基于高频波动率的铜铝期货动态关联性研究
基于TVP—VAR模型的有色金属价格时变相关性研究
基于TVP—VAR模型的有色金属价格时变相关性研究作者：吴丹胡振华来源：《财经理论与实践》2017年第03期摘要：基于TVP-VAR模型，考量有色金属价格时变相关性。
结果显示，铜价、铝价及锌价之间存在显著的正向相关关系；一种有色金属价格发生变化，其他两种有色金属的价格通常出现正向响应，并且这种响应的强度是时变的。
时点脉冲函数结果表明，不同时点下有色金属价格之间的相关关系是不同的，但大多时点下表现为正相关关系。
关键词：有色金属价格；时变相关性；TVP-VAR模型中图分类号：F830.93 文献标识码： A 文章编号：1003-7217（2017）03-0064-07一、引言有色金属不仅是国民经济、工业和生活不可或缺的基础材料，还是重要的战略物资。
随着中国工业化进程的迅速发展，对于有色金属的需求不断增加。
近年来，有色金属价格波动剧烈，金属价格之间相互影响，关系越来越密切，有色金属价格之间的相关性研究正引起学者们的广泛关注。
Cuddinggton和Liang（2003）[1]研究了不同汇率制度下的有色金属等大宗商品的价格波动。
Watkinshe 和McAleer（2006）[2]采用伦敦期货交易所的铝、铝合金、铜、铅、镍、锡和锌期货价格研究了有色金属市场的风险溢价和持有成本，研究发现现货市场、期货市场和利率市场存在显著的协整关系，铝和锌市场之间存在长期稳定的相关关系。
Basoglu等（2014）[3]使用伦敦金属交易所中的有色金属进行因果检验，结果发现铝是其他有色金属的格兰杰原因。
吴冲锋等（1997）[4] 分别研究了上海期货交易所和深圳期货交易所以及上交所和伦敦期货交易所的铜价格引导关系，结果发现上海与深圳的一月铜，上海的铜期货和现货之间存在即时的双向价格引导关系。
陈建明和徐东贤（2007）[5] 利用含有误差修正项的因果关系模型，检验铜期货价格和铝期货价格间的引导关系，并发现铜期货价格和铝期货价格存在相互引导的关系。
股指期货与股指现货之间价格发现与波动溢出效应研究--基于沪深300股指期货高频数据的实证分析
股指期货与股指现货之间价格发现与波动溢出效应研究--基于沪深300股指期货高频数据的实证分析杨东晓【摘要】Stock index future is one of the most important financial derivatives in capital market,so it becomes the center of attention among many researchers in this field.In order to study its ability to resolve new information and the risk spill-over effect between stock index and the stock market, using 5-min high frequency data,we test for the co-integration relationship between HS300 stock index future and HS300 stock index,and then we use vector error correction model to test for the Lead-lag relationship between them.The results show that stock index futures have stronger price discover ability.In addition,by using BEKK-GARCH model,it is proved that there are significant volatility spill-over effect between these two markets.%股指期货不仅是当今资本市场上最受关注的金融产品，也是最有活力的风险管理工具之一。
期货交易中的波动性分析掌握市场波动规律
期货交易中的波动性分析掌握市场波动规律期货交易中的波动性分析：掌握市场波动规律在期货交易市场中，波动性（Volatility）是一个重要的概念，它描述了价格或资产的波动程度。
波动性分析可以帮助交易员和投资者更好地了解市场变动，制定有效的交易策略。
本文将介绍波动性的概念和常用的分析方法，帮助读者掌握市场波动规律。
一、波动性的定义和测量波动性是指价格或资产的波动程度。
在期货市场中，常用的波动性测量指标包括历史波动率、隐含波动率和波动率指数。
1. 历史波动率历史波动率是根据过去一段时间的数据计算得出的波动性指标。
常用的计算方法包括标准差和平均真实波幅（ATR）。
历史波动率可以帮助交易员了解市场波动的幅度和频率。
2. 隐含波动率隐含波动率是根据期权市场价格反推出的预期波动性水平。
它可以从期权的价格中推断出市场对未来波动的预期。
隐含波动率通常用于期权交易和风险管理中，它反映了市场参与者对未来价格波动的预期。
3. 波动率指数波动率指数是衡量市场整体波动性的指标，它通常以指数形式呈现。
常见的波动率指数包括VIX指数（美国股票市场波动率指数）和VXN指数（纳斯达克股票市场波动率指数）。
波动率指数可以帮助交易员把握市场情绪和预测市场走势。
二、波动性分析方法了解波动性的概念和测量方法之后，我们可以借助一些常用的分析方法来进一步掌握市场的波动规律。
1. 趋势线分析趋势线分析是一种较为简单有效的波动性分析方法。
通过绘制价格趋势线，可以帮助交易员判断市场的波动方向和趋势变化。
趋势线的斜率代表了市场的波动幅度，斜率越大说明波动性越高，斜率越小则波动性越低。
2. 均线系统均线系统是一种常用的波动性分析方法，通过计算不同时间段内的均线，可以帮助交易员判断市场的波动程度和趋势方向。
长期均线通常用于判断长期趋势，而短期均线则用于捕捉短期波动。
3. 波动带通道波动带通道是一种利用统计学原理构建的波动性分析方法。
它通过计算价格在一定时间范围内的标准差，确定了一个上限和下限，交易员可以根据价格是否位于通道内来判断市场的波动状态。
基于高频数据的股指期货动态价量关系研究
深３ ０ ０股指期货 。股指期货市场的交易者要想在股
指期 货市 场上 取得 交 易 策 略 的成 功 ， 第 一 需要 正 确 判 断 股指 期货 市场 的价 格 运 动趋 势 ， 第 二需 要 正 确
ｄ ｅ ｒ ｓ （ １ ９ ８ ６ ） Ｊ 、 Ｆ ｏ ｓ ｔ ｅ ｒ （ １ ９ ９ ５ ） 等 采 用 不 同 的方 法 ， 对不 同期货 的价格 波动 与交 易量 的关 系进行 实证 研
２ ０ １ １ Ｙ Ｒ １ ０ ） 的阶段性成果 。
［ 作者简介 ］ 林祥友 （ １ ９ ７ ３ ～ ） ， 男， 四川 资中人 ， 成都理工大 学商 学院副教授 ， 博士 。主要研究方 向 ： 公 司金 融 、 金 融衍生
品。
・
１ ２１・
２ ０ １ ４年第２期 财 政金 融研 究
究” （ 项目 编号 ： Ｊ Ｂ Ｋ １ ２ ０ ２ １ ０ ） 、 成都理工大 学科研 基金 资助 项 目“ 金融 与投 资优 秀科 研创 新 团 队培 育 资助 ” 项 目（ 项 目编 号 ： Ｋ Ｙ Ｔ Ｄ ２ ０ １ ３ ０ ３ ） 和成都理工 大学 科 研基 金 资 助项 目“ 股 指期 货 合约 存 续 期不 同阶 段价 格 发 现 的 时变 性 研 究正向影响 ， 不可 预期成交量对期货价格波动的影响比可预期成交量
对期 货 价 格 波 动 的 影 响 要 大 许 多 。 Ｒ ａ ｇ ｕ ｎ ａ ｔ ｈ ａ ｎ和
［ 基金项 目］ 本 文是中央高校基本科研业务费专项基金项 目“ 股指期 货市场发 展和合 约存续 中价格 发现能力 的时 变性研
究发现 ， 期货价格波动与交易量之间是正相关关系。 Ｌ ａ ｍ ｏ ｕ ｒ ｅ ｕ ｘ 和Ｌ ａ ｓ ｔ ｒ ａ ｐ ｅ （ １ ９ ９ ０ ） 将 交易量作为信息 流的替代指标引入到 Ｇ Ａ Ｒ Ｃ Ｈ模型的条件方差方程
波动率与相关性的统计套利
波动率与相关性的统计套利时间:2010-12-09 12:51TAG 标签：对冲摩尔方德投资套利股指期货对冲基金对冲策略在前面的统计套利研究报告中，我们依次介绍了两种统计套利的方法，分别是基于个股和基于指数的统计套利策略。
除了对价格序列进行统计套利外，在国外发达的期权市场，对波动率这个参数也可以进行套利交易，其实质与价格的统计套利一样，只是进行波动率统计套利是在期权市场运用的。
进行波动率交易即建立一个经Delta 对冲的期权头寸。
其中可以做三种波动率交易的策略：多头策略，多头-空头策略和宏观策略。
其中，"多头空头策略"用于统计套利最为合适。
我们在报告中对一种波动率统计套利的方法进行了分析。
在国外还有一种非常流行的交易方法，称为离差交易（Dispersion Trading），即买入一系列股票期权，卖空指数期权，这样相当于卖出了个股之间的平均波动率。
利用指数期权和成分股期权，我们还能交易一种更加复杂的隐含参数——相关性。
我们可以利用隐含相关系数和实际相关系数的差异来进行统计套利。
离差交易的损益可以分解为三个部分：Gamma 风险、Vega 风险和Rega风险，这三块分别代表者头寸对股票二阶变化、波动率变化和相关系数变化的敏感性。
"波动率套利"与"离差交易"在期权市场中起到了非常重要的作用，他们能够为期权市场创造大量的流动性，并且使得波动率与相关性的市场定价更加有效并贴近实际的状态。
在前面的统计套利研究报告中，我们依次介绍了两种统计套利的方法，分别是基于个股和基于指数的统计套利策略。
实践中除了价格差这种可以直接观察的变量外，我们还可以依赖于其他一些隐含参数，如：波动率和相关性进行统计套利，建立市场中性的投资策略。
并且这些策略已经在实际中得到了运用，也是国外对冲基金和投资银行中运用的一种交易策略。
波动率或者相关性的统计套利与我们对股票或者股票组合的进行统计套利的思路一样，发现不同资产的波动率或者相关性的某种统计规律，或者说发现同一资产不同波动率与相关性之间的统计规律。
期货市场流动性、波动性相互影响的实证研究
二、 文 献 综 述
戴洁 （ ２ ０ ０ ４ ） 的研究指出， 我国股指期货市场属于典型的指令驱动市场 ， 它与传统报价驱动市场 的最 大 区别是 不存 在做 市 商 ， 所 有 市场 的交 易者通 过 限价指 令进 行 证券 交 易 ， 市 场 的流 动性 由交 易对
手提 供 ， 交易 对手 变相 承担 起做 市 商 的角色 。在 指令 驱动 市场 中的 限价订 单 簿含 有 大 量 的限 价订 单 ， Ｈ ａ ｓ ｂ ｒ ｏ ｕ ｅ ｋ 和Ｓ ａ ａ ｒ （ ２ ０ ０ ９ ） Ｅ ３ １ 指出这些订单包含交易者 的交易意愿 和交易数量等信息， 是潜 在的市场 流动 性 的载体 ， 对 市场 流动 性产 生重 要影 响 。 ０ ’ Ｈ ａ ｒ ａ （ ２ ０ ０ ４ ） 关于 市场 流动 性 的定义 ， 是指 交 易者 以合 理价 格迅 速 交 易一 定 数量 证 券 的能 力 ， 在流 动性 好 的市 场 ， 投 资者 可 以 以合 理 的价 格买入 或 者卖 出数 量较 多 的证 券 ， 并 且不 会 对价 格 产生 很
以及 投资 者适 当性 制度 等 ， 以严 防 期货 市 场 出现操 纵 和 大 幅 波动 风 险 。科 学 地 分 析 沪深 ３ ０ ０指 数 期 货 市 场 的流动 性状 况 ， 合 理 评估 流 动性 和波 动 性 之 间的 关 系 ， 对 于 正 确 评 价 股 指 期 货 市 场 的市 场 风 险， 为交易 所 提供 正确 的决 策依 据 ， 进 而促 进 市场功 能 的发挥 意 义重 大 。
范玉 良： 期 货 市场流 动性 、 波动 性相 互影 响 的 实证 研 究
期货市场的波动性特征也蕴涵着丰富的市场信息 ， 这些信息包括期货价格形成的内在机理 、 信息 传递方式及市场运行效率等。作为资本市场一项重大的制度创新 ， 我 国于２ ０ １ ０ 年 ４月 １ ６日 推 出沪深 ３ ０ ０指数 期货 合约 。在 推 出股 指期货 之 初 ， 监 管机 构 制定 了较 高 的保 证 金 比例 、 严 格 的风 险 控 制措 施
基差、成交量、波动率的关系
括 Y 的滞后项以及总套期保值量等。因此实证的目的是检ቤተ መጻሕፍቲ ባይዱ在控制了期货市场的总套期保
5
值量后，成交量和波动率与基差的关系怎样？
因此，如α11 > 0, α21 > 0 ，则假设 1 成立。若α12 > 0, α22 > 0 则假设 2 成立。若α11 > α12 ， 则假设 3 成立，若α21 > α22 ，则假设 4 成立。
Keywords: basis, volume, volatility, hedging pressure
1 感谢国家自然科学基金（NO. 70701011 市场参与者的风险厌恶态度对期市定价的影响以及应用研究 ） 资助。
1
背景 由于持仓成本的存在，一般而言期货价格会高于现货价格，但是现实中期货价格有时会
那么，套期保值压力效应除了对期货定价有影响外，还会如何影响期货市场的流动性和 风险特征。本文将沿着这个研究思路，从套期保值者向投机者支付风险溢价的角度来研究基 差、流动性和波动率的动态关系。
已有的文献从不同的角度研究了基差、成交量和波动率三者之间的关系，并给出了不同 的解释。
对于基差与波动率之间的关系，Chen et al.(1995)发现 S&P500 股指波动率的上升导致期 货市场基差的增加。Motladiile et al(2003)在 Chen et al(1995)的理论模型基础上发现：基差与 相应的股票指数波动率呈正相关关系。另一些涉及到期货市场波动率的研究则着重研究其与
4
来分享这块“蛋糕”，更多投机者参与的市场将导致更大的持仓量和成交量，而根据已有的 研究，更大的交易量将伴随更大的波动率。
持仓量和成交量在一定程度上都可以反映投机者的参与程度。但本文将只考虑成交量。 由于在实无法从总持仓量（总成交量）中分离出投机者的持仓量（成交量），因此只能使用 总持仓量（总成交量）来代替投机者持仓量（成交量）。在期货市场持仓量中，相当一部分 来自套期保值者，这种替代可能导致比较大的偏差；而从成交量看，投机者的交易频率远远 高于其他类型的市场参与者，且还有相当部分的日内交易者，因此期货市场的成交量大部分 来自于投机者，成交量比持仓量更能反映投机者的市场参与度。因此，提出如下假设：
期货交易中的波动率分析
期货交易中的波动率分析期货交易是一种金融衍生品交易方式，投资者通过买卖期货合约来获得市场波动的收益。
在期货交易中，波动率是一个非常重要的指标，它反映了市场价格的波动情况。
本文将探讨期货交易中的波动率分析。
一、波动率的定义和计算方法波动率是指价格的变动幅度，是衡量市场风险的重要指标之一。
在期货交易中，波动率可以通过以下两种方式来计算：1. 历史波动率：历史波动率是根据过去的价格数据计算得出的，可以反映市场过去一段时间内价格的波动情况。
常用的计算方法有标准差法、平均绝对偏差法等。
2. 隐含波动率：隐含波动率是指根据期货价格和期权价格反推出来的市场对未来波动率的预期。
通过期权定价模型，可以利用市场上的期权价格来计算得出。
二、波动率分析的意义波动率分析可以帮助投资者更好地了解市场风险，并制定相应的交易策略。
以下是波动率分析的几个重要意义：1. 风险管理：波动率是衡量市场风险的重要指标，高波动率意味着市场价格波动较大，投资者在交易中需要更加谨慎，采取适当的风险控制措施。
2. 交易策略：根据波动率的分析结果，投资者可以选择适合的交易策略。
当波动率较低时，投资者可以选择波动率策略，通过买卖期权等方式获利；当波动率较高时，投资者可以选择趋势跟踪策略，通过跟随市场趋势进行交易。
3. 市场预测：隐含波动率可以反映市场对未来波动率的预期，投资者可以通过分析隐含波动率来预测市场的走势。
高隐含波动率往往意味着市场对未来价格波动的预期较大，投资者可以根据这一信息进行布局。
三、波动率分析的应用实例以下是几个波动率分析在期货交易中的应用实例：1. 风险套利：根据历史波动率分析结果，投资者可以选择适当的期货品种进行风险套利。
当两个相关性较高的期货品种之间的历史波动率差异较大时，投资者可以通过买入低波动率品种，卖出高波动率品种，以获得波动率差价的收益。
2. 期权交易：隐含波动率在期权交易中起到了重要的作用。
投资者可以通过对隐含波动率的分析来选择适当的期权交易策略，例如选择卖出虚值期权来获取时间价值收益。
对我国有色金属期货指数与沪深300指数尾部风险相依性的研究--基于Copula-EGARCH模型
属期货与沪深300指数的尾部风险相依性。结果显示,3类有色金属期货皆与沪深300存在尾部风险
正相关，拥有同向大幅波动的可能性，且铜期货与沪深大盘的相依性最高。此外,t-Copula函数在刻
画有色金属与沪深300指数的尾部相关性上效果最佳。通过关注相关市场资产价格变化，投资者寻
找投资机会并优化资产配置分散风险，监管者与机构建立相应的数据统计系统以及时预测风险发生
*
汽易= atzt
（2）
p Ino? = s +》才亠 + I
i=l
q
D +》Bjlnof一j （3）
j=l
其中公式（1）为带ARMA项的均值方程,“为常数 项,0为AR项系数,A为MA项系数,&为残差项;公式（3） 为EGARCH方程,尺为条件方差,（»为常数项,a表示上 一期残差对本期的影响,0表示波动的持续性，y反映 杠杆效应。将£-1标准化得到瓷，作为EARCH项来
通过对已有文献的回顾发现，目前已有较多的文献 在刻画农产品与大盘指数之间的尾部风险关系时采用了 Copula函数,而针对有色金属期货市场与股票市场的研究 大多是采用波动模型来刻画整体收益率序列的相关性, 在对尾部风险相依性（即2个市场出现暴涨或暴跌极端情 况下收益率的风险相依性）刻画方面还有所欠缺。
从短期视角，有色金属一般在第二季度的消费量会 极大提升，此外全球疫后经济恢复持续进行，有色金属价 格仍存在较大提升空间，相关产业有望取得较好的市场 行情表现。从长期视角,在“十四五”“双碳”新的方向目
标指导下,铜将会作为新能源汽车开发与生产的重要金 属资源;铝方面,电解铝行业未来3~5年有望超越经济周 期延续高景气，新能源汽车、光伏等成为新的价格驱动因 素;锌方面，“能耗双控”对锌供给端的影响有限,随着炼 厂原料库存得到补充，未来精炼锌产量或将稳步提升。
有色金属国际期货市场价格联动效应演化分析——以铜、铝、锌为例
有色金属国际期货市场价格联动效应演化分析——以铜、铝、锌为例董晓娟;安海岗;董志良【摘要】近几年来,有色金属期货市场价格波动较大,尤其是对于交易较频繁的铜、铝、锌,交易风险不断加大.本文研究了有色金属期货价格联动关系的动力学特征,以铜、铝、锌为例基于回归分析构建了铜铝锌期货价格联动关系的两个有向加权网络,分析了价格网络中度分布、边权分布、中介中心度、接近中心度等网络拓扑结构及其演化特征.结果表明,2008～2018年铜铝锌期货价格联动关系较稳定于少数关键关系模式.通过对网络中边权进行分析,发现铜铝锌期货价格联动关系模式在一段时间内趋向于保持稳定.本文通过对网络的中介中心度和接近中心度进行分析,发现关键媒介节点的频繁出现有一定规律性,并且与市场价格趋势以及3种金属的联动关系特征有直接关系.因此,基于以上结果,本文提出了识别价格联动效应变化趋势的方法,并对该方法运用于投资提出了建议.【期刊名称】《复杂系统与复杂性科学》【年(卷),期】2018(015)004【总页数】10页(P50-59)【关键词】有色金属;时间序列;复杂网络;价格波动相关效应;回归分析【作者】董晓娟;安海岗;董志良【作者单位】河北地质大学管理科学与工程学院,石家庄050031;河北地质大学管理科学与工程学院,石家庄050031;河北地质大学管理科学与工程学院,石家庄050031【正文语种】中文【中图分类】F8310 引言从全球来看，中国是有色金属的最大生产国和消费国。
在中国，铜、铝、锌等有色金属应用十分广泛，尤其是涉及交通运输、电力、建筑等基础行业，也是期货投资的一大热点。
而近几年有色金属价格的强烈波动给有色金属的投资带来了巨大的影响，加大了其交易风险。
为了降低有色金属投资风险，有必要进行分散投资。
而降低风险的成效如何，与分散投资的期货品种组合选择有很大关系。
期货品种组合不同，其价格联动关系的差异会直接导致其对风险降低的效果的不同。
期货交易中的期货价格波动与波动率
期货交易中的期货价格波动与波动率在期货市场中，期货价格波动的幅度和频率一直是交易者关注的焦点。
期货价格波动的大小与市场波动率密切相关，而波动率又是期货交易风险管理中重要的指标之一。
本文将探讨期货价格波动与波动率的相关性，以及对交易策略的影响。
一、期货价格波动的原因与影响因素1.1 外部因素的影响期货价格波动主要受到市场供需关系、宏观经济环境、国际政治形势等外部因素的影响。
供需关系的变化导致合约价格的波动，宏观经济变化和国际政治形势的不确定性则对整个市场波动产生影响。
1.2 信息不对称和市场预期的影响信息不对称是期货市场中常见的现象，当相关信息对某些交易者不透明时，会导致价格波动加剧。
市场预期也是价格波动的重要因素，市场上对于未来的预期将会引导交易者的行为，从而进一步推动价格的波动。
二、波动率及其计算方法2.1 波动率的概念波动率是衡量市场价格变动的波动程度的指标，它反映了市场价格的不确定性。
波动率越高，代表市场价格波动的幅度越大，收益和风险也相应增加。
2.2 波动率的计算方法常见的波动率计算方法有历史波动率和隐含波动率两种。
历史波动率根据过去的价格走势计算，具体计算公式包括对数收益率、简单移动平均波动率、加权移动平均波动率等。
隐含波动率是指市场上期权的价格隐含的标的物未来价格的波动幅度，通过期权定价模型计算得出。
三、期货价格波动与波动率的关系3.1 波动率与期货价格波动的相关性期货价格波动与波动率之间存在着密切的相关性。
波动率较高时，价格波动幅度较大，交易风险也相应增加。
反之，波动率较低时，价格波动幅度较小，交易风险也较低。
3.2 波动率对交易策略的影响波动率的变动会对交易者的策略产生重大影响。
在波动率较高的市场中，交易者可以采取更加激进的交易策略，寻求更高的收益；而在波动率较低的市场中，交易者则应更加保守，防范风险。
四、期货价格波动与波动率的应用4.1 风险管理波动率作为评估期货市场风险的重要指标，对于交易者的风险管理非常关键。
国际铜价波动对铜陵铜产业的影响研究
国际铜价波动对铜陵铜产业的影响研究
王小娜;张三宝;刘琼;代金宏
【期刊名称】《铜陵学院学报》
【年(卷),期】2024(23)1
【摘要】文章基于LME期铜价格和铜产业链数据,利用VAR模型探究国际铜价波动对铜陵铜产业的影响。
结果表明:国际铜价波动与铜陵市铜产业上游电解铜产量、下游电子元件数量之间存在双向因果关系,与中游铜材产量之间存在单向因果关系;
国际铜价波动对铜陵市上游电解铜产量有强度不高但较为长期的正向影响,对下游
电子元件数量的影响虽有滞后但影响最大。
为降低国际铜价波动带来的冲击,铜陵
市需要联合上市公司形成国际铜价监测体系降低波动率风险,依托已有的基础骨干
企业完成铜产业链上中下游的有效衔接和整合,从自身资源禀赋出发构建良好的科
技创新融资环境。
【总页数】6页(P7-11)
【作者】王小娜;张三宝;刘琼;代金宏
【作者单位】铜陵学院金融学院
【正文语种】中文
【中图分类】F830.9
【相关文献】
1.我国铜产业现状及铜价影响因素分析
2.铜陵市承接铜产业转移障碍因素及其对策研究——基于铜产业生产要素视角
3.铜文化产业集群网络中的核心企业与创新—
—以铜陵铜基新材料产业集群为例4.铜价波动的影响因素研究5.铜陵成立铜产业产学研合作联盟产学研携手合作共同打造“千亿铜产业”
因版权原因，仅展示原文概要，查看原文内容请购买。
股指期货与现货指数的关联性分析——基于VAR模型
股指期货与现货指数的关联性分析——基于VAR模型张晓芳【摘要】以沪深300现货指数与沪深300股指指数作为研究对象,基于协整检验、Granger因果关系检验、向量自回归动态系统模型等方法研究了两者的关联性问题与相互影响等问题.结果表明沪深300股指期货与沪深300现货指数之间存在长期的均衡关系,存在着内生的关联性,并且期现货市场有着较强的价格发现功能.【期刊名称】《怀化学院学报》【年(卷),期】2015(034)011【总页数】4页(P31-34)【关键词】现货指数;股指期货;VAR模型【作者】张晓芳【作者单位】安徽财经大学数量经济研究所, 安徽蚌埠233030【正文语种】中文【中图分类】F08西方社会在20世纪30年代出现经济危机，各国股票市场遭受了很大的冲击，频频暴跌，一片惨淡.在这种背景下，人们开始寻求股指期货这一金融衍生品.1982年2月24日，世界上第一个股指期货合约——价值线指数由美国堪萨斯交易所（KCBT）推出，从此股票指数期货正式问世.随后，许多国家推出了股指期货，其交易在世界迅速发展起来.而我国的股指期货发展较晚，中金交易所于2006年10月30日正式发布了沪深300股指期货模拟交易价格指数数据，2010年4月16日正式推出沪深300股指期货，它可以规避现货市场的系统风险，从而保护广大投资者的利益，并能增加股票现货市场的流动性，提高我国证券市场的竞争力.它的推出代表了以股指期货交易为开端的中国证券业的一个新格局，有利于完善我国股票市场功能与机制，推动了我国股票现货市场的发展.股指期货在我国是一种创新的金融衍生工具，它的推出对于我国证券市场的发展具有重要的影响.通过研究分析期货市场与现货市场之间的关系，使投资者能够预测现货市场或期货市场的价格变化趋势，进而采取相应的措施，因而本文的研究对股指期货市场与股票现货市场之间的关系有着较为重要的现实意义.Zhong M，Darrat A F.和Otero R［1］（2004）采用EGARCH模型和协整检验研究了墨西哥股票指数与期货市场的价格发现功能及其相互作用；肖辉等［2］（2004）运用高频数据对S＆P500指数与股指期货的关系进行研究，表明股票指数和股指期货之间存在即时互动的关系，股指期货波动明显大于股指波动率；李华等［3］（2006）对日经指数对股票的现货市场的波动性进行了分析，研究发现在股指期货推出初期现货市场的反应较大，波动率较大，之后波动性逐渐减小；华仁海、刘庆富［4］（2010）利用沪深300仿真高频数据进行了实证分析，研究发现：股指期货和股指现货之间存在协整关系和双向价格引导关系，但是股指期货对股指现货的引导力度相对较大；史美景等（2007）［5］对香港恒生指数在股指期货推出前后现货市场的波动性进行了研究，发现在股指期货引入之前，波动性干扰在时间上的持续得比较长，而在股指期货引入之后，干扰因素对现货市场的波动性影响反应速度加快，市场的波动性降低；屈晶［6］（2015）运用协整检验、Granger因果检验以及误差修正模型等方法，研究了H沪深300股指期货价格与现货价格之间的影响关系，得到二者之间存在的长期均衡关系.本文以沪深300现货指数与沪深300股指指数作为研究对象，基于协整检验、Granger因果关系检验、向量自回归动态系统模型等方法研究了两者关联性问题与相互影响关系等问题.由于沪深300现货指数与其股指期货的价格之间可能存在互为因果关系，故需要进行Granger因果关系检验［6］.Granger在1969年提出因果关系检验，Sims于1972年将其推广.Granger因果关系是一种统计上的因果关系，两个变量X、Y 之间的格Granger因果关系定义为：在对X进行预测时，如果加入Y的信息能够降低X的预测误差，则称Y是X的因；反之，则称X是Y的因.现货指数和股指期货之间可能存在互动关系，利用向量自回归模型（VAR）可以分析它们之间的关系.VAR模型由Sims提出，在该模型中，每个被解释变量都对自身和其他被解释变量的滞后期的值进行回归，如果滞后阶数为k，则VAR模型的一般形式表示为：对某一个变量的全部滞后期系数的检验能判断该变量是否对被解释变量有显著影响，但它不能计算出这种影响发生作用所需要的时间以及这种影响的方向问题.针对该问题，本文采用脉冲响应分别分析股指期货和现货指数对单位冲击的响应.2.1 数据说明本文选取沪深300股指期货当月连续合约的日收盘价，因为在当月、下月、当季、下季四种合约中，当月合约成交量最大、最具有代表性；现货指数选取的是沪深300指数的日收盘价，样本区间为2010年4月16日到2015年6月18日共1256个数据，来源于大智慧软件.本文用GZ表示沪深300股指期货交易数据，用XH表示沪深300指数，为消除时间序列的异方差问题，对原始数据取对数，分别记为ln GZ和ln XH.2.2 实证分析过程2.2.1 平稳性检验如图1所示，沪深300指数股指期货（ln GZ）和现货指数（ln XH）价格无论是短期还是长期走势总体趋于一致，这说明股指期货和现货指数有可能存在相互依存关系.在用时间序列数据进行建模时，如果所用的数据不是平稳的，就容易出现“伪回归”现象，这样回归方程就没有实际意义了.使用VAR模型的一个重要前提是变量数据序列必须是平稳，因此本文首先对沪深300指数股指期货和现货指数价格序列进行平稳性检验.本文采用ADF检验时间序列的平稳性.对股指期货指数变量ln GZ进行ADF单位根检验，分别进行零阶和一阶的平稳性检验后，得出ln GZ是一阶平稳时间序列.同样，对现货指数变量ln XH进行单位根检验，发现ln XH也是一阶平稳序列，检验结果如表1所示.结果表明ln GZ和ln XH均为一阶单整，从而可以考虑它们之间是否存在协整关系.2.2.2 EG协整检验采用Engle和Granger在1978年的提出的协整检验方法，对回归方程的残差进行单位根检验.如果自变量和因变量之间存在协整关系，则因变量能被自变量线性表示，两者之间存在长期的均衡关系；而不能被自变量解释的部分表示成残差序列，且该序列应该是白噪声序列.首先建立如下回归方程：用OLS估计后得到（括号内为估计标准误）：提取残差序列t，进行单位根检验，发现在三种模型形式下，序列t均在1%的显著性水平拒绝原假设，因此可确定t为平稳序列，故可以得出：ln GZ和ln XH之间存在协整关系，表明ln GZ和ln XH存在着长期稳定的关系，也就是说股指期货和现货指数这两个一阶单整的序列存在长期的均衡关系.2.2.3 Granger因果关系检验Granger因果关系检验的前提条件是：数据一阶平稳，且变量之间应存在协整关系.由协整检验知，股指期货价格和股票指数满足这两个条件，故可以直接对他们进行Granger非因果关系检验.通过检验可以得到股指期货价格与现货指数之间的因果关系，检验结果见表2.由表2可知，两个原假设概率分别为0.0226和0.0072，均小于0.05，故可以说：ln GZ是ln XH的Granger原因，同时ln XH也是ln GZ的Granger原因，即在5%的显著水平下，沪深300指数和沪深300股指期货具有双向的Granger因果关系，表明股指期货和现货指数都具有价格发现功能，但是股指期货的价格发现功能更为显著.2.2.4 VAR模型及脉冲响应分析在建立向量自回归模型，选取滞后阶数p时，p足够大能够完整地反映所建立的模型的特征和更全面的信息；但是p越大，模型的参数越多，自由度减小，影响模型参数估计量的精确性.模型的最优滞后期的选择准则为：对不同的滞后期进行检验，直到AIC或SC取得最小值，这时的滞后期为最优的滞后期，所构建的VAR模型也就是最优的.本文通过检验，发现滞后两期得出的模型是最优的.利用Eviews求出（4）式表示的VAR模型：脉冲响应分析［6］是用来研究一个静态模型的某个变量受到某种冲击后，对整个系统的动态影响，其原理是反映随机干扰项的一个单位的冲击对内生变量当期和未来的取值的影响，展现了一个内生变量对来自另一个内生变量的一个单位冲击产生的响应，提供系统受冲击所产生响应的正负方向、稳定过程等信息.本文分别对当期的ln GZ、ln XH加一个单位的冲击，观察ln GZ、ln XH对所受的冲击产生的响应.由图2可知，沪深300股指期指的价格受到现货指数一个标准差的冲击后，滞后1期产生的价格变动幅度为0.0148，随后的变动幅度一直维持在0.0145左右；对ln XH分析可知，现货指数的价格受到期指价格一个标准差的新息冲击后，滞后1期产生的价格变动幅度约为0.0041，后期波动幅度不大，并渐渐趋于稳定.由此可以看出，期货价格对现货价格带来的冲击反映更为灵敏，冲击作用也更为持久和强烈；同时，股指期货对现货指数价格的冲击作用较弱，侧面体现了现货指数的价格发现能力较弱.本文以沪深300现货指数与沪深300股指期货指数作为研究对象，基于协整检验、Granger非因果关系检验、向量自回归模型等方法研究了两者的联动关系和相互影响问题，研究表明沪深300股指期货指数和沪深300现货指数的时间序列数据具有协整关系，也就是说这两者之间存在着长期的均衡关系，意味着股指期货被引入我国证券市场，有充分的条件实现它的价格发现功能，是一种重要的投资工具.沪深300股指期货指数的价格波动和沪深300指数的价格波动之间具有较强的相关关系，上涨和下跌趋势基本保持一致，这表明沪深300股指期货和现货指数价格之间存在内生的关联性.通过Granger因果关系分析检验，可以得出期、现货市场存在明显的价格引导关系.股指期货是在现货市场的基础上发展起来的，是金融工具的一种创新，也是风险管理的有效工具.股指期货市场和现货市场有着较强的联动性，因此促进二者的良性互动发展对我国资本市场的进一步发展有着重大意义.【相关文献】［1］ZhongM.Darrat A F.和Otero R price discovery and volatility spillovers.In index futures markets：Some evidence from Mexico［J］.Journal of Banking＆Finance 2004，28（12）：3037－3054.［2］肖辉，昊冲锋.股指与股指期货日内互动关系研究［J］.系统工程理论与实践，2004（5）：15－21.［3］李华，程婧.股指期货推出对股票市场波动性的影响研究——来自日本的实证分析［J］.金融与经济，2006（2）：81－83.［4］史美景，邱长溶.股指期货对现货市场的信息传递效应分析［J］.当代经济科学，2007（4）：27－31.［5］华仁海，刘庆富.股指期货与股指现货市场间的价格发现能力探究［J］.数量经济技术经济研究，2010（10）：90－100.［6］高铁梅.计量经济分析方法与建模［M］.北京：清华大学出版社，2006.。
基于贝叶斯因子模型金融高频波动率预测研究
基于贝叶斯因子模型金融高频波动率预测研究罗嘉雯;陈浪南【摘要】构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.%The realized volatilities of China's financial futures is forecasted by constructing a Bayesian factor augmented heterogeneous autoregressive model (DMA (DMS)-FAHAR) with time-varying parameters and stochastic volatility.The Bayesian inference is employed to obtain the latent factors of the daily,weekly,and monthly predictor sets including the lagged volatility variables,jump variables,and signed jump variables.Speculation variables are used to investigate the impact of speculation activities on the volatilityforecast.The results suggest that the Bayesian factor augmented HAR model performs best for short-term,mid-term,and long-term forecasts among all candidate forecast models.Meanwhile,the time-varying Bayesian HAR models have superior forecast performances compared with the fixed parameter HAR models.In addition,better forecast performances areachieved after incorporating the speculation variables into the forecast models for both the stock index futures and the Treasury futures.【期刊名称】《管理科学学报》【年(卷),期】2017(020)008【总页数】14页(P13-26)【关键词】已实现波动率的预测;HAR模型;金融期货;时变性;潜在因子【作者】罗嘉雯;陈浪南【作者单位】华南理工大学工商管理学院,广州510006;中山大学岭南学院,广州510275【正文语种】中文【中图分类】F833-5中国的金融期货起步较晚. 2010年4月16日，中国首次推出融资融券业务和沪深300股指期货，双向交易在沪深股票市场成为可能. 2013年9月6日，停牌近18年的国债期货合约的上市交易宣告了中国国债市场重新进入双边市场时代. 金融期货市场的建立为投资者提供了规避市场风险的有效对冲场所. 然而，金融期货本身的稳定是其能够作为对冲场所的前提条件. 因此，准确预测金融期货的波动性(率)对于投资者从事资产定价、构建资产组合和进行风险管理是至关重要的.传统文献通常运用低频GARCH模型对低频波动率进行预测[1]. 随着金融高频/超高频数据的可获得程度的提高，利用基于日内高频金融数据估计的已实现波动率(realized volatility 或RV)进行建模逐步成为该领域研究的主导并得到广泛认可. 在RV的基础上，Corsi[2]提出异质自回归(heterogeneous autoregressive，HAR)模型，即在已实现波动率的自回归方程中引入日、周、月已实现波动率变量作为预测变量，对已实现波动率进行预测. 由于HAR模型具有灵活的线性模型结构，估计方法简单且获得更好的预测效果，不少学者在HAR模型的基础上作进一步的拓展. 例如， Corsi 等 [3,4]分别在HAR-CJ模型中考虑门限效应和波动率的杠杆效应，构建HAR-TCJ和LHAR-CJ模型对已实现波动率进行预测. Huang 等[5]结合已实现GARCH模型和HAR模型构建已实现HAR-GARCH模型. 部分国内学者也应用最新发展的HAR模型对我国金融市场的高频已实现波动率进行预测，如文凤华等[6]考虑波动率的杠杆效应和量价关系，建立了LHAR-RV-V模型并对波动率进行预测. 陈浪南等[7]在HAR-GARCH模型和HAR-CJ模型基础上建立了自适应的不对称的HAR-CJ-D-FIGARCH模型并对我国股票市场波动率进行预测. 吴恒煜等[8]构建包含跳跃和马尔可夫机制转换结构的HAR模型，并认为区分跳跃和结构转换特征的模型可以显著提高HAR模型预测能力. 从以上文献来看，大部分文献都假定系数和预测变量集不随时间变化， Liu等[9]及Choi 等[10]均认为假定预测模型的系数和预测变量集不随时间而变，不仅损失了模型的灵活性，也容易造成预测偏误. 尽管部分文献[8]在建模中加入马尔科夫机制转换结构消除结构断点的影响，但他们并未考虑不同预测变量的预测能力有可能会随着时间的变化而变化. 近年来发展的贝叶斯时变预测模型为解决此类问题提供了很好的思路和方法，如，Cogley等[11]及Primiceri[12]提出的基于状态空间模型建立参数随时间逐步演化的时变参数(time-varying parameter, TVP)模型. Raftery 等 [13]在TVP模型框架基础上提出运用动态模型平均(dynamic model averaging, DMA)和动态模型选择(dynamic model selection, DMS)的方法筛选有效的预测变量，并应用于工程学预测. Koop等[14]将DMA和DMS方法应用于宏观经济预测领域，并实证证明了DMA/DMS估计方法相对于TVP模型的优势. Groen 等[15]通过引入隐变量对模型的不确定性进行建模，即基于该隐变量对每一时期的预测变量进行筛选，并运用该模型对多个宏观变量进行预测. Koop等 [16]通过贝叶斯因子模型提取多个金融变量中的重要信息，并用以预测宏观经济变量. Kalli等 [17]提出贝叶斯时变稀疏性(TVS)模型，通过模型参数先验分布设定使得不重要的预测变量可以衰减为0. Audrino等[18]提出运用套索方法预测变量进行筛选. 从以上文献来看，大部分的贝叶斯时变模型方法均运用于宏观经济变量如通货膨胀率、GDP等的预测，但较少的文献将其运用于金融资产的高频波动率的预测当中.从现有文献来看，大部分基于HAR建模的已实现波动率模型均假定系数和预测变量集不随时间变化，然而，由于政策变动以及外部冲击等诸多因素的影响，金融市场收益的波动率在不同时期通常会呈现不同的特征，即存在结构断点. 运用定参数模型对已实现波动率进行预测容易造成预测偏误. 而从现有的贝叶斯时变方法来看，DMA方法和DMS方法基于最初的TVP方法进行建模，通过包含概率对预测变量进行筛选，并可以灵活嵌套于线性和非线性模型之中. 此外，相对于其他贝叶斯时变方法(如TVS和Lasso方法)，DMA方法和DMS方法可以通过设置遗忘因子，结合卡尔曼滤波方法对时变参数进行估计，降低在贝叶斯MCMC推导中高维参数模型的运算量.因此，结合DMA方法和DMS方法建立具有时变参数和随机方差的贝叶斯动态潜在因子HAR模型(DMA-FAHAR模型和DMS-FAHAR模型)，其中DMA方法是在每个时点根据不同预测模型的预测效果并计算不同模型的权重，再进一步通过加权平均获得预测结果，而DMS方法在每个时点选出最优的预测模型作为该时点的预测模型. 此外，市场的投机活动也是影响市场波动的主要要素，其中Lucia等[19]提出投机活动对期货市场波动率有重要影响，陈海强等[20]提出期货市场的投机活动活跃程度会对市场跳跃有影响. 因此，考虑市场的投机活动会对市场的未来波动行为产生影响，因此，首次在波动率预测模型中加入投机活动变量，以考察市场投机活动变量对高频波动率预测的影响.运用以上模型对中国期货市场(主要是股指期货和国债期货)的高频已实现波动率进行预测.主要贡献如下, 1)首次结合贝叶斯时变模型方法和高频波动率预测模型——HAR模型构建参数和预测变量均可时变的已实现波动率预测模型，模型具有更大的灵活性并可以消除潜在截断点对预测的影响，并可以获得更好的预测效果. 2)构建多个包含门限效应和杠杆效应的高频波动率和跳跃变量，并通过构建贝叶斯潜在动态因子模型提取预测变量集的主要信息，并引入预测模型，从而获取更好的预测效果并不会带来过度参数化的问题. 3)首次考虑市场投机活动对期货市场波动率预测的影响，以交易量和持仓量的比例作为投机活动的代理变量，利用时变包含概率和预测效果比较分析投机活动对期货市场高频波动率预测效果的影响.采用已实现波动率作为股指期货波动率的代理变量. 假设日内价格Pt的观测频率为δ，δ等于观测间隔(如5 min)与每日交易时间之比，1/δ表示每日价格的观测次数，可得日内收益率为rt=100×(ln Pt-ln Pt-δ)，通过计算日内收益率的平方和即可得到每日的已实现波动率Barndorff-Nielsen等[21]通过建立已实现二次幂变差(realized bi-power variation)得到对跳跃稳健(jump-robust)的波动率变量，并获得跳跃的估计，已实现二次幂变差可以表示为当等[3]在BPV的基础上进一步提出门限二次幂变差 (threshold bipower variation，TBPV)，从而消除小样本观测值在不连续状态下存在的正向误差对BPV收敛性的影响. TBPV的计算公式为ϑjδ}其中其中cϑ是校准门阀常数，是用于计算局部方差的非参迭代滤子. 依据Corsi等 [3]的论述，设定通过Barndorff-Nielsen等[21]和Corsi等 [3]提出的C_Zt和C_TZt统计量*其中，和ϑ(j-1+k)δ}.可以得到跳跃的一致估计，并计算出波动率的连续成分.C_Zt=C_TZt=从而可以分离出波动率的连续成分和跳跃连续成分Barndorff-Nielsen等 [22]提出的已实现半变差，将已实现波动率分解成正的收益波动成分和负的收益波动成分，从而在波动率预测中可以考虑到杠杆效应的影响. 已实现半变差的计算过程如下并有RV=RS-+RS+，且ΔJ=RS+-RS-表示符号跳跃变差(signed jump variation) 假设RM是已实现波动率的估计量，定义其中RMt,5表示已实现波动率的周估计量，RMt,22表示已实现波动率的月估计量. 主要采用Corsi[2]的标准HAR模型，Andersen 等 [23]， Corsi 等 [3]提出的带跳跃成分HAR-CJ模型和门阀跳跃成分的和HAR-TCJ模型以及Patton等[24]的提出的加入符号跳跃变量和已实现半变差的HAR-ΔJ模型这四种具有代表性的HAR族模型对波动率进行预测(见式(6)).基于这四种模型，结合Raftery 等 [13]提出的DMA和DMS方法，Koop等 [16]提出的时变动态潜在因子模型，建立贝叶斯HAR潜在因子模型. 潜在因子根据贝叶斯推导确定，具体模型如下上述模型可以定义为DMA(DMS)-FAHAR模型,其中Xt为n×1维向量，包含了HAR模型，HAR-CJ模型，HAR-TCJ模型，以及HAR-ΔJ模型中所有可能的预测变量，即，Xt=(BPVt,TBPVt,Ct,TCt,Jt,TJt,ΔJt). Ft 为潜在因子变量，通过估计Ft 可以提取预测变量集中的主要信息.和为对应的滞后潜在因子.此外，考虑投机活动对期货市场波动率有重要影响. 根据Lucia等 [19]，加入基于未平仓合约和交易量建立的投机活动衡量指标，即Xspec=.Xspec的值越大，说明市场的投机交易活动越活跃. 进一步构建包含投机活动变量的贝叶斯动态潜在因子模型DMA-FAHAR-spec，其中Xt=(BPVt,TBPVt,Ct,TCt,Jt,TJt,ΔJt,Xspec).假设为Xt包含不同预测变量情况下所有可能的子集，对于包含m个预测变量的模型，预测变量的子集个数有K=2m个(定义为M1,…，MK).是潜在因子模型中的因子载荷. ct为常数, B1,t,B5,t和B22,t分别对应日、周、月预测元(预测元包含滞后的RV和潜在因子)向量的系数矩阵，为因子模型方程的时变扰动项方差，为预测方程扰动项的时变方差.定义系数向量βt=(,vec(B1,t)′,vec(B5,t)′,vec(B22,t)′)′ ，根据状态空间模型定义系数的时变性，则有其中为因子载荷迭代方程中的扰动项方差，为系数向量迭代方程中的扰动项方差. 运用MCMC推导方法对模型参数和潜在因子进行估计，待估的时变参数为θt={βt,λt,Vt,Qt,Wt,Rt} . 具体的估计步骤为，1)设置所有模型参数的初始值，各参数的初始值设置如下.f0～N(0,4)，λ0～N(0,4×IN)，β0～N(0,Vmin)，V0≡1×InQ0≡1×In, π0≡其中Vmin服从Minnesota先验分布,对于常数项，Vmin=4，对于日、周、月的变量，Vmin=4/r2， r=1, 5 or 22.2)在给定情况下，抽取时变参数θt.①根据指数加权平减法(EWMA)估计出时变方差矩阵Vt,Qt,Wt,Rt；②根据卡尔曼滤波方法估计时变系数βt,λt;③在给定时变参数θt情况下，抽取动态因子Ft.基于不同的预测变量集Xt的子集，可以建立不同的预测模型. 进一步运用DMA和DMS方法对不同预测模型进行筛选，其中DMA方法是在每个时点根据不同预测模型的预测效果并计算不同模型的权重，再进一步通过加权平均获得预测结果，而DMS方法在每个时点选出最优的预测模型作为该时点的预测模型.给定初始权重值等 [13]提出运用遗忘因子α推导出权重值的预测方程.概率的迭代更新方程为其中 pl(RVt|RVt-1)为第l个子模型的似然函数值. 因此，通过式(10)和式(11)的更新迭代方法可以计算出每个时期包含模型k的概率在DMA方法下，通过运用概率对不同预测模型的预测值进行加权平均获得已实现波动率的预测值，而在DMS方法下则通过选择在t时期时具有最大的概率的单个模型作为t时期的预测模型. 定义则已实现波动率在这两种方法下的h期预测值分别为where，{k∶πt|t-h,k=max{πt|t-h,1,…,πt|t-h,l,l=1,…,K}}采用中国沪深300股指期货和中国国债期货每5分钟的高频数据. 沪深300股指期货样本期包括从股指期货第一天上市交易(2010年4月16日)到2015年6月30日一共1 263个交易日，而中国国债期货的样本期包括从国债期货第一天上市交易(2013年9月6日)到2015年6月30日一共440个交易日. 数据来源为万得数据库. 股指期货和国债期货的日交易区间为9:15到15:15，每五分钟的日内数据为54个.表1列出所有变量的统计分析. 如表1所示，股指期货的波动率均值和标准差均比国债期货大，说明股指期货市场的交易波动比国债期货市场大. 同时根据投机活动指标来看，股指期货的投机活动更为活跃. JB统计量和峰度偏度统计量表示所有变量都不服从正态分布，显现出金融时间序列普遍的尖峰厚尾的特征. 同时Ljung-Box指数表示收益和波动率以及跳跃变量都有着较强的自相关性，显示出长记忆性的特征. 同时ADF统计量表示所有变量均是平稳序列.由于已实现波动率RV的估计是无模型形式，所以无法根据传统的数据生成过程(DGP)生成已实现波动率RV的模拟序列. 根据Audrino等 [18]，根据以下数据生成过程进行蒙特卡罗模拟，从而对模型估计方法的稳健性进行验证. 运用最基本的HAR模型(Corsi[3])进行数据模拟，验证DMA方法和DMS估计方法对HAR族模型的参数估计的有效性. 以股指期货样本为例，蒙特卡罗模拟的步骤具体如下.1)基于股指期货全样本数据估计HAR模型(见式(6)的第一个模型)的参数.①运用OLS估计方法估计HAR模型得到估计系数模型可以写成带约束的VAR(22)模型，根据系数写成VAR(22)模型的系数②计算模型的非条件均值和非条件方差是滞后i阶的自方差2)利用HAR模型生成模特卡罗模拟样本.①从正态分布中抽取x1, (x22)②根据模型(6)通过迭代运算得到x23,…,x2 000，取后1 000个模拟数据进行模拟运算；③运用DMA方法估计出HAR模型中各预测变量的时变包含概率.通过对第二步重复1 000次，并获得1 000个蒙特卡罗模拟结果.图1显示蒙特卡罗模拟下HAR模型的滞后日、周和月波动率的时变包含概率. 其中中间的线是1 000次蒙特卡罗模拟的中位数值，而上下两条实线分别是75%和25%的区间线. 从结果来看，1 000次蒙特卡罗模拟下HAR模型的日、周和月滞后波动率变量的包含概率均在较小范围内浮动，证明运用DMA方法可以有效估计HAR模型的时变参数并筛选出合适的预测变量. 而DMS方法与DMA方法运用相同的包含概率，所以同理也可以证明DMS方法是有效的.对于DMA和DMS模型，对应m维的预测变量集的子集总个数为K = 2m. 根据模型设定，模型中的预测变量集为Xt=(BPVt,TBPVt,Ct,TCt,Jt,TJt,ΔJt,Xspec)，因此，子模型的总个数为28=256. 结合两种贝叶斯时变模型方法(动态模型平均(DMA)和动态模型选择(DMS))，建立DMA-FAHAR-spec模型和DMS-FAHAR-spec模型. 根据模型设定，模型系数和预测变量集可以随着模型结构的变化而变化，从而消除未知截断点对预测效果的影响. 根据全样本分析预测变量集的时变规模和不同预测变量的时变包含概率. 计算DMA和DMS模型的时变包含概率是贝叶斯HAR族模型估计的关键，其中DMS模型与DMA模型具有相同的包含概率. 对于DMS模型，根据DMA模型计算的包含概率在每个时点选出最大包含概率的子模型进行预测. 对于DMA模型，第k个预测变量的包含概率(PIP)可以定义为其中为第k个子模型sub_Mk被包含在预测模型中的贝叶斯概率，可以根据第1部分中式(10)～式(11)的迭代计算得到，而I(·)是示性函数，当括号内的条件被满足时候取值为1，其余情况取值为0.图2显示股指期货(图2(a))和国债期货(图2(b))DMA-FAHAR-spec模型中不同预测变量的时变包含概率. 更大的包含概率值表示该变量具有更好的预测能力，即该变量包含了更有用的预测信息. 根据Koop等[14]的论述，当包含概率值大于0.5时，该预测变量可以认为是好的预测变量. 因此，可以根据每个预测变量的包含概率大于0.5的时期来判断好的预测变量. 如图2(a)所示，对于股指期货样本，各预测变量在不同时期表现出不同的预测能力，其中带门限效应的波动率变量和跳跃变量(包括TBPV、TC和TJ)在大部分时期内的包含概率大于0.5，表现出较强的预测能力，投机活动变量Xspec在股指期货推出初期以及2011年至2013年期间较长一段时期内的包含概率大于0.5，表现出较强的预测能力. 如图2(b)所示，对于国债期货样本，在国债期货推出后的初期，各预测变量的预测能力均衡，稳定在0.5. 而在随后的样本期内，各预测变量的包含概率的时变趋势表现出较大的起伏. 从整体来看，波动率变量(BPV和TC)，跳跃变量(J和TJ)在较长一段时间内具有较大的包含概率，表现出较强的预测能力. 而投机活动变量在样本期末期表现出较强的预测能力.基于DMA和DMS方法构建了具有时变参数和时变预测变量集的贝叶斯HAR潜在因子模型，并利用贝叶斯潜在因子方法减少模型参数维度. 为了评价新创建模型的预测效果，同时建立了一系列的比较模型，如结合DMA和DMS方法和包含式(6)中的所有模型预测变量构建的贝叶斯HAR模型(DMA(DMS)-HAR模型)以及结合TVP方法的TVP-FAHAR族和TVP-HAR族模型. 同时，为了证明投机活动对期货市场波动率预测的影响，去除投机活动变量建立DMA(DMS)-FAHAR模型以及在基础的DMA(DMS)-HAR模型中加入日、周和月投机活动变量构建DMA(DMS)-HAR-spec模型. 此外，以经典文献中提到的标准HAR模型[2]，HAR-CJ模型 [23]和HAR-TCJ模型 [3]以及HAR-ΔJ模型 [24]作为基准参考模型. 运用以上模型对我国股指期货和国债期货的已实现波动率进行短期、中期和长期预测，预测期包括向前1期(h=1)，向前5期(h=5)和向前22期(h=22)，分别对应一天、一周和一个月.把股指期货和国债期货的样本期分成两个部分，分别约占整个样本期的2/3和1/3. 其中股指期货的样本内时期(定义为T1)从2010 年4月16日～2013年10月14日一共863个样本值，样本外时期从2013年10月15日～2015年6月30日包含最后的400个样本值. 与之类似，国债期货的样本内时期(定义为T2)从2013 年9月6日～2014年11月24日一共290个样本数，样本外时期从2014年11月25日～2015年6月30日一共150个样本值. 先利用Patton[25]提出的稳健损失函数对不同预测模型的样本外预测表现进行比较. 根据Patton[25]的设定，选取四种不同的损失参数b=0，b=-2，b=-1和b=1，其中b=0，b=-2，分别代表传统的MSE和QLIKE损失函数，b=-1代表齐次损失函数，b=1代表正向损失函数. 表2和表3分别显示基于不同损失函数股指期货波动率的样本外预测结果和国债期货波动率的样本外预测结果，损失函数值越小表示模型的样本外精度越高. 本文对最优预测模型的结果进行加粗显示. 根据表2中损失函数的比较结果，从大部分的损失函数来看，对于股指期货波动率的预测， DMS-FAHAR-spec模型具有最优的短期、中期和长期预测效果. 根据表3中损失函数的比较结果，对于国债期货，所有损失函数显示DMA-FAHAR-spec模型具有最优的短期和中期预测效果，而DMS-FAHAR-spec具有最优的长期预测效果. 对比包含投机活动变量的贝叶斯潜在因子模型和不包含投机活动变量的贝叶斯潜在因子模型，投机活动变量的引入明显改善了股指期货和国债期货贝叶斯HAR潜在因子模型的短期、中期和长期的样本外预测效果. 进一步对比包含投机活动的贝叶斯HAR模型和不包含投机活动的贝叶斯HAR模型，发现投机活动变量的引入改善了股指期货贝叶斯HAR模型的短期样本外预测能力，并且改善了国债期货贝叶斯HAR模型的短期、中期和长期样本外预测能力. 因此，从整体来说，投机活动变量的引入改善了贝叶斯HAR时变模型的预测能力. 从结合DMA/DMS方法的HAR族模型和结合TVP方法的HAR族模型的比较来看，DMA(DMS)-HAR族模型比TVP-HAR族模型具有更优的样本外预测效果. 此外，比较贝叶斯时变模型和基础HAR模型的预测精度，发现结合贝叶斯时变参数方法建模在很大程度上提高了基础HAR模型的样本外预测精度.由于Patton[25]提出的损失函数法是基于样本外时期的所有损失函数值的平均值对不同预测模型进行预测精度比较，因此，该方法的缺陷是容易受到某些异常值的影响. Hansen 等[26]提出的模型置信区间法(MCS)通过假设检验方法选取最优模型集，并被广泛运用于波动率预测的检验之中[27]. 选取MSE和QLIKE损失函数作为MCS检验的损失函数，通过10 000次bootstrap抽样计算出拒绝原假设的p值，p值越大，代表该预测模型包含于最优预测模型集的概率越大. 表4和表5分别显示股指期货和国债期货基于TR 和TSQ统计量的MCS结果. 设立两种置信区间α=0.5和α=0.25，代表预测模型被包含于和之中，分别用**和*进行标记.如表4所示，对于股指期货，基于MSE和QLIKE损失函数的MCS检验结果均显示DMS-FAHAR-spec模型具有最优的短期和中期预测效果，对于长期预测模型，基于MSE损失函数的MCS检验结果显示DMA-FAHAR-spec模型具有最优的预测精度，而基于QLIKE损失函数的DMS-FAHAR模型具有最优的预测精度. 此外，从MSE损失函数的MCS检验结果来看，贝叶斯潜在因子模型模型基本都在50%或75%的置信区间内被包含入最优预测模型集. 从QLKE损失函数的MCS检验结果来看，短期预测模型中只有DMS-FAHAR族模型和DMS-HAR族模型被包含入最优预测模型集，而在中期预测模型和长期预测模型中，只有DMS-FAHAR族模型被包含入最优预测模型集. 因此，贝叶斯潜在因子模型在股指期货的中期和长期的预测显示出较大的比较优势.如表5所示，对于国债期货，基于MSE损失函数和QLIKE损失函数的MCS检验结果均显示DMA-FAHAR-spec模型具有最优的短期预测效果和DMS-FAHAR-spec最优的长期预测效果，而基于MSE损失函数的MCS检验结果显示DMA-FAHAR-spec模型具有最优的中期预测效果，而基于QLKE损失函数的MCS检验结果分别认为DMA-FAHAR模型具有最优的中期预测效果. 对于长期预测模型，只有贝叶斯因子模型在50%或25%的置信区间内被包含入MCS，这显示，贝叶斯因子模型具有较大的预测优势，而对于短期和中期模型，大部分的预测模型都被包含入MCS，显示这些模型具有较为相似的预测能力. 因此，贝叶斯潜在因子模型在国债期货的长期预测中显示出较大的比较优势.综上所述，根据四种稳健的损失函数判断和MCS方法判断，对于股指期货波动率，DMS-FAHAR-spec模型具有最优的短期、中期和长期样本外预测能力，而对于国。
基于DCC-GARCH模型的股指期货收益率r动态相关性和风险溢出效应研究
基于DCC-GARCH模型的股指期货收益率r动态相关性和风险溢出效应研究方杰【摘要】运用DCC-GARCH模型研究了2015年5月至2016年5月间我国的沪深300指数期货(IF)、中证500指数期货(IC)和上证50指数期货(IH)收益率的动态相关性和风险溢出效应.研究表明:在市场出现系统性风险的情形下,并未出现动态相关性增大的情况.在风险溢出效应的研究中,IC对IF的风险溢出效应为正;IF对IH 的风险溢出效应为正;IC对IH的风险溢出效应为负;IF对其自身的风险溢出效应为正.【期刊名称】《通化师范学院学报》【年(卷),期】2018(039)006【总页数】4页(P39-42)【关键词】风险溢出;动态相关性;DCC-GARCH【作者】方杰【作者单位】福建江夏学院金融学院福建福州350000【正文语种】中文【中图分类】F830.9;O291 GARCH类模型简介Engle（1982）提出了ARCH模型，能够很好地捕捉金融时间序列的波动聚集的特征，其后Bollerslev（1986）对其进行了扩展，提出了GARCH模型.然而在实际中很多市场存在波动的溢出效应，于是Bollerslev（1988）等将GARCH模型扩展到多变量的GARCH模型，从而能够反映多市场的波动特征，其中具有代表性的包括VECH模型、对角VECH模型、BEKK模型.但是这些模型研究的重点放在条件协方差矩阵上，并未体现市场波动相关性的时变特征，并且存在估计参数过多的问题.在此基础上，Bollerslev（1990）从相关性入手，提出了固定条件相关性GARCH（CCC-GARCH）模型，Engle（2002）提出了动态条件相关性GARCH（DCC-GARCH）模型，该模型能够更好地刻画波动溢出效应和信息传递过程，因此在实际研究中得到了广泛的应用［1-6］.DCC-GARCH假设k种资产的收益率向量rt服从均值为0，协方差矩阵为Ht的多元正态分布，即rt|Ωt-1～N(0,Ht).协方差矩阵可以分解为Ht=DtRtDt.其中，Dt是条件标准差组成的对角阵；Rt是条件相关系数矩阵.同时为了保证模型的正定性，对DCC-GARCH进行如下设定：其中，S为标准化残差εt的无条件相关系数矩阵；⊙代表Hadamard乘积，即两矩阵对应元素相乘；Qt是正定的协方差矩阵；ωi, κi,λi, α, β为待估参数.假设收益服从多元正态分布，这一假设是使用最大似然估计的前提.DCC-GARCH模型的估计过程分为两个阶段：①使用一元GARCH模型对各变量进行估计；②使用前一步骤所得的标准化残差来估计条件相关系数.2 实证研究2.1 数据来源及处理本文采用已上市的金融期货中的沪深300指数期货（IF）、中证500指数期货（IC）和上证50指数期货（IH）价格为研究对象.鉴于使用GARCH方法对波动性进行估计，在数据的选取上，使用2015年5月4日至2016年5月27日的上述股指期货主力合约每15分钟的收盘价数据，同时剔除“熔断机制”生效的若干交易日的异常价格数据，最终获得三个股指期货品种的4210组日内数据，数据来自通达信.本文主要对三个股指期货品种的收益率进行分析，需要对前述的收盘价数据进行对数差分操作，进而得到高频的收益率数据，表达式为由于每个交易日的交易时间为4小时，因此上述的高频收益率可以相应转化成日收益率，计算公式为2.2 基本统计特征对沪深300指数期货、中证500指数期货和上证50指数期货的日收益率进行基本统计分析.结果如表1所示.表1 日收益率序列的描述性统计IF IC IH序列名称IF IC IH-0.002-0.001-0.002最大值0.828 0.802 1.452 0.009 0.012 0.011最小值-1.076-1.145-0.822 0.094 0.111 0.103偏度-3.804-5.320 3.287 0.003 0.005-0.001峰度86.941 80.635 101.100 JB统计量56678.470 48393.350 79068.270从表1可以看出，三组序列均显现出尖峰厚尾的特征，并且除IH序列外，其他的序列均呈现左偏态.Jarque-Bera统计量非常大，说明应当拒绝序列服从正态分布的原假设.2.3 三单变量GARCH模型的估计根据AIC准则，GARCH（1，1）模型均能较好地拟合三组收益率序列波动的自相关性.通过最大似然估计，得到的各序列单变量模型参数如表2所示.表2 单变量GARCH（1，1）模型估计结果注：*表示在10%的置信水平，**表示在5%的置信水平，***表示在1%的置信水平.0.9998 0.9994 0.9987 IF IC IH 3.85E-05***5.32E-05***5.06E-05***0.0669***0.0566***0.0665***0.9329***0.9428***0.9322***从表2可以看出，每个序列的ARCH项、GARCH项系数估计值都是显著的，回归系数都满足了常数项大于零，ARCH和GARCH项系数非零，且ARCH和GARCH项的系数之和a1+b1＜1，满足平稳性条件.说明GARCH（1，1）模型能够较好地拟合数据，三组收益序列的波动具有聚集性.2.4 DCC-GARCH模型的估计借助上述单变量GARCH（1，1）模型估计的参数，利用DCC-GARCH模型对三个股指期货品种之间的时变相关关系进行研究.（1）式中的待估参数ωi, κi, λi, α, β 估计如表3所示.表3DCC-GARCH模型估计结果注：*表示在10%的置信水平，**表示在5%的置信水平，***表示在1%的置信水平.2.1289 0.0039 0.0038 2152.6403 4.5489 5.3392 44601.0299 84.2142 92.8757 8.7394 240.5082 ω1 ω2 ω3 κ1 κ2 κ3 λ1 λ2 λ3 α β 3.85E-05***5.32E-05 5.06E-05 6.69E-02***0.0566***0.0665***9.33E-01***0.9428***0.9322***0.0247***0.9601***1.81E-05 1.35E-02 1.33E-02 3.11E-05 0.0124 0.0125 2.09E-05 0.0112 0.0100 0.0028 0.0040利用估计的结果，可以进一步求得三个股指期货品种之间的动态条件相关系数.它们两两之间的相关系数描述性统计表和图形分别如表4和图1所示.表4 动态条件相关系数的描述性统计IF与IC的相关性IF与IH的相关性IC与IH 的相关性0.907 0.816 0.665 0.046 0.058 0.096 0.920 0.823 0.676 0.978 0.963 0.913 0.673 0.543 0.307图1 动态条件相关系数从表4和图1可以看出，我国目前的三个股指期货品种的相关系数均为正值，说明三个股指期货品种的价格走势具有一致性.从相关性的均值来看，IF与IC的相关性均值最大，两者的相关性最强；IF与IH的相关性次之；IC与IH的相关性最弱.从标准差来看，波动最大的是IC与IH的相关性；其次为IF与IH的相关性；最小的是IF与IC的相关性.2.5 结果分析为了分析动态条件相关系数的时变特征，取三组相关系数均值正负两倍标准差的区间，并将在区间之外的数据作为分析对象.通过筛选得到的动态条件相关系数过高和过低的相应时间段如表5所示.表5 动态条件相关系数过高和过低的时间段2015年5月中旬2015年5月下旬2015年6月上旬2015年6月下旬2015年7月中旬2015年7月下旬2015年8月下旬2015年9月上旬2015年10月上旬2015年11月中旬2015年12月上旬2015年12月中旬2016年1月中旬2016年3月上旬2016年3月中旬IF 与IC的相关性过低过低IF与IH的相关性过低过低——过低——过低——过低IC与IH的相关性过低过低过低过低过低过低过低过低过高——过过低过低—过低过低——过低高—过低过高过低过高————从表5可以看出，在“股灾”之前，三组相关系数均低于前述区间的下限（即过低；在2015年6月中旬到7月初的“股灾”初期，IC与IH的相关性处于过低水平，这主要是因为此阶段股市的下跌是从“配资”占比较大的中小盘和创业板股票开始下跌，而由众多基金和机构持仓的大盘股并未受到较大的冲击，从而造成以大盘金融股为主要成分股的IH与中小盘股票为主要成分股的IC走势出现了明显的分化；7月中旬的“股灾”救市措施推出后，三组相关系数均呈现过低水平，这与国家救市策略的设定（比如：出资投资蓝筹股ETF、对中证500指数期货投机交易加以限制等有关；8月下旬开始的新一轮下跌当中，大盘金融股则成为暴跌的主力，从而造成IF与IH的相关性降低.9月上旬开始的震荡市中，以军工板块为代表的股票涨幅明显，使得IF与IH的相关性相背离；10月上旬，由于国庆休市后“十一”行情的带动，各个指数均呈现上涨的态势，IH与IC和IF的相关性提高.进入11月以后，行情趋于平稳，板块轮动效应再次显现，使得IF与IC的相关性再次下降.到了2016年1月，由于对经济前景的不明朗，国内股市再次出现下跌，此时各板块呈现出泥沙俱下的现象，造成IH与IC和IF的相关性再次提高.3月份开始，各上市公司的年报陆续出炉，由于银行业的业绩出现大幅下滑，造成IC与IF的相关性出现了背离.为了考察各股指期货品种之间的溢出风险，本文根据张锋（2006）提出的方法，将估计出的三个条件方差均加入到三个股指期货品种收益率均值方程中进行回归，如果某个品种的条件方差前的估计参数是显著的，说明这个品种对另一个品种存在风险溢出.由此，将均值模型改为ri=ci0+di1H1+di2H2+di3H3+εi,i=1,2,3.其中i 的不同取值分别表示IF、IC和IH合约，Hi表示三个合约的条件方差，dij,(i≠j)反映了股指期货品种 j对i存在的风险溢出情况.风险溢出模型估计结果如表6所示. 表6 风险溢出模型估计结果注：*表示在10%的置信水平，**表示在5%的置信水平，***表示在1%的置信水平.对IF的风险溢出效应对IC的风险溢出效应对IH的风险溢出效应d11d21 1.1476***（3.344）-0.9826***（-3.888）-0.0122（-0.069）d31 d12d22d32 d13 0.9457**（3.039）-0.6991**（-3.05）-0.1122（-0.706）d23 0.3638（0.988）-0.3716（-1.371）-0.0532（-0.283）d33从表6可以看出，对于IF而言，其自身收益率的波动会正向影响到IF的收益，而IC的波动对IF收益的影响则是反向的；对于IC而言，风险溢出效应不显著；类似地，IF和IC对IH的收益均存在风险溢出效应，但是前者是正向的影响，后者是反向的影响.存在这一现象的原因可能是IC收益率的波动增加，使得投资者将更多资金转移到IC合约当中，造成IF的收益率下降，相应的风险溢出效应为负；IH 的成分股与IF具有一定的相似之处，使得IF的波动增加造成IH的收益率上升，风险溢出为正，而相应成分股与两者存在较大差别的IC对IH的风险溢出为负.3 结论本研究基于2015年5月4日至2016年5月27日的数据，运用DCC-GARCH模型，实证分析了我国上市的三个股指期货品种高频收益的动态特征以及风险溢出效应，得出了相应结论.在风险溢出效应的研究中，三个股指期货品种的关系较复杂.其中IC对IF的风险溢出效应为正；IF对IH的风险溢出效应为正；IC对IH的风险溢出效应为负；IF对其自身的风险溢出效应为正.三个股指期货品种的收益率均存在明显的波动率聚集效应，收益率均存在正向的动态条件相关关系，但是在“股灾”发生的前后，三者之间的动态条件相关关系存在着明显的变动.三个品种的相关性在市场出现极端系统性风险的情形下，并未出现相关性增大的情况.因此，在市场出现极端行情时，应当密切关注市场上各行业板块的行情，并根据股指期货合约的成分股构成情况，科学作出投资决策，以减少相关性风险的影响.参考文献：［1］郑振龙，杨伟.金融资产收益动态相关性：基于DCC多元变量GARCH模型的实证研究［J］.当代财经，2012（7）：41-49.［2］徐清海，贺根庆.基于DCC-MVGARCH模型的中国金融市场联动性分析［J］.金融理论与实践，2014（7）：20-24.［3］丁志国，苏治，杜晓宇.溢出效应与门限特征：金融开放条件下国际证券市场风险对中国市场冲击机理［J］.管理世界，2007（1）：41-47.［4］王宝，肖庆宪.我国金融市场间风险传染特征的实证检验［J］.统计与决策，2008（11）：78-79.［5］张瑞锋.金融市场协同波动溢出分析及实证研究［J］.数量经济技术经济研究，2006（10）：141-149.［6］赵华.人民币汇率与利率之间的价格和波动溢出效应研究［J］.金融研究，2007（3）：41-49.。
中国金属期货市场高频波动率预测模型比较研究
货 市场 上 已实现极 差波 动 率估 计序 列具 有 尖峰 厚尾 、 集 聚性 、 持 续性 等特 征 。 对 于 沪铜 期 货 市 场， Ｅ Ｇ Ａ Ｒ Ｃ Ｈ模 型具 有 相 对较 好 的波 动 率预 测 能 力 ， 在 某 些损 失 函数标 准 下 ， Ｆ Ｉ Ｇ Ａ Ｒ Ｃ Ｈ模 型 以
最 大 的铝 生 产 和 消 费 国 ； ２ ０ ０ ２年 ， 我 国成 为超 越 美 国的最 大 的铜 消费 国 。而 随着 西 方发 达 国家逐 步把 制 造业 向新 兴发 展 中 国家转 移 ， 我 国铜 、 铝 消 费还会 进 一 步快 速 增 长 。我 国有 大 量铜 、 铝 消 费和 生 产企 业， 这些 企业 都 有套 期保 值 的迫切 需要 。因此 ， 自上
收稿 日期 ： ２ ０ １ ３ — １ １ － １ ２
基金项 目： 本 文为 国家 自然科学 基金项 目“ 基 于时间序列特 征的金融 资产相依 结构模型构 建及应用研究 ” 资助项 目（ 批准号
【 证券市场】
．＿＿
中国金属 期 货 市 场 同 频 波 动 率预 测模 型 比较 研 究
－ ． ＿ － － Ｃ＝，
陈 晓东
（ 重庆 文理 学院 数 学 与财经 学 院 ， 重庆 永川 ４ ０ ２ １ ６ ０ ） 摘要 ： 选取 上 海期 货 交 易所铜 、 铝 期 货价格 指数 日内 １ ０ 分钟 高频收 益数据 ， 构造 了经调 整 的 已实 现 极 差 波 动 率估 计 序 列 ， 利用 ６ 类Ｇ Ａ Ｒ Ｃ Ｈ族 模 型 建模 分 析 ， 描 述 了沪铜 、 沪铝 期 货价 格 指 数 的 波动 特征 。运 用 多种 损 失 函数 比较 了Ｇ Ａ Ｒ Ｃ Ｈ族模 型 样 本 外波 动 率预 测精 度 的优 劣 ， 并在 此基
上海铝期货收益率及波动特性研究
利用 Ａ Ｉ ０ １ １ 一 Ｇ Ｒ Ｈ（ ，） 型、Ｇ Ｒ Ｈ 和 Ｅ Ａ Ｃ ＲＭＡ（ ， ，） Ａ Ｃ １１模 ＴＡＣ Ｇ Ｒ Ｈ模 型对 收益率序列的波动性和杠杆效应进行 了检验， 发现收 益率序列波动率是持 久的， 市场风 险很大 ， 而且 沪铝期货市场上存在着 显著 的杠杆效应。 关键词 ： ＲＭＡ模 型； ＡＩ 铝期货 ； 收益率
２１ ００年 ６月
譬ｊ 午 掌 Ｉ Ｊ
Ｊ ｕ ａ ｆＭａ ａ ｅ ｎ ｏ ｒ ｌ ｎ ｇ ｍｅ ｔ ｎ ｏ
Ｊ ｎ ．０１ ｕｅ２ ０
Ｖ １２ ｏ ３ ０ ｌ． ３ Ｎ ．
货 收 益 率 及 波 动 特 性 研 究
肖毅敏 ， ，程 ＿ 彬
后 ， 了一个 Ａ Ｉ Ａ（ ， ，） Ａ ｃ １ １ 模 拟合 Ｒ Ｍ ０ １ １ 一Ｇ Ｒ Ｈ（ ，） 型 ， 指 出市 场波动 率是持 久 的。在此 基础上 ， 并 进一 步通过 拟合 Ｔ Ｒ Ｈ 和 Ｅ Ａ Ｃ ＡＣ Ｇ Ｒ Ｈ模 型 ， 现沪 铝 期 发 货 在一定 的显著 水平 上存 在显著 的杠杆效 应 。
二 、 型 与方法 模 笔者 主要在 Ｂ ｌ ｒ ｅ （ ９ ６ 提 出 Ｇ Ｒ Ｈ模 型 ｏｌ ｓ ｖ １ ８ ） ｅｌ Ａ Ｃ 以及收益 率序列 的 平稳 性 检验 的基 础上 ， 对沪 铝期 货 收益率 序列进 行实 证模 拟 。 由于 Ｇ Ｒ Ｈ模 型 以 Ａ Ｃ
性。
笔者将 根 据 金 融 时 问 序 列 数 据 的 特 点 ， 用 采 Ｂ ｌ ｒｌ １８ ） 出 的 Ｇ Ｒ Ｈ 模 型 对 上 海 铝 期 ｏ ｅｓ ｖ（ ９ ６ 提 ｌ ｅ Ａ Ｃ 货 收益 率序 列进行 建模 和分 析 ， 通过 Ａ Ｆ单 位根 检 Ｄ 验 ， 结合 Ａ Ｆ与 Ｐ Ｃ 并 Ｃ Ａ Ｆ的表 现 ， 为沪 铝 期 货 收 认 益率 服从 Ａ Ｉ Ａ（ ， ， ） 程 ， 而再对 残 差 序列 ＲＭ ０ １ １ 过 进 进行 Ａ Ｃ Ｒ Ｈ—Ｌ Ｍ检 验 ， 定波动 率 的 Ａ Ｃ 确 Ｒ Ｈ效应 之
期货交易中的波动率研究
期货交易中的波动率研究期货市场是金融市场的重要组成部分，其波动性对投资者以及市场参与者具有重要影响。
波动率是衡量资产价格波动幅度的指标，对于投资者来说，了解和研究期货交易中的波动率是制定交易策略和风险管理的关键因素。
本文将对期货交易中的波动率进行深入研究。
一、波动率的定义与计算波动率是指资产价格变动的幅度和速度。
在期货交易中，波动率是指期货合约价格的变动幅度以及价格波动的频率。
常见的计算波动率的方法有历史波动率、隐含波动率和波动率指数等。
1. 历史波动率历史波动率是通过对过去一段期间内的价格数据进行统计计算得出的。
一般通过计算期货合约价格收益率的标准差来衡量。
标准差越高，代表价格波动越大，即波动率越高。
2. 隐含波动率隐含波动率是通过期权市场上的期权合约价格反推得出的。
通过期权定价模型（如布莱克-斯科尔斯模型），结合当前市场上的期权合约价格、期权合约到期时间等因素，可以得出市场对未来波动率的预期。
隐含波动率一定程度上反映了市场对未来价格波动的预测。
3. 波动率指数波动率指数是一种通过期权市场上买卖的期权合约价格来计算的指标。
常见的波动率指数包括VIX指数（芝加哥期权交易所市场波动指数）。
该指数通过计算美国标准普尔500指数的期权合约价格波动率，反映了市场对未来30天内的标准普尔500指数的波动率预期。
二、波动率对期货交易的影响波动率是期货交易中重要的风险指标，对投资者的决策和资金管理具有重要影响。
1. 交易策略制定了解期货交易中的波动率可以帮助投资者制定合理的交易策略。
在高波动率的市场中，投资者可以选择更保守的交易策略，如趋势跟踪策略，以把握价格波动的走势。
而在低波动率的市场中，投资者可以选择更激进的交易策略，如套利策略，以追求更高的收益。
2. 风险管理波动率是风险管理的重要指标之一。
投资者可以通过了解期货交易中的波动率，合理配置资金并控制风险。
在高波动率的市场中，投资者可以降低交易仓位，以规避价格剧烈波动带来的风险。
基于CAViaR模型的我国有色金属期货市场风险研究
基于CAViaR模型的我国有色金属期货市场风险研究【摘要】本文基于CAViaR模型对我国有色金属期货市场的风险进行研究。
在首先介绍了研究背景，说明了有色金属期货市场的重要性；然后提出了研究目的，即通过CAViaR模型来揭示市场风险特征；最后阐明研究意义，为市场监管和投资决策提供参考。
在详细介绍了CAViaR模型及其在有色金属期货市场中的应用情况，同时对市场概况和研究方法进行了论述。
通过实证结果展示了我国有色金属期货市场的风险情况。
在对研究进行了总结，并探讨了未来研究的展望。
通过本研究，可以更加全面地了解有色金属期货市场的风险特征，为投资者和监管机构提供参考和决策依据。
【关键词】有色金属期货市场、CAViaR模型、风险研究、研究背景、研究目的、研究意义、研究方法、实证结果、总结、研究展望1. 引言1.1 研究背景我国有色金属期货市场是我国金融市场中的重要组成部分，具有较大的影响力和市场规模。
随着金融市场的不断发展壮大，有色金属期货市场的风险管理和研究也变得越来越重要。
目前，我国有色金属期货市场存在着各种各样的风险，如价格波动风险、市场流动性风险、政策风险等，这些风险对市场参与者和整个经济体系都具有重要影响。
基于CAViaR模型对我国有色金属期货市场的风险进行研究具有重要意义。
本文旨在深入分析有色金属期货市场的风险特征，并运用CAViaR模型对这些风险进行建模和分析，为市场参与者提供更为准确和有效的风险管理工具和决策参考。
通过对风险研究的深入探讨，也可以为相关政策制定和市场监管提供重要的参考和支持。
1.2 研究目的本研究旨在通过基于CAViaR模型的分析，深入探讨我国有色金属期货市场的风险情况。
具体目的包括：通过对CAViaR模型的介绍，了解其在金融市场风险评估中的作用和优势，为后续研究提供理论基础。
通过对我国有色金属期货市场概况的介绍，探讨其特点和存在的风险因素，为后续研究提供实证背景。
然后，通过分析CAViaR模型在有色金属期货市场风险研究中的应用，揭示其在风险识别和管理中的价值，为监管部门和投资者提供参考。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｇ Ａ Ｒ Ｃ Ｈ模 型来考察 纽约 商 品期 货 交易 所 电力 期货
与现货之 间 的相关 关 系 ，发 现 电力 期 货 与现 货 之 间不 仅 存 在 简 单 的 静 态 相 关 关 系 ；Ｌ ｉ ｕ和 Ａ ｎ
属期 货交易场所 。近年来 ，随着我 国金 属期货市场
的不 断完善 ，加 之商 品指数基 金 、高频交 易策 略以
相 关性 研 究 有助 于 投 资者将 其 投 资组 合 有效 的拓
２ Ｕｌ ６－１ｌ —Ｕｌ 收 稿 日期 ：
作 者 简介 ： 朱学红 （ １ ９ ６ ２ 一 ） ，女 ，长沙人 ，中南大学商学 院教授 ，博 士生 导师 ，管理 学博 士 ，研 究方 向：资 源经济
与管理 、产 业经济学 ；陈强 （ １ ９ ９ ０ － ） ，女 ，长沙人 ，中南大 学商学 院硕 士研 究 生，研 究方 向 ：产业 经济
・
５０ ・
高
种农产 品小麦 、玉 米 、大 豆 和糖 的波动 溢 出效 应 ，
蠹２ ０ ｌ ７ 年 第 ２ 期
（ ｊ ｕ ｍ ｐ ） ，其在金融资产 收益波动率 的估计 和预测 中 具 有 非 常 重 要 的 意 义 。基 于 Ｂ ａ ｒ ｎ ｄ ｏ ｒ ｆ ｆ — Ｎ ｉ ｅ ｌ ｓ ｅ ｎ和 Ｓ ｈ ｅ ｐ ｈ ａ ｒ ｄ（ ２ ０ ０ ６ ） ［ １ ４ ３ 二 次幂变差测量 的理论结果 ， Ａ ｎ ｄ ｅ ｍ ｅ ｎ等 （ ２ ０ ０ ７ ） ” 以及 Ｃ ｏ ｒ ｓ ｉ 和Ｒ ｅ ｎ ｏ（ ２ ０ １ ２ ） 先后将 已实现波动率分 解 为连续样本 路径方差 和离 散跳跃方差 ，它们 的研究 结果均表 明将 连续变差 和 跳 变 差分 离 之后 的模 型 比未分 离 的模 型 具有 更 好 的模 拟效果 。 鉴于上述文献 研究 的不 足 ，本文依据 Ａ ｎ ｄ ｅ ｒ ｓ ｅ ｎ 等 （ ２ ０ ０ １ ） 的研 究成 果 ，以期铜 和期 铝为研 究对 象 ，将高 频 已实 现 波 动率 分解 为连 续 样 本 路 径方
中图分类号 ：Ｆ ８ ３ ０ ． ９ ３
文献 标识码 ：Ａ
文章编 号 ：１ ０ ０ １ — １ ４ ８ Ｘ （ ２ ０ １ ７ ）０ ２ － ０ ０ ５ ０ － ０ ８
一
、
引 言
展 到更 具 有获 利 能力 和 风 险分 散 能力 的 特定 金属 期货市 场 当 中去 ，同 时也 有 助 于揭 示 我 国金 属 期 货 市场 的 风 险特 质 以及 为政 府 监管 政策 制 定 提供
性不 断凸 显 ，越 来 越 多 的投 资 者 进 入金 属 期 货 市 场 ，通 过配置不 同品种 的投 资标 的 ，在 同样 风险程 度上 获得更高 的 回报 。因此 ，不 同金属期 货品种 的
出效应 ，但 是 美 国铜 期 货 市场 在 市 场联 动 中发 挥 的作用更大 ；Ｓ ａ ｂ ａ ｎ等 （ ２ ０ １ ３ ） 研 究 了石 油 与 四
铝期 货连 续变差的相 关性 与跳跃 变差 的相 关性在 动 态路 径 上存在 显 著性 差 异 ，并且 前 者 的相 关
性程 度要 高于后 者 ；受欧债 危机等 极 端事件 的 影响 ，连 续 变差 与跳 跃 变差 的动 态相 关性均 呈现
出局 部 的 高 点 。
关 键 词 ：跳 跃 ； 已 实现 方 差 ；期 货 市 场 ；动 态相 关性 ；高 频 数 据
பைடு நூலகம்
钟 收盘价作 为样本数据 ，将 铜铝 期 货 高频 数 据 的 已实现 方 差 （ Ｒ Ｖ） 分 解 为连 续 样 本路 径 方 差 （ Ｃ Ｖ） 和 离散跳跃 方差 （ Ｊ Ｖ ） ，并运 用 Ｄ Ｃ Ｃ － ＭＶ Ｇ Ａ Ｒ Ｃ Ｈ 模 型分 别计 算连 续样本路 径 方差 和 离散
跳 跃方差之 间的动 态相 关 系数 。结果 表 明 ，铜 铝期 货 高频 波动 率之 间存 在 明显 的正 相 关性 ，铜
及 电 子 信 息 技 术 的 不 断 发 展 ，金 属 期 货 的 金 融 属
（ ２ ０ １ １ ） Ｊ 贝 Ⅱ 采 用 Ｍ－ Ｇ Ａ Ｒ Ｃ Ｈ模 型研 究 了 中国铜 期
货 市场 、铜 现 货 市场 与 美 国铜 期 货 市 场 之 间 的信 息传导机 制 ，显示 中美 市 场之 间 存在 双 向波 动 溢
朱 学红、陈强、谌金宇 ：江浙沪 Ｆ Ｄ Ｉ 与入境 商务旅游 关系研 究
基于高频波动率的铜铝期货动态关联性研究
朱学红 ，陈 强 ，谌金 宇
（ 中南大学 １ ． 商学院；２ ．金属 资源战略研究院，长沙 ４ １ ０ ０ ８ ３ ）
内 容 提 要 ：基 于 高频 数 据 的 时 变跳 跃 性 ，本 文 选 取 ２ ０ １ ０ — ２ ０ １ ５年 上 海 期 货 交 易所 铜 铝 期 货 一 分
理论参考 。
不 同金融 市 场 波 动率 的相 关性 分 析 ，在 金 融
资产 配置 、金 融风 险管 理 以及 投 资 组 合策 略 的选
择 等方面 都 有着 非 常 广 泛 的应 用 。有 色金 属是 我 国最早 进入期货 市 场 的行业 ，也是 运 行最 为成 熟 、 市场 化和 国际化 程度最 高的代表性行业 ，历经 近 ２ ０年 的发 展 ，我 国有 色金 属期 货 市 场 已成 为金 属
学；谌金 宇 （ １ ９ ８ ８ － ） ，男，湖 南益 阳人 ，中南大学商学院博士研 究生 ，研 究方向 ：产 业经济学。
基 金 项 目： 国 家 社 会 科 学基 金 重 大 项 目，项 目编 号 ：１ ３ ＆ Ｚ Ｄ１ ６ ９ ；教 育部 人 文社 会 科 学研 究 项 目，项 目编 号 ：
交 易量仅次 于伦 敦 金 属 交 易所 （ Ｌ ＭＥ） 的 重 要 金
相 关 性 是 多 变 量 金 融 时 间 序 列 研 究 的重 点 ，
资产分 配和 风 险 管理 都 依赖 于相 关 性 。 目前 对 不
同期 货 品种 波 动率 的相关 性 研究 的方法 主要是 基 于 Ｇ Ａ Ｒ Ｃ Ｈ 族模 型 。如 Ｈ ａ ｎ ｙ（ ２ ０ ０ ３ ）等 构 建 了
１ ３ Ｙ Ｊ Ａ Ｚ Ｈ１ ４ ９ ；国家 自然科 学基金 项 目，项 目编号 ：７ １ ５ ７ ３ ２ ８ ２ ；湖南省 自然科学基金资 助项 目，项 目编号 ：
２ ０ １ ５ Ｊ Ｊ ２ １ ８ ２ ；中南大学研 究生 自主探 索创新基金 项 目，项 目编号 ：２ ０ １ ５ ｚ ￣ ｓ ０ ０ ５ 。