中国期货市场周日历效应的研究.docVIP

中国期货市场周日历效应研究 　　摘要:我国从1990年的第一只粮食期货开始,到目前的年交易总额达到70万亿,期货经历了蓬勃发展的历程,其市场规模逐渐扩大,在经济中的重要性日渐突出。本文通过实证分析,对我国期货市场收益率及其波动周日历效应进行研究,得出期货市场的收益率和波动均存在一定的周日历效应,收益率的周日历效应要强于波动的周日历效应等结论。 　　关键词:期货市场;周日历效应;收益率;波动 　　 　　1、文献回顾 　　周日历效应是指一周中某一个交易日金融市场的平均收益或平均波动水平明显不同于其余交易日。周日历效应的研究始于Osborne(1962)和Cross(1973)的研究。从20世纪80年代至今, 金融市场的周日历效应得到了广泛的研究。现有实证文献主要集中在研究股票市场周日历效应上,对期货市场周日历效应的研究相对来说比较匮乏。国外研究主要包括:Chiang和Tapley(1983),Cornell(1985)对商品期货和指数期货价格收益,Dyl和Maberly(1986)对指数期货非交易期价格收益,及Gay和Brian对美国商品研究局发布的长达29 年的期货价格指数周日历效应的研究。国内仅见于华仁海(2002,2004),徐建刚和唐国兴(2006)以及郭彦峰等(2008)的论述。上述众多研究表明,周日历效应普遍存在于期货市场中。本文对我国期货市场5种期货品种的周日历效应进行讨论,对这一议题进行深入研究。 　　2、实证模型 　　本文的实证模型采用在收益率方程和不对称自回归条件异方差波动模型中引入虚拟变量的实证模型对中国期货市场主要品种的收益和波动的周日历效应进行实证检验。 　　?本文将某期货数据在第t个交易日的收盘价表示为p??close???ft?,定义期货i的收益率 (return)为: 　　r??it?=100×log(p??close???it?/p??close???it-1?)。? 　　估计收益率的周日历效应时,本文采用广义最小二乘法(GLS)进行估计,实证模型为时间序列AR(q)模型。回归时,根据AIC和BIC判断准则,对方程式的q值进行判断。方程式如下: 　　其中,被解释变量为期货i在t期的收益率,?D??ijt?为表示季节效应的虚拟变量,当收益率序列为星期j时,D??ijt?为1,其他D??ijt?值为0。。为了避免多重共线性,模型中只设置了周二到周五的虚拟变量,因此常数项C??it?表示周一的日历效应。? 　　波动聚集的现象常出现在金融资产的回报率序列当中。因为其在衍生品定价、风险控制和跨期预测等方面的重要性,波动在金融资产的实证研究中被广泛讨论。其中最重要的发展为Engle(1982)提出的ARCH(Auto Regressive Conditional Heteroskedasticity ,自回归条件异方差)模型及Bollerslev(1986)提出的GARCH (Generalized ARCH,广义自回归条件异方差)模型。ARCH 类模型在诞生后不久即取得了极为迅速的发展,产生了多种衍生模型。对于ARCH/GARCH模型及相关实证研究的详细回顾,可以参考Bollerslev, Chou, and Kroner (1992)的文章。 　　本研究采用EGARCH(1,1)模型对方程(1)中收益率的残差项,即期货收益率的条件波动进行实证研究。指数GARCH(EGARCH)模型是由Nelson(1991)提出的,该模型的条件方差采取自然对数形式,可以很好的刻画正负冲击所产生的波动的非对称性特征: 　　该模型系数无非负限制,y?i的不同取值反应了正负冲击对序列波动的不同影响。当y?i=0 ,说明正向冲击(好消息)以及负向冲击(坏消息)产生同样效果的波动;当0y?i1时,说明坏消息比好消息引起更大的波动;而当y?i-1时,说明坏消息加剧了序列的波动,而好消息降低了序列波动。λ??ijt?为对残差自相关和异质条件方差修正后的星期二至星期五的平均波动, ω?i表示星期一的日历效应 。 　　为检验各期货收益率和波动的周日历效应,本文采用Eviews软件使用准最大似然法对式(1)和式(2)进行估计。 　　3、数据及基本统计量 　　本研究的样本为中国期货市场大豆、强麦、铜、铝和燃油期货的日数据,数据来源于Wind金融数据库。我国期货市场开办初期期货交易过度投机,在整顿后从2001年开始才走上规范发展的道路,因此本文选定2002年开始的数据作为研究期间。同时出于所搜集数据自身的限制,大豆期货数据期间为2003年10月1日至2007年12月31日;强麦期货数据期间为2003年4月1日至2007年12月31日;铜期货数据期间为2002年1月1日至2007年12月31日;铝期货数据期间为