铜期货市场风险变异性实证研究.docVIP

PAGE  PAGE 5 铜期货市场风险变异性实证研究 　　【摘要】选取2009-03-06到2015-11-30伦敦三月期铜与SHFE沪铜连续日收盘价序列，利用GARCH-M、GJR-GARCH模型，通过对其收益率序列的尖峰厚尾特性、波动群聚及杠杆效应的对比分析来研究期铜市场的风险变异性。基本结论是两市均达到了弱势有效，且均存在显著的波动群聚及杠杆效应。上海期铜市场受短期影响比伦敦小，但更易受到长期因素的影响，且外部冲击对上海期铜市场影响的持续性更强。在实证分析的基础上，为监管者及投资者提供有益的参考。 　　【关键词】期铜市场 GJR-GARCH模型 波动群聚效应 杠杆效应 　　一、引言 　　中国经济增长从高位趋缓，与此同时国内外宏观经济的不确定性带来了巨大风险敞口，导致济活动主体对避险工具的需求激增，期货市场无疑提供了一条渠道。尽管已有很多文章对中国股票市场的风险变异性进行了研究，但只有少数学者对期货市场进行了一定的研究。如章永哲基于5分钟高频数据对沪深300股指期货和现货市场的溢出效应进行了研究。通过经济建模的方式对期货市场的运行规律进行研究成为一种极具潜力的发展方向。因此本文选取上海及伦敦期铜市场的收益率数据来对市场波动性进行实证研究，揭示我国期货市场的波动性及风险性等内在特征。 　　二、上海与伦敦期铜市场风险变异性实证研究 　　（一）变量选择与数据处理 　　三月期铜品种是LME市场上的主力品种，不仅成交量占比较高，而且交易价格活跃，因此以三月期铜研究伦敦期铜市场的波动性。为克服上海期铜价格波动的不稳定性缺点，选取沪铜期货中的成交量最大的主力合约形成的连续收盘价数据。将不匹配的数据删除，得到有效数据1553个。然后对数据进行对数化处理，得到铜期货的日收益率数据。 　　（二）尖峰厚尾效应检验 　　统计了两市的收益率特征，在整个样本期间内，上海期铜收益率略低于伦敦期铜，同时上海期铜收益率的标准差更小，波动性较弱。从偏度来看，两市期铜收益率偏度为负，说明两市收益率在样本区间内的很多时候都处于正值状态。最后，从峰度看，两市收益率都呈现尖峰的特性。此外，两市收益率的J-B统计量均显著，这说明了随机游走与有效市场假说并不适合铜期货市场的规律。 　　（三）杠杆效应检验 　　1.平稳性及相关性检验。对两市收益率序列的平稳性进行检验，ADF统计量分别是-43.00544和-35.10959，小于临界值，拒绝原假设，即两市的收益率序列都是平稳的。对两市收益率序列进行统计量检验，从自相关系数和偏自相关系数的数值可知伦敦收益率序列存在一阶自相关，而上交所期铜收益率序列不存在相关性。 　　2.ARCH效应检验。对伦敦期铜建立自回归移动平均模型，建立ARMA（1，1）模型结果为xt=-0.428011xt-1+εt+0.294910 εt-1+0.000384，由于上海交易所期铜收益率不存在相关性，所以将均值方程设定为白噪声，将m去均值化，方程为w=y-0.000379。 　　运用ARCH LM方法对LME的期铜收益率序列进行ARCH效应检验，P值为0.0459，故拒绝原假设，LME期铜收益率的残差序列存在ARCH效应。对SHFE的期铜收益率序列采用残差平方相关图进行检验，自相关和偏自相关的系数都显著不为零，并且Q统计量十分显著，残差序列存在ARCH效应。 　　3.GARCH-M模型估计。现在对LME的收益率进行GARCH建模，通过AIC准则我们选定GARCH-M（1，1），可得到如表2的结果。ARCH项的系数为0.165367，GARCH项的系数为0.818398，两项系数均显著，且两项之和小于1，说明伦敦期铜收益率具有有限方差，属于弱平稳过程。两项之和接近1，这表明伦敦期铜市场具备明显的波动群聚效应，投机性较强，总体风险较大。均值方程的系数为0.031413，说明收益率具有正的风险溢价，即期铜市场的风险增加一个点时，收益率相应增加0.031413个百分点。同样，从上海期铜的GARCH建模结果看，上海期铜属于弱平稳过程，有明显的波动群聚效应，总体风险较大。且具有正的风险溢价，同时比伦敦期铜具有更大的风险溢价。 　　4.构建GJR-GARCH模型。由伦敦期铜收益率数据估计GJR -GARCH的冲击效果，估计结果为： 　　ht=8.06E-06+0.120730ε2t-1+0.033825Dt-1ε2t-1+0.847314ht-1 　　（3.067365） （3.500524） （0.821460） （37.88246） 　　从上述结果可看出哑变量前的系数为正值，且比较显著，说明伦敦期铜市场的杠杆效应显著。δ等于0.033825，大于零，伦敦期铜市场存在杠杆效应，市场利空消息的影响明显强于利好消