大豆期货高频交易的收益率波动实证研究

《大豆期货高频交易的收益率波动实证研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、大豆期货高频交易的收益率波动实证研究　　摘要：本文选取大连商品期货交易所黄大豆一号a1401期货合约自2012年7月份上市交易至2013年5月31日的1分钟的高频交易数据——共43084个观测值为样本进行实证分析，得出GARCH扩展类模型中的GARCH-M-std模型以及非对称的GARCH模型能够较好的描述不同经济意义下期货高频交易收益率波动情况的结论，希望为具有不同投资目的的交易者提供实际投资建议。　　关键词：1分钟高频数据；收益率波动性；GARCH拓展模型；非对称GARCH模型　　中图分类号：

2、F830.5文献标识码：A文章编号：1001-828X（2013）09-0-03　　一、研究背景和意义　　近几年来，我国期货市场一直紧跟全球化发展步伐，期货产品种类不断更新，交易量和交易金额不断增加，市场占有率显著提高，价格形成机制完善，但是从2008年起，受金融危机冲击以及主要贸易体交替变更，大量投机行为对期货市场价格波动起到了推波助澜的作用，市场不确定性因素增加，导致期货投资风险性出现加剧的趋势。因此，本文将以大连商品期货交易所得黄大豆一号为例，希望找出能较好的描述期货合约价格波动性的工具，以

3、期对期货市场的风险进行比较准确的度量与预测，踪市场参与主体操作行为，进而能够有效评估风险并加以规避，帮助国内投资者在参与期货交易过程中通过系统性数据指标和模型回归结果选择最优策略，调节套期保值或投机策略，从而规避期货价格收益率波动风险。另外，由于不同投资者投资期货产品的目的不同，其在品种选择和操作策略上必然也会有所区别，因此如何区别不同模型的适用范围将会在本文中有所说明。　　二、农产品期货收益率波动实证分析与模型选择　　（一）数据描述　　本文选取大连商品交易所黄大豆一号（简称豆一）期货合约自201

4、2年7月份（开始上市交易）至2013年5月31日的1分钟高频交易数据，分别利用GARCH模型、GARCH-M模型（GARCH类扩展模型）以及非对称的GARCH模型对其收益率的波动性进行实证分析。统计分析工具为Eviews6.0，豆一的对数收益率以收盘价基础衡量，即：，为时期收益率，为期收盘价（高频交易数据来自Wind数据库）。　　1.期货价格收益率变化及波动性特征的初步判断　　图12012年7月至2013年5月大豆期货1分钟高频交易收益率波动走势图　　从上图可以看出，豆一期货价格的收益率序列出现了

5、多个异常峰值，并且具有明显的波动聚类现象，说明收益率序列波动具有突发性、显著性以及条件异方差性，由此可以推测该序列中出现的扰动并不是白噪声过程。　　2.收益率的正态分布检验　　收益率的正态分布检验采用JB（Jarque-Bera）统计量。经分布检验实证得知收益率序列峰度值=401.3023，偏度值=-4.291414，JB统计量值=2.85×108，且JB统计量的相伴概率为0，小于0.05，因此可认为在5%的显著性水平上该收益率序列不服从正态分布。　　3.收益率的单位根检验　　在对收益率序列进行分

6、析之前，首先对其进行平稳性检验。如果收益率是非平稳时间序列，则要考虑进行平稳化处理。本文的平稳性检验将采用ADF单位根检验方法。由实证结果可知，ADF值（-81.01718）比1%显著性水平下的临界值（-3.430332）都小，所以拒绝序列非平稳的原假设。这与国内外学者对成熟市场波动性的研究结果相一致：金融资产的价格序列一般非平稳，而收益率序列则通常是平稳的。且经过对收益率进行ARCH效应检验发现其不存在高阶ARCH效应。　　（二）模型介绍　　1.GARCH模型　　GARCH（p，q）模型的一般表

7、达式为：　　其中，为条件方差，为独立同分布的随机变量。说明外部冲击对未来时刻的影响将呈指数衰减，称为衰减系数，越大说明衰减的速度越慢。　　2.GARCH-M模型　　由于金融资产的收益率与其风险密切相关，因此为了更好的描述该特征的金融资产，Engle等人提出了GARCH-M（GARCH-in-Mean）模型，形式如下：　　GARCH-M的另外两种情形：　　（1）条件标准差代替条件方差：　　（2）将条件方差修改成其对数形式：　　其中称为风险溢价，度量了条件方差对的影响程度。　　3.非对称的GARCH模

8、型　　在以上介绍模型中由于没有考虑同等幅度的非预期正负报酬对条件方差的影响，所以如果非预期负（正）报酬较正（负）报酬对可预测波动的影响更大，以上GARCH模型就会低估非预期负（正）报酬的影响而高估非预期正（负）报酬的影响。杠杆效应表明非预期负（正）报酬引起波动的上升大于同幅度非预期正（负）报酬引起波动的上升，为刻画这种现象，在标准GARCH模型的基础上构造出了非对称的GARCH模型：EARCH（p，q）模型和TGARCH（p，q）模型，它们与GARCH（p，q）模型区别在于项的不同