中美豆类期货市场的溢出效应研究r——基于DGC-T-MSV模型

中美豆类期货市场的溢出效应研究r——基于DGC-T-MSV
模型
潘文荣;程旭
【摘要】本文从全球大豆产业链视角出发,以美国芝加哥商品交易所大豆期货价格指数和中国大连商品交易所豆粕期货价格指数的收益率序列为研究对象,构建带有Granger因果关系检验的T序列的动态相关系数模型(DGC-T-MSV),实证研究中美豆类期货市场的均值溢出效应和波动溢出效应,结果表明:一是美国芝加哥商品交易所大豆期货价格指数收益率与中国大连商品交易所豆粕期货价格指数收益率序列具有"厚尾"特征,两个市场容易受自身前期波动的影响,波动持续性较强;二是中美豆类期货市场存在着显著且稳定的时变正相关性;三是中美豆类期货市场存在着显著的双向波动溢出效应,呈现正向的风险传递特征.基于上述研究结果,在美方挑起贸易战的现实背景下,我国政府相关部门要进一步关注美国大豆期货市场价格波动态势,采取相应措施,减缓国际豆类期货价格的大幅波动对我国豆粕期货市场以及相关产业链发展带来的不利影响;我国大豆进口商要考虑国内供求调整对国际豆类期货市场的影响,灵活运用套期保值等避险工具,合理制定大豆采购计划,减少由于期货价格大幅波动而产生的不必要损失.
【期刊名称】《南方金融》
【年(卷),期】2018(000)008
【总页数】7页(P77-83)
【关键词】农产品期货;动态相关性;波动集聚;长期记忆;马尔科夫蒙特卡洛分析【作者】潘文荣;程旭
【作者单位】江西财经大学统计学院,江西南昌 330013;江西财经大学统计学院,江西南昌 330013
【正文语种】中文
【中图分类】F830.9;F742
一、引言与文献综述
随着中国农业对外开放不断扩大，国外农产品价格波动对我国农产品价格的影响程度逐渐提高。

农产品的天然弱质性，决定了其生产经营不仅容易遭受自然风险的冲击，而且容易受到市场风险特别是海外市场风险的冲击（黄卓等，2015）。

根据Wind数据库统计，2017年，美国生产大豆11952万吨，占全球大豆生产总量的35.5%，其中，向中国出口大豆3286万吨，占其大豆出口总量的58.6%；中国生产大豆共计1450万吨，仅占全球大豆产量的4.5%；中国进口大豆共计9500万吨，占全球大豆进口量的61.4%；其中，中国进口美国大豆占中国大豆进口总量的34%。

由此可知，美国是全球最大的大豆生产国，中国是全球最大的大豆消费国，且对国外进口尤其是从美国进口的依赖度比较高。

中美两国大豆贸易对全球大豆产业链的供求关系和市场定价具有重要的影响。

在全球农产品市场联系越来越密切、中美贸易争端对我国大豆进口带来的影响逐渐增大的现实背景下，有必要深入研究国内外豆类期货市场波动溢出效应的特征，分析中国作为大豆进口大国在全球豆类农产品定价机制中的影响力以及受到的冲击。

这不仅有助于为政府部门提供关于农产品价格宏观调控的理论依据，而且也有利于帮助我国农产品进出口企业规避全球农产品市场波动带来的风险。

对于农产品市场波动性的研究，国内外学者主要使用广义自回归条件异方差（GARCH）族模型来刻画不同农产品市场间的波动溢出效应。

Hernandez
（2012）运用MGARCH类模型研究全球主要农产品期货市场的联动性及其波动溢出效应。

孙林等（2014）运用DGC-GARCH模型实证分析中美大豆期货价格波动的时变特征，研究表明中美大豆期货价格变化相关性日益增强，美国大豆期货价格波动会传递到中国豆类期货市场，但无法确定其波动溢出方向及风险传染机制。

陆刚等（2015）通过建立加权联动性复杂网络研究中美玉米期货价格波动的联动性，结果表明中美玉米期货价格呈现同向联动性。

张有望等（2017）运用BEKK-GARCH模型检验我国粮食期货与现货市场的波动溢出关系，结果表明仅有大豆期货对现货价格具有较强的波动溢出效应。

郑金英等（2017）通过构建VAR-BEKK-MGARCH模型研究中美粮食期货的波动溢出效应，结果表明美国粮食期货市场价格波动对中国粮食市场产生单向的波动溢出效应。

已有文献对于农产品市场间波动溢出效应的研究主要存在以下几个方面的不足：一是虽然GARCH族模型能够基于历史波动信息较好地拟合农产品价格波动情况，但是对于农产品价格波动的随机波动性刻画不足，而且忽视了农产品收益率呈现尖峰厚尾特征并不符合随机误差项服从正态分布这一重要假设前提。

二是已有文献多数使用一元SV模型来描述单一资产价格变化的随机性，忽视了波动溢出效应的产生可能源自于多个不同市场间信息传递所导致的结果。

三是未能联系整个产业链的特征研究农产品期货价格的波动溢出效应。

大多数文献仅研究芝加哥商品交易所大豆期货与大连商品交易所大豆期货市场价格波动溢出效应，而未考虑到中国进口大豆的一个重要目的是为了获取榨油后富含蛋白质的豆粕以用作生产饲料。

为此，本文选取能够反映中美两国大豆产业链联系的指标——美国芝加哥商品交易所大豆期货价格连续指数和大连商品交易所豆粕期货价格连续指数作为样本，把Granger因果关系检验的多元随机波动模型（MSV）和带动态相关系数的多元随机波动模型的优点结合起来，同时引入T分布，构建DGC-T-MSV模型，运用马尔科夫链蒙特卡洛（MCMC）方法对模型的待估计参数进行估计，用于检验两个
市场间波动传导方向以及时变关系，以此研究中美豆类期货市场间的波动溢出效应。

二、研究设计
（一）变量选取与样本数据说明
考虑到时间序列数据可能存在异方差，首先对两个期货市场价格数据取自然对数，继而采用一阶差分的计算方式求得中美豆类期货市场价格指数的收益率序列，计算公式如下：
其中：Ri,t表示第i个市场第t日的收益率；Pi,t表示第i个市场第t日的收盘价。

本文选取2013年3月6日—2018年2月28日美国芝加哥商品交易所大豆期货
和中国大连商品交易所豆粕期货价格连续指数的收盘价作为样本数据，删除一国节假日休市、另一国开市的数据，共得到1178组样本数据,主要来源于Wind数据库。

（二）统计特征分析
收益率波动图显示，DCE豆粕和CBOT大豆日收益率序列均存在明显的波动聚集
特征，即两个市场收益率序列出现较大幅度的波动之后往往伴随着较大幅度的波动，较小幅度波动之后往往跟随着较小幅度的波动。

CBOT大豆期货价格指数和DCE豆粕期货价格指数日收益率序列描述性统计分析
结果见表1。

Rdp表示大连商品交易所（DCE）豆粕期货价格指数收益率序列；Rmd表示芝加哥商品交易所（CBOT）大豆期货价格指数收益率序列。

由表1可知：CBOT大豆和DCE豆粕两个期货价格指数收益率序列均在0值附近波动；CBOT大豆期货价格指数价格收益率序列标准差大于DCE豆粕期货价格指数收益
率序列，表明CBOT大豆期货价格波动更为剧烈；二者偏度均不为0，峰度均小
于3；从JB统计量可知，中美豆类期货价格指数收益率序列的JB统计量远大于5%显著性水平的临界值5.99，表明两个市场的收益率序列均存在显著的厚尾性，二
者均不服从标准正态分布。

中美豆类期货市场价格指数收益率序列均呈现厚尾的非正态分布特性。

表1 样本数据描述性统计结果变量均值标准差最大值最小值偏度峰度标准误JB统计量Rdp -0.01 1.13 5.26 -4.65 0.17 1.86 0.03 176.71 Rmd -0.03 1.23 5.17 -6.32 -0.15 2.51 0.04 315.17
在对中美豆类期货价格收益率序列进行模型分析前，采用ADF方法对样本数据进
行平稳性检验。

由表2可知，在1%显著性水平下，中美两国豆类期货市场收益率序列均为平稳序列。

表2 ADF检验结果变量统计值 P值结果Rdp -24.46 0.00 平稳Rmd -23.78 0.00 平稳
（三）模型构建
1.DGC-MSV模型
DGC-MSV模型的基本形式如下：
其中：Rt=(R1t，R2t)'，Rt表示收益率矩阵，R1t、R2t分别表示t时刻大连商品交易所豆粕期货价格指数收益率和芝加哥商品交易所大豆期货价格指数收益率序列；随机扰动项εt服从均值为0、方差为∑ε,t的二元正态分布，εt、γt和νt不相关；ht=(h1t,h2t)'是t时刻两市场间潜在波动序列。

2.DGC-T-MSV模型
本文在DGC-MSV模型中加入Granger因果关系检验参数，用于刻画中美豆类期货市场波动溢出的时变性和方向性。

在构建DGC-MSV模型的同时引入T分布，
以此刻画中美豆类期货价格指数收益率序列的厚尾性特征，最终构建DGC-T-MSV模型，基本形式如下：
其中：随机扰动项εt服从均值为0、方差为∑ε,t、自由度为d的T分布，εt、γt
和νt不相关；ht=(h1t,h2t)'是t时刻两市场间潜在波动序列；φ11、φ22表示两
市场间波动的持续性；φ12表示芝加哥商品交易所大豆期货市场对大连商品交易
所豆粕期货市场的波动溢出性；φ21表示大连商品交易所豆粕期货市场对芝加哥
商品交易所大豆期货市场的波动溢出性；ρt是一个随机过程，受到一个服从标准
正态分布的随机干扰项νt的影响；ψ为动态相关性的持续性参数。

三、实证结果分析
（一）模型收敛状况分析
本文运用基于吉布斯（Gibbs）抽样的马尔可夫链蒙特卡洛模拟（MCMC）方法，对DGCT-MSV模型的各个参数进行估计。

对迭代样本进行有效参数估计的前提是MCMC算法达到稳定，因此，有必要对该模型的收敛性进行检验。

在使用吉布斯抽样方法时，对模型待估计参数进行40000次迭代运算，将前20000次迭代运算作为“烧火期”舍弃，保留后20000次迭代样本进行参数估计。

该模型包含10
个待估计参数，以反映中美豆类市场波动溢出传导方向的参数φ12、φ21的GR
统计量图和后验密度图来判断该模型的收敛状况。

在基于中美豆类期货市场价格指数收益率序列构建的DGC-T-MSV模型中，随着迭代运算次数的增加，参数φ12、φ21的G-R统计量图中的两条马尔科夫链均收敛于1。

根据Rubin和Gelman的理论可知，该模型参数的样本分布已经收敛于其后验分布。

因此，通过构建DGC-T-MSV模型，可以有效地刻画中美豆类期货市场的波动溢出效应。

（二）中美豆类期货市场均值溢出效应分析
由图1和表3可知，中美豆类期货市场价格指数收益率序列呈现出时变正相关特征，相关系数的均值为0.54，数值在0.48至0.58区间波动。

尽管相关系数值不
断变化，但是具有显著的均值回复特征，这表明中美豆类期货市场之间的联系比较紧密，并且呈现较为稳定的时变正相关关系，一般固定相关系数模型无法有效地刻
画中美豆类期货市场之间的动态相关性。

由表4估计结果可知，ψ的均值为0.84，其波动持续性较高，呈现出长期记忆特性，在2.5%和97.5%和中位数下，ψ值均为正数，这表明两个市场之间具有动态正相关性，且容易受自身前期波动相关性的影响，市场需要较长时间才能消化前期波动产生的影响。

图1 2013-2017年中美豆类市场动态相关系数
表3 动态相关系数统计表参数均值标准差最大值最小值ρ 0.54 0.02 0.58 0.48表4 动态相关系数统计结果参数均值标准差 MC误差 2.5%分位数中位数 97.5%分位数ψ 0.84 0.10 0.01 0.56 0.86 0.95
（三）中美豆类期货市场波动溢出效应分析
波动溢出系数反映中美豆类期货市场的波动强度以及价格波动的传导方向。

本文基于吉布斯抽样的蒙特卡洛抽样方法，对经过“退火后”的样本数据进行贝叶斯统计分析，最后得出DGC-T-MSV模型的贝叶斯参数估计值，如表5所示。

表5 波动溢出系数参数估计结果参数均值标准差 MC误差 2.5%分位数中位数97.5%分位数d 10.28 2.492 0.123 7.12 9.70 16.62 μ1 -0.12 0.10 0.004 -0.31 -0.12 0.07 μ2 0.03 0.10 0.004 -0.17 0.03 0.23 φ11 0.94 0.06 0.003 0.79 0.96 1.00 φ12 0.13 0.05 0.003 0.03 0.02 0.18 φ22 0.85 0.07 0.004 0.68 0.87 0.95 φ21 0.14 0.04 0.004 0.05 0.13 0.30 ψ 0.84 0.10 0.006 0.56 0.86 0.95 ψ0 1.20 0.05 0.003 1.10 1.20 1.30 σγ1 2 0.14 0.03 0.002 0.09 0.13 0.21 0.10 0.02 0.001 0.06 0.10 0.15 σγ2 2
由表5估计结果可知，大连商品交易所豆粕期货市场波动水平参数μ1为-0.12，而芝加哥商品交易所大豆期货市场波动水平参数μ2为0.03，表明大连商品交易所豆类期货市场波动程度更高；大连商品交易所豆粕期货市场波动持续性参数φ11为0.94，而芝加哥商品交易所大豆期货市场波动持续性参数φ22为0.85，表明大
连商品交易所豆粕期货市场价格波动持续性较强，两个市场收益率序列均存在显著的波动聚集性，且均容易受到自身前期波动的影响。

相较于芝加哥商品交易所大豆期货市场，大连商品交易所豆粕期货市场具有更强的长期记忆特性，需要较长的时间才会呈现均值回复特征。

表6 中美豆类期货市场溢出系数波动溢出系数估计值标准差 MC误差 T统计值
φ21 0.13 0.05 0.003 2.72 φ12 0.14 0.04 0.004 3.94
φ21表示大连商品交易所豆粕期货市场对芝加哥商品交易所大豆期货市场的波动
溢出效应参数，φ12表示芝加哥商品交易所大豆期货市场对大连商品交易所豆粕
期货市场的波动溢出效应参数。

由表6估计结果可知，在5%显著性水平下，φ21和φ12的参数估计值分别为0.13和0.14，φ12的参数估计值大于φ21的参数估计值，表明芝加哥商品交易所大豆期货市场的波动溢出效应更强；两个市场波动溢出系数的T统计量检验值分别为2.72和3.94，均大于T统计量在5%显著性水平下的临界值1.96；同时由表5估计结果可知，在2.5%、97.5%和中位数下，φ12和φ21都为正数。

上述参数估计结果表明，大连商品交易所豆粕期货价格变动与
芝加哥商品交易所大豆期货价格变动存在着显著的Granger因果关系，芝加哥商
品交易所大豆期货价格对大连商品交易所豆粕期货价格变动也存在着显著的Granger因果关系，二者存在着显著的双向波动溢出效应；由溢出效应参数可知，芝加哥大豆期货市场是波动溢出的源头。

四、主要结论及对策建议
本文主要从全球大豆产业链视角出发，以美国芝加哥商品交易所大豆期货价格指数和中国大连商品交易所豆粕期货价格指数的收益率序列为研究对象，构建融合Granger因果关系检验、动态相关性分析和厚尾分布特征刻画的DGC-T-MSV模型，对中美豆类期货市场的均值溢出效应和波动溢出效应进行实证研究，得到以下结论：
第一，美国芝加哥商品交易所大豆期货价格与中国大连商品交易所豆粕期货价格指数收益率序列具有“厚尾”特征，两个市场容易受自身前期波动的影响，波动持续性较强。

大连商品交易所豆粕期货收益率序列的波动持续性参数值高于芝加哥商品交易所大豆期货收益率序列，表明大连商品交易所豆粕期货市场价格波动的持续性更高。

当期货市场面临价格信息的冲击时，大连商品交易所豆粕期货市场需要较长的时间才能消化信息冲击对期货价格波动产生的影响。

第二，中美两国豆类期货市场价格变动存在着显著且稳定的时变正相关性。

动态相关系数表明，中美两国豆类期货市场价格变动存在着紧密的相关性，两个市场波动呈现出动态正相关性，波动持续性较高，消化信息冲击的能力较弱。

中美两国作为全球最大的大豆消费国和生产国，美国大豆期货价格波动对中国大豆进口、加工、消费均会产生较大的影响，进而对中国豆粕以及饲料生产也会产生连带影响，甚至引起中国养殖业供给端的变动。

第三，中美豆类期货市场价格变动存在着显著的双向波动溢出效应，呈现出正向的风险传递特征。

美国大豆期货市场对中国豆粕期货市场的波动溢出效应强度更大。

中国豆粕期货市场不仅作为国际豆类期货价格的被动接受者，而且也正在逐步影响着全球豆类期货市场价格走势。

与此同时，中国豆粕期货市场国际化程度不断提高，市场运行受到境外信息冲击尤其是源自美国信息冲击的风险也在上升。

基于上述研究结论，在美方基于单边主义、保护主义挑起贸易战的现实背景下，我国相关部门要进一步关注美国大豆期货市场的价格波动，采取有效应对措施，减缓国际豆类期货价格大幅波动对我国豆粕期货市场发展以及农业产业链运行产生的不利影响；我国大豆进口商要考虑国内供求调整对国际豆类期货市场的影响，灵活使用套期保值等避险工具，合理制定大豆采购计划，减少由于期货价格大幅波动而产生的不必要损失。

参考文献
【相关文献】
[1]郑金英, 翁欣. 中美粮食期货的价格关联及波动溢出效应—基于多元T分布下VAR-BEKKMGARCH模型的实证分析[J]. 价格理论与实践, 2017(3).
[2]陆刚. 农产品期货价格联动性实证研究—基于中美玉米期货日收盘价数据[J]. 系统科学与数学,2015(2).
[3]孙林, 倪卡卡, 李显戈. 中美粮食期货价格波动的动态关联——基于DGC-MGARCH模型的实证分析[J]. 南京农业大学学报社会科学版, 2014(2).
[4]张有望, 李剑. 粮食期货与现货市场价格波动溢出效应[J]. 华南农业大学学报(社会科学版), 2017(1).
[5]余素红, 张世英. SV和GARCH模型拟合优度比较的似然比检验[J]. 系统工程学报, 2004(16).
[6]黄卓, 康辰, 刘利科. 中国商品期货市场动量效应和反转效应的实证研究[J]. 南方金融, 2015(4).
[7]陈九生, 周孝华. 基于单因子MSV-CoVaR模型的金融市场风险溢出度量研究[J]. 中国管理科学,2017(1).
[8]董艳,梁满发. 基于GC-MSV模型的国内外股市波动溢出效应分析[J]. 财会月刊,2013(6).。