基于混頻廣義條件異方差模型的農(nóng)產(chǎn)品市場價格風(fēng)險度量研究

李麗虹,王 璐,2,高新新,張 姣

(1.西南交通大學(xué)數(shù)學(xué)學(xué)院,四川 成都 610031; 2.西南交通大學(xué)經(jīng)濟(jì)管理學(xué)院,四川 成都 610031)

農(nóng)產(chǎn)品市場蓬勃發(fā)展是經(jīng)濟(jì)繁榮的基石,在金融市場中舉足輕重。對投資主體限制多、交易結(jié)構(gòu)失衡等問題,造成農(nóng)產(chǎn)品市場價格波動劇烈,嚴(yán)重影響農(nóng)民收入穩(wěn)定和消費者福利。把控和規(guī)避農(nóng)產(chǎn)品市場風(fēng)險,對提高生產(chǎn)能力、穩(wěn)定產(chǎn)品價格和管理市場風(fēng)險具有重要意義。歷史波動和宏觀波動是度量農(nóng)產(chǎn)品市場風(fēng)險的根本依據(jù),為規(guī)避和管控農(nóng)產(chǎn)品市場風(fēng)險,在廣義條件異方差(GARCH,generalized autoregressive conditional heteroskedasticity)模型基礎(chǔ)上利用混頻廣義條件異方差(GARCH-MIDAS,generalized autoregressive conditional heteroskedasticity-mixd data sampling)模型和風(fēng)險價值(VaR,value at risk)方法,對其進(jìn)行合理度量和評估。GARCH-MIDAS模型在度量風(fēng)險時直接將宏觀波動考慮在內(nèi),為有效管控風(fēng)險提供了重要依據(jù)。

1 文獻(xiàn)綜述

針對農(nóng)產(chǎn)品市場價格風(fēng)險度量問題,國內(nèi)外學(xué)者主要圍繞歷史波動、市場風(fēng)險特點、規(guī)律和管理等方面展開。唐衍偉等[1]研究了農(nóng)產(chǎn)品期貨市場價格波動的長程相關(guān)性;張樹忠等[2]探討了居民消費價格指數(shù)(CPI)對農(nóng)產(chǎn)品期貨價格波動的影響;Chuan等[3]利用VaR風(fēng)險值方法對水果市場價格風(fēng)險進(jìn)行度量,并按其大小劃分了3個風(fēng)險等級;韓德宗[4]結(jié)合保證金水平與估算的VaR指標(biāo),對期貨市場價格風(fēng)險度量提出了單指標(biāo)預(yù)警;J.P.Morgan投資銀行提出的VaR風(fēng)險價值方法,成為度量金融市場風(fēng)險的主流工具;Bollerslev[5]提出的GARCH模型準(zhǔn)確估計了農(nóng)產(chǎn)品市場收益率條件方差,同時對金融資產(chǎn)收益率的時變性和聚集性進(jìn)行了準(zhǔn)確描述,但無法直接考慮宏觀波動的影響;Engle等[6]驗證了貨幣供應(yīng)量、通貨膨脹率、短期利率等宏觀變量對金融資產(chǎn)收益率波動的影響,收益率會隨著通脹率和短期利率變化而變化;鄭挺國等[7]發(fā)現(xiàn)宏觀經(jīng)濟(jì)基本面與市場波動正相關(guān),多種因素發(fā)現(xiàn)聯(lián)合預(yù)測效果最優(yōu);Christiansen等[8]表明模型加入宏觀因素提高了預(yù)測效果,可見宏觀波動對市場風(fēng)險的影響不可忽視。宏觀波動多為月度低頻數(shù)據(jù),收益率則為日度高頻數(shù)據(jù),探討宏觀波動對收益率波動影響時只有在損失原始信息代價下,將高頻數(shù)據(jù)降頻處理。針對數(shù)據(jù)頻率問題,Ghysels等[9]提出了混頻數(shù)據(jù)回歸(MIDAS,mixed data sampling)模型,無需降維即可將2種不同頻率數(shù)據(jù)的原始信息一同保留;Engle等[10]在此基礎(chǔ)上提出了GARCH-MIDAS模型,將收益率波動依頻率分解為長期波動和短期波動;Conrad等[11]基于GARCH-MIDAS模型,探究了工業(yè)增加值、實際GDP增速等宏觀變量因素對美國標(biāo)普500指數(shù)長期波動的影響。GARCH-MIDAS模型已成為研究宏觀變量對金融市場波動影響的重要工具,基于GARCH-MIDAS模型度量農(nóng)產(chǎn)品市場價格風(fēng)險具有重要意義。

農(nóng)產(chǎn)品市場價格風(fēng)險度量研究中,現(xiàn)有文獻(xiàn)廣泛使用GARCH模型構(gòu)建收益率條件波動,但此模型只考慮收益率歷史波動,缺乏研究宏觀波動對風(fēng)險的影響。GARCH-MIDAS模型克服了宏觀波動與收益率數(shù)據(jù)不同頻率問題,構(gòu)建該模型度量農(nóng)產(chǎn)品市場風(fēng)險并與GARCH模型的優(yōu)劣相比較。研究目的及貢獻(xiàn):其一,選擇居民消費價格指數(shù)、工業(yè)增加值增長速度、廣義貨幣供應(yīng)量、人民幣名義匯率、同業(yè)拆借利率等宏觀變量作為低頻波動研究變量,結(jié)合市場歷史高頻波動信息,對農(nóng)產(chǎn)品市場價格風(fēng)險進(jìn)行度量,探究宏觀波動對農(nóng)產(chǎn)品市場風(fēng)險的影響;其二,以農(nóng)產(chǎn)品期貨收益率序列為研究對象,構(gòu)建GARCH-MIDAS模型和GARCH模型,分別估算市場VaR風(fēng)險值用以農(nóng)產(chǎn)品市場風(fēng)險管控;其三,對VaR風(fēng)險值進(jìn)行嚴(yán)謹(jǐn)?shù)腒upiec失敗率檢驗,比較GARCH-MIDAS模型和GARCH模型在農(nóng)產(chǎn)品市場價格風(fēng)險度量中的精確程度和適用性,得出GARCH-MIDAS模型能貼切刻畫農(nóng)產(chǎn)品市場價格風(fēng)險而GARCH模型嚴(yán)重夸大風(fēng)險,故使用GARCH-MIDAS模型對農(nóng)產(chǎn)品市場風(fēng)險進(jìn)行度量,為有效管理和控制風(fēng)險提供更精確的依據(jù)。

2 農(nóng)產(chǎn)品市場風(fēng)險度量模型的構(gòu)建

2.1 VaR風(fēng)險價值的計算

(1) 概念 VaR風(fēng)險值是金融行業(yè)主流風(fēng)險度量和管理指標(biāo),能將未來某特定時期內(nèi)存在的潛在損失進(jìn)行準(zhǔn)確度量,并明確表示為數(shù)值。VaR指標(biāo)是指在一定的置信水平c下,某金融資產(chǎn)在未來特定的持有期Δt內(nèi)可能出現(xiàn)的最大損失,即

Prob(Δp>VaR)=1-c,

(1)

其中:Δp為該資產(chǎn)在未來特定時期的隨機(jī)損益;c為相應(yīng)置信水平;VaR為在置信水平c下,金融資產(chǎn)可能出現(xiàn)的最大損失[12]。

(2)計算方法 VaR風(fēng)險值主流計算方法有歷史模擬法、蒙特卡洛模擬法、方差-協(xié)方差法3種。方差-協(xié)方差法計算簡單且原理容易理解,成為估算市場VaR風(fēng)險價值的標(biāo)準(zhǔn)方法。設(shè)某金融資產(chǎn)收益率r～N(μ,σ2),其中μ為收益率r的條件均值,σ2為條件方差。記r的期末價值為P=P0(1+r),P0為初期價值,在置信水平c下該金融資產(chǎn)的最低價值為P*=P0(1+r*),r*為其最低收益率,據(jù)VaR定義[13]得

VaR=E(P)-P*=P0(1+μ)-P0(1+r*)=

P0(μ-r*)。

(2)

(3)

其中:P0為初期價值;Zα為標(biāo)準(zhǔn)正態(tài)分布上α分位數(shù);σ為收益率標(biāo)準(zhǔn)差;Δt為金融資產(chǎn)的持有期。

2.2 VaR風(fēng)險價值的失敗率檢驗

采用Kupiec[14]提出的失敗率檢驗法評估計算得出的VaR值度量農(nóng)產(chǎn)品市場價格風(fēng)險的準(zhǔn)確性。似然函數(shù)比(LR,likehood ratio)統(tǒng)計量用以判斷VaR值的有效性。將VaR值與r的實際觀察值比較,當(dāng)實際損失超過當(dāng)期VaR值時記為失敗,反之記為成功。若失敗天數(shù)為n,實際觀察天數(shù)為m,則實際失敗率f=n/m服從二項分布,記期望失敗率f′=1-c。當(dāng)f遠(yuǎn)大于f′時,將造成投資主體遭受多次超預(yù)期損失打擊;反之當(dāng)f遠(yuǎn)小于f′時,會使投資主體由于過高估計損失而造成資源浪費。LR檢驗統(tǒng)計量正是對f與f′間有無顯著性差異進(jìn)行假設(shè)檢驗,是目前主流VaR失敗率檢驗手段。

設(shè)原假設(shè)H0:f=f′;備擇假設(shè)H1:f≠f′。當(dāng)H0成立時,表明f與f′間無顯著性差異,所估算VaR對市場風(fēng)險進(jìn)行了合理度量;反之VaR有效性有待考量。LR統(tǒng)計量在H0成立的情況下滿足

LR=-2ln[(1-f′)m-n(f′)n]+

2ln[(1-f)m-n(f)n]～χ2(1),

(4)

即當(dāng)LR統(tǒng)計量計算結(jié)果屬于χ2(1)分布接受域內(nèi)時,接受原假設(shè)H0,認(rèn)為f與f′間無顯著性差異,采用估算的VaR度量農(nóng)產(chǎn)品市場價格風(fēng)險是有效且精確的,能對市場風(fēng)險進(jìn)行合理管控;反之則有待考量。

3 GARCH-MIDAS模型構(gòu)建與估計

3.1 GARCH-MIDAS模型構(gòu)建

考慮宏觀波動對金融市場的影響,Campbell等[15]提出的對數(shù)線性模型是分析宏觀波動對金融市場波動影響的主要傳統(tǒng)分析框架,該模型具體描述為

(5)

其中:ri,t為第t時段內(nèi)第i個交易日的對數(shù)收益率;di,t為同一天的對數(shù)股息紅利;Ei,t(·)為給定時期信息集合的條件期望,Engle等[6]將式(5)右邊改寫為

(6)

其中:τt為長期低頻波動;gi,t為短期高頻波動反映每天收益率的波動情況。記收益率ri,t在第t時段內(nèi)第i-1個交易日前的信息集合條件期望Ei-1,t(ri,t)為常數(shù)μi,t,故式(6)可重寫為

?i=1,…,Nt;t=1,2,…,T

(7)

其中:Zi,t|ψi-1,t～N(0,1);ψi-1,t為第t時段內(nèi)第i-1交易日的信息集合;Nt為t時段包含的交易天數(shù);T為樣本劃分的時段數(shù)。式(7)表明長期波動成分τt與短期波動成分gi,t的乘積τt×gi,t整體構(gòu)成條件波動σt2。長期波動τt主要受宏觀變量波動影響,短期波動gi,t則受歷史收益率波動信息影響,其波動變化隨日度改變,服從GARCH(1,1)模型,即

(8)

其中:α、β為待估參數(shù)。構(gòu)建GARCH-MIDAS模型時,主要在于長期波動成分τt的構(gòu)建。長期波動成分τt一般由收益率ri,t的已實現(xiàn)波動率RVt或宏觀變量Xt刻畫。以宏觀變量為研究變量,構(gòu)建的GARCH-MIDAS模型長期波動τt表示為

(9)

式(9)將長期波動τt對數(shù)處理保證了τt≥0,其中:Xt-k為滯后K期宏觀變量;K為最大滯后階數(shù);m、θ和ω為待估參數(shù);φk(ω)為滯后K期宏觀變量Xt-k權(quán)重函數(shù)。θ決定滯后K期宏觀變量Xt-k對長期波動τt影響高低。Ghysels等[16]等論述的Beta滯后結(jié)構(gòu)能靈活適應(yīng)各種滯后函數(shù)結(jié)構(gòu),是研究GARCH-MIDAS模型最常用的權(quán)重結(jié)構(gòu),該結(jié)構(gòu)基于Beta函數(shù),構(gòu)造如下:

(10)

式(10)中的權(quán)重序列之和為1,在不影響估計效果前提下默認(rèn)ω1=1簡化參數(shù)估計過程,記ω2為ω。式(7)～(10)構(gòu)成GARCH-MIDAS模型,參數(shù)空間為Θ={μ,α,β,θ,ω,m},總條件波動被定義為

σt2=τt×gi,t,

(11)

GARCH-MIDAS模型參數(shù)數(shù)量固定,相比現(xiàn)有組件波動率模型參數(shù)不節(jié)省而言,它是節(jié)省的。

3.2 GARCH-MIDAS模型參數(shù)估計

據(jù)GARCH-MIDAS模型設(shè)定,采用傳統(tǒng)極大似然法估計GARCH-MIDAS模型參數(shù),并構(gòu)建具體模型估算條件波動方差,用以計算VaR風(fēng)險值度量農(nóng)產(chǎn)品市場風(fēng)險,該極大似然函數(shù)為

LLF=

(12)

與GARCH模型極大似然函數(shù)相比,式(12)不同在于條件方差的構(gòu)建,GARCH-MIDAS模型似然函數(shù)中條件方差為低頻宏觀波動與高頻歷史波動乘積共同作用,但GARCH模型則只考慮收益率歷史波動信息。

3.3 GARCH模型構(gòu)建

將GARCH模型與GARCH-MIDAS模型作對照,以此突出GARCH-MIDAS模型在農(nóng)產(chǎn)品市場價格風(fēng)險度量中的優(yōu)勢。農(nóng)產(chǎn)品市場價格波動具有金融資產(chǎn)波動的聚集效應(yīng)特征,為準(zhǔn)確描述這一典型特征Bollerslev.T提出GARCH模型及其變型形式是目前最常用的金融計量模型。GARCH模型利用收益率rt歷史波動信息刻畫條件波動方差變化過程,可表示為

rt=μt+εt,

(13)

εt=σtet,

(14)

(15)

其中:μt為收益率rt的條件均值;σt2為條件波動方差;et為獨立同分布隨機(jī)變量,并與σt2相互獨立;p、q是GARCH模型階數(shù);α0,α1,…,αp,β1,…βq為GARCH模型待估參數(shù)并滿足α0≥0,α1≥0,…,αp≥0,β1≥0,…,βq≥0。

4 實證研究

4.1 樣本來源

農(nóng)產(chǎn)品市場自建立以來,與國民密切相關(guān)的農(nóng)產(chǎn)品陸續(xù)上市。綜合考慮農(nóng)產(chǎn)品市場中成交量及活躍度,選取2009年1月5日—2018年12月28日的鄭棉C1901指數(shù)、玉米連續(xù)指數(shù)及農(nóng)產(chǎn)品綜合指數(shù)日度收盤價Pt為構(gòu)建GARCH-MIDAS模型高頻波動成分研究對象。樣本容量為:2 431、2 431及2 310,數(shù)據(jù)來源于wind數(shù)據(jù)庫和大智慧軟件。

中經(jīng)網(wǎng)的CPI、工業(yè)增加值增速(IAVGR,industrial added value growth rate);中國人民銀行網(wǎng)站的廣義貨幣供應(yīng)量(M2,broad money supply)、人民幣名義匯率(ERE,nominal exchange rate of RMB)、全國銀行間同業(yè)拆借每月加權(quán)平均利率(RATE,interbank borrowing monthly weighted average interest rate)5種月度低頻宏觀變量為構(gòu)建GARCH-MIDAS模型低頻波動成分研究對象,探究度量農(nóng)產(chǎn)品市場風(fēng)險效果并與GARCH模型進(jìn)行對比。時間跨度為2009年1月—2018年12月,樣本容量均為120。CPI反映國民日常生活、IAVGR反映國家企業(yè)生產(chǎn)運營,兩指數(shù)表示國家宏觀經(jīng)濟(jì)波動情況,M2反應(yīng)貨幣政策,表示貨幣因素,ERE、RATE則表示外匯因素,從多維度考察GARCH-MIDAS模型度量農(nóng)產(chǎn)品市場風(fēng)險效果。

4.2 描述性統(tǒng)計

將各指數(shù)日度收盤價Pt按如下過程:rt=ln (Pt)-ln (Pt-1)對數(shù)差分處理,得自然對數(shù)收益率rt。各指數(shù)對數(shù)收益率rt描述性統(tǒng)計結(jié)果見表1。

表1 各指數(shù)收益率序列rt統(tǒng)計特征

表1中各指數(shù)收益率rt均值接近于0;鄭棉C1901與玉米連續(xù)標(biāo)準(zhǔn)差相近,略低于農(nóng)產(chǎn)品綜合,表明農(nóng)產(chǎn)品綜合指數(shù)波動略比前者劇烈;J-B統(tǒng)計量及其P值均顯著拒絕正態(tài)分布假設(shè),峰度大于6,偏度小于0,各指數(shù)rt表現(xiàn)明顯尖峰、厚尾及負(fù)偏態(tài)特征。

4.3 參數(shù)估計

使用GARCH-MIDAS模型分別以鄭棉C1901、玉米連續(xù)、農(nóng)產(chǎn)品綜合指數(shù)為研究對象,考慮CPI、IAVGR、M2、ERE、RATE為宏觀變量,嘗試建立不同波動率模型,通過AIC和BIC信息準(zhǔn)則最后選出:以鄭棉C1901指數(shù)為研究對象的GARCH-MIDAS-ERE模型;以玉米連續(xù)指數(shù)為研究對象的GARCH-MIDAS-RATE模型;以農(nóng)產(chǎn)品綜合指數(shù)為研究對象的GARCH-MIDAS-CPI模型為相對最優(yōu)模型。據(jù)式(12)極大似然函數(shù)估計各GARCH-MIDAS模型參數(shù)結(jié)果見表2,與之對比的經(jīng)典GARCH(1,1)模型參數(shù)估計結(jié)果見表3。

表2 GARCH-MIDAS模型參數(shù)估計結(jié)果

表3 GARCH(1,1)模型參數(shù)估計結(jié)果

表2 GARCH-MIDAS模型參數(shù)估計結(jié)果在99%的置信度下,各項系數(shù)顯著性檢驗P≤0.01拒絕原假設(shè),各模型系數(shù)項均顯著不為0,重點關(guān)注宏觀變量前的參數(shù)θ估計值及統(tǒng)計顯著性,即宏觀變量對農(nóng)產(chǎn)品市場長期波動的影響。各指數(shù)模型θ參數(shù)估計值均在1%水平顯著,表明在考慮歷史信息影響下,宏觀變量對構(gòu)建農(nóng)產(chǎn)品市場長期波動成分,預(yù)測和管控市場風(fēng)險具有顯著的統(tǒng)計影響,宏觀信息能提高對農(nóng)產(chǎn)品指數(shù)收益率條件波動的刻畫及對農(nóng)產(chǎn)品市場價格風(fēng)險的規(guī)避和管控。

表3經(jīng)典 GARCH(1,1)模型參數(shù)估計結(jié)果在99%的置信度下,只有μ項及α0項兩均值項系數(shù)不顯著,其他各項參數(shù)均顯著不為0。表明使用經(jīng)典GARCH(1,1)模型能貼切刻畫收益率尖峰厚尾特征,表明該收益率序列可用GARCH(1,1)模型進(jìn)行建模以度量農(nóng)產(chǎn)品市場價格風(fēng)險。上述各模型的對數(shù)似然統(tǒng)計量和AIC、SBC準(zhǔn)則見表4。

表4 各指數(shù)rt擬合模型效果比較

由表4可以看出,各指數(shù)考慮宏觀變量波動建立的GARCH-MIDAS模型其AIC值及BIC值均小于對應(yīng)GARCH(1,1)模型,GARCH-MIDAS模型較GARCH(1,1)模型對農(nóng)產(chǎn)品指數(shù)收益率擬合效果更好,對其條件波動方差特征刻畫更為貼切。

4.4 VaR的計算及失敗率檢驗

表5給出了VaR值統(tǒng)計特征、失敗天數(shù)、失敗率及VaR失敗率檢驗結(jié)果,失敗天數(shù)為實際損失大于VaR值天數(shù),失敗率為失敗天數(shù)占總天數(shù)的比率,LR統(tǒng)計量服從χ2(1),P值為LR統(tǒng)計量顯著性檢驗結(jié)果,P值越大表明使用該模型計算的VaR風(fēng)險值越精確的度量農(nóng)產(chǎn)品市場價格風(fēng)險。

表5 GARCH-MIDAS模型與GARCH模型日度VaR后驗結(jié)果

采用Kupiec提出的失敗率檢驗法,計算各模型LR統(tǒng)計量及P值,檢驗VaR值精確程度。由表5可以看出在置信度為99%時:(1)GARCH模型失敗天數(shù)及失敗率基本為0,遠(yuǎn)低于GARCH-MIDAS模型,說明GARCH模型夸大了農(nóng)產(chǎn)品市場實際風(fēng)險;GARCH-MIDAS模型失敗率接近期望失敗率1%,說明該模型能準(zhǔn)確度量農(nóng)產(chǎn)品市場風(fēng)險,貼切刻畫收益率rt的最大損失。(2)基于GARCH-MIDAS模型計算的LR統(tǒng)計量屬于χ2(1)分布接受域內(nèi),其P≥0.01,說明該模型預(yù)測的VaR值能有效規(guī)避與管控農(nóng)產(chǎn)品市場風(fēng)險。以ERE為宏觀變量構(gòu)建鄭棉C1901指數(shù)GARCH-MIDAS模型,其檢驗P值高達(dá)0.540 2,接受原假設(shè)H0,基于該模型度量鄭棉C1901指數(shù)收益率序列風(fēng)險,預(yù)測的VaR值失敗率于期望失敗率附近波動,ERE宏觀變量有效提高了GARCH-MIDAS模型度量農(nóng)產(chǎn)品市場風(fēng)險的精度。(3)基于GARCH模型計算的LR統(tǒng)計量及其P值顯著拒絕原假設(shè)H0,即該模型預(yù)測的VaR值失敗率以99%置信度拒絕等于期望失敗率0.01。

表5結(jié)果表明,考慮宏觀波動構(gòu)建的GARCH-MIDAS模型度量農(nóng)產(chǎn)品市場價格風(fēng)險效果比傳統(tǒng)GARCH模型都明顯,貼切刻畫了收益率最大損失,對于規(guī)避和管理農(nóng)產(chǎn)品市場風(fēng)險,穩(wěn)定農(nóng)產(chǎn)品價格波動,投資主體合理分配資源具有重要意義。

直觀對比基于GARCH-MIDAS模型和GARCH(1,1)模型預(yù)測的VaR風(fēng)險值,分析其度量農(nóng)產(chǎn)品市場價格風(fēng)險精度差異結(jié)果見圖1～圖6。圖1、

圖1 鄭棉C1901指數(shù)基于GARCH-MIDAS-ERE模型VaR預(yù)測結(jié)果Fig.1 VaR prediction results of cotton C1901 index in Zhengzhou based on GARCH-MIDAS-ERE model

圖3、圖5給出了在99%置信水平下各指數(shù)基于GARCH-MIDAS模型VaR預(yù)測結(jié)果,圖2、圖4、圖6則為基于GARCH(1,1)模型VaR預(yù)測結(jié)果。圖1、圖3、圖5表明:在99%置信度下基于GARCH-MIDAS模型預(yù)測的VaR風(fēng)險值與實際收益率波動一致,準(zhǔn)確度量了各指數(shù)價格風(fēng)險。圖2、圖4、圖6表明:基于GARCH(1,1)模型預(yù)測的VaR風(fēng)險值波動劇烈且顯著夸大了各指數(shù)價格風(fēng)險,可見GARCH-MIDAS模型度量和管控農(nóng)產(chǎn)品市場價格風(fēng)險精度顯著高于GARCH模型。

圖2 鄭棉C1901指數(shù)基于GARCH(1,1)模型VaR預(yù)測結(jié)果Fig.2 VaR prediction results of cotton C1901 index in Zhengzhou based on GARCH (1,1) model

圖3 玉米連續(xù)指數(shù)基于GARCH-MIDAS-RATE模型VaR預(yù)測結(jié)果Fig.3 VaR prediction results of corn continuous index based on GARCH-MIDAS-RATE model

圖4 玉米連續(xù)指數(shù)基于GARCH(1,1)模型VaR預(yù)測結(jié)果Fig.4 VaR prediction results of corn continuous index based on GARCH (1,1) model

圖5 農(nóng)產(chǎn)品綜合指數(shù)基于GARCH-MIDAS-CPI模型VaR預(yù)測結(jié)果 Fig.5 VaR prediction results of agricultural product index based on GARCH-MIDAS-CPI model

圖6 農(nóng)產(chǎn)品綜合指數(shù)基于GARCH(1,1)模型VaR預(yù)測結(jié)果Fig.6 VaR prediction results of agricultural product index based on GARCH(1,1) model

5 結(jié)論

選取了3種農(nóng)產(chǎn)品指數(shù)為代表,深入研究考慮宏觀變量構(gòu)建的GARCH-MIDAS模型和傳統(tǒng)GARCH模型度量農(nóng)產(chǎn)品市場價格風(fēng)險效果的區(qū)別與好壞,根據(jù)失敗率檢驗法檢驗所得VaR值在度量農(nóng)產(chǎn)品市場價格風(fēng)險時的精度差異,最后得出:

(1) 各農(nóng)產(chǎn)品指數(shù)的收益率序列具有尖峰厚尾及負(fù)偏態(tài)特征,由參數(shù)結(jié)果可知2類模型均能對其很好刻畫;

(2) 以宏觀變量為研究對象構(gòu)建GARCH-MIDAS模型度量農(nóng)產(chǎn)品市場風(fēng)險相比傳統(tǒng)GARCH模型,明顯提高了農(nóng)產(chǎn)品市場價格風(fēng)險度量VaR指標(biāo)精度;

(3) 比較LR統(tǒng)計量及P值,以ERE為宏觀變量,以鄭棉C1901指數(shù)為研究對象構(gòu)建的GARCH-MIDAS模型,提高了農(nóng)產(chǎn)品市場價格風(fēng)險度量精度,有效地刻畫了農(nóng)產(chǎn)品市場風(fēng)險;

(4) 投資農(nóng)產(chǎn)品市場不同產(chǎn)品時,必須評估該產(chǎn)品風(fēng)險,使用GARCH-MIDAS模型計算VaR風(fēng)險值并進(jìn)行失敗率檢驗,能準(zhǔn)確度量其風(fēng)險指數(shù)。近幾年來,交易者對農(nóng)產(chǎn)品指數(shù)價格的上漲較為敏感,存在炒作與非理性追漲效應(yīng),農(nóng)產(chǎn)品市場尚未健全,對農(nóng)產(chǎn)品市場價格風(fēng)險進(jìn)行科學(xué)有效的度量,可以為相關(guān)交易監(jiān)管部門的風(fēng)險管理提供重要的考價值。