文摘

抓住机会的中国上海推出原油期货(快乐),本研究实证研究信息传播在这个不成熟的金融市场,从一个新的角度研究这个问题。识别和快乐相关的股票市场上的影响,我们收集石油期货高频交易数据和22股票上市公司旗下中国与石油相关的上游和下游的产业链,构建了一个因果链通过有向无环图,并使用MFDCCA-MODWT链进行多重分形分析。研究表明,股票市场的线有一个因果关系的相关产业链,还有其交易时间序列多重分形关系。随后,分析了分形相关的来源与重组和代理序列。我们得出这样的结论:长期记忆中起着主导作用,是多重分形特性的主要原因。

1。介绍

巴黎气候协议的签署后,大多数签署了绿色金融的发展为国内金融行业的一个重要手段来应对全球气候变化。在中国,金融部门的工作的重点包括绿色债券发行和绿色信贷,并建立一个区域绿色金融试验系统。例如,2019年8月,中国人民银行宣布,自2016年以来,中国的绿色债券市场是世界上排名第一的发行,每年发行和库存居世界前。绿色的平衡贷款逐年增加,国内企业贷款占总额的近10%。

绿色金融的有效使用取决于国际金融市场的有效运作,特别是那些与气候变化密切相关。石油能源产品的交易是最重要的市场之一。对于发展中国家来说,金融市场的发展往往不是完美的,但他们的能源消耗是巨大的,和传统的分析方法是怀疑在分析相关市场1,2]。如何更好地识别不完善的金融市场的发展状况,但绿色金融密切相关?数据驱动的分析方法的使用已成为一种选择。

关于分析期货市场对现货市场的影响,学者们大多从效率的角度信息。在古典文学,法玛信息分为历史信息,公开披露信息,所有未知的相关信息(3]。市场的信息效率是指市场价格的能力消化和吸收新信息冲击发生时的信息和指导投资者通过市场价格来预测另一个市场价格,和交易时间和交易量的增加可以加强信息传输(4]。即信息效率市场价格效率的基础上,和信息的测量效率在理论上是市场效率的测试。但在发展中国家的金融市场,由于高的虚假交易和伪造财务数据,一些传统的模型不是有效地研究这些市场5]。因为在市场中,一个事务是一个事务,和数据显示每一刻带来有用的信息;因此,本研究期待在一个纯粹的数据驱动的方式考虑问题。探索未来中国原油的信息传输效率,本文收集上海石油期货的高频数据(快乐)价格和几个上市公司的股票价格。此外,我们使用DAG和多重分形去趋势互相关分析(MFDCCA)研究信息传输路径和多重分形这两个市场之间的关系,然后分析了多重分形的来源。

不同于之前的研究,我们分析线之间的信息传递和相关股票市场从数据驱动的角度来看。自学者争议市场是否有效,我们选择不做出任何先验逻辑的假设,但从纯数据的角度探讨问题。这种方法不仅可以使用不成熟的发展中国家的金融市场,但也在成熟市场分析相关的主题。一方面,调查研究提供了思想之间的关系在中国能源市场和能源相关股票市场。另一方面,调查研究提供了一个依据市场联系不成熟的发展中国家的金融市场,它也提供了一个框架为研究相关内容在全球其他市场。

摘要部分2回顾文献。部分3介绍了数据和方法。部分4首字母的实证研究和讨论结果的影响,部分5讨论并提出政策建议。

2。文献综述

2.1。能源期货

能源期货发挥重要作用在确保全球能源供应和维护经济稳定(6,7]。一方面,能源期货影响全球经济发展通过影响能源产品的价格(8,9];另一方面,能源的金融化产品也有一个对经济的影响通过金融市场10,11]。其中,石油期货是最有吸引力的。目前,研究人员已经进行了大量的研究在几个主要的石油期货合约,包括与其他金融市场的联系(12,13),石油现货价格和股票价格的影响下游产业(14,15,宏观经济指标的预测。快乐已经上市一段时间,和相关研究也跟着上面的方向(16]。学者发现clear-tail线之间的依赖,股票、外汇和黄金市场(17]。此外,还有一个重要的和连续的线之间的双向波动溢出效应,WTI和布伦特原油(18,19],其收益率也在均衡产量的大庆、胜利、阿曼、WTI,布伦特原油现货价格,支持原油期货价格的定价效率在亚太地区(20.]。目前,全球金融不确定性将密切影响波动性的快乐21]。在一些极端的环境中,有一种强烈的石油期货价格之间的因果关系和投资者情绪22,23]。经过几年的发展,快乐的价格现在有短期和中期的独立和电导率。然而,与国际油价基准相比,快乐定价能力有限和缺乏长期影响国际原油市场(24,25]。通过引入线,它将促进中国和欧洲和北美的平衡原油市场价格系统,帮助改善世界原油价格体系,和研究原油价格和资本市场日益相关。与国际研究相比,有一个相对缺乏对中国的石油价格波动溢出效应研究的复杂影响,石油价格波动对资本市场类型。经济部门和石油价格之间的相关性也需要进一步深化。

2.2。有向无环图(DAG)

在数学,尤其是图论,DAG没有导演的周期是一个有限的有向图。这意味着它是不可能遍历整个图从一个边缘。有向图的边缘只朝着一个方向走。图为一个拓扑排序,每个节点在一定的顺序。基于这个想法,冲刺2000年提出DAG分析方法(26]。这种方法可以有效地识别高维变量之间的因果关系,确定信息的传导路径和方向。格兰杰因果关系检验,相比传统的方法如DAG不需要应用任何理论假设。它可以推导出因果关系只根据剩余variance-covariance矩阵的数据,这使得本身一个纯粹的数据驱动的方法。此外,数据驱动方法的就业机器学习等领域的分析和预测能源金融也是近年来的一个热门话题(27,28]。十克于2003年首次应用于经济分析(29日),直到现在已广泛应用于多个领域。梁等人分析了中国股市的国际化趋势的信息溢出和发现,尽管有显著差异之间的动态路径返回和波动溢出,中国股票市场的国际一体化进程稳步推进(30.]。杨等人结合DAG和VAR研究通货膨胀的国际传递在七国集团(G7)国家,发现美国通胀率已变得不那么容易受到外国冲击自1990年代初以来31日]。Awokuse研究日本的出口和经济增长之间的关系,发现一个双向的关系(32]。在这些研究中,DAG不仅可以识别重叠的因果关系时期(33]也解决nonsynchronization不同市场之间的问题通过应用约束和限制29日]。根据上面所提到的,是什么DAG不仅可以分析国内市场,与上海原油期货的交易时间也一夜之间时差的海外市场,这使得本文和随后的研究成为可能。

2.3。MFDCCA-MODWT(多重分形去趋势互相关Analysis-Maximal重叠离散小波变换)

分形的概念第一次出现在19世纪,维尔斯特拉斯函数和康托尔集(等34]。根据大英百科全书,分形,在数学方面,任何一类复杂的几何形状,通常是“分数维度,”概念首次引入的数学家菲利克斯•豪斯多夫在1918年。分形和词,源于拉丁词碎,由波兰数学家创造Benoit b·曼德布洛特(35,现在已经应用于几个字段(分形7]。由single-fractal和多重分形的分形方法。Single-fractal主要用于分析序列的长记忆,也被称为持久性或antipersistence。之后,学者们逐渐发现,金融时间序列的多尺度和复杂性single-fractal提出了挑战。曼德布洛特指出,多重分形可以更好地量化金融市场的复杂波特点相比single-fractal和广泛应用的实证研究36]。然而,single-fractal和多重分形只能描述一个时间序列的分形特征,而不是两个时间序列之间的相关性的能力。指时间序列相关分析,Podobnik等人介绍了去趋势波动分析方法相关分析和提出了一个去趋势互相关分析(DCCA)可以测量两个非平稳的时间序列的长记忆(37]。周在此基础上,结合DCCA和多重分形,提出MFDCCA学习互相关两个时间序列的多重分形具有相同的观察(38]。随后,学者提出MFDMA [39],MFADCCA [40],DMF-ADCCA [41],MFDCCA-MODWT [42根据不同的目的和取得一定成果(43]。如今,基于多重分形的相关分析已被广泛应用于能源(44,45)、气象(46),和金融市场(47- - - - - -49]。MFDCCA-MODWT执行比MFDCCA在测量序列的长记忆特征的不同长度和不同的赫斯特指数,因为它不需要选择不同的多项式命令适合消除时间序列的趋势项。因此,本文将使用MFDCCA-MODWT测量序列的多重分形之间的相关性。

因此,本文的贡献是首次使用DAG检查线在产业链的影响路径,在此基础上,分析多重分形的来源及相关股票的相关性和快乐。

3所示。数据和方法

3.1。数据

我们搜查了所有相关行业上下游产业链后,发现股票在每个行业最大的市场价值。示例包括快乐、22其他股票选择根据产业链,包括石油和天然气、煤炭、能源、分别和下游行业。在原油期货市场,同时多个合同交易。使样本具有代表性,我们选择连续数据在主合同的快乐。样品周期从3月26日到8月23日,2018年,数据类型是1分钟高频数据。细节表中可以看到1。第1列是汉语拼音的首字母缩写(即股票的名称。,zgsh stands for Zhong Guo Shen Hua in Chinese and China Shenhua Energy Company Limited in English), Column 2 is the stock codes, and the remaining two columns are the industry to which the stock belongs and the role of enterprises in the industrial chain.

数据匹配过程后,每天193价格观察乘以103天,最后为每个股票/期货19879年观测得到。

3.2。方法

3.2.1之上。DAG

DAG由边缘节点和向量。节点代表变量和定向边缘连接这些节点代表同步关系。通过分析相关系数和偏相关系数的变量,变量标识之间的同步关系。识别步骤分为“边缘切除”和“取向。”“边缘切除”阶段,DAG从一个“完全无向图,“首先测试无条件的变量之间的相关系数,消除了边缘显著零系数,然后分析了一阶偏相关系数。在上面的分析中,费雪的z测试通常是用来确定显著性水平。两个变量的和y随意的关系,有五种可能的结果:y(独立和无关), y(x原因y), x(y原因x), y(双向因果关系)y(因果关系,但这种关系不能澄清)。本文以上操作可以通过电脑实现算法在四分体6.6.0软件。

3.2.2。MFDCCA-MODWT

首先,假设有两个时间序列和 ,我= 1,2,…,N,在那里N表示时间序列的长度,然后构造一个轮廓序列: 在哪里和时间序列的均值吗和 。

然后,把时间序列和同样在 不重叠的时间间隔的长度年代。序列是反向处理考虑到这一事实的总长度N可能不是一个整数的倍数吗年代。相同的处理是进行时间序列的反向顺序获得2的小区间,以避免信息丢失。

根据MODWT序列可以通过小波计算。 在哪里和是整数,表示最大程度的规模系数在指定的组件的数量,分别。和分别代表小波和平稳趋势序列的间隔。通过这种方法,一个本地趋势为每个时间间隔计算: 。然后,构造序列剩余:

因此,对于每一个时间间隔 ,我们可以获得两个波函数时间序列如下:

第四,构建一个问阶波函数:

最后,给出任意实数 ,波动的扩展行为可以被描述为一个双对数图之间和 。如果和有一个长期的关系由幂律变化:

双方的对数方程(6):

扩展指数是赫斯特指数,它是函数的斜率图的 。它可以测量时间序列之间的幂律关系。如果是独立于问,相关single-fractal;如果变化与问,具有多重分形特征的相关性。当问> 0 (< 0),展品的扩展行为相关性大(小)两个时间序列的波动。

之间的关系和多重分形指数如下:

如果是一个非线性函数的 ,这表明系列具有多重分形特征。

勒让德变换,我们可以获得多重分形谱之间的关系和 : 在哪里是一个奇点指数描述时间序列的奇点。是一个多重分形谱反映了分形维数与奇异指数吗 。为了更好地反映多重分形特征,我们使用一个金融风险指数: 在哪里的范围是 。跨度越大,多重分形特性越明显,风险越高。根据方程(10),将多重分形程度的一个指标。

4所示。实证分析

4.1。因果关系分析

我们第一次加工23的数据导入到四分体6.6.0,并设置显示模式为“因果秩序”和获得图1。在图1有八个等级,其中快乐、其他三个股市在第一级,表明快乐有从源对相关产业的影响,但影响并不单一,一些股票低于层次结构中的多个源的影响。由于本文主要考察了快乐、相关产业之间的相关性,简化后续分析,我们只选择包含幸福的因果关系链进行分析。基于这个想法,我们简化图1为了获得图2。在图2,我们可以看到,波动的因果关系大致是沿着产业链:传播快乐石油和天然气勘探和销售下游产品。此外,快乐还直接影响股票价格波动的下游产品。

4.2。相关分析

在本节中,我们将分析多重分形线之间的相关性和股票基于因果关系图所示2并检查相关的来源。

图3显示的情节通过MFDCCA-MODWT获得。每个子图中的曲线从下到上对应 。在图3,我们发现曲线的斜率是不同的不同的问。越大问、平曲线。当问方法10−曲线波动在一定程度上,但系数的值H (问)和常数项日志(A)通过OLS在1%的显著性水平非常重要。因此,对于不同的问,每个曲线是线性的,这表明有一个幂律的波动两种产品之间的相关性和因果关系。

图4显示了赫斯特指数总部由MFDCCA-MODWT计算。从图可以看出,总部逐渐减少的问增加,表明结垢指数不是一个常数,即波动性之间的互有多重分形。此外,当问= 2,H (问)大于0.5,表明长期记忆。规模指数大约是大于0.5的间隔10−<问< 7,这表明在这个区间内波动的相关性长期持久性;和小于0.5的间隔7 <问< 10,表明这个区间的波动相关性有逆持久性。也就是说,互相关的波动所选样本的特征是多重分形。一般来说,H (问)减少问增加,表明波动的互相关小波动发生大的波动时比互相关更持久。简而言之,当有一个小波动发生在一个市场波动大,相比的持久性cross-price两市场之间的相关性更强。

4.3。多重分形分析

的多重分形强度所表达的金融体系的非线性程度的指数。它可以看到从图的第二列5曲线有一定程度的弯曲,但不明显,表明所选产品的价格之间的互相关弱多重分形特征。第三列图5是一个奇异的多重分形谱的谱函数描述金融市场的复杂动力学。一般来说,使用多重分形谱宽度估计分形强度。据陈和他的研究50多重分形可以表示,通过多重分形谱的宽度:和可以测量的绝对星等的价格波动时间序列。

在上面,我们发现线之间的互相关和选定的股票价格波动有很强的多重分形特征。在此基础上,我们将进一步探索多重分形特性的来源。从现有的文献,有许多不同的方法用来描述的内隐行为不同的金融变量,如波规模分析、结构、小波变换方法,等等。人们普遍认为,厚尾分布和长期记忆是多重分形性质的两种可能的来源在金融时间序列(51]。首先,通过比较原始之间的多重分形程度和重组系列,我们可以量化长期记忆的贡献。摘要重组序列可以通过Matlab软件randperm命令。我们重复100次,确保原系列完全中断。第二,经典的方法量化thick-tailed分布序列的多重分形特征的贡献是比较原始序列之间的多重分形程度和代理序列。在这里,代孕序列是通过傅里叶相位随机化。程序创建了一个代理数据与原始信号的相关性属性(52]。程序后,一个执行原始时间序列的傅里叶变换,傅里叶振幅保持但是随机的傅里叶阶段。最后,执行一个傅里叶反变换创建代理数据(53]。结果如图所示5和表2。

从表2我们可以看到和重组和代理计算序列小于原始序列,表明波动序列之间的多重分形特性是由长记忆和厚尾分布。图5提供的赫斯特指数H (问)和原始之间的分形谱,打乱,代理系列。可以看到的范围和原始序列的显著降低重组和代理后,表明,长期记忆和厚尾分布在多重分形中发挥作用。然而,在重组和代理序列比较,我们发现,打乱顺序的狭小通道图5,表明长期记忆中起着主导作用,是多重分形特性的主要原因。

实证测试,我们集中在中国第一个成熟原油期货价格相关性产品和几个关键的股票在国内股市和原油产业链得到以下三个结论:第一,DAG确定价格和快乐之间的因果关系和重点股票。从简化的DAG,可以看出,快乐的价格已经影响了油气勘探的市场价格和销售公司在中国的金融市场,并进一步影响下游产业公司的股票价格。其次,基于MFDCCA-MODWT高频数据,我们证实有多重分形线之间的相关性和选择股票和小波动之间的相关性高于之间的大波动。第三,通过重组和代理序列,我们证明这个多重分形是由长记忆和厚尾分布,和长期记忆的主要来源是多重分形特性。

5。讨论

上面的结果后,研究的结论可能来自两个方面。一方面,金融市场,结果DAG MFDCCA-MODWT表明,快乐会带来稳定的预期和指导中国的市场表现的主要原油工业有关的公司在交易时间。这些结果证明我有能力减少相关产品的风险在金融市场。这对高频交易员指标尤为重要。同时,原油期货价格之间的相关性和上市公司的股票价格可能是一个有用的补充信息对绿色金融工具使用。如果上市公司确实有绿色技术推广,它的股票价格通常可以快速找到它的价值。这个时候,审计机构专注于公司之间的相关性波动和原油期货的价格作为双重保险评估申报材料的真实性。

另一方面,中国的政策制定者,我们建议中国可以更好地解决市场的联系,并在此基础上,更有效地促进绿色金融政策。此外,考虑到不同金融sub-markets之间的波动溢出效应在中国更复杂,决策部门应该考虑每个金融sub-market和信息的发展趋势sub-markets溢出和风险传播,并加强治理结构来增强中国金融市场体系的适用性。除了中国之外,该研究提供了一个依据调查市场联系不成熟的发展中国家的金融市场,它也提供了一个框架为研究相关内容在全球其他市场。与此同时,我们也可以使用市场之间的联系来设计一个制衡机制更好地调节能源市场和实施精确的政策作出更大贡献的控制全球变暖。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由南京邮电大学(批准号NYY219004)。