首先先考虑理论模型全局 最优解的情况,并对残差项进行JB检验.

4・5・2理论模型全局最优解ARCH检验

Chi-squared = 868.04 df = 2

p-value < 2.2e-16

4.5.3理论模型全局最优解残差JB检验

豆油序列残差项

X-squared= 249.3707

农林牧渔行业指数序列残差项

X-squared=3453.0665

样本数据通过ARCH检验,JB检验显示残差符合t分布。由于数据通过VAR 模型,可以继续讨论模型的估计系数。

4・5・4豆油■农林牧渔行业模型系数估计结果

豆油

农林牧渔

豆油(-1)

-0.036436

0.069758**

(-1.603060)

(2.139590)

豆油(-2)

-0.006823

-0.005107

(-0.301540)

(-0.15969)

农林牧渔(-1)

-0.004928

0.079918***

(-0.451100)

(3.213650)



(1.179560)

-0.026963

(-1.361110) (2.747140)

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 利用rats软件构建GARCH-BEKK模型,结果如下:

4.5.5豆油■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.047528**

2.371340

k2i

■0.215361***

-5.100900

k22

0.000055

0.000103

an

■0.063844**

-2.259770

an

0.044802

0.797410

a2i

0.007921

0.709040

a22

0.337419***

10.262210

bn

0.994484***

478.821100

bn

0.009955

1.144970

b2i

0.002458

0.640290

b22

0.931574***

81.363840

du

0.086159**

2.090120

di2

0.063799

0.487750

d2i

-0.024334

-1.547560

d22

0.107948

0.958050

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 接上进行WALD检验,结果如下。

4.5.6 WALD联合检验

模型 ai2=bi2=di2=0 a2i=b2i=d2i=0 an=bn=di2=2i2i=b2i=d2i=0


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

接着上部分,本文将继续讨论软件构建模型局部最优解的实证结果。
4・5・7软件构建模型局部最优解ARCH检验

Statistic Degrees Sigrdf

585.20 18 0.00000

如上表,残差项通过符合ARCH效应,将局部残差导出,继续进行局部最 优解的残差JB检验。

4・5・8软件构建模型局部最优解残差JB检验

豆油序列残差项 X-squared= 241.6852

残差项符合t分布,构造GARCH-BEKK模型。

459豆油■农林牧渔行业模型系数估计结果

豆油

农林牧渔

豆油(-1)

-0.018445

0.212077***

(-0.745200)

(4.027870)

豆油(-2)

-0.005791

-0.040419

(-0.232900)

(-0.76415)

农林牧渔(-1)

0.005560

0.182040***

(0.482440)

(7.425080)

农林牧渔(-2)

0.006634

■0.133031***

(0.579150)

(-5.459830)

常数项

-0.018444

0.051559

(-0.789380)

(1.037340)

注:***, **, *代表在1%, 5%, 10%显著性水平下,

结果拒绝原假设

4.5.10豆油■农林牧渔行业BEKK参数


参数

参数值

t

参数

参数值

t

kn

0.040690

1.196880

k2i

0.008648

0.034860

k22

0.206683***

4.291120

an

0.027298

1.024270

an

0.013292

0.194190

a2i

0.018155

1.540320

a22

0.324159***

10.740540

bn

0.997280***

493.979590

bn

0.009855

0.807560

b2i

■0.007379**

-2.017550

b22

0 934182***

96.990200

du

0.067806

1.604210

di2

-0.122759

-1.188110

d2i

-3.088650

-1.547560

d22

-0.126225*

-1.666120

注:***,

**, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

继续进行WALD检验,结果如下。



4.5.11 WALD联合检验

模型

豆油■农林 牧渔

ai2=bi2=di2=0

2.356135

a2i=b2i=d2i=0

36.295351***

ai2=bi2=di2=a2i=b2i=d2i=0

45.172483***

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

由于所选样本数据容量有限,本文将继续补充正态分布条件下的实证分析结

果,首先验证的是理论模型全局最优解的情况。

4.5.12理论模型全局最优解ARCH检验

Chi-squared = 851.82 df = 2 p-value < 2.2e-16

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

通过ARCH检验,继续利用全局残差构建GARCH-BEKK模型。

4.5.13豆油■农林牧渔行业模型系数估计结果

豆油

农林牧渔

豆油(-1)

-0.015548

0.092501**

(-0.610700)

(2.405130)

豆油(-2)

0.008097

-0.003645

(0.318760)

(-0.09679)

农林牧渔(-1)

0.001239

0.097783***

(0.099370)

(3.694400)

农林牧渔(-2)

0.008529

■0.090721***

(0.704770)

(-3.410160)

常数项

-0.021785

0.028193

(-0.961890)

(0.833480)



假设残差项符合正态分布,构造GARCH-BEKK模型。

4.5.14豆油■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.388807***

2.791650

k2i

0.209054***

5.321650

k22

-0.000165

-0.001300

an

-0.051738

-0.879290

an

0.044891

0.917290

a2i

0.009007

0.444510

a22

0.271849***

9.707340

bn

0.896586***

12.201280

bn

■0.102790**

-2.276810

b2i

-0.005720

-0.971350

b22

0.946448***

108.391470

du

0.168112***

2.923760

di2

0.067008

0.972380

d2i

0.049021**

1.986020

d22

0.174004***

3.368930

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。


4.5.15 WALD联合检验

模型

豆油■农林 牧渔

ai2=bi2=di2=0

7.156814*

a2i=b2i=d2i=0

7.934149**

ai2=bi2=di2=a2i=b2i=d2i=0

13.194489**

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

本文继续讨论软件构建模型局部最优解情况,正态分布条件下软件构建模型 局部最优解的系数结果和t分布下的局部最优解情况一致,这是由软件构建模型 条件语句决定的,并且ARCH检验效果也一致。

4.5.16豆油■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.389936**

2.053150

k2i

02]39]7***

6.020840

k22

0.000000

0.000003

an

-0.031442

-0.562590

an

0.059006

1.255750

a2i

0.010896

0.484340

a22

0.276106***

10.176990

bn

0.896198***

8.911720

bn

-0.104913*

-1.881340

b2i

-0.007012

-1.136550

b22

0.944414***

125.003100

du

■0.169990***

-3.020850

di2

-0.057800

-0.906300

d2i

■0.051563*

-1.803400

d22

■0.178432***

-3.406910

注:***,

**, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设


继续进行WALD检验,结果如下。

4.5.17 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

豆油■农林 牧渔

6.153373

7.262063*

10.764745*

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

在中国大豆期货市场与股票行业指数的价格波动溢出效应中,虽然在正态分 布理论模型全局最优解的情况下存在双向溢出效应,但是这种双向溢出效应并不 明显,相对比较明显的还是股票行业指数对期货市场的单向溢出效应。这是因为 股票行业指数代表着整体行业所处大环境的基本情况,其中包括了很多的宏观环 境和政策方面的导向,所以股票行业指数对宏观大环境反应更为迅速。同时,由 于国内市场的豆油期货市场交易标的物主要是大豆原油,但主要是中间产品,且 贸易量大,品质均一,期货市场价格变动会进一步影响下游产品价格,所以对股
票市场的溢出效应便会有相当程度上的滞后效应,表现便不是很显著。

4.6黄金期货市场与有色金属行业指数溢出效应实证结果

首先对黄金期货市场与有色金属行业指数样本数据做格兰杰因果检验,结果 如下表。

4.6.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

2293

2

2294-1

0.3304

0.5655

Res.Df

Df

F

Pr(>F)

1

2293

2

2294-1

0.8657

0.3523

样本数据未通过格兰杰因果检验,换AR模型,首先看ACF图和PACF图。


LL

O

<

4.7黄金期货市场样本数据ACF

Series data1$youse

5 10 15 20 25 30

Lag

4.8有色金属行业指数样本数据ACF

Series data1$zhonghuangjin


Lag

4.9黄金期货市场样本数据PACF



4.10有色金属行业指数样本数据PACF

根据以上4张图,无法确定最优滞后阶数,此时用假设VAR模型系数再来 验证一下。

4.6.2黄金■有色金属行业模型系数估计结果

黄金

有色金属

黄金(-1)

-0.032811

(-1.547610)

0.027133

(0.574780)

有色金属(-1)

-0.008850

(-0.930420)

0.054389**

(2.567950)

常数项

0.010978

(0.565100)

-0.026621

(-0.615430)

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

综合VAR系数估计结果和格兰杰因果检验情况,得出无法通过建立VAR 型进行BEKK模型的构建的结论,所以只存在软件构建模型局部最优解情况, AR模型又无法确定最优滞后阶数,所以下一步换常数方程,进行ARCH检验和 残差的JB检验。

463常数方程ARCH检验

Chi-squared = 71&65 p-value < 2.2e-16

残差项通过常数方程ARCH检验,继续对残差进行JB检验,检验结果显示 残差符合t分布。

464软件构建模型局部最优解残差JB检验 黄金序列残差项




如上表,结果显示残差符合t分布,继续构建模型。

4.6.5黄金■有色金属行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.046994**

2.467150

k2i

-0.023870

-0.260590

k22

0.247140***

5.914090

an

0.205130***

11.585970

an

-0.015858

-0.413270

a2i

-0.003866

-0.398510

a22

0.223128***

9.698360

bn

0.976478***

212.432280

bi2

0.012395

1.216140

b2i

-0.001616

-0.50699

b22

0.959332***

136.946470

du

0.089144**

2.007620

di2

0.190935***

2.647250

d2i

■0.029644***

-3.531060

d22

■0.180323***

-5.131210

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。

4.6.6 WALD联合检验

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

由于所选样本数据容量有限,本文继续补充正态分布条件下实证结果,并且

只有BEKK参数部分和WALD检验部分不一样。

4.6.7黄金■有色金属行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.092467***

5.838810

k2i

-0.056637

-1.501800

k22

0.210275***

6.115530

an

0.236220***

12.377300

an

■0.068636**

-2.172430

a2i

0.001660

0.293360

a22

0.208609***

12.403500

bn

0.961442***

170.469390

bi2

0.024258***

2.633930

b2i

-0.001063

-0.70642

b22

0.965661***

190.158000


du

d2i

0.172688***

■0.024051***

5.849710

-2.982350

di2

d22

0.152126***

■0.125743***

3.239210

-3.897300

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。

4.6.8 WALD联合检验

因为黄金期货作为期货市场较为成熟的品种,并且黄金作为全世界关注的避险品 种,与其他多种金融资产具有明显的联动效应,所以双向溢出效应更为明显。并 且,在中信有色金属的行业指数中黄金就是代表品种,占比较大,所以两个市场 联系更为紧密。

4.7棉花期货市场与农林牧渔行业指数溢出效应实证结果

首先对黄金期货市场与有色金属行业指数样本数据做格兰杰因果检验,结果 如下表。

4.7.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

3000

2

3003-3

1.0312

0.3776

Res.Df

Df

F

Pr(>F)

1

3000

2

3003-3

0.5999

0.6151

样本数据未通过格兰杰因果检验,换AR模型,首先看ACF图和PACF图。




o

o

Series data1$zhongmianhua

0 5 10 15 20 25 30 35

Lag













4.11棉花期货市场样本数据ACF




Series data1$nonglinmuyu

O

25













4.12农林牧渔行业指数样本数据ACF




in

o

o

Series data1$zhongmianhua

g

0 5 10 15 20 25 30 35

Lag













4.13棉花期货市场样本数据PACF





4.12农林牧渔行业指数样本数据PACF

根据以上4张图,无法确定最优滞后阶数,此时用假设VAR模型系数再来 验证一下。

4.7.2棉花■农林牧渔行业模型系数估计结果

棉花

农林牧渔

棉花(-1)

0.164742***

(8.952480)

0.034522

(0.908170)

棉花(-2)

■0.057429***

-0.034402


(-3.084650)

(-0.894520)

棉花(-3)

0.053275***

(2.894770)

-0.042767

(-1.124930)

农林牧渔(-1)

-0.000919

(-0.103220)

0.177341***

(9.646440)

农林牧渔(-2)

-0.005068

(-0.565660)

■0.127983***

(-6.915460)

农林牧渔(-3)

0.011155

(1.254590)

0.058600***

(3.190560)

常数项

-0.005743

(-0.297490)

0.018380

(0.460900)

注:***, **, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

综合VAR系数估计和格兰杰因果检验,得出无法通过建立VAR模型进行 BEKK模型的构建的结论,所以只存在软件构建模型局部最优解情况,AR模型 又无法确定最优滞后阶数,所以下一步换常数方程,进行ARCH检验和残差的 JB检验。

4・7・3常数方程ARCH检验

Chi-squared = 1049.8 p-value < 2.2e-16

残差项通过常数方程ARCH检验,继续对残差进行JB检验,检验结果显示 残差符合t分布。

4・7・4软件构建模型局部最优解残差JB检验

棉花序列残差项 X-squared= 71205.9606

农林牧渔行业指数序列残差项 X-squared=2646.8652

如上表,结果显示残差符合t分布,继续构建模型。

4.7.5棉花■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.108671***

7.263960

k2i

0.008027

0.225010

k22

0.227856***

7.716720

an

0.282304***

12.916030

an

-0.003481

-0.162930

a2i

-0.001673

-0.234600

a22

0.257656***

13.837160

bn

0.951040***

128.641320

bn

0.007712

1.139080

b2i

0.000769

0.450910

b22

0.945033***

152.431180

du

0.074693**

2.354490

di2

0.060445

1.443990

d2i

-0.007909

-1.037430

d22

■0.326208***

-11.339620


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。

4.7.6 WALD联合检验

模型 ai2=bi2=di2=0 a2i=b2i=d2i=0 ai2=bi2=di2=a2i=b2i=d2i=0


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

由于所选样本数据容量有限,本文继续补充正态分布条件下实证结果,并且

只有BEKK参数部分和WALD检验部分不一样。

4.7.7棉花■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.195155***

13.341890

k2i

-0.047315*

-1.653090

k22

0.219743***

&362280

an

0.246902***

16.395000

an

0.013191

0.609800

a2i

0.037971***

5.299890

a22

0.247892***

13.493000

bn

0.934325**

152.568060

bn

0.003565

0.358800

b2i

0.000296

0.11398

b22

0.952269***

169.780910

du

0.213957***

7.501960

di2

0.060574*

1.760790

d2i

0.039350***

4.704740

d22

■0.200284***

-6.759090

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。

4.7.8 WALD联合检验

模型 ai2=bi2=di2=0 a2i=b2i=d2i=0 ai2=bi2=di2=a2i=b2i=d2i=0


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

中国棉花期货市场与股票市场行业指数的溢出效应只有在正态分布条件下 才有明显的双向溢出效应,而在本文选取的样本区间内数据分布形态下并不具备 溢出效应。造成这种表现的原因主要是国内棉花期货市场起步较晚,是在2004 1028日在郑州商品交易所正是开始交易的,而本文的样本数据是从2007 年开始处理的,缺少3年的可利用数据。在样本区间内没有溢出效应的表现一定

程度上与棉花期货本身的特点有关,郑棉期货价格对各种影响因素反应极为灵 敏,与现货价格关联极大,与国际市场价格联系更为紧密。这种联系更为紧密的 原因是棉花现货中可用于期货交易的数量极大,占据约80%,并且交割成本相对 较低。在与棉花相关的股票市场和期货市场上价格变动相对同步。

4.8玉米期货市场与农林牧渔行业指数溢出效应实证结果

首先对玉米期货市场与农林牧渔行业指数样本数据做格兰杰因果检验。

4.8.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

1952

2

1956-4

5.0137

0.0005079***

Res.Df

Df

F

Pr(>F)

1

1952

2

1956-4

0.9098

0.4573

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

结果显示通过格兰杰因果检验,可利用VAR构建模型。但首先先考虑理论



模型全局最优解的情况,并对残差项进行JB检验.

4・8・2理论模型全局最优解ARCH检验

Chi-squared = 880.14 df = 4

p-value < 2.2e-16

4.8.3理论模型全局最优解残差JB检验

玉米序列残差项

X-squared=670425.01666

农林牧渔行业指数序列残差项

X-squared=43 88.5302

样本数据通过ARCH检验,JB检验显示残差符合t分布o由于数据通过VAR

模型,可以继续讨论模型的估计系数。

4・8・4玉米■农林牧渔行业模型系数估计结果

玉米

农林牧渔

玉米(“) -0.045396"

0.047794

(-2.515810)

(1.184260)

玉米(J) -0.008565

-0.033372

(-0.470780)

(-0.813640)


玉米(-3)

-0.022676

(-1.296340)

0.054930

(1.309120)

玉米(-4)

0.004346

(0.242010)

0.027384

(0.735190)

农林牧渔(-1)

■0.011910**

(-2.024120)

0.112990***

(4.890540)

农林牧渔(-2)

0.000440

(0.073310)

■0.067058***

(-2.915480)

农林牧渔(-3)

0.002069

(0.368090)

0.033153

(1.463540)

农林牧渔(-4)

0.002434

(0.427100)

0.025630

(1.116680)

常数项

0.009193

(0.895560)

0.068180**

(2.271580)

注:***, **, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设



利用软件构建GARCH-BEKK模型,结果如下:

4.8.5玉米■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.008189

0.865250

k2i

0.260364***

20.665180

k22

0.080347*

1.933700

an

0.083888***

10.538580

an

0.051234

1.169600

a2i

-0.007145

-1.499390

a22

0319119***

&211310

bn

0.994380***

1272.681090

bn

-0.002958

-0.510960

b2i

-0.000510

-0.345480

b22

0.928640***

119.052510

du

-0.025479

-1.616400

di2

■0.148570*

-1.950290

d2i

0.013148**

2.491400

d22

0.332302***

6.049190

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 继续进行WALD检验,结果如下。

4.8.6 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

玉米■农林 牧渔

6.171090

17.834777***

25.240109***


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 接着上部分,本文将继续讨论软件构建模型局部最优解的实证结果。

4・8・7软件构建模型局部最优解ARCH检验

Statistic

Degrees

Sigrdf

728.90

36

0.00000

如上表,残差项通过符合ARCH效应,将局部残差导出,继续进行局部最


优解的残差JB检验。

4・8・8软件构建模型局部最优解残差JB检验 玉米序列残差项




残差项符合t分布,构造GARCH-BEKK模型。

4.8.9玉米■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

-0.008619

-0.978190

k2i

■0.266158***

-5.924080

k22

0.000064

0.000069

an

0.083093***

11.857550

an

0.047307

1.062360

a2i

-0.007077

-1.527880

a22

0.322598***

9.638680

bn

0.994407***

1469.734610

bn

-0.002613

_0.444460

b2i

-0.000311

-0.210100

b22

0.931933***

95.184350

du

-0.023252

-1.413460

dn

■0.193976**

-2.543330

d2i

0.013495**

2.453390

d22

0.295387***

5.189330

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设 对上述结果继续进行WALD检验,结果如下。

4.8.10 WALD联合检验




果,首先验证的是理论模型全局最优解的情况。

4.8.11理论模型全局最优解ARCH检验



通过ARCH检验,继续利用全局残差构建GARCH-BEKK模型。

4.8.12玉米■农林牧渔行业模型系数估计结果

玉米

农林牧渔

玉米(-1)

■0.066455**

0.080055*

(-2.159130)

(1.821500)

玉米(-2)

■0.126063***

-0.004124

(-6.407500)

(-0.093230)

玉米(-3)

■0.079484***

0.068628

(-3.565280)

(1.609690)

玉米(-4)

-0.048858"

0.032969

(-2.473700)

(0.759130)

农林牧渔(-1)

■0.013486**

0.130767***

(-2.512200)

(5.252360)

农林牧渔(-2)

0.005650

■0.096226***

(0.809270)

(-3.665630)

农林牧渔(-3)

0.019966***

0.020140

(3.173410)

(0.731800)

农林牧渔(-4)

0.005087

0.033641

(0.666710)

(1.372310)

常数项

0.005659

0.001923***

(0.878360)

(0.058100)

注:***, **, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设


假设残差项符合正态分布,构造GARCH-BEKK模型。

4.8.13玉米■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.566767***

32.701410

k2i

0.025067

0.343260

k22

■0.155188**

-2.045600

an

0.695428***

10.366290

an

■0.119506**

-2.042970

a2i

■0.044786***

-2.787930

a22

0 242115***

13.739260

bn

■0.177020***

-2.900980

bn

0.182191**

2.037250


b2i

0.023919

1.380600

b22

0.957639***

155.586170

du

-0.955880***

-11.618440

dn

0.075442

0.872160

d2i

0.184466***

10.380420

d22

■0.140359***

-2.901870

注:***, **, *代表在%, 5%, 10%显著性水平下,结果拒绝原假设 接着上述结果进行WALD检验,结果如下。

4.8.14 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

玉米■农林 牧渔

5.731503

138.261316***

142.175337***

注:***, **, *分别代表在1%, 5%, 10%显著性水平下拒绝原假设


本文继续讨论软件构建模型局部最优解情况,正态分布条件下软件构建模型 局部最优解的系数结果和t分布下的局部最优解情况一致,这是由软件构建模型 条件语句决定的,并且ARCH检验效果也一致。

4.8.15玉米■农林牧渔行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.010107

1.320380

k2i

■0.232678***

-7.425640

k22

0.000237

0.001190

an

■0.040619***

-4.911350

an

0.015252

0.466710

a2i

0.001213

0.251200

&22

0.273671***

11.817640

bn

0.994824***

1951.118770

bl2

0.005226

1.288830

b2i

0.002992**

2.30984

b22

0.947058***

119.742840

du

■0.028241**

-2.251670

dl2

-0.041059

-0.494670

d2i

0.055372651

20.060500

d22

■0.139787***

-3.358330

注:***,

**, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

接着上部分结果进行WALD检验,结果如下。


4.8.16 WALD联合检验

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

玉米■农林 牧渔

2.269053

471.010373***

493.313306***

注:***, **, *分别代表在1%, 5%, 10%显著性水平下拒绝原假设


在玉米期货市场和股票行业指数溢出效应实证分析中,4种情况中,只有样 本数据区间内符合t分布的局部最优解情况具有明显的双向溢出效应,其余情况 只存在股票市场向大宗商品市场的单向溢出效应。我国玉米期货市场于2004 922日开始交易,本文的样本区间则是从2011年开始的,并且我国玉米产量 基本自给自足,很少进口,受供求因素影响极大,玉米期货价格展现无法做到长 期连续,而股票行业指数都是长期连续数据,所以综合情况来说,股票行业指数 价格波动对期货市场的溢出效应相比后者对前者的溢出效应更为显著。


5 美国大宗商品市场与股票市场价格波动双向溢出效
应实证分析

在美国大宗商品市场与股票市场价格波动双向溢出效应的实证分析中,主要 涉及的是7个大宗商品的活跃合约交易数据和中信行业指数中的3个行业指数。

5.1数据处理

其中白糖期货市场相关数据有3381个,大豆期货市场相关数据有2021个, 豆粕期货市场相关数据有1698个,豆油期货市场相关数据有1698个,黄金期货 市场相关数据有2378个,棉花期货市场相关数据有3066个,玉米期货市场相关 数据有2027个,美国标普500必须消费行业指数相关数据有4045个,美国标普 500非必须消费行业指数、金融行业指数相关数据有4045个。针对以上数据我 们进行变量统一描述。

5・1・1整体数据统计性描述

均值

最小值

最大值

标准差

峰度

偏度

白糖

0.005086

-11.644801

13.852932

2.111394

6.109873

0.166621

大豆

-0.024320

-20.209718

5.170137

1.343358

35.973410

-2.369174

豆粕

-0.021715

-17.344388

7.145896

1.558281

21.519228

-1.496814

豆油

-0.021797

-4.522312

6.290332

1.166058

4.012476

0.318967

黄金

0.010186

-7.124069

4.639367

0.945299

7.749715

-0.450144

棉花

0.005815

-15.337758

13.570709

1.719433

8.729378

-0.094651

玉米

-20.769777

-16.306656

7.026920

1.558475

22.370419

-1.298061

必须消 费

-6.648470

-10.368229

8.835286

0.829634

13.097485

-0.083749

非必须 消费

0.034915

-10.099162

12.313146

1.263013

12.120809

-0.128837

金融

0.008232

-18.638984

17.201299

1.908624

22.148262

-0.175265

数据来源:wind数据库

在表5.1中,数据的偏度和峰度和正态数据分布有所区别,所以在此数据基 础上,继续进行数据处理,对各变量Jarque-Bera检验,具体结果见表5.2

5・1・2 Jarque-Bera检验

变量

JB统计量

变量

JB统计量

白糖

1378.2086 ***

大豆

93530.8105***

豆粕

24873.7169***

豆油

101.333***

黄金

2283.5539***

棉花

4207.7134***

玉米

32259.1555***

金融

3167.065***

必须消费

14679.0079***

非必须消费

1250.8652***

注:***代表在1%显著性水平下拒绝原假设

结果证明所选区间的数据不符合正态分布,所以在后续双向溢出模型拟合时 使用t分布。同时利用R软件建立时间序列平稳性检验。

5.1.3平稳性检验

变量

JB统计量

变量

JB统计量

白糖

-41.9934 ***

大豆

■3L8897***

豆粕

■2&6237***

豆油

■2&8338***

黄金

■33.2144***

棉花

■39.1523***

玉米

■32.7466***

金融

■33.9411***

必须消费

■45.9415***

非必须消费

■33.4525***

注:***代表在1%显著性水平下拒绝原假设


单位根检验结果显示,样本中的时间序列均在1%的显著性水平下拒绝原假 设,即大宗商品和股票市场收益率均为平稳时间序列。

上面已经证明样本中的所有时间序列都是平稳的,后面继续对数据进行处 理,利用R软件求得VAR模型的滞后阶数。

5.1.4 VAR模型滞后阶数

VAR变量

滞后阶数

VAR变量

滞后阶数

白糖■必须消费

4

大豆■必须消费

1

豆粕■必须消费

1

豆油■必须消费

1

黄金■金属

5

黄金■非必需消费

1

玉米■必须消费

1

棉花■必须消费

4

VAR模型滞后阶数为格兰杰因果检验的奠定基础,进而根据格兰杰因果检

验的结果确定后续GARCH-BEKK模型中所用的模型。

5.2白糖期货市场与必须消费行业指数溢出效应实证结果

GARCH(1?1)-BEKK的实现,本文主要是通过ratsv8_pro,在后续实证分析 中,通过格兰杰因果检验结果来确定最优滞后阶数,是继续用VAR方程构建双 向溢出模型还是用AR自回归模型或是常数方程来构建。同时, GARCH(1,1)-BEKK在构建的过程中,包括两种均衡的情况,即理论模型整体最 优解和软件构建模型局部最优解情况。因为要做双向溢出效应,所以格兰杰检验 要做两次。

5.2.1格兰杰因果检验

Res.Df

Df

F

Pr(>F)

1

3364

2

3368-4

2.7174

0.02824**

Res.Df

Df

F

Pr(>F)

1

3364

2

3368-4

3.6416

0.005758**

如上表所示,白糖期货市场样本数据和对应的中信农林牧渔行业指数的两 次格兰杰检验均通过,再通过ARCH检验的话,就可以继续构建VAR模型,同 时分析理论模型全局最优解和软件构建模型局部最优解两种情况。由于在前部分 本文JB检验中得出样本数据都符合t分布的形态,所以如果通过ARCH检验后 还要对残差项再进行一遍JB检验,看残差项是否进一步符合t分布。表4.6显示 的是理论模型全局最优解的情况,后续的JB检验也是将整体残差导出,在R 件中进行残差JB检验。

5.2.2理论模型全局最优解ARCH检验

Chi-squared = 391.69 df = 4 p-value < 2.2e-16

残差符合ARCH效应,可以进行数据形态检验。

523理论模型全局最优解残差JB检验

白糖序列残差项 X-squared= 1339.8228

必须消费行业指数序列残差项 X-squared=12788.1767

根据上表显示,可以根据VAR模型在ratsv8_pro中构建GARCH(1,1)-BEKK

模型,且残差项符合t分布。得出结果如下:

5.2.4白糖■必须消费行业模型系数估计结果

白糖

必须消费

白糖(-1)

-0.023435

(-1.384040)

■0.010061**

(-1.960560)

白糖(-2)

-0.004875

(-0.284850)

0.006272

(1.194540)

白糖(-3)

0.036203**

(2.187640)

0.004408

(0.867230)

白糖(-4)

-0.019058

(-1.153850)

-0.002085

(-0.406840)

必须消费(-1)

0.062543*

(1.696470)

■0.058049***

(-3.343020)

必须消费(・2)

-0.054917

(-1.459510)

-0.027163

(-1.592890)

必须消费(-3)

-0.033848

(-0.903810)

-0.013914

(-0.824140)

必须消费(・4)

0.029382

(0.763450)

■0.041043**

(-2.379170)

常数项

-0.052408*

(-1.808620)

0.048081***

(4.719580)

注:***, **, *代表在1%,

5%, 10%显著性水平下,

结果拒绝原假设

5.2.5白糖■必须消费行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.105706**

2.275200

k2i

-0.111875*

-1.819730

k22

0.089901

1.158860

an

0.153798***

7.439680

an

-0.005448

-0.864730

a2i

■0.132609***

-3.458160

a22

-0.081153

-1.509770

bn

0.981941***

234.014210

bn

0.001971

1.338680

b2i

-0.001732

-0.148250

b22

0.936012***

355.334520

du

0.127203***

4.492680

di2

-0.005415

-0.588890


d2i

0.016208 0.340240

0.405141*** 21.638060

.***, **,

*代表在1%, 5%, 10%显著性水平下,

5.2.6 WALD联合检验

结果拒绝原假设

模型

ai2=bi2=di2=0

a2i=b2i=d2i=0

ai2=bi2=di2=a2i=b2i=d2i=0

白糖■必须 消费

1.831384

17.701361***

20.035058***

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

在软件构建模型局部最优解的情况下,格兰杰检验和上部分是一样的,只有 在系数和参数以及联合检验上有所不同。

5.2.7软件构建模型局部最优解ARCH检验

Statistic

Degrees

Sigrdf

1194.13

36

0.00000

如上表,残差项通过符合ARCH效应,将局部残差导出,继续进行局部最

优解的残差JB检验。

5.2.8软件构建模型局部最优解残差JB检验

白糖序列残差项

X-squared= 1312.9461

必须消费行业指数序列残差项

X-squared=l 0883.8348

残差项符合t分布,

构造GARCH-BEKK模型。

5.2.9

白糖■必须消费行业模型系数估计结果

白糖

必须消费

白糖(-1)

■0.029426*

■0.016374**

(-1.699450)

(-2.329950)

白糖(-2)

-0.000256

0.012115*

(-0.014810)

(1.724100)

白糖(-3)

0.045569***

0.009824

(2.632150)

(1.398120)

白糖(-4)

-0.014789

0.005445

(-0.854460)

(0.775100)

必须消费(-1)

0.099069**

■0.077966***

(2.323620)

(-4.505530)

必须消费(・2)

■0.095360**

■0.077661***

(-2.228230) (-4.471020)

必须消费(・3) -0.062792 0.017109

(-1.466450) (0.984470)

必须消费(・4) 0.031938 -0.051281***

(0.748700) (-2.961930)

常数项 -0.006777 0.031892**

(-0.186350) (2.160820)

注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

5.2.10白糖■必须消费行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.103623**

2.320130

k2i

■0.115204***

-2.634150

k22

0.089552*

1.689660

an

0.152585***

10.321090

an

-0.006692

-1.084420

a2i

■0.136872***

-4.463800

a22

-0.083802*

-1.877400

bn

0.982074***

333.253180

bi2

0.002112

1.527650

b2i

-0.001018

-0.101020

b22

0.936091***

345.268630

du

0.125709***

4.469250

di2

-0.004447

-0.531690

d2i

0.010502

0.226250

d22

0.406302***

20.924630


注:***, **, *代表在1%, 5%, 10%显著性水平下,结果拒绝原假设

5.2.11 WALD联合检验

模型

白糖■必须 消费

ai2=bi2=di2=0

2.338654

a2i=b2i=d2i=0

26.842003***

ai2=bi2=di2=a2i=b2i=d2i=0

31.467637***

.***, **,

*代表在1%, 5%,

10%显著性水平下,

结果拒绝原假设

由于本文选取的样本并非全体数据,所以要考虑到如果数据量足够大,用正 态分布来描述的话,溢出效应是否会有变化。首先,先讨论理论模型全局最优解 情况。

5212理论模型全局最优解ARCH检验

Chi-squared = 397.28 df = 4 p-value < 2.2e-16

通过ARCH检验,继续利用全局残差构建GARCH-BEKK模型。

5.2.13白糖■农林牧渔行业模型系数估计结果

白糖

必须消费

白糖(-1)

-0.022504

-0.011425**

(-1.230020)

(-2.039840)

白糖(-2)

-0.005419

0.006284

(-0.298750)

(1.105530)

白糖(-3)

0.029949

0.00 17

(1.554200)

(1.434870)

白糖(-4)

■0.037812**

-0.000672

(-2.218130)

(-0.129510)

必须消费(-1)

0.08678V

■0.061464***

(2.240420)

(-3.274820)

必须消费(・2)

-0.067516

-0.021761

(-1.644660)

(-1.190830)

必须消费(-3)

-0.052003

-0.013080

(-1.277520)

(-0.739180)

必须消费(・4)

0.033929

■0.032093**

(0.817540)

(-1.859940)

常数项

-0.019731

0.034834***

(-0.698520)

(3.428320)

注:***, **, *代表在[%,

5%, 10%显著性水平下,

结果拒绝原假设

5.2.14白糖■必须消费行业BEKK参数

参数

参数值

t

参数

参数值

t

kn

0.142697***

4.281940

k2i

■0.070344**

-1.934640

k22