生猪价格波动特征分析——基于Beta-skew-t-EGARCH模型的实证分析

孙永青，陈皓东

（南京审计大学金融学院，江苏 南京 211815）

1 引言

2018年夏末我国暴发的非洲猪瘟疫情蔓延，导致大批生猪死亡，引起生猪价格频繁剧烈地波动。作为我国居民最广泛食用的肉类品之一，猪肉价格的剧烈波动给居民基本生活带来巨大的负面影响。为此，国家高度重视生猪市场稳定，农业农村部在农办牧〔（2018）69号〕文件中强调要切实维护生猪产品的正常流通秩序，确保生猪产品市场的有效供给。

生猪价格是生猪市场发展的重要一环，生猪平稳供给、价格稳定对经济社会健康良性发展的重要意义不言而喻。因此，研究生猪现货价格波动特征，一定程度上对缓解生猪价格波动剧烈、保障生猪供给稳定都具有重要意义。文章以2017-2020年江苏、湖北和四川生猪价格数据，引入Beta-skew-t-EGARCH模型分析生猪价格波动特征，并以此对生猪产业未来发展提出针对性建议。

2 文献综述

于少东（2012）[1]运用H-P滤波法和X-12季节调整法实证研究得出，北京近十年猪肉价格波动周期与生猪生产周期波动基本一致，总体周期性波动上升，短期波动剧烈。李婷婷等（2018）[2]采用H-P 滤波法和X-12调整法研究四川省猪肉价格波动规律，发现猪肉价格伴随生猪生产成本上升而上升，且猪肉价格波动具有显著的周期性特征。黎东升等（2015）[3]采用BP和H-P滤波法对比分析发现，我国生猪价格在2008年相关调控政策实施前后波动差异显著，后进入较明显的下跌周期，且波动逐渐丧失周期的规律性。商迪等（2017）[4]采用多元GARCH模型研究猪肉及仔猪价格的波动特征，检验发现，我国猪肉和仔猪市场皆存在溢出效应和集群效应。曹先磊（2017）[5]基于我国生猪饲料市场价格月度价格数据，搭建了GARCH类模型，系统地揭示出我国生猪饲料市场价格波动具有明显的自回归条件异方差模型（ARCH）效应和显著非对称性。石自忠（2019）[6]利用MS-GARCH类模型分析我国1994-2018年猪肉价格月度数据，发现我国猪肉价格波动具有显著的状态转换特征和双重非对称效应，同时还存在明显的杠杆效应。

综上所述，国内学者的研究方法主要利用单一的X-12调整法、 H-P 滤波等方法和综合性GARCH类模型等进行实证分析。为更好地分析生猪价格波动特征，文章采用GARCH类衍生模型——Beta-Skew-t-EGARCH 模型，以能够更好地拟合现实的金融时间序列，更好地刻画尖峰厚尾、杠杆效应、条件偏度等特征。

3 实证研究

生猪产业收入是我国农业经济的主要收入，生猪价格波动的不确定性可能会导致极端风险，损害生猪产业众多参与者的利益，对整个农业经济的健康发展和广大人民群众的幸福生活皆有重大影响。为了精确全面地反映生猪价格收益率序列的尖峰厚尾、偏斜、波动集聚性以及杠杆效应等特征，文章采用Beta-skew-t-EGARCH模型对生猪价格收益率序列进行拟合，使之能够更加准确地描绘生猪现货价格波动的特征。

3.1 描述性统计分析

文章研究对象是江苏、湖北和四川生猪价格数据。样本数据选取的起始日期为2017年8月28日，截止日期为2020年4月1日，除去节假日每个样本观测值共计945个，所有数据均来自同花顺数据服务中心。

首先，对三个省份生猪价格进行对数处理。令Rt为第t日的生猪价格收益率，Pt和Pt-1为第t日和第t-1日生猪价格，则生猪价格收益率可表示为：

Rt=100×(lnPt-lnPt-1)

图1、图2、图3呈现的是江苏、湖北和四川三个省的生猪价格收益率序列。可以清晰的看出三个省份的生猪价格收益率序列出现波动集聚现象，即高波动率和低波动率往往会各自聚集在某一段时间段，而且高波动率和低波动率集聚的时期会交替出现。值得注意的是，在每年的一季度生猪价格波动程度显著高于其他时段，这主要来自于春节的影响。一方面，新春假期会加大对猪肉的消费量；另一方面在春节期间各行业都会休假，猪肉及其产业链的供给会有短暂的停滞，从而引起猪肉价格的上升。

其次，将处理好的三个省份生猪价格收益率序列进行描述性统计分析，结果如表1所示。

江苏、湖北和四川的均值都大于0，说明三个省份生猪价格总体上呈上升趋势。这可能和经济发展、人口增长有关，人均收入越来越高，居民对猪肉消费量持续增大，总供给小于需求，造成生猪价格上涨。同时，近年来发生在我国多地的非洲猪瘟也是引起生猪价格上涨的重要原因。

江苏、湖北和四川的偏度都大于0，呈现右偏，表明生猪价格收益率序列存在非对称性。其中，江苏的非对称性最为突出，四川的非对称最不显著。江苏和湖北的峰度都大于3，符合尖峰厚尾特征，江苏的该特征比湖北明显。四川的峰度小于3，不具备尖峰厚尾特征。为进一步检验样本序列的分布特征，利用图4、图5、图6对样本序列的 QQ 图进行刻画。

检验生猪价格收益率序列是否服从正态分布。文章通过JB统计量进行判断，江苏、湖北和四川的JB统计量P值都为0，说明三个省份的生猪价格收益率序列都不服从正态分布。关于三个省份的生猪价格收益率序列是否平稳，文章采用ADF单位根检验，我们发现ADF检验的P值都为0.01，均显著，拒绝原假设，说明三个省份均不存在单位根，表明生猪价格收益率序列是平稳的；关于生猪价格收益率序列是否存在ARCH效应，文章采用ARCH-LM检验的方法，结果显示ARCH-LM检验P值都为0，说明生猪价格收益率序列存在显著的ARCH效应。

3.2 基于Beta-skew-t-EGARCH模型价格波动特征实证分析

金融资产收益率波动具有的聚集性、尖峰厚尾等特征，无法满足传统的线性回归模型中同方差的假设，因此一般选用条件异方差模型来拟合金融资产价格波动特征。Harvey和Sucarrat在Beta-t-EGARCH模型的基础上扩展到Beta-Skew-t-EGARCH模型，该模型通过刻画这一系列结构特征，能够更好地拟合现实的金融时间序列，也能够更符合实际情况来预测波动。

Beta-Skew-t-EGARCH模型的表达式：

其中，yt表示金融资产收益率，δt是 波 动 率，λt是 对 数 刻 度，条件误差εt为具有零均值，方差为偏度参数为γ，自由度参数为ν的偏t分布，是均值为με*，偏度参数为γ，自由度参数为ν的偏t分布。ω是对数尺度截距，可以解释为长期对数波动率，ø1是持久性参数（越大，越集中），κ1是ARCH参数（绝对值越大，则越大对冲击的反应），sgn（）是符号函数，ut是条件得分项，κ*是杠杆参数，λt稳定的充分条件是 ｜ø1｜＜ 1。

从表2可以看到湖北生猪价格的持续性参数为0.951 4，在三个省份中最大，江苏和四川的持续性参数也都在0.9上下，说明各省份的生猪价格收益率序列波动集聚性显著，表明条件方差当受到外界冲击后持续时间较长。江苏的持续性参数最低，可能由于江苏的经济发达，受到外部冲击后，生猪市场可以迅速消化不利干扰，短时间内恢复正常水平。可见江苏的生猪市场较为成熟，是其他省份学习的目标。

表1 不同省份生猪价格收益率序列描述性统计

表2 Beta-skew-t-EGARCH模型的参数估计

江苏、湖北和四川的ARCH参数都比较小，说明三个省份生猪价格收益率序列受到外界干扰后响应程度都较低，抗干扰能力强。从杠杆参数来看，三个省份都具有杠杆效应，且杠杆参数都小于0，说明三个省份生猪价格收益率序列具有负杠杆效应。其中江苏的杠杆参数最小，表明江苏的杠杆效应比湖北和四川明显。江苏、湖北和四川的偏度参数都大于0，说明三个省份生猪价格收益率序列都具有偏斜特征。其中，江苏偏度参数大于1，呈现右偏，湖北和四川小于1，呈现左偏。从地域上来说，湖北和四川较为接近，各项参数也都差不多，符合实际情况。

上述分析可知，Beta-Skew-t-EGARCH模型能够较好地拟合三个省份生猪价格收益率序列，为掌握三个省份生猪价格波动特征、降低生猪市场的价格波动风险提供了支持，为推进生猪市场发展添砖加瓦。

4 结论与政策建议

为了能够更好地稳定国内生猪价格，推进养猪及其产业链的健康发展，基于上述江苏、湖北和四川生猪价格波动特征的实证得出结论，并从我国实际情况出发针对性地提出下列对策建议。

第一，三个省份的生猪价格杠杆参数皆不为0，说明生猪存在杠杆效应，外部消息有变化时其价格也会有变化，表明生猪市场的各项相关制度还有待进一步完善，应提高信息传播效率与真实性，尽可能解决信息不对称问题，确保农户提前做好应对措施。还应该积极探索生猪期货市场可能性，丰富生猪市场多样化，加强生猪价格风险预警。

第二，生猪价格波动存在集聚性。生猪价格收益率序列图能非常清晰直观反映出三个省份生猪价格波动集聚性特征，而实证分析更加精确阐述生猪价格波动规律，其中湖北的集聚性最明显，接近1，这意味着在一定程度上可以预测生猪的价格波动情况。生猪养殖是全产业链中风险最高的环节之一，相关职能部门可通过5G通信、大数据等金融科技手段，优化生猪产业链，形成稳定的生猪价格预警机制。同时，由于“猪周期”的存在，政府部门可加强逆周期调节。比如在母猪存栏量持续走低，猪肉价格上涨时，给予养殖户价格补贴或者税收优惠，鼓励养殖，从而增加供给，稳定生猪价格。

第三，生猪价格平均收益率偏低。上述分析可以看出三个省份的平均收益率略大于0，收益率偏低情况会给养殖户积极性造成严重打击。因此，建议从养殖场建设、改进生猪饲养方法等方面统筹布局，促进生猪养殖标准化、规模化，控制生产成本，推广良种猪。同时创新养殖模式，形成生猪企业+农户+保险公司利益共享、风险共担养殖方式。当生猪价格下跌到一定程度，给予养殖户损失补偿。