沈悅　張澄

摘要：以黃大豆1號(hào)期貨結(jié)算價(jià)在2006年1月4日至2016年8月2日期間的日度數(shù)據(jù)為樣本，通過(guò)運(yùn)用MCMC算法估計(jì)SV模型，實(shí)證考察了中國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性，充分證實(shí)我國(guó)農(nóng)產(chǎn)品期貨價(jià)格波動(dòng)的聚集性、時(shí)變性和持續(xù)性。并結(jié)合小波多分辨率分析的方法對(duì)收益率的波動(dòng)成分進(jìn)行分解，刻畫(huà)出我國(guó)農(nóng)產(chǎn)品期貨收益率序列的波動(dòng)成分在不同分解尺度上的動(dòng)態(tài)特征，解釋了我國(guó)農(nóng)產(chǎn)品期貨收益率的短期波動(dòng)及長(zhǎng)期趨勢(shì)，并發(fā)現(xiàn)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)對(duì)國(guó)際市場(chǎng)的依賴性較強(qiáng)，對(duì)極端事件的沖擊也十分敏感。據(jù)此，指出在研究我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)性特征的同時(shí)，也要時(shí)刻警惕我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)與其他市場(chǎng)之間的波動(dòng)溢出效應(yīng)，及時(shí)調(diào)整投資策略，加強(qiáng)金融監(jiān)管。

關(guān)鍵詞：農(nóng)產(chǎn)品期貨；波動(dòng)性；SV模型；MCMC算法；多分辨率分析

中圖分類號(hào)：F307.11文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-9107（2016）06-0114-07

金融時(shí)間序列的波動(dòng)性問(wèn)題一直是金融學(xué)領(lǐng)域研究的熱點(diǎn)之一。目前全球經(jīng)濟(jì)疲軟，我國(guó)國(guó)內(nèi)經(jīng)濟(jì)處于轉(zhuǎn)型升級(jí)的關(guān)鍵時(shí)期，農(nóng)產(chǎn)品供給側(cè)改革如火如荼，一度出現(xiàn)了大宗商品市場(chǎng)波動(dòng)頻繁且劇烈的現(xiàn)象，加上英國(guó)“脫歐”使包括大宗商品在內(nèi)的資產(chǎn)價(jià)格波動(dòng)風(fēng)險(xiǎn)激增，這些“不確定性因素”都增加了我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性。一方面，我國(guó)農(nóng)產(chǎn)品現(xiàn)貨市場(chǎng)的發(fā)展帶動(dòng)期貨市場(chǎng)的推進(jìn)，加上受到來(lái)自宏觀經(jīng)濟(jì)層面、市場(chǎng)環(huán)境以及國(guó)際市場(chǎng)等多方面因素作用，我國(guó)農(nóng)產(chǎn)品期貨價(jià)格波動(dòng)明顯，風(fēng)險(xiǎn)逐步加大；另一方面，農(nóng)產(chǎn)品期貨不僅存在衍生品特有的高風(fēng)險(xiǎn)，還容易受到季節(jié)因素以及宏微觀因素的影響。如果不能準(zhǔn)確認(rèn)識(shí)農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)性的動(dòng)態(tài)特征，極易誘發(fā)尾部風(fēng)險(xiǎn)，將會(huì)對(duì)金融市場(chǎng)的穩(wěn)定性產(chǎn)生沖擊。因此，分析我國(guó)農(nóng)產(chǎn)品期貨收益率波動(dòng)的特殊性，探究其在不同時(shí)間、不同尺度上的波動(dòng)特征及影響因素，對(duì)穩(wěn)定我國(guó)農(nóng)產(chǎn)品期貨價(jià)格、防范投資風(fēng)險(xiǎn)以及推進(jìn)我國(guó)期貨市場(chǎng)良好發(fā)展有著十分重要的作用。

一、文獻(xiàn)綜述

關(guān)于我國(guó)期貨市場(chǎng)波動(dòng)性的研究很多，但針對(duì)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)性的研究則相對(duì)較少。從期貨市場(chǎng)波動(dòng)率的建模角度來(lái)看，基于隨機(jī)波動(dòng)模型（SV模型）對(duì)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)進(jìn)行研究的文獻(xiàn)較少，多數(shù)研究是從GARCH類模型的角度來(lái)展開(kāi)。王金媛基于GARCH模型、GARCHM模型、非對(duì)稱GARCH模型以及成分ARCH模型，證實(shí)我國(guó)農(nóng)產(chǎn)品期貨收益率的波動(dòng)存在聚集性、杠桿效應(yīng)、風(fēng)險(xiǎn)溢價(jià)以及持續(xù)性[1]。魏宇指出，EGARCH、GJR以及APARCH模型在檢驗(yàn)滬銅期貨指數(shù)收益率的波動(dòng)特性時(shí)，并沒(méi)有發(fā)現(xiàn)顯著的非對(duì)稱杠桿效應(yīng)[2]。劉向麗、成思危等認(rèn)為，ACDGARCHM模型可以較好地描述我國(guó)期貨市場(chǎng)的波動(dòng)性質(zhì)，并進(jìn)一步指出久期、交易量等微觀結(jié)構(gòu)變量是產(chǎn)生波動(dòng)聚集的原因[3]。此外，也有部分學(xué)者更深層次地探討了我國(guó)農(nóng)產(chǎn)品期貨收益率波動(dòng)序列的非對(duì)稱效應(yīng)。王輝、孫志凌等基于ADCC模型和DADCC模型，證實(shí)基差和“消息”對(duì)我國(guó)農(nóng)產(chǎn)品期貨收益率的波動(dòng)性有一定的非對(duì)稱效應(yīng)[4]。楊科、田鳳平發(fā)現(xiàn)，我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)率具有長(zhǎng)記憶性和區(qū)制轉(zhuǎn)換性，同時(shí)存在高波動(dòng)率和低波動(dòng)率兩種區(qū)制，但二者之間的轉(zhuǎn)換概率較小[5]。

從實(shí)證模型的估計(jì)方法來(lái)看，縱觀國(guó)內(nèi)學(xué)者對(duì)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)性的研究方法，鮮有文獻(xiàn)涉及MCMC算法和小波多分辨率分析的方法，只有少部分的研究是從時(shí)頻的角度來(lái)考察我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)特性。首先，MCMC算法的一個(gè)重要應(yīng)用便是估計(jì)隨機(jī)波動(dòng)模型。Jacquier， Polson和Rossi提出馬爾科夫鏈蒙特卡洛法（MCMC）[6]，該方法此后便在金融計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域產(chǎn)生了廣泛的應(yīng)用。目前，國(guó)內(nèi)已有相關(guān)研究將MCMC算法應(yīng)用于碳排放期貨市場(chǎng)、股票市場(chǎng)以及匯率市場(chǎng)等。劉維泉、郭兆暉將MCMC算法應(yīng)用于EU ETS碳排放期貨市場(chǎng)波動(dòng)性的研究，分別建立四種不同的SV模型，實(shí)證結(jié)果表明leverage-SV模型在估計(jì)VaR時(shí)最有效[7]。朱鈞鈞、謝識(shí)予應(yīng)用MCMC算法對(duì)MS-TGARCH模型進(jìn)行估計(jì)，證實(shí)中國(guó)股市的波動(dòng)率存在雙重不對(duì)稱的現(xiàn)象，并針對(duì)高波動(dòng)狀態(tài)和低波動(dòng)狀態(tài)的不同表現(xiàn)進(jìn)行具體分析[8]。張欣、崔日明將MCMC算法對(duì)非對(duì)稱隨機(jī)波動(dòng)模型（ASV Model）進(jìn)行估計(jì)，研究人民幣匯率的動(dòng)態(tài)波動(dòng)性質(zhì)，實(shí)證發(fā)現(xiàn)人民幣匯率的收益率在波動(dòng)過(guò)程中同時(shí)存在時(shí)變性和較強(qiáng)的持續(xù)性，且波動(dòng)過(guò)程中在“壞消息”和“好消息”的不同狀態(tài)下，非對(duì)稱效應(yīng)明顯[9]。

其次，時(shí)頻分析可以詳細(xì)描述金融時(shí)間序列的時(shí)間變化和頻率變化，將小波分析應(yīng)用到高頻金融時(shí)間序列的分析中，在對(duì)剖析序列的波動(dòng)特征、挖掘序列在不同分解尺度上的表現(xiàn)形式等方面具有很重要的意義。熊正德、文慧等通過(guò)結(jié)合GARCH模型和小波多分辨率分析的方法，從時(shí)域和頻域的角度描述了我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性，并進(jìn)一步指出農(nóng)產(chǎn)品期貨市場(chǎng)與外匯市場(chǎng)的聯(lián)動(dòng)關(guān)系[10]。郭玉晶、宋林和王鋒通過(guò)離散小波變換，對(duì)我國(guó)農(nóng)產(chǎn)品期貨價(jià)格收益率序列進(jìn)行去噪與重構(gòu)，并在此基礎(chǔ)上考察了原油期貨與農(nóng)產(chǎn)品期貨之間的雙向波動(dòng)溢出效應(yīng)[11]。曹霜、何玉成選用db3作為小波基函數(shù)，對(duì)大白菜的價(jià)格序列進(jìn)行3層分解，并運(yùn)用SVMARIMA模型對(duì)價(jià)格的四種變化趨勢(shì)進(jìn)行分析與建模[12]。

鑒于此，本文將同時(shí)引入貝葉斯MCMC算法以及小波多分辨率分析的方法，從不同層次、不同角度對(duì)中國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)收益率的波動(dòng)特性進(jìn)行實(shí)證考察。

二、研究方法

基于價(jià)格的歷史時(shí)間序列來(lái)計(jì)算收益率的波動(dòng)性，一般有ARCH模型及其各種延伸形式、隨機(jī)波動(dòng)模型（SV model）等，這些模型可以很好地刻畫(huà)收益率序列的分布。Kim， Shephard和Chib[13]對(duì)這些模型的區(qū)別和聯(lián)系進(jìn)行分析，表明SV模型可以更好地?cái)M合金融市場(chǎng)的各種特征。國(guó)內(nèi)學(xué)者余素紅等 [14]指出，SV模型所描述的序列波動(dòng)性與數(shù)據(jù)本身的特征更加吻合。因此，本文將采用隨機(jī)波動(dòng)模型來(lái)刻畫(huà)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性，并采用MCMC算法進(jìn)行SV模型的參數(shù)估計(jì)。

（一）基于MCMC算法的SV模型

1. SV模型。Taylor（1986）提出一種離散時(shí)間的SV模型，用于解釋金融時(shí)間序列的波動(dòng)性。相比GARCH模型，SV類模型在近幾年關(guān)于金融時(shí)間序列波動(dòng)問(wèn)題的研究中應(yīng)用更為廣泛。同時(shí)，SV類模型也可以很好地解釋收益率序列的分布特征，在金融衍生品的相關(guān)研究中應(yīng)用更廣。

SVNormal模型的表達(dá)式如下：

從式（1）和（2）來(lái)看，本文構(gòu)建的SV模型的未知參數(shù)分別為：μ、和τ2，我們將未知參數(shù)向量表示為ω，則有ω=（μ，，τ2）。由于SV模型的似然函數(shù)很難確定，因此傳統(tǒng)的極大似然法很難進(jìn)行估計(jì)。后來(lái)，MCMC算法的出現(xiàn)很好地解決了SV模型的估計(jì)問(wèn)題。在SV模型的估計(jì)方法中，MCMC算法是優(yōu)于其他估計(jì)方法的。

2. MCMC算法。在對(duì)SV模型進(jìn)行估計(jì)時(shí)，馬爾科夫鏈蒙特卡洛模擬（MCMC）的方法是近些年比較流行的一種參數(shù)估計(jì)方法，也可以認(rèn)為這是一種特殊的Monte Carlo方法，很好地解決了傳統(tǒng)模擬方法的靜態(tài)性、高維性等問(wèn)題。同時(shí)，MCMC方法在估計(jì)SV模型時(shí)具有獨(dú)特的優(yōu)勢(shì)，可以對(duì)未知參數(shù)以及不可觀測(cè)的變量同時(shí)進(jìn)行估計(jì)。本文在進(jìn)行MCMC算法的估計(jì)中，將采用Gibbs Sampling的抽樣方法。下面將以SV模型為例，對(duì)Gibbs Sampling的具體操作步驟進(jìn)行說(shuō)明：

在設(shè)置好各個(gè)參數(shù)的先驗(yàn)分布之后，便可以使用WinBUGS1.4軟件對(duì)SV模型進(jìn)行MCMC算法估計(jì)，并將收益率序列的波動(dòng)部分進(jìn)行小波多分辨率分解。

（二）小波多分辨率分析

1. 小波分析。作為傅里葉分析方法的繼承與發(fā)展，小波分析具有多尺度分析的獨(dú)特優(yōu)勢(shì)，可以同時(shí)兼顧時(shí)域和頻域兩個(gè)角度來(lái)對(duì)金融時(shí)間序列進(jìn)行分析。小波變換就是用小波函數(shù)的集合來(lái)展開(kāi)信號(hào)，即將原始信號(hào)中不同尺度的小波分解出來(lái)，更好地刻畫(huà)出信號(hào)的動(dòng)態(tài)特征?？梢酝ㄟ^(guò)如下數(shù)學(xué)公式來(lái)定義：

2. 多分辨率分析（MRA）。多分辨率分析（Multi-resolution Analysis， MRA），又叫多尺度分析，由法國(guó)科學(xué)家S. Mallat提出。MRA為正交小波變換的快速算法提供了理論支撐，在正交小波變換中具有十分重要的作用。通過(guò)構(gòu)造一組函數(shù)空間，并將需要處理的信號(hào)在該空間上進(jìn)行分解，便可以得到原始信號(hào)的時(shí)頻特征。MRA的實(shí)質(zhì)是通過(guò)將原始信號(hào)分解為粗糙部分和細(xì)節(jié)部分（分別對(duì)應(yīng)低頻部分和高頻部分）。其中低頻部分揭示了原始信號(hào)的主要信息，比如周期性和趨勢(shì)性；而高頻部分顯示了原始信號(hào)的細(xì)節(jié)部分。我們同樣可以通過(guò)如下數(shù)學(xué)公式來(lái)表達(dá)：

對(duì)黃大豆1號(hào)期貨收益率的序列進(jìn)行分析以后，需要進(jìn)一步對(duì)序列的基本統(tǒng)計(jì)量進(jìn)行描述，用來(lái)驗(yàn)證研究模型的適用性，這樣有利于隨機(jī)波動(dòng)模型估計(jì)的分析。從表1的描述性統(tǒng)計(jì)結(jié)果可以看出，黃大豆1號(hào)期貨收益率序列的偏度為負(fù)，峰度大于3，說(shuō)明了收益率序列確實(shí)存在“尖峰厚尾”的特性。同時(shí)JB統(tǒng)計(jì)量為6 515.801，表明了收益率序列并不服從正態(tài)分布。因此，我們可以通過(guò)隨機(jī)波動(dòng)模型進(jìn)行建模，對(duì)黃大豆1號(hào)期貨收益率的波動(dòng)性進(jìn)行估計(jì)。

四、實(shí)證分析

（一）MCMC算法的參數(shù)估計(jì)

為了研究我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性特征，本文將使用WinBUGS1.4軟件進(jìn)行基于MCMC算法的SV模型參數(shù)估計(jì)。本文在采用Gibbs Sampling進(jìn)行抽樣時(shí)，對(duì)各個(gè)參數(shù)進(jìn)行了10 000次的迭代運(yùn)算，剔除預(yù)燒期（Burn in Period）的模擬值，確保參數(shù)估計(jì)的準(zhǔn)確性和收斂性。最后在模型達(dá)到收斂狀態(tài)后即可得到待估參數(shù)的均值、標(biāo)準(zhǔn)差及均方誤差等。圖2和圖3分別給出了各個(gè)參數(shù)迭代的動(dòng)態(tài)軌跡圖、條件后驗(yàn)分布密度圖。于是，我們得到基于MCMC算法的參數(shù)估計(jì)結(jié)果（見(jiàn)表2）。

綜合圖2和圖3來(lái)看，我們可以發(fā)現(xiàn)各個(gè)參數(shù)在迭代過(guò)程中均可以較好地圍繞后驗(yàn)均值進(jìn)行波動(dòng)，各個(gè)參數(shù)收斂性好，整個(gè)MCMC算法估計(jì)過(guò)程平穩(wěn)，表明我們所構(gòu)建的SV模型的估計(jì)結(jié)果有效且可靠。

表2為基于MCMC算法的SV模型估計(jì)結(jié)果，分別給出了SVNormal模型參數(shù)的均值、標(biāo)準(zhǔn)差、均方誤差、中位數(shù)以及2.5%和97.5%分位數(shù)的貝葉斯估計(jì)值。其中（phi）表示收益率序列波動(dòng)的持續(xù)性，其后驗(yàn)均值為0.932，說(shuō)明我國(guó)農(nóng)產(chǎn)品期貨在波動(dòng)過(guò)程中存在比較顯著的持續(xù)性。這與先前王金媛[1]通過(guò)GARCH模型所得出的結(jié)論一致。表明黃大豆1號(hào)期貨合約一旦受到外部沖擊，就會(huì)發(fā)生異常波動(dòng)，且該波動(dòng)成分在短時(shí)期內(nèi)很難被消除。

因此，我們可以得到SV模型的具體形式：

yt=exp（12θt）ut，ut ～N（0，1），t=1，…，n

θt=-0.407 1+0.932 0（θt-1+0.407 1）+υt，υt ～N（0，0.139 7），t=1，…，n

SV模型能夠很好地模擬我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性，同時(shí)MCMC算法也為模型的參數(shù)估計(jì)提供了更為準(zhǔn)確的結(jié)果，這為進(jìn)一步的波動(dòng)分解研究提供了有利的保障。

（二）小波多分辨率分析

小波多分辨率分析，表示通過(guò)將原始信號(hào)分解到不同的尺度上，繪制出不同尺度上的變量譜圖，對(duì)金融時(shí)間序列進(jìn)行更深層次的分析。下面將對(duì)現(xiàn)有的黃大豆1號(hào)期貨收益率的波動(dòng)率進(jìn)行分解，考察不同分解尺度上黃大豆1號(hào)期貨收益率的波動(dòng)特征及趨勢(shì)。

不同的小波函數(shù)分析同一個(gè)問(wèn)題也會(huì)產(chǎn)生不同的結(jié)果。因此，最優(yōu)小波函數(shù)和分解層數(shù)的確定在小波多分辨率分析中具有十分重要的作用。首先，為了剖析不同尺度上收益率序列的波動(dòng)特征，本文運(yùn)用db6小波函數(shù)（屬于Daubechies小波系，基本表現(xiàn)形式為dbN），其中6為小波的階數(shù)；其次，借鑒以往學(xué)者的研究[10]，本文對(duì)原始信號(hào)進(jìn)行5層分解。其中，x代表原始波動(dòng)率序列，ai，i=1，2，3，4，5代表低頻部分，di，i=1，2，3，4，5代表高頻部分。使用軟件Matlab（R2013a）進(jìn)行分析，于是我們得到黃大豆1號(hào)期貨對(duì)數(shù)收益率的波動(dòng)成分在不同尺度下的分量譜圖（見(jiàn)圖4和圖5）。

波動(dòng)率序列在被分解前，可能會(huì)存在隨機(jī)、不規(guī)則等因素影響，而一旦經(jīng)過(guò)小波多分辨率分析進(jìn)行分解，小波分量譜圖可以清楚地顯示在剔除隨機(jī)、不規(guī)則等因素之后的變化情況。尤其是對(duì)于關(guān)注我國(guó)農(nóng)產(chǎn)品期貨的投資者以及相關(guān)管理機(jī)構(gòu)，他們可以更好地從短期、長(zhǎng)期的不同角度研究我國(guó)農(nóng)產(chǎn)品收益率序列的波動(dòng)成分。

其中，圖4的低頻部分代表長(zhǎng)期趨勢(shì)，圖5的高頻部分代表短期波動(dòng)。因此圖4和圖5共同反映了黃大豆1號(hào)期貨收益率波動(dòng)成分的短期波動(dòng)和長(zhǎng)期趨勢(shì)。從短期波動(dòng)來(lái)看，隨著時(shí)間尺度的上升，波動(dòng)序列有逐步減弱的趨勢(shì)，長(zhǎng)期趨勢(shì)亦如此，但長(zhǎng)期成分的周期性較弱，只在部分序列期間出現(xiàn)了大幅波動(dòng)。綜合來(lái)看，不論是高頻信號(hào)還是低頻信號(hào)，不同的分解尺度在序列500～750（對(duì)應(yīng)時(shí)間段為2008年1月至2009年2月）期間，均出現(xiàn)了十分明顯的波動(dòng)。而對(duì)于高頻部分的短期波動(dòng)，往往比低頻部分的長(zhǎng)期趨勢(shì)更加劇烈。在序列125～250（對(duì)應(yīng)時(shí)間段為2006年7月至2007年1月）期間、序列500～750（對(duì)應(yīng)時(shí)間段為2008年1月至2009年2月）期間以及序列2 500～2 572（對(duì)應(yīng)時(shí)間段為2016年4月至2016年8月）期間，高頻部分都表現(xiàn)出一定的波動(dòng)。下面我們將對(duì)出現(xiàn)的短期波動(dòng)進(jìn)行深入分析。

在序列500～750（對(duì)應(yīng)時(shí)間段為2008年1月至2009年2月）期間出現(xiàn)的極大波動(dòng)很有可能是因?yàn)?008年美國(guó)次貸危機(jī)的爆發(fā)，全球經(jīng)濟(jì)金融體系動(dòng)蕩，加上隨后的歐洲債務(wù)危機(jī)，使得世界經(jīng)濟(jì)復(fù)蘇進(jìn)程充滿著不確定性，以及中國(guó)經(jīng)濟(jì)增速放緩，在這些因素共同的作用下，我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)也出現(xiàn)了劇烈的波動(dòng)。由此可以看出，我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)對(duì)國(guó)際市場(chǎng)的依賴性比較大，對(duì)極端事件的沖擊也是十分敏感的。不論是國(guó)際“好消息”還是“壞消息”，都會(huì)使得國(guó)內(nèi)農(nóng)產(chǎn)品期貨市場(chǎng)發(fā)生過(guò)度波動(dòng)。這些結(jié)論均與趙萌、吳遲[18]有關(guān)于金融危機(jī)對(duì)農(nóng)產(chǎn)品期貨市場(chǎng)的研究結(jié)論是一致的。通過(guò)對(duì)黃大豆1號(hào)期貨收益率的波動(dòng)成分進(jìn)行分解，低頻部分和高頻部分的信號(hào)分解圖都可以十分清晰地刻畫(huà)和解釋美國(guó)次貸危機(jī)對(duì)國(guó)內(nèi)農(nóng)產(chǎn)品期貨市場(chǎng)所帶來(lái)的巨大沖擊。

在序列2 500～2 572（對(duì)應(yīng)時(shí)間段為2016年4月至2016年8月）期間出現(xiàn)的短期波動(dòng)很有可能是受到匯率、國(guó)內(nèi)政策以及天氣環(huán)境等多方面因素造成的影響。（1）2016年以來(lái)，全球經(jīng)濟(jì)疲軟，人民幣匯率波動(dòng)加大，這對(duì)我國(guó)的農(nóng)業(yè)貿(mào)易等方面產(chǎn)生了重要的影響。人民幣匯率的變動(dòng)通過(guò)匯率傳遞效應(yīng)對(duì)國(guó)內(nèi)農(nóng)產(chǎn)品價(jià)格產(chǎn)生沖擊，進(jìn)而影響國(guó)內(nèi)農(nóng)產(chǎn)品現(xiàn)貨和期貨的價(jià)格。（2）國(guó)內(nèi)農(nóng)產(chǎn)品供給側(cè)改革如火如荼地進(jìn)行，直接造成多數(shù)大宗商品市場(chǎng)波動(dòng)頻繁且劇烈，進(jìn)一步影響國(guó)內(nèi)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性。（3）由于惡劣天氣的原因?qū)е氯虼蠖钩霈F(xiàn)減產(chǎn)，供不應(yīng)求的局面提升了我國(guó)農(nóng)產(chǎn)品的價(jià)格。比如阿根廷4月份的洪澇災(zāi)害對(duì)大豆產(chǎn)量有著明顯的沖擊。（4）從貨幣因素的角度考慮，目前國(guó)內(nèi)貨幣出現(xiàn)“脫虛向?qū)崱钡默F(xiàn)象，實(shí)體經(jīng)濟(jì)逐漸復(fù)蘇也會(huì)刺激農(nóng)產(chǎn)品期貨價(jià)格的波動(dòng)。

五、結(jié)論與政策建議

農(nóng)產(chǎn)品期貨收益率的波動(dòng)性往往表現(xiàn)復(fù)雜。學(xué)者們通過(guò)不同的研究方法，從不同的角度對(duì)其波動(dòng)性進(jìn)行分解、測(cè)度與預(yù)警。本文以黃大豆1號(hào)期貨結(jié)算價(jià)在2006年1月4日至2016年8月2日期間的日度數(shù)據(jù)為樣本，首先，通過(guò)運(yùn)用MCMC算法估計(jì)SV模型，實(shí)證考察了中國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)性，充分證實(shí)我國(guó)農(nóng)產(chǎn)品期貨價(jià)格波動(dòng)的聚集性、時(shí)變性和持續(xù)性。其次，結(jié)合小波多分辨率分析的方法對(duì)黃大豆1號(hào)期貨收益率的波動(dòng)成分進(jìn)行分解，進(jìn)一步刻畫(huà)出我國(guó)農(nóng)產(chǎn)品期貨收益率序列的波動(dòng)成分在不同分解尺度上的動(dòng)態(tài)特征，主要表現(xiàn)為短期波動(dòng)劇烈，但隨著時(shí)間尺度的上升，有逐步減弱的趨勢(shì)，而長(zhǎng)期成分中的周期性則表現(xiàn)較弱，只在部分序列期間出現(xiàn)了大幅波動(dòng)。最后，從時(shí)頻分析的角度解釋了我國(guó)農(nóng)產(chǎn)品期貨收益率的短期波動(dòng)及長(zhǎng)期趨勢(shì)，發(fā)現(xiàn)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)對(duì)國(guó)際市場(chǎng)的依賴性較強(qiáng)，對(duì)極端事件的沖擊也是十分敏感的。

基于計(jì)量實(shí)證模型的分析檢驗(yàn)，本文對(duì)于促進(jìn)我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)健康、良好發(fā)展提出相關(guān)政策建議：由于農(nóng)產(chǎn)品期貨市場(chǎng)受國(guó)家政策、國(guó)際市場(chǎng)以及供求關(guān)系的影響較大，因此，在研究我國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)性的同時(shí)，也要時(shí)刻警惕農(nóng)產(chǎn)品市場(chǎng)與其他市場(chǎng)之間的波動(dòng)溢出效應(yīng)，及時(shí)調(diào)整投資策略，加強(qiáng)金融監(jiān)管，放寬農(nóng)產(chǎn)品期貨市場(chǎng)準(zhǔn)入機(jī)制，完善期貨市場(chǎng)規(guī)則。

參考文獻(xiàn)：

[1] 王金媛.我國(guó)農(nóng)產(chǎn)品期貨價(jià)格波動(dòng)率分析[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2009，7（3）：3032.

[2]魏宇.中國(guó)商品期貨市場(chǎng)的風(fēng)險(xiǎn)價(jià)值模型及其后驗(yàn)分析[J].財(cái)貿(mào)經(jīng)濟(jì)，2009（2）：6368.

[3]劉向麗，成思危，汪壽陽(yáng)，等.基于ACD模型的中國(guó)期貨市場(chǎng)波動(dòng)性[J].系統(tǒng)工程理論與實(shí)踐，2012，32（2）：268273.

[4]王輝，孫志凌，謝幽篁.中國(guó)農(nóng)產(chǎn)品期貨套期保值非對(duì)稱效應(yīng)研究[J].統(tǒng)計(jì)研究，2012，29（7）：6874.

[5]楊科，田鳳平.農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)率的動(dòng)態(tài)特征及其預(yù)測(cè)模型[J].經(jīng)濟(jì)評(píng)論，2014（4）：5067.

[6]Jacquier E， Polson N G，Rossi P E.Bayesian Analysis of Stochastic Volatility Models （With Discussion）[J]. Journal of Business & Economic Statistics， 1994（12）： 371417.

[7]劉維泉，郭兆暉.EU ETS碳排放期貨市場(chǎng)風(fēng)險(xiǎn)度量——基于SV模型的實(shí)證分析[J].系統(tǒng)工程，2011，29（10）：1423.

[8]朱鈞鈞，謝識(shí)予.中國(guó)股市波動(dòng)率的雙重不對(duì)稱性及其解釋——基于MS-TGARCH模型的MCMC估計(jì)和分析[J].金融研究，2011（3）：134148.

[9]張欣，崔日明.基于非對(duì)稱隨機(jī)波動(dòng)模型的人民幣匯率波動(dòng)特征研究[J].國(guó)際金融研究，2013（1）：2837.

[10]熊正德，文慧，凌語(yǔ)蓉.基于時(shí)頻分析的農(nóng)產(chǎn)品期貨市場(chǎng)與外匯市場(chǎng)聯(lián)動(dòng)關(guān)系研究[J].中國(guó)管理科學(xué)，2013，21（11）：255263.

[11]郭玉晶，宋林，王鋒.國(guó)際原油期貨與農(nóng)產(chǎn)品期貨市場(chǎng)的波動(dòng)溢出效應(yīng)——基于離散小波和BEKK模型的研究[J].國(guó)際商務(wù)：對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào)，2015（6）：8696.

[12]曹霜，何玉成.基于小波分解的SVM-ARIMA農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策，2015（13）：9295.

[13]Kim S， Shephard N， Chib S. Stochastic Volatility： Likelihood Inference and Comparison With ARCH models[J].Review of Economic Studies， 1998， 65： 361393.

[14]余素紅，張世英，宋軍.基于GARCH模型和SV模型的VaR比較[J].管理科學(xué)學(xué)報(bào)，2004（7）：6166.

[15]Renate Meyer， Jun Yu. BUGS for a Bayesian Analysis of Stochastic Volatility Models[J]. Econometrics Journal， 2000（3）：198215.

[16]于鳳芹.實(shí)用小波分析十講[M].西安：西安電子科技大學(xué)出版社，2013：65.

[17]施利敏，溫彬，扈文秀.匯率與農(nóng)產(chǎn)品期貨價(jià)格關(guān)系研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2009（12）：3742.

[18]趙萌，吳遲.金融危機(jī)對(duì)中國(guó)農(nóng)產(chǎn)品期貨市場(chǎng)的沖擊——基于事件研究法的價(jià)格敏感性測(cè)試[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2010（7）：412.

Abstract：Based on No.1 Soybeans futures settlement price from January 4， 2006 to August 2， 2016， this paper explores the volatility of the Chinese Agricultural Commodities Futures Market by using MCMC algorithm to estimate SV model， which demonstrates the volatility characteristic of Chinese agricultural futures market， such as clustering， time-varying and persistent. Then， the paper uses Wavelet Multiresolution Analysis to decompose the volatility data， which verifies Chinese agricultural futures market is dependent on the international market. And the impact of extreme events is also very sensitive. Accordingly， the paper argues that we must also remain vigilant of volatility spillovers between agricultural markets and other markets， adjust the investment strategy timely， and strengthen financial supervision.

Key words：agricultural product futures； volatility； SV Model； MCMC Method；Multiresolution Analysis