论文部分内容阅读
波动率是金融领域的核心概念，波动率的相关研究也一直是金融实证研究的首要问题。在股票市场，实证研究已经证实相同程度的好消息对波动率的冲击小于坏消息对波动率的冲击，因古典理论认为是因企业使用财务杠杆而导致的这种情况，因此这种波动率非对称性也被称为杠杆效应。而根据传统的期货便利收益定价理论，当存货下降时，对波动率的冲击要大于相同程度的存货上升时对波动率的冲击，但现实中部分学者认为中国的商品期货市场并不存在波动率非对称性，还有部分学者通过实证研究发现中国商品期货市场上存在波动率非对称性，但认为该价格行为应从行为金融学的角度来阐述。本文在通过对影响期货价格变动的因素进行分析以及期货定价的便利收益理论进行分析的基础上，对期货市场上是否存在波动率非对称性、波动率非对称性的原因以及商品期货波动率非对称性的应用方面进行了分析，并利用中国期货市场上的交易数据进行了实证检验。
对存货水平的测度方面，因市场上对存货水平进行直接的测量存在标准范围等各种问题，所以在研究中都使用代理变量对存货进行度量。本文中代理变量的使用主要基于Gorton，G.B.，Hayashi，F.，&Rouwenhorst，K.G.在2007年的研究结论。在Hayashi的研究中，他们确定了存货与便利收益的负的、非线性的关系以及期货收益率、现货收益率与基差都可以作为存货水平的代理变量。因此，在本文的实证研究中，使用现货的收益率为存货条件的代理变量，即现货收益率上升代表存货条件下降，现货收益率下降代表存货条件上升。同时，根据便利收益定价理论，存货条件下降时对波动率的冲击大于存货条件上升时对波动率的冲击。
第一部分实证研究为波动率非对称性的检验，并从可存储时间的角度来进行分析。因EGARCH模型可以有效对杠杆效应进行检验，本部分实证研究主要使用EGARCH模型。在本部分的实证检验中，存货条件的代理变量选为现货的收益率变化情况，收益率上升时表示存货变少，收益率下降时表示存货增加。本部分实证研究对十个期货合约品种的波动率非对称即存货效应进行了检验。所选的十个合约品种均是期货市场上交易活跃的品种，且有色金属、能源化工和农产品这几大类中都有涉及。在本部分的实证研究中，因价格序列一般不满足时间序列分析的平稳性要求，本实证部分主要对期货的收益率序列进行实证分析。首先利用ADF检验对这十个商品期货收益率的平稳性条件进行检验，得出十个商品期货收益率序列均满足平稳性。然后分别观察这这些期货品种的收益率自相关特征，对其自相关性进行分析，这十个期货品种中，除棕榈油和白糖外，有八个期货品种存在自相关性。对存在自相关性的期货品种，根据其在不同阶下AR模型和MA模型的AIC准则值的大小，建立相应的ARMA模型过滤自相关性，棕榈油和白糖品种则仅对常数项进行回归。各个品种条件均值方程残差的LM检验表明，ARMA模型对自相关性进行了有效的过滤。对条件均值方程残差的异方差性进行检验，表明各个期货品种的条件均值方程均存在比较严重的异方差性，需要对波动率建模。利用EGARCH模型对波动率进行建模，并分析在EGARCH模型中杠杆项前的系数的统计显著性。从结果中发现，十个期货品种中有六个品种的杠杆效应前的系数统计显著，因此得出结论为在中国商品期货市场上存在波动率非对称性，进一步对比商品的可存储时间发现存货的可存储时间与波动率的非对称冲击的大小方面存在着反向的关系。
本部分的实证研究并没有因为某单个品种不存在波动率非对称性就否定波动率非对称在整个期货市场上存在。因不同商品品种的生产条件、供需情况、存储情况、政策条件都各不相同，因此笔者认为不能通过某一个品种来对整个商品期货市场进行替代，因此对某个品种进行研究后得出的结论仅仅适合单一品种，并不能代表整个期货市场。本部分实证研究的范围足够大，对十个交投活跃的期货合约进行了分析，同时这十个期货合约也不是属于同一大类的，因此本文的第一部分实证研究结论的有效性强于仅仅对单个或几个品种进行实证分析的结论。
在确定了商品期货确实存在有因存货效应引起的波动率非对称性的基础上，本文继续探讨了两种基于波动率非对称性的应用。因VaR的计算和套期保值很大程度上是基于对资产的动态情况进行建模，因此本文讨论了通过将期货的波动率非对称性加入到VaR的计算和套期保值的建模过程中，能否优化VaR预测的准确率和套期保值效果。在这部分实证研究中，使用的期货品种均为在波动率非对称性检验时存货效应显著的品种。
在研究分析将波动率非对称性加入VaR预测中能否提高其模型预测的正确率时，使用GARCH模型对不含存货效应的VaR进行建模计算，使用EGARCH模型对包含存货效应的VaR进行建模计算。再将根据不同模型得出的VaR与实际价格变动情况进行比较，可得出VaR的失败次数。利用Kupiec失败概率检验法的P值可以检验将存货效应加入VaR的计算中是否可以提高VaR模型的准确率。根据实证结果，六个期货品种中五个的包含波动率非对称性的P值较小，表明将存货效应加入VaR的计算中可以提高VaR模型的预测效率。该部分实证研究在确定模型滞后阶数时，借用了第一部分实证研究的结果。
在比较将波动率非对称性加入套期保值模型能否降低投资组合风险水平的实证检验中，将商品的现货和期货构成投资组合，并假定投资者持有现货商品的多头头寸，并为对冲现货的价格波动风险而持有对应品种的期货空头头寸。本文比较估计了两种对冲比率，即不包含波动率非对称性的使用二元BEKK-GARCH模型估计的对冲比率和包含波动率非对称性的asymBEKK-GARCH模型估计的对冲比率。本部分的实证研究中根据Gorton，Hayashi，和Rouwenhorst的研究结果，使用现货收益率的变动情况为存货条件的代理变量。当现货收益率上升时代表存货下降，当现货收益率下降时代表存货上升。在现货每日收益率和期货每日收益率的基础上，结合是否包含存货效应部分得出的两个对冲比率序列，可以得到投资组合最终的收益率以及收益率的标准差。本部分使用投资组合收益率的标准差作为其风险的评价方法，即得到的组合标准差最小的模型表现最优。本部分实证研究仅对在第一部经过验证后，存在波动率非对称性的品种进行了分析，因菜粕样本数据较短，仅对存货效应显著的豆粕、金、PTA、橡胶和棕榈油五个品种进行了简单分析。从实证结果可以发现，这五个品种中除了棕榈油外其他品种的包含存货效应的asymBEKK-GARCH模型得出的组合标准差均小于不含存货效应的BEKK-GARCH模型，表明通过将存货效应加入套期保值模型的构建，提高了套期保值效率。
对存货水平的测度方面，因市场上对存货水平进行直接的测量存在标准范围等各种问题，所以在研究中都使用代理变量对存货进行度量。本文中代理变量的使用主要基于Gorton，G.B.，Hayashi，F.，&Rouwenhorst，K.G.在2007年的研究结论。在Hayashi的研究中，他们确定了存货与便利收益的负的、非线性的关系以及期货收益率、现货收益率与基差都可以作为存货水平的代理变量。因此，在本文的实证研究中，使用现货的收益率为存货条件的代理变量，即现货收益率上升代表存货条件下降，现货收益率下降代表存货条件上升。同时，根据便利收益定价理论，存货条件下降时对波动率的冲击大于存货条件上升时对波动率的冲击。
第一部分实证研究为波动率非对称性的检验，并从可存储时间的角度来进行分析。因EGARCH模型可以有效对杠杆效应进行检验，本部分实证研究主要使用EGARCH模型。在本部分的实证检验中，存货条件的代理变量选为现货的收益率变化情况，收益率上升时表示存货变少，收益率下降时表示存货增加。本部分实证研究对十个期货合约品种的波动率非对称即存货效应进行了检验。所选的十个合约品种均是期货市场上交易活跃的品种，且有色金属、能源化工和农产品这几大类中都有涉及。在本部分的实证研究中，因价格序列一般不满足时间序列分析的平稳性要求，本实证部分主要对期货的收益率序列进行实证分析。首先利用ADF检验对这十个商品期货收益率的平稳性条件进行检验，得出十个商品期货收益率序列均满足平稳性。然后分别观察这这些期货品种的收益率自相关特征，对其自相关性进行分析，这十个期货品种中，除棕榈油和白糖外，有八个期货品种存在自相关性。对存在自相关性的期货品种，根据其在不同阶下AR模型和MA模型的AIC准则值的大小，建立相应的ARMA模型过滤自相关性，棕榈油和白糖品种则仅对常数项进行回归。各个品种条件均值方程残差的LM检验表明，ARMA模型对自相关性进行了有效的过滤。对条件均值方程残差的异方差性进行检验，表明各个期货品种的条件均值方程均存在比较严重的异方差性，需要对波动率建模。利用EGARCH模型对波动率进行建模，并分析在EGARCH模型中杠杆项前的系数的统计显著性。从结果中发现，十个期货品种中有六个品种的杠杆效应前的系数统计显著，因此得出结论为在中国商品期货市场上存在波动率非对称性，进一步对比商品的可存储时间发现存货的可存储时间与波动率的非对称冲击的大小方面存在着反向的关系。
本部分的实证研究并没有因为某单个品种不存在波动率非对称性就否定波动率非对称在整个期货市场上存在。因不同商品品种的生产条件、供需情况、存储情况、政策条件都各不相同，因此笔者认为不能通过某一个品种来对整个商品期货市场进行替代，因此对某个品种进行研究后得出的结论仅仅适合单一品种，并不能代表整个期货市场。本部分实证研究的范围足够大，对十个交投活跃的期货合约进行了分析，同时这十个期货合约也不是属于同一大类的，因此本文的第一部分实证研究结论的有效性强于仅仅对单个或几个品种进行实证分析的结论。
在确定了商品期货确实存在有因存货效应引起的波动率非对称性的基础上，本文继续探讨了两种基于波动率非对称性的应用。因VaR的计算和套期保值很大程度上是基于对资产的动态情况进行建模，因此本文讨论了通过将期货的波动率非对称性加入到VaR的计算和套期保值的建模过程中，能否优化VaR预测的准确率和套期保值效果。在这部分实证研究中，使用的期货品种均为在波动率非对称性检验时存货效应显著的品种。
在研究分析将波动率非对称性加入VaR预测中能否提高其模型预测的正确率时，使用GARCH模型对不含存货效应的VaR进行建模计算，使用EGARCH模型对包含存货效应的VaR进行建模计算。再将根据不同模型得出的VaR与实际价格变动情况进行比较，可得出VaR的失败次数。利用Kupiec失败概率检验法的P值可以检验将存货效应加入VaR的计算中是否可以提高VaR模型的准确率。根据实证结果，六个期货品种中五个的包含波动率非对称性的P值较小，表明将存货效应加入VaR的计算中可以提高VaR模型的预测效率。该部分实证研究在确定模型滞后阶数时，借用了第一部分实证研究的结果。
在比较将波动率非对称性加入套期保值模型能否降低投资组合风险水平的实证检验中，将商品的现货和期货构成投资组合，并假定投资者持有现货商品的多头头寸，并为对冲现货的价格波动风险而持有对应品种的期货空头头寸。本文比较估计了两种对冲比率，即不包含波动率非对称性的使用二元BEKK-GARCH模型估计的对冲比率和包含波动率非对称性的asymBEKK-GARCH模型估计的对冲比率。本部分的实证研究中根据Gorton，Hayashi，和Rouwenhorst的研究结果，使用现货收益率的变动情况为存货条件的代理变量。当现货收益率上升时代表存货下降，当现货收益率下降时代表存货上升。在现货每日收益率和期货每日收益率的基础上，结合是否包含存货效应部分得出的两个对冲比率序列，可以得到投资组合最终的收益率以及收益率的标准差。本部分使用投资组合收益率的标准差作为其风险的评价方法，即得到的组合标准差最小的模型表现最优。本部分实证研究仅对在第一部经过验证后，存在波动率非对称性的品种进行了分析，因菜粕样本数据较短，仅对存货效应显著的豆粕、金、PTA、橡胶和棕榈油五个品种进行了简单分析。从实证结果可以发现，这五个品种中除了棕榈油外其他品种的包含存货效应的asymBEKK-GARCH模型得出的组合标准差均小于不含存货效应的BEKK-GARCH模型，表明通过将存货效应加入套期保值模型的构建，提高了套期保值效率。