波动溢出效应范文

波动溢出效应范文（精选10篇）

波动溢出效应 第1篇

2010年4月16日, 中国金融期货交易所正式推出国内第一份股指期货合约, 即沪深300股指期货, 其标的为沪深300指数。这标志着我国期货市场从此进入金融期货的时代, 同时解决了我国资本市场长期缺乏做空机制和对冲工具的问题。沪深300股指期货自上市以来至今已有4年多的时间, 在此期间沪深300股指期货得以快速发展并日趋成熟, 已成为影响我国资本市场重要的衍生品交易工具之一。

虽然我国股指期货上市交易时间才4年多, 但是由于监管层前期积极推出股指期货仿真交易, 积累了丰富的监管和处理风险事件的经验, 使我国股指期货在短短4年时间里就表现出来了较好的运行效率, 吸引了大量投资者进行交易。沪深300股指期虽然取得了良好的开端, 但是我国还应当正视股指期货市场当前存在的一些不足, 例如日内投机交易过于活跃。

股指期货相对现货市场而言, 具有保证金比例小、成本低、杠杆倍数高等特点, 而且股指期货交易指令执行的速度较现货市场要更快, 因此股指期货的推出, 会吸引大量投机者和高风险偏好的投资者将部分交易从股票市场转移到期货市场, 导致对股票现货市场资金的分流, 客观上也会影响股票市场的流动性和效率。因此, 股指期货市场的管理风险、价格发现功能以及风险传递机制正成为学术界日益关心和讨论的话题。否则股指期货只是另一个投机场所, 将对不利于现货市场的长远发展和壮大。

同时, 股指期货与现货市场间套利交易以及到期日交割等制度安排, 使得期货和现货市场的关系日益紧密。光大期货事件暴露出, 日渐盛行的量化投资和程序化交易使得金融市场风险将更趋系统化和复杂化。不仅要对市场本身风险加以有效防范和规避, 同时还应对两市场间的风险传导和波动溢出效应加以考虑, 现有监管体制将面对更加严峻的考验和挑战。因此要想对沪深300股指期货市场和现货市场风险进行科学的监管, 必须深入探究两市场间信息传导和波动溢出的具体传导机制。

2 相关文献介绍

2.1 关于波动率估计模型的研究

波动率是指变量随时间变化而呈现出的扰动, 是对资产收益与风险的衡量指标。20世纪70年代之前, 经典的金融经济分析都假定波动率是恒定的。Markowitz (1952) 在《资产组合选择——投资的有效分散化》最先提出波动率衡量这一概念, 并且该论文最早采用风险资产的期望收益率 (均值) 和用方差 (或标准差) 代表的风险来研究资产组合和选择问题。Myron、Fisher (1973) 的期权定价模型假定波动率是固定不变的, 并且需要使用到标的资产的波动率来给期权定价。波动率的一种重要估计方法就来源于上述期权定价模型, 称之为隐含波动率 (Implied Volatility) 。

经典的金融经济分析都假定波动率是一个常数, 这一假定严重违背了金融数据的实证特征, 现实金融市场的波动率不但随时间的变化而变化, 而且波动率还具有一些典型特征——长记忆性、聚合性、不对称性。因此, 在过去的几十年里, 众多研究者和实际工作者广泛关注波动率的动态性质, 深入研究资产收益率波动的背后驱动因素。自Engle (1992) 在《计量经济学》上发表第一篇ARCH文章开始, 众多学者在此基础之上提出众多条件异方差模型, 进而形成了基于平方收益的GARCH族和SV族模型。GARCH模型已经能够较好地模拟资产收益率序列及其内含的波动率序列, 并被广泛应用于金融领域, 得到的实证结果反过来又促使人们去扩展GARCH模型, 发展出各种不同形式的GARCH模型。向已知信息集中引入新变量, 即假定第二个方程中不仅包含以前各期的残差和方差预测值, 还包含其他信息。Weiss (1984, 1986b) 提出GRMA-GARCH的模型, 引入了其他滞后的和预测的变量。Lamoreux、Lasstrapes (1990) 在分析股票条件方差时引入了成交量作为外部变量。Hsieh (1989) 在分析非交易日对汇率波动率的影响时引入了虚拟变量。向模型中引入不对称性, 即正负随机扰动对后续条件方程的影响是不对称的。Nelson (1991) 提出指数模型GARCH (EARCH, ExponentialGARCH) , 它假定条件方差的对数是前期标准化残差和条件方差预测值的函数。在EARCH模型之后, Zakoian (1991) 提出TGARCH模型 (Threshold) 。TGARCH模型把正、负随机扰动分开, 分别都设置一个待估系数。Ding、Granger以及Engle (1992) 提出不对称ARCH模型 (Asy m met r ic PowerARCH A-PARCH) , 它不仅体现正负随机扰动对波动率的不对称影响, 而且能更加突出金融时间序列的另一实证特性, 即收益率绝对值序列与收益率平方序列都存在一定的自相关性。另一类描述方差波动的方法是Taylor (1986) 在解释金融收益序列波动的自回归行为提出的随机波动率模型 (Stochastic volatility model) , 假定资产收益的方差服从某种滞后的随机变量。

进行十年来, 使用高频交品数据 (如5分钟、10分钟和15分钟) 来计算低频的波动率 (如1天、1周和1月) 的方法开始流行, Andersen (2003) 给出了已实现波动率估计的理论模型。广大学者研究发现:在日内抽样频率适当的情况下, 已实现波动率是已实现真实波动率的有效、无偏同时也一致的估计量, 而且它不同于经典算法那样, 不会带来时间的滞后。

2.2 关于股指期货市场波动溢出效应的研究

股指期货与现货市场的波动溢出效应 (Volatility Spillovers Effects) 是指信息在两个市场间相互传导和影响的过程中, 一个市场受到新信息的冲击后会溢出到另一个市场, 主要表现为对价格水平和波动性产生影响。对股指期货与现货市场之间波动溢出效应的研究, 可以使人们对期货市场和现货市场反映信息的效率进行比较, 同时探究信息流量在两个市场之间的传导和放大机制。

Chan (1991) 利用标准普尔500指数期货和现货市场之间的日内收益率, 建立双变量GARCH模型研究波动溢出效应, 研究结果表明不同市场间的收益率波动具有很强的依存性, 而且无论是现货市场价格还是期货市场价格都受到新信息的冲击而发生变化, 另一市场价格也会出现相应的波动。由于金融市场波动率存在明显的杠杆效益, 即同等强度的利空消息比利多消息导致市场波动更大, 而EGARCH模型能够很好地捕捉到这种不对称性, Tse (1999) 利用道琼斯工业指数期货和现货市场一分钟收益率, 建立向量误差修正模型和双量EGARCH模型, 研究表明道琼斯工业指数期货和现货之间存在显著的双向波动溢出效应, 但是期货市场的波动性对现货市场的溢出作用强于现货市场的波动性对期货市场的溢出作用, 而且在两个市场波动率都存在不对称性。长期以来, 学者们研究的样本主要集中在美国金融市场, 但随着全球金融市场的不断发展, 针对其他国外市场的研究文献不断出现。Maosen、Ali和Rafael (2004) 利用墨西哥股指期货和现货市场日收益率, 建立基于修正的EGARCH模型。实证结果表明, 无论短期还是长期情况, 股指期货市场对现货市场都存在显著的波动溢出效应, 但现货市场对期货市场仅存在短期波动溢出效应。

由于我国推出股指期货比较晚, 因此多数学者针对我国股指期货波动溢出研究大多都是基于模拟交易数据进行的。严敏 (2009) 采用沪深300股指期货模拟交易的日收益率, 并且构建带有误差修正的双变量EGARCH模型, 对沪深300股指期货市场和现货市场之间的互动关系进行了研究和分析。研究结论表明, 股指期货波动率对现货市场波动率有显著的溢出效应, 但是现货市场波动率对期货市场波动率不存在显著的溢出效应, 即两个市场间的非对称双向波动溢出效应不是十分的显著。由于利用仿真交易数据并不能及时有效地反映市场上的信息, 因此股指期货上市以后很多学者利用真实交易数据对我国股指期货和现货市场间波动溢出效应进行了及时的探索。彭紫云 (2010) 采用股指期货和沪深300指数的高频收益率数据, 时间跨度比较短, 样本不够充分, 但是通过EGARCH (1, 1) 模型分析两市场波动率, 发现股指期货市场和现货市场都对利空消息的反应要比利好消息剧烈, 并且通过波动溢出分析得出两个市场相互存在显著的波动溢出效应。

3 股指期货与现货市场波动溢出效应研究实证分析

3.1 数据来源及处理

本文所采用的数据为沪深300指数及当月股指期货连续合约的15分钟高频交易数据, 在此基础上对沪深300股指期货和现货市场间波动溢出效应进行实证研究。上述交易数据均来自同花顺交易软件。最终获得2010年4月16日至2014年1月1日的沪深300股指期货和现货指数的数据。下面根据沪深300指数及当月股指期货连续合约的15分钟高频交易数据对我国股指期货和现货的已实现特征波动率进行估计, 并进行描述性统计分析, 在此基础之上建立二元BEEK-GARCH (1, 1) 模型。

3.2 实证结果分析

(1) 对沪深300股指期货和现货市场已实现波动率进行描述性统计分析后可知。两市场的已实现波动率极度右偏, 而且有很高的峰度, 因此并不服从正态分布。但是经过取对数后两市场的已实现波动率近似服从正态分布。因此, 本文接下来的实证均使用两市场的已实现波动率的对数值进行分析。通过ADF检验可知, 两市场的已实现波动率具有很明显的尖峰厚尾及长忆性等非随机特征。

(2) 沪深300股指与期货之间波动溢出效应具有显著的双向性和不对称性, 具体表现为现货市场对期货市场的波动溢出效应非常显著, 但是期货市场对现货市场的波动溢出效应并不显著。因此, 信息即能通过期货市场会向现货市场传递, 同时也可以通过现货市场向期货市场进行传递, 但总体而言, 信息传递主导方向是现货市场向期货市场传递。

4 政策建议

股指期货的推出可以有效促进现货市场的价格发现以及转移现货市场分风险, 从而促进股票市场的稳定和蓬勃发展, 有利于资源的有效配置和利用。但是由于股指期货具有杠杆作用, 因此可能成为投机者操作市场非法获利的工具, 给股票市场带来巨大的波动性。从实证结果可以看出, 信息即能通过期货市场向现货市场传递, 同时也可以通过现货市场向期货市场进行传递, 但总体而言, 信息传递主导方向是现货市场向期货市场传递, 期货市场对信息的反映滞后, 价格发现功能未得到充分发挥。因此, 有必要完善股指期货的投资主题, 不断壮大机构投资者, 优化投资的结构, 同时制定相应的政策法规打击操作市场的行为, 建立严密的市场监管体制。

参考文献

[1]肖辉, 吴冲锋.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) .

[2]严敏, 巴曙松, 吴博.我国股指期货市场的价格发现与波动溢出效应[J].系统工程, 2009 (10) .

波动溢出效应 第2篇

关键词：波动率溢出；CCF检验； AR-t-EGARCH；原油市场

1、引言

石油作为一种稀缺能源，对各国的经济发展有着举足轻重的作用。中国石油储存量少，进口量每年不断上升，进口依存度也越来越高，到2010年中国石油进口量已经超过2亿吨，对外依存度超过55%，如此高的对外依存度表明在中国石油这种商品与国际石油市场联系非常紧密，与石油相关的行业容易受国际石油价格变动的影响。分析国际石油价格和中国股票市场间的波动溢出，对于政府在维护股票市场的稳定和能源方面的政策制定也很重要。

从20世纪80年代开始，石油对宏观经济和金融市场的影响就开始受到人们的关注，许多学者研究石油价格对一国经济可能产生的影响。如：（Jones and Kaul,1996；Park 和 Ratti,2008；Apergis 和 Miller2009)研究指出了消费物价指数，利率，投资与消费信心指數等一些影响经济增长的因素都受石油价格变动的影响。对于新兴市场，也有许多作者研究发现油价的变动对股票市场能显著的影响，如：Papapetrou（2001）；Narayan 和 Narayan（2010）。从这些文章中可以发现由于不同的国家由于对石油的依赖程度不一样以及各国市场开放程度的差异，所以原油价格波动对不同国家的金融市场的影响也不一样。一些学者已经将原油价格对金融市场的影扩展到具体的行业。如Boyer 和 Filion (2007)研究指出加拿大的石油与天然气行业的股票收益率会随着原油价格的上升而上升， Malik 和 Ewing（2009）研究了石油市场和美国的五个行业之间的收益和波动溢出的关系，结果得出它们之间的一些传递效应。

本文运用协相关函数即CCF检验法检测两个市场间可能存在的信息溢出。该方法由Cheung和Ng（1996）年提出，Hong(2001)则在前者的基础上创造出了一个新的统计量来检验Granger因果关系。文章运用此方法能有效的检验出两个市场之间的均值因果关系和方差因果关系。本文还将研究对象扩展到一些具体行业，研究原油市场与这些行业之间的波动率溢出关系。

文章结构如下：第2部分介绍本文所用的CCF检验方法和实证模型，第3部分实证分析，得出国际原油市场与中国股票市场整体的波动溢出结果，第4部分具体分析国际原油市场与中国14个行业之间的波动溢出关系，最后部分进行总结。

2、实证模型

为了发掘出不同时间序列之间的相互影响，并能找出一个序列对另一个序列的预测能力，Granger（1969）年引入了均值-Granger因果关系概念，并于1980年提出广义Granger因果关系，Granger（1986）中引入了方差-Granger因果关系，其均值-Granger因果关系的定义为：在信息集It-1的条件下，如果满足（1）式，则称Y在均值上是X的Granger原因。

(1)

其中Ix，t-1表示在t-1时刻时间序列X能获得的信息集，μxt为X市场在t时刻的条件均值，下同。方差-Granger因果关系的定义为：在信息集It-1的条件下，如果满足（2）式，则称 Y在方差上是X的Granger原因。

(2)

已经有很多学者研究出不同的方法来检验市场间的波动率溢出效应，如Bollerslev(1990)提出的CCC-MGARCH模型，Engle和Kroner（1995）提出的BEKK-GARCH模型，还有Engle（2002）一文中提出的DCC-GARCH方法，Cheung和Ng(1996)则采用协相关函数（Cross-Correlation Function，CCF)来检验两个时间序列间的波动率溢出效应。

2.1 CCF检验方法

传统研究波动率溢出所用的方法大都在多元GARCH框架下，对两个序列残差平方进行回归分析，而利用CCF方法进行因果关系检验时，只需要对每个时间序列单独建立一元GARCH模型，得到自身的标准化残差，从而避免了多元GARCH参数过多的问题以及估计结果收敛性等问题,而且还避免了多元GARCH因极大似然函数渐进分布的不确定所带来的影响。CCF检验法最早由Cheung和Ng(1996)提出来检验两个时间序列之间的因果关系， Hong（2001）在Cheng和Ng(1996)基础上构建出一个新的基于核函数的统计量Q（M），本文选用Daniell核函数1，Cheung和Ng(1996)构建的S-统计量和Hong（2001）Q-统计量都能做单向和双向的Granger因果关系检验，本文选用Hong（2001）的检验方法因为一是该方法构建的Q-统计量对高阶滞后的协相关系数赋予较小的权重，而S统计量对系数赋予相同的权重。二是Cheung和Ng(1996) 的S-统计量只能取较短的滞后期，而Hong（2001）的Q-统计量可以把滞后期扩展到接近时间序列长度T，这样的优点在于充分考虑了投资者对信息反应滞后的影响。

当检验序列ut是否是序列vt的Granger-方差原因时，原假设H0：序列ut不是序列vt的Granger-方差原因。此时我们采用单向Granger因果关系检验统计量：

当不确定在ut和vt中哪个是Granger原因时，原假设H0：序列ut不是序列vt的Granger-方差原因，同时序列vt也不是序列ut的Granger-方差原因。此时我们采用双向Granger因果关系检验统计量：

为滞后j期的样本协方差函数，k（x）为核函数，M为有效滞后结尾阶数。

Hong（2001）证明了在一些常规条件下，上述两个统计量都收敛于标准正态分布，所以可以用标准正态分布的右侧临界值来判断结果的显著性。具体方法分为四步：第一，对收益率序列进行建模，求出每个序列的扰动项

，本文对每个时间序列采用AR（m）-EGARCH（p，q）-t模型。第二，计算经过变形的两个序列标准化残差平方

与

之间的协相关函数值

。第三，选择合适的核函数k（x）和M值，计算Ct（k）和Dt（k）。第四，估计出Q（M)统计量，与一定显著性水平下的标准正态分布上尾值进行比较，得出均值-Granger和方差-Granger因果关系检验结果。

2.2 AR-t-EGARCH模型

根据Hong的方法，我们要先估计出单个收益率的模型参数，然后进行因果检验，本文运用Nelson（1991）中的指数Garch模型，它可以区分正的和负的扰动对波动率的不同影响，考虑到金融时间序列一般存在的尖峰厚尾特征，本文对新息采用服从t分布的形式。AR(m）-EGARCH(p，q）-t的均值方差方程如下：

3、股市行业实证分析

无论是投资者还是政策制定者他们对国际石油价格的波动都会做出一定的反应，由于对国际石油市场的过分依赖，油价的波动势必牵动着相关行业。下面本文将对国际石油市场和中国的14个行业进行信息溢出检验。

3.1行业数据

由于行业数目较多，本文选取由道琼斯第一财经中国600行业领先指数中按照行业分类标准（ICB）给中国股市划分的14个行业来研究。石油的价格用Brent原油的每周现货价格，数据取自美国能源情报署（EIA），14个行业指数数据用周收盘价，取自和道琼斯第一财经中国600行业领先指数，样本的时间都为2001年1月5日至2011年10月10日，收益率为各自价格取对数后的差分再乘以100，各收益率的統计性质见表4.

从表1中可以看出，在样本期内石油和中国股票市场行业指数的收益均值大部分是正的，只有三个行业是负的。从标准差看，最小的是公用事业行业为3.85，最大的是基础资源行业为4.79，这显示中国股票市场行业的波动比国际原油市场波动都要大。偏度上则显示既有左偏也有右偏。峰度上所有序列都大于3，从J-B统计量及其P值可以看出所有序列都呈现高峰后尾特征，说明这些序列的收益率都不服从正态分布。

3.2行业AR-t-EGARCH模型结果

对于中国具体的股票行业收益率，我们仍采用AR-t-EGARCH模型进行参数估计，然后进行因果检验，这也是考虑到利好的消息和利空的消息对市场的冲击是不对称的以及这些序列存在的高峰后尾现象。模型的参数估计结果见表5.

表中Q和Q2分别表示滞后20期的标准化残差和标准化残差平方Ljung-Box Q统计量，从该统计量的P值可以看出该模型是充分的。其中β＜1,说明模型是弱平稳的，杠杆系数 θ在不同行业有正有负，表明有的行业对利多消息反应比较大，有的行业对利空消息反应比较大。

3.3行业CCF检验结果

这里运用AR-t-EGARCH模型得出的结果来计算Hong(2001)的Q统计量，检验国际石油市场与中国14个行业之间的Granger因果关系，结果参见表6，表7和表8。

ii）Q和Q2分别表示标准化残差序列及其平方的Ljung-Box统计量，（）中数字表示相应 Q统计量的P值。

ii）M为有效滞后结尾阶数，本文选取滞后10阶和20阶，～表示在此处M取的是30，下同。

3.4 行业实证结果分析

结果显示在本文研究的14个行业中有5个行业与国际石油价格存在显著的方差-Granger因果关系，而且从方向上看国际石油市场与石油和天然气、旅游和休闲这两个行业既存在双向波动率溢出，也存在由石油市场向这两个行业的单向波动率溢出，对于基础资源、工业用品和服务以及科技行业则只存在由国际石油市场向这三个行业的单向波动率溢出，结果显示中国股票市场中还是有很多行业受国际石油价格变动的影响的，这些行业股票收益会因为油价的波动而波动，国际石油市场对这些行业起到了信息先导的作用，这对投资者也有预警的功能。

本文研究结果发现国际石油价格和中国石油和天然气行业在5%和10%的显著性水平下有同时的双向波动率溢出，在1%的显著性水平下有由石油市场向中国石油和天然气行业的单向波动率溢出效应，双向波动率溢出可能是因为它们受到一些共同的市场因素的影响，比如OPEC和国际能源署（IEA）对市场的干预，他们能直接控制石油的产量和存量，进而对石油的价格产生影响，而这对中国那些从事原油和天然气行业的公司来说会直接关系到他们的生产成本和收入。结果中的单向波动率溢出则表示国际石油价格的变动会向中国的石油和天然气行业信息溢出，而反过来却没有，这进一步说明了国际石油市场对中国的石油和天然气行业有信息先导的作用，正如Huang等（1996）一文中指出石油股票的收益是和石油价格紧密相关的。

在基础资源行业中，我们只发现从国际石油市场向基础资源行业的单向波动率溢出效应，金洪飞（2010）一文中指出这是由于该行业中的采矿业和有色金属工业都需要大量的能源，石油价格的变动会对采矿业产生正负两方面的影响。在工业用品和服务行业我们发现和基础资源同样的结果，也只存在从国际石油市场向工业用品和服务行业的单向信息溢出，我们知道工业用品和服务行业中包括国防工业产品、电子工业产品和一些交通运输行业，这些运输行业主要都是以石油作为燃料进行动力输出的，它们对石油的依赖度非常的高，石油价格的每次变动对从事这些行业的公司业绩都有很大的影响。对于旅游和休闲行业，结果显示在1%的显著性水平上存在着国际石油市场和旅游与休闲行业双向的波动率溢出，而且也存在从国际石油市场向旅游与休闲行业的单向波动率溢出。根据ICB行业分类基准，航空客运、公交公司等为出行和旅游提供服务的子行业都划分为该行业，石油价格的上升给这些行业带来的压力是显然的，油价的波动给该行业带来明显的波动，这再次说明从波动率角度出发有时能挖掘出两个市场之间的潜在联系。最后我们还发现在10%的显著性水平下，科技行业和石油市场之间在滞后20期后存在由石油市场向科技行业的单向信息溢出，但它们之间不存在双向波动率溢出.。

4、结论

当考虑到中国一些具体的行业时，在我们选取的14个行业中发现有5个行业与国际石油价格存在非常显著的方差-Granger因果关系，结果证明随着中国的石油消费对外依存度的不断提高，国际石油价格的变化已经对中国股票市场中的相关行业产生影响，这些行业已经与国际石油市场有紧密的联系。从实证结果来看，这种影响有三个特点：第一，它不是对所有行业有普遍影响，而只是对和石油有相关的行业产生信息溢出效应。第二，目前这种影响从收益率均值上看结果还是不显著的，但从波动率上可以观察到国际石油价格的变动对中国石油和天然气、基础资源、工业用品和服务、旅游和休闲和科技行业有显著的信息溢出。第三，实证结果显示信息溢出的方向都是从石油市场到中国的具体行业的，而反向则不存在显著的结果。

油价变动对相关的行业有影响，从具体行业或者相关公司角度出发可能会发现更多的信息。本文采用的方法可以运用到更多的行业中去，但从结论上看研究国际石油市场和中国从事石油相关产品的公司之间的信息溢出，可能会有新的发现，这对投资者进行资产组合管理和资产的套期保值提供更多的机会。

波动溢出效应 第3篇

上图中,煤价为秦皇岛港大同优混平仓煤价,油价为大庆原油价格。如图所示,从2003年起,原油价格一路攀升,2003~2007年累计上涨了差不多近3倍。2008年上半年,国际油价更是加速上涨。与油价走势相近,2003~2007年,煤炭价格也处于高速上升的通道中,尤其是2007年下半年以来,出现大幅上涨。受以国际金融危机为主导等因素的影响,油价在2008年7月达到历史最大值后,7月中旬开始跳水,与油价一样,煤炭价格也在2008年7月达到历史最大值后急速下降,也就是说,煤炭价格与石油价格下降基本同步,但煤炭价格变动略滞后于油价。2009年上半年初期,油价开始复苏,而煤炭价格在2009年4、5月间开始反弹,煤炭价格的上升也略滞后于石油价格。

在一定滞后期下,煤炭价格跟随石油价格变化而变化的这种明显的联动性,既与能源替代相关,又受预期和其他因素的影响。显然,不同的能源之间存在可替代性,随着能源资源日渐稀缺,能源价格日益走高,替代性也会越来越强。因为能源价格越高,替代投资就会相对小,替代可能性就越大,一旦能源价格走到一定高度,很多能源替代都将成为可能。能源的可替代性,使各种能源产品的价格具有联动性。对于不可再生能源,能源可替代性使一种能源价格的走高带动其它能源价格上涨。表现在石油市场与煤炭市场上的一个突出例子,即:当油价持续高位运行,很多用油发电的企业都转向利用煤炭发电,煤炭需求被推向高峰,供应相对紧张,导致了煤炭价格的上涨。同时由于石油价格上涨,凸显了煤炭的重要性,因此很多煤炭出口大国改变策略,限制了煤炭出口,致使煤炭供应偏紧。由此可见,在油价高企时,煤炭价格上涨是必然的趋势。

近些年,国内很多学者研究了煤炭价格与石油价格的关系。焦建玲利用时间序列模型证明煤炭价格和石油价格之间存在长期协整关系[1];张同功与雷仲敏通过研究分析石油价格的上涨对煤炭市场的影响,认为石油价格对煤炭价格的影响有:(1)比价关系促使煤价上涨,(2)相关产品和行业对两种能源品的需求转换促使煤价上涨[2];另外还有多位学者通过研究分析证明石油价格对煤炭价格有正向影响[3,4,5,6]。本文将采取二元GARCH模型对煤炭价格与石油价格的波动溢出效应进行实证分析,分析煤炭价格与石油价格之间的双向影响,进而了解这种双向的影响信息在这两种重要能源之间的传递模式。

1 波动溢出效应模型方法

所谓波动溢出是指一个市场的波动不仅对其自身未来的波动具有影响,而且可能对其它市场未来的波动产生影响,这种市场间波动的传导称为“波动溢出效应”,它反映的是收益率条件二阶矩之间的Granger因果关系。溢出效应是经济活动或过程的外部效果,本文用BEKK-MGARCH模型分析煤炭和石油两个市场价格收益的波动溢出效应,建模过程如下:

1.1 VAR模型

令Ri,t,i=(PC,PO)为煤炭和石油价格在时间t时的收益,按照AIC和SC最小值标准,通过VAR(1)模型,得到残差εt。

1.2 BEKK-MGARCH模型

这里,波动溢出效应揭示了不同市场的价格波动可以相互影响。当采用单变量广义自回归条件异方差(GARCH)模型来观察溢出效应时,需要分别计算目标市场的条件方差,而这忽略了一些市场相关性方面的有用信息。考虑到市场相关性的存在,为了更好地度量溢出效应,研究人员提出了多变量GARCH(MGARCH)模型,它是单变量GARCH的扩展,因为MGARCH能够充分利用残差向量的协方差矩阵所包含的信息来研究溢出效应。为了降低Vech-MGARCH的计算复杂度,Engle和Kroner提出了BEKK模型[7]。BEKK模型的显著优点是容易满足Ht的正定性,而且参数少。除了BEKK,DCC、O-GARCH和FF-GARCH模型也是不同类型的多元GARCH扩展,它们各自具有不同的特点。考虑到实用性和可操作性,BEKK-GARCH模型是首选。本文使用BEKK-MGARCH(1,1)对煤炭价格和石油价格收益的溢出效应进行建模,如下所示:

$\{\begin{array}{l}\text{ε}{}_{\text{t}}|\text{Ι}{}_{\text{t}-1}=(\text{ε}{}_1‚\text{ε}{}_2{)}^{\prime }\text{Ν}(0{}_{[2\times 1]}‚\text{Η}{}_{\text{t}})\\ \text{Η}{}_{\text{t}}=\left(\begin{array}{cc}\text{c}{}_{11}& \text{c}{}_{12}\\ 0& \text{c}{}_{22}\end{array}\right){}^{´}\left(\begin{array}{cc}\text{c}{}_{11}& \text{c}{}_{12}\\ 0& \text{c}{}_{22}\end{array}\right)+\left(\begin{array}{cc}\text{a}{}_{11}& \text{a}{}_{12}\\ \text{a}{}_{21}& \text{a}{}_{22}\end{array}\right){}^{´}(\text{ε}{}_{\text{t}-1}\text{ε}{}_{\text{t}-1}´)\left(\begin{array}{cc}\text{a}{}_{11}& \text{a}{}_{12}\\ \text{a}{}_{21}& \text{a}{}_{22}\end{array}\right)+\left(\begin{array}{cc}\text{b}{}_{11}& \text{b}{}_{12}\\ \text{b}{}_{21}& \text{b}{}_{22}\end{array}\right){}^{´}\text{Η}{}_{\text{t}-1}\left(\begin{array}{cc}\text{b}{}_{11}& \text{b}{}_{12}\\ \text{b}{}_{21}& \text{b}{}_{22}\end{array}\right)‚\end{array}$

其中Ht也可以表示为:

$\{\begin{array}{l}\text{h}{}_{11‚\text{t}}=\text{c}{}_{11}^2+\text{α}{}_{11}^2\text{ε}{}_{1‚\text{t}-1}^2+2\text{α}{}_{11}\text{α}{}_{21}\text{ε}{}_{1‚\text{t}-1}\text{ε}{}_{2‚\text{t}-1}+\text{α}{}_{21}^2\text{ε}{}_{2‚\text{t}-1}^2+\text{β}{}_{11}^2\text{h}{}_{11‚\text{t}-1}+2\text{β}{}_{11}\text{β}{}_{21}\text{h}{}_{12‚\text{t}-1}+\text{β}{}_{21}^2\text{h}{}_{22‚\text{t}-1}?(\mathrm{Ⅲ})\\ \text{h}{}_{22‚\text{t}}=\text{c}{}_{22}^2+\text{α}{}_{12}^2\text{ε}{}_{1‚\text{t}-1}^2+2\text{α}{}_{12}\text{α}{}_{22}\text{ε}{}_{1‚\text{t}-1}\text{ε}{}_{2‚\text{t}-1}+\text{α}{}_{22}^2\text{ε}{}_{2‚\text{t}-1}^2+\text{β}{}_{12}^2\text{h}{}_{11‚\text{t}-1}+2\text{β}{}_{12}\text{β}{}_{22}\text{h}{}_{12‚\text{t}-1}+\text{β}{}_{22}^2\text{h}{}_{22‚\text{t}-1}?(\mathrm{Ⅳ})\\ \text{h}{}_{12‚\text{t}}=\text{c}{}_{11}\text{c}{}_{12}+\text{α}{}_{11}\text{α}{}_{12}\text{ε}{}_{1‚\text{t}-1}^2+(\text{α}{}_{21}\text{α}{}_{12}+\text{α}{}_{11}\text{α}{}_{22})\text{ε}{}_{1‚\text{t}-1}\text{ε}{}_{2‚\text{t}-1}+\text{α}{}_{21}\text{ε}{}_{22}\text{ε}{}_{2‚\text{t}-1}^2+\text{β}{}_{11}\text{β}{}_{12}\text{h}{}_{11‚\text{t}-1}\\ +(\text{β}{}_{21}\text{β}{}_{12}+\text{β}{}_{11}\text{β}{}_{22})\text{h}{}_{12‚\text{t}-1}+\text{β}{}_{21}\text{β}{}_{22}\text{h}{}_{22‚\text{t}-1}\end{array}$

αij表示ARCH效应,或者波动的短期持续性,βij表示GARCH效应或者这些冲击对长期持续性的贡献。本文主要目的是研究煤炭和石油两个市场的价格溢出效应,因此αij,βij,i≠j的显著性是焦点所在。如果可以证明αij,βij,i≠j不等于零统计显著,则可以说从一个市场到另一个市场存在波动溢出。

给定残差向量$\text{ε}{}_{\text{t}}|\text{Ι}{}_{\text{t}-1}$满足二元正态分布,为了估计方程(Ⅳ)的参数,利用极大似然估计,对数似然函数如下:

$\text{L}(\text{θ})=\frac{-\text{Τ}\text{n}}{2}+\ln (2\text{π})-\frac{1}{2}{\displaystyle \sum _{\text{t}=1}^{\text{Τ}}(}\ln (|\text{Η}{}_{\text{t}}|)+{\text{ε}}^{\prime }{}_{\text{t}}|\text{Η}{}_{\text{t}}^{-1}|\text{ε}{}_{\text{t}})(\mathrm{Ⅴ})$

其中,n是模型的变量个数,θ是待估计的未知参数向量。

1.3 检验VAR-BEKK-MGARCH模型的鲁棒性

本文利用Ljung-Box Q统计量,通过检验标准误差vt是否服从白噪声过程来检验模型的鲁棒性(零假设为标准误差vt服从白噪声随机过程)。如果无法显著地拒绝零假设,则模型具有适应性。

2 价格波动溢出效应的实证研究

2.1 数据选取

本文选取秦皇岛港大同优混平仓煤价作为国内煤价的代表,选用大庆原油价格作为国内油价的代表,来研究煤炭和原油两个市场价格波动的溢出效应。样本数据为从1998年1月到2010年6月的月度均价,分别来源于煤炭行业数据库与美国能源情报署网站。根据当年的汇率情况换算单位,煤价单位为美元/吨,油价单位为美元/桶。煤炭价格和石油价格的收益率采用对数收益率,即:

Rit=100×(log(Pit)-log(Pit-1)), i=PC,PO,

其中,i=PC表示秦皇岛港大同优混平仓煤价,i=PO表示大庆原油价格,Rit表示i市场第t月的收益率,本部分实证分析用Matlab实现。

2.2 描述统计

从图2中可以看出,煤炭价格和石油价格的收益率序列中出现多个异常的峰值,收益率的波动具有一定突发性和明显的聚类现象。

注:***表示显著性水平为1%。

表1给出了两个市场价格收益率的基本统计特征。可以看出,两个市场价格收益率的分布都是平稳过程。JB检验显示两个收益序列分布均显著异于正态分布。煤炭价格分布是右偏的,石油价格分布为左偏,而两者的峰度都明显大于3,分布具有尖峰特征,两个市场收益率序列的分布具有明显的“尖峰厚尾”特征。自相关检验表明,两个市场价格的月收益率序列存在显著的自相关,其滞后1,5,10,15期的Q统计量均在0.01水平上显著。ARCH-LM检验则表明两个市场均存在明显的条件异方差现象。

2.3 Granger因果检验

对煤炭与石油两个市场价格月收益率进行Granger因果检验,结果如下:

从Granger因果检验结果可以看出,石油价格月收益率是煤炭价格月收益率的Granger因,而煤炭价格在滞后7期时是石油价格的Granger因,这说明煤炭价格与石油价格间是相互影响的,可认为两者之间存在波动溢出效应,不过石油价格对市场信息的反映比煤炭价格要敏锐,对信息的反馈速度也优于煤炭价格。

2.4 BEKK(1,1)-MGARCH(1,1)模型

对煤炭和石油两个价格收益序列建立VAR(1)模型,并在此基础上利用极大似然估计建立BEKK(1,1)-MGARCH(1,1)模型。

下表显示了模型的估计结果。值αij+βij表示从市场i到市场j的溢出效应,根据下表看出(α12+β12=0.2641)<(α21+β21=0.6976),即从石油市场到煤炭市场的整体溢出效应要强于从煤炭市场到石油市场的整体溢出效应。

注:*代表10%水平下显著;***代表1%水平下显著。

具体来看,在条件方差方程中,代表ARCH效应的α12,α21和代表GARCH效应的β12,β21系数估计值都很显著,这表明无论是ARCH效应还是GARCH效应,在煤炭市场和石油市场之间都存在双向溢出。我们可以得出的结论是:石油价格对煤炭价格的短期影响和持久影响均比较强,表现为正向的影响;而煤炭价格对石油价格短期内同样存在较强的正向反馈,但是长期影响较小。

平方残差滞后15期的Ljung-Box Q统计量在置信水平为5%时是不显著的。因此,我们采用的BEKK-GARCH(1,1)模型可以消除自相关和条件异方差,能够充分表示煤炭和石油价格收益的动态性。

3 结论及对策建议

本文关注的是煤炭价格和石油价格的相互作用,利用BEKK-GARCH模型框架下的多元条件波动模型来定量研究两个市场价格间的波动溢出,以捕获煤炭和石油价格的动态溢出效应。通过本文的实证研究,结果更深刻的揭示了煤炭市场和石油市场之间有显著的双向价格溢出效应,波动是非对称的,而且波动溢出的短期模式和长期模式并不完全相同。煤炭与石油互为替代能源,当石油价格上升时,短期与长期看,都会对煤炭市场形成冲击,表现为引起煤炭价格上升,但是煤炭价格的上升虽然在短期内对石油市场也有些许冲击,但是长期来看,煤炭价格对石油价格影响不大。

因此,本文的研究有助于煤炭行业从业人员在关注到油价变化时,对滞后一定时期的煤价变化做出准确判断。建议煤炭行业从业人员在煤价的走势预测方面,将油价的影响引入,积极跟踪并深入分析油价对煤价的影响。同样在相关人员研究油价变化时,也可以将煤价的变化考虑进来,提高预测效果。

摘要：本文通过建立BEKK-MGARCH模型对煤炭价格与石油价格之间的关系做了深入的研究。结果揭示了煤炭市场价格和石油市场价格之间除了正相关关系外,有显著的双向价格溢出效应,而且波动是非对称的,波动溢出的短期模式和长期模式并不完全相同。煤炭与石油互为替代能源,当石油价格上升时,会对煤炭市场形成冲击,刺激煤炭价格上升;同样煤炭价格的上升在短期对石油价格也有些许冲击,但是长期来看,影响不大。

关键词：煤炭价格,石油价格,BEKK-MGARCH,溢出效应

参考文献

[1].焦建玲.中国煤炭需求的长期与短期弹性研究[J].工业技术经济,2007,(26):108-110

[2].张同功,雷仲敏.煤炭价格波动的影响因素分析[J].中国能源,2005,(12):16-19

[3].战彦领.国际油价走势及对国内煤炭价格的影响分析[J].中国煤炭,2008,(9):21-24

[4].袁桂秋,张玲丹.我国煤炭价格的影响因素分析[J].价格月刊,2009,(2):45-47

[5].蔡鑫磊.目前影响我国煤炭价格的主要因素分析[J].煤炭经济研究,2008,(10):87-90

[6].谢守祥,谭清华,宋阳.影响煤炭价格因素的相关性分析与检验[J].统计与决策,2006,(11):57-59

外国直接投资技术溢出效应研究综述 第4篇

[关键词] FDI技术溢出综述

一、引言

随着全球一体化趋势增强，各国经济联系更加紧密，知识的外部性特点使各国都能分享世界知识存量增长的收益，外国直接投资（FDI）产生的溢出效应也成为学者广泛探讨的问题。技术溢出是经济外在性的一种表现，是指FDI内含的先进技术、人力资本、研发、管理经验等无形资产通过各种渠道的非自愿性扩散。有关FDI技术溢出效应的研究始于20世纪60年代，到90年代逐渐成熟，21世纪有新的发展。

二、国外FDI技术溢出效应研究

MacDougall(1960)在分析FDI的一般福利效应时，第一次把技术溢出效应视为FDI的重要现象。此后，引起了经济学家对这一问题的兴趣与关注。Caves(1974)根据技术扩散对当地厂商的不同影响，把溢出效应分为三类：一是由于跨国公司进入，打破了东道国行业垄断，资源配置得到改善；二是跨国公司带来竞争或示范效应，刺激当地厂商提高技术效率；三是由于竞争、模仿等原因，跨国公司的进入加快技术转移和扩散速度。Koizumi&Kopecky(1977)通过将技术溢出效应引入国际资本流动模型，用局部均衡理论分析了溢出的因素和效应，得出溢出水平和外资份额正相关的结论。Findlay(1978)认为FDI输出国与东道国技术差距越大，技术扩散率就越高，投资规模越大，技术扩散速度也越快，得出跨国公司先进的技术和管理经验，对东道国企业会产生有效的“传染效应”。Das(1987)从跨国公司角度构建竞争型技术溢出模型，研究表明，技术溢出对跨国公司子公司是一种潜在成本，但跨国公司只要不断引进先进技术，仍有利可图。20世纪60至80年代关于FDI溢出效应的理论研究，以溢出存在为前提，应用局部均衡理论模型分析与东道国有关的溢出效应及其决定因素。

20世纪90年代，研究者进一步将博弈论、策略论等方法引入FDI溢出效应的理论研究，有学者归纳为以下方面：第一，以溢出为前提的厂商理论。Boisot(1995)以文化空间为分析工具，分别探讨新古典学习和熊彼特学习对厂商技术水平的影响；Klibanoff&Morduch(1995)研究了厂商间技术扩散问题；Lee(1995)比较了两种技术定位下小厂商的技术创新，发现在新技术背景下，厂商内部研发活动及其与外部的技术联系均变得更活跃；Poyago&Theotoky(1995)研究了寡头模式下联合企业的均衡和最佳规模。第二，博弈论中的溢出分析。Wang & Blomstrom(1992)构建了跨国公司子公司和当地企业博弈的基本模型，发现跨国公司对新技术投资越多，溢出越多，当地企业对学习投资越多，吸收能力就越强；Ziss(1994)通过有溢出的两阶段双寡头博弈模型，评估了改善福利的条件；Kapur(1995)通过构建博弈模型，考察信息不确定条件下溢出效应对厂商学习的影响。第三，策略联盟的溢出分析。Gugler&Dunning(1993)发现策略联盟是创造和提高厂商技术优势及其创新活动区位布局的互补性组织形式，策略联盟的溢出随产业差异不同；Hagedoorn(1995)考察了非核心技术的策略合作，揭示了厂商间策略技术联盟基本趋势。Hagedoorn&Duysters(1996)在分析厂商R&D活动、创新产出和策略技术合作国际化趋势时发现，创新的国际化程度仍然有限。第四，溢出效应和“边干边学” 理论。Parente(1994)研究了技术扩散、边干边学和经济增长之间的关系，厂商技术吸收决策和产出增长依赖于资本市场有效性；Colombo&Mosconi(1995)分析了复合型技术早期扩散的兼容性和累计性学习效应，认为边干边学效应是技术扩散路径中技术经验的增函数。第五，组织技术的溢出分析。Mekendrick(1995)发现银行组织技术模仿的来源大多数属非市场中介型，同一产业内不同厂商专门知识的来源呈多样化发展趋势。

20世纪90年代以来，随着FDI积极参与转型国家经济体制改革，以转型国家FDI技术溢出为研究对象，研究FDI溢出类型及影响因素、投资国母国因素与溢出程度及股权对溢出的影响，成为21世纪FDI技术溢出理论研究的新亮点，且主要以相应实证研究为支撑。

理论上，各国学者普遍认同FDI溢出效应存在的合理性和重要性，但对于FDI技术溢出效应机制的研究尚未形成明确的理论框架，仍以经验研究为主。实证研究以Caces(1974)和Globerman(1979)为先驱，后来研究者不断将其实证模型扩展和细化。针对不同国家的检验，FDI技术溢出效应呈现不同结果。支持正溢出效应的研究有：Caves(1974)选用加拿大和澳大利亚1966年制造业的行业横截面数据，分别检验两国FDI技术溢出效应。研究表明，加拿大制造业中当地企业利润率与行业内的外资份额正相关，而澳大利亚制造业中劳动生产率与行业内的外资份额也呈现正相关。Globerman(1979)采用加拿大制造业1972年行业横截面数据进行研究得出相同结论。Blowstrom&Persson(1983)通过选取墨西哥1970年215个制造业行业横截面数据，将企业类型分为国有企业、国内私营企业和外国企业，以劳动生产率作为技术水平评价指标，并选用行业资本密集度及劳动力绩效作为影响特征变量，得出存在正溢出效应。Watanabe(1983)以菲律宾为例，指出跨国公司对当地供应商产品性能和价格的严格要求，促进了当地企业生产技能改进和经营管理能力的提高。Blowstrom&Wolff(1989)选用墨西哥1965年～1984年行业时间序列数据，检验特定产业内外资的进入对当地企业生产率影响，发现当地企业生产力水平提高的速度与行业内外资份额正相关。Kokko(1994)研究技术条件对溢出效应的影响，通过对墨西哥1970年行业横截面数据分析，发现跨国公司和当地企业间差距较小时，溢出效应比较明显。Kokko(1996)通过行业横截面数据对乌拉圭进行实证研究，重点考察行业竞争和市场份额因素对溢出效应影响，指出竞争是导致溢出效应发生的重要途径。Pack(1997)的研究证明了劳动力流动在跨国公司向当地企业的技术扩散中所发挥的作用，支持正溢出效应。Sjoholm(1999)对印度尼西亚的研究中采用反映行业集中度的指标进行分组，发现该指标较低时，行业中企业竞争越激烈，溢出效应越明显。Flores(1999)在对葡萄牙制造业的研究中得出FDI行业内溢出效应明显存在的结论。Liu(2000)考察1991年～1995年间英国制造业的行业面板数据，发现存在明显正溢出效应，且技术差距比较小的行业，溢出效应更明显。Kathuria(2001)发现溢出效应很大程度上取决于当地企业对学习能力和R&D 投资，这些投资能促进当地企业应用新知识及提高企业吸收能力。Smarzynska(2002)发现东道国为跨国公司提供中间投入品行业的生产率与FDI投资水平之间存在正向关系，有后向关联效应，且当FDI是国内市场导向型而非出口导向型时，行业间溢出效应更显著。

而不支持正溢出效应的研究有：Haddad&Harrison(1993)对摩洛哥制造业1985年～1989年间的企业和行业面板数据进行了考察，没有发现存在明显正溢出效应。Aitken&Harrison(1999)选用委内瑞拉制造业1976年～1989年间企业面板数据进行研究，表明存在普遍负溢出效应。Barry(2001)考察了爱尔兰制造业1990年～1998年间企业面板数据，发现存在大量负溢出效应，归因于当地企业和跨国公司之间劳动力市场上的过度竞争。Barrios&Strobl (2001)通过考察西班牙制造业1990年～1994年间的企业面板数据，得出总体上不存在正溢出效应，但在以出口为主的当地企业中存在显著正溢出效应。Damijan(2001)对8个转型经济国家制造业1994年～1998年间的企业面板数据进行考察，结果表明上述国家不存在明显溢出效应。Harris&Robinson (2001)选用1974年～1995年间英国制造业企业面板数据进行研究，分别对行业中存在外资、地域内存在外资及产业上下游存在外资三种情况所导致的溢出效应进行检验，即行业溢出效应、集聚导致的溢出效应、行业间溢出效应，结果表明，这三种溢出效应都不明显。

21世纪FDI技术溢出研究新亮点的实证研究主要有以下几方面：其一，FDI溢出类型及其影响因素方面，研究表明FDI在发展中国家水平溢出结论差异较大。Aitken&Harrison(1999)、Djankov&Hoekman(2000)、Konings&Bulgaria(2001)分别对委内瑞拉、捷克、波兰进行研究，质疑上述国家FDI水平溢出存在的可能性。但Damijan(2003)发现，FDI在罗马尼亚存在明显水平溢出，但其他六个转型国家并不存在。而Kinoshita(2001)却指出，捷克的研发密集型部门受益于FDI水平技术溢出。与水平溢出相比，跨国公司与发展中东道国存在垂直溢出的证明相对充分，Schoor&Vander tol(2001)对匈牙利的研究、Blalock&Gertler(2004)对印度尼西亚的研究、Kohpaiboon(2006)对泰国的研究 ，都支持了转型国家FDI存在垂直溢出效应的结论。其二，在投资国母国因素与溢出程度方面，Javorcik、Saggi &Spatareanu (2004)以罗马尼亚为例探讨母国因素如何影响FDI溢出效应。研究指出，跨国公司在东道国购买的中间品份额受公司总部与其在东道国的工厂距离影响显著，得出外国投资者的国籍是影响FDI溢出效应的重要因素之一。其三，在股权比例对FDI溢出程度的影响方面，相关研究也证明股权比例与FDI溢出程度间确实存在关联。Dimelis&Louri(2001)通过应用横截面数据对希腊制造业的研究表明，外资少数股权项目的技术溢出强度大于多数股权项目。Javorcik&Spatareanu(2003)通过考察1998年～2000年间罗马尼亚公司层面的不均衡面板数据，得出部门间的技术溢出源于合资或并购，而非绿地投资。Javorcik(2004)对立陶宛研究表明，FDI垂直技术溢出与合资项目有关，而与外国独资项目无关。

三、国内FDI技术溢出效应研究

自20世纪90年代以来，中国吸收、利用FDI的数量和规模呈现高速增长趋势，该领域研究逐渐受到国内学者关注，研究不断深入，且以实证研究为主。比较有代表性的研究有，姚洋(1998)通过考察非国有经济成分对中国工业企业技术效率的影响，得出国外三资企业对行业内工业企业技术效率提高有促进作用。秦晓钟(1998)利用1995年工业普查数据，对采掘业、制造业、电力煤气等工业大类的FDI溢出效应进行了行业层面的截面回归分析，发现FDI对工业总体技术溢出效应显著，且该溢出效应受外资企业技术水平、销售水平等因素影响。何洁、许罗丹(1999) 通过考察1985年～1996年工业部门时间序列数据，发现外资企业对内资工业部门总体存在正溢出效应，并随着引进外资规模的扩大有加强趋势。姚淑梅(1999)则认为中国在实施市场换技术的战略中，技术和市场置换不对称，合资中得到的技术一般与世界先进水平有10年～15年的差距，不支持正溢出效应。江小涓、冯远(2000)对北京48家跨国公司投资企业调研表明，外资企业技术水平整体上明显高于国内高新技术企业水平，决定技术转移水平的因素包括产业基础、技术水平和需求特点、所处行业和市场结构以及国内政策等方面。何洁(2000)采用省级面板数据考察FDI对工业部门溢出效应的影响机制，发现溢出效应受当地经济发展水平门槛效应制约，依赖于基础设施完善、自身技术水平提高和市场规模扩大等因素。姚洋、章奇(2001) 研究认为，FDI溢出效应主要体现在一省内部，行业内溢出效应并不明显，FDI的进入在传播先进技术方面作用不大，主要通过人员或其他信息流动等起作用。赖明勇、包群(2002)通过构建模型测算并比较中国对FDI技术溢出效应的吸收能力。黄亚生(2002)则提出了引发争议的反诘，即中国大量引进FDI是因为中国经济存在某些本质弱点的表现，由于国内企业不具竞争力，且无法为新的商业机会提供资本，于是外国企业以“向中国投资”作为回应。潘文卿(2003)采用省级面板数据分析FDI对中国工业部门的溢出效应，结果表明，20世纪90年代后半期存在明显正向溢出效应。陈涛涛、范明曦(2003)用截面数据检验证实了外资对制造业行业溢出效应明显存在，还引入“内外资企业能力差距”指标区别行业特征，认为内外资企业能力差距较小的行业组，溢出效应更明显，并指出充分竞争是产生溢出效应的有效机制。胡祖六(2004) 在研究FDI对中国经济增长贡献时特别指明FDI带来技术转移，即存在溢出效应，并明确指出其载体包括专利、设计、新型产品、新的工艺流程等多形式，批驳了认为只有转移高技术才有价值的观点。张海洋(2005)通过考察R&D的创新能力和吸收能力，将外资外部性区分为外资技术扩散效应和竞争效应，进而检验外资促进内资工业部门技术效率和技术进步的途径。发现R&D和外资活动都推动了内资工业部门技术进步，但来源分别为R&D创新能力和正向竞争效应，而非技术扩散。彭水军、包群(2005)通过构建基于中间产品种类扩张型的内生增长模型，探讨技术吸收能力对溢出效应的决定作用，并利用中国1996年～2002年30个省市面板数据进行估计，结果支持上述结论。

综上所述，大量理论研究表明，一国通过引进FDI，可以拓展其技术进步的来源，不必完全依赖自有资源进行知识积累和技术创新；但经验研究尤其在对一些发展中国家的实证研究中，FDI技术溢出效应的影响不一致，有的研究结论支持正溢出效应，有的不支持正溢出效应。因此，针对不同国家和地区，FDI技术溢出效应和技术进步机制仍有待于进一步研究。

波动溢出效应 第5篇

从20世纪90年代开始, 随着全球经济一体化和金融自由化趋势的不断加深, 国与国之间商品与资本的流动日益频繁。国际互联网技术的高速发展, 使得单一证券市场的交易信息可以快速传递到全球证券市场。全球资本市场之间资金流动与信息传播方面的联系的不断加强, 使得各市场之间的关系日益紧密, 不同市场之间的收益率越来越具有同向运动的特征, 单个资本市场上的波动不仅受自身过去波动的影响, 往往也会受其他市场波动的影响, 这种市场间收益率和波动的传导关系称为收益和波动的“溢出效应”。研究股市之间的收益和波动溢出效应, 不仅能为判断国际股市的运行效率, 防止国际投机资本转移造成市场剧烈震荡提供重要的理论依据, 而且对于金融衍生产品定价, 投资者构建有效的国际投资组合, 政府制订合理的金融监管政策以防范国际金融风险, 均具有十分重要的意义。

国内外学者对于股市间收益率和波动的溢出效应进行了大量的实证研究, 结论各不相同。Hammo (1990) 利用单变量GARCH模型研究纽约、伦敦和东京股票市场之间的价格溢出和波动溢出效应, 发现这三个市场两两之间均存在着双向的价格溢出与波动溢出效应。Kin and Roger (1994) 采用单变量GARCH模型, 并在其中添加虚拟变量, 借以分析韩国股市开放外资直接投资股市的政策效果, 发现韩国股市国际化的加深, 对于韩国与美国、日本股市的相关性有显著的正向影响。刘金全、崔畅 (2002) 运用一个含有外生变量的单变量TGARCH模型来研究沪深股市间的波动溢出效应, 发现沪深股市存在显著的波动溢出效应。赵留彦、王一鸣 (2003) 构建了一个双变量GARCH模型对于A、B股之间的波动溢出进行研究, 发现存在A股向B股的单向溢出效应。张碧琼 (2005) 运用EGARCH模型, 检验纽约、伦敦、东京、上海、香港、深圳股市之间的收益波动溢出的流星雨假定, 发现香港、纽约、东京、伦敦市场对于上海和深圳市场具有显著的单向收益与波动的溢出效应。

在以往的实证研究中, 由于GARCH模型在描绘股市波动的时变特征所具有的优势, 因此GARCH模型得到了广泛运用。其中多数研究还是使用单变量GARCH模型, 单变量GARCH模型在研究波动溢出时, 往往先针对单个市场建立单变量GARCH模型, 而后将残差项作为其他市场方差方程的解释变量, 或者利用残差平方序列进行Granger因果检验。这些方法将各个市场割裂开来考虑各自的条件波动性, 忽略了这些市场相关性所包含的信息, 因此实证结果往往受到质疑。而多元GARCH模型则充分利用了残差向量的方差—协方差矩阵所包含的信息, 将各个市场有机联系起来研究彼此的相关性, 因此多元GARCH模型较之单变量GARCH在研究波动溢出效应方面具有明显的优势。

本文选取“大中华经济圈”内国际化程度较高的香港恒生指数、台湾加权指数, 以及美国标准普尔500指数的日收益率数据, 运用Granger因果检验与三变量VAR-GARCH-BEKK模型分别对于香港、台北、纽约股市之间的收益与波动溢出效应进行了实证分析, 以研究“大中华经济圈”内香港和台湾股市之间、以及纽约市场与“大中华经济圈”区域内股市之间收益和波动的传导关系, 进而为进行国际资产配置和金融风险管理提供理论依据。本文的结构安排如下:第一部分为引言, 第二部分说明了本文对于收益和波动溢出效应的研究模型与方法, 第三部分是数据描述与收益和波动溢出效应的实证检验结果, 第四部分为本文研究结论。

2 收益与波动溢出的研究模型

2.1 收益溢出效应的检验方法

为了研究纽约、香港、台北3个市场之间的收益率溢出效应, 我们对于3个股指收益率的数据进行格兰杰因果检验, 以判断收益率之间存在的领先滞后关系。判断两个市场收益率之间的领先——滞后关系, 需要先估计二元VAR模型, 然后在简化式中检验滞后解释变量的系数显著性。

$\text{Y}{}_{\text{t}}=\text{α}{}_{10}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{α}}{}_{1\text{i}}\text{Y}{}_{\text{t}-\text{i}}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{β}}{}_{1\text{i}}\text{X}{}_{\text{t}-\text{i}}(1)$

$\text{X}{}_{\text{t}}=\text{α}{}_{20}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{α}}{}_{2\text{i}}\text{Y}{}_{\text{t}-\text{i}}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{β}}{}_{2\text{i}}\text{X}{}_{\text{t}-\text{i}}(2)$

在对 (1) 、 (2) 两式的假设检验中, 如果拒绝原假设H0:β1, i=0, i=1, L, p, 则X是Y的Granger原因, 即变量X具有解释和预测Y的能力, 就可以判断出X市场对于Y市场存在收益溢出效应, 反之反;如果检验拒绝原假设H0:α2i=0, i=1, L, p, 则Y是X的Granger原因, 即变量Y具有解释和预测X的能力, 就可以判断出Y市场对于X市场存在收益溢出效应。

2.2 波动溢出效应的研究模型

本文采取Engel (1995) 等提出的BEKK形式的多元GARCH (1, 1) 模型来对市场间的波动溢出效应进行检验。相对于其他多元GARCH模型, BEKK模型的优势在于, 它能够在比较弱的条件下保证协方差矩阵的正定性且需要估计的参数较少。因此对于估计纽约、香港、台北等3个股市之间的波动溢出效应, 采用多元GARCH—BEKK (1, 1) 模型是比较合适的选择, 多元GARCH—BEKK (1, 1) 模型方差方程的一般形式为:

Ht=W′0W0+A′ε′t-1εt-1A+B′Ht-1B (3)

其中, εt为包含系统内所有序列残差项的n×1维向量, W、A和B均是n×n维的参数矩阵 (n为系统内的序列数量) , C为下三角常数矩阵, A代表ARCH项的系数矩阵, Ht为n×n维对称矩阵, 表示条件残差在t时刻的方差协方差矩阵。而包括3个市场的多元GARCH—BEKK模型的具体形式则可以表示为:

$\left[\begin{array}{ccc}\text{h}{}_{11‚\text{t}}& \text{h}{}_{12‚\text{t}}& \text{h}{}_{13‚\text{t}}\\ \text{h}{}_{21‚\text{t}}& \text{h}{}_{22‚\text{t}}& \text{h}{}_{23‚\text{t}}\\ \text{h}{}_{31‚\text{t}}& \text{h}{}_{32‚\text{t}}& \text{h}{}_{33‚\text{t}}\end{array}\right]=\left[\begin{array}{ccc}\text{c}{}_{11}& 0& 0\\ \text{c}{}_{21}& \text{c}{}_{22}& 0\\ \text{c}{}_{31}& \text{c}{}_{32}& \text{c}{}_{33}\end{array}\right]{}^{´}\cdot \left[\begin{array}{ccc}\text{c}{}_{11}& 0& 0\\ \text{c}{}_{21}& \text{c}{}_{22}& 0\\ \text{c}{}_{31}& \text{c}{}_{32}& \text{c}{}_{33}\end{array}\right]+\left[\begin{array}{ccc}\text{a}{}_{11}& \text{a}{}_{12}& \text{a}{}_{13}\\ \text{a}{}_{21}& \text{a}{}_{22}& \text{a}{}_{23}\\ \text{a}{}_{31}& \text{a}{}_{32}& \text{a}{}_{33}\end{array}\right]\cdot \left[\begin{array}{l}\text{ε}{}_{1,\text{t}-1}\\ \text{ε}{}_{2,\text{t}-1}\\ \text{ε}{}_{3,\text{t}-1}\end{array}\right]\cdot \left[\begin{array}{l}\text{ε}{}_{1,\text{t}-1}\\ \text{ε}{}_{2,\text{t}-1}\\ \text{ε}{}_{3,\text{t}-1}\end{array}\right]{}^{´}\cdot \left[\begin{array}{ccc}\text{a}{}_{11}& \text{a}{}_{12}& \text{a}{}_{13}\\ \text{a}{}_{21}& \text{a}{}_{22}& \text{a}{}_{23}\\ \text{a}{}_{31}& \text{a}{}_{32}& \text{a}{}_{33}\end{array}\right]{}^{´}+\left[\begin{array}{ccc}\text{b}{}_{11}& \text{b}{}_{12}& \text{b}{}_{13}\\ \text{b}{}_{21}& \text{b}{}_{22}& \text{b}{}_{23}\\ \text{b}{}_{31}& \text{b}{}_{32}& \text{b}{}_{33}\end{array}\right]\cdot \left[\begin{array}{ccc}\text{h}{}_{11‚\text{t}-1}& \text{h}{}_{12‚\text{t}-1}& \text{h}{}_{13‚\text{t}-1}\\ \text{h}{}_{21‚\text{t}-1}& \text{h}{}_{22‚\text{t}-1}& \text{h}{}_{23‚\text{t}-1}\\ \text{h}{}_{31‚\text{t}-1}& \text{h}{}_{32‚\text{t}-1}& \text{h}{}_{33‚\text{t}-1}\end{array}\right]\cdot \left[\begin{array}{ccc}\text{b}{}_{11}& \text{b}{}_{12}& \text{b}{}_{13}\\ \text{b}{}_{21}& \text{b}{}_{22}& \text{b}{}_{23}\\ \text{b}{}_{31}& \text{b}{}_{32}& \text{b}{}_{33}\end{array}\right]{}^{´}(4)$

其中h11、h22、h33分别表示恒生指数、台湾加权指数、标准普尔500指数收益率的条件方差, hij (i≠j;i=1, 2, 3;j=1, 2, 3) 表示各个市场之间的条件协方差。假定条件残差向量εt服从三元正态分布, 则 (4) 式可以通过最大化如下的对数似然函数进行参数估计:

$\text{L}(\text{θ})=-\text{Τ}\text{Ν}/2*\log 2\text{π}-1/2*{\displaystyle \sum _{\text{t}=1}^{\text{Τ}}(}\log |\text{Η}{}_{\text{t}}|+{\text{ε}}^{\prime }{}_{\text{t}}\text{Η}{}_{\text{t}}^{-1}\text{ε}{}_{\text{t}})$ (5)

其中, θ表示所有待估计的参数, N是系统内的序列数量 (N=3) , T是观测样本的数量, 其他变量符号与 (4) 式相同, 对于θ的极大似然估计是渐进正态的, 因此可以运用传统的统计推断方法进行统计诊断。

2.3 波动溢出效应的检验方法

由 (4) 式的展开形式可知, 一个市场收益率的波动来自于两个方面:一是自身与其他市场前期的波动方差以及协方差, 二是自身与其他市场前期的绝对残差以及各个市场之间残差的相互影响。因此对于单个市场而言, 只要来自于其他市场的影响不显著, 那么它的波动只受到自身前期的影响。如对于香港市场来说, 只要h12, t-1、h22, t-1、h13, t-1、h33, t-1、h23, t-1、ε1, t-1ε2, t-1、ε1, t-1ε3, t-1、ε${}_{2,\text{t}-1}^2$、ε${}_{3,\text{t}-1}^2$、ε2, t-1ε3, t-1前面的系数显著为0, 即可认为不存在其他市场对它的波动溢出效应。由 (4) 式展开形式可知, 需要a${}_{12}^2$=0、a${}_{13}^2$=0、a11a12=0、a11a13=0、a12a13=0、a${}_{11}^2$≠0、b11b12=0、b11b13=0、b12b13=0、b${}_{12}^2$=0、b${}_{13}^2$=0、b${}_{12}^2$=0、b${}_{11}^2$=0, 由此可以推导出:a12=a13=0、b12=b13=0。同理可知对于台北市场, 需要a21=a23=0、b21=b23=0;对于纽约市场, 需要a31=a32=0、b31=b32=0。根据以上推理, 我们可以设定以下原假设对于香港、台北、纽约股市之间的波动溢出效应进行检验:

假设1:不存在台北市场对于香港市场的波动溢出, 即H0:a12=b12=0。

假设2:不存在纽约市场对于香港市场的波动溢出, 即H0:a13=b13=0。

假设3:不存在香港市场对于台北市场的波动溢出, 即H0:a21=b21=0。

假设4:不存在纽约市场对于台北市场的波动溢出, 即H0:a23=b23=0。

假设5:不存在香港市场对于纽约市场的波动溢出:即H0:a31=b31=0。

假设6:不存在台北市场对于纽约市场的波动溢出:即H0:a32=b32=0。

以上检验使用Wald检验, 设η为待估计参数, 则假定若干约束条件以联合检验的形式给出:f (η) =0, 其中f (η) 为由约束条件组成的列向量, 则Wald统计量为:$\text{W}=\text{f}{}^{(\stackrel{■}{{\displaystyle \text{η}}}{)}^{\prime }}[\text{V}\text{a}\text{r}(\text{f}{}^{(\stackrel{■}{{\displaystyle \text{η}}})}]{}^{-1}\text{f}{}^{(\stackrel{■}{{\displaystyle \text{η}}})}$:χ2 (m) , 其中m为约束条件的个数。

3 数据描述与实证分析

对于香港、台北、纽约3个市场的收益与波动溢出效应的考察, 我们首先运用Granger检验分析3个股市之间存在的收益率溢出效应, 在此基础上进一步运用三变量VAR—GARCH—BEKK模型检验3个股市之间的波动溢出效应。

3.1 数据描述

为了研究东南亚金融危机影响消除以后的香港、台北、纽约3个市场之间的收益和波动溢出效应, 本文采用香港恒生指数、台湾加权指数、S&P500指数的调整后的日收盘价作原始数据, 数据区间从2000年1月4日——2007年4月27日, 由于交易日的非一致性, 选取三股市相同营业日的股指数据, 共计1508个样本, 数据来源于雅虎财经网站世界股票指数数据库。收益率序列Rt的计算方法为:Rt=100× (ln (Pt) -ln (Pt-1) ) , 其中Pt代表各股票指数调整后的日收盘价。

3.2 ADF检验

在进行时间序列数据分析之前, 首先应该进行单位根检验, 以确定变量的平稳性。直接利用非平稳的变量进行回归, 则会产生虚假的回归结果。对于3个市场收益率序列进行ADF检验, 其结果如表1所示, 我们可以发现3个市场收益率序列均不含单位根, 因此可以对它们之间的联系进行格兰杰因果检验。

注:ADF表示不含截距和趋势项, ADF (I) 表示只含截距, ADF (T) 表示含截距和趋势。括号内为拒绝单位根假设的显著性水平。

3.3 格兰杰因果检验

为了研究3个市场之间的收益溢出效应, 我们对于3个收益率序列分别进行了Granger因果检验, 根据AIC信息准则选择滞后阶数p=4, 结果如表2所示:

Granger因果检验的结果说明:标准普尔指数对于恒生指数存在单向的收益溢出效应, 恒生指数对于台湾加权指数存在单向的溢出效应, 而台湾加权指数和标准普尔500指数存在双向的收益溢出效应。因此收益溢出效应的传导方向为:纽约股市——香港股市——台北股市。

3.4 香港、台北、纽约股市之间存在的波动溢出效应检验

在分析不同市场之间的波动溢出效应时, 应该剔除可以利用自身市场滞后项和其他市场滞后项预测到的条件均值部分, 仅取未预期到的收益率成分来分析波动溢出效应。根据Granger检验的结果, 标准普尔500指数收益率的解释变量中应该包括台湾加权指数收益率及自身的滞后项, 恒生指数收益率的解释变量中应该包括标准普尔500指数收益率及自身的滞后项, 而台湾加权指数收益率的解释变量中应该包括标准普尔500指数收益率、恒生指数收益率及自身的滞后项。因此我们以三变量VAR模型作为多元GARCH—BEKK模型的均值方程, 而方差方程的形式与 (3) 、 (4) 式相同。香港、台北、纽约股市收益率的多元GARCH—BEKK方程具体表达如下:

均值方程:

$\begin{array}{l}\text{R}{}_{1,\text{t}}=\text{β}{}_{1‚0}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{β}}{}_{1,\text{i}}\text{R}{}_{1,\text{t}-\text{i}}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{β}}{}_{3,\text{i}}\text{R}{}_{3,\text{t}-\text{i}}+\text{e}{}_{1,\text{t}}\\ \text{R}{}_{2,\text{t}}=\text{θ}{}_{2‚0}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{θ}}{}_{1,\text{i}}\text{R}{}_{1,\text{t}-\text{i}}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{θ}}{}_{2,\text{t}-\text{i}}\text{R}{}_{2,\text{t}-\text{i}}+\text{e}{}_{2,\text{t}}\\ \text{R}{}_{3,\text{t}}=\text{γ}{}_{3‚0}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{γ}}{}_{1,\text{i}}\text{R}{}_{1,\text{t}-\text{i}}+{\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{γ}}{}_{2,\text{t}-\text{i}}\text{R}{}_{2,\text{t}-\text{i}}+\\ {\displaystyle \sum _{\text{i}=1}^{\text{p}}\text{γ}}{}_{3,\text{t}-\text{i}}\text{R}{}_{3,\text{t}-\text{i}}+\text{e}{}_{3,\text{t}}\end{array}$

方差方程:Ht=W′0W0+A′ε′t-1εt-1A+B′Ht-1B (6)

此处R1, t、R2, t、R3, t分别表示恒生指数、台湾加权指数、标准普尔500指数的日收益率, R1, t-i、R2, t-i、R3, t-i分别为各指数收益率的滞后项。e1, t、e2, t、e3, t分别为3个指数收益率回归方程的残差项。令Ξt=[e1, t, e2, t, e3, t]′, 则Ξt|Ψt-1:N (0, Ht) , 其中Ψt-1表示t-1时期的信息集。p为均值方程滞后阶数, 建立包含R1, t、R2, t、R3, t的VAR均值模型, 运用AIC信息准则选择滞后阶数p=4。运用Winrats软件对于 (6) 式的VAR—GARCH—BEKK方程进行估计, 得到的实证结果如表3、表4所示。而表5则得出了3个收益率序列之间波动溢出效应的检验结果。

注:括号内为估计参数的显著性p值, 空白处为解释变量不包括此项

注:括号内为估计参数的显著性p值

注:括号内为估计参数的显著性p值

由表3、4的VAR—GARCH—BEKK模型估计结果我们可以发现, 参数矩阵A、B的对角元素a11、a22、a33、b11、b22、b33的值都显著异于0, 说明各个市场的波动均受到自身以往波动的影响, 因此从单个市场来看, 具有波动丛集性的特点。从表5的检验结果来看, 在5%的显著性水平下, 香港和台北市场存在双向的波动溢出效应, 纽约对于香港和台湾市场存在单向波动溢出效应;而在10%的显著性水平下, 纽约股市和香港股市、香港和台北股市都存在双向的波动溢出效应, 纽约股市对于台湾股市存在单向波动溢出效应。

综上所述, 香港和台北股市之间存在双向的波动溢出效应。纽约与香港之间存在双向的波动溢出效应, 但是相比较而言, 纽约市场对于香港市场的波动溢出更加显著。纽约市场对于台北市场则存在单向的波动溢出关系。

4 研究结论

本文以恒生指数、台湾加权指数、标准普尔500指数为研究对象, 运用Granger因果检验与三变量VAR-GARCH-BEKK模型来研究美国、香港地区、台湾地区股市的收益和波动的溢出效应, 得出以下实证结论:

收益溢出效应方面:标准普尔指数对于恒生指数存在单向的收益溢出效应, 恒生指数对于台湾加权指数存在单向的收益溢出效应, 而台湾加权指数和标准普尔500指数存在双向的收益溢出效应, 收益溢出效应的传导方向为:纽约股市——香港股市——台北股市;波动溢出效应方面:香港和台北股市之间存在双向的波动溢出效应, 纽约与香港之间存在双向的波动溢出效应, 但是相比较而言, 纽约股市对于香港股市的波动溢出更加显著。纽约股市对于台北股市则存在单向的波动溢出关系。

这些实证结果揭示了“大中华经济圈”区域内香港和台湾股市之间、以及纽约股市与“大中华经济圈”区域内股市之间的互动关系。

4.1 香港股市是引领台北股市的风向标

香港股市对于台湾股市存在显著的收益与波动溢出效应, 而台湾股市对香港股市仅存在一定的波动溢出效应, 这说明“大中华经济圈”内, 香港股市的收益与波动领先于台北股市, 对于台北股市起着信号显示的作用。

4.2 世界资本市场对于“大中华经济圈”区域资本市场存在显著的冲击和影响

纽约股市对于香港、台湾股市均有十分显著的收益和波动的溢出效应, 而香港和台湾对于纽约股市的波动溢出效应不太显著, 这说明随着经济全球化与金融自由化趋势的不断深入, 世界资本市场对于“大中华经济圈”资本市场的冲击和影响日益增加, 因此从全球视角来进行资金运作和风险管理是非常必要的。

参考文献

[1].刘金全, 崔畅.中国沪深股市收益率和波动性的实证研究[J].经济学 (季刊) , 2002, (4)

[2].赵留彦, 王一鸣.A、B股之间的信息流动与波动溢出[J].金融研究, 2003, (10)

[3].张碧琼.中国股票市场国际化:基于EGARCH模型的研究[J].国际金融研究, 2005, (5)

[4].谷耀, 陆丽娜.沪、深、港股市信息溢出效应与动态相关性[J].数量经济技术经济研究, 2005, (8)

[5].潘慧峰, 周建, 张金水.石油市场波动溢出模型研究[J].中国软科学, 2005, (8)

[6].张瑞峰, 张世英, 唐勇.金融市场波动溢出分析及实证研究[J].中国管理科学, 2006, (5)

[7].董秀良, 张屹山.国内外原油市场溢出效应的多元分析[J].中国软科学, 2006, (12)

[8].Bae, K.-H., and G.A.Karolyi.Good News, BadNews and International Spillovers of Stock Return Volatility be-tween Japan andthe U.S., Pacific-BasinFinance Journal[J].1994, 2:405~438

[9].Hamao, Y., R.W.Masulis, and V.K.Ng.Correla-tions in Price Changes and Volatility across International StockMarkets.The Reviewof Financial Studies[J].1990, 3 (2) :281~307

波动溢出效应 第6篇

在《京都议定书》协议的约束下, 二氧化碳排放权被赋予商品的属性, 成为一种稀缺资源。Dales (1968) [1]在其著作《污染、产权和价格》中指出, 污染实际是政府赋予排放企业的一种产权, 这种产权应该是可以转让的, 可以通过市场方式提高环境资源使用的效率。这是最早提出的关于“排放权交易”的概念。排放权交易是碳市场形成的经济理论基础。欧盟排放交易体系作为全球最大的碳交易市场, 交易量约占全球总量的3/4, EUA自2005年运行以来交易量与交易额均呈快速上升趋势, 其中期货交易占主要部分, 现货交易在金融危机爆发后也明显增长。

碳价是碳市场波动与运行规律的一种最直观表现形式。目前, 普遍认为气温和能源价格是影响碳价最大的两大因素。如:Alberola (2008) [2]采用结构变化理论, 将碳价分成不同区间, 发现能源价格对碳价的影响是显著的;也指出极端天气影响碳价变化。魏一鸣 (2008) [3]采用协整理论研究欧盟交易排放体系与能源价格之间的长期与短期互动关系, 发现:能源价格与第一交易阶段碳期货价格之间的关系较弱, 而与第二交易阶段碳期货价格之间存在长期的均衡关系, 能源价格变化是推动第二阶段碳价变化的主要原因。张跃军 (2010) [4]发现, 碳价变化的主要贡献来源于油价波动, 其影响程度占37%。以上的研究成果为本文的研究提供了重要的理论依据与思路, 但大都属于静态层面的测量, 动态层面研究的着眼点在于整个能源市场对碳市场的影响, 并没有给出石油市场具体阶段对碳市场影响的溢出效力。

因此, 研究国际石油价格波动对碳市场动态溢出效应, 对于探讨碳价影响因素、碳市场特有风险的成因有理论支撑意义, 对碳市场投资者如何规避风险、相关决策部门制定政策提供理论支持。本文的主要目的是运用计量方法度量国际石油价格对碳市场波动及收益率的溢出效应大小, 以此辨识碳市场风险的影响因素及其影响程度。

一、样本选择与数据说明

论文旨在研究国际石油价格波动对碳市场的冲击, 主要考察油价变动对碳价格走势和收益率两方面的影响。涉及到的指标主要有:

1.采用布伦特原油FOB现货价格 (Brent Spot Price FOB) 作为国际石油价格的代理变量。虽然很多文章对于国际原油价格走势的描述采用WTI (West Texas Intermediate) 价格为代表, 但从走势上来看, WTI原油价格易受到当地供需的影响, 而与全球原油市场供需基本面无关, 因此其更像一个地区油价。布伦特原油一般供应稳定, 受当地因素的影响很小。因此, 从国际代表性出发, 论文选择布伦特原油价格作为国际油价的代理变量, 记为B。

2.采用Bluenext碳现货价格作为碳市场价格走势的代理变量, 记为C1。本文选择欧盟排放交易体系第二阶段数据即从2008年8月13日到2011年3月4日作为样本区间 (五天制) , 国际石油价格的数据区间与此区间一致。

3.采用Bluenext碳现货价格对数收益率测度碳价变化趋势, 对数收益率为正, 表明碳价格上升, 反之表示碳价下跌。则:对数收益率C2=Ln (Pt/Pt-1) , 其中, t表示每月时点, P表示每日收盘价。

为消除可能的异方差, 对B、C1分别取自然对数, 分别用Ln B、Ln C1、表示;C2表示对数收益率, 已经是自然对数, 所以不对其进行数据的处理。

二、实证检验

(一) 研究思路

1. 分别考察布伦特原油FOB现货价格的波动与碳市场现货价格变动幅度及收益率之间的长期均衡关系。

2. 运用时变参数的状态空间模型, 以时变弹性的均值反映溢出效力的大小。据此分析国际原油价格波动对碳市场溢出效应的变动趋势, 并分析原因。

(三) 检验结果

1. 协整检验

(1) 在检验一组时间序列是否存在协整关系之前, 应先检验这些时间序列的单整性。在本文中, 是检验两个变量间的协整关系, 要求两变量的单整阶数相同。运用ADF (Augmented Dickey-Fuller test) 检验方法, 检验结果见表1。

注: (1) “*”为在1%显著性水平下拒绝原假设 (原假设H0为原时间序列存在单位根, 即序列非平稳) ; (2) I~ (n) 代表原序列n阶差分平稳; (3) 检验模型不含常数项与趋势项。

由表1可以看出, C2是平稳序列, 记为C2~I (0) ;Ln C1和Ln B是一阶单整的, 分别记为Ln C1~I (1) , Ln B~I (1) 。

(2) 由上述检验可知, 序列、是一阶平稳序列Ln C1, Ln BC2是平稳的, 所以, 只需讨论 (Ln B, Ln C1) 的协整关系。以下讨论这两个变量是否存在协整关系, 这里应用Johansen协整检验, 检验结果如表2所示。

注: (1) 原假设H0为协整关系数为0, 即不存在协整关系; (2) Prob.**为接受原假设的概率; (3) 滞后阶数为2。

由表2可以看出在5%的显著水平下, 迹检验统计量与最大特征值统计量都能拒绝协整关系数为0或至多为1的原假设, 由此认为Ln B与Ln C1至少存在一个协整关系, 即国际石油价格与碳现货价格之间存在长期均衡关系。

2. 时变效力检验

以上的检验结果表明, 国际石油价格波动与碳市场的价格变动幅度与收益率之间存在长期均衡关系。为了更确切的验证国际石油价格波动对碳市场价格变动及收益率的溢出效应大小, 本文运用时变参数的状态空间模型, 以时变弹性的均值来反映溢出效力的大小。

建立Ln B与Ln C1之间的状态空间模型、Ln B与C2之间的状态空间模型, 计量结果分别如表3、表4所示。

由表3、表4可以看出, 模型实现了较好的拟合, 各项参数均显著的通过了检验, 所得到的状态空间模型的形式见式 (1) 、 (2) 。

根据状态空间模型的结果, 生成状态序列, 得到国际石油价格作用于碳市场价格走势的时变参数运动轨迹和国际石油价格作用于碳市场收益率的时变参数运动轨迹分别如图1、图2所示。

图1、图2表明国际石油价格波动对于碳市场的是存在溢出性的, 具体来看:

(1) 在整个样本区间内, 状态序列SV1F均为正值, 在[0.214 565, 0.296 080]之间波动, 平均效力为0.240 73。由图1可知, , 状态序列存在一个明显的波动, 起初溢出效力处于增大阶段, 在2008年10月22日达到最大值0.296 080;随后效力逐渐减小, 于2011年3月4日达到最小值0.214 565。由时变弹性均值可以看出, 国际石油价格的波动可作为解释碳市场价格变动的一个原因;但从平均效力值看, 石油价格波动作为碳市场价格变动原因的贡献值开始变小, 这与欧盟能源消费结构是相一致的。1999—2009年的10年中, 石油在欧盟能源消费总量中的比重虽由原来的39.2%下降到36.6%, 但随着可再生能源在能源消费中所占比重由1999年的5%上升到2009年9%, 石油作为最主要消费能源的地位也会逐渐改变。

(2) 在整个样本区间内, 状态序列SV12F均为正值, 在[0.002 5, 0.004 6]之间波动, 平均效力为0.003 7。由图2可知, 效力值在2008年9月1日达到最大值0.004 6;随后在震荡下滑的趋势下, 2009年2月13日达到最小值0.00 5;2009年8月及其以后效力值波动趋势放缓。从总体数值来看, 国际石油价格作用于碳市场收益率的效力值并不是很明显;从其走势看, 2009年8月之前的走势与石油价格波动趋势相一致, 之后处于平稳状态, 这与欧盟碳市场交易机制的不断完善有密切关系。

三、结论

本文通过实证研究得出, 国际石油价格波动对碳市场价格波动及收益率存在长期协整关系, 这与以前学者得出的结论相一致。在此基础上对其进行状态空间建模, 得出国际石油价格波动对碳市场价格波动及其收益率存在溢出, 对碳价的溢出效力明显, 且有逐渐减小趋势, 这与欧盟的能源消费结构、政府政策有很大的关系;对碳市场收益率的溢出效力不是很明显, 由于欧盟碳排放交易机制的不断完善, 溢出效力开始表现平稳。

综上所述, 作为碳配额交易市场, 欧盟建立的一套与自身发展相匹配的碳交易体制已发挥作用, 这一体制以成本最优化、减排效果最大化为目标, 且经过第一阶段的试运行, 第二阶段的运营已趋于平稳。但碳市场本身是一个复杂的系统, 其影响因素都呈动态非线性变化, 而且其他潜在影响碳价格的因素尚未出现在碳市场中, 如来自清洁发展机制市场和联合履约机制市场的供给等等, 因此, 对于探讨碳市场风险成因是需深入进行研究的问题。

同时, 我国作为全球最大的清洁发展机制市场, 如何建立与完善符合我国国情的碳交易机制是进行国际碳交易的基础, 必须加强立法支持、政府监管, 发挥金融创新工具功能, 为我国在碳交易过程中争取主动权。

参考文献

[1]Dales J.Pollution, Preperty and Prices[M].Toronto:University of Toronto Press, 1968.

[2]Alberola E, Chevalier J, Cheze B.Price Drivers and Structural Breaks in European Carbon Prices2005-2007[J].Energy Policy, vol.36, no.2, 2008.787-797.

[3]魏一鸣, 刘兰翠, 范英, 吴刚.中国能源报告2008:碳排放研究[M].北京:科学出版社, 2008.

[4]张跃军, 魏一鸣.化石能源市场对国际碳市场的动态影响实证研究[J].管理评论, 2010, 22 (6) :34-41.

波动溢出效应 第7篇

现今, 世界成熟的经济体之间的经济以及金融的一体化程度非常高, 而我国要取得长足发展就必须融入这股一体化浪潮中。这种一体化带来经济效益的同时, 也给各国带来了不稳定的因素。2008年金融危机席卷全球, 引发了全世界范围内的经济危机。随着我国资本市场的开放, 我国的金融市场与世界上主要的金融市场间的关系日益密切, 我国将面临更大的外来风险。本文旨在研究在金融危机当中, 全球主要股市之间的波动率的溢出效应。通过研究, 对于我们今后对风险的防范和控制有着一定的意义。

波动率溢出效应是指不同金融市场之间的相互联系和相互影响, 波动从一个市场传到其他市场。本文选取美国标准普尔指数、日本日经指数、香港恒生指数、沪深A、B股指数, 分别采用GARCH类模型进行拟合, 得到股市收益率变化的条件方差 (波动率) , 然后运用格兰杰因果检验的方法判断他们之间的联系。

二、实证分析

(一) 数据的选取与描述

选取标准普尔指数、日经指数、香港恒生指数、上证综指、深证成指、沪深B股指数在2008年1月2日到2009年12月31日的日收盘指数的对数差形成的连续收益率为研究对象, 经单位根检验均为平稳序列。

(二) 股市收益率的波动率的计算

对各组数据分别用ARMA (M, N) —GARCH (P, Q) 类模型进行拟合, 其中均值方程的M、N通过收益率的ACF和PACF来确定;方差方程中的P、Q通过ACRH检验、ACI、SCI准则来确定。根据拟合的模型得到收益率变化的波动率序列。

(三) 波动率溢出的格兰杰因果检验

首先, 我们对各波动率序列进行单位根检验, 七组序列都是平稳的时间序列。接着, 我们进行两两的格兰杰因果检验, 结果如表1所示。

注:表示前者的所有滞后项对后者的联合显著影响。括号里面表示P值。我们选用了从1到10的滞后期, 在5%是水平下检验结果都是是无差异的, 表为lag=10的结果。

三、结论和建议

综合以上分析, 我们可以得到如下的结论:标普指数和日经指数对我国上证综指和深证成指虽然没有直接的波动溢出, 但是它们可以通过香港以及B股来对我国股市造成影响, 在金融危机的冲击下, B股和香港市场起到了一定的缓冲作用。但是我们可以看到, 外国股市和我国的上证综指和深证成指之间的波动溢出在10%的水平下是显著的, 已经存在一定的波动溢出, 并且我国B股已经可以对美国和日本的股市有波动溢出的效应。

摘要：文章利用格兰杰因果检验法分析了金融危机中, 沪深股市和世界其他股市之间的波动率溢出效应。结果表明上证综指和深证成指之间波动溢出效应是强烈的, 日本和美国的股市对B股有波动的溢出, 中国香港股市对上证综指和深证成指也有直接的波动溢出, 也可以发现, 中国股市对国外股市的波动溢出开始呈现。

关键词：金融危机,GARCH,波动率溢出

参考文献

[1]洪永焱, 成思危, 等.中国股市与外国股市之间的大风险溢出效应.经济学季刊, 2004 (3) .

[2]张瑞锋.多个金融市场对单个金融市场的共同波动溢出.统计与决策, 2007 (1) .

波动溢出效应 第8篇

国外金融市场的波动溢出效应研究始于20世纪80年代末, Eung和Shim (1989) 选取美国、加拿大、英国、法国、澳大利亚、日本、德国、香港等股市的样本数据利用VAR研究方法来分析国际股市之间的传导现象, 结果表明各国之间股市存在着明显的多边联动效应;Hamao (1990) 利用单变量GARCH模型对纽约、伦敦和东京股票市场的价格的波动溢出效应进行研究, 发现这三个市场之间两两存在着双向的波动溢出效应;随后, Calvo和Reinhardt (1996) 发现了墨西哥经济危机时市场相关性的变化, Baijn和Goldfajn (1999) 发现亚洲金融危机期间多个国家的金融市场的相关性显著;国内对波动性溢出效应研究方法主要使用的是Granger因果检验和BEKK-GARCH方法, 这两种方法的缺陷是无法精确捕捉数据间的非线性相关关系, 而且BEKK模型在更高的维度上计算起来十分复杂, 曹广喜, 姚奕 (2008) 利用长记忆VAR-BEKK-MV-GARCH (1, 1) 模型和VAR-DCC (1, 1) -MVGARCH (1, 1) 模型对沪深两市的动态均值溢出效应和动态相关性进行了实证分析, 证明沪深股市收益率之间表现出一定的动态相关性;肖利平 (2011) 基于SJC-Copula模型分析债券市场与股票市场间的波动溢出效应, 发现波动溢出效应显著增强了债券市场规避风险的能力;王茵田与文志瑛 (2012) 采用VAR模型对银行间和交易说债券市场的信息溢出效应进行研究, 实验表明两个市场信息溢出时既具有差异性又具有同质性, 哪种性质占主导取决于新信息的来源。

二、交易所与银行间债券市场的波动关联性实证分析

(一) 变量及释义

本文设定YJDT、YJQT、YTXT分别代表银行间债券市场的基点的价值、久期、凸性;JJDT、JJQT、JTXT分别代表交易所债券市场的基点的价值, 久期, 凸性。

(二) 格兰杰因果关系检验

首先对变量进行平稳性检验, 检验结果得知银行间与交易所债券市场基点的价值时间序列在一阶差分下平稳, 即一阶单整;运用Eviews对基点的价值、久期、凸性进行格兰杰因果关系检验, 检验结果为:在5%的显著性水平下, 可以得到拒绝“交易所指数相关指标非银行间指数相关指标的格兰杰原因”的结论, 而随着滞后阶数的增加, 拒绝“交易所指数相关指标非银行间指数相关指标的格兰杰原因”的结论成立;同样, 随着滞后阶数的增加, 拒绝“银行间指数相关指标非交易所指数相关指标的格兰杰原因”的结论也成立。由此可得到结论银行间债券市场与交易所债券市场具有双向的格兰杰因果关系。

(三) 建立向量自回归模型

下文应用VAR模型进行分析, 核心问题是对模型滞后阶数的确定。由于滞后阶数过长会使统计量自由度丧失过多, 滞后阶数太少则不能完全反映变量的动态特征, 因此首先对VAR模型设定如下:

由于滞后阶数的不确定性, 首先选取尽可能大的滞后阶数8, 之后由AIC, SC, HQ等原则最终确定滞后阶数为3, 因此可得VAR方程如下:

同理得出, 久期、凸性的VAR方程如下:

三、我国债券市场收益波动溢出效应实证分析

1、样本选取

本文选取银行间债券市场、交易所债券市场2012年4月20日至2013年4月19日的交易日国债指数数据, 时间序列长度为249。

2、数据处理

由于债券市场指数序列是非平稳时间序列, 因此对债券指数序列采用对数差分的方法, 将其标准化为日对数收益率时间序列。银行间债券市场指数表示为:Rt=100×In (Pt/Pt-1) 。其中Rt代表对数收益率, Pt代表每日银行间债券指数。交易所债券指数表示为:Rt=100×In (St/St-1) 。其中Rt代表对数收益率, St代表交易所债券指数值。

3、收益序列相关性检验

常用的相关性检验方法是应用Ljung-Box给出的修正的检验统计量, 这一统计量在小样本下具有较好的统计特性。检验结果得到, 在任意合理的显著性水平下均拒绝二阶不相关的原假设, 因此得出样本序列存在二阶相关性。

4、ARCH效应检验

检验ARCH效应有两种方法:LM法 (拉格朗日乘数检验法) 和对残差的平方相关图检验。本案例采用第二种方法:首先建立z=rjt^2, w=ryt^2, 对数收益率的自相关函数分析图可得银行间债券指数与交易所债券指数两序列存在自相关, 所以有ARCH效应。因此对两市场的波动性进行研究时, 应考虑建立GARCH模型。

5、单变量GARCH (1, 1) 模型估计和检验

通过建立GARCH (1, 1) 模型对交易所债券市场和银行间债券市场的波动特征进行研究。单变量GARCH模型条件方差估计表明:两债券市场指数的参数估计均是显著的, 并且GARCH项都接近于1, 说明两债券市场的收益率序列存在波动集聚性。

6、BEKK-GARCH模型形式估计与检验

BEKK-GARCH模型说明一个市场的波动不仅来自于自身及其他市场的前期波动Ht-1, 而且来自于自身与其他市场的前期信息冲击ε2, t-1, 以及市场信息之间的相互影响ε1, t-1ε2, t-1。二维BEKK-GARCH模型对银行间债券指数与交易所债券指数的估计结果表明, 银行间债券指数与交易所债券指数的波动很明显地受到自身以外的影响;BEKK-GARCH模型未反映在收益率、利率等变动时两债券市场是否存在波动溢出效应, 因此应进一步建立SJC-Copula函数模型进行相关的研究。

Coupla函数要求经过概率积分转换得到的边缘分布服从 (0, 1) 的均匀分布。对原序列做概率积分变换, 运用K-S检验法, 检验得知变换后的序列服从均匀分布, 表明GARCH模型能够对数据的特性进行较好的拟合。时变相关参数的估计结果显示, β值均显著大于0, 这表明两市的尾部相关系数显著的与其自身滞后一期正向相关。根据估计结果, 可以得到尾部相关系数的时序数据。两市的时变相关系数均值在一季度、二季度显著增加, 两市的相关性显著增强, 这也说明两市之间存在波动溢出效应;第三季度, 第四季度两市的相关性减弱, 说明利率等因素引起债券市场收益的波动幅度趋于平缓, 说明银行间与交易所债券市场在信息的冲击下, 短期波动溢出效应较大。同时, 在各个季度, 下尾相关系数均大于上尾相关系数。

四、结论

通过采用理论模型与实证研究相结合, 应用格兰杰因果关系检验、BEKK-GARCH模型和SJC-Copula模型以我国债券市场作为研究对象, 分别针对银行间债券市场与交易所债券市场自身与其联动进行实证分析, 分析表明:从格兰杰因果关系检验与BEKK-GARCH模型来看, 银行间债券市场与交易所债券市场之间存在波动溢出效应。因此对于投资者和政策制定者而言, 在考虑一个市场外部的波动影响的同时, 也要考虑到市场内部的波动溢出的影响。波动溢出效应为投资者动态调整投资组合提供启示, 两个债券市场内部交易效率和对宏观政策的敏感度的差异会导致市场价格发现在时间上的差异, 这样, 投资者就可以根据市场价格发现较早的债券市场的情况来预测另一个市场的动向, 从而有效的配置资本并利用风险的波动溢出效应来管理风险。

参考文献

[1]万军, 谢敏和熊正德.金融市场间波动溢出效应研究[J].统计与决策, 2007 (9)

[2]肖利平.中国债券市场与股票市场间波动溢出效应——基于SJC-Copula模型的分析[J].理论研究, 2011, 9:57-60.

[3]刘昊.金融市场流动性波动溢出效应的实证分析[J].理论研究, 2011, 8.20-25

波动溢出效应 第9篇

关键词：外商直接投资；技术溢出效应；实证分析；模型

一、贵州引进FDI概况

1、 贵州FDI规模和利用情况分析。

贵州从上世纪80年代初开始引进FDI。从1984年引进外资61万美元到2010年引进29546万美元，累计引进外资近30亿美元。尤其是2001年以后，贵州开始加大引资力度，出台了一系列引资鼓励政策，外资进入贵州的规模和增速加快，十年间年均增长率保持在112%水平，累计引进外资项目数523个，较好地弥补了贵州经济增长资金不足问题，为贵州区域经济增长做出了积极的贡献，但贵州FDI规模占全国FDI规模的比例上升幅度较小而且占全国FDI规模严重偏小，2005-2010年平均占比226%。

贵州FDI利用情况可以用FDI的业绩指数来表示，即年度内贵州FDI与全国FDI比例除以贵州GDP与全国GDP的比例。2005-2010年业绩指数分别为08、093、086、15、138、25，可以看出2008年以后贵州FDI业绩突出，贵州的FDI与贵州GDP是相符的，FDI规模增长相对速度较快。

2、 贵州FDI的投资领域分析。

从FDI投资三大产业来看，2007-2010年外商直接投资在第一产业的投资比重严重偏低，而且逐年降低，2007年，贵州外商直接投资第一、二、三产业结构比例是1：1093：743，2008年和2009年甚至为空白。贵州FDI投资主要集中于第二、第三产业，呈递增趋势，主要集中在加工制造业、房地产业、资源开发业和批发零售业。

3、贵州FDI资金来源地分析。

从外商直接投资资金来源地看，许多国家和地区相继在贵州投资。从2007-2009年数据看，投资金额所占比重较大的为马来西亚、新加坡、中国香港、英属维尔京群岛、毛里求斯、开曼群岛等东南亚国家和地区及离岸自由港，资金来源稳定性不高，对贵州经济发展作用较小，而且容易造成经济安全隐患，较少从技术和管理发达的美国、日本、英国本土等国家和地区引进，技术难以被贵州本土企业吸收和转化，FDI对贵州国内企业产生的技术外溢效应较小。

二、贵州引进FDI技术外溢效应实证分析

(一)基本分析模型

依据传统的柯布-道格拉斯函数Y=ALαKb，以内生经济增长理论为基础，假设外商直接投资是决定贵州经济产出的影响因素，同时借鉴Levin和Raut的思想， FDI通过技术进步来促进经济增长主要途径来自两个方面，一方面是外资企业自身的相对要素生产率的提高，即FDI技术外溢的直接效应，另一方面是外资企业对国内企业产生的技术外溢效应，即间接效应。从而构建起扩展的柯布-道格拉斯函数的内生经济增长模型为:Y=B(1+πPER)FDIθLαKβ。

在这里A=B(1+πPER)FDIθ，B为残差值，代表影响技术进步的其它因素；PER为FDI占全社会固定总投资比例；π为FDI占全社会固定总投资比例的系数，度量外资企业的技术外溢效果，π的符号反应FDI技术外溢间接效应是否存在，θ为外资企业与内资企业的相对劳动生产率系数，反应了外资企业相对要素生产率优势促进技术进步的直接效应作用。 经过取对数和形式变换后得到1nYL=ε+πPER+β1nKL+θ1nFDI设定为本文实证分析的基本计量模型。

(二)数据来源及说明

本文全部数据来源于《贵州统计年鉴》和《贵州商务年鉴》，选取时间区间为2000-2010相关数据进行计量分析。选取贵州国内生产总值来反映式中的Y，贵州从业人员数反映L，贵州全社会固定资产投资总值来反映K，选取贵州历年外商直接投资额（用当年汇率调整为RMB表示）来反映FDI。

（三）模型估计

笔者用Eviews5.0软件对设定的基本计量模型进行多元回归计量分析，结果如下：

1nYL=-06219-00939PER+060211nKL+008991nFDI

方差： 0.3965 0.0755 0.0391 0.0351

T统计值 -1.5682 -1.2426 15.4145 2.5605

修正=0.9864， F=559.4839 ， DW=0.64303

由上检验结果可看出修正的可决系数R2=0.9864， F=559.4839，说明所建立模型整体对样本数据拟合较好，显著性较高。在置信系数0.95下，变量1nKL和1nFDI通过了T检验，显著明显，但PER未能通过，说明外商直接投资的外溢效果不显著，虽然在置信系数0.80通过检验，其系数为负数说明外商直接投资对技术进步存在负的间接效应，对技术进步起着阻碍作用。为此剔除PER重新对设定的基本计量模型做多远回归，结果如下：

1nYL=-02513-063521nKL+005421nFDI

方差： 0.2644 0.0289 0.0204

T统计值 -0.9507 21.9292 2.6509

修正R2=0.9843，F=819.8620，DW=0.5444

由上检验结果可看出修正的可决系数R2=0.9843， F=819.8620，说明所建立模型整体对样本数据拟合较好，显著性较高。在置信系数0.95下，变量1nKL和1nFDI通过了T检验，显著明显，但DW=0.5444，查DW统计表可知模型中存在自相关，为消除自相关影响，运用Eviews软件采用科克伦-奥克特迭代法消除自相关得到：

1nYL*=-02513+063521nKL*+005421nFDI*

方差： 0.2321 0.0243 0.0342

T统计值 -0.9432 20.3452 5.3678

修正R2=0.9828， F=679.3567 ， DW=1.9578

最终模型为：

1nYL=-02513-063521nKL+005421nFDI

(四)实证结果解释

FDI的系数是正值，这说明外商直接投资对贵州经济的直接效应是正面的。但是PER在置信系数0.95未能通过统计检验，说明外商直接投资的外溢效应不显著，虽然在置信系数0.80通过检验，其系数为负数说明外商直接投资对技术进步存在负的间接效应，对技术进步起着阻碍作用。在贵州FDI外溢间接效应是不存在的，这可能是因为贵州FDI引进过程中由于以前规模占比太低而只重视引进的规模和数量，忽略FDI引进的质量，这点可以从贵州2007-2009年贵州行业引进FDI统计和贵州2007-2010年FDI来源情况统计中可以看出，贵州所引进的FDI主要来自东南亚国家和地区以及自由港，而较少从英国本土、美国、欧洲等技术管理发达地区和国家，没有对贵州本地企业技术升级和管理提升等带来更大的间接外溢效应，反而增加了贵州的本地企业对依赖性，同时引进的FDI投资行业主要集中在资源密集型和劳动密集型的加工制造业、资源开采业等，他们看中的是贵州丰富的矿产、能源资源和廉价的劳动力，因此贵州引进的FDI对贵州经济增长的外部效应主要体现在投资资本增加所带来的贵州GDP的拉动。（作者单位：1；贵州商业高等专科学校财政金融系；2；贵州财经学院国际经济学院）

基金项目：贵州商专2010年校级课题一般项目《贵州引进FDI溢出效应研究》阶段性成果

参考文献：

［1］ Andrew Levin,Lakshmik Raut. Complementarities between export and human capital in economic growth: evidence from the semrindustrialized countres ［J］. Economic development and cultural change,1977:155-174

［2］ 潘益兴. FDI对浙江技术溢出效应的实证分析［J］. 经济问题，2011，(1).

［3］ 包群，赖明勇，中国外商直接投资对技术进步的实证研究［J］. 经济评论，2002，(6).

波动溢出效应 第10篇

2008年由美国次贷危机引发的华尔街金融风暴在经济和金融全球化背景下,通过贸易和投资等渠道从美国迅速传导至全球,最终演变为国际金融海啸。尽管美国及其他各国政府频频出台 救市措施,但全球股 市仍然持 续下跌。与此同时,与股市相关的衍生品市场也紧跟股市动荡步伐。美国股指期货在经历了道琼斯指数持续一周的暴跌后也开始震荡。国际金融危机爆发不久就如同传染病一样迅速从最早爆发危机的国家蔓延到其他国家和地区,因此被称为“传染性金融危机”。

在金融风暴漩涡中,各国证券 市场的联 动性更加 显著,风险具有传染性,而处在全球经济一体化的中国证券市场很难独善其身。虽然中国上市公司A股市场没有完全开放,人民币也并非在资本项目上可以自由兑换,但境外证券市场波动对我国市场的冲击依然明显。主要是因为国际证券市场中的资金流动存在通道。中国证监会和人民银行发布的《合格境外机构投资者(QFII)境内证券投资管理办法》,在一定程度上促进了中国A股的对外资开放,逐步开启了外资直接投资中国证券市场的通道,中国的资本市场与国际资本市场间资金直接流动的渠道被初步建立起来。境外证 券市场对 中国证券 市场“波动 溢出”的传导机制主要有两个途径:其一是直接途径,即通过资金渠道造成我国证券市场波动。当国际金融市场波动风险上升时,“热钱”撤离我国资本市场,直接造成相关股票下跌。其二是间接途径,即当国际资本不能直接进入证券市场时,一方面通过对汇率、利率、外汇储备、资本形成等宏观经济环境的影响,间接影响证券市场;另一方面通过信心渠道造成我国证券市场同向波动,股市指数下跌。此次金融风暴,美国证券市场暴跌所引起其他国家证券市场随之暴跌的风险传染效应,得到了学术界的普遍关注。境外证券市场与中国市场间的风险传染效应已经成为金融学研究的热点之一。

越来越多的学者通过对金融市场间波动溢出效应的考察来分析波动 风险的传 染。所谓波动 溢出 (Volatility Spillover),是指一个市场 的波动可 能会对其 他市场未 来的波动产生影响,可能存在于不同地域的市场之间,也可能存在于不同类型的市场之间。国内外大量文献研究了不同国家股票市场之间、衍生品股指期货市场之间的波动溢出效应。这些都是对不同地域的同类型市场之间波动溢出的研究。由于股票是股指期货的基础资产,股指期货与股票市场之间存在着高度相关性,二者在同一国家或地区内的波动传导也已被证实。但是目前的文献较少涉及对不同地区的股指期货市场与股市之间波动溢出的研究,这显然对国际资本市场波动风险的预警是个遗漏的角落。

国内外学者对国际同类市场(股票市场或股指期货市场)之间及同一国家的两类型市场之间的波动溢出效应进行了大量实证研究。传统的研究方法主要采用时间序列分析中的GARCH类及ARMA模型等方法,而此类方法待估参数较多,计算复杂,往往仅用于二维或三维问题的研究。如Gannon和Au-Yeung(2004)[1]应用BEKKGARCH模型研究中国香港与美国之间的现货及期货市场的波动溢 出。Gannon(2005)[2]应用ARMA模型研究中国香港和美国股市及期市的日内日间高频时间序列数据同步波动传递。Kung和Yu(2008)[3]对比GARCH模型与Grey理论研究美、欧、亚代表性股指期货市场的波动溢出效应。刘向丽等(2008)[4]运用GARCH模型检验 分析了期货与现货两个市场之间存在的双向信息溢出效应。Johansson和Ljungwall(2009)[5]用VAR-GARCH模型研究中国大陆、香 港和台湾 的股市波 动溢出。熊 熊等(2009)[6]应用BEKK-GARCH模型研究了A50指数期货对沪深300指数、上证综 指的波动 溢出。Beirne等(2010)[7]用三变量GARCH(1,1)-M模型检验 了新兴股票市场之间的波动溢出。由于过去研究方法的复杂度制约其在更高维时间序列波动问题中的应用,学者们开始引入主成分或独立成分分析等数据降维技术来突破此局限。如Alexander(2001)[8]将多元统计分析中的主成分分析方法结合GARCH模型,来实现对 多元GARCH模型的降维与去相关处理。然而主成分分析假设数据服从高斯 分布,而金融时间序列数据往往违反该假设,因此主成分分析的有效性仍 然受到质 疑。随着独 立成分分 析 (IndependentComponentAnalysis,ICA)方法被借 鉴到金融 领域,Wu和Yu(2005)[9]将ICA引入股市分析,选取美国四家IT企业的股 价波动时 间序列数 据,并指出ICAGARCH模型比PCA-GARCH模型更有效。张瑞锋和张世英(2008)[10]提出ICA-SV模型研究国内外五家股票交易所的价格指数波动溢出。刘志东和薛莉(2010)[11]分别用基于独立成分分析和因子条件不相关的GARCH模型研究十五国股市波动的“非对称性”特征。可见,独立成分分析克服了传统方法对刻画多元金融时间序列数据时计算复杂度高的缺点,能够较好地解决高维时间序列波动问题。

综上所述,目前的文献研究缺少对国际股指期货市场与国内股票市场之间的跨地区金融衍生品与基础市场波动溢出的研究。而股指期货市场作为股票市场的衍生金融工具市场,其价格发现功能与市场信息收集及传递功能导致股指期货市场先行于股票市场,其波动引导股指的波动。正是由于二者之间的相关性,使得跨区域的股指期货市场与股票市场之间的间接波动溢出有存在的可能。因此,本文建立PCA-EGARCH-M与ICA-EGARCH-M模型对国际上成熟的股指期货市场与我国股票市场之间是否存在波动溢出效应 展开讨论,克服GARCH模型的局限性。采用均方根误差(RMSE)与Theil不等系数等指标进行预测能力评价,发现ICA-EGARCH-M模型更精确。最后用脉冲响应函数对波动冲击源造成的脉冲响应进行量化,准确观测国际股指期货市场冲击引发我国股市波动的响应。

2模型与方法

2.1EGARCH-M模型

对金融时间序列而言,负的冲击往往比相同程度的正的冲击引起更大的波动。这种“非对称性”特征被Nelson(1991)[12]等学者在研 究中证实,并提出了EGARCH模型。而对金融市场波动问题的研究中另一个不可忽视的因素是风险对收益均值的影响。Engle等(1987)[13]将预期风险加入均值 方程提出ARCH-M模型。关于收 益率的EGARCH-M模型的均值方程及方差方程表示为

其中,rt为第t期的收益率,参数θ可以 解释市场 的风险溢价,正常市场情况下风险溢价为正,即投资者对高风险有正向的高收益补偿;但真实市场中θ往往为负值,表明市场的非理性投机行为显著,投资群体风险偏好强。非对称性的存在能够通过β<0的假设得到检验。

2.2PCA-EGARCH-M与ICA-EGARCH-M 模型

假定要考察n个金融市场对另外一个金融市场Z是否存在波动溢出效应。首先,分别对i(i=1,…,n)个金融市场及市场Z建立收益均值方程:

其中,rit,rzt分别代表i(i=1,…,n)个金融市场和市场z的对数收益率,σit为自身市场的风险(或内部市场风险),θi 表示内部市场风险对收益的贡献率,uit,uzt为收益残差序列。

其次,应用PCA或ICA将残差序列分解。主成分P和独立成分S的表达式分别为:

最后,分别将代 表n个金融市 场波动的 综合指标Pit和Sit作为解释 变量代入z的均值方 程中得到PCA-EGARCH-M与ICA-EGARCH-M,即

其中,ηi为第i个主成分对收益r的贡献率,若其显著不为零,则说明新的综合指标Pi对市场z存在波动溢出效应;同理,δj为第j个独立成分对收益r的贡献率,若显著不为零,则说明新的综合指标Sj对市场z存在波动溢出效应。

2.3脉冲响应函数

1两变量系统的情形

现在假定在基期给y1一个单位的脉冲,即

则由y1的脉冲引起的y2的响应函数为

因此,由yj的脉冲引起的yi的响应函数可以求出如下:

C(q)的第i行、第j列元素可以表示为

作为q的函数,它描述了在时期t其他变量和早期变量不变的情况下yi,t+q对yjt的一个冲击的反应,称作脉冲响应函数。

2多变量系统的情形

用矩阵的形式表示为

即Cq的第i行第j列元素等于时期t第j个变量的扰动项增加一个单位,而其他时期的扰动为常数时,对时期t+q的第i个变量值的影响。

3实证分析

3.1实证数据的选取与描述

为考察金融危机蔓延期间国际成熟股指期货市场(美国、英国、日本、中国香港)与我国股票市场之间是否存在波动溢出效应。因此,样本期间选自2008年1月3日至2010年3月22日,共552个交易日。挑选出各国或地区市场具有代表性的股指期货和股票指数,即美国标准普尔(SP500)指数期货、英国金融时报(FTSE100)指数期货、日本日经 (Nikkei225)指数期货、香 港恒生 (HangSeng)指数期货和中国沪深(CSI300)股票指数。数据来源于彭博数据终端。

从表1可以看到,这些金融市场各收益序列的统计特征:美国SP500与中国香港HangSeng指数期货的收益序列偏度为正,表明序列的分布相对于正态分布是“右偏”的,而英国FTSE100、日本Nikkei225指数期货与中国CSI300股票指数的收益序列的分布是“左偏”的;各收益序列的峰度值均大于3,即分布的凸起程度大于正态分布,是“尖峰”的,因而极值事件容易发生;同时,JarqueBera统计量的值都比较大,其尾概率均为0,从而拒绝服从正态分布的假定,认为各金融市场数据是非高斯的。

3.2PCA-EGARCH-M与ICA-EGARCH-M模型的估计

1分别对国际股指期货市场(美国、英国、日本、中国香港)与我国股票 市场的收 益序列建 立EGARCH(1,1,1)-M模型,即

根据以上模型估计出的各参数值如表2所示:非对称项β均小于零,即存在非对称性,且风险项系数均显著不为零,验证了EGARCH-M模型咱拟合收益序列波动的合理性。

2PCA-EGARCH-M模型估计

对国际股指期货市场(美国、英国、日本、中国香港)所建立的EGARCH(1,1,1)-M模型中收 益残差序 列u1t,u2t,u3t,u4t进行主成分分析,在累积贡献率 >90% 的前提下确定主成分个数为3个,即前三个主成分能够反映原来变量90% 以上的信息量。结果如表3所示。

第一主成分p1主要与英国、中国香港、日本的股指期货市场波动有关,是这三个市场的综合因子;第二主成分p2主要与美国、日本、中国 香港的股 指期货市 场波动有关,是这三个市场的综 合因子;第三主成 分p3主要与英国、中国香港、美国的股指期货市场波动有关,是这三个市场的综合因子。

p1、p2、p3 代入中国沪深300指数收益均值方程,即主成分p1、p2、p3作为解释变量考虑进CSI300的单变量EGARCH-M模型,进行参数估计得

三个主成分p1、p2、p3 的参数估计值的统计量分别为11.1943、5.9212、5.6505,表明其显 著不为零。这 说明三个主成分所代表的股指期货市场均对我国股市存在一定的波动溢出效应。但结果很难区分哪个股指期货市场对我国股市的波动溢出更突出。

3ICA-EGARCH-M模型估计

对收益残差序列u1t,u2t,u3t,u4t进行独立 成分分析,得到解混矩阵W为

由上式可以看出,第一独立成分s1中u3t即日本股指期货市场所对应的权重最大,显著比其他市场对应的权重高,因此,认为第一独立成分主要度量日本的股指期货市场;相应地,第二独立成分s2主要度量中国香港的股指期货市场;第三独立成分s3主要度量美国的股指期货市场。通过独立成分分析,每一市场在独立成分中对应的权重清晰可见。

将三个独立成分s1、s2、s3代入中国 沪深300指数收益均值方程,即三个独立成分s1、s2、s3作为解释变量考虑进CSI300的单变量EGARCH-M模型,进行参数估计得

三个独立成分s1、s2、s3的参数估计值的统计量分别为6.4100、-11.0606、7.9489,表明其显著不为零。这说明三个独立成分所代表的股指期货市场均对我国股市存在一定的波动溢出效应。另外,由三个独立成分参数估计的统计量比较可知,第二独立成分参数估计值最为显著,其次是第三独立成分,最后是第一独立成分。这表明中国香港的股指期货市场对我国股市的波动溢出效应最为显著,其次是美国的股指期货市场,最后是日本的股指期货市场。

3.3PCA-EGARCH-M与ICA-EGARCH-M模型优劣比较

从PCA-EGARCH-M与ICA-EGARCH-M模型的比较中可以得出,前者虽然能够证实三个主成分对我国股市的波动溢出存在一定影响,但很难区分哪个股指期货市场对我国股市的波动溢出更为显著;而后者不仅验证了波动溢出效应的存在,且通过每一独立成分主要度量的对象判断出各个股指期货市场对我国股市的波动溢出显著程度的次序。为对比二模型之间的优劣,需计算模型预测能力评价指标。对模型预测精度进行度量的常用指标有均方根误差(RootMeanSquaredError,RMSE)、Theil不等系数(TheilInequalityCoefficient,Theil),即

RMSE受因变量量纲影响,Theil不等系数是不受量纲影响的相对指标,Theil不等系数的分子就是RMSE,因此度量的是相对RMSE。MSE可以分解为

其中,s为y的标准差,ρ为^y和y的相关系数。

分别定义偏离比例(BiasProportion)、方差比例(VarianceProportion)、协方差比 例 (CovarianceProportion)如下:

偏离比例度量预测值的均值与序列实际值均值的偏离程度,表示系统误差;方差比例度量预测值方差与序列实际方差的偏离程度;协方差比例度量剩余的非系统预测误差。如果预测结果好,则偏离比 例和方差 比例应该 较小,协方差比例较大。

分别计算PCA-EGARCH-M与ICA-EGARCH-M模型的各评价指标,如表4所示。

结果表明:ICA-EGARCH-M模型的均 方根误差、Theil不等系数均比PCA-EGARCH-M模型有所降低;另外,ICA-EGARCH-M模型较小的方差比例与较大的协方差比例也证实了其模型预测精度高于PCA-EGARCH-M模型。这些差异主要是由于主成分分析对高斯数据的假设脱离了现实情况造成,真实金融时间序列数据的非高斯性使得ICA-EGARCH-M模型更具有说服力。因此,在波动溢出效应研究中,ICA-EGARCH-M模型更合理、更科学。

3.4ICA-EGARCH-M模型波动溢出的脉冲响应时间与幅度

我国股市对三个独立成分s1、s2、s3的脉冲响 应趋势如图1所示。从中可以看出:我国股市对三个独 立成分s1、s2、s3的冲击反应是不同的,初期对第二独立成分s2的反应较强,但是影响时间不是很长,说明我国股市对中国香港股指期货市场带来的冲击反应较迅速;其次,第三独立成分s3的冲击响应幅度较第一独立成分s1强,且响应持续时间也比较长,说明来自美国股指期货市场的冲击给我国股市波动造成的溢出反应稍稍滞后。三个独立成分s1、s2、s3的脉冲响应曲 线在滞后 第7时刻大致 交汇于一点,之后各脉冲响应逐渐变小,直到最后接近为0。

每给三个独立成分s1、s2、s3一个单位的冲击,沪深股市在前7期的波动响应幅度的具体数值如表5所示,可以看出:金融危机蔓延期间,中国香港股指期货市场带来的冲击(s2)在前3期中对我国股市的波动响应显著地强于美国(s3)、日本(s1)的股指期 货市场,而从第4期开始变弱,逐渐地,美国股指期货市场对我国股市的波动响应占上风,其次是日本股指期货市场。

4结论

考虑到股指期货市场与股票市场的高度相关性,本文建立PCA-EGARCH-M与ICA-EGARCH-M模型研究国际股指期货市场对我国股票市场的波动溢出,克服了传统GARCH模型对刻画多元金融时间序列数据波动特性的缺点,更准确地拟合了金融时间序列的波动特征。在实证部分,通过对比 预测评价 指标 (RMSE与Theil不等系数),证实ICA-EGARCH-M模型更科学更精确。用脉冲响应函数对国际股指期货市场冲击造成我国股市的波动响应进行量化。结论为:金融危机期间,我国股市对来自中国香港股指期货市场带来的冲击反应较迅速且幅度较大;来自美国股指期货市场的冲击造成的溢出效应在滞后一段时期表现显著;日本股指期货市场对我国股市波动在滞后一段时期也有一定溢出效应;而英国股指期货市场对我国股市的溢出影响不显著。