温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
钢铁业
股指
涨跌
期货
成交量
预测
能力
研究
正根
061财经视界钢铁业 A 股指数涨跌幅对沪铜期货成交量预测能力研究文/蔡正根随着我国股票市场和期货市场的不断发展,跨市场的信息总结和预测能力愈发受到关注。运用VAR模型,研究钢铁业A股指数月涨跌幅对沪铜期货主力合约月成交量的预测能力,实证结果表明:涨跌幅对成交量的影响是显著的,存在预测能力。在特定情况下,股票市场相比期货市场可能更具有信息优势,这值得相关机构和投资者重视。1 引言对金融市场交易信息的预测一直是金融学研究的热门话题。文章利用VAR模型和脉冲响应、方差分解等方法对不同金融市场的金融资产交易信息进行研究,主要研究对象是钢铁业A股行业指数涨跌幅和沪铜期货主力合约成交量,分属于中国股票市场和期货市场。铜在世界各国及各领域都有较多的应用,其商品信息能够对宏观经济运行情况作出预测,被学术界称为“经济学博士”。这反映了铜产业与钢铁业一样,与经济运行之间具有紧密联系。又因为资产组合配置和风险传导机制等原因,期货市场和股票市场也具有一定的联系。按理论分析,期货市场是具有信息优势的,但由于股票行业以及期货合约之间的差异,导致不确定性增加。金融资产交易是信息的直接体现,那么股票市场相较于期货市场是否也具有信息优势,钢铁业A股行业指数涨跌幅对沪铜期货主力合约成交量是否存在预测能力,是本文的研究重点。与前人研究相比,本文的主要贡献点在于:一、运用VAR模型和脉冲响应、方差分解的方式研究股票市场的涨跌幅对期货市场的预测能力,排除了变量的自相关性以及变量之间的相互影响对实证结果的干扰。二、基于中国金融市场背景,选择钢铁业A股行业指数和沪铜期货主力合约作为研究对象,为前人研究金融资产的收益率与成交量之间的联系和潜在预测能力做了补充。2 文献综述金融市场的交易包含了大量的信息,不同金融市场之间的联系变得越来越紧密,这使得很多学者开始研究金融市场交易信息对某一金融资产未来情况的预测能力。关于金融资产的涨跌幅(收益率)和成交量之间的联系以及二者如何相互影响,具有预测的潜力,已有很多文献聚焦这方面的研究。张金清等(2021)运用VAR模型研究期权交易量对现货收益率的预测能力,结果表明当现货收益率波动性较低或市场处于上升阶段时,期权正向交易量对现货短期收益率存在预测能力 1。路冠平(2019)通过研究国内外黄金现货合约的价格关联情况得出国内黄金现货定价模式,结果表明Au(T+D)合约是现货黄金市场的定价合约,其价格领先其他国内现货合约 2。李潇俊和唐攀(2022)认为LSTM模型和GRU模型构建的混合循环神经网站模型能更有效地提取分析指标的数据特征,从而给出预测个股股价的最优网络结构3。王满和张苗苗(2022)基于LSTM模型、LASSO降维和混频模型,研究了高维情形下利用低频宏观经济变量预测高频股价4。徐程成(2020)认为精准预测股票价格在股票市场中的作用日益突出,无论是金融机构还是监管当局对此都给予了足够的重视5。张倩玉等(2021)利用注意力机制捕获输入特征参数的权重并结合门控循环单元(GRU)网络进行股票价格预测6。余郑华(2021)认为沪深股市的股价最常见的上涨动力在以下几个方面:趋势的正反馈,机构大户的操作动向,权值的保护7。鲁万波等(2022)使用VAR模型和机器学习模型研究投资者情绪指标对上证指数下行风险的影响和预测能力,结果表明,不同的投资者情绪指标对上证指数下行风险的影响方向不同,投资者情绪指标对上证指数下行风险具有一定的预测能力8。现有文献主要对上证50指数和期权、国内外黄金现货、宏观信息和股价等相关性程度非常高的金融市场交易信息进行信息整合,从而去研究之间的联系和预测能力。文中将以062财经视界前人的文献为基础,创新点在于以关联程度较小的钢铁业A股行业指数和沪铜期货作为研究对象,研究二者之间的联系及相互影响的情况和预测能力。3 研究设计3.1向量自回归模型(VAR)为了研究A股钢铁业涨跌幅对沪铜期货成交量的预测能力并且排除变量间相互影响以及自相关性的干扰,文章构建了钢铁业A股行业指数涨跌幅和沪铜期货主力合约成交量的VAR模型进行实证分析。VAR模型数学表达式为:(1)其中,yt是m维内生变量;xt是d维外生变量;A1Ap和B1Br是待估计的参数矩阵;内生变量和外生变量分别有p和r阶滞后期;t是随机扰动项。3.2数据说明笔者选择钢铁业A股行业指数与沪铜期货作为研究对象,钢铁业行业指数参照申万一级行业分类,沪铜期货以上海期货交易所公布的信息为准。样本数据时间跨度为2012年1月至2022年7月,选取钢铁业行业指数的月度涨跌幅和沪铜期货主力合约月度成交量进行分析。钢铁业A股行业指数由44家钢铁业上市公司的股票数据编制而成,文中选取指数涨跌幅的月度数据用作研究,数据来源于Wind数据库。沪铜期货数据由上海期货交易所对外提供,笔者选取沪铜期货主力合约成交量的月度数据用作研究。3.3变量构建及描述性统计分析笔者根据所研究的问题来构建两个变量,钢铁行业A股行业指数的月度涨跌幅和沪铜期货主力合约的月度成交量。其中,沪铜期货的成交量较大,文中对该数据进行了对数化处理,处理后数据的尖峰厚尾现象得到了一定的改善,数据也变得稳定。与正态分布相比,从偏度和峰度值来看,涨跌幅和交易量均存在尖峰厚尾特征。4 实证分析及结果4.1单位根检验由于时间序列的数据有一定概率存在随时间共同变化的趋势,这会导致本不存在因果关系的变量在统计结果上出现较高的相关性。为了避免这种情况的发生,笔者在构建模型前对数据进行平稳性检验。文中运用了单位根检验的方法来检验数据的平稳性,具体是使用Stata软件对数据进行pp检验。表1 单位根检验结果汇总表变量Z(t)值P值临界值(1%)结论涨跌幅-9.0530.0000-3.501平稳成交量-5.0520.0000-3.501平稳Ln(成交量)-3.7810.0031-3.501平稳根据表1可知,笔者对三组数据进行了pp检验发现这些数据均在1%的显著性水平拒绝了存在单位根的原假设。这说明钢铁业A股行业指数月度涨跌幅数据和对数化处理后的沪铜期货主力合约月度成交量数据均平稳,可以直接对两组数据进行建模分析。4.2模型的建立4.2.1最大滞后阶数的选择建立VAR模型之前需要确定模型的滞后阶数,常见的标准有LR、AIC、HQIC、SBIC准则,采用不同的标准最终确定的滞后阶数可能不同,综合考虑模型的稳健性以及自由度和HQIC准则确定最优滞后阶数为2。4.3相关分析4.3.1格兰杰因果检验如果要进一步确定变量之间的因果关系,则需要进行格兰杰因果检验。表2 格兰杰因果检验结果汇总表被解释变量解释变量卡方统计量自由度P值Ln(成交量)涨跌幅7.023920.030Ln(成交量)ALL7.023920.030涨跌幅Ln(成交量)1.042220.594涨跌幅ALL1.042220.594文章通过对钢铁业A股行业指数月度涨跌幅数据和沪铜期货主力合约月度成交量进行格兰杰因果检验,结果如表2所示,涨跌幅的滞后期数据对成交量具有显著的影响,这说明在本文选定的数据区间内钢铁业A股行业指数月度涨跌幅数据对沪铜期货主力合约月成交量具有预测能力。涨跌幅是成交量的格兰杰原因。4.3.2脉冲响应分析图1 脉冲响应分析结果图脉冲响应分析主要是研究某一变量的扰动项当期的冲击对模型中其他变量当期及滞后期的影响。本文在构建VAR模型的基础上,对沪铜期货主力合约月成交量和钢铁业A股行业指063财经视界数月涨跌幅进行脉冲响应分析并绘制脉冲响应图,以便更加直观地展示涨跌幅的冲击对成交量的影响。通过脉冲响应图(图1)可以发现沪铜期货主力合约月成交量在受到钢铁业A股行业指数月涨跌幅的冲击后开始波动,随着时间的推移逐渐趋向于零轴,且始终在95%的置信区间内,说明钢铁业A股行业指数月涨跌幅的冲击对沪铜期货主力合约月成交量的影响是显著的。4.3.3方差分解分析方差分解分析主要是研究模型中的变量之间相互冲击的贡献程度,本文根据脉冲响应的结果做出经对数化处理后的沪铜期货主力合约月成交量的方差分解。表3 Ln(成交量)的方差分解滞后期标准差Ln(成交量)涨跌幅10.355543100.00000.00000020.41976598.675801.32420030.46932598.337931.662069150.58425398.002881.997120160.58493398.001471.998526170.58543098.000451.999552180.58579497.999702.000302190.58606197.999152.000851200.58625697.998752.001252根据表3可知,对于经对数化处理后的沪铜期货主力合约月成交量的变动,从第1期到第20期,有97.99%均是由自身的变动以及自身滞后期数据来解释;第2期开始,便受到来自钢铁业A股行业指数月涨跌幅的冲击,随后呈现逐步增强的趋势,到第18期开始稳定于2%左右。这说明钢铁业A股行业指数月涨跌幅对沪铜期货主力合约月成交量具有一定的解释能力。4.4实证结果Var模型如下:(2)表示沪铜期货主力合约成交量,表示钢铁业A股行业指数月涨跌幅。文章通过构建稳定的VAR模型并进行格兰杰因果检验、脉冲响应和方差分解分析,实证结果表明钢铁业A股行业指数月涨跌幅是沪铜期货主力合约月成交量的格兰杰原因,涨跌幅的滞后期数据对预测成交量的未来数据有帮助,并通过脉冲响应和方差分解量化了其中的影响程度,即证明涨跌幅对成交量存在预测能力。5建议笔者基于研究过程和结论提出一些建议:一、金融市场投/作者简介/蔡正根,青海民族大学,研究方向:证券市场。参考文献:1张金清,何菁,展一帆.期权交易量对现货收益率预测能力的研究J.投资研究,2021(02):92-108.2路冠平.基于VAR和价格溢出模型的黄金现货市场高频关联性研究J.上海金融,2019(12):39-45.3李潇俊,唐攀.基于技术分析、基本面分析和深度学习的股价预测J.统计与决策,2022(02):146-150.4王满,张苗苗.考虑高维宏观信息的波动率与股票价格预测J/OL.统计与决策,2022(20):138-143.5徐程成.股票价格预测方法综述J.中国市场,2020(09):42-43+68.6张倩玉,严冬梅,韩佳彤.结合深度学习和分解算法的股票价格预测研究J.计算机工程与应用,2021(05):56-64.7余郑华.股价上涨的常见动力J.财富时代,2021(04):7.8鲁万波,张萌,郑天照.股票评论信息能够预测股票市场的下行风险吗J.统计与信息论坛,2022(08):53-66.资者可以结合不同市场的相关信息进行分析,以便于做出更优的投资决策;二、中国股票市场和期货市场应进一步加强信息流动的合作,做到优势互补,共同促进金融市场持续向好发展;三、政策制定者在做决策时应统筹考虑不同金融市场的具体情况,从更加全面完善的角度看待问题,提高政策的有效性。6结论笔者通过对钢铁业A股行业指数月涨跌幅和沪铜期货主力合约月成交量建立VAR模型,以研究涨跌幅对成交量的预测能力。在实证过程中,首先,对沪铜期货主力合约月成交量数据进行对数化处理,随后,进行两组数据的描述性分析和平稳性检验。使用平稳的数据构建VAR模型后进行模型的稳定性检验,在VAR模型的基础上对两个变量进行格兰杰因果检验、脉冲响应、方差分解来进行分析。根据分析结果,笔者认为钢铁业A股行业指数月涨跌幅是沪铜期货主力合约月成交量的格兰杰原因,涨跌幅对成交量具有显著的影响,并且存在预测能力。钢铁业A股行业指数涨跌幅滞后期数据对预测沪铜期货主力合约月成交量未来的值有一定的帮助,涨跌幅的变动会引起成交量反方向的变动,影响程度为2%左右。也证明了在某些特定情况下,股票市场比期货市场更具有信息优势。相较于期货市场,股票市场涉及面更广,其交易信息可以反映到未来的期货市场上,影响期货市场的交易结果。