价格与投机行为关系的研究——以黄金期货为例

胡卫纲

（1. 上海社会科学院，上海 200052； 2. 铜陵学院，安徽 铜陵 244061）

一、引言

期货投机交易是在期货市场上以获取价差收益为目的的期货交易行为。 期货投机活动发挥着重要的作用：一方面，投机者作为套期保值者的交易对手，承接了价格风险；另一方面，投机者频繁交易为期货市场提供了流动性。 然而市场过度的投机甚至市场操纵也会使期货价格严重偏离标的商品的实际价值，而使得期货市场丧失应有的功能。 因此研究期货投机活动的规律是经济金融学者的一个重要课题。

我国学者关于投机行为和期货价格关系的研究大体有三种观点。 一种认为投机行为造成期货价格过分波动。 杨光和张志勇（2010）用成交量测度投机程度，发现成交量显著引起价格波动率变化[1]。 邱雁（2010）研究了美国 CFTC（Commodity Futures Trading Commission）持仓报告，认为在2003-2009 年期间大豆期货价格显著受到投机基金的交易行为影响[2]。张兵和刘丹（2012）也认为2003-2011 年期间非商业净头寸有推高大豆价格的作用[3]。 安毅和宫雨（2014）发现，农产品期货市场在统计上显示出五个投机特征； 交易者结构耗散，市场投机性活跃，期现货关系不紧密，品种轮番炒作和主力合约远期化。因此农产品期货市场依然没有摆脱投机市特征[4]。 隋颜休和郭强（2014）在控制影响油价波动的各种因素后， 通过所构建的四个投机指标分析了投机因素对油价波动的影响。 结果发现，2004 年4 月至 2009 年2 月石油期货市场存在非常明显的投机活动， 长期投机因素对石油价格波动的影响程度非常显著[5]。 柳松等 （2015） 运用Spline-GARCH 模型分析了国际原油期货市场的波动， 发现投机性持仓尤其是投机性的多头持仓波动引发了国际原油期货市场的过度波动[6]。蒋瑛（2014）采用向量自回归、格兰杰因果关系检验、误差修正模型等方法， 通过分析美国商品期货交易委员会(CFTC)所发布的持仓报告(COT Report)中的2007—2012 年的数据，研究了石油期货市场中的投机行为对石油期货价格波动的影响， 发现期货市场中投机行为的变化对滞后期石油期货价格变化的贡献率为8%左右，石油期货价格变化对滞后期价格变化的贡献率为85%左右， 投机行为显著影响了石油期货价格波动[7]。 王文虎、万迪昉和吴祖光 (2015) 基于上海期货交易所铝、铜、橡胶和燃料油期货合约两种投资者结构的分账户数据， 分析了不同类型投资者交易失衡对我国商品期货市场收益、 价格发现与波动的影响， 发现个人投资者和投机者的交易失衡暗示其寻找最佳买多或卖空时点的能力不足， 存在明显的过度自信、过度投机和羊群行为，加剧了商品期货价格波动[8]。 陈方皓（2016）运用向量自回归模型对2003年到2011 年的大豆期货价格波动数据进行分析，探讨不同类型主体对大豆期货价格波动具体影响程度，研究结果表明，非商业净头寸的一些投机力量对于大豆期货价格有着正向的推动过程， 而商业净头寸变动对于大豆期货价格有着较小的影响[9]。第二种观点认为短期内投机行为会加剧市场价格的波动，长期来看并不会对期货价格造成显著影响。 杨艳军和费然（2015）利用Geweke 分解检验，发现国际期铜价格对基金投机持仓有长期单向的因果关系， 但基金短期内对期铜价格起到了推波助澜的作用[10]。钱煜昊等（2017）基于 CBOT 大豆期货市场 2006 年 6 月至2015 年12 月期间的月度数据，分时期考察了期货市场金融化与商品期货价格波动之间的关系。他们的研究表明，期货市场金融化对期货价格短期波动的影响具有乘数效应，国际投机基金的投机行为造成商品期货市场价格短期波动加剧的同时，对商品期货市场中的实需投资者产生投机诱导，进一步加剧期货市场的价格波动；而由于市场理性预期的存在，期货市场金融化与投机诱导对商品期货的长期价格形成不存在显著影响，商品期货的长期价格依然由实际供求关系主导[11]。 第三种观点认为投机因素对期货价格的影响程度随时间而变化。谢飞和韩立岩（2012）研究了商品期货价格指数，结论是1995 年1 月至2010 年4 月的较长时期，实需因素对期货价格的变动起到了正向的推动作用，投机因素的作用相对微弱；而在金融危机前后的2006 年1 月至2010 年4 月这段时期，对期货价格的变动起正向推动作用的是投机因素，实需因素的作用则相反[12]。

本文先后采用向量自回归 （Vector Autoregression）和平滑转换回归（Smooth Transition Regression）两种方法对上海期货交易所黄金期货价格和投机活动进行建模。 本文研究发现：1.期货价格是投机活动的格兰杰原因， 而投机活动不是期货价格的格兰杰原因。 期货价格上涨（下跌）引发了投机活动增加（下降），而不是投机活动引起价格变化。2.投机量滞后项对当期投机量的影响为负。 这意味着当期投机量会对前期投机量的冲击作反向调整， 投机活动的自我激励或者羊群效应并不存在。3.投机量的反向调整速度与期货价格的变动有关。 在一般情况下，投机量的调整速度比较快；在期货价格大幅下跌时，投机量调整速度显著降低。

本文的主要贡献在于：1.研究了黄金期货市场。美 国 CFTC 每 周 发 布 COT （Commitments of Traders）报告，报告中包含商业交易者和非商业交易者的持仓量数据。 一般认为前者代表了套期保值者的持仓量，而后者代表了投机者的持仓量。 国内许多关于投机行为的研究基于上述数据。 但是我国期货市场不提供类似数据，因此以国外市场为对象的研究与以国内市场为对象的研究无法横向比较。以我国黄金期货市场为对象的实证研究比较少见。2. 采用了期货换手率 （期货交易量与持仓量之比）来测度投机活动的相对规模。 加西亚（Garcia）提出用期货交易量与持仓量之比来测度投机活动的程度[13]。 国内业界也使用这一指标。 但是国内使用这一指标的学术研究并不多见。 3.使用了平滑转换回归方法研究期货价格与投机活动之间的关系，发现了投机活动的非线性特征。 国内研究多采用向量自回归方法。 发现仅仅使用线性关系来建模是不够充分的，采用非线性模型能获得更丰富的细节。

二、平滑转换回归模型简介

（一）STR 模型的形式

STR 模型的一般形式为：

其中 xt= （1，x1t，x2t，…，xpt）′=(1，yt-1，…，yt-k，z1t，…，zmt)′是 p+1=k+m+1 维向量，φ=(φ0，φ1，…，φp)′和 θ=（θ0，θ1，…θp)′是参数向量，{ut} 是独立同分布的误差项。G为有界连续函数， 一般设定G 的取值范围在0 到1之间。 st为转换变量，可以是 xt中的某一个元素、随机变量的线性组合或一个非随机的变量 （例如线性时间趋势）。

G 有多种定义方式。 格兰杰（Granger）和特拉斯维塔（Terasvirta）[14]提出了如下定义：

则该模型称为LSTR1 模型。转换函数G1是st的单调增函数。限制条件γ>0 是一个识别条件。γ 表示转换函数G1随着 st增大， 由0 变为1 的速度有多快。c 决定了转换发生的位置。当γ→∞时，模型退化为两机制转换回归模型（switching regression model）。在这种特殊情形下，转换点为st=c，两机制分别为yt=xt′φ+μt和 yt=xt′（φ+θ）+μt。

某些实际运用中，单调转换的模型设定可能不恰当。 G 可以如下设定：

这一转换函数关于（c1+c2）/2 对称。当 st→±∞ 时，G2（γ，c;st）→1。 这一模型称为 LSTR2 模型。

ESTR 模型（exponential STR）提供了非单调的转换函数另一种设定方法。ESTR 模型的转换函数是这样定义的：

这一设定与模型 c1=c2的情形非常接近。 该转换函数关于 c 对称。 当 st→±∞ 时，G（γ，c;st）→1 。

（二）STR 建模的方法

1.模型的设定

模型的设定要解决几个问题：（1） 线性模型是否充分描述了数据的特征？非线性模型有无必要？（2）如果有必要采用STR 模型， 选择哪个变量为转换变量？（3）应该选择哪种模型形式？ LSTR1，LSTR2 还是 ESTR？

卢克科宁（Luukkonen）， 赛科宁（Saikkonen）和特拉斯维塔（Terasvirta）提出的解决方法是：做辅助回归，进行LM 类型的检验[15]。 辅助回归的形式如下：

若H2最强烈地拒绝， 则选择 LSTR2 模型 （或ESTR 模型），否则选择 LSTR1 模型。

2.模型的估计

模型的估计使用最大似然估计。 Newton-Raphson 法是经常采用的数值方法。 在选择初值的时候，一般使用网格法。 例如根据st的取值范围等间距地取 100 个值，根据 γ 的常见取值范围[0.5，50]也等间距地取 50 个值，形成 5000 组（γ，c）组合。 然后针对每一组合对模型进行估计， 选择SSR 最小的那一组（γ，c）为初值。

3.模型的评价

参数估计完成后，要检验模型的假设是否成立。这些检验包括：检验残差是否序列相关、检验残差有无条件异方差、检验有无残余的非线性等。

三、数据来源与描述性分析

（一）变量的选择。 本文主要用到两个变量：投机度和期货价格。 参考加西亚（Garcia）[13]的研究，本文采用一周内期货交易量与总持仓量的比值来测度投机程度的高低。 这样做的理由是：短期投机者会在较短时间内（如一周）反复开仓、平仓。 这样的投机行为会增加交易量但不增加持仓量。 这一指标优于交易量指标，原因在于：随着市场的发展，交易量和持仓量都会扩大， 这时交易量的增大不能视为市场投机程度提高。

（二）数据采集和初步整理。 本文采用2008 年1月7 日至2018 年6 月22 日上海期货交易所黄金期货的周数据。数据来自国泰安数据库。因为同一时刻有多个不同到期日的合约在交易， 以往的研究常采用交易量最大合约的数据。 本文遵循了这一处理方法。 具体方法是每一周选取交易量最大的那个合约，用此合约的本周总交易量除以周总持仓量， 得到这一周的投机度（spl）。经过上述处理后，各数据先取对数，再做一阶差分。 dspl 表示经过对数差分处理的投机度，dp 表示经过对数差分处理的价格。 图 1 显示了样本时间区间期货持仓量和投机度的变化。 从图中可以看出，随着期货市场的发展，期货持仓量总的趋势是增长的。 其中期货持仓量周期性的下降是合约到期的缘故。 投机度虽然也呈现周期性的变化，但是没有趋势性变化， 即黄金期货市场的投机程度并没有持续性增大或减少。表1 为投机度变化率（dspl）和期货价格变化率（dp）的描述性统计。

图1 样本期间持仓量和投机度

表1 描述性统计

（三） 平稳性检验。 在进行进一步分析之前，必须检验数据的平稳性。本文采用了两种方法来检验数据的平稳性。 第一种是ADF 检验。 表1 列出了含漂移项，不含时间趋势项时的统计量。差分项滞后期数由SIC 准则确定。 对应不同显著性水平的临界值分别为：1%：-3.442；5%：-2.867；10%：-2.570。计算结果强烈拒绝了“原时间序列非平稳”的原假设。第二种是亚特科夫斯基（Kwiatkowski）等提出的 KPSS 检验[16]。 谱估计方法采用Bartlett 算法。 方差估计修正过程使用Newey-West 方法。对应不同显著性水平的临界值分别为：1%：0.739；5%：0.463；10%：0.347。 计算结果没有在任何常用显著性水平下拒绝“原时间序列平稳”的原假设。

四、实证结果

（一）线性分析

这一部分主要是建立一个VAR 模型，初步分析投机量变化率和价格变化率之间的线性关系。 关于VAR 模型滞后阶数的选择，LR 准则、FPE 准则、HQ准则和AIC 准则推荐 5 阶滞后，SIC 准则推荐 2 阶滞后。 综合考虑自相关检验的结果，确定滞后阶数为5 阶。 VAR 的估计结果为（括号内为标准误）：

格兰杰因果检验的结果为：没有拒绝“dspl 不是dp 的 granger 原因” 的原假设，p 值为 0.694； 拒绝了“dp 不 是 dspl 的 granger 原 因 ” 的 原 假 设 ，p 值 为0.001。上述结果表明一方面投机活动受到过去期货价格变化的影响，过去的期货价格升高，投机活动也相应大幅增加，另一方面投机活动的变化也受到自身历史的影响，若前期投机活动增加，后期的投机活动将会减弱，投机活动有一种自我调节，保持稳定的倾向。

对dp 方程的系数进行联合检验，原假设“除常数项外，各系数同时为0”的原假设也没有被拒绝（p值为0.406）。 这说明期货价格和投机量的历史信息没有预测未来期货价格变化的能力。 这一点为“期货市场是信息有效的”这一观点提供了佐证。

基于以上结论， 在下面的分析中将把期货价格视为外生变量， 分析它与前期的投机活动如何影响当期的投机活动。

（二）非线性分析

这一部分， 本文将讨论价格和投机量的滞后值对投机量是否具有非线性的影响。 这里将按照第二节所介绍的方法来建立模型。

1.模型的设定

为了确定转换变量及非线性的形式， 先进行辅助回归。辅助回归的结果见表 2。表中的 H1、H2、H3所对应的原假设即为二 （二）1 中所介绍的三个原假设H1、H2、H3。 表中对应的数值为 p 值。

表2 模型的设定检验

根据经济理论和前面的线性分析， 价格影响投机活动， 从而转换变量应该是价格。 根据表2 的结果，当转换变量为dpt时，线性原假设的拒绝最为强烈，因此选择dpt为转换变量。 当转换变量为dpt时，原假设 H2在三个原假设 H1、H2、H3中不是最强烈的拒绝， 从而选择LSTR1 模型。

2.模型的估计与解释

在LSTR1 模型的估计过程中，尝试过多种设定。 无明显解释力的dp 和dspl的滞后项被排除掉， 选择标准是对应系数的p 值。 估计的结果以及相关的统计量如表3 所示。

我们对表3 模型的残差进行Breusch-Godfrey 自相关检验、Jarque Bera 检验、范迪克（van Dijk）， 特拉斯维塔（Teräsvirta）和 弗朗斯（Franses）提出的残余非线性检验[17]，检验结果表明模型设定合理稳健。由于篇幅的限制，各项检验的结果不一一列出。

表3 中的估计结果表明期货价格每提高1%，当期投机度就会提高11.1%， 这种效应不仅统计是显著的，经济意义也是非常显著的。期货价格对投机度的影响还有滞后效应：滞后2 期期货价格每提高1%，投机度提高2.2%。模型的非线性部分不包含期货价格及其滞后项，这表明期货价格对投机量的影响是线性和对称的。

表3 STR 模型估计结果

投机度的滞后效应则复杂一些。 总体而言，投机度的滞后效应都是负的，即投机度具有反向调整的倾向。 投机度二期直至五期的滞后效应都是线性的。 滞后一期的影响具有非线性的特点。 转换变量为期货价格的变化率dp，定位参数在-4.9%处。当期货价格变化率明显低于-4.9%时，转换函数G1=0，滞后一期的投机量对当期的投机量没有影响；当期货价格变动率明显高于-4.9%时，转换函数G1=1，滞后一期投机量的系数为-0.531。 投机量滞后一期的影响在0 和-0.531 两个状态间平滑变化。 斜率参数=40.4，这表明着两个状态之间变化比较快。图2 反应了这种状态变化。 图中的竖直参考线对应着定位参数-4.9%。 期货价格的变化率主要分布在-2%和2%之间，对应着的转换函数G1在0.763 和0.942 之间，对应着投机量滞后一期的系数在-0.405 至-0.5 之间。 当期货价格变化率远小于-4.9%时，对应的转换函数G1=0，投机量滞后一期的系数变为0。 这意味着，如果当期期货价格没有大幅度下降，则投机度有较强的反向调整倾向；但是如果当期期货价格大幅下降， 则投机度反向调整的倾向会被完全抑制。举例而言，若前期投机量大幅下降，则当期投机量应有所上升，但是如果当期价格大跌，则这种恢复性的上升不会发生。

图2 转换函数分布图

五、结论与启示

本文先后运用向量自回归和平滑转换回归模型， 分析了上海期货交易所黄金期货的投机活动与期货价格之间的关系。 实证结果表明：(1)期货价格上涨（下跌）会引发投机活动的增加（减少）。 若投机者是理性的，那么无论期货价格上涨还是下跌，都有投机获益的机会，投机量应该不随价格变化而变化。 但是本文发现期货价格上升时投机量增加， 期货价格下降时投机量减少。这表明投机交易是非理性的。(2）前期的投机量下降会引起本期的投机量增加； 而前期的投机量增加会引起本期投机量减少。 简言之，本期的投机活动会对前期的投机活动做反向调整。 ③上述调整的强度跟本期价格的变化有关， 本期的价格升幅越大，这种调整的强度也越大。

本文提出以下政策建议：

(一)培养机构投资者，提高期货市场中机构投资者的比例。 美国和香港期货市场的高投机度与其较高的个人投资者比例有着直接的关系。 在香港期货市场， 接近85% 的市场交易是个人投资者完成的。与之形成对比的是澳大利亚的悉尼期货交易所，其95% 交易者是机构投资者，个人投资者（尤其是业余的投资者）只占很小的比例。 机构投资者优于个人投资者体现在三个方面。 首先，机构投资者相对于业余投资者更加了解市场风险， 更有能力识别市场操纵等异常情况， 也更加熟悉市场规则和法律法规并以此保护自己的利益。 其次，机构投资者的资金实力较个人投资者更加雄厚，即使出现亏损也能够承受，个人投资者往往经受不起价格的意外波动而被强制平仓。 最后，一般而言机构投资者的交易行为比个人投资者的交易行为更为稳健， 前者套期保值交易多而投机交易少。 即使机构投资者参与投机交易，风控也比较严格，较少出现意外的巨额亏损。 我国期货市场监管部门在培养机构投资者方面已经有了很大进步。 据《上海证券报》消息，截至 2020 年 10 月末，中国期货市场机构投资者持仓量占比超过一半， 资金量占比超过六成。 尽管如此，仍有进一步发展机构投资者的空间。

（二）推出新的期货品种，完善期货品种结构。 首先应当大力培育农产品期货， 为农业企业提供便利的风险管理手段， 增强农业企业抵御价格风险的能力。 目前我国农产品期货主要集中于几种最重要粮食作物和棉花等，经济作物的期货较为罕见，第一个活体交割的期货品种——生猪期货2021 年1 月8日才上市。 在服务三农、促进实体经济发展方面，商品期货有很大的潜力。 其次，随着我国金融体制改革不断推进，利率和汇率的波动日益扩大，利率和汇率风险成为企业日益关注的问题。 因此可以适时推出外汇期货， 满足金融机构和进出口企业管理汇率风险的需要。

（三）完善期货市场监管法律法规，健全监督管理机制。 近年来期货市场出现了一些新的变化，给监管机构带来了新的课题。 首先，期货市场上出现了编造和传播虚假信息、通过实控账户操纵期货价格、虚假申报、蛊惑交易等新型违法违规交易行为。 现有的法规对于这些新型违法交易行为的监管和处罚在适用性和可操作性上有所不足。 其次，程序化交易和国外投资者进入了期货市场。 交易所一方面要继续做好市场一线监管，保证市场稳定运行，保护投资者合法权益。 另外一方面需要不断去研究新形势下市场交易行为的特征以及配套的监管手段， 并进一步完善自律管理制度。

（四）充分运用现代信息技术，提高监管效率和水平。 首先，期货市场监管职能部门应当利用大数据技术，综合分析历史数据和实时数据，及时发现违法违规交易行为的线索并进行查处。 其次，期货监管职能部门应当与人民银行、 银保监局以及其他证券监管部门实现数据共享，在交易品种、会员、账户各个层面实现穿透式监管。