研究论文|开放存取
利用高频数据预测阿拉比卡咖啡和原油价格的协波动性:一种多元GARCH方法
摘要
预测资产收益率序列的covolatility正成为学者,从业者和投资组合经理之间进行了广泛研究的课题。本文估算各种使用阿拉伯咖啡的布伦特原油和周收盘价(单位:美元/磅)的周收盘价(美元/桶)多元GARCH模型,并比较了基于高频盘中这些模型的预测效果数据,其允许更精确的实现波动测量。这项研究使用的每周价格数据来明确模型covolatility和就业高频日内数据来评估模型预测效果。分析点的结论是,与学生的变化的条件相关性(VCC)模型<一世>Ť一世>在我们的经验背景下,分布式创新术语是最精确的波动预测模型。我们建议并鼓励未来研究MGARCH模型预测性能的研究人员特别注意已实现波动的测量,在可行的情况下使用高频数据。
1.介绍
预测资产收益率序列的共变性正成为学术界、从业人员和投资组合经理广泛研究的课题[<一个href="#B1">1一个>]。这已被用于风险管理、衍生品定价和对冲、投资组合选择和政策制定。同样,分析商品和资产价格之间的波动溢出效应,对于政府和投资者的风险管理和投资组合最大化具有深远的意义[<一个href="#B2">2一个>]。鉴于目前国际市场的油价下跌,研究石油和咖啡价格之间的关系可以说是特别有意义的[<一个href="#B2">2一个>]。最近,一些论文研究了石油价格与股票、农产品和贵金属价格的联动关系。
先前的研究为石油和一个或多个市场之间的联系提供了证据。然而,这些研究大多集中在价格关联性上。相对而言,很少有研究致力于波动性的相关性。这令人惊讶,因为价格波动是期权和商品期货市场的主要驱动力。本文旨在弥补这一文献上的空白。特别地,它使用多元GARCH (MGARCH)族模型对两个重要的商品市场——石油和咖啡市场——之间的波动相关性进行了系统分析,以期提供一些严格的价格协波动预测模型。
当然,在文献中不同的文件也倾向于学习的波动相互联系时,专注于不同的商品对。这项工作的重点是在商品期货市场,这是市场上其中一个可以在未来的一个特定时间以特定价格交付一套购买商品的具体量在布伦特原油和阿拉伯咖啡价格之间的covolatility。这些商品的选择的事实,这是世界上交易最活跃的商品的动机。现有的工作似乎主要集中在样本内大宗商品价格产生较小的注意模型预测效果的covolatility的造型。这项工作也将寻求弥合在文献中这种差距。
最近的一些论文对能源和商品价格的共变系数进行了研究,主要是因为人们越来越关注了解这种共变系数在这些高度动荡时期的驱动因素和动态。文献中使用了替代估计方法,但到目前为止,还缺乏进行彻底的“MGARCH”分析的工作,这是一个特别适合于资产价格共变性建模的统计框架。此外,现有的研究大多集中在商品价格共变性的样本建模上,对模型预测性能的关注较少。因此,本文将试图通过对波动性预测绩效进行系统分析,为相关文献做出贡献。
现有的波动溢出效应研究大多采用统计模型来估计实际波动率,而实际波动率往往是真实波动率的近似。基于模型的统计波动率的一个有吸引力的替代方法是基于高频日内数据或“tick”数据计算已实现的波动率。在预测潜在波动率方面,已实现波动率已被发现比基于模型的波动率更准确[<一个href="#B3">3一个>]。因此,通过以往的研究提供的结果可能是潜在的,因为它们可能低估或高估了真实波动的程度产生误导。
通过使用基于30分钟内数据的已实现的波动性,这项工作避免了这个潜在的陷阱。我们认为,这样做代表了一个重要的贡献,共同波动衡量的文献在商品市场。
这项工作使文献以下贡献:(1)从应用计量经济学的角度,这项工作提供了一个稳健和系统的研究统计和计量性质的共波动率这两种重要的商品。(2)方向和在这个工作记录的咖啡和原油价格之间的相关性的大小,将有助于一个更明智决策的设计对金融机构以及其他利益相关者和市场参与者兴趣预见的波动的一部分这两个重要的商品。
2.方法
2.1。多元GARCH模型
大量文献涉及单变量模型价格序列。但是市场是相互作用的,因此从单变量模型到多变量模型的推广是很重要的。多元GARCH模型可分为四种类型[<一个href="#B4">4一个>]。(一世)条件协方差矩阵模型:在这些模型中,直接计算条件协方差。向量误差校正(VEC)和Baba-Engle-Kraft-Kroner(BEKK)模型都属于这类模型。(2)因子模型:假设收益过程由少数不可观测的异方差因子组成。这种方法的优点在于,当与返回向量的维数相比,因子的数目较少时,问题的维数降低。(ⅲ)条件方差和相关模型:首先计算单变量条件方差和相关,然后利用它们得到条件协方差矩阵。一些模型是,例如,恒定条件相关(CCC)模型和动态条件相关(DCC)模型。(iv)非参数和半参数的方法:模型在这个类形成的条件协方差结构的参数估计的替代方案。这些模型的优势在于,他们不施加在数据上的特定分布(可错误指定)。
本文采用条件方差模型和相关模型。在详细讨论MGARCH模型之前,先给出本系列的一些定义。本研究使用两种商品价格序列,得出双变量方法。 在哪里返回的向量是否可以分解为 在哪里是向量的回报;是在时间预期收益的矢量鉴于现有的资料集 ; 是随时间变化的条件协方差矩阵的乔列斯基因子 ;和是独立误差向量,均值为0,方差为1。
条件不可预测分量的方差也可以定义为
在方程(<一个href="#EEq3">3一个>),得到的矩阵应该是对称的。此外,矩阵所有的都是正的吗 。多元建模方法带来了复杂性。首先,可能很难确保是正定所有 。其次,参数的数量变得过大,难以估计,最后,可能难以获得系统的平稳性条件 。
文献中提出的各种MGARCH模型在如何权衡其规范中的灵活性和节俭性方面存在差异 。增加的灵活性允许模型捕获更复杂的 。以下部分将描述的模型,其中所述血管内皮,DVEC模型它们是前人到CCC,VCC,和DCC模型首先描述的理论。
2.1.1。常数条件相关(CCC)模型
常数条件相关模型由Bollerslev [<一个href="#B5">五一个>],其中随时间变化的协方差矩阵在时间表示为
右边是条件相关矩阵这是时间不变的,即。,是的对角矩阵( )如 其中每个遵循单变量GARCH过程。条件相关矩阵由 ,和非对角元素是
期望的条件方差可以以矢量形式来表示:
第一项<一世>C一世>是截距与的尺寸的载体和系数的矩阵是 。
CCC模型的优点是,由于相关矩阵的存在,计算过程更容易进行<一世>[R一世>是恒定的。然而,这意味着该模型可能过于严格[<一个href="#B6">6一个>]。
2.1.2。动态条件相关(DCC)模型
动态条件相关模型如下 在哪里是协方差矩阵和是矩阵的条件相关的回报,这是对称的定义。的对角矩阵表示为 其中每个遵循单变量GARCH过程。此外,必须是正定的,这是自动得到的是相关矩阵是由定义对称的。当定义这个矩阵,需要两个要求。首先,需要是正定的,因为它是协方差矩阵。第二,属于的部分需要小于1。这些需求通过分解得到满足: 在哪里 在哪里当模型包含有限的参数和向量时,无条件协方差是否有限具有有限方差。此外,参数和标量和是用来缩放的为了实现这个目标 ≤1,是矩阵的元素 。估计是
此外,标量和必须大于零,但总和必须小于一。人们可能会注意到,这些是单变量GARCH保持平稳的条件,但在DCC模型中也适用[<一个href="#B7">7一个>]。
2.1.3。变化的条件相关(VCC)模型
变条件相关(VCC)是一种多元广义自回归条件异方差(MGARCH)模型,其中条件方差被建模为单变量GARCH模型,条件协方差被建模为条件方差的非线性函数。加权条件方差的非线性组合的条件相关参数遵循Tse和Tsui指定的GARCH-like过程[<一个href="#B6">6一个>]。VCC MGARCH模型与密切相关的动态条件相关MGARCH模型一样灵活,比常数条件相关模型更灵活,比对角向量条件偏差(DVECH)模型更简洁。
对于扰动的时变条件协方差矩阵,MGARCH模型在其规范的简约性和灵活性上有所不同,用表示 。在多元GARCH模型,对角线元素的条件相关族被建模为单变量GARCH模型,而非对角元素被建模作为对角线项的非线性函数。在VCC多元GARCH模型, 其中对角元素和遵循单变量GARCH流程遵循谢霆锋及徐锦江[<一个href="#B6">6一个>]和下面所讨论的。因为随着时间的变化,这个模型被称为VCC GARCH模型。
在VCC-GARCH(1,1)模型提出谢和咀[<一个href="#B6">6一个>]可以写为 在哪里是一个向量的自变量,其中可能包含的滞后 ; 是一个矩阵的参数;是一个因变量向量;是随时间变化的条件协方差矩阵的乔列斯基因子 ; 是一个独立和同分布创新向量;和是一个条件标准差的对角矩阵。 。 是条件相关矩阵,
[R式中动态过程(<一个href="#EEq12">14一个>)恢复;和是管理条件相关的动力学参数,并且它们都是非负的,且满足0 <一世>≤ 一世> +<一世>1。
2.2。确定条件分布
当拟合基于财务数据的GARCH模型时,必须定义收益的条件分布。例如Bollerslev [<一个href="#B8">8一个>],示出了返回不是正态分布。相反,学生<一世>Ť一世>分布以比正态分布更充分的方式捕捉经验回报中观察到的峰度。与正态分布相比,收益具有更多的峰度和更肥的尾部。因此,学生<一世>Ť一世>分布更适合[<一个href="#B9">9一个>]。当使用GARCH模型时,通常使用三个关于误差项的条件分布的假设:正态(高斯)分布,学生的<一世>Ť一世>以及广义误差分布(GED)。
2.3。推断评价
评价是有多种方法来完成。MAE,RMSE,并从一个普通最小二乘回归解释能力:首先,估计使用三种措施的方法相比。其次,试图确定残差的拟合优度通过由与Ljung的芯盒测试分析的单变量的方法来完成。
2.3.1。定义一个代理
在评估波动的预测,对“真”的波动通常的代理是“事后”平方收益或误差平方。然而,正如安德森和Bollerslev [注意<一个href="#B5">五一个>,尽管作为对波动过程的无偏估计,平方回报或平方误差的使用是合理的,但由于它是一个很大的特殊术语,它提供了一个非常嘈杂的度量。具体来说,回报创新可以写成与一个独立的零均值和单位方差的随机过程和是波动过程。如果模型是否正确指定了条件期望(,和的平方误差是波动过程的无偏估计;然而,它仍包含嘈杂的特质来看, 。这通常导致了表现不佳,其中策动波动模型的实际意义的讨论。
Hansen等人。[<一个href="#B10">10一个>提供的另一个重要的参数使用实现差异而不是方的回报。他们指出,替代的条件方差可能会严重扭曲的比较,在这个意义上的平方回报的经验排名的模型可以用于真正的(人口)不一致的排名。所以,这是基于平方回报率的评估可能的概率选择劣质模型作为“最佳”收敛于一个样本容量的增加。出于这个原因,我们的评估是基于实现差异。在这条线的研究的基础上,安德森等人。[<一个href="#B11">11一个>]定义了日的所谓“已实现波动”<一世>Ť一世>如 在哪里<一世>ñ一世>一天内等距的间隔数和日收益率是对数吗<一世>Ť一世>在时间间隔<一世>一世一世>与<一世>一世一世>= 1、2…<一世>ñ一世>和<一世>Ť一世>= 1,…,<一世>Ť一世>。
因此,实现波动是平方盘中返回的总和。原则上,让<一世>ñ一世>倾向于大样本,即连续时间采样,测量方法接近于潜在连续时间过程的真实综合波动率,理论上没有测量误差。此外,这一措施允许市场参与者基本上将波动性视为观察到的变量,并允许直接估计。
2.4。预测评估
2.4.1。MZ回归
评估波动率模型的样本外预测性能的一种常用方法是通过mincerz - zarnowitz (MZ)回归, 也就是说,平方收益是对模型预测的回归和一个常数。在这里,事后波动(例如,已实现的波动)是否在某个时间<一世>Ť一世>,是估计(样本内)还是预测(样本外)的波动<一世>Ť一世>,为独立同分布的误差项;〜<一世>ñ一世>(0,1)。<一世>一个一世>和是待估计的参数。
如果条件方差模型很好地说明,我们应该有<一世>一个一世>= 0,= 1。根据财务数据序列的具体特征,计算其价值通常较低(甚至少于5%)[<一个href="#B11">11一个>]。
2.4.2条。平均绝对误差
另一种确定估计和预测优度的方法是计算 。该方法是测量接收到的条件协方差如何接近其相应的实现值。这个公式是 在哪里用作代理和为估计协方差。通过对比估计模型之间,它可以给该模型的指示,使最好的估计。
2.4.3。均方根误差(RMSE)
第三措施是在根均方误差(RMSE),其被定义为
使用这些方法,可以比较估计的模型,并使用相同的测量进行估计和预测,可以确定相对最好的估计模型是否也做出了最好的预测。
3.结果与讨论
3.1。数据
本文考虑的数据是布伦特原油和咖啡阿拉比卡期货市场的周时间序列,分别以美元/桶和美元/磅表示。这两个系列都包含从彭博社数据库中提取的2005年1月第一周到2016年10月最后一周的数据。全样本分为两部分:样本内数据,用来估计模型参数;样本外数据,用来做预测。样本期为2005年1月第一周至2015年12月最后一周,样本外期为2016年1月第一周至2016年10月最后一周。对于样本外期间,我们还提取了30分钟的日内数据,以实现波动性测量的目的。
3.2。平稳性检验和日志返回系列的特点
我们的数据包括两种商品价格:原油和阿拉比卡咖啡。两种商品价格在整个研究期间呈现出相同的趋势和方向。这两种大宗商品的价格从2005年到2008年一直在上涨,从2009年到2010年则以类似的模式下跌。另一个印象是,两个商品级别的系列都是非平稳的(见图)<一个href="//www.newsama.com/journals/jps/2020/1424020/fig1/" target="_blank">1一个>).
可视化收益率序列为这两个市场,我们描绘图返回时间序列图<一个href="//www.newsama.com/journals/jps/2020/1424020/fig2/" target="_blank">2一个>。每周收益率序列显示波动持续性,表明大的变化往往是后面的这两个星座和小的变化大的变化往往跟着变化较小,而差分序列表明平稳。该地块的进一步显现,这两种商品的回报率的波动性不仅在选定的样本期间波动聚类现象,而且对他们的收益波动过程有一定的关系。也就是说,当阿拉比卡咖啡价格波动越来越大,原油回报的波动性也成为了大部分的时间大。这是讨论咖啡的价格回报和原油价格收益率的关系的主要动机。
表格<一个href="//www.newsama.com/journals/jps/2020/1424020/tab1/" target="_blank">1一个>分别总结了DF检验两种商品价格水平的结果。从表中可以看出, -值大于0.05。因此,单位根的零假设将不被拒绝,即,存在在每个系列的一个单位根问题。
|
||||||||||||||||||
如果时间序列数据是不稳定,有必要寻找可能带来的平稳性可能的变换。在实践中,通常是计量经济学家中申报表改造资金的价格。这是因为经常收益率序列被发现是静止的,从而分析是可能的。日志返回系列是由获得 在哪里是实际价格乘以52(这只是一个比例因子)的日志返回序列,以年化,因为我们使用的是每周数据,而每年包含52周,和为原价格级数,log为以10为底的自然对数。
表格<一个href="//www.newsama.com/journals/jps/2020/1424020/tab2/" target="_blank">2一个>总结日志收益率序列为每个商品的DF检验。该表显示,这两个 -值太小( -在5%显著性水平下,<0.05)。这说明单位根的零假设在两种情况下都是不成立的。因此,如时间序列图所示,对数返回序列对于每一项都是静止的。
|
||||||||||||||||||
看表<一个href="//www.newsama.com/journals/jps/2020/1424020/tab3/" target="_blank">3一个>,平均价格阿拉比卡咖啡(每英镑)和原油(每桶)分别为$ 145.8668和$ 80.9327,在整个时期。那么平均数收益进行了计算,并且它们分别是0.0458和0.0119咖啡和石油。原油价格的平均收益均高于其在考虑样本期内阿拉比卡咖啡价格回报小。这里还有一个印象是,这两种商品的回归是肯定的,这是两种商品价格呈增长趋势的含义。标准偏差的估计是2.229咖啡和2.3639的油,这是几乎相似。因此,我们可以说,他们表现出他们的价格大致相同的变化。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
下面的哈尔克 - 贝拉统计值是
-在显着性水平为5%的值。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.3。波动性建模
要为日志返回序列构建波动率模型,第一步是指定均值方程。一旦我们指定了平均方程,我们必须使用平均方程的残差来测试ARCH效应。如果ARCH效应具有统计学意义,则需要指定波动率模型,并对均值和波动率方程进行联合估计。对于条件波动的GARCH模型,条件均值规范通常是任意的。
3.3.1。拱效应检验
考虑财务回报模型和拟合这个模型中,如果在每个收益的无波动聚类,随机扰动项应该是一个白噪声过程。标准化残差图可以作为判断误差项的异方差特征的初步依据。各商品回归序列的标准化残差图如图所示<一个href="//www.newsama.com/journals/jps/2020/1424020/fig3/" target="_blank">3一个>. 该图描绘了由均值方程生成的两个商品收益率序列的残差图。
从图中可以看出,对于两个系列,都存在一个较长的低波动期和一个较长的高波动期。例如,对于阿拉比卡咖啡的收益,从2005年第一周到2008年底,存在较长时间的低波动,从2014年第一周到2016年年底,存在较长时间的高波动。从2005年第一周到2009年第一周,原油回报率也比咖啡系列表现出较长时间的低波动性。换句话说,高波动期之后往往是高波动期,低波动期之后往往是低波动期,这就是波动率聚类。这表明残差或误差项是有条件异方差的,可以用GARCH模型来表示。
表格<一个href="//www.newsama.com/journals/jps/2020/1424020/tab4/" target="_blank">4一个>显示ARCH LM检验的两个商品返回结果。该表的最后一栏包括 -表示拒绝原假设的值,即在5%的显著性水平上,直到第四个滞后值“没有ARCH效应”。结果表明,两种商品的价格日志回归序列具有波动性,需要使用GARCH模型进行建模。
|
||||||||||||||||||||||||||||||
3.4。多元GARCH模型
在审查多元GARCH模型的不同配方的开始,应该考虑什么是多元GARCH模型的规范应在对比的是单变量情况下的罚款。在一方面,它应该是灵活的,足以说明条件方差和协方差的动态。在另一方面,作为参数在多元GARCH模型的增加与模型的尺寸迅速沿号码,确定应该吝啬简化模型估计也达到了模型参数的简单解释的目的。然而,简约性可以减少参数的数量,在这种情况中的协方差矩阵的相关动力学不能被捕获。
在相关文献中,大量使用了不同的MGARCH公式对长期条件异方差进行建模。最广泛使用的是时变条件相关(VCC)、常数条件相关(CCC)和动态条件相关(DCC)模型[<一个href="#B5">五一个>]。这些模型的更详尽的讨论见第二章的section2.1。一个多元GARCH模型的复杂性在于参数的数量迅速增加和研究人员经常使用的型号规格单ARCH和GARCH项,而且往往是足够捕捉的变化。因此,在本文中,我们使用二元-GARCH(1,1)模型。
一本研究的主要目的是选择从竞争车型适当的多元GARCH模型。使用明瑟,Zarnowitz回归和预测误差的措施,以最小的预测误差测量值和最大MZ模型值被选择为适当的模型。我们可以选择一个二元GARCH模型,然后估计所选择的模型的参数。对于创新项的分布,多元正态分布和学生的多元版本<一世>Ť一世>考虑了八自由度的分布。和前面的分析一样,我们也考虑了两个波动率指标,即周收益率平方和30分钟日内收益率平方。
看表<一个href="//www.newsama.com/journals/jps/2020/1424020/tab5/" target="_blank">五一个>和<一个href="//www.newsama.com/journals/jps/2020/1424020/tab6/" target="_blank">6一个>对于每个模型,<一世>[R一世>2从明塞尔-Zarnowitz回归获得(<一世>[R一世>2),高频数据值较大。此外,<一世>[R一世>2是学生在大<一世>Ť一世>创新项的分布假设。现在结合高频数据和学生<一世>Ť一世>对于阿拉比卡咖啡收益和原油收益的方差协方差估计,时变条件相关(VCC)模型是一种较好的模型。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
结果见表<一个href="//www.newsama.com/journals/jps/2020/1424020/tab7/" target="_blank">7一个>的方差方程实际上表明波动率效应在整个样本周期的回报系列考虑。关于时变相关性的估计 ,相关被认为是积极的和显著。这意味着有条件的波动两个串联商品系列之间的正相关关系,并表示对这些商品的回报休戚与共。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
参数的估计和 ,即,处理在当前的动态条件的相关性以前冲击和先前动态相关性的效果的参数,来自零显著不同,与 = 0.0291 and= 0.919。时,时变条件相关(VCC)模型退化为不变条件相关(CCC)模型[<一个href="#B1">1一个>]。因此,采用CCC的限制太大,这些系列。
关于持久性的估计( ),持久性估计是0.9698和0.9866,在咖啡和石油市场,分别是接近1,这意味着波动是在这些市场中持续。为方差矩阵的充分条件是正定是通常GARCH限制,即对于单变量GARCH(1,1)模型。而且,这个单变量GARCH过程需要是平稳的,即。,> 0。这些条件在上面的输出表中得到了满足。
3.5。讨论
其目的一直是建模和预测的使用二元GARCH模型布伦特原油和阿拉比卡咖啡期货市场收盘价为每周时间序列covolatility动态。来自考虑的时间段初步分析,这两个价格序列呈现递增的趋势。为了确定是否系列是静止的或没有,增强迪基一富勒(ADF)试验进行。通常情况下,大宗商品价格的原始数据是不稳定,这也是本研究的情况。对于这两种电平的时间系列,测试表明,以单位根I(1)的存在。每个时间序列的第一个日志差异被认为是固定的(表<一个href="//www.newsama.com/journals/jps/2020/1424020/tab3/" target="_blank">3一个>).
在这两种商品的回报率中,ARCH项系数在5%的显著性水平上是显著的。结果是波动性聚类的存在,即大变化后大变化,小变化后小变化。
诺埃米和朱尼尔[<一个href="#B12">12一个>]研究了两种热带商品,即世界咖啡和原油的波动性,并发现这两种商品的易变性,得出的结论是在咖啡和可可价格波动追随石油价格的波动。我们的研究结果表明,阿拉比卡咖啡和原油波动是相关的(其实不高)。此外,阿拉比卡咖啡和原油的协方差被发现是类似于原油的方差这表明在阿拉比卡咖啡价格的变化如下原油价格,类似的发现与诺埃米和小型。
总体而言,这些商品收益之间的正相关关系与以往关于能源与商品共波动性的研究一致(如,[<一个href="#B13">13一个>,<一个href="#B14">14一个>])。
4.结论和建议
预测资产回报的波动动态一直是学者、从业者和投资组合经理广泛研究的主题。本文估计各种多元GARCH模型使用周收盘价格(美元/桶)布伦特原油和周收盘价格(美元/每磅)的阿拉比卡咖啡并比较这些模型的预测性能盘中基于高频数据允许更精确的实现波动率测量。分析结果表明,不同条件相关(VCC)模型与学生学习成绩之间存在显著的相关关系<一世>Ť一世>在我们的经验背景下,分布式创新术语是最精确的波动预测模型。
我们建议并鼓励未来研究MGARCH模型预测性能的研究人员特别注意已实现波动的测量,在可行的情况下使用高频数据。
我们也建议有兴趣预见这两大商品的价格波动在埃塞俄比亚经济的背景下,公共政策的制定者考虑使用因为它是基于一些强大的计量工作,并高度评价这项研究是在审议输入记录的信息相应的数据。
本研究的分析范围仅限于两种商品之间的协波动性。为了克服这一限制并提供更细致的分析,未来的研究人员可能会考虑将股票、货币和债券市场的波动纳入分析。尽管这一研究议程可能很复杂,但鉴于近年来全球金融市场和商品市场之间更深入的一体化,其结果可能是有益的,这一现象后来被称为商品金融化。
数据可用性
支持研究结果的数据可根据要求从通信作者处获得。
的利益冲突
作者声明本论文的发表不存在利益冲突。
参考文献
- L.鲍文斯,C.哈夫纳和S.劳伦特,《波动率模型》<一世>波动率模型及其应用手册一世>, L. Bauwens, C. Hafner,和S. Laurent,合编。John Wiley & Sons, Hoboken, NJ, USA, 2012。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Volatility%20models&author=L. Bauwens&author=C. Hafner&author=&author=S. Laurent&publication_year=2012" target="_blank">谷歌学术一个>
- a . a . Salisu和T. F. Oloko, "油价-美股关系建模:VARMA-BEKK-AGARCH方法,"<一世>能源经济一世>卷。50,第1-12,2015。视图:<一个href="https://doi.org/10.1016/j.eneco.2015.03.031">出版商的网站一个>|谷歌学术一个>
- 《石油价格与尼日利亚股票市场的关系:基于部分整合与协整的分析》,<一世>能源经济一世>,第46卷,第328-333页,2014年。视图:<一个href="https://doi.org/10.1016/j.eneco.2014.10.001">出版商的网站一个>|谷歌学术一个>
- B. J. Christensen和N. R.&Prabhala,“隐含和实现波动之间的关系,”<一世>金融经济学杂志一世>,第50卷,no。2,第125-150页,1998。视图:<一个href="https://scholar.google.com/scholar_lookup?title=The%20relation%20between%20implied%20and%20realized%20volatility&author=B. J. Christensen &author=N. R. &Prabhala&publication_year=1998" target="_blank">谷歌学术一个>
- A. Silvennoinen和T. Terasvirta,<一世>多元GARCH模型:创建研究论文2008-06一世>,丹麦奥胡斯大学,2008年,<一个Ť一个rget="_blank" href="https://econpapers.repec.org/paper/aahcreate/2008-06.htm">https://econpapers.repec.org/paper/aahcreate/2008-06.htm一个>。
- E、 奥斯考格,<一世>多元DCC-GARCH模型-具有不同的误差分布一世>,挪威计算中心,挪威奥斯陆,2009年。
- T. Bollerslev,“短期名义汇率的一致性建模:一个多元广义ARCH模型,”<一世>经济学和统计工作检查一世>,第72卷,no。3、第498-505页,1990。视图:<一个href="https://doi.org/10.2307/2109358">出版商的网站一个>|谷歌学术一个>
- 谢玉强,“多元广义自回归条件异方差模型之时变相关性”,<一世>商业与经济统计杂志一世>,第20卷,no。3,第351-362页,2002年。视图:<一个href="https://doi.org/10.1198/073500102288618496">出版商的网站一个>|谷歌学术一个>
- R. Reider,“波动率预测I: GARCH模型”,2009,<一个Ť一个rget="_blank" href="http://cims.nyu.edu/almgren/timeseries/Vol_Forecast1.pdf">http://cims.nyu.edu/almgren/timeseries/Vol_Forecast1.pdf一个>。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Volatility%20forecasting%20I:%20GARCH%20models&author=R. Reider&publication_year=2009" target="_blank">谷歌学术一个>
- P. R. Hansen, A. Lunde,和J. M. Nason, "选择最好的波动模型:模型信心集方法,"<一世>经济与统计公报牛津一世>卷。65,第839-861,1998。视图:<一个href="https://doi.org/10.1046/j.0305-9049.2003.00086.x">出版商的网站一个>|谷歌学术一个>
- 李建民,“非参数与非参数波动率之研究”,国立台湾师范大学资讯工程学研究所硕士论文,2003年。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Parametric%20and%20nonparametric%20volatility%20measurement&author=T. Andersen&author=T. Bollerslev&author=&author=F. Diebold&publication_year=2003" target="_blank">谷歌学术一个>
- E. Neomie和D. Junior,“揭示世界咖啡和可可商品市场价格波动的根本原因:贸发会议商品特别股关于商品和发展的工作文件系列”,2011年,<一个Ť一个rget="_blank" href="https://mpra.ub.uni-muenchen.de/43813/">https://mpra.ub.uni-muenchen.de/43813/一个>。视图:<一个href="https://scholar.google.com/scholar_lookup?title=Unraveling%20the%20underlying%20causes%20of%20price%20volatility%20in%20the%20world%20coffee%20and%20cocoa%20commodity%20markets:%20unctad%20special%20unit%20on%20commodities%20working%20paper%20series%20on%20commodities%20and%20development&author=E. Neomie &author=D. Junior&publication_year=2011" target="_blank">谷歌学术一个>
- 蔡国强和哈穆德,“海湾合作委员会股票市场的行为与美国石油和金融市场的影响,”<一世>研究国际商业和金融一世>,第20卷,no。1,页22-44,2010。视图:<一个href="https://doi.org/10.1016/j.ribaf.2005.05.008">出版商的网站一个>|谷歌学术一个>
- 原油和农产品市场的投机和波动溢出:贝叶斯分析,"<一世>能源经济一世>卷。33,没有。3,第497-503,2011。视图:<一个href="https://doi.org/10.1016/j.eneco.2010.12.015">出版商的网站一个>|谷歌学术一个>
版权
版权所有©2020达维特Yeshiwas和Yebelay Berelie。这是下发布的开放式访问文章<一个rel="license" href="http://creativecommons.org/licenses/by/4.0/">知识共享署名许可一个>,它允许在任何媒体中不受限制地使用、分发和复制,前提是正确引用了原始作品。