我國(guó)燃油期貨市場(chǎng)的波動(dòng)率預(yù)測(cè)模型

吳曉雄

（西南交通大學(xué)經(jīng)濟(jì)管理學(xué)院，成都 610031）

我國(guó)燃油期貨市場(chǎng)的波動(dòng)率預(yù)測(cè)模型

吳曉雄

（西南交通大學(xué)經(jīng)濟(jì)管理學(xué)院，成都 610031）

準(zhǔn)確描述和預(yù)測(cè)石油及其相關(guān)產(chǎn)品的價(jià)格波動(dòng)對(duì)各國(guó)政府能源政策的制定以及能源風(fēng)險(xiǎn)管理工作意義重大。文章以上海期貨交易所燃油期貨的15分鐘高頻價(jià)格數(shù)據(jù)為例，實(shí)證計(jì)算了三類代表性波動(dòng)率模型：已實(shí)現(xiàn)波動(dòng)率模型、隨機(jī)波動(dòng)模型以及GARCH族模型對(duì)我國(guó)燃油期貨價(jià)格波動(dòng)的預(yù)測(cè)值，同時(shí)，采用多種損失函數(shù)對(duì)比了三類波動(dòng)率模型。實(shí)證結(jié)果表明，基于高頻數(shù)據(jù)的已實(shí)現(xiàn)波動(dòng)率模型對(duì)我國(guó)燃油期貨市場(chǎng)具有最好的波動(dòng)預(yù)測(cè)精度。而就基于日數(shù)據(jù)的模型而言，隨機(jī)波動(dòng)模型要明顯強(qiáng)于GARCH族模型。

燃油期貨；已實(shí)現(xiàn)波動(dòng)率模型；隨機(jī)波動(dòng)模型；GARCH族模型；波動(dòng)率預(yù)測(cè)

0 引言

目前，國(guó)外學(xué)者對(duì)能源價(jià)格波動(dòng)的相關(guān)研究已有不少，Cabedo and Moya[1]以1992～1999年布倫特原油（Brent oil）現(xiàn)貨價(jià)格的日數(shù)據(jù)為樣本對(duì)原油價(jià)格波動(dòng)率進(jìn)行了刻畫和預(yù)測(cè)，他們發(fā)現(xiàn)ARMA模型要優(yōu)于標(biāo)準(zhǔn)的歷史模擬法和方差－協(xié)方差方法。Giot and Laurent[2]以1987～2002年布倫特原油和西得克薩斯中質(zhì)原油現(xiàn)貨價(jià)格為樣本，實(shí)證發(fā)現(xiàn)了ARCH模型的波動(dòng)率預(yù)測(cè)精度更高。而Sadorsky[3]卻認(rèn)為以上學(xué)者使用的樣本數(shù)據(jù)和模型種類過(guò)于稀少，所以他的研究以NYMEX交易的西得克薩斯中質(zhì)原油、燃料油、無(wú)鉛汽油和天然氣期貨價(jià)格的日數(shù)據(jù)為樣本，檢驗(yàn)了隨機(jī)游走模型等12種模型的波動(dòng)率預(yù)測(cè)精度。其研究結(jié)果顯示：TGARCH模型能更好的刻畫和預(yù)測(cè)取暖油期貨和天然氣期貨價(jià)格的波動(dòng)率；GARCH模型對(duì)原油期貨和無(wú)鉛汽油期貨波動(dòng)率的預(yù)測(cè)精度最高；只要選擇合適的滯后階數(shù)，簡(jiǎn)單的移動(dòng)平均模型在某些情況下的波動(dòng)率預(yù)測(cè)精度也表現(xiàn)地十分良好；盡管狀態(tài)空間模型、向量自回歸模型和二元GARCH模型存在更高的復(fù)雜性，但它們對(duì)上述能源市場(chǎng)波動(dòng)率的預(yù)測(cè)精度卻不及標(biāo)準(zhǔn)GARCH模型。

需要指出的是，國(guó)外學(xué)者對(duì)采用哪類波動(dòng)率模型來(lái)預(yù)測(cè)石油及其相關(guān)產(chǎn)品的波動(dòng)率并未得到一致結(jié)論。同時(shí)，更為欠缺的是，這些研究都沒(méi)有利用到市場(chǎng)交易的高頻數(shù)據(jù)。然而，毋庸置疑，高頻價(jià)格數(shù)據(jù)往往蘊(yùn)涵著更豐富和準(zhǔn)確的市場(chǎng)波動(dòng)信息。所以，已有工作的研究結(jié)論還有待于在更全面的波動(dòng)率模型框架內(nèi)加以檢驗(yàn)。

本文以上海期貨交易所燃油期貨價(jià)格數(shù)據(jù)為研究樣本，深入探討各類代表性波動(dòng)率模型預(yù)測(cè)我國(guó)能源期貨市場(chǎng)波動(dòng)的準(zhǔn)確性，進(jìn)而為市場(chǎng)風(fēng)險(xiǎn)管控提供更科學(xué)合理的決策依據(jù)。本文的研究特色為：（1）首次使用滬燃油期貨價(jià)格的15分鐘交易數(shù)據(jù)，對(duì)其定量波動(dòng)特征進(jìn)行深入分析；（2）全面將主流的三類代表性波動(dòng)率模型：已實(shí)現(xiàn)波動(dòng)率（Realized volatility，RV）模型、隨機(jī)波動(dòng)（SV）模型以及各種線性和非線性GARCH族模型納入對(duì)比范圍，并運(yùn)用滾動(dòng)時(shí)間窗的樣本外波動(dòng)率預(yù)測(cè)技術(shù)，計(jì)算了各類模型的實(shí)際預(yù)測(cè)結(jié)果；（3）通過(guò)改進(jìn)對(duì)已實(shí)現(xiàn)波動(dòng)率（RV）的估計(jì)，并運(yùn)用更全面的損失函數(shù)（MSE、MAE、HMSE、HMAE、QLIKE和R2LOG），詳細(xì)比較了不同模型對(duì)我國(guó)燃油期貨市場(chǎng)波動(dòng)率的刻畫和預(yù)測(cè)能力。

1 樣本數(shù)據(jù)和已實(shí)現(xiàn)波動(dòng)率

1.1 數(shù)據(jù)說(shuō)明

本研究以上海期貨交易所燃油期貨交易價(jià)格的15分鐘數(shù)據(jù)為研究樣本，以成交量為權(quán)重加權(quán)平均全部期貨合約價(jià)格得到連續(xù)的價(jià)格序列，時(shí)間從2007年11月1日到2010年6月11日，共N＝637個(gè)交易日。因?yàn)槊總€(gè)交易日包含15個(gè)15分鐘交易數(shù)據(jù)，所以全部樣本共有9555個(gè)觀測(cè)值，記為 It,d，t＝1,2,…,N，d＝1,2,…,15，其中 It,15表示第t個(gè)交易日的收盤價(jià)，樣本數(shù)據(jù)來(lái)自文華財(cái)經(jīng)系統(tǒng)。

本文日收益率R采用如下方法計(jì)算：

類似的，第t個(gè)交易日的（每15分鐘）高頻收益率（High-frequency return）Rt,d定義為：

1.2 已實(shí)現(xiàn)波動(dòng)率的估計(jì)方法

為了比較不同波動(dòng)率模型，需要一個(gè)經(jīng)濟(jì)變量能夠客觀代替真實(shí)市場(chǎng)波動(dòng)率。Andersen等人[4]認(rèn)為將日收益率的平方替代實(shí)際的日波動(dòng)率會(huì)產(chǎn)生嚴(yán)重誤差。因?yàn)槭袌?chǎng)的真實(shí)波動(dòng)率是不可觀測(cè)的，所以目前一般將已實(shí)現(xiàn)波動(dòng)率作為市場(chǎng)真實(shí)波動(dòng)率的代理變量。

Andersen and Bollerslev[5]提出，可以將第t天內(nèi)所有高頻收益率的平方和定義為第t天的已實(shí)現(xiàn)波動(dòng)率，即：

然而，最近Hansen and Lunde[6]又指出，雖然高頻數(shù)據(jù)可以反映交易時(shí)段期間的（Active）市場(chǎng)波動(dòng)，但是無(wú)法提供非交易時(shí)段的波動(dòng)信息（市場(chǎng)從第一天收盤到第二天開盤的波動(dòng)率，即“Close-to-Open”波動(dòng)率）。因此，Hansen and Lunde[6]建議可以用尺度參數(shù)δ對(duì)RV′進(jìn)行變換使已實(shí)現(xiàn)波動(dòng)率能更好地刻畫真實(shí)市場(chǎng)波動(dòng)。這樣，第t天的已實(shí)現(xiàn)波動(dòng)率為：

表1 日收益率序列和已實(shí)現(xiàn)波動(dòng)率RV序列的描述性統(tǒng)計(jì)

表1顯示所有序列（日收益率Rt、收益率平方Rt2、已實(shí)現(xiàn)波動(dòng)率RVt和對(duì)數(shù)RV）t的超額峰態(tài)系數(shù)和Jarque-Bera統(tǒng)計(jì)量都很顯著，表現(xiàn)出明顯的“尖峰胖尾”和非正態(tài)性特征。這說(shuō)明上海期貨交易所燃油期貨的波動(dòng)幅度較為劇烈。同時(shí)，對(duì)Rt2、RVt和lnRVt序列而言，滯后5、10和20期的Q統(tǒng)計(jì)量在1%水平上顯著，這說(shuō)明在很長(zhǎng)的時(shí)間內(nèi)，上海期貨交易所燃油期貨的波動(dòng)存在較為顯著的持續(xù)性或長(zhǎng)期記憶性特征。同時(shí)，ADF和P-P單位根檢驗(yàn)均拒絕單位根存在的原假設(shè)，說(shuō)明了各序列是平穩(wěn)的時(shí)間序列，接下來(lái)可以直接建模。

2 波動(dòng)率建模

2.1 已實(shí)現(xiàn)波動(dòng)率模型（RV）

Andersen等人[7]的研究發(fā)現(xiàn)長(zhǎng)記憶性時(shí)間序列的動(dòng)力學(xué)特征使用“自回歸分整移動(dòng)平均模型”（ARFIMA）刻畫更好。由于滯后不同階數(shù)的ARFIMA(p,d,q)模型對(duì)其估計(jì)的結(jié)果非常接近[8]，因此，根據(jù)模型估計(jì)的AIC大小，我們這里采用ARFIMA(1,d,1)模型為上海期貨交易所燃油期貨的已實(shí)現(xiàn)波動(dòng)率序列建模。進(jìn)一步，Andersen等人[7]的研究指出，對(duì)數(shù)形式的已實(shí)現(xiàn)波動(dòng)率序列（lnRV）t比原序列（RV）t具有更加平穩(wěn)的統(tǒng)計(jì)特性（如表1中l(wèi)nRVt的標(biāo)準(zhǔn)差、偏度和峰度指標(biāo)都遠(yuǎn)小于RVt序列），因此更適合用ARFIMA對(duì)其建模。

ARFIMA(p,d,q)模型的一般形式為：

2.2 隨機(jī)波動(dòng)模型（SV）

首先，金融資產(chǎn)收益率如下表示[9]：

公式（7）中，μt是收益的條件均值，σt2是條件方差，新生量zt滿足：zt～NID(0,1)。一般來(lái)說(shuō)，收益率的條件均值很小，因此本研究都假定其等于零[8]。

SV模型中條件方差σt2是不可觀測(cè)的，這與GARCH模型不同。條件方差滿足如下隨機(jī)過(guò)程：

2.3 廣義自回歸條件異方差模型（GARCH）

標(biāo)準(zhǔn)GARCH(1,1)模型假定條件方差滿足以下形式[10]：

而對(duì)于IGARCH模型來(lái)說(shuō)，與GARCH(1,1)模型唯一不同的是它要求α+β＝1。基于金融市場(chǎng)的其它典型事實(shí)，學(xué)者們提出了更多形式的GARCH模型。本文考察的其它GARCH模型如下所示[11-14]：

GJR(1,1)：

其中，I(.)為指示函數(shù)，若()中條件成立，其值取1，否則取0。g為“非對(duì)稱杠桿系數(shù)”。當(dāng)γ＞0時(shí)，前一期的負(fù)收益率將導(dǎo)致更高的本期收益波動(dòng)。

EGARCH(1,1)：

同樣，我們采用FIAPARCH(1,d,1)的模型設(shè)定形式。

3 樣本外波動(dòng)率預(yù)測(cè)與模型預(yù)測(cè)能力檢驗(yàn)

3.1 波動(dòng)率預(yù)測(cè)方法

本文對(duì)以上討論的三類主流波動(dòng)率模型（ARFIMA-lnRV、SV、GARCH、IGARCH、GJR、EGARCH、FIGARCH和FIAPARCH）進(jìn)行了滾動(dòng)時(shí)間窗的“樣本外預(yù)測(cè)能力檢驗(yàn)”。預(yù)測(cè)方法的具體步驟為：首先，劃分?jǐn)?shù)據(jù)樣本總體（t＝1,2,…,N＝637），使其分為“估計(jì)樣本”和“預(yù)測(cè)樣本”。其中，估計(jì)樣本固定包含H＝425個(gè)交易日數(shù)據(jù)，最后的212個(gè)交易日數(shù)據(jù)則包含在預(yù)測(cè)樣本中（即t＝H+1,H+2,…,H+M，其中M＝212）。然后，保持估計(jì)樣本長(zhǎng)度不變，連續(xù)向后滾動(dòng)1天，每滾動(dòng)1次，則重新估計(jì)模型參數(shù)，從而外推得到未來(lái)1天的波動(dòng)率預(yù)測(cè)值。也就是說(shuō)，我們對(duì)上述波動(dòng)率模型分別重復(fù)估計(jì)了212次，獲得了212個(gè)未來(lái)1天的波動(dòng)率估計(jì)值，記為σ?m2，m＝H+1,H+2,…,H+M。已實(shí)現(xiàn)波動(dòng)率的預(yù)測(cè)估計(jì)值記作RVm，1.2節(jié)詳細(xì)說(shuō)明了RVm的估計(jì)方法。已實(shí)現(xiàn)波動(dòng)率的預(yù)測(cè)估計(jì)值可以替代真實(shí)市場(chǎng)波動(dòng)率，以衡量各類波動(dòng)率模型的預(yù)測(cè)精度。

3.2 模型預(yù)測(cè)能力評(píng)價(jià)

檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)能力的一般方法是損失函數(shù)判斷法。Hansen[11]認(rèn)為應(yīng)采用更多形式的損失函數(shù)作為模型預(yù)測(cè)精度的評(píng)判尺度。因此，我們采用了6種不同的損失函數(shù)，分別記作 Li，i＝1,2,…,6。L1和 L2分別為平均誤差平方（Mean squared error，MSE）和平均絕對(duì)誤差（Mean absolute error，MAE），是最常見的損失函數(shù)。L3和L4則分別表示經(jīng)異方差調(diào)整的MSE和MAE（Heteroskedastic adjusted MSE and MAE）。鑒于本文篇幅，對(duì)L5和L6的解釋詳見Hansen[11]的研究。各損失函數(shù)如下所示：

4 實(shí)證研究結(jié)果

4.1 波動(dòng)率模型的樣本外預(yù)測(cè)結(jié)果

圖1（a）是ARFIMA-lnRV和SV模型的波動(dòng)率預(yù)測(cè)結(jié)果（分別用實(shí)線和虛線表示），其預(yù)測(cè)樣本區(qū)間為t＝426,427,…,637，共212天；小方塊表示實(shí)際市場(chǎng)波動(dòng)率的替代變量RV的估計(jì)值。圖1（b）則顯示的是標(biāo)準(zhǔn)GARCH和非線性的FIAPARCH模型的預(yù)測(cè)結(jié)果。

圖1 不同波動(dòng)率模型在預(yù)測(cè)樣本區(qū)間的預(yù)測(cè)結(jié)果

從圖1中（a）、（b）的對(duì)比可以發(fā)現(xiàn)，ARFIMA-lnRV和SV模型較為接近已實(shí)現(xiàn)波動(dòng)率的估計(jì)，而GARCH族模型則有高估波動(dòng)率的傾向。當(dāng)然，定量的判斷結(jié)果還需下面各類損失函數(shù)的具體計(jì)算。

4.2 各類波動(dòng)率模型預(yù)測(cè)精度的檢驗(yàn)結(jié)果

表2是基于各類損失函數(shù)的模型預(yù)測(cè)精度檢驗(yàn)結(jié)果，某一損失函數(shù)標(biāo)準(zhǔn)下的最小、次小和第三小損失函數(shù)值用粗體上標(biāo)的圓圈數(shù)字表示。

表2 各類波動(dòng)率模型預(yù)測(cè)損失函數(shù)值

表2發(fā)現(xiàn)：（1）基于高頻數(shù)據(jù)的ARFIMA-lnRV模型在5種損失函數(shù)（MSE、MAE、HMSE、HMAE和R2LOG）標(biāo)準(zhǔn)下都獲得了最高的波動(dòng)率預(yù)測(cè)精度。其中，在HMSE下，ARFIMA-lnRV模型的預(yù)測(cè)精度要遠(yuǎn)遠(yuǎn)高于其他對(duì)比模型。另外，雖然在QLIKE標(biāo)準(zhǔn)下，ARFIMA-lnRV的表現(xiàn)并非最好，但其獲得的損失函數(shù)值與其他模型并未出現(xiàn)太大差距。（2）在上述同樣的5種損失函數(shù)下，SV模型都表現(xiàn)出次優(yōu)的預(yù)測(cè)精度，并且在QLIKE標(biāo)準(zhǔn)下，SV模型的預(yù)測(cè)精度是最高的。（3）總體來(lái)看，幾乎沒(méi)有哪一種GARCH模型獲得了最優(yōu)和次優(yōu)的波動(dòng)率預(yù)測(cè)精度（除FIGARCH模型在QLIKE標(biāo)準(zhǔn)下），這似乎也說(shuō)明了對(duì)于刻畫和預(yù)測(cè)我國(guó)燃料油期貨市場(chǎng)的波動(dòng)來(lái)說(shuō)，各類線性和非線性的GARCH族模型均未表現(xiàn)出明顯的優(yōu)越性。

在原油市場(chǎng)波動(dòng)率預(yù)測(cè)的研究方面，國(guó)內(nèi)外相關(guān)學(xué)者采用的對(duì)比模型還主要局限于GARCH族模型內(nèi)部，而我們的實(shí)證結(jié)果則對(duì)比了幾乎所有研究中采用的GARCH族模型，同時(shí)加入了SV模型和基于高頻數(shù)據(jù)的RV模型，因此我們的研究方法可以從更廣的范圍驗(yàn)證已有文獻(xiàn)的結(jié)論。同時(shí)，由于我們對(duì)真實(shí)市場(chǎng)波動(dòng)率的估計(jì)采用了基于高頻數(shù)據(jù)的已實(shí)現(xiàn)波動(dòng)率估計(jì)，因此本文的研究結(jié)論應(yīng)該更加真實(shí)可靠。

綜上所述，對(duì)于預(yù)測(cè)我國(guó)燃油期貨市場(chǎng)的波動(dòng)而言，基于高頻數(shù)據(jù)的ARFIMA-lnRV模型最優(yōu)。這意味著，相比日數(shù)據(jù)，高頻數(shù)據(jù)的確包含更豐富的市場(chǎng)波動(dòng)信息。所以，使用高頻數(shù)據(jù)測(cè)度波動(dòng)率應(yīng)該可以為研究石油及其相關(guān)產(chǎn)品市場(chǎng)的定量波動(dòng)特征提供更加可靠的依據(jù)。另外，同樣是使用日數(shù)據(jù)，SV模型相比各類GARCH族模型具有更高的波動(dòng)預(yù)測(cè)能力，所以我們認(rèn)為，在大量股票市場(chǎng)研究中都表現(xiàn)出色的各種線性和非線性GARCH族模型也許并不適合我國(guó)燃油期貨市場(chǎng)的波動(dòng)率刻畫和預(yù)測(cè)分析。在只能獲取日數(shù)據(jù)的同等條件下，SV模型應(yīng)該是波動(dòng)率預(yù)測(cè)更好的選擇。

5 結(jié)論與展望

以上海期貨交易所燃油期貨的15分鐘高頻數(shù)據(jù)為研究對(duì)象，本文運(yùn)用滾動(dòng)時(shí)間窗的樣本外預(yù)測(cè)法，計(jì)算了三類代表性波動(dòng)率模型：RV、SV和GARCH族模型（GARCH、IGARCH、GJR、EGARCH 、FIGARCH、FIAPARCH）在212個(gè)交易日內(nèi)的樣本外波動(dòng)率預(yù)測(cè)。進(jìn)一步，我們采用了6種不同的損失函數(shù)（MSE、MAE、HMSE、HMAE、QLIKE和R2LOG）來(lái)對(duì)比各類波動(dòng)率模型的預(yù)測(cè)精度，以確保本文結(jié)論的準(zhǔn)確性和穩(wěn)健性。

我們的實(shí)證結(jié)果發(fā)現(xiàn)，基于高頻數(shù)據(jù)的ARFIMA-ln-RV模型對(duì)我國(guó)燃油期貨市場(chǎng)的波動(dòng)率具有最優(yōu)的預(yù)測(cè)精度。而就基于低頻數(shù)據(jù)（日數(shù)據(jù)）的兩類代表性模型而言，SV模型比各種常用的線性和非線性GARCH模型擁有更好的波動(dòng)預(yù)測(cè)效果。這些發(fā)現(xiàn)提示我們，在股票市場(chǎng)研究中表現(xiàn)出色的GARCH族模型也許并不適合我國(guó)燃油期貨市場(chǎng)的波動(dòng)分析。進(jìn)一步來(lái)說(shuō)，高頻數(shù)據(jù)中無(wú)疑蘊(yùn)涵著更豐富的市場(chǎng)波動(dòng)信息，因此使用高頻數(shù)據(jù)測(cè)度波動(dòng)率對(duì)挖掘我國(guó)燃油期貨市場(chǎng)的波動(dòng)信息意義重大。根據(jù)本文的研究結(jié)論，我國(guó)燃油期貨市場(chǎng)的參與者可以更好地進(jìn)行市場(chǎng)風(fēng)險(xiǎn)的管控。

[1]Cabedo J D,Moya I.Estimating Oil Price‘Value at Risk’Using the Historical Simulation Approach[J].Energy Economics,2003,25(1).

[2]Giot P,Laurent S.Market Risk in Commodity Markets:a VaR Ap?proach[J].Energy Economics,2003,25(1).

[3]Sadorsky P.Modeling and Forecasting Petroleum Futures Volatility[J].Energy Economics,2006,28(1).

[4]Andersen T G,Bollerslev T,Meddahi N.Correcting the Errors:Vola?tility Forecast Evaluation Using High Frequency Data and Realized Volatilities[J].Econometrica,2005,73(1).

[5]Andersen T G,Bollerslev T.Answering the Skeptics:Yes,Standard Volatility Models do Provide Accurate Forecasts[J].International Eco?nomic Review,1998,39(6).

[6]Hansen P R,Lunde A.Consistent Ranking of Volatility Models[J].Journal of Econometrics,2006,131(6).

[7]Andersen T G,Bollerslev T,Diebold F X,et al.The Distribution of Realized Stock Return Volatility[J].Journal of Financial Economics,2001,61(5).

[8]Koopman S J,Jungbacker B,Hol E.Forecasting Daily Variability of the S&P100 Stock Index Using Historical,Realized and Implied Vola?tility Measurements[J].Journal of Empirical Finance,2005,12(4).

[9]Taylor S J.Modeling Financial Time Series[M].Chichester:John Wiley and Sons,1986.

[10]Bollerslev T.Generalized Autoregressive Conditional Heteroskedas?ticity[J].Journal of Econometrics,1986,31(2).

[11]Hansen P R.A Test for Superior Predictive Ability[J].Journal of Business and Economic Statistics,2005,23(4).

F224

A

1002-6487（2013）14-0038-04

國(guó)家自然科學(xué)基金資助項(xiàng)目（71071131）

吳曉雄（1966-），男，江西九江人，博士研究生，研究方向：金融工程。

(責(zé)任編輯/亦 民)