基于ARMA模型气温衍生品定价研究.docVIP

基于ARMA模型气温衍生品定价研究 　　[摘 要] 我国幅员辽阔，各地区地理差异很大，天气因素时空分布不均，天气异常变化幅度较大，亟需开发出适用于我国国情的天气衍生品以应对天气风险，天气衍生品的创新有着巨大的发展空间。通过沈阳市近50年的历史日平均气温数据，采用基于ARMA的时间序列方法构建了一个具有很好拟合优度的气温预测模型，并以此为基础对天气衍生品进行定价。这需要加快气象数据服务的公开和政府的支持，严格监管天气衍生品的开发及其市场运行，以推进我国天气衍生品的开发及市场发展。 　　[关键词] ARMA模型；天气衍生品；定价研究 　　[中图分类号] F713.5 [文献标识码] B 　　一、引言 　　天气因素是人类历史上最难以控制和预测的不确定性因素之一。天气变化会影响产业和企业的生产经营活动。可以说，各行各业的财务状况几乎都与天气有着千丝万缕的联系。 　　天气衍生品的出现，给人们应对天气风险提供了一条有效途径。天气衍生品的核心问题是天气衍生品的定价问题，而天气预测模型的准确选取是实现天气衍生品合理定价的关键。本文拟在已有研究的基础上，以基于温度的天气衍生品作为研究对象，通过构建ARMA时间序列模型对温度变化过程进行建模，并采用蒙特卡罗仿真方法对天气衍生品进行定价，以便为我国开发天气衍生产品提供一定思路。 　　二、数据与研究方法 　　（一）数据来源与预处理 　　本文数据的采样区间为沈阳市1963年1月1日至2014年12月31日的日平均气温数据，剔除了所有闰年2月29日的记录，共计18980项数据。经过Eviews软件处理，得到沈阳市日平均气温趋势图，见图1。 　　图1沈阳市日平均气温变化图（1963/01/01-2013/12/31） 　　由图1可以看出，沈阳市日平均气温呈现出明显的周期性，类似正弦函数，季节效应明显。 　　（二）模型的设定 　　由前文分析可得，沈阳市日平均气温数据的变动过程具有明显的周期性，其变化路径类似于正弦函数，可用sin（ωt+？渍）的形式表示。t表示时间，以天为单位，取t=1，2，3……，？渍为相角。日平均气温的季节性变化周期为一年，剔除闰年2月29日的气温数据后，取？渍=2？仔/365。此外，受温室效应影响，每年的气温都会有微量上升，可以合理假设这种微弱的变化是线性的，用Bt表示。因此，日平均气温的变化过程可以表示为： 　　Tt=A+Bt+Csin（ωt+？渍）+εt （1） 　　其中，Tt为时间t的日平均气温，A、B、C和？渍为未知参数，εt为残差项，取？渍=2？仔/365。 　　为便于参数估计，对式（1）作如下等式变换： 　　Tt=A+Bt+C[sin（ωt）cos？渍+cos（ωt）sin？渍]+εt （2） 　　整理可得： 　　Tt=A+Bt+Ccos？渍sin（ωt）+Csin？渍cos（ωt）+εt （3） 　　由于cos？渍和sin？渍是常数，因此可将式（3）看成一个线性方程： 　　Tt=a+bt+csin（ωt）+dcos（ωt）+εt （4） 　　从而有： 　　A=aB=bC=■？渍=arctan（d/c） （5） 　　其中，？渍=2？仔/365。 　　三、估计与结果分析 　　（一）ARMA模型的估计 　　用Eviews软件对方程（4）进行估计，结果见表1、表2： 　　表1 初步估计结果 　　由表1的分析结果可得，虽然各变量的系数都十分显著，但D-W检验值仅为0.57，说明模型存在严重的序列相关性，需要对其进行修正，故而引入ARMA模型。当引入ARMA（2，2）后，D-W值达到2.001897，说明基本不存在序列相关，各系数也十分显著，模型的拟合效果很好。见表2。 　　表2 ARMA模型估计结果 　　结合上述公式，得到a=80.18138，b=0.017793，c=-42.53233，d=-172.7380，结合式（5），从而可以得出日平均气温变化的模型为： 　　Tt=80.18138+0.017793t-177.89721sin（ωt+1.32937）+μt 　　μt=1.381625μt-1-0.405027μt-2+εt-0.573243εt-1-0.291102εt-2 （6） 　　其中，？渍=2？仔/365。 　　（二）ARMA模型估计结果的验证 　　用分析所得的ARMA模型对沈阳市2014年的日平均气温值进行预测，可以看到拟合效果非常好。见图2。 　　图2 模型预测结果 　　四、基于温度的天气期货定价 　　参照雷晶晶对天气期货的定价方法，本文只考虑基于温度的天气衍生品合约的赔付特征，以HDDs为研究对象，探讨基于温度的天气期货的定价问题。HDDs的表达式为： 　　HDDs=max（0，（