Professional Documents
Culture Documents
net
中国大宗商品市场与股票市场的联动性分析
熊正德 李超楠
(湖南大学工商管理学院,湖南省、长沙市,410082)
1.引言
自 2000 年以来,商品投资的流入开始以前所未有的速度增长,据报道已从 2003 年的
[1]
150 亿美元增加到 2009 年的 2500 亿美元(Irwin 和 Sanders,2011) ,Domanski 和 Heath
[2]
(2007)将此称为商品期货市场的“金融化” 。Tang 和 Xiong(2012)发现,自 2000 年
以来,商品指数投资的快速增长使美国非能源商品期货的价格与石油价格之间的联系越来越
紧密,并将其与外部金融市场联系起来,促成了商品市场的金融化进程。商品金融化使单个
商品的价格不再仅由其供求关系决定,还取决于投资者对金融资产的总体风险偏好和多样化
的投资行为,并认为只要商品指数投资在金融投资者中仍然很受欢迎,金融化过程就可能一
[3]
直持续下去 。
随着大宗商品金融化程度不断加深,大宗商品的价格与股票价格之间的联系越来越紧
密。钟腾和汤珂(2015)使用 2003 年 6 月至 2014 年 12 月中国股票和商品期货数据,研究
发现,中国商品期货回报率与股票回报率高度正相关,意味着商品期货分散股票组合风险的
[4]
能力较弱 。Öztek 和 Öcal(2017)使用农产品指数、贵金属指数和标普 500 指数分析了商
品市场与股票市场之间的时变相关性,发现农产品与股票的相关性不大,但在 2008 年金融
[5]
危机期间相关性在不断增加 。许祥云等(2018)选取 RJ/CRB 指数以及布伦特原油、铜、
铝、铅、锌、镍和黄金、白银等 8 种商品期货价格分析了中美金融市场对大宗商品市场的影
响,发现金融危机前,中国股票市场对所有大宗商品均无显著影响,而在金融危机后,除黄
[6]
金之外,中国股票市场对所有商品均有显著的正向影响 。
在有效估计金融资产之间条件相关性的模型中,多元 GARCH 类模型是目前比较流行的。
但在多变量 GARCH 情况下,需要估计的参数数量较大,且随着资产数量的增加呈指数增长。
[7]
为了更好地捕捉金融市场之间信息的传递,Bollerslev(1990) 引入了常数条件相关 GARCH
模型,即 CCC-GARCH 模型,该模型具有时变的条件方差和协方差,并假设所有变量的条件相
关性是不变的常数,这种结构极大地简化了估计过程。然而,由于金融市场本身的复杂性,
资产之间的条件相关性通常是随着时间的推移而变动的,无法确保 CCC-GARCH 模型的假设成
[8]
立。为了解决多元 GARCH 的增维问题和 CCC-GARCH 模型的常相关问题,Engle(2002) 引入
了更具灵活性的动态条件相关 GARCH 模型,即 DCC-GARCH 模型。一方面,该模型放宽了
CCC-GARCH 模型需要的常相关假设,允许时变相关。另一方面,在 DCC-GARCH 模型中,需要
-1-
http://www.sinoss.net
2.研究方法
DCC-GARCH 模型假设 k 种资产的收益率向量 是有条件的多变量正态分布,其
均值为 0,协方差矩阵为 。一般形式的 DCC-GARCH 模型可表达如下:
(1)
(2)
(3)
(4)
(5)
-2-
http://www.sinoss.net
(6)
DCC-GARCH 模型可以使用两阶段准极大似然法进行估计。
第一阶段,先对每项资产的收益率时间序列建立均值方程,构建单变量 GARCH 模型,
得到各个变量的标准化残差序列。单变量 GARCH 模型的参数方程的表达式为:
在实证中,对于单变量 GARCH 模型的选择,通常使用最多的 GARCH(1,1)模型,
GARCH(1,1)模型已经能够很好地拟合金融资产的收益率波动特征,而且能够体现模型构建的
[11]
简约性 。
通过使用极大似然估计方法,每个单变量 GARCH 模型的参数 被分解成了两个部分:
, ,分别表示第k种资产收益率序
列的单变量过程估计参数。其中,似然函数的表达式为:
(7)
在第二阶段,直接利用第一阶段产生的标准化残差结果,继续采用与第一阶段相同的
极大似然估计法估计 DCC 模型的系数 和 ,计算动态相关系数。用 表示第一阶段估计单变
量 GARCH 模型得到的参数估计值,用 表示 DCC 模型的待估参数,则这阶段的极大似然函数
可简化成:
(8)
3.数据选取和处理
3.1 大宗商品数据选取
大宗商品的双重属性使大宗商品期货市场自建立时起便自带着价格发现功能,而且,
每种大宗商品期货均为以其本身为基础的标准化合约,可以有效削减商品异质性的影响,因
[12]
此,大宗商品期货数据适合作为间接反映大宗商品市场变化的数据来源 。因此,本文在实
证研究中将从大宗商品期货市场上选择合适的期货作为研究指标,具体计量数据从综合指
数、具体期货两个层面选择。
南华商品期货综合指数自 2008 年首次公布到现在,已运行数十年,实际结果证明,南
华商品指数具有很强的表征作用,特别是在揭示经济运行的转折点时,它通常领先于生产者
物价指数(PPI),可以用作 PPI 的先行指标,为宏观经济提供早期预警信号。因此,从整体
上看,该指数可以作为反映中国大宗商品市场整体运行情况的重要指标。
为了进一步探究大宗商品市场与股票市场的联动关系,在选择了描述大宗商品市场整
体概况的综合指数后,考虑使用具体商品期货数据。虽然我国大宗商品品种丰富,门类繁多,
但大体上可被归为能源、金融以及农产品三个类别。在能源类商品选择方面,天然橡胶期货
于 1999 年 12 月 26 日在上海期货交易所上市交易,目前天然橡胶在期货市场已经成为一个
-3-
http://www.sinoss.net
成熟的品种,根据上海期货交易所公布数据,2018 年天然橡胶期货累计单边成交量为
6184.55 万手,累计成交金额达 14.73 万亿元,成交规模稳居全球天然橡胶期货市场第一。
因此,可以合理选用天然橡胶期货代表我国能源类商品。
在金属类商品选择方面,金属是基础建设的重要支撑材料,目前中国是全球最大的精
炼铜生产、消费和进口国,据中国有色金属工业协会和中国海关统计,2019 年我国精炼铜
生产 978.4 万吨,全球占比 41.24%,消费 1208.0 万吨,全球占比 50.72%,净进口 323.4
万吨,均居世界首位。铜期货市场历史悠久,于 1992 年就开始在上海期货交易所上市交易,
运行平稳,在管理风险、发现价格和配置资源等方面发挥了重要的市场功能,“上海价格”
和“伦敦价格”相互引导,上期所已成为国际铜行业公认的全球三大铜定价中心之一。故而,
本文选择铜期货作为金属类商品的代表。
在农产品类商品选择方面,与大部分文献一致,采用黄大豆一号期货作为代表。黄大
豆期货是最早上市交易的农产品,1993 年就在大连商品交易所挂牌交易,因政策调整,又
于 2002 年 3 月 15 日推出了以非转基因大豆为标的的黄大豆一号合约,黄大豆一号期货交易
手数也位列全球农产品类衍生品前 20 位,中国大豆贸易总量占全球 65%,也位于世界第一,
在贸易摩擦等背景下,大豆也多次被推到风口浪尖,因此大豆可能是一个比较引人关注的研
究点。
3.2 股票数据选取
在股票数据的选取方面,本文还选用了沪深 300 指数作为国内股票市场的代表,沪深
300 指数正式发布于 2005 年 4 月 8 日,由沪深证券交易所联合发布,用以反映中国 A 股市
场整体走势的指数。沪深 300 指数样本既包含沪交所数据,又包含在深交所上市的公司数据,
覆盖了沪深市场六成左右的市值,具备较好的市场代表性,可以从整体上反映中国证券市场
股票价格变动的概貌和运行状况。此外,为了与国内股票市场的研究结果进行比较,本文还
选用美国标准普尔 500 指数(英文缩写为 S&P500Index)代表国外股票市场。标准普尔 500
指数是由标准普尔公司于 1957 年发布的一个指数,涵盖了美国 500 家上市公司,历史悠久。
该指数是根据纽约证券交易所上市股票的绝大多数普通股票的价格计算而得,能够灵活地对
认购新股权、股份分红和股票分割等引起的价格变动做出调节,指数数值较精确,并且具有
很好的连续性,所以具有很大的代表性。
3.3 数据处理
本文数据来源于同花顺金融数据终端,所有变量均采用收盘价,其中三种具体大宗商
品期货使用连续合约收盘价,数据频率均为日度数据。此外,选择样本周期为 2004 年 6 月
1 日至 2020 年 12 月 31 日,原因有二:一是南华商品期货综合指数能追溯到的最早日期就
是 2004 年 6 月 1 日;二是此数据区间涵盖了 2004 年之后的指数投资大量流入商品市场的商
品金融化开端、2008 年的全球金融危机以及近年来的中美贸易摩擦等对金融市场影响重大
的经济事件,包含了完整的经济周期,可以使研究结论更加全面客观,在一定程度上避免了
只单独研究经济上行期或经济下行期带来的偏误。
最后,为了消除量纲不同的影响,减少数据的异方差性,本文使用每个变量的对数差
分收益率,用来替代原始价格收益率。由于经过取对数再差分之后的数据较小,为提高精度,
在当期价格和上一期价格对数之差的基础上扩大一百倍。记变量 i 在 t 时刻的价格为 ,则
对应的收益率 的计算公式可表示如下:
-4-
http://www.sinoss.net
(9)
其中,i=1,2,3,4,5,6,分别表示本文所选的六种资产即南华商品、铜、天然橡
胶、大豆、标普 500 指数和沪深 300 指数,为了下文研究方便,本文用英文字母组合对各收
益率序列变量的名称进行了简化,变量的含义如表 1 所示。
表 1 变量含义
变量简称 符号 具体含义
南华商品 RNHCI 南华商品期货综合指数收益率序列
铜 RCU 铜期货收益率序列
天然橡胶 RRU 天然橡胶收益率序列
大豆 RA 豆一期货收益率序列
标普 500 RSP500 标普 500 指数收益率序列
沪深 300 RHS300 沪深 300 指收益率序列
首先,使用 EViews8.0 对处理后得到的各变量的收益率序列进行基本的描述性统计分
析,结果详见表 2。
表 2 描述性统计结果
变量 南华商品 铜 天然橡胶 大豆 沪深 300 标普 500
均值 0.0130 0.0193 -0.0044 0.0146 0.0335 0.0313
中位数 0.0238 0.0393 0.0000 0.0000 0.0743 0.0774
最大值 4.2684 10.2981 19.5712 13.3464 8.9310 10.9572
最小值 -5.6509 -8.0742 -19.8759 -17.7701 -13.0116 -13.7989
标准差 0.9481 1.4826 1.9103 1.3417 1.7487 1.2793
偏度 -0.2968 -0.2573 -0.0748 -0.6769 -0.5290 -0.7299
峰度 5.1032 6.6987 13.1872 22.9763 7.6185 19.1636
J-B 统计量 763 2227 16574 64008 3585 42055
P值 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
从数据的基本描述性统计结果来看,南华商品指数与三种具体大宗商品的收益率均值
与中美股票均值并无较大差距,各变量收益率序列的均值都比较小,除天然橡胶收益率序列
的均值为负值之外,其他变量均为接近于 0 的正数。相比之下,各变量的标准差则较大,除
南华商品指数之外,其余变量的标准差均大于 1,可见市场中存在一定的波动性,其中天然
橡胶的标准差最大,说明其价格波动相对比较剧烈。从偏度和峰度来看,各收益率序列的偏
度均为负数,呈左偏分布,峰度值均大于 3,存在超峰现象,符合金融数据尖峰厚尾的特征。
最后的 J-B 统计量为 Jarque-Bera 正态性检验统计量,可以看到 P 值均远小于 0.01,拒绝
原假设,说明各收益率序列均不服从正态分布。
通常,在经济计量中使用相关模型对数据进行建模分析时,需要数据满足平稳性的要
求,否则会出现伪回归。为了检验各种资产收益率数据的平稳性,本文采用 ADF 单位根对数
据进行了单位根检验,结果如表 3
表 3 平稳性检验
模型类型 ADF 检验 t 统计量 P值 平稳性
intercept -64.2619 0.0001 平稳
南华商品 trend and intercept -64.2542 0.0000 平稳
none -64.2583 0.0001 平稳
intercept -32.7934 0.0001 平稳
铜 trend and intercept -32.8020 0.0000 平稳
none -32.7868 0.0001 平稳
intercept -61.8880 0.0000 平稳
天然橡胶
trend and intercept -61.8837 0.0000 平稳
-5-
http://www.sinoss.net
4.实证分析
4.1 均值模型的建立
在建立各单变量的 GARCH 模型之前,首先需要确定各变量收益率序列的均值模型的具
体形式。在实际经济问题中,由于经济时间序列变量固有的惯性,会导致样本序列出现自相
关的现象。因此,在建立均值模型之前,对各收益率序列进行了自相关检验,部分Q统计量
及其对应的 P 值如表 4 所示。
表 4 收益率序列的自相关检验
变量 Q(5) P值 Q(10) P值
南华商品 18.3020 0.0030 40.7760 0.0000
铜 26.0660 0.0000 45.0360 0.0000
天然橡胶 24.0460 0.0000 41.6370 0.0000
大豆 50.6930 0.0000 56.3180 0.0000
沪深 300 20.4560 0.0010 35.2050 0.0000
标普 500 66.6210 0.0000 93.9740 0.0000
根据各个变量收益率序列自相关检验的结果可知,大宗商品市场与股票市场上的六种
资产的收益率序列均存在一定程度的自相关性,因此均值模型适合采用 ARMA(p,q)模型的形
式。为了赋予每个变量较为适宜形式的均值模型形式,本文首先依据各变量的自相关图和偏
相关图来估计 p、q 的范围,然后依次使用不同滞后阶数反复进行试验,最终根据每种系数
对应的t统计值和相应p值的显著性,并同时参考 AIC 值、模型拟合优度等因素来确定各变
量 ARMA(p,q)模型的最佳阶数。利用 Eviews 经过多次实证估计比较,各变量建立的均值方
程形式分别为:南华商品期货综合指数序列使用 ARMA(2,1)、铜期货序列使用 ARMA (2,2)、
天然橡胶期货指数序列使用 ARMA(3,3)、大豆期货序列使用 AR(1)、标普 500 指数序列使用
AR(1)、沪深 300 指数序列使用 ARMA(1,1)。
对上述建立完的 6 个均值模型的残差序列分别进行自相关检验,根据部分 Q 统计量,
相对应的 P 值很大而不能拒绝原假设,表示各序列不存在自相关现象,建立的均值方程具有
较好的拟合效果。
由于 GARCH 模型的建立需要数据具有一定的 ARCH 效应,在均值模型建立好之后,利用
ARCH-LM 检验即拉格朗日乘数检验的方法,继续分别对各模型的残差序列进行 ARCH 效应检
-6-
http://www.sinoss.net
-7-
http://www.sinoss.net
图 1 与图 2 分别是南华商品与国内外股票指数之间的动态相关系数图。首先,由图可
-8-
http://www.sinoss.net
-9-
其次,针对能源类大宗商品与国内外股票之间的联动性,图 5 与图 6 别展示了天然橡胶
与沪深 300 指数和标普 500 指数动态相关系数的走势。就与国内股票市场而言,由图 5 可知,
它们之间具有明显的时变性,且仔细对比后发现,天然橡胶与国内股票市场的时变相关特征,
与金属类大宗商品相似,基本上与整体大宗商品市场即大宗商品指数的多段循环“V”字走
势一致。然而,同一时期内,天然橡胶与标普 500 指数之间的动态相关系数的波动则是不同
的。由图 6 可以看到,抛去 2008 出现的断崖式下降,其余绝大多数时间内都在 0.1 上下波
动,可以认为,正常运行情况下,天然橡胶与国外股票市场存在较为稳定的正相关关系。需
要注意的是,2008 年昙花一现的异常现象,主要是由于全球金融危机导 致,并不会对天
然橡胶与国外股票市场的整体上的时变相关特征产生影响,这里对比其他具体类型的大宗商
品,之所以天然橡胶异变明显,可能是与商品本身的异质性相关。
最后,针对农产品类大宗商品与国内外股票之间的联动性。图 7 与图 8 分别为大豆与
沪深 300 指数和标普 500 指数的动态相关系数图。由图可知,农产品与国内外股票市场之间
的相关性随时间推移变化地较为平缓。大豆与沪深 300 指数和标普 500 指数的动态相关系数
走势基本平稳,总体上分别在均值 0.04 和 0.01 处上下波动,除了在外部经济环境不稳定时,
没有出现强烈的波动,大部分时期都在零值以上,可以看出农产品商品市场与国内外股票市
场之间具有一定的正相关性,但总体上时变联动性不如大宗商品整体市场表现突出, 这可能
[14]
与中国农业领域国际化程度较低的事实相关 。
5. 结论
本文采用 DCC-GARCH 模型研究了 2004 年 6 月至 2020 年 12 月中国大宗商品期货市场与
股票市场的联动关系,主要结论包括:(1)不管从综合指数层面还是具体类别商品层面,
实证结果均表明了中国大宗商品市场与股票市场之间存在显著的时变联动性,正常状态下呈
正相关,并且中国大宗商品市场与国内股票市场的联动性要明显大于国外股票市场。(2)
平均而言,在三种具体类别商品中,铜与沪深 300 指数、标普 500 指数的动态相关系数最大,
天然橡胶次之,大豆最小,说明中国大宗商品市场与股票市场的联动性出现了显著的分层化,
- 11 -
http://www.sinoss.net
大宗商品金融化程度存在不一致性,即金融类商品的金融化较高,能源类商品的金融化次之,
农产品类商品的金融化程度最低,可以考虑在投资组合中配置不同的商品组合以减少风险。
(3)金融危机后部分商品市场与股票市场的联动性大于金融危机前,当金融市场突发重大
影响事件时,大宗商品市场与股票市场的联动性会增强,不仅相关系数强度会出现大幅波动,
方向也会迅速改变。
参考文献
[2]Domanski D, Heath A. Financial investors and commodity markets[J]. BIS quarterly review,
March, 2007. (March), p: 53 –67.
[3]Tang K, Xiong W. Index investment and the financialization of commodities[J]. Financial Anal
ysts Journal, 2012, 68(6): 54-74.
[4]钟腾,汤珂.中国商品期货投资属性研究[J].金融研究,2016(04):128-143.
[5]Öztek M F, Öcal N. Financial crises and the nature of correlation between commodity and s
tock markets[J]. International Review of Economics & Finance, 2017, 48: 56-68.
[6]许祥云,余聪,李立恒.中国金融市场波动如何影响国际大宗商品价格[J].金融学季刊,2018,12(04):146-1
74.
[10]Akkoc U, Civcir I. Dynamic linkages between strategic commodities and stock market in Tur
key: Evidence from SVAR-DCC-GARCH model[J]. Resources Policy, 2019, 62: 231-239.
[12]韩恒怡. 大宗商品金融化背景下国内外股市对我国大宗商品市场的溢出效应研究[D].南京大学,2018.
- 12 -
http://www.sinoss.net
Abstract: To investigate the dynamic linkage change among the commodity market and the stock
market, this paper uses the DCC-GARCH model, selects the sample data from June 1, 2004 to
December 31, 2020.The results show that there is a significant correlation between the returns of
Chinese commodity market and stock market, and the correlation is time-varying significantly, which
normally has a positive correlation.The correlation between Chinese commodity market and stock
market shows an inverted "pyramid" type, with financial commodities at the top, energy commodities in
the middle, and agricultural commodities at the bottom.When a major impact event occurs in the
financial market, the strength and direction of the linkage between the commodity market and the stock
market will change rapidly. After the occurrence of the financial crisis, the linkage between some
commodity markets and the stock market is greater than that before the financial crisis.
- 13 -