文摘
在期货市场的主要力量,农产品期货在中国市场上占据着重要的地位。以代表中国大豆期货在大连商品期货市场为研究对象,价格波动特征和成交量之间的关系和开放的位置进行了研究。实证结果表明,中国大豆期货市场的价格波动有“杠杆效应。“预计成交量和持仓量分为零件和意想不到的部分,它被添加到条件方差方程。预期交易量系数估计。同时,预期未平仓的估计价值系数,分别小于意想不到的交易量的估计价值系数和意想不到的开放利益的估计价值系数。因此,预期交易量的影响中国大豆期货市场的价格波动小于意想不到的成交量的大豆期货市场的价格。本文增加了交易量作为信息流向条件方程的方差创新也观察交易量作为条件方差和价格波动之间的关系。
1。介绍
散装商品贸易,大豆是一种农产品在中国有大量需求,及其价格波动更为突出。中国的大豆进口是处于劣势,中国已成为世界上最大的进口国。由于大豆市场的进一步开放,国内大豆期货价格波动受到国内外许多因素的影响,在中国引起了广泛关注。自1996年以来,中国已成为世界上主要的大豆进口国。为了优化大豆供应结构,中国政府实施了“减少玉米和豆子”自2016年以来。2018年中美贸易摩擦加剧,美国增加了25%的进口关税和进口成本上升。俄罗斯和加拿大抛出了橄榄枝,增加对中国的出口。2019年,农业部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,中国政府中央1号文件指出增加支持高产大豆品种和农业新技术的推广间作玉米和大豆。的原因,中国进口大豆主要反映在国内大型供需缺口,转基因技术不足,低关税。 China has a high degree of dependence on international imports of soybeans. Therefore, there is a large price fluctuation of China’s soybeans.
古典理论通常假设返回有条件或无条件的正态分布,所以它的波动是稳定的。然而,金融资产的回报更复杂的波动在实际的市场交易。法玛(1]研究表明,尽管金融资产价格的波动是相似的在相似的时期,有波动聚集效应。回报率的变化出现峰值和厚尾的一种形式,简单不符合正态分布。回报率更可能下降极限值,风险很高。福斯特(2]研究了国际原油皮卡市场,发现成交量有很大积极影响期货价格的波动。刘和魏3)还发现,交易量之间有显著的正相关关系,期货价格波动。王等人。4)使用ARCH(自回归条件异方差性)模型分析大豆期货价格波动每日交易价格数据从2006年到2011年。研究表明,大豆期货收益率的二阶arch过程,及其价格上下波动集群,成交量有积极的促进作用的价格波动。唐et al。5]在农业期货大豆期货和小麦期货为例,分析了长期期货价格波动的相关性,发现农业期货市场连续性和波动性聚集状态。华和中6];周和齐(7];和蔡8),分别使用高频数据的日常交易数据分析期货价格波动的特点,从不同的角度学习时不同的期货。基于EGARCH模型(指数广义自回归条件异方差性),李et al。9]研究了深度之间的关系,流动性和波动性的沪深300指数期货市场,这表明股指期货可以改善资本市场的结构,深化资本市场改革。在研究中国和美国大豆期货市场的价格波动,专家和学者认为,美国大豆期货价格在信息的传播中起着重要作用,有两个市场之间的波动溢出效应(10- - - - - -16]。宏观调控可能影响商品价格波动,和一些研究表明,从能源市场,农产品市场波动溢出效应(17- - - - - -19]。江、张(20.)建立了一个随机波动模型通过使用非参数贝叶斯方法和研究SSE 50指数的数据特点,对预防金融风险提供建议。陈等人。21)布伦特原油期货市场的波动性预测通过引入隐马尔科夫模型。他们相信pseudo-structure突变可能发生在这种状态下,他们纠正使用女性(intra-cranial意欲)模型,使结果更准确。刘等人。22)进行了建模和预测基于三种类型的高频极度波动数据,说明高频数据的重要性和有效性。丹等。23)建造了一个铜期货价格波动预测模型基于符号高频时间序列,基于事例表明,(再邻居)算法更准确。Cai和廖24宝石市场的波动性预测和测量通过构建动态风险更高的时刻意识到EGARCH模型,提高了预测精度和风险测量的准确度。
期货价格波动频繁,可以反映市场信息敏感。国内外学者主要是日常使用高频数据分析成交量和价格波动之间的关系。具有重要意义改变角度来分析期货价格波动的特点。在大豆期货市场,大多数学者研究波动集聚效应的影响,溢出效应、波动和信息对称,而很少有研究价格波动使用收益率来表达价格波动的程度。更把成交量作为解释变量,并将其添加到模型,但它是更少的引入条件方差方程和使用相关的模型划分的预测。
在本文中,大连商品交易所的大豆期货将会研究。交易量和地位信息流将创新条件方程的方差。交易量作为条件方差之间的关系和价格波动进行了分析。ARIMA-GJR-GARCH组合模型将构造。成交量和价格波动之间的关系研究,以及空缺职位和价格波动之间的关系也将被研究。成交量和职位之间的关系主要分为预期交易量和空缺职位和意想不到的交易量和开放的职位。成交量和价格波动之间的关系进行分析。
2。方法
2.1。建立了模型
中国大豆期货市场的成交量和开放的位置是两个重要的变量。成交量主要是用于描述市场信息的数量,和开放的位置主要反映市场的深度。他们可以反映的角色信息不对称和市场交易的活动。成交量和开放的位置也可以描述投机者价格变化的不同反应条件下的信息不对称。在期货市场,交易量和开放的时间序列位置是显著相关的。因此,通过输入预测模型、交易量和开放位置分为预期和意想不到的预测。
在金融市场中,基于“增大化现实”技术,妈,ARMA和ARIMA模型通常用来预测样本内和样本外的交易价格或波动的市场。ARMA和ARIMA模型的基础上建立了基于“增大化现实”技术和马,可以更全面的预测。本文将选择预期和意想不到的交易量和持仓量波动的价格,只能适用于平稳时间序列的ARMA模型。季节性时间序列的模型没有直接的模型,因此本文选择ARIMA模型。
为了深入和全面描述中国的大豆期货价格的波动特点,ARIMA-GJR-GARCH模型构造。考虑到成交量和持仓量,之间的关系预期和意想不到的成交量和持仓量和中国的大豆期货价格波动将全面分析。
“杠杆效应”的金融时间序列往往存在。“杠杆效应”的特点是,价格波动造成的坏消息或负面冲击大于好消息或积极的冲击造成的价格波动。因此,需要建立非对称拱模型。交易量和持仓量分为预期和意想不到的部分,构造和ARIMA-GJR-GARCH模型来分析价格波动的特点。对于这些非平稳和季节性序列,可以建立一个模型如下: 在哪里代表季节性自回归过程的顺序 ; 代表的季节性移动平均过程 ; ,分别代表长期自回归AR过程的顺序和长期移动平均线的顺序过程马; ,分别代表的顺序序列的长期和季节性差异 ; ,分别代表长期滞后算子多项式的自回归过程AR和季节性自回归过程特别行政区; ,分别代表长期的顺序差异和季节差异序列滞后算子;S是季节性差异的步长;和 ,分别代表了滞后算子多项式长期移动平均过程的马和季节性自回归过程SMA。
所构造的模型形式如下: 在哪里t代表时间;价格是当天返回变量t;代表了预期交易量t;代表了意想不到的交易量t;天是预期的位置t;意想不到的位置上一天吗t;和 , , , , , ,和的系数是在上面的模型中相关变量。
2.2。数据收集和选择
近年来,中国的大豆期货合约一直活跃在大连商品交易所,所以本文选择大连商品交易所的大豆期货合约进行研究。在中国大豆期货市场的波动主要是由价格和收益率的波动引起的,所以本文选择大豆期货市场价格为研究对象。两个问题应该注意选择的数据。首先,不像股票市场,期货合约有一系列连续时间的股票价格。期货合约是不连续的,这意味着他们将被清算,未来交易日期后停止了交易。其次,因为有多个不同交割月份的合约在同一交易日,会有不同的交易价格相同的期货产品在同一交易日。因为许多不同的合同交付月将参与交易在同一交易日,相同的期货产品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。本文选择大连商品交易所的数据,从数据库的中国股票市场与会计研究数据库(CSMAR)。为了使交易数据更具代表性和更有说服力,大结算价格的合同,体积,和位置在交易合同中选择。 If two contracts are included in a day, the contract with large volume of trading volume and large position is selected. The main contract of China’s soybean futures market will be constituted according to the above selection. The settlement price of the contract is selected as the transaction data to form a continuous time series. Soybean futures that can be delivered in Dalian Commodity Exchange include soybean No. 1 and soybean No. 2. As a non-genetically modified soybean, soybean No. 1 is a good representative in the study of price fluctuation in Chinese soybean futures market. Therefore, the main contract of soybean No. 1 is selected as the research object. A total of 1219 sample data from December 31, 2014, to December 31, 2019, were selected.
通过对数处理中国的大豆期货的结算价格数据,获得的回报率系列数据和统计特征进行了分析。回报率的计算公式如下: 在哪里代表一天的回报率,代表一天的结算价格,代表了前一天的结算价格。因此,返回率的时间序列可以获得和分析。
3所示。实证分析
3.1。中国大豆期货市场的统计特征
3.1.1。回报率的统计特征
通过对数处理样本的数据,得到了基本的统计结果。线性图表的日常产量波动的主要中国大豆期货合同是获得如图1。
收益率的波动曲线直接显示了在中国大豆期货市场波动程度的收益。从图可以看出1中国大豆期货市场的收益率序列波动的集聚效应,也就是说,当波动很大,它将继续大幅波动一段时间,当波动很小一段时间,它将继续波动在一个较小的程度上,和波动集聚效应的出现往往意味着将会有一个拱效应的顺序返回。波动率聚集效应的出现通常代表返回系列的拱效应。
的统计检验中国大豆期货市场的回报率序列。标准偏差主要用于反映数据的个人之间的分散度。偏态作为偏斜方向和程度的统计数据。峰度是一个统计用来描述所有值的陡峭程度的分布在整个数据。当数据是正态分布,K= 3.3。它有一个高而瘦的形状和厚尾,也就是说,一个顶点和厚尾。大多数金融序列有一个顶点和一个厚尾和不对称分布。jb,测试数据用于测试样本序列是否服从正态分布和研究回报率的波动信息。这些数据能最好的反映。柱状图和统计的每日回报率序列表中国大豆期货连续合同如表所示1。
从统计结果表1可以看到,每天产生的偏态一系列中国大豆期货是1.436。这意味着分布向右倾斜相对于正态分布,以及回报率系列有一个正确的拖尾现象。峰度K= 14.74,大于正态分布的峰度值3。这意味着收益率系列有尖锐的峰的特点。因此,一系列中国大豆期货收益率显示高峰和厚尾的特征。jb,统计是7417,和相应的值不超过0.001,所以应该拒绝零假设。这意味着收益率并不服从标准正态分布。考虑到金融时间序列通常具有异方差性,一个拱模型被认为是解决这一问题。也因此,平稳性检验和自相关检验所需样品时间返回系列。
3.1.2。稳定性试验和偏自相关测试的回报率
回报率的数据建立一个模型之前,需要进行稳定性测试,自相关和偏自相关,拱效应。已经确定,随后建立的模型具有实际意义。
不存在单位根在日常产生的一系列中国大豆期货,这是一个静止的系列。收益率的自相关和偏自相关测试数据的中国大豆期货市场如表所示2。
从表可以看出2,各种阶序列相关值的两倍标准偏差的范围。这意味着中国的大豆期货没有明显的收益率序列截断和拖尾现象。样本序列滞后阶自相关和偏自相关系数接近于零。样本序列拒绝non-autocorrelation假设条件下的5%置信水平。因此,有自相关和偏自相关产生的一系列中国大豆期货市场。
3.1.3。拱效应试验
本文选择了拉格朗日乘子检验来验证是否残留系列拱效应。恩格尔和格兰杰25)提出了拉格朗日乘子检验测试剩余序列是否拱效应。拱LM残差序列的测试结果如表所示3。
根据表3,就可以获得的p值对应的每个统计剩余订单从1到5的平方滞后不超过0.001。这意味着所有的滞后剩余方块共同重要,和p价值的拱效应测试也不超过0.001,所以零假设被拒绝。残差序列的条件异方差性和有一个拱效应。
3.2。中国大豆期货价格的波动特征
波动曲线之间的交易量和持仓量和产量,如图2。
根据图2可以看出,交易量的波动相对较大。开放的兴趣和成交量之间变化的范围基本上是相同的。变化的范围的回报率相对较小。
首先,ARIMA模型用于预测样本的交易量和持仓量。可预测的部分称为预期交易量和持仓量,记录和 ,分别。相对误差的实际值和预测值之间的差异被称为“意想不到的事务。交易量和持仓量记录和 ,分别。然后,上面的两个变量添加到GJR-GARCH的条件方差方程(2,1)模型的实证分析探索大豆期货价格波动的影响。
从表可以看出4和5,c代表常数项的系数,这是大于零的。代表的估计价值预期交易量系数。代表意想不到的交易量的估计价值系数。代表预期的开启位置系数,代表了意想不到的开启位置系数。
估计的价值预期交易量的系数和估算值意想不到的交易量系数超过0。结果是显著的,这说明之间存在正相关关系预期交易量和意想不到的交易量和中国大豆期货市场的价格波动。的估计价值的预期位置系数系数和意想不到的位置不超过0.001,结果非常明显,表明之间存在负相关的预期位置和意想不到的位置,中国的大豆期货市场的价格波动。增加一定数量的职位将减少价格波动的影响成交量的增加引起的。
从目前的成交量和持仓量之间的关系,大豆期货价格波动有一个更深的层面上。新开的交易远远小于关闭交易和交接事务对价格波动的影响从商人的角度的行为。设置边际当前交易量对价格波动的影响和当前资产价格波动的边际影响 。在新职位的开始交易,它影响当前的成交量。当前的成交量将会增加,但当前位置的变化是不确定的。如果新的期货合约交易是一个新的开放位置,那么当前成交量和位置会有相同数量的增加。此时,影响大豆期货市场的价格波动是边际的和当前的成交量对价格波动的影响和当前位置的边际影响价格波动,这是记录 。如果新的事务是大豆期货合约与封闭的交易部门,对当前的成交量和位置的影响是,当交易量增加到一定数量,将减少一定量的位置。在这个时候,对大豆期货市场价格波动的影响是边际当前交易量对价格波动的影响-边际当前位置对价格波动的影响,这是记录 。如果新的事务是改变交易单位的大豆期货合约的数量,对当前的成交量和位置的影响是,交易量会有一定数量的增加,和位置保持不变。此时,对价格波动的影响在大豆期货市场的边际影响当前成交量价格波动,这是记录为 。在大豆期货市场,有这样的关系:> 0,< 0;然后,>> 。单方面大豆期货市场上涨时,交易双方建立新的交易。市场参与者将增加他们的利益在新交易合同,这大量的资金将进入新的交易期货合约,和市场深度将继续增加。因此,它可以减少目前的成交量变化对价格波动的影响。
的估计价值预期交易量系数小于意想不到的交易量系数的估计价值吗 ,和预期的位置的估计价值系数小于意想不到的交易量系数的估计价值吗 。因此,预期交易量的影响中国大豆期货市场的价格波动小于意想不到的成交量的影响中国大豆期货市场的价格波动。这种现象可以解释如下:中国大豆期货市场的新信息出现的时候,会有交易造成的信息不对称和流动性需求的差异。新信息的出现将导致交易的出现在一定程度上。中国大豆期货市场的预期交易量和位置不产生新的信息,但主要是通过改变市场参与者流动性需求或调整位置。意想不到的交易量和位置主要由大豆期货市场的新信息的到来,它包含更多的信息。因此,意想不到的交易量和位置的影响中国大豆期货市场的价格波动比预期交易量和立场的中国大豆期货市场的价格波动。
3.3。交易量的影响和开放的立场ARIMA-GJR-GARCH模型
交易量的影响和开放的立场ARIMA-GJR-GARCH模型进一步分析。成交量是引入条件方差方程基于ARIMA-GJR-GARCH模型作为信息流。结果如表所示6。
当前成交量大于零的系数在5%的显著性水平和重要的表6。这意味着有一个积极的成交量与价格波动之间的相关性。当前成交量后加入条件方差方程,GARCH项系数变化从以前的0.9615618到0.1830656,而显著降低。结果仍然是重要的在5%的显著性水平,表明GARCH效应模型中明显减弱,但GARCH效应仍然存在。
然而,ARIMA-GJR-GARCH项系数从0.0453458−0.2090938,结果是重要的在5%的显著性水平。从消极到积极的系数改变,表明该模型添加卷后不再有不对称。这意味着体积吸收一部分的持久性和价格波动的非对称性,表明体积解释价格波动有很强的能力。在混合分布假说(MDH)之间存在着正相关资产价格的波动方差和信息变量引入后的变量。成交量的条件期望值主要取决于信息变量,所以交易量之间存在正相关,在期货市场价格波动。通过中国大豆期货市场的实证分析,证明了混合分布假说。添加当前大豆期货交易量到模型作为替代指标的混合变量解释价格波动有很强的能力。
职位是引入条件方差方程基于ARIMA-GJR-GARCH信息流模型。结果如表所示7。
在表7,本期的开启位置系数小于零,重要的在5%的显著性水平,表明有一个开放的位置和价格波动之间的负相关,和开放的位置上有很强的解释力价格波动的方差。添加当前打开位置之后进入条件方差方程,GARCH项系数略有降低,GARCH效应存在。这意味着当前开放的位置几乎没有影响的持久性大豆期货价格波动和大豆期货价格的波动方差仍然有很强的持久性。ARIMA-GJR-GARCH术语变化系数从0.0453458−0.0158608,结果不重要,5%的显著性水平。从消极变为积极的系数,表明该模型不再是不对称后的位置。因此,空缺职位在价格波动有很强的解释力。
4所示。结论
本文分析了中国大豆期货市场的价格波动特征通过构造一个ARIMA-GJR-GARCH模型并吸引了以下结论:(1)中国的大豆期货的价格波动是稳定的。以前的冲击的影响后续的方差条件是持久的和将在未来波动很长一段时间。因此,波动和市场风险相对较高。最主要的原因是,中国的大豆主要来自进口,国际政治形势的变化将对中国大豆期货市场产生巨大影响。其次,中国的大豆期货价格波动有杠杆效应。负面新闻的影响大于利好消息的影响。外生干扰会影响中国的大豆。期货价格的波动产生影响。(2)摘要当前中国大豆期货合约的交易量和位置添加条件方差方程基于ARIMA-GJR-GARCH(2,1)模型,分别,预期和意想不到的交易量之间的关系和位置和价格波动进行了研究。结果表明,预期交易量的估计价值系数和预期的位置的估计价值系数小于意想不到的交易量的估计价值系数和意想不到的交易量的估计价值系数,分别。当当前大豆期货合约的交易量增加和开放的利益减少,影响价格波动的方差大于当前的成交量增加,和开放的利益增加或保持不变。因此,预期交易量的影响中国大豆期货市场的价格波动小于意想不到的成交量中国大豆期货市场的价格波动。主要原因是新信息的表达主要是实现了意想不到的交易量,和新信息是影响价格波动的一个重要因素。
数据可用性
之前报道的数据被用来支持这项研究和可用https://www.gtarsc.com/。
的利益冲突
作者宣称没有利益冲突。
确认
本文得益于多年的思考这些问题和讨论与经济学有关的很多同事。这项研究是人文社会科学青年基金中国教育部批准号下19 yjc790128。