农产品期货市场波动率的动态特征及其预测模型-论文.pdf

《农产品期货市场波动率的动态特征及其预测模型-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、红泽评他2014年第4期ECONOMICREVIEW总第188期农产品期货市场波动率的动态特征及其预测模型杨科田凤平摘要：本文以8种农产品期货的高频数据为样本，实证考察了我国农产品期货市场已实现波动率的动态特征，发现农产品期货已实现波动率同时具有长记忆性和区制转换性。在此基础上构建了长记忆马尔科夫区制转换模型来预测农产品期货的已实现波动率，并比较和评价了该模型与其他嵌套模型的预测性能。结果发现，我国农产品期货的已实现波动率具有高波动和低波动两种不同的状态，状态之间的转换概率较小，低波动状态的稳定性比高波动状态强；同时引入长记忆性和区制转换能进一步提高模型的预测性能，长记忆马尔科夫区制转换模型是

2、预测性能最好的模型。关键词：农产品期货已实现波动率长记忆性区制转换预测一、引言及文献综述农产品期货价格是市场交易机制的核心，准确认识农产品期货价格波动的动态特征，有利于投资者和监管者做出科学合理的决策。然而，农产品期货同时具有衍生品固有的高风险特性，易受外来宏微观因素以及季节因素的影响，使用不当易诱发金融市场的极端风险。因此，农产品期货市场波动率的准确预测对于防范投资风险、促进经济金融安全和粮食生产安全的实现以及促进高效期货市场体系的建立等方面都有重要的理论价值和现实意义。国内对农产品期货市场的研究大致可以分为理论研究和实证研究两个方面。理论研究在农产品期货市场发展初期占据主要地位，主要集中于

3、从制度方面探讨我国农产品期货市场如何建设等问题。国内关于农产品期货市场的实证研究在2000年以后逐步增多，主要侧重于借鉴西方金融工程理论，对我国农产品期货市场的有效性、市场功能等方面进行数量分析，例如，王辉等(2012)基于修正ADCC模型和DADCC模型研究了我国农产品期货套期保值中基差和“消息”的非对称效应及其对套期保值效果的影响。国内学者对我国农产品期货市场波动率杨科，华南农业大学经济管理学院，邮政编码：510642，电子信箱：yangkede@~xmail．eom；田凤平(通讯作者)，中山大学国际商学院，邮政编码：510275，电子信箱：tianfpdc@gmaj1．corn。本文得到

4、国家自然科学基金项目“农产品期货市场波动率的预测以及预测精度评价研究”(项目编号：71203067)、广东省高校优秀青年创新人才培育项目(育苗项目)“我国农产品期货市场波动率的预测研究”(项目编号：2012WYM一0033)、广东省哲学社会科学规划项目“广东省居民消费平滑研究”(项目编号：GD1lYU01)以及中央高校基本科研业务费专项资金中山大学青年教师培育项目“中国城乡居民消费行为差异与消费金融产品创新研究”(项目编号：13wkpy21)的资助。感谢匿名评审人和编辑部富有建设性的修改意见，文责自负。50锯泽诨琵2014年第4期的研究文献非常少，并且绝大部分都是采用基于低频收益率数据的GAR

5、CH族模型来研究我国农产品期货市场波动率的特征。例如，王金媛(2009)基于GARCH族模型发现我国农产品期货市场波动率具有长记忆性和不对称性；魏宇(2009a)基于能够刻画非对称杠杆效应的EGARCH、GJR和APARCH等非线性GARCH模型发现我国商品期货市场的波动率的非对称杠杆效应不明显；刘向丽等(2012)通过构建ACD—GARCH—M模型研究了我国期货市场价格的波动特征，发现久期、交易量等微观结构变量能很好地吸收波动率的聚集性。然而，国内鲜有文献在高频数据环境下同时探讨农产品期货市场波动率的长记忆性和区制转换特征及其预测等问题。因此，本文在高频数据环境下研究我国农产品期货市场波动率

6、的区制转换和长记忆性特性，并在此基础上进一步研究我国农产品期货市场波动率的预测问题。在基于高频数据的已实现波动率的预测建模方面，Andersen等(2003)的ARFIMA模型和Corsi(2009)的HAR模型是最具代表性的两类模型。近年来，这两类模型得到了一些重要的扩展和改进，陈浪南和杨科(2013)对这方面的研究进行了综述。例如，Giot和Laurent(2004)考虑波动率的不对称性的ARFIMAX模型以及Corsi和Reno(2009)的不对称性的AHAR模型，Behratti和Morana(2005)、Corsi等(2008)、Degiannakis(2008)以及Yang和Che

7、n(2014)通过考虑扰动项的条件异方差性，构建的ARFIMA—FIGARCH模型、HAR—GARCH模型、ARFIMA—TARCH模型以及不对称性的HAR—D—FIGARCH模型，魏宇(2009b)基于多分形波动率的ARFIMA模型，杨科和陈浪南(2012)的半参数预测模型等都较大程度提高ARFIMA模型和HAR模型的样本外预测性能。然而，金融市场周期性会受到重要的突发金融事件的影响，可能会导致