中美黄金期货收益率及其波动率关联性分析

中美黄金期货收益率及其波动率关联性分析

摘要 黄金作为一种既有货币属性又有商品属性的贵金属，对一国提高国家信用、稳定经济、应对国际金融市场波动极为重要，因此各国都致力于发展健康的黄金市场，然而在各种因素的影响下，黄金价格难免会上下波动，给相关企业带来损失，期货作为现货市场的补充，具有价格发现和套期保值两大功能，不但可以帮助人们规避价格波动风险，而且也有助于引导相关市场良性发展。近几年随着我国综合实力的增强，无论从交易量、消费量还是生产量来说，我国都是当之无愧的“黄金大国”。2008年1月9日，我国黄金期货正式在上海期货交易所上市，它的上市交易推动着相关行业的全面发展，为我国争取国际黄金定价权增加砝码。在此背景下，有必要对国内外黄金期货市场的关联性进行研究，同时本文试图对我国黄金期货市场收益率和波动性展开相关的研究，理性认识黄金期货市场价格波动风险，从而做出明智的决策，为黄金期货市场的稳定健康发展提供帮助。论文结论对我国黄金期货市场的发展和监管具有一定的参考价值，同时，文中所使用的模型和方法对于其他商品期货市场的分析研究具有一定的借鉴作用。 本文首先阐述研究背景和意义，然后系统回顾国内外对黄金期货市场波动性、关联性等方面的研究工作。其次，简要说明中美黄金期货市场的发展状况，以2013年1月3日到2019年4月30日的上海黄金期货价格指数日收盘价和美国COMEX黄金期货日收盘价数据为样本，运用Johansen协整理论分析价格关联性，并建立GARCH模型分析两市场收益率的波动性联系。最后，对全文进行系统总结，提出发展中国黄金期货市场的建议，并分析本文研究的不足之处。 实证结果表明，在样本时间段内两市场存在长期均衡关系，是关联市场，其中纽约黄金期货市场在价格引导关系中起到主导作用，虽然中国市场的影响力较为薄弱，但中国市场自主定价权正不断扩大；两个市场收益率都具有波动聚集现象；黄金期货市场受到负面消息的影响比较大，而中国市场受负面消息的冲击更大，波动率的范围也表明中国市场的风险更大。关键词：黄金期货；VAR模型；GARCH模型；Granger因果关系ABSTRACT Asapreciousmetalwithbothcommodityandmonetaryattributes,goldisextremelyimportantforacountrytostabilizetheeconomy,improvenationalcredit,andrespondtofluctuationsininternationalfinancialmarkets.Therefore,allcountriesarecommittedtodevelopingahealthygoldmarket,butinvariousfactorsUndertheinfluence,thepriceofgoldwillinevitablyfluctuateupanddown,causinglossestorelatedenterprises.Futures,asasupplementtothespotmarket,hastwofunctionsofpricediscoveryandhedging,whichcannotonlyhelppeopleavoidtheriskofpricefluctuations,butalsohelpguidethebenigndevelopmentofthemarket..Inrecentyears,withtheenhancementofChina'scomprehensivestrength,Chinaisawell-deserved"goldencountry"intermsofgoldtradingvolume,consumptionandproductionvolume.OnJanuary9,2008,China'sgoldfutureswereofficiallylistedontheShanghaiFuturesExchange.Itslistingandtradingpromotedtheall-rounddevelopmentofgold-relatedindustriesandincreasedtheweightforChina'sinternationalpricingpower.Inthiscontext,studyingthepricefluctuationcharacteristicsofChina'sgoldfuturesmarketwillhelptorationallyunderstandthepricefluctuationriskofthegoldfuturesmarket,soastomakeinformeddecisionsandhelpthestableandhealthydevelopmentofthegoldfuturesmarket.ThispaperattemptstostudytheyieldandvolatilityofChina'sgoldfuturesmarketfromdifferentangles,andusestimeseriesmodeltoquantitativelyanalyzethevolatilityofChina'sgoldfuturesmarket.TheconclusionsofthethesishavecertainreferencevalueforthedevelopmentandsupervisionofChina'sgoldfuturesmarket.Atthesametime,themodelsandmethodsusedinthispaperhavecertainreferencefortheanalysisandresearchofothercommodityfuturesmarkets. Thispaperfirstexpoundstheresearchbackgroundandsignificance,andthensystematicallyreviewsandsummarizestheresearchworkonthevolatilityandrelevanceofthegoldfuturesmarketathomeandabroad.Secondly,abriefdescriptionofthedevelopmentoftheSino-USgoldfuturesmarket,takingthedailyclosingpriceoftheShanghaigoldfuturespriceindexfromJanuary3,2013toApril30,2019andtheclosingpriceoftheUSCOMEXgoldfuturesasasample,usingtheassociationThewholetheoryanalyzesthemutualguidanceandinfluencerelationshipbetweentheSino-USgoldfuturesmarket,establishestheGARCHmodeltoanalyzethevolatilityofthetwomarkets,andusestheDCC-GARCHmodeltoanalyzethecorrelationbetweenthetwomarkets.Finally,thepapersummarizesthefulltext,putsforwardsuggestionsfordevelopingChina'sgoldfuturesmarket,andanalyzestheshortcomingsofthispaper. Theempiricalresultsshowthatthereisalong-termequilibriumrelationshipbetweenthetwomarketsduringthesampletimeperiod.TheNewYorkgoldfuturesmarketplaysaleadingroleinthepriceguidancerelationship,buttheindependentpricingpoweroftheChinesemarketcontinuestoexpand;bothmarketyieldshavevolatilityaggregationphenomenon;TheinformationasymmetrymodelshowsthatthenegativenewsintheChinesemarketismoreshocking,andthescopeofthevolatilityalsoindicatesthattheriskintheChinesemarketisgreater.Keywords:goldfutures;VARmodel;GARCHmodel;Grangercausality目录TOC\o"1-3"\f\h\z\u第一章绪论 [48]使用2014年1月2日至2016年4月14日上海期货交易所（SFE）的黄金期货价格，研究结果表明该市场在每个交易日都具有可持续性，所有的Hurst指数均大于0.5。Hurst指数的变化特征表明黄金未来市场的可持续性先增强后减弱。该研究还采用了Elman神经网络，通过对黄金期货市场价格走势的分析，预测未来趋势，模型预测的结果与实际值的相对误差较小，可以帮助投资者分析和预测黄金未来市场的价格趋势。1.3论文研究方法和组织结构 论文使用定性分析和定量分析相结合的方式，分析了近7年中国黄金期货市场和纽约黄金期货市场价格和收益率，两市场之间的相互关系以及波动风险进行了实证研究。论文一共五章，每章主要内容如下： 第一章，绪论，本章首先对研究背景和研究意义进行阐述，然后对国内现有的中国黄金期货市场研究和国外关于黄金期货市场关联性方面的研究进行回顾，最后对论文研究方法和组织结构进行简要说明。 第二章，中美黄金期货市场发展概况，首先简述上海黄金期货市场和纽约黄金期货市场的现状，对价格和收益率进行描述性统计分析，从各个角度分析两个市场的特点和关系。 第三章，价格协整关系分析，运用协整理论、误差修正模型、Granger因果关系检验等方法对我国黄金期货与纽约黄金期货之间的价格传导、相互影响关系来探究我国黄金期货市场的价格发现功能实现情况，以及与国外主要市场的关系。 第四章，收益率波动性分析，运用平稳性检验、ARCH效应检验并建立GARCH类模型进行两市场黄金收益率波动风险实证分析，然后根据建立的DCC-GARCH模型所得到的动态相关系数研究中美黄金期货市场相关性。 第五章，总结与展望，对论文进行总结，根据得出的结论提出发展我国黄金期货市场的建议，最后总结本研究的不足之处。第二章国内外黄金期货市场发展概况2.1国内外黄金期货市场简述 从国内视角观察，我国黄金期货市场有上期所的黄金期货以及银行间和银行柜台的黄金远期、期权交易。中国内地的黄金期货市场主要是指上期所的黄金期货交易(简称上期金市场)。它于2008年1月9日正式挂牌交易，2017年上海期货交易所占据了世界第二大黄金期货交易市场的位置。 从国际视角观察，按黄金市场所起的作用和规模划分，可以划为世界性黄金市场的主要有伦敦、纽约等地的黄金市场，因为它们的价格形成和交易量的变化的影响会从本地扩散到世界其他地区。伦敦金市场一直是国际黄金现价定价中心，而纽约金市场占据全球期货交易量的三分之一，是世界最大的期金交易所，主要经营黄金期货、期权、黄金ETF等。综合来来看，纽约市场不仅交易量大，而且在价格影响方面能对全球黄金价格起主导作用，目前也是掌握黄金定价权的市场之一，从规模及运行状况来说具备稳健成熟的特征，这也是本文选取其作为国际黄金市场的代表的原因。2.1.1数据来源和处理 本文选取上海黄金期货指数日收盘价数据和COMEX黄金期货日收盘价数据作为样本。为叙述方便，使用ny_g代表纽约期金，使用sh_g代表上海期金。样本区间是2013年1月3日至2019年4月30日，剔除不匹配数据后共1533对观测值，所选样本数据均来自investing。 对金融数据进行定量分析时经常需要将价格变化为收益率，连续复利收益率是最常用的收益率，本文使用表示日收益率，表示日收盘价表示t-l日收盘价，日收益率序列定义为下： (2.1) 2.1.2黄金期货价格描述性分析 在分析两个市场时，本论文首先从价格原始数据进行分析。从图2.1可以看出，在样本时间内，上海黄金期货价格大体呈现先下降后上升的态势，具体来看，在2013年至2015年价格波动下滑，在2015年第三季度达到波谷，2016年开始逐渐回升，从2017年开始在260至300的区间波动。纽约黄金期货价格走势相似，大体都是呈现先下降后上升的态势。2013年价格步入下行通道，是因为同年4月下旬，有传闻称塞浦路斯央行将抛售黄金储备，再加上美国经济回暖弱化了黄金的抗风险作用，导致黄金出现了一轮大的跌幅，这一年基金多次大规模抛售黄金，给金价带来颠覆式的下跌。2014年和2015年同样受多方面因素的影响，价格起伏较大,但是涨幅乏力,仍然没有脱离2013年的颓势。经历2014年至2015年持续调整后，金价触及低点，在英国脱欧事件的影响下，市场避险情绪提升，2016年上半年黄金期货价格反弹上升，下半年美联储宣布加息，价格开始下跌，经历2017年到2018年上半年的价格连续上涨以后，2018年下半年受美联储紧缩货币政策预期压制和美元指数走强影响，黄金期货价格又经历了一次较大的跌幅。图2.1上海期金价格走势图图2.2纽约期金价格走势图2.1.3期金收益率描述性统计分析 由下文图表可知，第一，收益率序列都具有典型的尖峰厚尾特征，不具有正态分布的特征。第二，收益率均值均为负数，由偏度系数可知序列呈现左偏，表明低于平均收益率的时间段更少。标准差代表市场风险，纽约市场风险略大于上海市场。第三，两市场收益率的波动存在一定联系，比如纽约市场在2013年期间存在激烈的波动，上海市场在该时段也有较强的波动，两市场的波动具有一定的相关性。 图2.3上海期金日收益率直方图 图2.4纽约期金日收益率直方图 图2.5上海期金日收益率时序图图2.6上海期金日收益率时序图表2.1收益率描述性统计分析均值标准差偏度峰度JB统计量P值纽约期金收益率-0.0001770.009353-0.80140911.327664578.8440.000000上海期金收益率-0.0001110.009263-0.59053814.059157916.7830.000000第三章两市场价格协整关系分析3.1实证分析模型理论基础3.1.1VAR模型向量自回归模型（VAR模型）是用模型中所有当期变量对所有变量的若干滞后变量进行回归。VAR模型用来估计联合内生变量的动态关系，而不带有任何事先约束条件。本文考虑两个市场，即两个变量之间的关系，因此使用VAR(1),即一维VAR模型，数学表达式为： （3.1） 其中、分别代表着内生变量列向量和外生变量,,…,和B表示待估计系数矩阵，表示误差向量。3.1.2协整关系 协整是描述非平稳经济变量间存在的长期稳定关系的模型。协整的定义如下：对于某一随机向量，如果已知:(1)(2)存在一个N×1阶列向量β（β≠0），使得 则可以称变量存在阶数为(d,b)的协整关系，本论文应用Johansan检验方法。3.1.3Granger因果检验 Granger因果检验用于分析变量之间的因果关系，对于任意两个经济变量的时间序列数据X、Y，如果用X和Y的过去信息来预测Y得到的结果要好于仅用Y的过去信息预测得到的结果，即X优化了对Y的预测，那么称X是Y的Granger原因。Granger检验的具体过程为： （3.2） （3.3） 选用受约束的F检验，原假设为：,备择假设为：。如果F统计量大于临界值，即P值小于选择的显著性水平，则拒绝，X与Y的Granger原因，反之，则接受原假设，X不是Y的Granger原因。3.2两市场价格协整关系分析由于上海黄金期货和纽约黄金期货的报价单位不同，在分析两国黄金期货价格关系时，需要统一货币计价单位。在本章节实证分析中，我们将两国黄金期货价格统一为人民币计价，以我国外汇管理局公布的人民币兑美元汇率为基准，调整纽约黄金期货价格序列。3.2.1平稳性检验 大多数金融时间序列都是非平稳的随机过程，如果直接使用传统的计量经济学方法容易产生谬回归问题，因此在分析之前首先要对序列进行平稳性检验。检验结果如表3.1所示，纽约期金价格在带截距项和时间趋势项的形式的ADF检验下拒绝了原假设，但其他两种形式在5%的置信水平下不拒绝原假设，表明原始序列存在单位根，为非平稳序列。对对数一阶差分后的收益序列进行单位根检验，结果表明无论哪种形式均拒绝原假设，为平稳序列。上海期金价格同样如此。由此上海期金价格序列和纽约期金价格序列均为一阶单整时间序列。表3.1价格序列平稳性检验结果变量检验类型ADF值P值纽约期金收盘价有截距无趋势-3.2562620.0572有截距有趋势-3.5435690.0352无截距无趋势-0.8109950.3647上海期金收盘价有截距无趋势-1.9929290.0533有截距有趋势-3.7265390.0209无截距无趋势-1.1551670.2266表3.2收益序列平稳性检验结果变量检验类型ADF值P值纽约期金收益序列有截距无趋势-39.557940.0000有截距有趋势-39.58770.0000无截距无趋势-39.556870.0000上海期金收益序列有截距无趋势-39.439630.0000有截距有趋势-39.477380.0000无截距无趋势-39.447120.00003.2.2VAR模型估计和协整关系检验 在检验序列的平稳性之后，可以进一步进行VAR模型估计和协整分析。首先需要检验数据的滞后期，即用多少期的滞后变量来解释内生变量，由AIC和SC最小化原则，选择最优滞后期为3。下面通过最小二乘估计法给出VAR(3)模型的估计结果。表3.3VAR模型估计结果VAR模型Ny_gSh_gVAR模型Ny_gSh_g截距项-0.0001740.0000118Sh_g(-1)-0.008199-0.192008Ny_g(-1)-0.0121570.542987Sh_g(-2)-0.058673-0.077122Ny_g(-2)-0.0005840.1833606Sh_g(-3)-0.005137-0.017512Ny_g(-3)0.0963770.069422 估计出VAR模型的参数后，对VAR模型进行平稳性检验，VAR模型的AR根倒数都小于1，说明所估计的VAR模型满足稳定性条件。由表3.3结果可以可知，在上海期金方程中，纽约期金滞后期对上海期金价格当期影响相对较大，且基本呈正向的影响关系，别是滞后一期，为0.53678，但影响力持续减弱。上海市场本身滞后一期的影响为-0.192008。在纽约期金方程中，纽约市场滞后三期的系数相对较大，为0.096377，其他的滞后期影响力都较弱。 在建立VAR模型之后,为了分析两市场价格变化的长期均衡关系，对两序列做Johansen协整关系检验，并采用迹检验和最大特征值检验来确保结果的准确。以下检验结果表明，无论是迹检验还是最大特征值检验，P值都接近于0，从而拒绝原假设，即两市场价格变化是协整的，同时也说明两者有着长期均衡的关系存在。表3.4协整关系检验结果迹检验原假设特征值迹统计量P值NoneAtmost10.3199490.213246678.1641584.22760.00010.0001最大特征值检验原假设特征根最大特征统计量P值NoneAtmost10.3199490.213246265.9219203.18280.00010.00013.2.3向量误差修正模型 具有协整关系也就意味着可以构建向量误差修正模型(VECM)来深入研究两个变量之间的短期波动。VECM的滞后期是无约束VAR模型一阶差分变量的滞后期，鉴于上述VAR模型阶数为3，故VECM的阶数为2(即3-1=2)。得到VECM估计结果如下表所示：表3.5VEC模型估计结果Δny_g标准差t统计量Δsh_g标准差t统计量ecm系数-0.2310060.05246-4.403290.9990390.0394925.3011Δny_g-1-0.5113240.04922-10.3884-0.3721840.03705-10.0465Δsh_g-1-0.2086440.04552-4.58324-0.0044240.03426-0.12912Δny_g-2-0.2843940.03362-0.845943-0.1178620.02530-4.65797Δsh_g-2-0.1608450.02738-5.87475-0.0484510.02061-2.35119截距项-0.0000490.00027-5.87475-0.0000100.00020-0.05208 其中ecm是误差修正项，其系数大小反映了对变量偏离长期均衡的调整力度。上海黄金期货价格变化的ecm系数为0.999039，说明误差项对价格变化有正向的调节作用，当价格变化偏离长期均衡状态时，误差修正项会以0.999039的系数将其拉回长期均衡。纽约黄金期货价格变化的ecm系数为-0.231006，说明误差项对价格变化有负的调节作用，当价格变化偏离长期均衡状态时，误差修正项会以-0.231006的系数将其拉回长期均衡。从误差项系数绝对值来看显然上海市场对前一期的非均衡反应比纽约市场敏感，调整速度最快，且修正方向相反。3.2.4Granger因果检验 使用Granger因果检验分析两个市场价格变化之间的引导关系，在进行Granger检验的过程中，使用AIC准则确定滞后期，下图为Granger检验结果，P值表示拒绝原假设的概率。表3.6Granger因果检验结果零假设F统计量P值Sh_g不是ny_g的格兰杰原因0.062050.9398Ny_g不是sh_g的格兰杰原因65.699640.0001 从以上检验结果可以看出，对于原假设“上海期金不是纽约期金的Granger原因”，检验结果P值大于0.05，因此接受原假设，说明我国黄金期货不影响纽约黄金期货。对于原假设“纽约期金不是上海期金的Granger原因”，检验结果P值小于0.05，因此拒绝原假设，说明纽约黄金期货单项引导我国黄金期货价格变化，由此可见，我国期金市场已经融入国际市场，但尚不具备国际影响力。3.2.5总结 从本章实证分析可以得出以下结论：Johansen协整分析的结果表明，上海黄金期货价格变化与纽约黄金期货价格变化存在长期均衡关系，两个市场存在着联动性，并且纽约黄金期货市场单向引导上海黄金期货市场的价格变化，我国市场的自主性尚待提高。构建向量误差修正模型进一步研究两个变量之间的短期波动，从具体数值来看，上海黄金期货市场对前一期非均衡反应更加敏感，调整速度更快。 国内黄金期货经过十多年的发展，刚刚初步融入国际黄金市场，而且能够反映出国际黄金期货的价格变化，但尚不具备国际影响力，我国黄金期货市场的问题与当前的市场发展现状相关，市场流动性小，期货市场的流动性越高，竞争和博弈越充分，价格发现效率越高。以2018年为例，上海期货交易所黄金期货成交量为3224.77万手（3.2万吨），成交金额为8.84万亿元，COMEX黄金期货包括“100盎司、50盎司、10盎司、1千克”4个合约的黄金期货量为150.1万吨，我国的交易量较少，而且并不活跃，虽然两个市场是关联市场，从交易量来看，纽约市场是主市场，上海市场是次市场。除此以外，我国市场的交易主体结构并不成熟，以2019年4月30日为例，期货公司的交易占到总成交量的95%，而其他主体比如以套期保值为目的的黄金期货从业企业参与较少，整个市场投机氛围浓厚。图3.1上海期货交易所黄金期货交易量与交易额第四章两市场收益率波动性研究4.1实证分析模型理论4.1.1ARCH模型 在对时间序列进行建模时往往假设残差序列是同方差的，这种假设通常并不成立，金融时间序列随着时间变化一般会表现出“波动聚集性”。自回归条件异方差模型(AutoregressiveConditionalHeteroskedasticity，ARCH)是用来描述波动聚集性的模型。广义自回归条件异方差模型(GeneralARCH，GARCH)模型是在ARCH模型基础上的扩展，GARCH模型克服了ARCH模型无限制约束的假设及滞后期标准不确定的问题。其中最为广泛使用的是GARCH(1，1)模型，其形式简单而且通常有非常好的拟合效果。 标准的GRACH(1,1)模型的假设基础是变量的方差依赖于该变量方差的一阶滞后值和残差平方的一阶滞后值，方程如下： 均值方程：，其中 （4.2） 条件方差方程： (4.3) 其中为常数均值或者ARMA(p,q),为了保证方差具有有效性，系数需要满足：。如果序列出现大幅度的持续上升或持续下降，那么本期方差的增大会使得对下一期方差估计提高，这样的设定方式可以分析出该经济数据出现波动(方差)大小的聚集现象。4.1.2GARCH模型的几种拓广形式（1）GARCH-M模型GARCH-M模型称为波动项进入均值方程的GARCH模型，用来描述金融资产的回报除了受到其他因素的影响外，也受到了回报波动的大小影响，一般而言，金融资产的波动性越大，人们对金融资产回报的期望也会越大。GARCH-M的模型实在GARCH(1,1)中加入了条件方差项，或其标准差，对数标准差代替，表达式如下： （4.4）（2）EGARCH模型在ARCH过程中，假设独立同分布，，并假设条件方差的形式： (4.5) 则称服从EGARCH过程。该模型在中引入一个参数，当随机干扰项取正值或负值时，会有不同的变化，如果，则一个负干扰引起的变化比相同程度正干扰引起的变化更大，反之怎相反。表明序列存在杠杆效应，如果，说明正负干扰的变化是对称的。（3）TGARCH模型TGARCH模型也是一种反映波动非对称的模型，称为门限GARCH模型，其条件方差一般表示为： (4.6) 是一个名义变量，资产上涨时（），，其影响系数可用代表，相反时可用代表，如果，说明信息作用是非对称的，如果，则市场波动存在杠杆效应，即金融资产波动受负冲击的影响大于受正冲击，反之则相反。4.1.3DCC-GARCH模型 联动是一种随着时间的变化，经济变量之间的动态相关关系，随着金融时间序列研究的不断加深，GARCH从原来的CCC—GARCH模型逐渐演变为变化了的条件相关多变量广义自回归条件异方差模型(DCC—GARCH或DCC)。该模型不采用固定相关系数转化矩阵，而采用时变相关系数矩阵，在计算方面体现出它特有的优势。一方面，该模型所采用的两步估计法容易得到准确的实证结果，使得所需估计的参数独立于相关序列的数目。另一方面，该模型可以减少待估参数的数量，不限制长期方差协方差矩阵样本个数，能够对大型相关系数矩阵进行估计。4.2实证分析4.2.1均值方程之前已经证明两个收益率序列都是平稳时间序列，可以进行建模分析。接下来检验序列是否存在自相关。检验自相关时的原假设为变量的滞后期不存在自相关，所得Q统计量及P值如表4.1和表4.2所示，当Q统计量小于或等于检验值时，接受原假设，即不存在自相关，否则自相关存在。由图4.1和图4.2可知，在5％的置信水平下，两个序列前几阶的P值均大于0.05，自相关性不明显，因此可以认为序列不存在自相关，对两个收益率序列的均值方程建立如下的形式，其中是随机误差： （4.7）图4.1纽约市场收益序列自相关性检验图4.2上海市场收益序列自相关性检验4.2.2ARCH效应检验验证收益率序列是否存在聚集性，首先进行ARCH效应的检验，检验方法有两种，一种是拉格朗日乘数法（LM法），另一种是残差平方相关图检验，通过检验所得的Q统计量和其对应的P值来判断序列是否存在ARCH效应。残差序列可以由上述均值方程得到。检验结果由图4.3到图4.6所示。首先对残差序列和残差平方进行自相关检验，两个市场的残差序列具有相同的属性，残差序列的自相关性不显著，残差平方的自相关性显著，即两者都具有ARCH效应，波动具有聚集性。另外从LM检验结果可以再次证实这一点。图4.3纽约市场收益率残差平方自相关检验图4.4纽约市场收益率残差序列ARCH-LM检验结果图4.5上海市场收益率残差平方自相关检验图4.6上海市场收益率残差序列ARCH-LM检验结果4.2.3单变量GARCH模型的建立基于以上自相关检验、ADF检验以及ARCH效应检验的结果，首先对两收益率序列建立单变量GARCH模型，由于金融市场的特性，很少使用高阶GARCH模型，本文使用GARCH(1,1)模型来研究两个市场收益率的波动。根据上文的收益率序列存在非对称的特点，对其建立非对称的GARCH模型，包括TGARCH和EGARCH，下表为建立的模型结果。表4.1纽约市场收益率GARCH模型拟合结果GARCHEGARCH常数项-0.00111*(-0.500386)常数项-0.001930*(-2.901564)C0.000002***(6.078275)C-0.291517***(-7.537978)ARCH项0.038760***(15.09430)α0.109485***(11.54656)GARCH项0.948282***(239.8787)-0.053940***(-7.265961)0.977653***(256.2884)TGARCHGARCH-M常数项-0.000180*(-0.833333)常数项-0.000380(0.373120)C0.000001***(6.202574)0.033050(0.268991)ARCH项0.016530***(2.999081)C0.000001***(5.937155)φ0.031050***(5.488459)ARCH项0.038870***(14.53264)GARCH项0.955602***(223.0265)GARCH项0.948102***(237.3882)注：“***”，“**”，“*”分别表示在1%，5%，10%置信水平下显著。上表为纽约市场收益率序列GARCH模型的估计结果，在5%的置信水平下，模型的大部分参数P值小于5%,拒绝不显著的原假设，个别参数在10%的置信水平下是显著的，所以均存在显著性，说明收益率具有的波动性是显著的。对ARCH项和GARCH项的系数求和得0.987042，小于1，满足约束条件，同时接近1，说明市场会持续受到条件异方差的影响。TGARCH模型的估计结果表明，非对称效应的系数φ估计值是0.03157，说明收益率波动存在“杠杆效应”，即黄金价格下跌比同等程度的上涨带来的波动更大。EGARCH模型的估计结果表明，非对称效应系数=-0.053940＜0，相同程度的负干扰要比正干扰引起的波动更大，这一点和TGARCH模型的结果是一致的。GARCH-M模型结果表明，加入均值方程的条件标准差系数在10%的水平下并不显著，没有证据表明收益率和风险之间存在联系，说明风险对收益率产生的影响不明显。表4.2上海市场收益率GARCH类模型拟合结果GARCHEGARCH常数项-0.000006*(-0.282957)常数项-0.000304*(-1.294913)C0.000002***(6.197268)C-2.309559***(-6.958422)ARCH项0.079867***(6.896668)α0.108576***(6.153568)GARCH项0.729215***(17.74142)-0.136458***(-8.425153)0.761339***(22.16340)TGARCHGARCH-M常数项-0.000005*(-0.231612)常数项-0.002478(-1.479465)C0.000003***(6.965182)0.275269(1.465363)ARCH项0.000003***(6.965182)C0.000002***(6.238404)φ0.194312***(6.889260)ARCH0.082196***(6.923136)GARCH项0.598093***(10.64240)GARCH0.718046***(16.91013) 上表为上海市场收益率序列GARCH模型的估计结果，参数显著性情况与纽约市场相似，均存在显著性，说明收益率具有的波动性是显著的。对ARCH项和GARCH项的系数求和得0.809082，小于1，满足约束条件。TGARCH模型的估计结果表明，非对称效应的系数φ估计值是0.194312，说明收益率波动存在“杠杆效应”，即黄金价格下跌比同等程度的上涨带来的波动更大。EGARCH模型的估计结果表明，φ=-0.136458＜0，相同程度的负干扰要比正干扰引起的波动更大，这一点和TGARCH模型的结果是一致的。GARCH-M模型结果表明加入均值方程的条件标准差系数即使在10%的水平下也并不显著。 总结如下，两个收益率序列ARCH项和GARCH项都是高度显著的，表明序列具有明显的波动聚集性，这就表明在两个市场中，都存在着在某一段时间段内波动比较剧烈，在另外的时间段内波动平缓的情况，前期收益率波动幅度的大小直接影响到后期波动的幅度。ARCH项系数表示为上述两种价格收益率受到外部冲击对波动的影响程度，其中上海市场收益率受到外部冲击的影响（系数为0.079867）要大于纽约市场收益率（系数为0.038760）。GARCH项相应的系数都小于1，表明两市场前期价格波动对本期波动的影响呈衰减趋势，并且上海市场黄金期货价格（系数为0.729215）衰减比纽约黄金期货价格（系数为0.948282）更快。从冲击的持续性来看，纽约期金收益率ARCH项和GARCH项系数和接近于1，说明条件方差受到冲击的影响所具有的持续性是很强的，同时纽约市场系数和大于上海市场，说明纽约市场受到条件异方差的影响更为强烈，持续性更强。两个收益率序列的信息不对称模型表明，两市场都存在明显的杠杆效应，相比于正面消息，负面消息的冲击更大，与纽约市场相比，中国市场负面信息冲击效果更大，波动率的范围也表明中国市场风险更大。GARCH-M的模型结果表明，风险溢价参数并不显著，两个市场均没有表现出高风险高收益的特征，也体现了黄金期货避险和保值的特点。4.2.4联动效应分析 随着时间的变化以及国内外政治局势、经济环境的不断变化，上海黄金期货市场与纽约黄金期货市场的关联性程度不断发生变化。下面就基于DCC-GARCH模型，从动态的角度考察两市场之间的联动性。基于前文的分析，可知两个序列都已经满足了建立GARCH(1,1)的要求，图4.7和图4.8是两市场收益率的条件标准差序列。图4.7上海期金收益率条件标准差序列 可以看出，整个样本期间，纽约市场收益率的条件标准差在0.07至0.028之间波动，上海市场收益率的条件标准差在0.0075至0.175之间波动，个别时间段来看，上海市场收益率的条件标准差波动幅度较大，尤其是2013年第二个季度、2015年第四个季度、2018年第四个季度。纽约市场收益率的条件标准差同样显示在2013年第二个季度波动幅度较大，原因是2013年4月中旬，有传闻称塞浦路斯央行将变卖超额黄金储备，以筹集约4亿欧元的资金，与此同时投资者对于全球经济的复苏信心增强，相比于黄金，更愿意将资金投向股票等风险更高可能带来更高收益的资产上，普遍看空黄金，高盛、德意志银行和法兴银行等多家大型投行先后下调了对今年黄金价格的预期，黄金ETF遭到大量抛售，纽约黄金期货价格连续两个交易日分别下跌了4.06%和9.27%，与2011年每盎司1921美元的历史高点相比，国际金价回调超过28%。在此后的10天内，由于大量资金介入，黄金价格又从低位反弹，涨幅超过10%。2015年第三个季度到2016年这个时间段，上海市场收益率的条件异方差多次出现较大波动幅度，原因可能与这段时间A股多次出现“千股跌停”有关。最近一次较大波动幅度出现在2018年第四个季度，中美贸易战的不断升级使得投资者下调经济增长预期，黄金作为对冲市场和经济风险的作用不容忽视。图4.8纽约期金收益率条件标准差序列 通过图4.8可发现，纽约黄金期货收益率除了2013年第二季度这段时期，其他时间其条件标准差没有达到很大的峰值，表现平稳。纽约黄金期货市场是一个非常成熟的市场。 为进一步描述两市场收益率之间的动态关联性，利用DCC-GARCH模型进一步进行实证分析。表4.3显示了DCC-GARCH(1,1)模型的估计结果，两个变量的ARCH项(α)和GARCH项(β)均通过5%的显著性水平检验，DCC模型稳定性检验表明，，且两个系数都通过了5%的显著性水平检验，说明模型估计结果稳健。表4.3DCC-GARCH模型估计结果DCC常数项ARCH(α)GARCH(β)GARCH(1,1)纽约市场收益率0.000004***(2.567248)0.012258***(5.528102)0.972510***(318.3608)上海市场收益率0.000003***(6.808880)0.0191048***(6.429513)0.599411***(10.49171)α1β1 在模型合理估计的基础上，可以进一步得到动态相关系数的描述性统计分析及走势图，更加能体现出两个市场的联动情况。由表4.4可以看出两市场之间的动态相关系数在-0.015169至0.415115之间变动，均值为0.134972。从均值的绝对值来看，两市场之间呈现出正相关的特征，联动性不高，说明这两个市场之间风险转移的程度不高。表4.4动态条件相关系数序列的描述性统计均值最小值最大值标准差0.134972-0.0151690.4151150.062761 由图4.11可以看出，相关趋势呈现一定的时序特征，随着时间的不断推移，动态相关系数逐渐变低。正相关性在2013年第二个季度达到峰值，随后不断降低，在2013年第四季度达到波谷。从2014开始相关系数开始反弹，直到第四个季度相关性不断减少，收益率的相关性由正相关变为短暂的负相关，之后再次回升，于2015年第四个季度再次达到高点后下降。总体来看，两市场大体呈现动态正相关性，其相关性对外来冲击比较敏感，结合黄金期货价格时序图来看，危机事件发生时两市场容易呈现较高的正相关水平。结合黄金期货年交易量来看，近几年我国黄金期货交易量取得了极大的进步，在2015年，年交易量几乎达到了纽交所黄金期货活跃合约年交易量的一半，交易量越高，期货市场的流动性越大，也增强价格自主定价权，加强国际影响力。图4.9动态条件相关系数图图4.10上期所和纽约所黄金期货年交易量单位：千克（其中纽交所交易量按1盎司=0.0283495千克换算）第五章总结与展望5.1总结 论文首先定性分析了上海期货交易所黄金期货和纽约COMEX黄金期货的价格随时间变化的情况，然后对收益率进行了描述性统计分析，之后对两个市场价格序列进行了协整分析，最后对两收益率序列的波动性进行实证分析。最终得到以下结论。 从整个样本时间段可以看出，上海黄金期货价格序列和纽约黄金期货价格序列走势相似，两者具有较强的相关性。两市场收益率均表现为尖峰厚尾形态。长期来看，中美黄金期货市场价格之间存在长期均衡关系，纽约黄金期货市场对上海黄金期货市场的影响十分明显，前者对后者的价格变化具有单向引导作用，相反上海黄金期货市场对纽约黄金期货市场的影响还十分微弱。从短期来看，上海市场对非均衡反应更加敏感，调整速度更快。另一方面，从成交量来看，上期所黄金期货成交量与COMEX期金存在不小差距，纽约市场是主市场，上海市场是次市场，后者的市场的深度和国际影响力不及相对而言较为成熟的前者，但上海黄金期货市场传递信息的效率还是很高的。 中美黄金期货近期收益率都不会和当期收益率存在自相关，且收益率都具有很强的异方差性和GARCH集聚效应，过去的价格波动对现在和未来的价格波动有着正向持续性影响。两个市场均具有长期记忆性，且相应系数都小于1，表明中美期金前期波动对本期波动的影响呈衰减趋势，并且上海市场期金价格衰减地更快， 中美期金市场都存在杠杆效应，市场的好消息对价格的冲击比坏消息的冲击力度要大，这一结论与资本市场上的各种金融产品价格的冲击效应相同，与纽约市场相比，中国市场受负面信息冲击的影响更大，波动率的范围也表明中国市场风险更大。实证分析中两个市场并没有表现出高风险高收益的特征，也体现了黄金期货避险和保值的特点。通过分析显示市场的波动性与经济风险相关，黄金作为对冲市场和经济风险的作用不容忽视。 从DCC-GARCH模型的实证分析中，可以看出在样本时间段内，两个市场有一定程度的联动性，大体呈现动态正相关性，其相关性对外来冲击比较敏感，危机事件发生时两市场容易呈现较高的正相关水平。从整体来看，正相关系数呈现逐年走低的趋势，结合中国市场相关品种期货交易量不断走高来看，中国市场的自主定价权有所扩大。 上海黄金期货市场经历十多年的发展，已经逐步发展壮大且相关方面的政策规定得到不断完善，同时也实现了交易品种和交易方式的创新。自2013年起，上海期货交易所黄金期货合约实现突破性增长，市场进入发展成熟期，并成为仅次于纽约商品交易所的全球第二大数字化黄金期货市场。但是，在发展的过程中难免存在一些问题，中国的黄金期货市场较西方黄金期货市场起步较晚，目前仍在逐步探索，应该吸取建立股票市场时的教训，逐渐调整稳步发展，结合中国国情处理遇到的问题，不完全照搬西方国家市场的发展模式。5.2发展建议 针对我国黄金期货市场的具体情况提出以下建议。 第一，为加大黄金期货市场的深度和广度，可以增加市场参与者的数量和交易积极性。作为相对新兴的市场，投资者对其了解不多，市场上套期保值的参与者还很少，可以采取有效手段让更多的投资者了解这方面的内容，这样才能有助于形成理性投资的市场环境。还可以降低参与门槛，比如降低交易环节的税收和费用，或者引入境外交易者和境外经纪机构，这样期货市场套期保值及价格发现功能也能更好的发挥出来，进而增强我国黄金期货市场在国际黄金市场上的影响力。 第二，继续完善市场相关制度建设，加大创新力度。期货市场的革新要围绕市场功能的充分发挥，不断完善交易规则、业务规则和黄金期货合约。借鉴国际主要黄金市场经验，完善期金入库注册仓单金锭的鉴定、检查制度，建立黄金市场标准认定服务体系；合理布局黄金交割库，降低运输成本，完善黄金市场仓储运输服务体系；加强黄金账户服务，向市场提供快速、便捷、安全的黄金清算服务，完善黄金市场清算服务体系。 第三，以现货市场促进期货市场发展。期货市场的发展离不开现货市场的支撑，现货市场影响力的增强会对同一地区期货市场影响力起到促进作用。结合我国黄金现货交易市场的实际，继续推动黄金市场对外开放的进程，促进黄金现货市场健康发展。随着我国上海自贸区“黄金国际板”的上线运行，黄金现货交易的国际化步伐已迈出了关键的一步，这将对我国黄金期货市场的运行产生积极、持续的影响。5.3研究的局限性 本研究存在的局限性主要体现在以下几个方面： 第一，在数据方面只选取了上海黄金期货市场和纽约黄金期货市场，不够全面，对所选取的数据删除了非重叠项，所得出的结论可能不具有代表性。想要更加深入地研究国内黄金期货市场于国外期货市场之间地关系，可以考虑其他国际主要黄金期货市场，或者考虑影响我国黄金期货市场价格波动的其他因素，比如美元指数、通货膨胀、汇率等等。 第二，本文在研究期金市场波动性时，运用了GARCH（1,1）模型，拟合较为粗糙，可以对比分析运用不同的模型拟合市场波动性的效果，得到更加可靠的答案。虽然本文从不同角度研究黄金期货市场的波动性特征和相关市场关系，但是结论和研究方法不是很完整，在未来的研究中，应该继续发展理论和实证方面，得到对发展我国黄金期货市场更有意义的结论。参考文献季俊伟,傅强,王庆宇.黄金期货市场有效性与微观特征关系研究[J/OL].数理统计与管理:1-17[2019-05-18]./10.13860/ki.sltj.20190315-001.温博慧,陈杰.国内外黄金价格互动关系的分阶段实证研究——以中国上海和英国伦敦黄金市场为例[J].华北金融,2008(11):10-13.杜见喧,王静.国内外黄金期货价格关系的实证分析[J].商场现代化,2009(08):333.温博慧,罗正清.国内外黄金价格的波动性与互动关系研究[J].金融发展研究,2009(06):11-15.柴芳柔.世界黄金价格波动特征研究——基于半参数随机波动率模型[J].中国集体经济,2018(10):92-95.安铁雷,王喜明.中美黄金期货价格关联性研究——基于连续交易推出前后变化的比较分析[J].价格理论与实践,2017(08):104-107.刘金娥,高佳辉.投资者情绪与黄金期货价格动态关系研究[J].价格理论与实践,2017(09):80-83.袁文进.金融市场期货最优套期保值比率与合约数量研究——以黄金为例[J].纳税,2018(14):212.潘文荣,程旭,李忆.纽约黄金期货与A股黄金板块波动溢出效应研究[J].金融发展研究,2018(05):79-84.王媛.黄金行业套期保值应用[J].全国流通经济,2018(15):7-9.杨欣.中美股票市场和期货市场的溢出效应比较研究[J].福建金融,2018(06):26-33.黄健柏,黄婉军,郭尧琦.经济政策不确定性对黄金期货市场收益与波动影响的实证研究[J].财务与金融,2018(03):33-39.何镇宇,袁天昂.中国黄金期货市场价格波动风险度量分析[J].时代金融,2018(21):148-151.闫杰,姜忠鹤,卢小广.基于EGARCH-M模型的我国黄金期货价格波动性影响实证研究[J].宿州学院学报,2018,33(06):5-10.梁霞,邹琼.中国黄金投资市场的问题及发展建议[J].上海金融,2018(10):85-88.袁凤乔.我国大宗商品黄金定价权路径探索[J].汕头大学学报(人文社会科学版),2018,34(10):74-80+96.邹子昂,彭啸帆,皮俊.国际黄金现货市场的避险能力研究——基于DCC-GARCH模型[J].财经理论与实践,2018,39(06):44-50.张江涛.“西金东移”与中国黄金定价权战略[J].价格理论与实践,2016(12):123-126.皮俊.中国黄金金融化指数构建与应用研究[D].湖南大学,2017.杨坤,张庆,田玲.国内外黄金市场的关联性研究[J].商,2015(06):260-262.陈晓东.中国黄金期货市场波动特征及模型预测研究[J].数学的实践与认识,2015,45(19):40-49.李丽红.能源金融市场的风险传导机制研究[D].对外经济贸易大学,2015.Anonymous.ResearchandMarkets:GoldChemistry:ApplicationsandFutureDirectionsintheLifeSciences[J].M2Presswire,2009.StatisticalMechanics;ResearchersfromSouthChinaNormalUniversityDetailNewStudiesandFindingsintheAreaofStatisticalMechanics[ThefractalfeatureandpricetrendinthegoldfuturemarketattheShanghaiFuturesExchange(SFE)][J].Computers,Networks&Communications,2017.BinghuiWu,TingtingDuan.ThefractalfeatureandpricetrendinthegoldfuturemarketattheShanghaiFuturesExchange(SFE)[J].PhysicaA:StatisticalMechanicsanditsApplications,2016.Anonymous.GlitteringfutureaheadforChina'sgoldmarket-industryinsiders[J].Interfax:ChinaMining&MetalsNewswire,2010.Anonymous.SURVEY;GlitteringfutureaheadforChina'sgoldmarket-industryinsiders[J].Interfax:ChinaMiningandMetalsWeekly,2010.曾建华,王烨.我国黄金市场价格发现功能的实证研究[J].中国矿业大学学报(社会科学版),2007(01):58-64.张江涛.VIX指数与黄金期货价格关系实证分析[J].中国物价,2016(10):49-51.周苑.国内外黄金市场价格联动机制研究[D].浙江大学,2013.朱晓.上海与纽约黄金期货价格联动关系实证分析[J].沈阳农业大学学报(社会科学版),2014,16(01):19-22.杨胜刚,陈