文摘

作为期货市场的主要力量之一,农产品期货在中国市场占据着重要的地位。随着中国期货市场起步较晚,其成熟度很低,有很多风险。本研究关注的是大连大豆期货市场。建立了动态风险度量模型实证分析风险测量问题在不同水平的信心。然后,计算的条件方差波动模型被引入风险价值模型,和风险测量的准确性测试使用故障率测试模型。实证结果表明,建立的风险值计算模型在99%和95%置信水平通过故障率测试更有价值,和中国大豆期货市场的风险可以测量更准确。“峰厚尾”的特点和“杠杆效应”被添加到组合模型来计算条件方差更准确。故障率测试方法用于测试模型,丰富了风险度量的研究问题。

1。介绍

大宗商品贸易,大豆,作为一个农业产品在中国有一个很大的需求,有一个突出的价格波动的问题。此外,中国的大豆进口量处于劣势。中国已成为世界上最大的进口国。中国大豆期货市场起步较晚,成熟度较低,风险高的程度,所以风险问题是一个问题。自1992年以来,中国进口大豆已经大大增加,加速更在1995年。自1996年以来,中国已成为世界范围的一个主要大豆净进口国。优化大豆供应结构,中国的农业政策实施自2016年以来“减少玉米和增加大豆”。在中国和美国之间的贸易摩擦加剧,2018年美国增加了25%的进口关税,增加进口成本,俄罗斯和加拿大增加对中国的出口。2019年,中国的农业和农村事务部决定实施大豆振兴计划,提出六个大豆补贴政策支持发展。2020年,中国中央政府表示,中国应增加其支持促进高产大豆品种和新农艺促进玉米和大豆间作。 Agricultural futures occupy an important position in China’s market as one of the main forces of the futures market. In the early days, agricultural products were traded on the spot, with extremely violent price fluctuations. Later, futures were adopted to regulate the market system and avoid risks to a certain extent. The Chicago Board of Trade was formally established in 1848. Standard futures contracts replaced forward contracts. The margin system was implemented, and agricultural product trading entered the era of standardized futures trading. In 1993, China established the Dalian Commodity Exchange (DCE). As the main force of agricultural products, soybean futures are listed in China’s first batch. Agricultural futures not only affect the development of the national economy but also have a decisive significance in downstream futures. The maturity of the soybean futures market in China is not very high, and many problems still exist. The factors affecting the fluctuation of soybean futures prices should be comprehensively discussed, and the risk measurement of the soybean futures market in China should be systematically studied. All countries have taken effective measures to protect the soybean industry to solve the problem of food security. This approach avoids system risk to a certain extent while alleviating the Chinese economic changes caused by international soybean price changes. The research on China’s soybean futures market can not only deeply analyze the problems existing in the soybean futures market but also adopt the corresponding control policies in a timely manner to avoid certain risks. The research presented in this paper has great practical significance for solving the problem of soybean futures risk measurement.

随着经济一体化的不断发展,金融市场的规模继续扩大,和它的风险增加。一些外国金融市场已经成熟。在早期阶段,定性分析主要是用于研究风险测量从宏观视角,在1930年代,模型被用来进行定量研究。马科维茨首次提出一种样本方差来衡量风险的方法。随着金融衍生品的快速发展,风险价值(VAR)模型已成为衡量风险的主要模型之一(1]。测量的主要方法包括VAR值协方差方法,历史模拟法、蒙特卡罗方法。

variance-covariance方法risk metrics模型提出的摩根大通集团。分配不同的权重的基本思想是根据时间序列之间的距离和当前时间。是当前事件的距离越近,将丰富的市场信息,重量就会越大,对当前价格的影响将会更大。这个模型假定的回报率必须遵循正态分布,而在实际应用中,经常的回报率高峰和厚尾的特征。如果有一个显著的增加或减少的VAR值,当前风险水平将被低估。为了弥补这一缺陷,Bollerslev使用广义自回归条件异方差性(GARCH)模型计算VAR的价值(2]。所有这些方法都使用方差代表市场的波动,它们统称为variance-covariance方法。

近年来,结合VAR模型大大发展。许多学者应用这个模型,证券,基金,期货,和其他领域。邹等人表明,VAR-GARCH(1,1)模型可以用来准确地估计上海股市的风险(3]。刘和Yu认为,中国可以有效地避免风险,学习美国农业期货市场的价格避免方法,研究外国期货市场的风险规避措施4]。瞿江和使用VAR和GARCH模型来研究模拟股指期货的交易数据,表明该方法可以有效地估计风险的价值,只有一个小误差的方法和实际风险(5]。杨基于GARCH模型,讨论了对数回归的VAR计算方法下广义误差分布(GED), t分布,正态分布,研究结果表明,GED-distribution下的VAR值GARCH模型更准确地反映了风险基金(6]。张等人相比的不同性能的风险测量条件自回归风险价值(鱼子酱)和GARCH-GED模型在不同预测间隔和信心水平,表明复合极值理论(EVT)鱼子酱模型更健壮的、准确的碳市场风险预测7]。道和陈VAR-GARCH模型来探讨人民币汇率对外汇的压力程度在不同的州(8]。阳和阳之间的关系进行了实证分析净贷款的利率,通过构造VAR-GARCH-BEKK Shibor),私人贷款利率(BEKK命名巴巴,恩格尔,卡夫,和克朗)模型为预防金融风险提供建议(9]。Karmakar和保罗预测的VAR和条件VAR (CVAR)三个市场投资组合使用CGARCH-EVT-copula模型来确定最优投资组合模型(10]。林等人使测量更精确的基于VAR-GARCH模型风险的家庭(11]。锣等人研究了VAR的尾巴依赖和原油期货市场的投资组合风险12]。刘先生和刘研究了尾部风险溢出效应的不同类型的金融机构(13]。梁介绍了GJR模型与负面信息修正项符合预期的波动和预期漂移的历史回报利率螺纹钢现货和期货,使用蒙特卡罗方法计算对冲组合的VAR值,并建立了套期保值比率VAR值曲面模型来解决最优套期保值比率在反向14]。亚历山大等人认为,当预测范围大于GARCH模型的频率,它通常需要耗时的模拟总结收入分配,可以实现快速新的GARCH-VAR公式的基础上,从不同的金融资产和数据可以准确地分析使用分析的对称和非对称GJR-GARCH进程获得准确GARCH-VAR预测在多个意义水平(15]。

根据上面的分析,国内外学者主要研究了风险度量的VAR模型近年来大豆期货市场,取得了丰富的研究成果。大豆期货市场的风险研究都集中在定性分析上,但现在开始变化定量分析。GARCH模型有不同的分布主要是用来测量条件标准差不考虑价格波动的特点。然而,VAR度量使用组合模型将提高准确性。模型的使用相当简单,需要较少的分析,这是目前还没有参与创新方法在现阶段。然而,使用组合模型来衡量VAR将提高准确性。在这项研究中,采用定量分析方法,考虑价格波动聚类的特点,杠杆效应,巅峰,和厚尾;联合VAR-GARCH模型和VAR-GJR-GARCH模型建立了不同的信心水平下对风险度量研究,并使用失效率模型的精度测试方法验证了。

2。统计分析的中国大豆期货市场的基本特征

2.1。数据收集和选择

近年来,中国大豆期货合约在DCE变得更加活跃,所以本研究选择这些合同进行研究。在中国大豆期货市场的波动性和风险主要是由价格和收益率的波动引起的,所以价格是选择为研究对象。因为几个合同不同交割月份将参加交易在同一交易日,相同的期货产品会有不同的交易价格在同一交易日。因此,在数据的选择,不连续的期货市场价格和期货合约的价格应考虑。

交易数据更具代表性和研究问题更有说服力,本研究选择与大型的合同结算价格、交易量、交易合同和开放的职位,其中A1505的合同数据,A1605, A1705, A1805, A1905, A2005选中。如果有一天两个合同的同时,根据上面的选择,本文选择合同与更大的交易量和开放位置构成中国大豆期货市场的主要合同。合同的结算价格,交易数据被选中形成一个连续的时间序列。大豆期货可交付中国的DCE包括黄色大豆大豆1号和2号。非转基因大豆,大豆黄1号有很好的表现在研究中国大豆期货市场的价格波动,所以黄色大豆1号的主合同被选为研究对象。在这项研究中,共有1219个样本数据选择从2014年12月31日到2019年12月31日。模型建立和分析上述数据。描述性统计分析是进行中国大豆期货收益率的时间序列数据。回报率序列数据是通过对数处理大豆期货的结算价格数据。收益率的公式用来计算如下: 在哪里 代表一天的产量, 代表一天的结算价格, 代表了前一天的结算价格。收益率时间序列的获得和分析。

2.2。收益率的统计特征

通过对数处理样本数据的基本统计结果。图1显示了每日的线图回报率波动的主要在中国大豆期货合约。


图1
每日收益率波动的中国大豆期货市场。

如图1,收益率系列中国大豆期货市场的波动集聚效应,这通常意味着收益率系列将有一个自回归条件异方差(ARCH)的效果。

统计每日返回一系列中国大豆期货合约是通过一系列统计测试的返回中国的大豆期货市场。这是显示在表1。

表1
每日产量的一系列中国大豆期货的主要连续合同。

如表所示1,每日的偏态返回一系列的中国大豆期货年代= 1.436 > 0和峰态K= 14.74 > 3。偏态是向右倾斜,相对于正态分布。因此,中国大豆期货的收益率序列显示“尖峰厚尾的特征。”此外,Jarque-Bera统计是7417,和相应的 值是0。因此,零假设被拒绝,表明回报率系列不遵循一个标准的正态分布。因此,t以及,F以及和其他测试适用于正态分布不能用于测试的回报率。

期货市场是金融市场,金融市场的波动性相对复杂。金融市场的时间序列是独立的,和方差是一个固定的常数。波动持久性也称为波动的长期记忆。它指的是一个长期的金融时间序列有一个特殊的非线性关系。时间间隔越长,数值之间的相关性越强。这个特点使得连续运动方向相同的序列,通过改变方向减弱。长期积累的时间是由波动引起的可持续性。因此,在金融市场中,交易信息在过去的时期将会有一个长期和持久的影响在未来信息。金融时间序列的特征是高峰和厚尾,并不服从标准正态分布。因此,t测试、野生和其他测试适用于正态分布不能用来进行相关测试,这意味着传统的线性回归方法不能用于解决这个问题。金融时间序列通常具有异方差性,ARCH模型被认为是进行分析。因此,平稳性测试和自相关测试还示例所需的时间返回系列。

2.3。收益率系列的测试

返回率数据建立模型之前,有必要进行平稳性、自相关,偏自相关和拱效应测试确认后续模型的现实意义。

2.3.1。回报率稳定测试

如果样本序列数据是不稳定的,即使没有变量之间的相关性,回归结果会有一个高度的配合,甚至导致pseudo-regression。因此,平稳性测试前应该进行建立模型。有许多序列平稳性检验方法;Dickey-Fuller (DF)和增强Dickey-Fuller (ADF)测试被广泛使用。当序列的高阶滞后相关,DF测试违反假设随机干扰项独立同分布。因此,ADF单位根测试用于测试高阶序列的平稳性。根据临界值的信心水平t统计量的1%,5%,和10%,如果测试t统计量小于临界值,拒绝零假设,样本序列不有单位根,是稳定的。否则,零假设被接受,和样本的非平稳序列。同时,的大小 可以分析在ADF测试值。当 大于0.05,零假设被接受,这意味着样本序列有一个单位根和一个非平稳序列。否则,它是一个固定的序列,越接近 值为零,数据平稳性越高,更准确的结果。

的时间序列数据进行单位根检验,结果如表所示2。

表2
中国大豆期货收益率系列的稳定性试验。

如表所示2的t统计量的值ADF检验−30.923,远低于临界值,在1%的显著性水平,5%,10%。的 值对应的收益率系列是0,所以拒绝零假设。不存在单位根中国大豆期货每日收益率系列,这是一个固定系列适用于实证研究。

2.3.2。测试的自相关和偏自相关的回报率

回报的系列变化随着时间的推移,呈现峰度和偏态。连续相邻的返回时间并不是独立同分布,称为自相关的回报。如果autocorrelated的回报率,残差自相关将导致不准确的实证结果。因此,有必要进行自相关测试系列的回报率。如果自相关和偏自相关图没有明显的截断或拖尾现象,没有自相关和偏自相关。

自相关和偏自相关进行测试是中国大豆期货市场的收益率数据。结果表明,在每日产量有高阶non-autocorrelation系列,而且没有明显的截断或选择收益率系列拖尾现象。因此,没有自相关和偏自相关产生系列的中国大豆期货市场。

2.3.3。拱效应试验

测试是否剩余的回报率有一个拱效应,也就是说,测试是否残留有条件异方差性,本研究选择了常用的拉格朗日乘子(LM)测试。恩格尔提出了LM检验测试拱效应是否存在剩余序列。原假设的测试是没有拱效应在剩余序列的顺序问,回归方程表示如下:

通过这个测试两个统计数据输出:F统计量用于测试联合所有滞后残余平方项的意义;的 数据代表了样本容量的产品和测试回归方程的拟合优度。条件下的零假设成立,F统计量的抽样分布还不清楚,但LM检验统计量渐近服从分配 。剩余的ARCH-LM测试结果序列如表所示3。

表3
ARCH-LM残余系列的测试结果。

如表所示3, 值对应的每个数据残留的平方滞后订单1 - 5 = 0,表明所有的滞后剩余方块共同意义重大。的 拱效应的测试值是0,所以拒绝零假设。残差序列的条件异方差性和拱效应。

3所示。实证研究在中国大豆期货市场价格风险测量

中国的大豆期货价格波动极大,不确定性强,风险高。因此,中国大豆期货市场价格的风险测量研究了通过建立VAR-GARCH和VAR-GJR-GARCH投资组合模型。首先,GARCH和GJR-GARCH模型建立了测量条件方差。动态风险度量模型构建,和计算的方差值GARCH GJR-GARCH模型引入VAR模型来衡量风险值。最后,VAR的故障率测试进行了观察风险值是否有效主要通过失败率。的主要过程如图2。


图2
流程图的动态风险度量中国大豆期货价格。
3.1。收益率特征基于GARCH模型的实证分析

减少数据的误差和变异,产生系列标准化和GARCH模型来描述在中国大豆期货价格的波动。

3.1.1。GARCH模型建设

GARCH (p,问)模型, 自回归GARCH项和的顺序吗问是拱项的顺序,GARCH(1,1)应用频率最高,主要是因为GARCH(1,1)是相对简单的,有一个很大的优势在计算条件和条件方差的均值时间序列。在实际应用的过程中,发现GARCH(1,1)不表现出高阶风险,所以GARCH(1,1)选为回报率序列(林等)。回归方程表示如下:

3.1.2。实证结果与分析收益率GARCH模型的特点

GARCH(1,1)模型对中国大豆期货价格,结果如表所示4。

表4
估计GARCH(1,1)模型。

条件方程的方差的GARCH(1,1)模型

Akaike信息准则(AIC)值−3217.4,贝叶斯信息准则(BIC)值是−3197,和对数似然值是1612.7。

从表可以看出3和4,参数估计的拱门和GARCH条款条件方差方程是十分重要的在5%的显著性水平;参数估计都大于零,满足非负的条件方差的要求,表明中国大豆期货市场的价格波动的特点是波动聚集;估计系数的拱门和GARCH条款0.1424091和0.8435093,分别和系数之和小于1,满足模型参数的约束条件。这表明条件随机误差项的方差可以收敛到无条件的方差,和波动过程是静止的;作为系数之和非常接近1,表明早期休克的影响在随后的条件方差是持久的,将影响未来波动很长一段时间。因此,我们相信,中国大豆期货市场的高波动性和高市场风险。这也描述了中国大豆期货的现状:中国的大豆主要是进口,国际政治形势的变化将导致对中国大豆期货市场产生巨大影响。

ARCH-LM测试进行GARCH(1,1)模型的滞后10订单,结果如表所示5。

表5
ARCH-LM测试GARCH (1, 1)。

从表可以看出5的平方等于14.58331。的 10-order残余滞后值为0.1479,大于0.05。这意味着不存在ARCH效应的条件方差。模型通过了测试,所以每日返回一系列的条件异方差性大豆期货合约后取消了GARCH模型的应用。

3.2。基于GJR-GARCH收益率特征模型的实证分析

杠杆效应是常见的在金融时间序列,因此,非对称拱构造模型和GJR-GARCH模型描述大豆期货价格的波动特点。

3.2.1之上。GJR-GARCH模型建设

金融时间序列容易杠杆效应,本研究选择GJR-GARCH模型与不对称测量模型的优点和缺点根据AIC和BIC和最大似然值。常用的GJR-GARCH模型GJR-GARCH (1, 1)。较小的值GJR-GARCH (1、2), GJR-GARCH(2, 1),和GJR-GARCH(2, 2),模型误差越小。模型的拟合效果更好当最大似然值较大,和GJR-GARCH的结果(p,问)模型如表所示6。

表6
比较GJR-GARCH (p,问)模型。

如表所示6GJR-GARCH(2,1)模型具有最小的AIC和BIC值,和GJR-GARCH(2,1)模型的最大似然值最大。因此,相信GJR-GARCH(2,1)模型具有误差小,良好的拟合效果。

3.2.2。实证结果与分析收益率GJR-GARCH模型的特点

GJR-GARCH(2,1)模型构建来估计中国大豆期货价格。回归方程表示如下: 在哪里 哑变量。

在(6),好消息或积极的冲击 ,和坏消息或负面冲击 。它有不同影响条件方差 ,正面的影响 ,和后者的影响 。当 ,它表明了非对称效应的存在。当 ,这表明,不存在不对称的效果。

估计结果的GJR-GARCH(2,1)模型如表所示7。

表7
估计GJR-GARCH(2,1)模型。

通过构造GJR-GARCH和GARCH模型,中国大豆期货市场的价格波动的特征波动聚合和持久性。这两种模型可以很好地描述这两个价格波动的特点,说明两个模型有相同的information-fitting能力。与GARCH模型相比,GJR-GARCH模型表明,负面信息有更强的对价格波动的影响。GJR-GARCH模型具有更强的捕捉信息的能力。两个模型的拟合能力是相似的,和GJR-GARCH模型具有更强的捕捉信息的能力。因此,GJR-GARCH模型更适合描述中国大豆期货市场的价格波动特征。

3.3。实证研究基于VAR-GARCH动态风险度量模型

根据上述研究,variance-covariance方法被采用来衡量风险。首先,它假设的一系列资产回报利率服从一定的分布,如正态分布。然后,回报率分布的参数值计算通过使用的数据在过去一段时间,最后,分位数计算的资产价值在一定的置信水平。计算公式如下: 在哪里 代表了分位数的信心水平C, 代表资产的标准差,t代表了持有期(即。,每日的回报率, )。在计算VAR值时,我们应该首先确定 价值。由于经济回报系列的特点,如高峰和厚尾,波动聚集、持久性、杠杆效应,我们只有过程均值的时间序列一般简单的模型数据处理的过程中,忽略返回系列的特点。因此,GARCH(1,1)模型被选中后根据AIC和BIC计算大豆期货的收益率A1505合同,和估计 价值模型放入VAR模型的计算公式。此时, 值可以更好地反映期货报酬率的特点,并实证分析结果更加合理和准确。

根据上述分析,分位数,概率分布,和条件标准差下信心之前必须获得计算VAR的价值。分位数低于99%,95%,和90%的信心被选来计算风险价值VAR-GARCH基于正态分布。在正态分布下,每日收益率序列的中国大豆期货市场是2.3263,1.6449,2.3263和99%,95%,和90%置信水平,分别。

GARCH(1,1)模型和分位数不同的信心度被放入了VAR计算公式来计算风险值。这项研究的结果发表在表8。

表8
风险值计算的两个模型在不同的信心水平。

根据表8、平均、最大、最小值在两个不同的信心水平的风险模型可以实现定量分析的风险。GARCH(1,1)模型,在99%置信水平,平均风险−1.91%,最大程度上的每日损失不超过−0.90%,和最小损失不小于−11.20%。在95%置信水平,平均风险−1.35%,最大程度上的每日损失不超过−0.64%,和最小的每日损失不小于−7.92%。在90%置信水平,平均风险−1.05%,最大程度上的每日损失−0.50%和最低日常−6.17%的损失。以下比较图下的VAR和返回率不同的信心水平不同的模型展示了VAR和实际收益之间的对比更明显(图直观地3)。


图3
比较VAR-GARCH模型的风险价值和回报率在不同的信心水平。

在图3,k99代表VAR-GARCH模型在99%的置信,k95代表VAR-GARCH模型在95%信心,k90代表VAR-GARCH模型低于99%的信心,r代表中国的大豆期货市场的收益率。波动性和风险的比较不同的信心水平的回报率是图所示3。风险价值在90%的置信度大于95%置信水平,在99%置信水平。因此,失败率在90%置信水平最高。同时,中国大豆期货市场的VAR值也有连续性和波动集聚效应。

3.4。实证研究基于VAR-GJR-GARCH动态风险度量模型

GJR-GARCH(2,1)模型基于AIC和BIC被选中。的 值估计模型中纳入了VAR模型的计算公式。的 值可以更好地反映期货报酬率的特点,并实证分析结果更加合理和准确。

根据上述分析,分位数,概率分布,和条件标准差下信心前应该得到计算VAR的价值。分位数低于99%,95%,和90%的信心,分别选择计算的风险价值VAR-GJR-GARCH基于正态分布。 计算GJR-GARCH(2,1)模型和分位数下不同的信心度放入VAR计算公式来计算风险值。这项研究的结果发表在表9。

表9
风险值计算的两个模型在不同的信心水平。

根据表9,我们可以看到平均值,最大值,最小值和在这两个模型在不同的信心水平的风险,以达到定量分析的风险。在GJR-GARCH(2,1)模型,在99%置信水平,平均风险−1.97%,最大程度上的每日损失不超过−0.99%,和最小损失不小于−7.39%。在95%置信水平,平均风险−1.35%,最大程度上的每日损失不超过−0.64%,和最小的每日损失不小于−7.92%。在90%置信水平,平均风险−1.08%,最大程度上的每日的损失不超过−0.54%,至少每天不少于−4.07%的损失。观察对比VAR和实际回报更清晰直观地,比较图下的VAR和返回率不同的模型和不同的信心水平(图绘制的4)。


图4
比较VAR-GJR-GARCH模型的风险价值和回报率在不同的信心水平。

在图4,h99下降代表VAR-GJR-GARCH的VAR模型有99%的信心。H95代表VAR-GJR-GARCH的VAR模型有95%的信心。H90代表VAR-GJR-GARCH的VAR模型有99%的信心。r代表了中国大豆期货市场回报率。比较波动和风险回报率水平显然是显示在不同的信心。风险价值在90%的置信度大于95%置信水平,在99%置信水平。因此,失败率最高在90%置信水平。然而,失败率不能直接反映模型的合理性,和失败的日子置信水平的条件下应该测量。因此,失败率VAR模型的测试是用来验证模型的合理性。

3.5。动态风险模型测量效果

许多风险评估方法已经开发出来。故障率测试方法,主要测试实际损失超过了VAR的概率,采用。Kupiec提出了故障率测试方法。它的主要思想是天记录的实际损失价值超过了VAR估计失败天然后计算失效率(16]。因为评估被认为是长期有效的,二项的测试结果失败条件下可以被视为一个独立的伯努利实验;因此,预期的失效概率表示为 。失败的间隔天是不同的在不同的信心水平,失败天的间隔内天在给定置信水平表明,VAR值是有效的。如果在模型中观察几天 和失败的日子 ,然后失败率 ,零假设 。测试一个最合适的方法是最大似然比检测。公式如下:

在零假设下,统计遵循 。这个测试方法往往低估了小样本数据中的潜在风险。因此,本研究采用大样本的数据,可以有效地避免这种情况。

根据故障率测试公式和方法,失败天间隔计算为99%,95%,和90%的置信水平。相应的图失败的日子M和LR被吸引。的区间的置信区间曲线相交线是失败的天数。失败时天在一定区间内的信心度,零假设被接受,表明风险度量是合理的。如果失败的天数低于最小值的区间,模型估计是过于保守。如果失败的天数大于最大值的模型,这个模型低估了风险。结果如图5- - - - - -7。


图5
在99%置信区间图的风险天的水平。

图6
在95%置信区间图的风险天的水平。

图7
在90%置信区间图的风险天的水平。

在数据5- - - - - -7的日子,风险代表天的风险低于99%,95%,和90%的信心,分别。动态VAR值获得的两个模型在不同的信心水平与日常实际回报率。日常的一部分真实回报率低于实际VAR值记录为失败的日子。模型的准确性评价根据区间值在不同程度的信心。这项研究的结果发表在表10。

表10
故障率测试的两个模型在不同的信心水平。

根据表10可以得出以下结论:(1)在99%置信水平,实际的失败的日子VAR-GARCH模型和VAR-GJR-GARCH模型都在范围之内的所有失败的日子估计的模型,和失败率通过测试,说明两个模型可以更好地衡量风险在99%置信水平。(2)在95%置信水平,实际的失败的日子VAR-GARCH模型和VAR-GJR-GARCH模型都在范围之内的所有失败的日子估计的模型,和失败率通过测试,说明两个模型可以更好地衡量风险在95%置信水平。几乎没有区别这两个模型在风险的测量,在90%置信水平,两个模型的失败率是相同的,所以无论是模型可以估计的价值风险。因此,中国大豆期货市场的参与者可以进行风险度量的研究在99%和95%置信水平根据这两个模型估计的价值风险,有效避免non-systemic风险。

4所示。结论

中国的大豆期货市场起步较晚,价格波动剧烈,所以有一个很大的风险。在这项研究中,VAR-GARCH和VAR-GJR-GARCH模型第一次被构造来衡量风险值为99%,95%,和90%置信水平,然后风险是通过定量分析来衡量的。接下来,模型的准确性和合理性评估测量使用故障率测试方法。最后,计算出风险值两个构造模型在99%和95%置信水平更有价值,它可以更好地衡量中国大豆期货市场的风险。期货市场风险容忍度较高或为参与者的风险承担能力低时,合并后的模型可以承担风险措施来避免风险,在某种程度上,对期货市场的参与者。实证研究的两种组合模型可以更好的应用于计算大豆期货市场风险的措施。同时,政府可以制定相应的对策根据风险价值有效避免风险,促进中国大豆期货市场的稳定发展。

虽然本文研究中国的大豆期货的价格风险测量从各种角度并且取得了一些成就,仍有很多工作要做,进一步了解价格风险。具体的缺点和前景如下:(1)虽然与其他风险测量模型相比,可以更好地衡量风险价值VAR方法,本文通过GARCH类模型更准确地描述,但出口仍然存在缺点。与期货市场有更大的风险相比,极端情况下发生在高频率。很难计算未来增值税风险提前使用VAR方法和预测未来增值税风险通过使用历史回报率,而不能反映市场交易者的情绪变化。因此,在下一步的研究中,宏观环境的变化将被考虑,和上面的模型建立了应该及时调整。交易者的情绪应该考虑以风险进行更准确的测量。(2)每日高频数据中选择本文能更好地反映波动。对于样本数据,预测精度高。样本外预测,只有少数可以预测数据,确保数据的准确性,和每日高频数据只能预测几天。因此,月度和季度数据将被认为是在未来的研究中,与日常数据进行比较分析。这项工作将特征价格风险更加全面和深刻的。

附录

R编程:

n<−1219;米<−seq(= 1 = 100,长度= 100);p<−0.01;#异常发生的概率。

参看<−0.99;#气的置信水平∧2分布。

LR =−2 日志(((1−p)∧(n−米)) (p∧米)+ 2 日志(((1−(米/n))∧(n−米)) ((米/n)∧米));critical_value <−qchisq(参看,1);图(米、LR、类型=“l”=“蓝色,”上校lwd = 2,主要= " Kupiec测试(1995)," xlab =“风险发生的次数m”)

abline (h = critical_value坳= "红" lwd = 3)。

LR_C <−它(LR≤critical_value)。

abline ( =c(LR_C [1], LR_C[长度(LR_C)]), lty =“冲”)

LR_C。

n<−1219;米<−seq(= 1 = 100,长度= 100); <−0.05;#异常发生的概率。

参看<−0.95;#气的置信水平∧2分布。

LR =−2 日志(((1−p)∧(n−米)) (p∧米)+ 2 日志(((1−(米/n))∧(n−米)) ((米/n)∧米));critical_value <−qchisq(参看,1);图(米、LR、类型=“l”=“蓝色,”上校lwd = 2,主要= " Kupiec测试(1995)," xlab =“风险发生的次数m”)

abline (h = critical_value坳= "红" lwd = 3)。

LR_C <−它(LR≤critical_value)。

abline ( =c(LR_C [1], LR_C[长度(LR_C)]), lty =“冲”)

LR_C。

n<−1219;米<−seq(= 1 = 150,长度= 150); <−0.10;#异常发生的概率。

参看<−0.90;#气的置信水平∧2分布。

LR =−2 日志(((1−p)∧(n−米)) (p∧米)+ 2 日志(((1−(米/n))∧(n−米)) ((米/n)∧米));critical_value <−qchisq(参看,1);图(米、LR、类型=“l”=“蓝色,”上校lwd = 2,主要= " Kupiec测试(1995)," xlab =“风险发生的次数m”)

abline (h = critical_value坳= "红" lwd = 3)。

LR_C <−它(LR≤critical_value)。

abline ( =c(LR_C [1], LR_C[长度(LR_C)]), lty =“冲”)

LR_C。

数据可用性

使用的数据来支持本研究的发现是可用的https://www.gtarsc.com/。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由科学基金会资助和支持中国教育部(批准号19 yjc790128)。作者感谢所有人进行数据收集和数据输入。作者要感谢Editage (http://www.editage.cn)英语编辑。