運(yùn)費(fèi)衍生品與煤炭期貨間的傳染效應(yīng)研究

魯雪飛,丁　一,林國(guó)龍,楊　芊

(1.上海海事大學(xué)物流研究中心, 上海201306； 2.上海中遠(yuǎn)國(guó)際貨運(yùn)有限公司， 上海200080)

?

運(yùn)費(fèi)衍生品與煤炭期貨間的傳染效應(yīng)研究

魯雪飛1,丁一1,林國(guó)龍1,楊芊2

(1.上海海事大學(xué)物流研究中心, 上海201306； 2.上海中遠(yuǎn)國(guó)際貨運(yùn)有限公司， 上海200080)

摘要:為研究運(yùn)費(fèi)衍生品(FFA)與其相關(guān)的商品期貨市場(chǎng)間的傳染效應(yīng)，選取經(jīng)濟(jì)危機(jī)前后海峽型船航線C4、C7、4TC-C的遠(yuǎn)期運(yùn)費(fèi)協(xié)議(BFAs)和理查茲灣離岸價(jià)煤炭期貨(API4)的價(jià)格收益序列，對(duì)1 249組數(shù)據(jù)進(jìn)行回歸處理，ADF/PP檢驗(yàn)和Granger因果分析后，建立單變量GARCH模型求得標(biāo)準(zhǔn)化殘差,利用標(biāo)準(zhǔn)化殘差建立DCC-GARCH模型估計(jì)得到市場(chǎng)間的傳染系數(shù)。結(jié)果表明:運(yùn)費(fèi)衍生品市場(chǎng)與其航線船型運(yùn)載煤炭期貨市場(chǎng)間存在一定的風(fēng)險(xiǎn)傳染效應(yīng)，多表現(xiàn)為商品期貨對(duì)運(yùn)費(fèi)期貨的單向傳染，且傳染效應(yīng)在危機(jī)期間顯著增強(qiáng)，為航運(yùn)市場(chǎng)參與者提供了重要的決策信息。

關(guān)鍵詞:遠(yuǎn)期運(yùn)費(fèi)協(xié)議;煤炭期貨;DCC-GARCH;傳染效應(yīng);R語(yǔ)言

0引言

世界總貨運(yùn)量90%以上要通過(guò)船舶水路運(yùn)輸，航運(yùn)是世界物流網(wǎng)絡(luò)和全球運(yùn)輸中的重要組成部分，同時(shí)也是波動(dòng)性最大的產(chǎn)業(yè)之一。運(yùn)費(fèi)的頻繁波動(dòng)，直接影響船主、船舶公司和承租人的資金流，為規(guī)避運(yùn)費(fèi)風(fēng)險(xiǎn)，運(yùn)費(fèi)衍生品應(yīng)運(yùn)而出。1985年第一個(gè)期貨——波羅的海運(yùn)費(fèi)指數(shù)期貨(BIFFE)產(chǎn)生，但由于本身缺陷，2002年4月停止交易。遠(yuǎn)期運(yùn)費(fèi)協(xié)議(FFA)于1992年開(kāi)始交易，協(xié)議規(guī)定具體的航線、數(shù)量、交易價(jià)格、結(jié)算日期等，買(mǎi)賣(mài)雙方約定在未來(lái)的某個(gè)時(shí)間點(diǎn)上，收取或支付依據(jù)波羅的海航運(yùn)交易所公布的指數(shù)價(jià)格和合同約定價(jià)格的運(yùn)費(fèi)差額。交易以來(lái)FFA發(fā)展迅速，成為航運(yùn)參與者最重要的風(fēng)險(xiǎn)管理工具，也深受各大金融機(jī)構(gòu)競(jìng)熱捧。

近年來(lái)國(guó)內(nèi)外專(zhuān)家學(xué)者對(duì)于FFA的研究主要在于FFA的套期保值功能、價(jià)格發(fā)現(xiàn)功能、FFA 市場(chǎng)預(yù)測(cè)、FFA 定價(jià)模型，以及FFA對(duì)即期市場(chǎng)的影響等。如2005年，Kavussanos等[1]用計(jì)量經(jīng)濟(jì)學(xué)中SURE-VECM, VECM-GARCH和VECM-GARCH-X等模型研究了FFA市場(chǎng)的最小變動(dòng)套期比率問(wèn)題，發(fā)現(xiàn)FFA在各航線上的套期效率差異較大，跨大西洋航線的套期效率比較理想，而跨太平洋航線則稍差；2007年，Batchelor等[2]對(duì)巴拿馬型航線指數(shù)價(jià)格和對(duì)應(yīng)的FFA指數(shù)進(jìn)行了曲線擬合，建立最優(yōu)VECM模型，表明干散貨FFA價(jià)格對(duì)預(yù)測(cè)即期價(jià)格具有指導(dǎo)怠義；2010年，劉萍[3]利用風(fēng)險(xiǎn)價(jià)值法(VaR)、條件風(fēng)險(xiǎn)價(jià)值法(CVaR)對(duì)P3A航線FFA結(jié)算價(jià)格進(jìn)行研究，計(jì)算GP分布和GEV分布下的VaR和CVaR，發(fā)現(xiàn)此兩種風(fēng)險(xiǎn)價(jià)值法可有效地預(yù)測(cè)FFA的風(fēng)險(xiǎn)； 2012年，曾慶成等[4]選擇C3、P3A航線建立向量自回歸(VAR) 等模型，研究不同結(jié)算日期不同航線的FFA與即期價(jià)格的關(guān)系，證明不同航線遠(yuǎn)期運(yùn)費(fèi)市場(chǎng)與即期市場(chǎng)的關(guān)系不同, 同一航線、不同結(jié)算日期的FFA對(duì)即期價(jià)格影響也不同； 2013年，Amir[5]利用VAR、GARCH等模型，研究了2007年～2011年間干散貨FFA的交易量與交易價(jià)格間的關(guān)系，發(fā)現(xiàn)在FFA的交易量波動(dòng)與價(jià)格波動(dòng)間，存在顯著的正相關(guān)關(guān)系，前期市場(chǎng)的高回報(bào)率激勵(lì)更多的交易從而導(dǎo)致價(jià)格上升，價(jià)格下降時(shí)低成交量加速價(jià)格的下降。由此可見(jiàn)，目前關(guān)于FFA的研究主要還停留在FFA自身特性上，關(guān)于FFA與其他因素或市場(chǎng)的關(guān)系研究還處于起步階段。

而在經(jīng)濟(jì)全球化背景下，金融市場(chǎng)越來(lái)越表現(xiàn)出協(xié)同變化趨勢(shì)，金融市場(chǎng)比以前更加相互依賴(lài)，相互影響，相互制約，單個(gè)市場(chǎng)價(jià)格運(yùn)動(dòng)能夠更容易且迅速的擴(kuò)散到另外一個(gè)市場(chǎng)[6]。在經(jīng)濟(jì)危機(jī)等重大波動(dòng)中，如果危機(jī)導(dǎo)致的沖擊從一個(gè)金融市場(chǎng)傳遞到另一個(gè)金融市場(chǎng)，使得另一市場(chǎng)價(jià)格及其波動(dòng)具有相類(lèi)似的變動(dòng)形態(tài)，則表明兩個(gè)金融市場(chǎng)間存在傳染效應(yīng)[7]。本文將金融市場(chǎng)間頗受學(xué)者重視的傳染效應(yīng)概念引入到干散貨FFA與其運(yùn)載的商品衍生品中，選取干散貨中份額比例較大的煤炭，研究其衍生品與干散貨FFA間的風(fēng)險(xiǎn)傳染關(guān)系，具體分析傳染路徑和傳染效應(yīng)的強(qiáng)弱，以深入了解航運(yùn)衍生品的市場(chǎng)的風(fēng)險(xiǎn)波動(dòng)，為運(yùn)費(fèi)遠(yuǎn)期市場(chǎng)參與者提供決策依據(jù)。

1基本模型

對(duì)單一資產(chǎn)價(jià)格的波動(dòng)性模型, 常用GARCH建模，當(dāng)擴(kuò)展至多個(gè)資產(chǎn)時(shí), 考慮各個(gè)資產(chǎn)波動(dòng)性的同時(shí)也要考慮資產(chǎn)間的相關(guān)性, 則需將單變量GARCH 模型同時(shí)擴(kuò)展至多變量，即為MGARCH。后Bollerslev提出CCC-GARCH(constant conditional correlation)模型，假設(shè)相關(guān)系數(shù)為固定常數(shù)，主要研究變量間的依賴(lài)和聯(lián)動(dòng)關(guān)系。在此基礎(chǔ)上，Engel[8]提出的DCC-GARCH模型保留了GAECH模型的主要特征，同時(shí)克服其估計(jì)的復(fù)雜性，可捕捉方差、協(xié)方差及相關(guān)系數(shù)的動(dòng)態(tài)性，在研究市場(chǎng)間傳染效應(yīng)方面應(yīng)用較多。筆者結(jié)合GARCH和DCC的估計(jì)方法，通過(guò)提取金融市場(chǎng)之間的動(dòng)態(tài)相關(guān)系數(shù)掌握市場(chǎng)間的風(fēng)險(xiǎn)波動(dòng)情況，該模型較之前的模型更為精準(zhǔn)，有更好的計(jì)算優(yōu)勢(shì)，較好地刻畫(huà)市場(chǎng)間的信息傳遞和波動(dòng)傳染。

1.1DCC-GARCH模型

模型假定k種資產(chǎn)收益序列服從均值為0，協(xié)方差矩陣為Ht的多元正態(tài)分布，即rt|Ωt-1～N(0,Ht)，Ωt-1為rt在時(shí)刻t的信息集，這里多元正態(tài)分布的假設(shè)，是為后面極大似然估計(jì)作準(zhǔn)備。Ht=DtRtDt，其中Ht為t期rt的協(xié)方差矩陣。根據(jù)協(xié)方差的定義,Ht可分解為對(duì)角化方差矩陣同相關(guān)關(guān)系矩陣的乘積，Dt為對(duì)解矩陣，其對(duì)解的元素為各序列的標(biāo)準(zhǔn)差，Rt則為相關(guān)系數(shù)矩陣。

α和β分別為多元GARCH模型中的前期標(biāo)準(zhǔn)化殘差平方系數(shù)和前期條件異方差系數(shù)，滿(mǎn)足α>0,β>0，并且α+β<1；其中:

因此，對(duì)于不同市場(chǎng)i和j，它們之間的t時(shí)刻條件相關(guān)系數(shù)為：

1.2動(dòng)態(tài)系數(shù)估計(jì)

此模型中，參數(shù)個(gè)數(shù)為(p+q+1)×N+(p+q)，關(guān)于GARCH類(lèi)模型滯后階數(shù)的選擇仍缺乏共同認(rèn)可標(biāo)準(zhǔn)，研究表明，當(dāng)p=q=1時(shí)，DCC(1,1)模型擬合金融時(shí)間序列最為適合。DCC-GARCH模型的似然對(duì)數(shù)如下式所示，另外似然函數(shù)又可以拆分為波動(dòng)部分(Lv(φ,θ))與動(dòng)態(tài)相關(guān)部分(Lc(φ))似然函數(shù)的和，即LL=Lv(φ,θ)+Lc(φ)，其中：

因此，DCC-GARCH模型可用二階段方法來(lái)進(jìn)行參數(shù)估計(jì), 第一步估計(jì)波動(dòng)部分的參數(shù)(φ，θ),即估計(jì)Lv(φ,θ)的參數(shù)；第二步估計(jì)動(dòng)態(tài)相關(guān)部分的參數(shù)(φ)，即估計(jì)Lc(φ)參數(shù)。上述極大似然估計(jì)方法的前提是時(shí)間序列服從多元正態(tài)分布，若時(shí)間序列為“厚尾態(tài)”,常采用 Quasi-MLE(QMLE，也稱(chēng) pseudo MLE)方法估計(jì)[9]，由數(shù)據(jù)檢驗(yàn)中Jarque-Bera統(tǒng)計(jì)可知，期貨的金融時(shí)間序列均表現(xiàn)為嚴(yán)格的“尖峰厚尾”，所以本文采用 QMLE方法估計(jì)。

2數(shù)據(jù)選取及其檢驗(yàn)

2.1樣本數(shù)據(jù)選取

在FFA交易所涉及的四大船型中，2008年海峽型船(capesize ship)的FFA交易量?jī)H占總交易量的35.58%，2009年則達(dá)到46%，可見(jiàn)其遠(yuǎn)期交易在經(jīng)濟(jì)危機(jī)中受到?jīng)_擊相當(dāng)大，需要靠遠(yuǎn)期類(lèi)衍生品進(jìn)行套期保值以規(guī)避風(fēng)險(xiǎn)。跟據(jù)clarkson數(shù)據(jù)可知，在干散貨運(yùn)輸中，煤炭是海運(yùn)的重要組成部分，占總運(yùn)量的30%[10]，也是海峽型船的主要運(yùn)輸產(chǎn)品，本文即選取海峽型FFA和與之航線相關(guān)的煤炭期貨作為研究對(duì)象。

本文使用的數(shù)據(jù)包括波羅的海遠(yuǎn)期評(píng)價(jià)(BFAs)和歐洲能源交易所(EEX)網(wǎng)站公布的理查茲灣離岸價(jià)煤炭期貨(API4)的價(jià)格序列，數(shù)據(jù)從2007年1月2日起至2011年12月30止涵蓋整個(gè)金融危機(jī)時(shí)期，共有1 249組數(shù)據(jù)。每組數(shù)據(jù)中包括海峽型程租航線C4和C7的月度FFA價(jià)格和4條期租航線平均4TC-C的FFA價(jià)格，煤炭衍生品API4期貨的月度價(jià)格和季度價(jià)格。BFAs和煤炭期貨的遠(yuǎn)期價(jià)格均采用即將到期的月度或季度合約的成交價(jià)格，數(shù)據(jù)能夠保證實(shí)時(shí)性和活躍性。當(dāng)遠(yuǎn)期合約將要到達(dá)結(jié)算日時(shí)，其交易數(shù)量會(huì)劇烈下降，為了避免這種薄弱市場(chǎng)以及過(guò)期現(xiàn)象的影響，從所選擇合約到期前的一星期，開(kāi)始轉(zhuǎn)用下一個(gè)最接近結(jié)算期合約，這種處理方式可很大程度上保證衍生品價(jià)格數(shù)據(jù)對(duì)于當(dāng)時(shí)市場(chǎng)動(dòng)態(tài)的代表性[11]。本文采用資產(chǎn)價(jià)格的對(duì)數(shù)收益率進(jìn)行分析研究，計(jì)算公式如下：

r=ln(Pt/Pt-1)=ln(Pt)-ln(Pt-1)。

經(jīng)過(guò)對(duì)原始數(shù)據(jù)的處理，各市場(chǎng)的對(duì)數(shù)回歸序列如圖1所示。

(a) CTC+1Q的對(duì)數(shù)回歸序列

(b) C4+1MON的對(duì)數(shù)回歸序列

(c) C7+1MON的對(duì)數(shù)回歸序列

(d) Coal+1MON的對(duì)數(shù)回歸序列

(e) Coal+1Q的對(duì)數(shù)回歸序列

圖1各市場(chǎng)對(duì)數(shù)回歸序列圖

Fig.1Logarithm regression sequences

2.2樣本數(shù)據(jù)統(tǒng)計(jì)特征

對(duì)各航線和煤炭期貨的價(jià)格對(duì)數(shù)回歸序列的數(shù)字特征進(jìn)行分析，結(jié)果如表1。

表1　數(shù)據(jù)基本數(shù)字特征

1. Q(m)和Q2(m)統(tǒng)計(jì)量分別檢驗(yàn)對(duì)數(shù)回歸序列及其平方序列滯后1至m階自相關(guān)系數(shù)是否聯(lián)合為0,在序列無(wú)關(guān)的假定下,兩個(gè)統(tǒng)計(jì)量服從χ2(m)分布。最后1行Jarque-Bera統(tǒng)計(jì)量是用以檢驗(yàn)正態(tài)性的。

表1中Jarque-Bera統(tǒng)計(jì)量表明,在 1%顯著水平下，C4，C7和CTC時(shí)間序列都非常顯著異于正態(tài)分布,煤炭期貨均顯著異于正態(tài)分布，峰度均都大于3，其分布具有明顯的“尖峰厚尾”現(xiàn)象。另外，Q(5)統(tǒng)計(jì)量檢驗(yàn)顯示,在5%顯著水平下,5組對(duì)數(shù)收益虛列均存在序列相關(guān)現(xiàn)象，尤其運(yùn)費(fèi)衍生品存在顯著序列相關(guān)；Q2(5)表明5個(gè)市場(chǎng)的收益率平方序列均具有顯著自相關(guān)現(xiàn)象，這說(shuō)明收益率序列波動(dòng)聚類(lèi)現(xiàn)象十分顯著。

2.3平穩(wěn)性檢驗(yàn)

實(shí)踐中,大多數(shù)時(shí)間序列都受到時(shí)間影響, 呈序列不平穩(wěn)現(xiàn)象。時(shí)間序列非平穩(wěn)可能會(huì)產(chǎn)生偽回歸問(wèn)題。單位根檢驗(yàn)是指檢驗(yàn)序列中是否存在單位根，存在單位根表明序列非平穩(wěn)，反之則平穩(wěn)，為使檢驗(yàn)更為準(zhǔn)確，本處采用ADF和PP兩種單位根檢驗(yàn)方法。如表2所示，ADF平穩(wěn)性檢驗(yàn)中,當(dāng)p-value為0.01時(shí)，表明拒絕時(shí)間序列非平穩(wěn)的原假設(shè)[12]，結(jié)果顯示5種收益序列均拒絕存在單位根的零假設(shè)，表明5種期貨產(chǎn)品的收益率序列均平穩(wěn)，與PP檢驗(yàn)結(jié)果相同，具有可信度。各收益率序列均通過(guò)了單位根檢驗(yàn)，序列平穩(wěn),避免了虛假回歸，允許繼續(xù)建立DCC-GARCH模型。

表2　單位根檢驗(yàn)結(jié)果

2.4格蘭杰因果關(guān)系檢驗(yàn)

運(yùn)用格蘭杰因果檢驗(yàn)，可從靜態(tài)角度判斷市場(chǎng)間波動(dòng)傳染的方向。從Granger檢驗(yàn)結(jié)果來(lái)看，季度煤炭期貨和4TC-C程租航線FFA間均不能拒絕不是Granger原因的原假設(shè)，說(shuō)明兩者間不存在格蘭杰因果關(guān)系；月度煤炭期貨價(jià)格對(duì)當(dāng)月C4、C7航線的FFA均具有格蘭杰因果關(guān)系，其格蘭杰因果分析的概率p值小于規(guī)定值，表明拒絕原假設(shè)。結(jié)果表明：月度煤炭期貨價(jià)格與當(dāng)月C4、C7航線的FFA價(jià)格存在單向格蘭杰因果關(guān)系，即存在煤炭期貨市場(chǎng)對(duì)FFA市場(chǎng)的波動(dòng)傳染。格蘭杰因果關(guān)系檢驗(yàn)結(jié)果表明煤炭期貨與FFA之間具有一定的傳染效應(yīng)，不同市場(chǎng)間傳染方向不盡相同。

表3　格蘭杰因果分析檢驗(yàn)結(jié)果

1. **，*分別代表在1%，5%水平下顯著。

3模型建立及結(jié)果分析

3.1DCC-GARCH模型建立

通過(guò)方法論中介紹的DCC-GARCH模型對(duì)樣本期內(nèi)運(yùn)費(fèi)衍生品和相應(yīng)煤炭期貨的價(jià)格對(duì)數(shù)回歸的動(dòng)態(tài)相關(guān)性進(jìn)行研究，并使用DCC-GARCH兩步法[13]估計(jì)模型的參數(shù)。首先，DCC-GARCH兩步法需要估計(jì)每個(gè)收益率序列的單變量GARCH過(guò)程；之后，用上一步求得的條件方差去除殘差來(lái)得到標(biāo)準(zhǔn)化殘差；最后，動(dòng)態(tài)相關(guān)結(jié)構(gòu)的參數(shù)可利用標(biāo)準(zhǔn)化殘差估計(jì)得到。

從對(duì)數(shù)回歸序列相關(guān)的檢驗(yàn)結(jié)果得知，5種衍生品均存在不同程度的自相關(guān)性，因此建立單變量GARCH模型的時(shí)候，均值方程均采用ARMA模型的方程結(jié)構(gòu)，從而最大程度消除自相關(guān)。對(duì)收益率序列建立GARCH (1,1)模型，其理論模型[14]如下：

運(yùn)行結(jié)果在Ri386 3.2.0上實(shí)現(xiàn)，具體如表4所示。

表4　單變量GARCH(1，1)模型方差方程參數(shù)估計(jì)結(jié)果

1.對(duì)各回歸系數(shù)的顯著性進(jìn)行檢驗(yàn)，()中為T(mén)統(tǒng)計(jì)量，***，**，*分別代表在1%，5%，10%水平下顯著。

對(duì)表4中各單變量 GARCH (1, 1)模型的殘差序列進(jìn)行檢驗(yàn),結(jié)果顯示，殘差序列已無(wú)自相關(guān)現(xiàn)象和ARCH效應(yīng)，說(shuō)明均值方程和方差方程的設(shè)定是合理的。從表4中參數(shù)估計(jì)的結(jié)果看，各參數(shù)估計(jì)量均非常顯著, α+β值接近于 1,表明各市場(chǎng)波動(dòng)都具有顯著的持續(xù)性。經(jīng)殘差標(biāo)準(zhǔn)化后，開(kāi)始第二步估計(jì)，DCC-GARCH模型參數(shù)估計(jì)，結(jié)果如表5所示。

表5　DCC-GARCH模型參數(shù)估計(jì)結(jié)果

從表5的 DCC模型參數(shù)估計(jì)結(jié)果看, α，β均顯著異于零, 表明市場(chǎng)間傳染系數(shù)受到滯后一期的標(biāo)準(zhǔn)化殘差的影響是十分顯著的，月度煤炭期貨價(jià)格與當(dāng)月C4、C7航線的FFA間的DCC模型估計(jì)β值分別為0.987 45，0.962 80，非常接近于1，說(shuō)明兩市場(chǎng)間的傳染效應(yīng)具有很強(qiáng)的持續(xù)性特征。與之相比，季度煤炭期貨和4TC-C程租航線FFA間的傳染效應(yīng)持續(xù)性較弱；同時(shí)α+β越大且越接近于1，表明其動(dòng)態(tài)相關(guān)性相對(duì)越明顯，由此可知，月度煤炭期貨價(jià)格與當(dāng)月FFA間的傳染效應(yīng)強(qiáng)于季度煤炭期貨和4TC-C程租航線FFA間的傳染效應(yīng)。

表6　市場(chǎng)間傳染系數(shù)統(tǒng)計(jì)表

表6中為煤炭期貨與FFA市場(chǎng)間傳染效應(yīng)的數(shù)字特征統(tǒng)計(jì)，煤炭期貨價(jià)格與相對(duì)應(yīng)的當(dāng)期不同航線的FFA間的傳染系數(shù)均值和中位數(shù)分別為0.075 97，0.175 00，0.131 40，三者均處低位，因此可得出結(jié)論，運(yùn)費(fèi)遠(yuǎn)期市場(chǎng)與其航線船只所運(yùn)載的商品期貨市場(chǎng)間存在一定的傳染效應(yīng)，但相關(guān)度不高，所以，運(yùn)費(fèi)期貨市場(chǎng)與商品期貨市場(chǎng)的風(fēng)險(xiǎn)波動(dòng)相互解釋力度不大。另外，從表6中數(shù)據(jù)可知，Coal+1MON/ C7+1MON間的傳染系數(shù)最大值達(dá)到0.452 40，而最小值僅為-0.095 79，相差0.548 19，波動(dòng)較大；與之相比，Coal+1Q /CTC_C+1Q間的傳染系數(shù)標(biāo)準(zhǔn)差僅為0.034 76，較為平穩(wěn)，說(shuō)明其中一市場(chǎng)對(duì)另外一市場(chǎng)的風(fēng)險(xiǎn)傳遞不大，傳染效應(yīng)較弱。

3.2結(jié)果分析

為了更直觀地反映運(yùn)費(fèi)遠(yuǎn)期市場(chǎng)與其航線船只所運(yùn)載的商品期貨市場(chǎng)間的傳染系數(shù)的變化，圖2中分別給出了三組市場(chǎng)間傳染關(guān)系系數(shù)估計(jì)結(jié)果的時(shí)間路徑圖。進(jìn)一步分析3組市場(chǎng)不同的傳染現(xiàn)象：

①在Coal+1MON /C4+1MON市場(chǎng)間，傳染系數(shù)的統(tǒng)計(jì)均值較小，但時(shí)變性較強(qiáng)，由圖2(a)明顯可見(jiàn)，在危機(jī)前期和危機(jī)期間，傳染系數(shù)處于高位，波動(dòng)傳染效應(yīng)強(qiáng)烈，但與Coal+1MON/ C7+1MON市場(chǎng)不同，傳染系數(shù)在危機(jī)之前有所下降，筆者認(rèn)為，這是由于危機(jī)發(fā)生前每個(gè)市場(chǎng)自身干擾因素較多，波動(dòng)強(qiáng)烈，從而對(duì)其他市場(chǎng)的風(fēng)險(xiǎn)傳染反應(yīng)不明顯；與Coal+1MON/ C7+1MON市場(chǎng)間相同，在危機(jī)后的恢復(fù)期內(nèi)，兩市場(chǎng)間傳染系數(shù)較低。

圖2　市場(chǎng)間傳染系數(shù)時(shí)間路徑圖Fig.2　Transmission coefficient between markets

②在Coal+1MON/ C7+1MON市場(chǎng)間，波動(dòng)傳染效應(yīng)最為明顯，在2008年金融危機(jī)期間，本組市場(chǎng)間的傳染系數(shù)存在明顯的上升趨勢(shì)，上升至0.4左右的水平保持波動(dòng)，這說(shuō)明危機(jī)期間煤炭月度期貨對(duì)海峽型船C7航線遠(yuǎn)期運(yùn)費(fèi)協(xié)議的傳染效應(yīng)增強(qiáng)，煤炭期貨的風(fēng)險(xiǎn)波動(dòng)強(qiáng)烈影響遠(yuǎn)期運(yùn)費(fèi)協(xié)議的風(fēng)險(xiǎn)波動(dòng)；另外由圖可見(jiàn)，傳染系數(shù)估計(jì)結(jié)果并非恒正，尤其是在2010年至2012年危機(jī)后恢復(fù)期，波動(dòng)傳染的負(fù)相關(guān)或許恰好能說(shuō)明遠(yuǎn)期運(yùn)費(fèi)協(xié)議自身波動(dòng)的大小可在一定程度上抑制來(lái)自煤炭期貨的價(jià)格波動(dòng)傳染。

③在Coal+1Q /CTC_C+1Q市場(chǎng)間，波動(dòng)傳染效應(yīng)不強(qiáng)，傳染系數(shù)在0.13上下水平平穩(wěn)波動(dòng)，隨時(shí)間變化不明顯，此結(jié)果恰好與格蘭杰因果分析中“季度煤炭期貨和4TC-C程租航線FFA間均不能拒絕不是Granger原因的原假設(shè)，說(shuō)明兩者間不存在格蘭杰因果關(guān)系”的結(jié)果契合，說(shuō)明DCC-GARCH模型的分析結(jié)果可行性較高，具有一定的穩(wěn)健性。分析其原因，筆者認(rèn)為，季度期貨和月度期貨相比，由于結(jié)算時(shí)間與交易時(shí)間間隔較長(zhǎng)，對(duì)風(fēng)險(xiǎn)波動(dòng)的反應(yīng)能力較差，市場(chǎng)間的風(fēng)險(xiǎn)傳染效應(yīng)自然弱于月度期貨。

4結(jié)語(yǔ)

上述實(shí)證結(jié)果表明：海峽型FFA市場(chǎng)與其航線船只所運(yùn)載的商品期貨間關(guān)系緊密，存在一定的傳染效應(yīng)，尤其表現(xiàn)于C4、C7航線的月度遠(yuǎn)期上，傳染系數(shù)可達(dá)到0.4以上，且多表現(xiàn)為商品期貨對(duì)運(yùn)費(fèi)期貨的單向傳染，這說(shuō)明風(fēng)險(xiǎn)波動(dòng)首先表現(xiàn)于商品期貨市場(chǎng)，再傳染至FFA市場(chǎng)，因此商品期貨市場(chǎng)對(duì)FFA的風(fēng)險(xiǎn)波動(dòng)具有一定的預(yù)警作用，可為FFA的風(fēng)險(xiǎn)規(guī)避提供訊息；同時(shí)，危機(jī)期間傳染系數(shù)普遍高于其他時(shí)間段，說(shuō)明市場(chǎng)波動(dòng)越劇烈，傳染效應(yīng)越強(qiáng)，傳染系數(shù)更具有穩(wěn)定性及非持續(xù)性；第三，市場(chǎng)處下降趨勢(shì)時(shí)，F(xiàn)FA市場(chǎng)與煤炭期貨市場(chǎng)間的傳染效應(yīng)普遍高于上升趨勢(shì)時(shí)的傳染效應(yīng)，說(shuō)明壞訊息較好訊息更容易發(fā)生傳染。

上述研究結(jié)論給我們的啟示是：在未來(lái)市場(chǎng)中，航運(yùn)市場(chǎng)參與者應(yīng)對(duì)煤炭期貨市場(chǎng)(其他商品期貨市場(chǎng)有待進(jìn)一步研究)動(dòng)態(tài)多加關(guān)注，尤其是在風(fēng)險(xiǎn)波動(dòng)劇烈危機(jī)將要出現(xiàn)時(shí)，發(fā)現(xiàn)商品期貨市場(chǎng)的訊息尤其是壞訊息時(shí)及時(shí)進(jìn)行相應(yīng)的航運(yùn)風(fēng)險(xiǎn)規(guī)避。本文傳染效應(yīng)的研究對(duì)航運(yùn)市場(chǎng)參與者更有效地進(jìn)行交易、投資、船舶租賃和套期保值等均具有重要意義，同時(shí)有利于更好地了解風(fēng)險(xiǎn)波動(dòng)機(jī)制，可對(duì)FFA的定價(jià)提供指導(dǎo)。

參考文獻(xiàn):

[1]KAVUSSANOS M G, VISVIKIS I D, DIMITRAKOPOULOS D N.Economic spillovers between related derivatives markets: The case of commodity and freight markets[J]. Transportation Research Part E Logistics & Transportation Review, 2014, 68(4):79-102.

[2]BATCHELOR R, ALIZADEH A, VISVIKIS I.Forecasting spot and forward prices in the international freight market[J]. International Journal of Forecasting, 2007, 23(1):101-114.

[3]劉萍.干散貨遠(yuǎn)期運(yùn)費(fèi)協(xié)議的風(fēng)險(xiǎn)測(cè)度研究[D]. 上海：上海交通大學(xué),2010.

[4]曾慶成，李婭囡，楊忠振.干散貨遠(yuǎn)期運(yùn)費(fèi)市場(chǎng)與即期市場(chǎng)的關(guān)系[J]. 大連海事大學(xué)學(xué)報(bào),2012,38(1):50-54.

[5]ALIZADEH A H.Trading volume and volatility in the shipping forward freight market[J]. Transportation Research Part E Logistics & Transportation Review, 2013, 49(1):250-265.

[6]CELIK S.The more contagion effect on emerging markets: The evidence of DCC-GARCH model[J]. Economic Modelling, 2012, 29(29):1946-1959.

[7]FERREIRA D M, MATTOS L B D.The contagion effect of the subprime crisis in the Brazilian stock market [J]. Procedia Economics & Finance, 2014, 14:191-200.

[8]ENGLE R F.Dynamic conditional correlation-A simple class of multivariate GARCH models[J]. Ssrn Electronic Journal, 2000, 20(3):339-350.

[9]胡東濱, 張展英.基于DCC-GARCH模型的金屬期貨市場(chǎng)與外匯、貨幣市場(chǎng)的動(dòng)態(tài)相關(guān)性研究[J]. 數(shù)理統(tǒng)計(jì)與管理, 2012, 31(5): 906-914.

[10]Li K X, Qi G, SHI W, et al.Spillover effects and dynamic correlations between spot and forward tanker freight markets[J]. Maritime Policy & Management, 2014, 41(7):683-696.

[11]林國(guó)龍,葉善椿,韓軍,等.基于Copula理論的FFA市場(chǎng)相關(guān)性研究[J]. 上海海事大學(xué)學(xué)報(bào), 2013, 34(1):62-67.

[12]雷震, 韋增欣.基于GARCH模型的外匯投資組合應(yīng)用[J]. 廣西大學(xué)學(xué)報(bào):自然科學(xué)版, 2014,39(6):1357-1365.

[13]鄭中華, 顏芳.中美股市溢出效應(yīng)實(shí)證分析[J]. 廣西大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版) 2009, 31(5):19-22.

[14]YUE Y D, LIU D C, SHAN X U.Price linkage between Chinese and international nonferrous metals commodity markets based on VAR-DCC-GARCH models[J]. Transactions of Nonferrous Metals Society of China, 2015, 25(3):1020-1026.

(責(zé)任編輯梁碧芬)

The contagion effect between freight derivatives and coal futures

LU Xue-fei1, DING Yi1, LIN Guo-long1, YANG Qian2

(1. Shanghai Maritime University Logistics Research Center, Shanghai 201306, China;2. COSCO Shanghai Intemational Freight Co.ltd, Shanghai 200080, China)

Abstract:To study the contagion effect between freight derivatives market and commodity derivatives market, the paper selects the price sequence of C4,C7,4TC-C ship routes of forward freight agreements (BFAs) and Richards bay coal futures (API4) before and after the economic crisis, and then makes regression analysis of 1 249 groups of data. On the basis of ADF/PP test and Granger causality analysis, the standardized residual is gotten by establishing univariate GARCH model; then DCC-GARCH model is established with standardized residuals to estimate the transmission coefficient between different markets. The results show that there exists certain risk contagion effect between the freight derivatives market and the related coal future market, which is usually one-way transmission from coal futures market to freight future markets, and the contagion effect significantly enhances during the crisis. These results are of great value to market participants in the international shipping and commodity markets, as it can be used to do more effective decisions.

Key words:forward freight agreement; coal future; DCC-GARCH; contagion effects; The R Programming Language

中圖分類(lèi)號(hào):F551; F224; U6-9；TP312

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-7445(2016)02-0598-08

doi:10.13624/j.cnki.issn.1001-7445.2016.0598

通訊作者：林國(guó)龍(1951—)，男，浙江象山人，上海海事大學(xué)教授，博士研究生導(dǎo)師; E-mail: linglzm@163.com。

基金項(xiàng)目：國(guó)家自然基金青年項(xiàng)目(71301101)

收稿日期：2015-10-25；

修訂日期：2015-12-01

引文格式：魯雪飛，丁一，林國(guó)龍，等.運(yùn)費(fèi)衍生品與煤炭期貨間的傳染效應(yīng)研究[J].廣西大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，41(2)：598-605.