流动性过剩对期货市场影响的实证研究

赵伟雄，何建敏，沈 虹

（东南大学 经济管理学院，南京 210096）

0 引言

随着2008年美国次级债危机的全面爆发，越来越多的学者开始关注之前的全球流动性过剩与此次全球金融风暴爆发的之间的关系。从广义上说，流动性过剩一般被理解为货币或信贷的过剩。当货币的供应超出了生产与流通领域的货币回笼能力时，市场热钱、游资增多，宏观经济出现流动性过剩现象。

国内现有的研究成果主要集中在市场内生流动性方面，王春峰、韩冬和蒋祥林(2002)对内生流动性与资产定价关系进行研究，随后，吴文锋、茵萌、陈工孟(2003)、李一红、吴世农(2005)以及苏冬蔚、麦元勋(2004)等学者用不尽相同的方法对我国股市的“非流动性溢性"现象进行研究，基本上证实了我国股市存在显著的非流动性溢价现象。关于外生流动性过剩（即货币或信贷的过剩）与我国资产价格关系的研究成果比较少，缺乏系统的量化分析。本文采用货币供应量M2的同比增长率作为衡量流动性的指标，从微观和宏观两个角度分别研究货币增长对我国期货市场收益波动的影响，为论证流动性过剩对我国资产价格的影响提供有力证据。

1 模型建立

1.1 数据的选取与分析

我们收集了从2000年1月4日至2008年12月31日期间上海期货交易所金属铜和天然橡胶期货合约日数据。选择铜和橡胶作为研究对象是因为这两个期货品种具有代表性，铜是相对成熟的期货品种，而橡胶相对活跃，能有效反映期货市场的整体特征。由于每个期货合约都将在一定时间到期，因此为了得到一个连续的期货价格序列，本文在选取数据时以成交量为衡量指标，提取当月的主力合约，从而产生一个连续期货数据。

为方便数据处理,本文将期货价格收益rt定义为 rt=100×ln(Ft/Ft-1)，Ft为 连 续 期 货合约第t日的收盘价格。这里,首先要对样本进行统计检验,样本收益的统计结果见表1。

表1 铜和橡胶期货价格收益序列基本统计特征

由表1可知,铜、橡胶价格收益序列拒绝正态分布假设,且各品种的收益序列均具有尖峰厚尾特性。同时,由Q2(20)统计量可知,它们具有条件异方差性。D-W统计量接近2,这意味着收益率序列的一阶自相关性较弱。

1.2 加入流动性指标的GARCH-GED模型

货币供应量M2涵盖了流通中现金、支票存款以及储蓄存款三大部分，M2的增长不仅反映了现实的购买力，还反映了潜在的购买力，能够预见投资和中间市场的活跃程度，是当前使用最普遍的衡量流动性过剩的货币指标之一。因此本文选取同期货币供应量M2的同比增长率 (下仍简称为M2)作为流动性参考指标 (月度数据由中国人民银行网站提供)，来反映某一时期货币供应量的宽裕程度，这里引入虚拟变量D，满足：

其中，M2代表广义货币供应量月度同比增长率，C称为门限值，衡量流动性过剩以门限值为限，高于C的月份认为货币供应量增长过速，导致流动性过剩，对应D的取值为1；低于C的月份可看作流动性正常，没有过量的货币进入或待进入流通领域，D取值为0。这里取C为2000～2008年期间M2的平均值。

为了更好地捕获条件异方差性,本文选取GARCH(1,1)-GED模型，并在均值方程中加入时变方差，观察方差对收益的影响。根据表1的分析结果，均值方程中不考虑自回归项，同时在GARCH 方程中引入流动性虚拟变量D，于是得到含有流动性指标的均值GARCH(1,1)-GED方程如下：

其中 Γ(·)为 Garmma 函数，λ=[2（-2/v）Γ（1/v）/Γ(3/v)]1/2，λ 为尾部厚度参数,当v＜2时，GED为厚尾分布，当 v＞2时，GED呈现瘦尾性，当时，GED退化为正态分布。D为流动性虚拟变量，α为滞后参数，β为方差参数，μ，ω，λ，γ均为待估计参数。下面对模型参数进行估计。

2 实证分析

2.1 参数估计

本文用EViews5.0软件对模型(2)-(4)进行数据分析，其结果如表2、表3所示。

由表 2、表 3的结果，α、β 值均大于0，且 α+β 的值接近于1，这说明收益波动具有平稳性和持续性；由D-W检验值接近2可知，残差的自相关性很弱，说明该模型与数据的拟合程度较高。根据参数估计结果，可以得到以下结论：

表2 铜价格收益均值GARCH(1,1)-GED参数估计结果

表3 橡胶价格收益均值GARCH(1,1)-GED参数估计结果

图1 期货收益波动低频趋势与增长趋势图

首先，期铜均值方程中参数λ在1%的显著性水平下显著不为0，且λ=0.165＞0，这说明波动带来收益的增加，即验证了高风险带来高收益的论断。在5%的显著性水平下，期铜的参数γ=0.011显著不为0，这表明流动性指标对期铜收益率的波动影响是存在的，并且由γ＞0可知，当货币供应增长大于门限值时，会加剧期铜收益波动。

其次，橡胶的流动性参数γ在1%的显著性水平下显著不为0，且γ=0.129，远大于铜的该参数估计值，说明流动性指标对橡胶收益的波动显著，远大于对期铜的影响。当货币供应增长较快时，会有大量热钱涌入橡胶期货市场，加剧该市场的波动，这一结果与现实期货市场的现象相稳合，验证了天然橡胶期货品种是目前上海期货交易所投机性最强的投资品种之一。

2.2 小波分解

模型 (2)-(4)的参数估计表明引入的流动性虚拟变量D对期货市场价格波动的影响是显著的。为进一步论证货币增长对期货市场的影响，本文采用多尺度小波分析理论，首先将模型(2)-(4)式估计得到的价格波动序列{σt}运用利用db(4)小波进行分解，以提取反映数据长期趋势的低频数据。在小波分解下，不同的尺度具有不同的时间和频率分辨率，因而小波分解能将序列的不同频率成份分解出来，用公式可表示为：

f=f6+d6+d5+d4+d3+d2+d1(6)

其中f6为经过db(4)小波六层分解后原始数据的低频逼近，反映了价格波动率的长期趋势图，d1-d6为小波分解提取的高频部分，反映了价格波动的短期变化，且随着尺度的增加，原始数据的细节部分被不断的剔除，逐步反映出数据的长期趋势。

由于原始序列是日数据，经过六层分解，得到的低频数据f6（共得到38个低频数据）反映了收益波动的季度(26=64天，约为三个月的交易数据)变化趋势，与同期M2季度同期增长率（共36个季度数据，由中国人民银行网站提供）进行比较，从而进一步分析货币供应量对期货市场收益波动的影响。其对比图形如图1所示。

图1分别给出了铜和橡胶期货收益波动序列经db(4)小波分解后得到的低频趋势图，它们反映了各期货收益波动的长期趋势；第三幅图形描绘了同期我国广义货币供应量M2的同比增长率。从图形的对比上可以发现，当M2有较大幅度增长时，铜和橡胶的收益波动也会出现相似的波动，且波动相对滞后。

此外，两期货价格波动在2008年下半年均出现了巨大的波动，这一波动产生的原因很明显，源于美国的次级债危机引发的全球金融风暴，导致各国证券、期货市场产生剧烈震荡。由于这一时期的期货价格波动受全球因素影响很大，足以抵消货币增长对其产生的影响，因此，在下面的因果关系检验中把这一时段的数据剔除。

为进一步论证货币增长与各期货收益波动的因果关系，下面针对铜和橡胶收益波动的低频数据和M2同比增长率的季度数据进行Granger因果关系检验。为叙述方面，以上数据分别用{σCu}、{σRu}和{M2}来表示，首先对数据的平稳性进行检验。

结果表明5%的显著性水平下，σCu和M2均为平稳序列，σRu没有通过单位根检验，但其一阶差分在1%的显著性水平下平稳， 因此这里选用△σRu代替 σRu进行下面的Granger因果关系检验，其检验结果如表4所示：

表4 期货收益波动与M2的因果关系检验

这里以AIC和SC取值最小为衡量标准，铜收益波动与M2因果关系检验时选择滞后期二期，在5%的显著性水平下，M2不是σcu的Granger原因遭拒绝，说明M2对铜期货收益波动具有单向滞后引导作用。由于橡胶收益波动序列非平稳，故采用其一阶差分平稳序列进行检验，选择的滞后期为一期，在5%的显著性水平下，M2不是△σRu的Granger原因遭拒绝，此结果说明M2对橡胶收益波动变化具有一期滞后单向引导作用，同时，由滞后期的选择可以发现橡胶期货市场对货币增长更加敏感。

通过小波分解和Granger因果关系检验可以发现，货币增长与期货收益波动之间具有一致性，且货币增长对期货收益波动变化具有单向滞后引导作用，该结论很好的验证了模型(2)-(4)参数估计所得到的结果。本文的两种方法分别从微观和宏观两个角度论证了货币增长引发的流动性过剩对我国期货市场的影响是显著的。

3 结论

本文收集了2000年1月4日至2008年12月31日期间上海期货交易所金属铜和橡胶期货合约日数据，建立了含有流动性指标的GARCH-GED模型,并应用该模型对我国期货市场金属铜和橡胶品种进行了实证研究，得到以下结论：

首先，引入的流动性指标对两期货品种的影响显著，具体表现为货币增长过快会加剧期货品种价格波动，其中对橡胶期货市场的影响尤为明显，表明橡胶期货市场受流动性过剩冲击较大，且该品种的投机性较强。

其次，通过小波分解和Granger因果关系检验可以发现货币增长与期货收益波动之间具有一致性，且货币增长对期货收益波动变化具有单向滞后引导作用。该结果从宏观层面再次验证了流动性过剩对期货市场价格波动的影响。本文的研究结果表明采用适当的货币政策对稳定期货市场，乃至整个金融市场都是非常重要的。

[1]Engle R.Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of UK Inflation[J].Econometrica,1982,(50).

[2]Bollerslev T.Generalized Autoregressive Conditional Heteroskedasticity[J].Journal of Econometrics,1986,(31).

[3]Balduzzi P.,Elton,E.J.，Green T.C.Economic News and Bond Prices:Evidence from the US Treasury Market[J].Journal of Financial and Quantitative Analysis,2001,36.

[4]Gerlach S.The Two Pillars of the European Central Bank[J].Economic Policy,2004,40.

[5]王春峰,韩冬,蒋祥林.流动性与股票回报:基于上海股市的实证研究[J].经济管理，2002,（24）.

[6]吴文锋,丙萌,陈工孟.中国股票收益的非流动性补偿[J].世界经济,2003，（7）.

[7]李一红,吴世农.中国股市流动性溢价的实证研究[J].管理评论,2003，（15）.

[8]苏冬蔚,麦元勋.流动性与资产定价:基于我国股市资产换手率与预期收益的实证研[J].经济研究，2004，（2）.

[9]刘庆富,仲伟俊,梅姝娥.基于VaR-GARCH模型族的我国期铜市场风险度量研究[J].系统工程学报,2006,21(4).

[10]邹建军,张宗益,秦拯.GARCH 模型在计算我国股市风险价值中的应用研究[J].系统工程理论与实践,2003,(5).

[11]罗登跃,王春峰,房振明.中国股市总流动性与资产定价关系实证研究[J].中国管理科学，2007,4(15).