基于高頻數(shù)據(jù)構(gòu)建上海原油期貨的量?jī)r(jià)關(guān)系模型

陳 彪，陳佳洛，呂子越，王 迪，周宇洋，趙永紅

(1.四川大學(xué) 數(shù)學(xué)學(xué)院，四川 成都 610065;2.四川大學(xué) 經(jīng)濟(jì)學(xué)院，四川 成都 610065)

1 引言

石油作為一種重要的能源以及基礎(chǔ)型產(chǎn)品，參與到人類生活的方方面面，是當(dāng)今世界舉足輕重、不可或缺的戰(zhàn)略物資，被譽(yù)為“黑色的金子”，參與全球原油貿(mào)易定價(jià)體系對(duì)我國(guó)國(guó)家發(fā)展是至關(guān)重要的。于2018年3月26日在上交所正式掛牌交易的上海原油期貨彌補(bǔ)了國(guó)際原油定價(jià)體系的缺口，增強(qiáng)中國(guó)和亞太地區(qū)的原油定價(jià)話語(yǔ)權(quán)。

在期貨市場(chǎng)上，成交量、持倉(cāng)量、期貨價(jià)格波動(dòng)是反映市場(chǎng)變化的三個(gè)重要指標(biāo)，是市場(chǎng)參與者和監(jiān)管者最為關(guān)注的數(shù)據(jù)。通過(guò)研究?jī)r(jià)格波動(dòng)和成交量、持倉(cāng)量之間的關(guān)系，有助于增強(qiáng)對(duì)期貨市場(chǎng)內(nèi)部結(jié)構(gòu)和信息傳播方式的了解，更好地幫助市場(chǎng)參與者進(jìn)行投資和風(fēng)險(xiǎn)管理，并為市場(chǎng)監(jiān)管、投資分析、政策制定提供指導(dǎo)。

基于量?jī)r(jià)關(guān)系的重要意義，金融市場(chǎng)上成交量、持倉(cāng)量與價(jià)格波動(dòng)的關(guān)系受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。早在1973年，Clark對(duì)棉花期貨的市場(chǎng)價(jià)格波動(dòng)和成交量之間的聯(lián)系進(jìn)行了實(shí)證研究，首次提出混合分布假說(shuō)(MDH)，將成交量作為信息到達(dá)的代理變量。隨后Epps和Cornel等也通過(guò)實(shí)證研究發(fā)現(xiàn)成交量和價(jià)格波動(dòng)之間具有正相關(guān)關(guān)系。考慮到持倉(cāng)量反映的是投資者對(duì)市場(chǎng)走勢(shì)的判斷，Bessembinder和Seguin較早地將持倉(cāng)量納入研究范圍，發(fā)現(xiàn)持倉(cāng)量和價(jià)格波動(dòng)呈現(xiàn)負(fù)相關(guān)關(guān)系。國(guó)內(nèi)學(xué)術(shù)界對(duì)期貨市場(chǎng)的研究起步較晚，多基于Clark的混合分布假說(shuō)理論下的量?jī)r(jià)關(guān)系以及因果檢驗(yàn)。葉舟等全方位探究了中國(guó)銅鋁期貨市場(chǎng)交易量和收益率及其波動(dòng)的關(guān)系。戴毓、李志斌、白東輝等分別探究了我國(guó)燃料油期貨市場(chǎng)、大豆類期貨市場(chǎng)、銅鋁期貨市場(chǎng)中成交量、持倉(cāng)量與波動(dòng)性的關(guān)系。近些年計(jì)算機(jī)在金融交易領(lǐng)域的應(yīng)用使高頻數(shù)據(jù)的應(yīng)用得到推廣，更多的學(xué)者利用高頻數(shù)據(jù)對(duì)股票市場(chǎng)和期貨市場(chǎng)的量?jī)r(jià)關(guān)系特征進(jìn)行了研究。Avramov等研究發(fā)現(xiàn)利用已實(shí)現(xiàn)波動(dòng)率估計(jì)實(shí)際波動(dòng)率能為高頻數(shù)據(jù)帶來(lái)更穩(wěn)健的效果。但國(guó)內(nèi)基于高頻數(shù)據(jù)的量?jī)r(jià)關(guān)系研究大多集中于股票市場(chǎng)，原油期貨方面相關(guān)文獻(xiàn)較少，有很大研究空間。

在期貨價(jià)格預(yù)測(cè)方面，除了傳統(tǒng)計(jì)量的時(shí)間序列預(yù)測(cè)方法外，BP神經(jīng)網(wǎng)絡(luò)也得到了廣泛運(yùn)用。胡純探討了在期貨價(jià)格的趨勢(shì)預(yù)測(cè)中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的可行性以及實(shí)驗(yàn)結(jié)果，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度較高，能為期貨價(jià)格的預(yù)測(cè)提供依據(jù)。李婷婷在假定外圍市場(chǎng)環(huán)境比較穩(wěn)定的情況下，運(yùn)用模糊BP神經(jīng)網(wǎng)絡(luò)建立了中石化股票的價(jià)格預(yù)測(cè)模型，預(yù)測(cè)效果良好。許興軍，顏鋼鋒基于BP神經(jīng)網(wǎng)絡(luò)對(duì)浦發(fā)銀行近一年的交易數(shù)據(jù)進(jìn)行了訓(xùn)練和學(xué)習(xí)，并發(fā)現(xiàn)當(dāng)股價(jià)處于上升期或者下降期時(shí)預(yù)測(cè)能得到良好結(jié)果。王海軍，金濤等人在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，優(yōu)化調(diào)整了網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，提出了基于GRA-CS-BP算法的期貨價(jià)格預(yù)測(cè)方法，仿真結(jié)果表明新方法比單純BP神經(jīng)網(wǎng)絡(luò)模型具有更高的預(yù)測(cè)精度，具有較高的參考價(jià)值。

文章利用上海原油期貨高頻數(shù)據(jù)，建立了基于成交量、持倉(cāng)量與已實(shí)現(xiàn)波動(dòng)率的ARIMA模型，考慮了各變量之間的交叉影響，進(jìn)一步提出了BP神經(jīng)網(wǎng)絡(luò)非線性預(yù)測(cè)模型并進(jìn)行了實(shí)證分析，為期貨市場(chǎng)的價(jià)格及走勢(shì)提供參考。

2 模型構(gòu)建

2.1 已實(shí)現(xiàn)波動(dòng)率

已實(shí)現(xiàn)波動(dòng)率的概念由Andersen和Bollerselev首先提出，具有可靠的理論依據(jù)。因其不受模型形式限制、操作簡(jiǎn)單、無(wú)參數(shù)且能更好度量真實(shí)波動(dòng)率的優(yōu)勢(shì),成為文章研究上海原油期貨價(jià)格波動(dòng)時(shí)的更優(yōu)選擇。

在每日的期貨交易時(shí)段中平均選取M個(gè)觀察時(shí)間點(diǎn),并定義已實(shí)現(xiàn)波動(dòng)率為日內(nèi)高頻收益平方之和，即：

其中代表特定時(shí)段的收益率，角標(biāo)代表交易日，角標(biāo)代表時(shí)間段。但由于上海原油期貨停盤(pán)期間數(shù)據(jù)的缺失,期間的價(jià)格波動(dòng)無(wú)法反映,故參考Hansen和Lunde的思路,利用尺度參數(shù)變換已實(shí)現(xiàn)波動(dòng)率,使全天實(shí)際波動(dòng)率能被更好地刻畫(huà)。優(yōu)化后第天已實(shí)現(xiàn)波動(dòng)率定義為：

其中尺度參數(shù)：

2.2 量?jī)r(jià)關(guān)系基礎(chǔ)線性模型

首先構(gòu)建以下四個(gè)線性模型分別模擬日盤(pán)和夜盤(pán)中成交量、持倉(cāng)量及其相對(duì)增量對(duì)已實(shí)現(xiàn)波動(dòng)率的影響：

(1)

(2)

(3)

(4)

其中為前面定義的已實(shí)現(xiàn)波動(dòng)率。和分別表示第個(gè)交易日上海原油期貨的對(duì)數(shù)形式的成交量和持倉(cāng)量。和分別是上海原油期貨第個(gè)交易日上海原油期貨的成交相對(duì)增量和持倉(cāng)相對(duì)增量,其定義分別為：=100×(--1),=100×(--1)。為了消除時(shí)間序列下容易出現(xiàn)強(qiáng)自相關(guān)性，文章利用Eviews單位根檢驗(yàn)法結(jié)合AIC和SC準(zhǔn)則，確定出在日盤(pán)和夜盤(pán)數(shù)據(jù)下價(jià)格波動(dòng)關(guān)于成交量和持倉(cāng)量、成交相對(duì)增量和持倉(cāng)相對(duì)增量的滯后階數(shù)分別為3和4，并由此建立日盤(pán)模型(1)、(3)和夜盤(pán)模型(2)、(4)。

2.3 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建非線性模型

本研究采用人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)中運(yùn)用最廣泛的反向傳播人工神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱BPNN)對(duì)上海原油期貨量?jī)r(jià)關(guān)系非線性模型問(wèn)題進(jìn)行研究。

基于線性回歸模型的結(jié)果，認(rèn)為成交量、持倉(cāng)量對(duì)原油期貨已實(shí)現(xiàn)波動(dòng)率的影響與成交相對(duì)增量、持倉(cāng)相對(duì)增量對(duì)該問(wèn)題的影響具有基本相同的規(guī)律，故在做BPNN的非線性模型時(shí)，僅考慮成交相對(duì)增量、持倉(cāng)相對(duì)增量對(duì)本研究問(wèn)題的影響效應(yīng)。同時(shí)，在線性模型基礎(chǔ)上，進(jìn)一步提出將相對(duì)成交增量、相對(duì)持倉(cāng)增量分為預(yù)期與非預(yù)期兩部分(考慮到外來(lái)信息會(huì)引起期貨市場(chǎng)價(jià)格的波動(dòng)，而未來(lái)的信息是無(wú)法預(yù)期的，所以預(yù)期到的成交量和非預(yù)期成交量對(duì)價(jià)格波動(dòng)的影響是不同的，對(duì)持倉(cāng)量同樣如此)。因此為了更進(jìn)一步探究上海原油期貨市場(chǎng)價(jià)格波動(dòng)與成交量、持倉(cāng)量各部分之間的關(guān)系，借鑒Bessembinder和Seguin的研究成果，將成交量和持倉(cāng)量分別分解為可預(yù)期部分和非可預(yù)期部分，探究預(yù)期成交量和非預(yù)期成交量以及預(yù)期持倉(cāng)量和非預(yù)期持倉(cāng)量對(duì)價(jià)格波動(dòng)的不同影響。為了消除成交量和持倉(cāng)量的序列自相關(guān)，利用自回歸移動(dòng)平均模型ARIMA(，)對(duì)成交量和持倉(cāng)量進(jìn)行回歸：

(5)

(6)

其中預(yù)期部分為通過(guò)ARIMA(，)模型計(jì)算出的擬合值，非預(yù)期部分是其實(shí)際值與擬合值之差。ARIMA模型中滯后項(xiàng)的選擇基于AIC準(zhǔn)則和SC準(zhǔn)則，確定最合適的和值。經(jīng)比較分析，對(duì)日盤(pán)成交量選擇 ARMA(7，0)模型，對(duì)日盤(pán)持倉(cāng)量選擇 ARMA (1，1)模型。

BP算法原理。BP算法是常用的機(jī)器學(xué)習(xí)的核心算法，其信息處理單元是神經(jīng)元，神經(jīng)元的輸出信息是來(lái)自上一級(jí)神經(jīng)元的輸入信息的加權(quán)和，是信息整合的過(guò)程。一旦整合后的信息超過(guò)該神經(jīng)元的閾值水平，該神經(jīng)元就被激活，并通過(guò)轉(zhuǎn)移函數(shù)，可輸出非線性信息。BPNN通常包括輸入層(P層)、隱藏層(H層)和輸出層(T層)，其中H層無(wú)法直接進(jìn)行觀察，可以根據(jù)需要設(shè)計(jì)為多層。BP神經(jīng)網(wǎng)絡(luò)包括輸入信號(hào)的正向傳遞和誤差信號(hào)的反向傳遞。

輸入信號(hào)的正向傳遞過(guò)程由輸入信號(hào)的加權(quán)求和與轉(zhuǎn)移輸出組成，其中P層與H層間、H層與T層間分別以輸入神經(jīng)元的權(quán)重、輸出神經(jīng)元的偏置以及激活函數(shù)Sigmoid函數(shù)連接，在網(wǎng)絡(luò)中信息以非線性形式傳遞。定義和分別為下一層神經(jīng)元的輸入和輸出值，為來(lái)自上一層神經(jīng)元的信號(hào)輸入值，為上一層到下一層的權(quán)重，為下一層神經(jīng)元的閾值或偏置值，轉(zhuǎn)移函數(shù)()為Sigmoid函數(shù)。其大體運(yùn)作原理如下：

(7)

(8)

(9)

誤差信號(hào)的反向傳播是指將輸出層的實(shí)際輸出值與期望輸出值做比較，若有誤差，則將誤差信號(hào)反方向逐層傳導(dǎo)，將誤差看作關(guān)于權(quán)值和閾值的函數(shù)，借助梯度下降算法，通過(guò)按梯度的負(fù)方向調(diào)整權(quán)值和閾值，經(jīng)多次迭代，使誤差最小化。

與傳統(tǒng)的回歸分析相比，BP神經(jīng)網(wǎng)絡(luò)增加了隱層，有助于更精準(zhǔn)地模擬現(xiàn)實(shí)生活中復(fù)雜的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)也是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，在期貨預(yù)測(cè)中的應(yīng)用有重要參考價(jià)值，具有精度高、泛化性能好等優(yōu)點(diǎn)?；贐P算法的前饋網(wǎng)絡(luò)可以以任意精度逼近任何非線性函數(shù)，對(duì)短期價(jià)格預(yù)測(cè)效果良好。因此，仍利用上述數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡(luò)對(duì)原油期貨的價(jià)格進(jìn)行非線性擬合與預(yù)測(cè)。

3 實(shí)證分析

3.1 數(shù)據(jù)和基本統(tǒng)計(jì)量分析

文章選取上海原油期貨2018年3月27日至2019年12月30日的成交量、持倉(cāng)量、收盤(pán)價(jià)的分鐘級(jí)數(shù)據(jù),剔除節(jié)假日和缺乏夜盤(pán)的交易日,共計(jì)419個(gè)交易日數(shù)據(jù),每日上午及下午的交易時(shí)間歸為日盤(pán)數(shù)據(jù),共計(jì)225個(gè)時(shí)間間隔；每日夜晚及次日凌晨的交易時(shí)間歸為夜盤(pán)數(shù)據(jù),共計(jì)330個(gè)時(shí)間間隔。同時(shí)考慮到日盤(pán)和夜盤(pán)的數(shù)據(jù)數(shù)量以及交易者活躍性的差異,選擇將其分別建模。根據(jù)前文模型建立中變量的定義,分別計(jì)算出有效日期的日盤(pán)與夜盤(pán)的日對(duì)數(shù)成交量、日對(duì)數(shù)持倉(cāng)量以及日成交相對(duì)增量、日持倉(cāng)相對(duì)增量和已實(shí)現(xiàn)波動(dòng)率。

考慮到數(shù)據(jù)中可能存在對(duì)模型影響較大的異常值點(diǎn),文章通過(guò)計(jì)算學(xué)生化外殘差并結(jié)合“3σ原則”去除離群點(diǎn),后利用SPSS軟件計(jì)算出各數(shù)據(jù)的杠桿值以及庫(kù)克距離,指標(biāo)數(shù)據(jù)均在正常值內(nèi)，可以認(rèn)為處理后的數(shù)據(jù)不具有強(qiáng)影響點(diǎn)，且具有平穩(wěn)性。

3.2 線性回歸過(guò)程討論及結(jié)果

對(duì)模型自變量分別進(jìn)行D-W檢驗(yàn)和共線性診斷,確定數(shù)據(jù)不存在一階自相關(guān)性和多重共線性,從而建立模型時(shí)回歸系數(shù)具有統(tǒng)計(jì)學(xué)意義,奠定了量?jī)r(jià)關(guān)系模型的統(tǒng)計(jì)基礎(chǔ)。但在利用Eviews進(jìn)行White檢驗(yàn)過(guò)程中發(fā)現(xiàn)R-squared數(shù)據(jù)的p值 Prob.Chi-Square均小于0.05,具有異方差性。此時(shí)用傳統(tǒng)的最小二乘法估計(jì)模型,得到的參數(shù)估計(jì)量不是有效估計(jì)量,也不是漸進(jìn)有效的估計(jì)量,無(wú)法對(duì)模型參數(shù)進(jìn)行有關(guān)顯著性檢驗(yàn)。故文章采用統(tǒng)計(jì)學(xué)中對(duì)存在異方差性的模型常用的加權(quán)最小二乘法進(jìn)行模型構(gòu)建。利用加權(quán)線性回歸得到上海原油期貨日盤(pán)與夜盤(pán)中量?jī)r(jià)關(guān)系線性模型，如表1所示。

表1 上海原油期貨量?jī)r(jià)關(guān)系基礎(chǔ)模型的估計(jì)結(jié)果

研究結(jié)果表明,量?jī)r(jià)關(guān)系規(guī)律在日盤(pán)與夜盤(pán)中相同。首先分析模型(1)、(2):系數(shù)在5%顯著性水平下顯著為正，說(shuō)明對(duì)數(shù)成交量和已實(shí)現(xiàn)波動(dòng)率有同向變化的趨勢(shì),即成交量的增長(zhǎng)會(huì)導(dǎo)致上海原油期貨的價(jià)格波動(dòng)加大。系數(shù)在5%顯著性水平下顯著為負(fù),說(shuō)明對(duì)數(shù)持倉(cāng)量和已實(shí)現(xiàn)波動(dòng)率有反向變化的趨勢(shì),即持倉(cāng)量的增加會(huì)導(dǎo)致上海原油期貨的價(jià)格波動(dòng)減緩。而對(duì)反映原油期貨市場(chǎng)價(jià)格波動(dòng)與成交相對(duì)增量、持倉(cāng)相對(duì)增量關(guān)系的模型(3)、(4)，與模型(1)和(2)相比，顯著性水平和系數(shù)的正負(fù)均相似,故分析結(jié)果也相似，體現(xiàn)為成交量變化幅度的原油期貨價(jià)格波動(dòng)幅度呈現(xiàn)同向變化趨勢(shì),而持倉(cāng)量變化幅度則與價(jià)格波動(dòng)的變化呈現(xiàn)反向變化趨勢(shì)。

3.3 非線性模型估計(jì)過(guò)程及結(jié)果

通過(guò)以下四個(gè)步驟構(gòu)建關(guān)于上海原油期貨的BP神經(jīng)網(wǎng)絡(luò)非線性模型:第一,模型構(gòu)建,根據(jù)研究目標(biāo)與經(jīng)驗(yàn)公式分別確定P、H和T層的神經(jīng)元數(shù)和學(xué)習(xí)速率等模型參數(shù);第二,訓(xùn)練模型與測(cè)試,將樣本數(shù)據(jù)分為訓(xùn)練組(train)、驗(yàn)證組(validation)和測(cè)試組(test)三個(gè)組別,通過(guò)訓(xùn)練組和驗(yàn)證組的訓(xùn)練,找到擬合效果最好的非線性模型;第三,仿真測(cè)試,將測(cè)試組中的輸入項(xiàng)(Input)輸入模型,隨后對(duì)比模型的仿真輸出值與目標(biāo)值,并根據(jù)相關(guān)指標(biāo)判斷模型精準(zhǔn)度以及誤差大小與所定義的正確率;第四,權(quán)重估計(jì),即計(jì)算該模型各輸入項(xiàng)的權(quán)重,結(jié)合有關(guān)信息綜合判斷成交量與持倉(cāng)量對(duì)上海原油期貨已實(shí)現(xiàn)波動(dòng)率的影響效應(yīng)。

3.3.1 非線性模型構(gòu)建過(guò)程

根據(jù)日盤(pán)與夜盤(pán)的數(shù)據(jù)建立兩個(gè)BP神經(jīng)網(wǎng)絡(luò)模型。說(shuō)明如下:

第一,輸入層與輸出層的設(shè)計(jì)見(jiàn)表2。日盤(pán)模型已實(shí)現(xiàn)波動(dòng)率滯后階為3階,夜盤(pán)滯后階為4階。所以可設(shè)日盤(pán)P層有七個(gè)神經(jīng)元,夜盤(pán)P層有八個(gè)神經(jīng)元。日盤(pán)與夜盤(pán)的T層都為一個(gè)神經(jīng)元:上海原油期貨已實(shí)現(xiàn)波動(dòng)率。關(guān)于H層的設(shè)計(jì),則根據(jù)常用的經(jīng)驗(yàn)公式確定H層有兩層,其中日盤(pán)的H層分別為20和3個(gè)神經(jīng)元,夜盤(pán)的H層則分別為15和8個(gè)神經(jīng)元。

表2 BP輸入層和輸出層對(duì)應(yīng)指標(biāo)

第二，激活函數(shù)選擇。本研究選擇最經(jīng)典的Sigmoid函數(shù)。

第三,訓(xùn)練集、驗(yàn)證集以及測(cè)試集的劃分。訓(xùn)練集依照MATLAB help中參考資料選定原數(shù)據(jù)集的70%,驗(yàn)證集選定15%的數(shù)據(jù),因?yàn)樗惴óa(chǎn)生的隨機(jī)性,需要驗(yàn)證集合不斷調(diào)試出較優(yōu)的模型。同樣地,測(cè)試集選定15%,用于比較經(jīng)過(guò)篩選后的網(wǎng)絡(luò)所預(yù)測(cè)出的值與真實(shí)值的差距,以產(chǎn)生的MSE、R以及所定義的正確率來(lái)評(píng)判模型好壞。文章中提出正確率的定義如下: 正確率是兩個(gè)時(shí)間單位間數(shù)據(jù)仿真值與數(shù)據(jù)期望值的差值正負(fù)相同的數(shù)據(jù)所占比例。

第四,權(quán)重計(jì)算與判斷。根據(jù)上述步驟獲得指標(biāo)較好的BP模型后,提取P層到H層的權(quán)重共720個(gè),再通過(guò)以下公式分別計(jì)算輸入層各項(xiàng)神經(jīng)元信號(hào)值的權(quán)重,從列矩陣讀出結(jié)果。其中，代表神經(jīng)元信號(hào)值的權(quán)重，以此來(lái)分析各影響因素對(duì)已實(shí)現(xiàn)波動(dòng)率的影響。

3.3.2 非線性模型結(jié)果

建立并使用訓(xùn)練組數(shù)據(jù)訓(xùn)練出較好神經(jīng)網(wǎng)絡(luò)模型。根據(jù)成交相對(duì)增量的預(yù)期部分、非預(yù)期部分和持倉(cāng)相對(duì)增量的預(yù)期、非預(yù)期部分以及滯后的三階或四階,分別采用日盤(pán)與夜盤(pán)的訓(xùn)練后模型,仿真日盤(pán)與夜盤(pán)的已實(shí)現(xiàn)波動(dòng)率。得到訓(xùn)練組的樣本仿真值與目標(biāo)值擁有相似的總體變化趨勢(shì),如圖1和圖2所示。

圖1 日盤(pán)BP模型訓(xùn)練結(jié)果

圖2 夜盤(pán)BP模型訓(xùn)練結(jié)果

圖1～圖2顯示,訓(xùn)練后的模型能夠在一定標(biāo)準(zhǔn)上擬合已實(shí)現(xiàn)波動(dòng)率目標(biāo)值變化趨勢(shì)，亦體現(xiàn)了訓(xùn)練樣本的基本特點(diǎn)。

通常應(yīng)根據(jù)實(shí)際需要評(píng)估模型的精確度與好壞,各行業(yè)具體標(biāo)準(zhǔn)不一。如在生產(chǎn)領(lǐng)域,有的文獻(xiàn)對(duì)比模型的仿真計(jì)算值與產(chǎn)品標(biāo)準(zhǔn)件實(shí)際測(cè)量值的平均值,并依據(jù)一定的置信區(qū)間(如95%的置信區(qū)間),評(píng)估總體均值與抽樣誤差后進(jìn)而判斷仿真結(jié)果的達(dá)標(biāo)率。而對(duì)于文章的研究,由于為大樣本時(shí)間序列數(shù)據(jù),且研究對(duì)象為上海原油期貨,仍受新冠肺炎疫情的影響,故模型構(gòu)建重點(diǎn)側(cè)重于成交量、持倉(cāng)量對(duì)原油期貨價(jià)格波動(dòng)的影響以及通過(guò)該模型對(duì)原油期貨價(jià)格變化趨勢(shì)的預(yù)測(cè)。所以文章通過(guò)模型的R值、MSE值以及提出的正確率三個(gè)指標(biāo)進(jìn)行判定。其中,數(shù)據(jù)R代表該模型的輸出與目標(biāo)之間的相關(guān)性,MSE為均方誤差,正確率則大致刻畫(huà)了大體趨勢(shì)的準(zhǔn)確程度。

將經(jīng)過(guò)訓(xùn)練和驗(yàn)證之后的模型用于測(cè)試組,最后獲得日盤(pán)和夜盤(pán)中兩個(gè)模型用于訓(xùn)練集、驗(yàn)證集、測(cè)試集以及所有樣本數(shù)據(jù)的擬合效果結(jié)果R、MSE以及正確率,見(jiàn)表3。日盤(pán)四個(gè)集合的R都大于0.6,夜盤(pán)的R都大于0.5,故認(rèn)為該模型的R結(jié)果已相對(duì)理想。

表3 BP模型正確率及MSE

得到較為理想的BP模型后,根據(jù)模型數(shù)據(jù)分別計(jì)算出輸入層各神經(jīng)元信號(hào)值的權(quán)重W矩陣,數(shù)據(jù)如表4所示。指標(biāo)的權(quán)重一定程度上說(shuō)明了該指標(biāo)的相對(duì)重要性與影響的大小(評(píng)價(jià)學(xué)原理)，故W矩陣顯示了輸入神經(jīng)元信號(hào)值影響效應(yīng)的相對(duì)大小。

表4 BP輸入層各神經(jīng)元權(quán)重

在日盤(pán)模型中,按照影響效應(yīng)大小排序,依次是持倉(cāng)相對(duì)增量非預(yù)期部分、持倉(cāng)相對(duì)增量預(yù)期部分、成交相對(duì)增量預(yù)期部分、成交相對(duì)增量非預(yù)期部分。該結(jié)果一定程度上表明持倉(cāng)量對(duì)日盤(pán)價(jià)格波動(dòng)具有較大影響,且非預(yù)期部分相較預(yù)期部分影響更大;夜盤(pán)的影響效應(yīng)從大到小依次是持倉(cāng)相對(duì)增量預(yù)期部分、成交相對(duì)增量非預(yù)期部分、成交相對(duì)增量預(yù)期部分、持倉(cāng)相對(duì)增量非預(yù)期部分。表明了夜盤(pán)成交量中,非預(yù)期部分對(duì)價(jià)格波動(dòng)的影響更大,而夜盤(pán)的持倉(cāng)量結(jié)果與日盤(pán)相反。

參考朱學(xué)紅認(rèn)為非預(yù)期持倉(cāng)量(成交量)代表投資者未來(lái)的信息,具有無(wú)法預(yù)料性,這些意料外的信息會(huì)引發(fā)期貨市場(chǎng)的價(jià)格波動(dòng)。所以預(yù)期與非預(yù)期部分對(duì)價(jià)格波動(dòng)的影響是很不同的,且一般來(lái)說(shuō)非預(yù)期部分易造成更大影響,實(shí)證結(jié)果也詮釋了日盤(pán)中持倉(cāng)量非預(yù)期部分影響更大,夜盤(pán)中成交量非預(yù)期部分亦影響更強(qiáng)。另外,期貨市場(chǎng)中知情交易者的比例可通過(guò)預(yù)期成交量(持倉(cāng)量)顯示出,流動(dòng)性交易者的比例則由非預(yù)期成交量(持倉(cāng)量)反映,故該結(jié)果可表明,上海原油期貨市場(chǎng)中流動(dòng)性交易者占比較大,契合市場(chǎng)流動(dòng)性理論。

4 結(jié)語(yǔ)

文章采用以一分鐘為采集頻率的高頻數(shù)據(jù),探究上海原油期貨市場(chǎng)中的量?jī)r(jià)關(guān)系問(wèn)題:在日盤(pán)、夜盤(pán)中成交量、持倉(cāng)量對(duì)價(jià)格波動(dòng)分別具有哪些影響?；谥T多國(guó)內(nèi)外學(xué)者的研究分析,文章將交易日的日盤(pán)和夜盤(pán)數(shù)據(jù)分離分別建模,采用已實(shí)現(xiàn)波動(dòng)率作為價(jià)格波動(dòng)的有效度量,探究成交量、成交相對(duì)增量、持倉(cāng)量、持倉(cāng)相對(duì)增量對(duì)價(jià)格波動(dòng)的影響。線性回歸結(jié)果表明,成交量對(duì)價(jià)格波動(dòng)的影響表現(xiàn)為正向,即成交量增多價(jià)格上漲;持倉(cāng)量對(duì)價(jià)格波動(dòng)的影響與成交量相反,表現(xiàn)為負(fù)向影響,即持倉(cāng)量增多價(jià)格反而會(huì)下跌;成交相對(duì)增量和持倉(cāng)相對(duì)增量對(duì)價(jià)格波動(dòng)的影響也分別體現(xiàn)為顯著的正相關(guān)和負(fù)相關(guān)關(guān)系。

在線性回歸的基礎(chǔ)上,進(jìn)一步細(xì)化解釋變量即成交量、持倉(cāng)量,利用成交相對(duì)增量的預(yù)期、非預(yù)期部分與持倉(cāng)相對(duì)增量的預(yù)期、非預(yù)期部分持倉(cāng)相對(duì)增量、已實(shí)現(xiàn)波動(dòng)率的數(shù)據(jù),進(jìn)一步運(yùn)用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建非線性量?jī)r(jià)關(guān)系模型,獲得了更為準(zhǔn)確的模型結(jié)果。其訓(xùn)練權(quán)重信息補(bǔ)充了線性回歸結(jié)果:日盤(pán)與夜盤(pán)的價(jià)格波動(dòng)影響因素具有一定差別,持倉(cāng)量的非預(yù)期部分對(duì)日盤(pán)價(jià)格波動(dòng)影響最大;而持倉(cāng)量的預(yù)期部分對(duì)夜盤(pán)價(jià)格波動(dòng)影響最大。在構(gòu)建的日盤(pán)模型中,持倉(cāng)量非預(yù)期部分對(duì)價(jià)格波動(dòng)的影響大于持倉(cāng)量預(yù)期部分;而在夜盤(pán)模型中,對(duì)價(jià)格波動(dòng)的影響為成交量的非預(yù)期部分大于預(yù)期部分。

文章實(shí)證所得的上海原油期貨市場(chǎng)中成交量、持倉(cāng)量對(duì)價(jià)格波動(dòng)的影響以及日盤(pán)與夜盤(pán)差異化、非預(yù)期部分與預(yù)期部分的不同影響等結(jié)果,一定程度上有助于投資者判定其市場(chǎng)走勢(shì)、價(jià)格變化,從而合理地進(jìn)行投資和規(guī)避風(fēng)險(xiǎn)。同時(shí)也為該期貨市場(chǎng)的監(jiān)管者提供了有效信息,保證市場(chǎng)合理運(yùn)作。