基于MCMC算法的中國農(nóng)產(chǎn)品期貨市場波動性研究

沈悅　張澄

摘要：以黃大豆1號期貨結(jié)算價在2006年1月4日至2016年8月2日期間的日度數(shù)據(jù)為樣本，通過運用MCMC算法估計SV模型，實證考察了中國農(nóng)產(chǎn)品期貨市場的波動性，充分證實我國農(nóng)產(chǎn)品期貨價格波動的聚集性、時變性和持續(xù)性。并結(jié)合小波多分辨率分析的方法對收益率的波動成分進行分解，刻畫出我國農(nóng)產(chǎn)品期貨收益率序列的波動成分在不同分解尺度上的動態(tài)特征，解釋了我國農(nóng)產(chǎn)品期貨收益率的短期波動及長期趨勢，并發(fā)現(xiàn)我國農(nóng)產(chǎn)品期貨市場對國際市場的依賴性較強，對極端事件的沖擊也十分敏感。據(jù)此，指出在研究我國農(nóng)產(chǎn)品期貨市場波動性特征的同時，也要時刻警惕我國農(nóng)產(chǎn)品期貨市場與其他市場之間的波動溢出效應(yīng)，及時調(diào)整投資策略，加強金融監(jiān)管。

關(guān)鍵詞：農(nóng)產(chǎn)品期貨；波動性；SV模型；MCMC算法；多分辨率分析

中圖分類號：F307.11文獻標(biāo)識碼：A 文章編號：1009-9107（2016）06-0114-07

金融時間序列的波動性問題一直是金融學(xué)領(lǐng)域研究的熱點之一。目前全球經(jīng)濟疲軟，我國國內(nèi)經(jīng)濟處于轉(zhuǎn)型升級的關(guān)鍵時期，農(nóng)產(chǎn)品供給側(cè)改革如火如荼，一度出現(xiàn)了大宗商品市場波動頻繁且劇烈的現(xiàn)象，加上英國“脫歐”使包括大宗商品在內(nèi)的資產(chǎn)價格波動風(fēng)險激增，這些“不確定性因素”都增加了我國農(nóng)產(chǎn)品期貨市場的波動性。一方面，我國農(nóng)產(chǎn)品現(xiàn)貨市場的發(fā)展帶動期貨市場的推進，加上受到來自宏觀經(jīng)濟層面、市場環(huán)境以及國際市場等多方面因素作用，我國農(nóng)產(chǎn)品期貨價格波動明顯，風(fēng)險逐步加大；另一方面，農(nóng)產(chǎn)品期貨不僅存在衍生品特有的高風(fēng)險，還容易受到季節(jié)因素以及宏微觀因素的影響。如果不能準(zhǔn)確認(rèn)識農(nóng)產(chǎn)品期貨市場波動性的動態(tài)特征，極易誘發(fā)尾部風(fēng)險，將會對金融市場的穩(wěn)定性產(chǎn)生沖擊。因此，分析我國農(nóng)產(chǎn)品期貨收益率波動的特殊性，探究其在不同時間、不同尺度上的波動特征及影響因素，對穩(wěn)定我國農(nóng)產(chǎn)品期貨價格、防范投資風(fēng)險以及推進我國期貨市場良好發(fā)展有著十分重要的作用。

一、文獻綜述

關(guān)于我國期貨市場波動性的研究很多，但針對我國農(nóng)產(chǎn)品期貨市場波動性的研究則相對較少。從期貨市場波動率的建模角度來看，基于隨機波動模型（SV模型）對我國農(nóng)產(chǎn)品期貨市場進行研究的文獻較少，多數(shù)研究是從GARCH類模型的角度來展開。王金媛基于GARCH模型、GARCHM模型、非對稱GARCH模型以及成分ARCH模型，證實我國農(nóng)產(chǎn)品期貨收益率的波動存在聚集性、杠桿效應(yīng)、風(fēng)險溢價以及持續(xù)性[1]。魏宇指出，EGARCH、GJR以及APARCH模型在檢驗滬銅期貨指數(shù)收益率的波動特性時，并沒有發(fā)現(xiàn)顯著的非對稱杠桿效應(yīng)[2]。劉向麗、成思危等認(rèn)為，ACDGARCHM模型可以較好地描述我國期貨市場的波動性質(zhì)，并進一步指出久期、交易量等微觀結(jié)構(gòu)變量是產(chǎn)生波動聚集的原因[3]。此外，也有部分學(xué)者更深層次地探討了我國農(nóng)產(chǎn)品期貨收益率波動序列的非對稱效應(yīng)。王輝、孫志凌等基于ADCC模型和DADCC模型，證實基差和“消息”對我國農(nóng)產(chǎn)品期貨收益率的波動性有一定的非對稱效應(yīng)[4]。楊科、田鳳平發(fā)現(xiàn)，我國農(nóng)產(chǎn)品期貨市場的波動率具有長記憶性和區(qū)制轉(zhuǎn)換性，同時存在高波動率和低波動率兩種區(qū)制，但二者之間的轉(zhuǎn)換概率較小[5]。

從實證模型的估計方法來看，縱觀國內(nèi)學(xué)者對我國農(nóng)產(chǎn)品期貨市場波動性的研究方法，鮮有文獻涉及MCMC算法和小波多分辨率分析的方法，只有少部分的研究是從時頻的角度來考察我國農(nóng)產(chǎn)品期貨市場的波動特性。首先，MCMC算法的一個重要應(yīng)用便是估計隨機波動模型。Jacquier， Polson和Rossi提出馬爾科夫鏈蒙特卡洛法（MCMC）[6]，該方法此后便在金融計量經(jīng)濟學(xué)領(lǐng)域產(chǎn)生了廣泛的應(yīng)用。目前，國內(nèi)已有相關(guān)研究將MCMC算法應(yīng)用于碳排放期貨市場、股票市場以及匯率市場等。劉維泉、郭兆暉將MCMC算法應(yīng)用于EU ETS碳排放期貨市場波動性的研究，分別建立四種不同的SV模型，實證結(jié)果表明leverage-SV模型在估計VaR時最有效[7]。朱鈞鈞、謝識予應(yīng)用MCMC算法對MS-TGARCH模型進行估計，證實中國股市的波動率存在雙重不對稱的現(xiàn)象，并針對高波動狀態(tài)和低波動狀態(tài)的不同表現(xiàn)進行具體分析[8]。張欣、崔日明將MCMC算法對非對稱隨機波動模型（ASV Model）進行估計，研究人民幣匯率的動態(tài)波動性質(zhì)，實證發(fā)現(xiàn)人民幣匯率的收益率在波動過程中同時存在時變性和較強的持續(xù)性，且波動過程中在“壞消息”和“好消息”的不同狀態(tài)下，非對稱效應(yīng)明顯[9]。

其次，時頻分析可以詳細描述金融時間序列的時間變化和頻率變化，將小波分析應(yīng)用到高頻金融時間序列的分析中，在對剖析序列的波動特征、挖掘序列在不同分解尺度上的表現(xiàn)形式等方面具有很重要的意義。熊正德、文慧等通過結(jié)合GARCH模型和小波多分辨率分析的方法，從時域和頻域的角度描述了我國農(nóng)產(chǎn)品期貨市場的波動性，并進一步指出農(nóng)產(chǎn)品期貨市場與外匯市場的聯(lián)動關(guān)系[10]。郭玉晶、宋林和王鋒通過離散小波變換，對我國農(nóng)產(chǎn)品期貨價格收益率序列進行去噪與重構(gòu)，并在此基礎(chǔ)上考察了原油期貨與農(nóng)產(chǎn)品期貨之間的雙向波動溢出效應(yīng)[11]。曹霜、何玉成選用db3作為小波基函數(shù)，對大白菜的價格序列進行3層分解，并運用SVMARIMA模型對價格的四種變化趨勢進行分析與建模[12]。

鑒于此，本文將同時引入貝葉斯MCMC算法以及小波多分辨率分析的方法，從不同層次、不同角度對中國農(nóng)產(chǎn)品期貨市場收益率的波動特性進行實證考察。

二、研究方法

基于價格的歷史時間序列來計算收益率的波動性，一般有ARCH模型及其各種延伸形式、隨機波動模型（SV model）等，這些模型可以很好地刻畫收益率序列的分布。Kim， Shephard和Chib[13]對這些模型的區(qū)別和聯(lián)系進行分析，表明SV模型可以更好地擬合金融市場的各種特征。國內(nèi)學(xué)者余素紅等 [14]指出，SV模型所描述的序列波動性與數(shù)據(jù)本身的特征更加吻合。因此，本文將采用隨機波動模型來刻畫我國農(nóng)產(chǎn)品期貨市場的波動性，并采用MCMC算法進行SV模型的參數(shù)估計。

（一）基于MCMC算法的SV模型

1. SV模型。Taylor（1986）提出一種離散時間的SV模型，用于解釋金融時間序列的波動性。相比GARCH模型，SV類模型在近幾年關(guān)于金融時間序列波動問題的研究中應(yīng)用更為廣泛。同時，SV類模型也可以很好地解釋收益率序列的分布特征，在金融衍生品的相關(guān)研究中應(yīng)用更廣。

SVNormal模型的表達式如下：

從式（1）和（2）來看，本文構(gòu)建的SV模型的未知參數(shù)分別為：μ、和τ2，我們將未知參數(shù)向量表示為ω，則有ω=（μ，，τ2）。由于SV模型的似然函數(shù)很難確定，因此傳統(tǒng)的極大似然法很難進行估計。后來，MCMC算法的出現(xiàn)很好地解決了SV模型的估計問題。在SV模型的估計方法中，MCMC算法是優(yōu)于其他估計方法的。

2. MCMC算法。在對SV模型進行估計時，馬爾科夫鏈蒙特卡洛模擬（MCMC）的方法是近些年比較流行的一種參數(shù)估計方法，也可以認(rèn)為這是一種特殊的Monte Carlo方法，很好地解決了傳統(tǒng)模擬方法的靜態(tài)性、高維性等問題。同時，MCMC方法在估計SV模型時具有獨特的優(yōu)勢，可以對未知參數(shù)以及不可觀測的變量同時進行估計。本文在進行MCMC算法的估計中，將采用Gibbs Sampling的抽樣方法。下面將以SV模型為例，對Gibbs Sampling的具體操作步驟進行說明：

在設(shè)置好各個參數(shù)的先驗分布之后，便可以使用WinBUGS1.4軟件對SV模型進行MCMC算法估計，并將收益率序列的波動部分進行小波多分辨率分解。

（二）小波多分辨率分析

1. 小波分析。作為傅里葉分析方法的繼承與發(fā)展，小波分析具有多尺度分析的獨特優(yōu)勢，可以同時兼顧時域和頻域兩個角度來對金融時間序列進行分析。小波變換就是用小波函數(shù)的集合來展開信號，即將原始信號中不同尺度的小波分解出來，更好地刻畫出信號的動態(tài)特征?？梢酝ㄟ^如下數(shù)學(xué)公式來定義：

2. 多分辨率分析（MRA）。多分辨率分析（Multi-resolution Analysis， MRA），又叫多尺度分析，由法國科學(xué)家S. Mallat提出。MRA為正交小波變換的快速算法提供了理論支撐，在正交小波變換中具有十分重要的作用。通過構(gòu)造一組函數(shù)空間，并將需要處理的信號在該空間上進行分解，便可以得到原始信號的時頻特征。MRA的實質(zhì)是通過將原始信號分解為粗糙部分和細節(jié)部分（分別對應(yīng)低頻部分和高頻部分）。其中低頻部分揭示了原始信號的主要信息，比如周期性和趨勢性；而高頻部分顯示了原始信號的細節(jié)部分。我們同樣可以通過如下數(shù)學(xué)公式來表達：

對黃大豆1號期貨收益率的序列進行分析以后，需要進一步對序列的基本統(tǒng)計量進行描述，用來驗證研究模型的適用性，這樣有利于隨機波動模型估計的分析。從表1的描述性統(tǒng)計結(jié)果可以看出，黃大豆1號期貨收益率序列的偏度為負，峰度大于3，說明了收益率序列確實存在“尖峰厚尾”的特性。同時JB統(tǒng)計量為6 515.801，表明了收益率序列并不服從正態(tài)分布。因此，我們可以通過隨機波動模型進行建模，對黃大豆1號期貨收益率的波動性進行估計。

四、實證分析

（一）MCMC算法的參數(shù)估計

為了研究我國農(nóng)產(chǎn)品期貨市場的波動性特征，本文將使用WinBUGS1.4軟件進行基于MCMC算法的SV模型參數(shù)估計。本文在采用Gibbs Sampling進行抽樣時，對各個參數(shù)進行了10 000次的迭代運算，剔除預(yù)燒期（Burn in Period）的模擬值，確保參數(shù)估計的準(zhǔn)確性和收斂性。最后在模型達到收斂狀態(tài)后即可得到待估參數(shù)的均值、標(biāo)準(zhǔn)差及均方誤差等。圖2和圖3分別給出了各個參數(shù)迭代的動態(tài)軌跡圖、條件后驗分布密度圖。于是，我們得到基于MCMC算法的參數(shù)估計結(jié)果（見表2）。

綜合圖2和圖3來看，我們可以發(fā)現(xiàn)各個參數(shù)在迭代過程中均可以較好地圍繞后驗均值進行波動，各個參數(shù)收斂性好，整個MCMC算法估計過程平穩(wěn)，表明我們所構(gòu)建的SV模型的估計結(jié)果有效且可靠。

表2為基于MCMC算法的SV模型估計結(jié)果，分別給出了SVNormal模型參數(shù)的均值、標(biāo)準(zhǔn)差、均方誤差、中位數(shù)以及2.5%和97.5%分位數(shù)的貝葉斯估計值。其中（phi）表示收益率序列波動的持續(xù)性，其后驗均值為0.932，說明我國農(nóng)產(chǎn)品期貨在波動過程中存在比較顯著的持續(xù)性。這與先前王金媛[1]通過GARCH模型所得出的結(jié)論一致。表明黃大豆1號期貨合約一旦受到外部沖擊，就會發(fā)生異常波動，且該波動成分在短時期內(nèi)很難被消除。

因此，我們可以得到SV模型的具體形式：

yt=exp（12θt）ut，ut ～N（0，1），t=1，…，n

θt=-0.407 1+0.932 0（θt-1+0.407 1）+υt，υt ～N（0，0.139 7），t=1，…，n

SV模型能夠很好地模擬我國農(nóng)產(chǎn)品期貨市場的波動性，同時MCMC算法也為模型的參數(shù)估計提供了更為準(zhǔn)確的結(jié)果，這為進一步的波動分解研究提供了有利的保障。

（二）小波多分辨率分析

小波多分辨率分析，表示通過將原始信號分解到不同的尺度上，繪制出不同尺度上的變量譜圖，對金融時間序列進行更深層次的分析。下面將對現(xiàn)有的黃大豆1號期貨收益率的波動率進行分解，考察不同分解尺度上黃大豆1號期貨收益率的波動特征及趨勢。

不同的小波函數(shù)分析同一個問題也會產(chǎn)生不同的結(jié)果。因此，最優(yōu)小波函數(shù)和分解層數(shù)的確定在小波多分辨率分析中具有十分重要的作用。首先，為了剖析不同尺度上收益率序列的波動特征，本文運用db6小波函數(shù)（屬于Daubechies小波系，基本表現(xiàn)形式為dbN），其中6為小波的階數(shù)；其次，借鑒以往學(xué)者的研究[10]，本文對原始信號進行5層分解。其中，x代表原始波動率序列，ai，i=1，2，3，4，5代表低頻部分，di，i=1，2，3，4，5代表高頻部分。使用軟件Matlab（R2013a）進行分析，于是我們得到黃大豆1號期貨對數(shù)收益率的波動成分在不同尺度下的分量譜圖（見圖4和圖5）。

波動率序列在被分解前，可能會存在隨機、不規(guī)則等因素影響，而一旦經(jīng)過小波多分辨率分析進行分解，小波分量譜圖可以清楚地顯示在剔除隨機、不規(guī)則等因素之后的變化情況。尤其是對于關(guān)注我國農(nóng)產(chǎn)品期貨的投資者以及相關(guān)管理機構(gòu)，他們可以更好地從短期、長期的不同角度研究我國農(nóng)產(chǎn)品收益率序列的波動成分。

其中，圖4的低頻部分代表長期趨勢，圖5的高頻部分代表短期波動。因此圖4和圖5共同反映了黃大豆1號期貨收益率波動成分的短期波動和長期趨勢。從短期波動來看，隨著時間尺度的上升，波動序列有逐步減弱的趨勢，長期趨勢亦如此，但長期成分的周期性較弱，只在部分序列期間出現(xiàn)了大幅波動。綜合來看，不論是高頻信號還是低頻信號，不同的分解尺度在序列500～750（對應(yīng)時間段為2008年1月至2009年2月）期間，均出現(xiàn)了十分明顯的波動。而對于高頻部分的短期波動，往往比低頻部分的長期趨勢更加劇烈。在序列125～250（對應(yīng)時間段為2006年7月至2007年1月）期間、序列500～750（對應(yīng)時間段為2008年1月至2009年2月）期間以及序列2 500～2 572（對應(yīng)時間段為2016年4月至2016年8月）期間，高頻部分都表現(xiàn)出一定的波動。下面我們將對出現(xiàn)的短期波動進行深入分析。

在序列500～750（對應(yīng)時間段為2008年1月至2009年2月）期間出現(xiàn)的極大波動很有可能是因為2008年美國次貸危機的爆發(fā)，全球經(jīng)濟金融體系動蕩，加上隨后的歐洲債務(wù)危機，使得世界經(jīng)濟復(fù)蘇進程充滿著不確定性，以及中國經(jīng)濟增速放緩，在這些因素共同的作用下，我國農(nóng)產(chǎn)品期貨市場也出現(xiàn)了劇烈的波動。由此可以看出，我國農(nóng)產(chǎn)品期貨市場對國際市場的依賴性比較大，對極端事件的沖擊也是十分敏感的。不論是國際“好消息”還是“壞消息”，都會使得國內(nèi)農(nóng)產(chǎn)品期貨市場發(fā)生過度波動。這些結(jié)論均與趙萌、吳遲[18]有關(guān)于金融危機對農(nóng)產(chǎn)品期貨市場的研究結(jié)論是一致的。通過對黃大豆1號期貨收益率的波動成分進行分解，低頻部分和高頻部分的信號分解圖都可以十分清晰地刻畫和解釋美國次貸危機對國內(nèi)農(nóng)產(chǎn)品期貨市場所帶來的巨大沖擊。

在序列2 500～2 572（對應(yīng)時間段為2016年4月至2016年8月）期間出現(xiàn)的短期波動很有可能是受到匯率、國內(nèi)政策以及天氣環(huán)境等多方面因素造成的影響。（1）2016年以來，全球經(jīng)濟疲軟，人民幣匯率波動加大，這對我國的農(nóng)業(yè)貿(mào)易等方面產(chǎn)生了重要的影響。人民幣匯率的變動通過匯率傳遞效應(yīng)對國內(nèi)農(nóng)產(chǎn)品價格產(chǎn)生沖擊，進而影響國內(nèi)農(nóng)產(chǎn)品現(xiàn)貨和期貨的價格。（2）國內(nèi)農(nóng)產(chǎn)品供給側(cè)改革如火如荼地進行，直接造成多數(shù)大宗商品市場波動頻繁且劇烈，進一步影響國內(nèi)農(nóng)產(chǎn)品期貨市場的波動性。（3）由于惡劣天氣的原因?qū)е氯虼蠖钩霈F(xiàn)減產(chǎn)，供不應(yīng)求的局面提升了我國農(nóng)產(chǎn)品的價格。比如阿根廷4月份的洪澇災(zāi)害對大豆產(chǎn)量有著明顯的沖擊。（4）從貨幣因素的角度考慮，目前國內(nèi)貨幣出現(xiàn)“脫虛向?qū)崱钡默F(xiàn)象，實體經(jīng)濟逐漸復(fù)蘇也會刺激農(nóng)產(chǎn)品期貨價格的波動。

五、結(jié)論與政策建議

農(nóng)產(chǎn)品期貨收益率的波動性往往表現(xiàn)復(fù)雜。學(xué)者們通過不同的研究方法，從不同的角度對其波動性進行分解、測度與預(yù)警。本文以黃大豆1號期貨結(jié)算價在2006年1月4日至2016年8月2日期間的日度數(shù)據(jù)為樣本，首先，通過運用MCMC算法估計SV模型，實證考察了中國農(nóng)產(chǎn)品期貨市場的波動性，充分證實我國農(nóng)產(chǎn)品期貨價格波動的聚集性、時變性和持續(xù)性。其次，結(jié)合小波多分辨率分析的方法對黃大豆1號期貨收益率的波動成分進行分解，進一步刻畫出我國農(nóng)產(chǎn)品期貨收益率序列的波動成分在不同分解尺度上的動態(tài)特征，主要表現(xiàn)為短期波動劇烈，但隨著時間尺度的上升，有逐步減弱的趨勢，而長期成分中的周期性則表現(xiàn)較弱，只在部分序列期間出現(xiàn)了大幅波動。最后，從時頻分析的角度解釋了我國農(nóng)產(chǎn)品期貨收益率的短期波動及長期趨勢，發(fā)現(xiàn)我國農(nóng)產(chǎn)品期貨市場對國際市場的依賴性較強，對極端事件的沖擊也是十分敏感的。

基于計量實證模型的分析檢驗，本文對于促進我國農(nóng)產(chǎn)品期貨市場健康、良好發(fā)展提出相關(guān)政策建議：由于農(nóng)產(chǎn)品期貨市場受國家政策、國際市場以及供求關(guān)系的影響較大，因此，在研究我國農(nóng)產(chǎn)品期貨市場波動性的同時，也要時刻警惕農(nóng)產(chǎn)品市場與其他市場之間的波動溢出效應(yīng)，及時調(diào)整投資策略，加強金融監(jiān)管，放寬農(nóng)產(chǎn)品期貨市場準(zhǔn)入機制，完善期貨市場規(guī)則。

參考文獻：

[1] 王金媛.我國農(nóng)產(chǎn)品期貨價格波動率分析[J].東北農(nóng)業(yè)大學(xué)學(xué)報：社會科學(xué)版，2009，7（3）：3032.

[2]魏宇.中國商品期貨市場的風(fēng)險價值模型及其后驗分析[J].財貿(mào)經(jīng)濟，2009（2）：6368.

[3]劉向麗，成思危，汪壽陽，等.基于ACD模型的中國期貨市場波動性[J].系統(tǒng)工程理論與實踐，2012，32（2）：268273.

[4]王輝，孫志凌，謝幽篁.中國農(nóng)產(chǎn)品期貨套期保值非對稱效應(yīng)研究[J].統(tǒng)計研究，2012，29（7）：6874.

[5]楊科，田鳳平.農(nóng)產(chǎn)品期貨市場波動率的動態(tài)特征及其預(yù)測模型[J].經(jīng)濟評論，2014（4）：5067.

[6]Jacquier E， Polson N G，Rossi P E.Bayesian Analysis of Stochastic Volatility Models （With Discussion）[J]. Journal of Business & Economic Statistics， 1994（12）： 371417.

[7]劉維泉，郭兆暉.EU ETS碳排放期貨市場風(fēng)險度量——基于SV模型的實證分析[J].系統(tǒng)工程，2011，29（10）：1423.

[8]朱鈞鈞，謝識予.中國股市波動率的雙重不對稱性及其解釋——基于MS-TGARCH模型的MCMC估計和分析[J].金融研究，2011（3）：134148.

[9]張欣，崔日明.基于非對稱隨機波動模型的人民幣匯率波動特征研究[J].國際金融研究，2013（1）：2837.

[10]熊正德，文慧，凌語蓉.基于時頻分析的農(nóng)產(chǎn)品期貨市場與外匯市場聯(lián)動關(guān)系研究[J].中國管理科學(xué)，2013，21（11）：255263.

[11]郭玉晶，宋林，王鋒.國際原油期貨與農(nóng)產(chǎn)品期貨市場的波動溢出效應(yīng)——基于離散小波和BEKK模型的研究[J].國際商務(wù)：對外經(jīng)濟貿(mào)易大學(xué)學(xué)報，2015（6）：8696.

[12]曹霜，何玉成.基于小波分解的SVM-ARIMA農(nóng)產(chǎn)品價格預(yù)測模型[J].統(tǒng)計與決策，2015（13）：9295.

[13]Kim S， Shephard N， Chib S. Stochastic Volatility： Likelihood Inference and Comparison With ARCH models[J].Review of Economic Studies， 1998， 65： 361393.

[14]余素紅，張世英，宋軍.基于GARCH模型和SV模型的VaR比較[J].管理科學(xué)學(xué)報，2004（7）：6166.

[15]Renate Meyer， Jun Yu. BUGS for a Bayesian Analysis of Stochastic Volatility Models[J]. Econometrics Journal， 2000（3）：198215.

[16]于鳳芹.實用小波分析十講[M].西安：西安電子科技大學(xué)出版社，2013：65.

[17]施利敏，溫彬，扈文秀.匯率與農(nóng)產(chǎn)品期貨價格關(guān)系研究[J].中央財經(jīng)大學(xué)學(xué)報，2009（12）：3742.

[18]趙萌，吳遲.金融危機對中國農(nóng)產(chǎn)品期貨市場的沖擊——基于事件研究法的價格敏感性測試[J].農(nóng)業(yè)技術(shù)經(jīng)濟，2010（7）：412.

Abstract：Based on No.1 Soybeans futures settlement price from January 4， 2006 to August 2， 2016， this paper explores the volatility of the Chinese Agricultural Commodities Futures Market by using MCMC algorithm to estimate SV model， which demonstrates the volatility characteristic of Chinese agricultural futures market， such as clustering， time-varying and persistent. Then， the paper uses Wavelet Multiresolution Analysis to decompose the volatility data， which verifies Chinese agricultural futures market is dependent on the international market. And the impact of extreme events is also very sensitive. Accordingly， the paper argues that we must also remain vigilant of volatility spillovers between agricultural markets and other markets， adjust the investment strategy timely， and strengthen financial supervision.

Key words：agricultural product futures； volatility； SV Model； MCMC Method；Multiresolution Analysis