国内外铜期货联系研究

导语：国内外铜期货联系研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

内容摘要

本文研究的目的在于探讨国内外铜期货市场波动性之间是否存在溢出效应和蔓延效应。本文使用协整检验和误差修正模型来考察溢出效应。对于蔓延效应的分析，本文首先使用迭代累计平方加总的算法寻找影响我国期货市场波动性结构性变动的重大事件，然后结合engle提出的条件动态相关系数和ANOVA检验来讨论国内、外铜期货市场波动的蔓延效应。溢出效应检验的结果显示国内外铜期货市场存在长期均衡关系，短期伦敦金属交易所对上海期货交易所的影响要大于国内期货市场对国外市场的影响。影响我国期货市场波动发生结构性变动的事件主要来自于国外汇率的变动和油价的波动。对于蔓延效应检验的结果表明在大部分时间段内上海期货交易所和伦敦金属交易所之间存在阶段性的动态条件相关系数的显著增加或者减少的蔓延效应。

关键词铜期货市场波动性溢出效应蔓延效应

国内、外铜期货市场的关联性研究

一、前言

波动率是衡量某一时间段内金融产品价格变动程度的数值，可以定义为期货价格收益率的方差或者是期货价格自然对数一阶差分的方差来表示。波动率中包含了市场变动和风险的信息。

随着我国期货市场的发展，国外期货市场的波动性变动对国内市场的影响越来越大，国内、外市场的关联性也越来越大。首先，虽然国内期货市场并没有对外开放，国内、外期货市场之间由于国内的管制，资金流动受到限制，但是我们却看到跨市套利交易，从1996年的萌芽状况到现在形成庞大的专业套利群体，经过几年的实践和发展，在国内期货市场上已经独树一帜，成为独立于套期保值和投机交易之外最大规模的交易模式。跨市套利的存在和发展无疑加大了国内、外市场之间的关联性。其次，随着经济的高速发展，而社会财富积累和经济水平提高都是以原材料和能源消耗为基础的。我国对于铝、铜、钢、水泥等基础材料和能源消耗都进入加速期，它们年消费增长率都高于GDP增长。但是我国铜、氧化铝、大豆等基础材料和农产品的产量却不能满足这种增长的需要，出现了严重依赖进口的现象。作为具有价格发现机制和套期保值功能的期货市场不可避免会被动受到国外期货市场定价和波动的影响。当然我们也要看到国内期货市场对于国际期货市场的影响力也越来越大。这是一个双向的过程。随着国内期货市场的飞速发展和国际化程度的日益加大，有必要对国内和国外市场的关联性进行研究。本文选取的研究角度是波动性。

目前，国内、外对于中国与国外期货市场关联研究还很少，华仁海和仲伟俊（2004）在《国内、国际期货市场期货价格之间的关联研究》一文中发表了对国内、外期货市场关联性研究的最新成果。他们利用协整检验和Granger因果检验对国内、外期货市场的铜、铝、大豆和小麦的期货价格之间的动态关系进行了实证研究。结果显示上海期货交易所和伦敦期货交易所铜、铝的期货价格之间存在长期均衡关系。相对而言，国外市场对国内市场的影响要大于国内市场对国外市场的影响。

华仁海和仲伟俊（2004）的研究认为上海期货交易所的铜（沪铜）、铝（沪铝）以及大连商品交易所的大豆（连豆）与国外市场相应品种的价格存在长期均衡的关系。但是他们的研究有些地方值得商榷。首先，他们对研究对象的构成是照搬国外成熟的方法，采用最近期合约(nearbycontract)的时间序列数据。国外市场流动性较好，最近期合约往往就是交易最活跃合约，但是我国市场由于流动性的问题，最近期合约往往不是交易最活跃合约。最近期合约的另一个问题就是存在逼仓现象，价格在最后的交易时段往往价格会被快速拉升逼迫空头平仓。而流动性问题和逼仓现象无疑会影响到波动性。因此，本文采用均值分析的方法选择了符合国内期货市场波动性特点的代表性合约，从现实中观察这种研究对象的选取也符合中国期货市场的情况。其次，华仁海和仲伟俊的研究并没有进一步深入地探讨国内、外期货市场究竟是如何相互影响的？这种影响是不是一成不变的？

本文在探讨国内外期货市场关联性的时候，借鉴了波动性溢出效应和蔓延效应的方法，主要从国内外市场溢出效应和蔓延效应的角度来探讨国内外期货市场的关联性。溢出效应的分析工具主要是Granger因果检验或协整检验和VEC模型。这一部分工作和华仁海和仲伟俊（2004）一文关于国内外市场长期均衡关系的结论基本一致。但是由于数据取样上的不同，本文的研究结果表明从短期来看，市场对冲击的调整速度要快的多，这也比较符合市场的现实情况。对蔓延效应的分析本文首先采用迭代累积平方和算法(IterativeCumulativeSumsofSquaresalgorithm(ICSS))找到国内期货市场波动性的结构性变点，然后结合Engle(2000,2004年)提出的动态条件相关系数（dynamicconditionalcoefficient(DCC)）的方法探讨了在影响国内期货市场波动性发生重大变动的事件发生以后，利用变异数检验的方法来检验在这些重大事件发生前后，国内、外期货市场关联性是否发生了变化，也就是说国内和国外市场波动性是否存在蔓延效应。

本文的研究框架如下，第二部分说明了本文代表性合约构成方法和选择标准。第三部分说明了国内、国外市场波动溢出效应和蔓延效应的概念和实证方法。第四部分给出了实证检验的结果。第五部分基于本文的分析给出了结论及建议。

二、代表性合约的选择

从我们的研究角度出发，代表性合约必须具有较大的成交量同时还要避免进入交割月后的到期影响。期货价格具有不连续的特点。对于每一个期货合约，时间跨度是有限的，任意交割月份的期货合约在合约到期以后，该合约将不再存在。另外，在同一交易日，同时有若干个不同交割月份的期货合约在进行交易，因此，同一交易日，同时有若干个不同交割月份的期货合约在进行交易，同一期货品种在同一交易日会同时有若干个不同交割月份的期货数据存在。为了研究需要，克服期货价格不连续的特点，必须构造具有代表性的连续期货价格序列。本文参考了华仁海、陈百助（2004）的方法构造连续期货合约。上海期货交易所的铜每年有1月到12月交割共12个期货合约。连续当月合约，就是铜交割月份合约数据，如果到期后就顺延到下一个合约。下面以铜的连续一月合约为例，说明其他连续合约产生过程。1998年1月就选取1998年2月份交割的期货合约为代表，而1998年2月则选取1998年3月交割的期货合约为代表，并以此类推形成铜的连续一月合约。1998年1月，连续一月合约纪录的是1998年2月到期的合约的数据，连续二月合约是1998年3月到期的合约，连续三月合约采用的是1998年4月到期的合约，到1998年12月，由于1998年12月合约已经到期，因此此时连续一月合约纪录的是1999年1月到期的合约的数据。而连续二月合约的构成以此类推，1998年1月选取1998年3月到期合约的数据，1998年12月，就选取1999年2月到期的合约数据来构成连续二月合约，连续三月合约是1999年3月到期的合约，以此类推，得到铜期货的连续多个合约的价格时间序列。

考虑到1998年才正式开始试办上海期货交易所、郑州商品交易所和大连商品交易所三个期货交易所，而此前的期货市场处于相对混乱的局面，因此本文样本数据是从1998年1月1日到2004年12月31日上海铜期货连续合约。

表1出了我们样本数据的连续当月、连续一月、连续二月、连续三月、连续四月和连续五月合约日交易量的均值：

表1：沪铜各个连续合约日交易量的均值(单位：手)

数据个数最小值最大值均值Std.Deviation

铜连续当月合约18014.0038842.001623.10382260.75032

铜连续一月合约17054.00176524.003395.691513091.49964

铜连续二月合约17056.00170064.006459.126118007.66156

铜连续三月合约170888.00248934.0011793.548021083.83344

铜连续四月合约17056.00317702.0017993.727929417.44206

铜连续五月合约16252.00308748.008466.045524365.46752

资料来源：使用spss自制

表2：铜各连续合约交易量配对样本t检验结果（PairedSamplesTest）

PairedDifferencestSig.(2-tailed)

MeanStd.DeviationStd.ErrorMean

铜连续当月－连续三月*-10493.2220972.90507.47490-20.6770

铜连续当月－连续四月*-16702.2229418.04712.44539-23.4440

铜连续三月－连续四月*-6200.1234866.85844.40-7.3430

*1%水平上显著

资料来源：使用spss自制

从表1中各个合约的日交易量均值中我们看出，铜的交易量主要集中在连续三月、四月合约，铜期货合约交易最为活跃的合约并不是最近月合约。通过配对样本检验更加坚定了我们选取沪铜连续4月合约的信心。因此我们根据中国期货市场交易量在各个合约中分布的情况，沪铜选取铜期货连续四月合约作为我们研究的代表性合约，从1998年1月1日到2004年12月31日共1705个数据。

二、本文的研究方法

（一）收益率和波动率的界定

参照金融市场的一般做法，本文将铜期货市场的日收益率定义为其价格对数值的一阶差分：

其中是第t个交易日连续期货合约的收盘价格。严格的说，期货市场价格日收益率应该说是期货价格变动的百分比。

当样本容量较大时，日收益率序列和日均方收益率序列分别表示期货价格收益率围绕均值水平的双向波动和均方波动，而且它们所体现的波动程度依次增强，均方收益率实际上表示了收益率序列的当期波动方差，是一种当期风险程度的表示方式。

Engle(1982)提出金融市场价格收益序列具有尖峰、厚尾的特征,收益方差序列具有相关性、集群性和异方差性。利用条件方差来度量风险或者收益率的波动程度，并且使得这些波动性和风险具有时变性质，从而不仅体现了新信息获得和新冲击出现所产生的动态影响，还可以考虑到过去已经实现的波动程度的因素。价格收益与其波动方差之间通常存在非线性正相关关系,波动率不再作为一个常数，而是时变的,并受前期波动率的影响，这种对波动性界定的方法更符合市场实际情况。

描述收益率的广义条件异方差模型GARCH(p,q)模型由两部分组成，第一部分是数据生成过程（均值过程）：等式2

其中不是单纯的白噪声过程，而是一个条件异方差过程，在已知信息集的条件下，假设绝对残差序列的条件分布为正态概率分布，具有时变的条件方差：

t=1,2,…,T

GARCH(p,q)模型的第二部分主要由条件异方差的生成过程组成（方差过程），GARCH模型假设条件异方差序列满足：等式3

条件方差不仅依赖于过去的条件方差，而且依赖模型过去残差。因为GARCH模型的条件方差依赖于过去已经实现了的波动程度和变更的信息，所以它可以用于描述一些由平稳性和波动性混合的数据生成过程。

如果允许条件方差对收益率有影响，就得到GARCH-M(p,q)模型。等式2就改写为：等式4

当存在风险奖励时，即风险增加（波动性加大）时收益水平增加，在上述方程中当期条件方差的调整系数>0。当存在风险惩罚时，即风险增加（波动性加大）时，收益水平降低，则对应的调整系数<0。

（二）波动的溢出效应和蔓延效应

波动性溢出效应（spillovereffect）是用来分析市场之间对事件冲击的反应是否会存在相互影响。研究工具则主要是利用Granger因果检验，VAR模型和冲击反应函数的关系来讨论，来讨论模型内生变量之间的新生量的冲击和反应的互动关系。这一方法的优点在于模型的架构不需要先验的理论假设基础。而蔓延效应则是用来进一步分析这种影响是否会造成市场间长期均衡的趋势有显著改变。

繁延机制的研究为不同市场之间波动性的蔓延效应提供了依据。这一机制的存在说明，在国与国之间存在高度共移的情况之下，一国的冲击将可传导至国际之间。如果这种共同趋势是由冲击发生之前的机制传导的一般称为相互依存效应；如果这种共同趋势是由冲击发生时所产生的新的机制引导的，那么就称为蔓延效应。过去已存在的联系途径一般是建立在经济基本面分析上的，而蔓延效果的目的在于阐述危机（新的冲击）发生时，传导机制(transmissionmechanism)为何会改变以及为何市场之间的联系关系在该事件发生之后会发生变化（增大或者是减少）。

ForbeandRigobon(2002)认为蔓延效应是指一国（或区域国家间）所引发的冲击，造成市场共同移动趋势的显著上升或者增加的现象。正向的影响将会造成两国共同移动趋势显著的增加。另一方面，负向的影响力将会造成两国共同移动趋势显著的减少。这种正向或者负向的冲击，不但会引发冲击发生期间投资者投资策略的改变，也会引发资金在国际间的移动，造就市场之间的多重平衡。文献上探讨蔓延效果是否存在的实证研究，大都都是观察市场之间的相关系数的变化。

本文对波动性溢出效应的研究所采用的方法是协整检验和误差修正模型，而对于蔓延效应的检验则分了三步来进行，首先使用的是InclánandTiao（1994）提出ICSS运算法来检验时间数列变异结构的改变点，从而找到影响波动性发生结构性变动的重大事件。第二步本文采用engle(2000,2004)提出的动态条件相关系数的估计方法把国内、外市场之间波动关联的变化量化，最后使用ANOVA方法检验在重大事件发生前后波动的关联性是否发生了改变来说明是否有新的传导机制出现。

（三）协整检验和误差修正模型

金融时间序列数据通常是非稳态的（单位根过程）。EngleandGranger(1987)指出两个或者两个以上的非平稳的时间序列的线性组合可能是平稳的。如果这种通过线性组合而形成的平稳过程或者说I(0)过程存在，那么就称这两个或者更多个非平稳（带有单位根）的时间序列之间具有协整关系（cointegration）。被称为协整等式的这种线性组合可以被理解为在这两个或更多个的金融变量之间存在着一种长期的均衡关系。

误差修正模型(vectorerrorcorrection(VEC))是一种带有协整关系限制的VAR模型。误差修正模型被用于具有协整关系的非平稳时间序列上，在已知模型内生变量具有长期均衡关系的条件下，说明了这些变量在允许一定范围内的短期动态波动的情况下，是如何经过调整趋于协整关系的。因为变量对于长期均衡关系的偏离逐渐通过一系列的部分短期调整来修正，因此协整关系项被称为误差修正项。

（四）动态条件相关系数模型

动态条件相关系数模型(DynamicConditionalCorrelation,DCC)是engle(2000、2004)提出的一种最新的估计和检验相关系数模型，在估计的过程中还对波动性进行考察。动态条件相关系数模型（DCC）不同于传统的相关性估计之处在于它可以表现金融市场之间波动和相关性的不对称性和时变的特征。这种方法现在被广泛地使用在不同国家的市场之间的相关性估计上。

动态条件相关系数模型对波动性和相关系数的估计分为两个步骤。首先分别估计国内、国外市场的单变量广义条件异方差（GARCH）模型，然后再使用上述模型估计出的标准差来估计随着时间变动的动态条件相关系数。

设国内i市场和国外j市场在t时刻的收益率分别为。是对角为标准差的对角阵。可以被表示如等式1所示的条件标准差（conditionalstandarddeviation）乘以标准误差(standarddisturbance)的关系：等式1

是收益的条件方差

是收益的条件方差

是均值为0，方差为1的标准扰动项。

之间的相关系数一般可写为：等式2

如果把等式1代入等式2，那么等式2可改写为等式3，条件相关系数也就成为标准扰动项之间的条件扰动项。等式3

定义收益的条件协方差条件矩阵如等式4所示，R是条件协方差矩阵（conditionalcovariancematrix）。Engle（2000）的动态条件相关模型（DCC）中允许R随时间变动即：等式4

等式5

的相关系数也就可以表示为：等式6

如果GARCH(1,1)模型来估计该相关系数那么如下式所示：等式7

定义共变异矩阵，当时，为均值回复模型，此时估计式可用以下矩阵来表示：等式8

S是的无条件相关矩阵

Engle（2000）提出该式可以利用最大似然法来估计，取对数最大似然估计函数如下式所示等式9

本文在估计动态条件相关系数时，首先在根据对国内铜期货市场价格日收益率的描述性分析和ACF，PACF图，经过比较后选择使用ARMA(1,1)-GARCH(1,1)模型来估计均值为0，变异数为1的标准化残差，再以上述对数最大似然估计函数来估计国内、国外市场期货市场价格收益之间的动态条件相关系数。

（五）迭代累计平方和

InclánandTiao（1994）提出ICSS运算法来检验时间数列变异结构的改变。此方法假设时间数列期初变异数呈一定稳定状态直至变异数突然发生改变为止。此过程随着时间不断重复，直至下一个未知的改变发生于变异数中。令{}服从一个均值为0，方差为分布的数列，用代表每一区间的变异数，表示T个观察值中所检测到的变异数发生结构改变的总数，在改变点的区间集合内，变异数分别为等式14

为了估计变异数结构改变点的个数和每一个区间改变点的位置，须计算独立数列{}的累计平方加总，令为该数列从时间1到第k个点中心平均值(mean-centered)平方加总，统计量的定义如下：等式15

如果估计样本区间内变异数没有发生变动，那么统计量将在零附近波动（在水平横轴线为0上下附近随意变动）。如果该数列在变异数发生一个或多个结构改变时，的值由零增加或是减少，在齐质变异数(homogeneousvariance)的零假设下，根据的分布可以导出临界值来检测在已知概率下变异数是否存在显著的改变，当绝对值的最大值大于临界值时，就将拒绝零假设。

令为达到时的k值，当最大的值超过先前所决定的界限时，所表示的即为所估计之结构改变点的位置。

当数列存在多个结构改变点时，潜在的面具效果(maskingeffects)使不具有充分性。为解决这一问题，InclánandTiao（1994）建议利用函数，有系统地寻找该数列在不同区间内的结构改变点位置。

为了检测波动的改变位置，首先定义日价格数据的对数一阶差分来表示资产报酬率：等式16

是时间t价格，在进行ICSS检验程序时，利用减去其均值的资产报酬来表示报酬日波动，即：等式17

加总的平方得到，然后将标准化为，获得后就可以用ICSS算法来检验多重结构改变点。

本文使用matlab软件编程来实现上述算法。

四、实证检验结果

（一）对铜期货连续四个月合约的描述性检验

表3给出了沪铜期货价格收益的基本统计特征，由基本统计特征可以看到，期货价格收益不服从正态分布，具有尖峰厚尾的特征。

表3：沪铜连续四月合约期货价格收益率的基本统计特征

资料来源：使用SPSS软件自制

资料来源：使用EVIEW软件自制

图1和图2给出了日收益率序列和日均方收益率序列的时间序列轨迹，通过对这些轨迹的考察，我们可以得出对期货市场价格收益率和波动性的初步判断。在收益率时间序列中出现了多个异常的峰值，表明了期货市场价格日波动的突发性和显著性。此外，收益率序列当中的波动性出现了明显的聚类现象，这表明时间序列的波动性具有条件异方差现象，这些序列中出现的扰动不是白噪声过程。如附录所示，本文通过各种ARMA-GARCH(1,1)模型的比较最终选择了ARMA(1,1)-GARCH(1,1)模型来对收益率进行拟合。

图1：沪铜收益率时间序列轨迹

资料来源：使用excel软件自制

图2：沪铜波动率时间序列轨迹

资料来源：使用excel软件自制

（二）上海期货交易所（SHFE）铜（CU）和伦敦金属交易所（LME）铜（CU）波动的溢出效应检验

首先对这两个市场进行相关性分析，发现这两个市场的相关性高达98.8461%，这一数字只能很好地说明这两个市场是相互影响和相互作用的。为了更好地说明它们是如何相互影响，相互作用的，这一相互作用是否是对称的，相互作用的趋势是如何变化的，我们采用了协整分析和误差修正模型，最后使用动态条件相关系数的方法试图将这一趋势量化。从表4中可以看到，在5%的临界值水平下，铜在上海期货交易所和伦敦金属交易所的期货价格之间存在协整关系。这就说明尽管在两个相关市场上的期货价格是非平稳的，短时间内两个市场的期货价格可能出现偏离，但是从长期来说，两个市场上的期货价格保持均衡关系。从上海交易所和伦敦金属交易所铜协整关系的时间轨迹可以看到波动较大的时间出现在1998年和2004年4月以后(数据点1500所对应的时间)。1998年是期货市场经过治理整顿重新开始发展的一年，在市场发展初期两个市场经过调整而趋于长期均衡的过程。2004年4月以后，由于全球经济特别是中国经济的发展加快，铜库存处于历史低位，两个市场之间长期均衡关系波动较大，中国投资者的套利策略也由此前的正向套利转变为反向套利。

由于上海期货交易所和伦敦金属交易所铜的期货价格之间存在协整关系，因此可以通过如下误差修正模型(VEC)来表述。从下面的模型估计可以看到LME市场的误差修正项系数为-0.01473699307，上海期货交易所的误差修正项系数为0.1861057965，他们都在5%的置信水平下，统计显著。同时误差修正项对LME市场铜价有着负向的修正作用，对上海期货交易所有着正向调正作用。也就是说当系统偏离均衡状态时，如果误差修正项为正，那么上海期货交易所期货价格将下降，而LME下一期期货价格将上升。如果误差修正项为负，那么上海期货交易所期货价格将上升，而LME下一期期货价格将下降。

表4：沪铜和LME铜协整关系检验

似然率(L.R.)5%1%假设

17.0836315.4120.04None*

0.1647643.766.65Atmost1

存在一个协整等式

LMESHC

1.000000-0.126498487.1883

(0.00528)

Loglikelihood-18674.54

*(**)表示在5%（1%）显著性水平下拒绝原假设

L.R.检验说明在5%的显著性水平下存在一个协整关系式

该协整关系时间轨迹如下：

沪铜和LME铜VEC模型估计结果

D(LME)=-0.01473699307*(LME(-1)-0.1264976281*SH(-1)+487.188331)-0.107911202*D(LME(-1))-0.1172938653*D(LME(-2))-0.05485867693*D(LME(-3))-0.0118074017*D(LME(-4))+0.01630603391*D(SH(-1))+0.005699962338*D(SH(-2))+0.00123327483*D(SH(-3))+0.006627628835*D(SH(-4))+0.9489044288

D(SH)=0.1861057965*(LME(-1)-0.1264976281*SH(-1)+487.188331)+5.383407542*D(LME(-1))+2.61463395*D(LME(-2))+1.180153399*D(LME(-3))+0.8524370333*D(LME(-4))-0.3050652666*D(SH(-1))-0.1595758991*D(SH(-2))-0.05749482988*D(SH(-3))+0.01909865228*D(SH(-4))+1.429397972

*表示在5%的置信水平下显著

资料来源：使用eview软件自制

Granger因果检验的结果也可以看到上海期货交易所和伦敦金属交易所市场上铜的价格是相互影响，相互作用的。无论在1%还是在5%的显著性水平下都不能拒绝两个市场铜期货价格之间存在双向的Granger引导关系。

表5：沪铜和LME铜Granger检验结果

零假设F-StatisticProbability

LMEdoesnotGrangerCauseSH*

291.2230.00000

SHdoesnotGrangerCauseLME*5.224240.00035

在1%临界值水平下显著

资料来源：使用eview软件自制

以上的分析结果就是说LME市场的铜期货和上海期货交易所的铜价格之间存在长期的均衡关系和双向的引导关系。两个市场的波动存在溢出效应。

为了更加直观地刻画这两个期货市场之间价格和波动的相互影响关系，我们在图3中给出了铜误差修正模型中残差项的一个标准误差冲击对另一个市场期货价格变动冲击的影响。从图中可以看到，对来自伦敦市场期货价格变动的冲击，上海市场在当日就完全反应出来，而LME对来自上海期货交易所的价格冲击虽然也在当日有所反应，但是上海期货交易所对来自伦敦金属交易所的冲击的反应要远远大于伦敦市场对来自上海冲击的反应。因此虽然这两个市场是相互作用的，但是伦敦市场铜价格的影响力要远远大于上海期货交易所铜的价格。

图3左：LME对SHFE一个标准误差冲击反应分析

图3右：SHFE对LME一个标准误差冲击反应分析

资料来源：使用EVIEW软件自制

（三）上海期货交易所（SHFE）铜（CU）和伦敦金属交易所（LME）铜（CU）波动的蔓延效应检验

为了进行蔓延效应检验我们首先需要找到铜期货波动的结构性变点。本文使用matlab来实现Inclan和Tiao（1994）的迭代累积平方和算法（IterativeCumulativeSumsofSquares，ICSS）。程序运行得到沪铜的结构性变点数据如下表所示。

表4：沪铜波动结构性变点以及事件说明

变点位置对应日期事件说明

10898.6.15日本经常项目盈余增加,日元汇率大幅贬值，6.15下午收盘时的汇率是146．43日元兑换1美元，比上周末下跌2．42日元，是1990年8月以来的最低点。韩国股市汇市双双暴跌,菲律宾比索在继续贬值,泰国股市下滑。

29899.3.22科索沃战争爆发，北约24日晚对南联盟发起空袭。16日欧洲委员会20名委员因贪污丑闻全体辞职后，更令欧元陷入弱势之中。西欧股市却持续下降。

46099.11.11

52500.2.252000年油价开始上涨，00.2.17达到28.19美元/桶。同年根据国际市场油价变动，我国今年先后9次对成品油价格进行调整。

57600.5.15LME铜价出现暴涨行情，A级铜从五月一日的1741美元/吨一路升至五月五日的1810美元/吨。

73400.12.27欧佩克油价跌破每桶22美元。

139903.9.309月20日七国集团财长和央行行长会议（G7）后，美元暴跌。美元兑日元一度跌至110日元附近，欧元汇价骤升1500余点。

资料来源：使用matlab和excel自制

图4：沪铜连续四月波动与沪铜波动结构性变点

资料来源：使用excel自制

本文使用engle(2000,2004)的动态条件相关系数的方法来估计上海期货交易所和伦敦商品交易所波动的动态条件相关系数值如下图（图5）所示。国内、外市场波动的关联性很大程度上是投资者在国内、外市场进行跨市套利的结果，因此我们把估计出来的动态条件相关系数和上海期货交易所连续四个月价格与伦敦商品交易所三个月期货价格的比值(SHFE/LME)放在一起观察。首先可以看到在动态条件相关系数发生大的波动的同时，国内外市场连续价格之间的比值也发生大的波动。在动态条件相关系数达到高点或者低点的时候，相应的两市之间的连续价格的比值也会出现一个峰值。而且动态条件相关系数的峰值出现的时间要早于两市连续价格比值发生重大变化的时间。也就是说动态条件相关系数先发生变化以后，两市之间的套利资金会进行相应的变动，然后才会在两市之间套利行为乃至价格变化上得到反映。

图5：上海与伦敦交易所之间动态条件相关系数与上海连续四月收盘价与LME三个月合约收盘价之间比值对照图

资料来源：使用excel自制

对于蔓延效应的检验我们最终想得到的结论是在这些影响沪铜波动发生结构性改变的这些事件发生以后，上海期货交易所和伦敦商品交易所之间的传导机制是否发生了变化，也就是是否存在蔓延效应。我们下表（表5）给出了ANOVA检验的结果。从表中我们可以看到在国外这些影响国内铜期货市场波动发生结构性变动的重大事件发生以后，除了1998年6月15日之前和1999年11月11日至2000年2月25日这两个时间段之外，其余时间段都出现了明显的动态条件相关系数均值的变化。这些变化也就意味着这些事件发生之后，两市之间存在着蔓延效应，也就是说两市之间原有的传导机制发生了变化，资金流动发生了变化。对于1998年6月15日之前的时间段来说这一段时间蔓延效应的不存在可能的解释在于1998年中国期货市场刚刚起步，因此参与两市之间的套利的投资者有限。对于1999年11月11日至2000年2月25日时间段检验结论不显著的原因可能是因为在2000年5月15日又出现了一个变点，这两个时间段相距较近，所以2000年2月25日的事件就不能说明蔓延效应。但是和2000年2月25日相距不远的2000年5月15日所划分的两个时间段之间检验结果就是显著的，存在蔓延效应。

表5：使用ANOVA对蔓延效应进行检验结果

时间段变点均值差标准差Sig.95%置信区间

LowerBoundUpperBound

98.6.15之前1080.000.011.00-0.040.03

98.6.15-99.3.22*2980.060.010.000.020.09

99.3.22-99.11.11*460-0.100.010.00-0.14-0.05

99.11.11-00.2.255250.020.020.91-0.030.08

00.2.25-00.5.15*5760.070.020.000.020.12

00.5.15-00.12.27*734-0.090.010.00-0.12-0.06

00.12.27-03.930*13990.050.010.000.030.07

*在1%临界值水平下显著

资料来源：使用spss自制

五、结论及建议

从上文的分析中我们可以得到以下结论：首先，溢出效应检验的结果显示国内外铜期货市场存在长期均衡关系，短期来看伦敦金属交易所对上海期货交易所的影响要大于国内期货市场对国外市场的影响。其次，影响我国铜期货市场波动发生结构性变动的事件主要来自于国外，美元、欧元汇率的变动和油价的变动引起了我国铜期货市场波动的结构性变动。第三，对于蔓延效应检验的结果显示，除了在变点298和525之外的5个变点对应的事件发生之后，上海期货交易所和伦敦商品交易所铜期货之间的传导机制都发生了显著变化。也就是说这些事件的发生引起了这两个市场资金流动和交易行为的很大变动。

上文对我国期货市场波动性的分析表明，随着中国期货市场的发展，上海交易所铜期货市场波动性加大。此外，我国期货市场与国际市场的相关度不断增加，上升的国际相关度表明我国期货受到国际因素的影响程度在加强，相应的风险也同样在增加。第三，我国期铜市场和国外市场的动态相关系数波动较大。第四，对于影响我国期货市场波动的重大事件上，我们可以看到对于铜期货合约来说与波动性相关联的重大事件主要是美元汇率和石油价格走势。也就是说我国期货市场波动加大，受到国外市场影响程度上升。我国期货市场的波动很大程度上受到来源于国外宏观经济或者是其他经济变量、价格波动的影响。国际期货市场无论是伦敦金属交易所(LME)还是纽约商品交易所(COMEX)都有为期货合约提供风险规避的工具和场所-铜期权合约，而受到国际因素影响加大的我国铜期货市场却没有相应的风险规避机制，只能被动接受来自国外风险的传导，国内铜期货市场参与者缺乏相应的期货风险规避工具。随着我国经济的持续增长和贸易依存度的不断提高，我国期货市场受国际市场影响的程度还会上升。因此铜期权合约的设计和推出就显得极为紧迫。

附录1：沪铜收益率序列自相关和偏自相关函数

ACPACQ-StatProb

1-0.011-0.0110.21420.643

20.0360.0362.46110.292

3-0.007-0.0062.53450.469

40.0170.0163.04840.550

50.0090.0103.18790.671

6-0.040-0.0415.95070.429

7-0.012-0.0146.20800.516

80.0340.0378.22920.411

90.0120.0138.46980.488

100.0230.0229.36700.498

附录2

沪铜ARMA(1,1)-GARCH(1,1)

CoefficientStd.Errorz-StatisticProb.

AR(1)-0.9245850.083603-11.059290.0000

MA(1)0.9098730.09092510.006820.0000

VarianceEquation

C0.0187350.0041914.4699040.0000

ARCH(1)0.0597350.0089926.6431670.0000

GARCH(1)0.9225280.01096784.119920.0000

R-squared0.000475Meandependentvar0.029858

AdjustedR-squared-0.001880S.D.dependentvar1.043896

S.E.ofregression1.044877Akaikeinfocriterion2.788815

Sumsquaredresid1853.822Schwarzcriterion2.804788

Loglikelihood-2369.676F-statistic0.201569

Durbin-Watsonstat1.986896Prob(F-statistic)0.937567

InvertedARRoots-.92

InvertedMARoots-.91

沪铜ARMA(1,1)-GARCH(1,1)-M

CoefficientStd.Errorz-StatisticProb.

GARCH0.0221710.0230240.9629620.3356

AR(1)-0.8971490.114950-7.8047170.0000

MA(1)0.8801530.1236277.1194240.0000

VarianceEquation

C0.0186960.0042214.4296550.0000

ARCH(1)0.0603500.0090716.6529310.0000

GARCH(1)0.9222210.01102683.641830.0000

R-squared0.001571Meandependentvar0.029858

AdjustedR-squared-0.001371S.D.dependentvar1.043896

S.E.ofregression1.044611Akaikeinfocriterion2.790415

Sumsquaredresid1851.789Schwarzcriterion2.809582

Loglikelihood-2370.039F-statistic0.533946

Durbin-Watsonstat1.984480Prob(F-statistic)0.750705

InvertedARRoots-.90

InvertedMARoots-.88

参考文献

1.王冠闵、黄柏农《台湾股、汇市与美国股市关联性探讨》《台湾经济预测与政策》2004年第2期：p31-72

2.华仁海、陈百助《国内、国际期货市场期货价格之间的关联研究》

《经济学季刊》2004年4月第3卷第3期：p727-740

3.KEVINBRACKERKENNETHL.SMITH

“DetectingandModelingChangingVolatilityintheCopperFuturesMarket”TheJournalofFuturesMarkets,1999Vol.19,No.1,p79–100

4.CarlaInclanandGeorgeC.Tiao,“Useofcumulativesumsofsquaresforretrospectivedetectionofchangesofvariance”JournalofAmericanstatisticalassociation，Sept.1994,Vol.89,No.427,theoryandmethods

5.Engle,R.“AutoregressiveConditionalHeteroscedasticitywithEstimatesofTheVarianceofUnitedKingdomInflation”Economertica,198250(4),p987–1006.

6.Engle,R.“DynamicConditionalCorrelation-ASimpleClassofMultivariateGARCHModels,”2000UCSDDiscussionPaper.

7.Granger,C.W.J.,B.N.Huang,andC.W.Yang“ABivariateCausalitybetweenStockPricesandExchangeRates:EvidencefromRecentAsianFlu,”QuarterlyJournalofEconomicsandFinance,2000，40,p337–354.

8.Bollerslev,T.“GeneralizedAutoregressiveConditionalHeteroscedasticity,”JournalofEconometrics,1986，31(3),p307–327.

9.Bollerslev,T.“AConditionalHeteroskedasticTimeSeriesModelforSpeculativePriceandRatesofReturn,”ReviewofEconomicsandStatistics,1987,69,p542–547.

10.Bollerslev,T.“ModellingtheCoherenceinShort-RunNominalExchangeRates:AMultivariateGeneralizedARCHModel,”ReviewofEconomicsandStatistics,1990,72,p498–505.

11.Bollerslev,T.,R.Chou,andK.Kroner“ARCHModelinginFinance:AReviewoftheTheoryandEmpiricalEvidence,”JournalofEconometrics,1992,52,p5–59.

12.Bollerslev,Tim,RobertEngleandJ.M.Wooldridge“ACapitalAssetPricingModelwithTimeVaryingCovariances,"JournalofPoliticalEconomy,1988,96,p116-131.

13.Bollerslev,Tim“ModelingtheCoherenceinShort-runNominalExchangeRates:AMultivariateGeneralizedARCHModel,”ReviewofEconomicsandStatistics,1990,72,p498-505.

14.Forbe,K.andR.Rigobon“NoContagion,onlyinterdependence:MeasuringStockMarketComovement,”1999NBERWorkingPaperNo.7264

15.Forbe,K.andR.Rigobon“NoContagion,onlyinterdependence:MeasuringStockMarketComovement,”JournalofFinance,2002,5,p2223-2261

16.ReenaAggarwal,CarlaInclanandRicardoLeal“Volatilityinemergingstockmarkets,”JournalofFinancialandQuantitativeAnalysis,March1999,Vol34.,No.1

17.Mandelbrot,Benoit“TheVariationofCertainSpeculativePrices,”JournalofBusiness,1963,36,p394-419.