CBCFI收益率序列波动性实证分析

2015-01-07张秋雨

市场周刊 2015年2期

张秋雨

CBCFI收益率序列波动性实证分析

张秋雨

为了推进上海国际航运中心的建设，加快开发航运运价指数衍生品，为中国航运企业控制市场风险创造条件，上海航交所于2011年12月7日正式发布了中国沿海煤炭运价指数（简称CBCFI）。文章基于GARCH-M模型和EGARCH模型对CBCFI日收益率的波动特征进行分析，实证结果表明，CBCFI具有条件异方差性。指数的风险与收益呈一定负相关关系。收益率序列具有非对称性，存在“反杠杆效应”。

CBCFI；收益率；GARCH-M；EGARCH

一、引言

2014年8月国务院印发了《关于促进海运业健康发展的若干意见》，其中提到目前我国海运业发展的重点任务是大力发展现代航运服务业，加快发展和创新航运金融、航运交易、研究咨询等现代服务业，构建国际海运交易和定价中心，加快国际航运中心建设。在航运金融产品创新方面，航运指数衍生品的设计与研究可以帮助企业对远期价格进行判断，调整运力，规避风险，因此国内学者对国内外航运指数进行了大量的研究。施文明（2009）利用向量自回归模型考察中国沿海运价指数（CCBFI）与波罗的海干散货运价指数（BDI）之间的关系，通过格兰杰因果检验、脉冲响应函数（IRF）及方差分解等工具的使用，发现CCBFI和BDI之间不存在格兰杰因果关系；二者的波动主要来自于对其自身的冲击。郑懿（2010）分析了中国沿海散货运价指数（CCBFI）运行的长短期特点，提出导致CCBFI波动的主要因素是国内宏观经济、国际干散货运输市场、供求关系和油价。计明军（2012）结合ARCH预测模型和BP神经网络预测模型的特点，通过预测误差最小化模型，确定组合权重，建立了新的组合预测模型，显著提高了油轮运价指数的预测精度。杨娟(2011)对中国沿海煤炭运价指数（CBCFI）周收益率进行了波动溢出效应的探究，实证表明秦皇岛-广州、秦皇岛-上海、秦皇岛-宁波三条航线运价市场与沿海煤炭综合运价市场间存在单向波动溢出效益。刘翠莲（2012）运用GARCH模型较好的描述了煤炭运价指数波动的敏感性及持续性。张家麟（2013）采用OLS模型、VAR模型对沿海煤炭运价期货的最优套期保值率进行估算，结果表明沿海煤炭运价期货套期保值效果并不显著。此前这些研究大多都集中于中国沿海运价指数（CCBFI）下的细分煤炭指数，由于指数一周公布一次，导致指数的波动较大，连续性较差。2011年12月7日上海航交所正式发布中国沿海煤炭运价指数（CBCFI），指数每个工作日的下午公布一次，以及时反映沿海煤炭航运市场价格的变动趋势。自指数发布以来，相应的研究还不多，文章以CBCFI为研究对象，利用GARCH-M模型和EGARCH模型对CBCFI日收益率的波动特征进行分析。

二、中国沿海煤炭运价指数简介

（一）定义

中国沿海煤炭运价指数，缩写为CBCFI，是上海航运交易所发布的反应中国沿海煤炭运输价格情况的指标，拥有按航线和船型分类的即期市场运价和按权重集合的综合指数。上海航运交易所在中国沿海（散货）运价指数（CCBFI）体系的基础上，研究开发了中国沿海煤炭运价指数（CBCFI），并于2011年9月1日起试运行，在2011年12月7日正式对外发布，指数每日公布一次。

（二）指数编制

1.基期

中国沿海煤炭综合运价指数以2011年9月1日为基期，基期指数为1000点。

2.样本航线和船型

CBCFI包括9条航线，分别为：秦皇岛—广州（5-6万DWT）、秦皇岛—福州（3—4万DWT）、秦皇岛—宁波（1.5—2万DWT）、秦皇岛—上海（4—5万DWT）、秦皇岛—张家港（2—3万DWT）、天津—上海（2—3万DWT）、天津—镇江（1-1.5万DWT）、黄骅—上海（3-4万DWT）、京唐/曹妃甸—宁波（4—5万DWT）。

3.运价信息采集

CBCFI运价信息由中国沿海（散货）运价指数编委会委员单位每日提供。

（三）发布方式

上海航运交易所于每个指数发布日的15:00（北京时间）在上海航运交易所网站和中华航运网上对外发布CBCFI。

三、实证分析

文章选取CBCFI正式发布日2011年12月7日到2014年8月21日共计638个日数据进行分析。CBCFI日收益率采用对数收益率，rt=lnCBCFIt-lnCBCFIt-1。使用软件为EVIEWS8.0版。

（一）ARCH LM检验

首先建立随机游走模型(方程1)，为了方便分析，也为了减小估计时的舍入误差，对CBCFI进行对数处理。

以下（方程2）为方程估计结果，拟合优度很高，系数对应的T统计量也非常显著，表明拟合效果较好。

t统计量=（11549.18）

由于lnCBCFI滞后一阶的估计系数非常显著且接近于1，则对其系数进行Wald系数约束检验，假设β=1，所得的t统计量和F统计量的相伴概率都较显著，接受原假设，说明CBCFI的对数收益率rt=lnCBCFIt-lnCBCFIt-1是均值为零的随机过程。进一步对方程的残差进行ARCH LM检验，滞后阶数选择3阶，结果如表1所示，F统计量为216.2296，对应的概率值为0.0000，表明检验辅助。

表1

回归方程中的所有滞后残差平方项是联合显著的。Obs* R2=321.6331，相应的概率值为0.0000，因此拒绝“残差不存在ARCH效应”的原假设，说明残差序列存在条件异方差性。可以考虑使用自回归条件异方差模型（ARCH）和广义自回归条件异方差模型（GARCH）来拟合随机误差项的条件方差。

（二）GARCH-M模型估计

在检查到随机误差项存在ARCH效应后，对CBCFI日收益率r估计GARCH-M模型，在预先试算中，由于均值方程中估计的常数项近似于0，且常数项系数对应的Z统计量不显著，拟合效果较差，所以文章直接采用不含常数项的GARCH-M模型，在均值方程中加入条件标准差，默认采用正态分布为随机误差项的分布形式。估计后分别得到如下均值方程3和方差方程4。各系数估计值都非常显著，GARCH-M模型的拟合效果较好。

收益率序列r的均值方程：

条件方差方程：

对数似然值L=2223.955，AIC=-6.9700，SC=-6.9420

从估计的均值方程可以看到，σt的系数估计值为 -0. 083024,负的系数表明CBCFI的风险与收益存在反向关系，风险增加，收益反而降低，即当市场中预期风险增加1%时，会导致预期收益率相应的降低0.05835%，这与传统的金融时间序列高风险高收益的特性相背。

（三）EGARCH模型估计

文章在EGARCH模型估计中，ARCH项和GARCH项都默认为一阶，即采用EGARCH(1，1)模型，并假定随机误差项μt服从正态分布。方程5为EGARCH(1，1)模型的条件方差方程估计结果：

EGARCH模型的条件方差方程中的参数估计值的z统计量都非常显著，表明这些参数估计值是显著的。在EGARCH模型的估计结果中，非对称项的系数值等于0.075154，这说明正的冲击（好消息）比同样程度负的冲击（坏消息）产生的波动更大，好消息（即＞0）对条件方差的对数产生1.180882+0.075154的冲击，坏消息（即＜0）对条件方差的对数产生1.180882-0.075154的冲击，从而表明CBCFI具有“反杠杆效应”。