姚鼎
摘? ?要:改革開放以來,我國經(jīng)濟高速發(fā)展,在人們購物越來越便利的同時,也帶動了以快遞行業(yè)為代表的物流行業(yè)的興起。因此,利用VAR模型和DCC-GARCH模型,以INE、WTI原油期貨以及國證物流指數(shù)的每日收盤價為樣本數(shù)據(jù),對原油期貨價格對物流行業(yè)股價的溢出效應展開實證研究。結(jié)果表明,INE與WTI原油期貨價格波動對物流股票價格波動皆具有單向顯著的影響;原油期貨市場與物流股票市場受前期動態(tài)相關(guān)系數(shù)的影響較大,變動持續(xù)性也較強;INE與WTI原油期貨市場與物流股票市場間動態(tài)相關(guān)系數(shù)都較低,新冠疫情爆發(fā)雖然提高了動態(tài)相關(guān)系數(shù),但不久后又回落,只有INE與物流股票市場間動態(tài)相關(guān)系數(shù)較之前稍高,INE與物流股票市場間動態(tài)相關(guān)系數(shù)則回落至最初水平。
關(guān)鍵詞:VAR;DCC-GARCH;原油期貨價格;物流行業(yè);溢出效應
中圖分類號:F74;F41? ? ? ? 文獻標志碼:A? ? ? ?文章編號:1673-291X(2023)06-0072-06
引言
改革開放以來,我國經(jīng)濟高速發(fā)展,科技突飛猛進,商品供應從票證經(jīng)濟到市場經(jīng)濟再到網(wǎng)絡(luò)經(jīng)濟、數(shù)字經(jīng)濟,人民生活水平日益提高。人民購買商品的方式也從當初到供銷社“憑票購物”變?yōu)榈匠羞x購,再到足不出戶網(wǎng)絡(luò)“淘寶”。截至2021年12月,我國網(wǎng)絡(luò)購物用戶規(guī)模達8.42億,較2020年12月增長5 968 萬,占網(wǎng)民整體的81.6%。在人們購物越來越便利的同時,也帶動了以快遞行業(yè)為代表的物流行業(yè)的興起。
物流是指為了滿足客戶的需要,以最低的成本,通過運輸、保管、配送等方式,實現(xiàn)原材料、半成品、成品及相關(guān)信息由商品的產(chǎn)地到商品消費地所進行的計劃、實施和管理的全過程。交通運輸在物流上是重要的一環(huán),其可以通過影響物流運輸成本等方式間接影響物流公司的股價。提到交通運輸,主要就是汽車運輸、船運、空運等方式,這些都離不開能源的利用。在能源領(lǐng)域中,原油作為能源的主要供應者,由其所煉制成的汽油、煤油、柴油和液化氣,已經(jīng)成為民生中不可缺少的必需品。原油一直是材料產(chǎn)業(yè)的重要基石,因為除了合成材料,原油還提供了大量的有機材料,所以原油在化工產(chǎn)業(yè)內(nèi)可以說是血液一般的存在。2017年以來,中國一直是當今世界上較大的石油進口國,同時也是全球石油消耗大國。而根據(jù)2021年全球能源統(tǒng)計年鑒數(shù)據(jù)表明,我國2020年石油進口依存度為73%,體現(xiàn)了原油對于我國的重要性。
原油作為如今主要使用的能源之一,其價格的變化理論上是對物流行業(yè)股票價格有一定影響的,所以研究兩者的價格關(guān)系是有必要的。中國原油期貨INE于2018年3月26日在上海市能源交易中心正式掛牌上市。因此,我們以INE原油、國際上基準價格之一的WTI原油期貨與國內(nèi)物流行業(yè)股價為研究對象,通過實證分析來探討原油期貨價格對物流行業(yè)股價的溢出效應。
一、文獻綜述
關(guān)于原油與物流行業(yè)的研究文獻較多,大致分為兩個方向。一是研究原油價格變動對股票市場的影響。例如,張曦等(2013)通過VAR模型分析了國際原油價格對美國等7個國家和地區(qū)股票指數(shù)的影響,發(fā)現(xiàn)國際油價波動對美國與英國股市影響時間較長,對我國股票市場影響較短。張金鳳等(2016)利用Vine Copula模型對世界三大現(xiàn)貨原油市場迪拜、布倫特和WTI與我國大慶原油市場、石油類股票進行了研究,認為大慶原油與迪拜現(xiàn)貨原油市場具有較強的正相關(guān)性,且石油類股票與國內(nèi)外原油市場中的迪拜、大慶的相關(guān)程度更高。Anand等(2021)利用TVP-SVAR-SV模型分析了石油沖擊對股票收益波動率的影響,發(fā)現(xiàn)股票收益波動率在供應特定的石油沖擊的情況下沒有影響。同樣,對政策不確定性下的沖擊會導致負回報,并增加其波動性。
二是研究能源價格變化對物流行業(yè)股價的影響。例如,文啟湘等(2011)通過VAR模型與格蘭杰檢驗對能源價格、我國GDP以及物流周轉(zhuǎn)量進行研究,發(fā)現(xiàn)三者存在顯著性的長期均衡關(guān)系,且能源價格與DGP變動對物流產(chǎn)業(yè)發(fā)展具有重要影響。陳帆(2019)等結(jié)合理論與實證研究了能源價格、能源替代和低碳物流的發(fā)展關(guān)系,發(fā)現(xiàn)電力和天然氣作為低碳能源,在物流業(yè)能源消費中的占比仍較低。
然而,到目前為止,對于原油價格沖擊與物流產(chǎn)業(yè)之間相互關(guān)系的研究還較少。因此,本文以INE原油、WTI原油期貨與國內(nèi)物流行業(yè)股價為研究對象,通過實證分析來研究原油期貨價格對物流行業(yè)股價的溢出效應。
二、研究方法
(一)研究方法
本文基于多元GARCH模型來研究原油期貨價格對物流行業(yè)股價的溢出效應。GARCH模型包括兩部分,即條件均值方程與條件方差方程。本文將以VAR模型來描述均值方程,以Engle在2001提出的DCC-GARCH模型來建立條件方差方程。
1.VAR模型
該模型由Sims在1980年提出,并不以經(jīng)濟理論為依據(jù),而是采取將多個過程聯(lián)立的方式,在模擬的每一個過程中,內(nèi)生變量都對原模型的所有內(nèi)生自變量的滯后部分進行了回歸,從而可以預測所有內(nèi)生變量的動態(tài)關(guān)系,特別適用于預測互相關(guān)聯(lián)的時間順序過程,和預測隨機擾動對變量過程的主動影響。其一般方程如下:
上述公式里,Yt表示k維內(nèi)生變量的列向量,Yt-i,i=1,2,…,p為滯后的內(nèi)生變量,Xt表示d維外生變量列向量,它可以是常數(shù)變量、線性趨勢項或者其他非隨機變量,p是滯后階數(shù),n為樣本數(shù)目,Φi為k×k維的待估矩陣,B為k×d維的待估矩陣,εt為k維白噪聲向量。
2.DCC-GARCH模型
動態(tài)相關(guān)系數(shù)多元自回歸條件異方差模型(DCC-GARCH模型)由Engle在2002年提出,是其對常相關(guān)系數(shù)廣義自回歸條件異方差模型(CCC-GARCH)進行的擴充,其一般方程如下:
(二)數(shù)據(jù)來源與處理
1.數(shù)據(jù)來源
由于我國上海原油期貨市場建立時間較晚,為保持時間跨度的同一性,本文選取2018年3月26日至2022年3月30日上海原油期貨主力合約(INE),WTI原油期貨以及國證物流指數(shù)(399 353.SZ)每日的收盤價作為指標變量(所有數(shù)據(jù)下載自東方財富choice金融數(shù)據(jù)庫)。
2.數(shù)據(jù)處理
首先除去在節(jié)日、周末和特殊交易時段產(chǎn)生的數(shù)據(jù)缺少后的955份樣本,然后將以美元為單位的WTI原油期貨按當日我國人民幣中間價換算成以人民幣為單位,最后取其對數(shù)收益率,方程為:
上式中,Ri,t代表i市場t日的收益率,pi,t代表i市場t日的價格,i取INE,WTI,LOG分別代表上海原油期貨市場、WTI原油期貨以及證物流指數(shù)。
三、實證研究
(一)描述性統(tǒng)計
序列RINE、RWTI與RLOG描述性統(tǒng)計如表1所示。從表1我們可以發(fā)現(xiàn),兩個原油期貨市場收益率序列都為正值,而物流指數(shù)收益率序列為負值;三個市場中WTI原油期貨市場波動最大,物流指數(shù)市場波動最小,且三種市場收益率數(shù)列都存在尖峰厚尾的特點,并不適用于正態(tài)分布。
(二)ADF檢驗
為了提高回歸結(jié)果的精確度,在構(gòu)建VAR模型之前必須先對三個收益率序列進行ADF的平穩(wěn)性試驗,結(jié)果如表2所示。
由表2我們可以看出,在10%、5%和1%的顯著水平下收益序列(Ri)均為平穩(wěn)序列,可以參與后續(xù)研究。
(三)VAR模型滯后階數(shù)的確定與建立
對于VAR模型的最佳滯后期的選取結(jié)果如表3
建立后的VAR(3)模型如下所示:
我們采用單位根的方式對VAR(3)方程進行穩(wěn)定所示,結(jié)合四個準則我們選擇建立VAR(3)模型。
性檢驗,結(jié)果如圖1所示:單位根都位于圓內(nèi)部,說明建立的VAR模型是合適的,可以參與后續(xù)研究。
(四)格蘭杰因果檢驗
對兩個收益率序列進行格蘭杰因果檢驗,結(jié)果如表4所示。
從表4我們可以看出,在10%顯著水平下,兩個原油期貨市場價格波動對物流指數(shù)波動都具有單向顯著的影響,并且原油期貨市場間互為格蘭杰因果關(guān)系。
(五)原油期貨價格對物流行業(yè)股價的溢出效應研究
1.ARCH檢驗
在進行DCC-GARCH模式構(gòu)建之前,首先必須對已構(gòu)建完成的VAR(3)模型殘差值進行ARCH-LM測試,結(jié)果如表5所示。
由表5我們可以看到,收益率序列RINE、RWTI與RLOG在1—5的滯后階均在10%下顯著,說明均拒絕不存在ARCH效應的原假設(shè),即序列存在ARCH效應。
2.DCC-GARCH模型建立
根據(jù)前文的描述性統(tǒng)計分析,三個收益率序列均存在尖峰厚尾的特征,且均不滿足傳統(tǒng)正態(tài)分布假定。因此本文以更為準確描述此特征的分布來建立DCC-GARCH模型,結(jié)果如表6所示。
在表6中,α1為新信息對市場波動的影響程度,β1為市場波動的持續(xù)程度。α1值較小、β1值較大,說明兩個市場均存在較大的波動集群性,α1+β1接近1,表明條件波動的持續(xù)性。a1為新信息對當前波動相關(guān)性的影響程度,b1為市場波動相關(guān)性的持續(xù)程度。a1與b1系數(shù)表明條件相關(guān)并不具有平穩(wěn)性。圖2與圖3分別為INE與LOG、WTI與LOG的相關(guān)系數(shù)圖。
結(jié)合圖2與圖3我們可以發(fā)現(xiàn),兩個原油期貨市場對國證物流指數(shù)的動態(tài)相關(guān)系數(shù)都是較低的,分別為0.18、0.135。自2018年3月INE上市至2019年底,INE與國證物流指數(shù)的動態(tài)系數(shù)一直在0.176—0.182間波動,WTI與國證物流指數(shù)的動態(tài)系數(shù)則在0.134—0.138間波動。而在2020年初,兩種動態(tài)相關(guān)系數(shù)都開始上升,在2020年三四月達到最高值,然后開始回落。不同的是,INE與國證物流指數(shù)的動態(tài)系數(shù)較之前波動幅度變小,而WTI與國證物流指數(shù)的動態(tài)系數(shù)則與之前波動水平無異。
2020年初動態(tài)系數(shù)波動劇烈的原因可能是因為此時新冠疫情開始在全世界范圍爆發(fā),全球經(jīng)濟下滑,并且受到OPEC+價格戰(zhàn)的影響,造成原油供應過剩,引起國際原油價格下跌,劇烈波動,甚至發(fā)生了WTI原油跌至負值的現(xiàn)象,我國INE原油不免也受其影響導致價格下滑。此時,物流市場也受到新冠疫情影響導致市場低迷,因此兩個原油期貨市場間與物流股票市場相關(guān)性在這段時間處于較高的水平。隨著疫情緩解,全球經(jīng)濟回暖,WTI與國證物流指數(shù)的動態(tài)相關(guān)系數(shù)又回到初期的相關(guān)水平,而國內(nèi)INE與國證物流指數(shù)的動態(tài)系數(shù)則較之前有所提高。
四、結(jié)論
本文通過VAR模型與DCC-GARCH模型研究國內(nèi)原油期貨市場與新能源股票市場的溢出效應,并得出以下結(jié)論。
1.INE與WTI原油期貨價格波動對物流股票價格波動皆具有單向顯著的影響,而物流股票價格波動并不具有對原油期貨市場價格波動的影響。
2.原油期貨市場與物流股票市場受前期動態(tài)相關(guān)系數(shù)的影響較大,變動持續(xù)性也較強。
3.INE與WTI原油期貨市場與物流股票市場間動態(tài)相關(guān)系數(shù)都較低。新冠疫情爆發(fā)雖然提高了動態(tài)相關(guān)系數(shù),但不久后又回落,只有INE與物流股票市場間動態(tài)相關(guān)系數(shù)較之前稍高,INE與物流股票市場間動態(tài)相關(guān)系數(shù)則回落至最初水平。
參考文獻:
[1]? ?張曦,王劍雨.原油價格對股票市場影響的國際比較[J].價格理論與實踐,2013,36(1):75-76.
[2]? ?張金鳳,馬薇.石油價格波動與股票市場波動的相關(guān)性研究[J].統(tǒng)計與決策,2016,39(9):153-156.
[3]? ?Anand,B.,Paul,S. Oil shocks and stock market: Revisiting the dynamics[J].Energy Economics,2021,(96):105111.
[4]? ?文啟湘,趙杰.基于能源價格的我國物流業(yè)發(fā)展策略研究[J].現(xiàn)代物流,2011,(9):28-32.
[5]? ?陳帆,王富忠,李崇巖.能源價格、能源替代與低碳物流發(fā)展研究——以浙江省為例[J].現(xiàn)價格理論與實踐,2019,(2):145-148.
[6]? ?Maitra,D.,Rehman,M.U.,Dash,S.R. and Kang,S.H. Oil price volatility and the logistics industry:Dynamic connectedness with portfolio implications[J].Energy Economics,2021,(102):105499.
[7]? ?Aggarwal,R. and Akhigbe,A. and Mohanty,S.K. Oil price shocks and transportation firm asset prices[J].Energy Economics,2012,(34):1370-1379.
[8]? ?Balakumar,S.,Dash,S.R.,Maitra,D. and Kang,S.H. Do oil price shocks have any implications for stock return momentum?[J].Economic Analysis and Policy,2022,(75):637-663.
[9]? ?張大永,姬強.中國原油期貨動態(tài)風險溢出研究[J].中國管理科學,2018,26(11):42-49.
[10]? ?王富忠.物流業(yè)碳強度的影響因素研究——基于能源價格和貨物周轉(zhuǎn)量的分析[J].價格理論與實踐,2018,(11):132-134.
Research on Spillover Effect of Crude Oil Futures Price on Stock Price of Logistics Industry
Yao Ding
(College of Economics and Management, Nanjing Forestry University, Nanjing 210037, China)
Abstract: Since the reform and opening up, China’s economy has developed rapidly, and people’s shopping has become more and more convenient. At the same time, it has also driven the rise of the logistics industry represented by the express industry. Using VAR model and DCC-GARCH model, taking the daily closing prices of INE and WTI crude oil futures and China Securities logistics index as sample data, this paper conducts an empirical study on the spillover effect of crude oil futures prices on the stock prices of logistics industry. The results show that the price fluctuations of INE and WTI crude oil futures have a significant one-way impact on the price fluctuations of logistics stocks; the crude oil futures market and the logistics stock market are greatly affected by the dynamic correlation coefficient in the early stage, and the change persistence is also strong; the dynamic correlation coefficient between INE and WTI crude oil futures market and logistics stock market is relatively low. Although the outbreak of COVID-19 increased the dynamic correlation coefficient, it soon fell back. Only the dynamic correlation coefficient between INE and logistics stock market was slightly higher than before, and the dynamic correlation coefficient between INE and logistics stock market fell back to the initial level.
Key words: VAR; DCC-GARCH; crude oil futures; logistics industry; spillover effect
[責任編輯? ?彥? ?文]