基于GARCH模型族的国际船用燃油价格波动性研究

 在航运实践中，船用燃油成本一直都在航次成本中占有较大的比重，长航次中燃油成本可占航次成本的75%左右，在短航次中也可占有20%左右的比重，平均看来燃油成本要占到航次成本的50%以上。因此，燃油价格的波动将会直接影响到船舶经营人的经营成本，进而影响到盈利水平。在当前形势下，由于原油价格的高居不下，船用燃油价格也一直处于高位，再加上因货运需求不旺，运力过剩等市场因素的影响，航运企业均面临着巨大的成本压力，因此加强经营成本的控制和管理，成为众多航运企业应对航运业发展低谷的重要手段，加强对船用燃油价格波动的监控和预测则成为重中之重。

在国内外学术研究中，还鲜见有文章专门研究分析船用燃油价格的波动性，但是有大量的学者从多种角度对石油价格波动进行了相关研究。Yang等人利用ECM模型对美国石油市场石油价格的影响因素进行了分析，同时利用GARCH-ARMA模型研究了石油价格的波动性[1]；Paresh Kumar 和Seema利用EGARCH模型研究了1991年至2006年间的原油价格波动，为了验证结论的可靠性，文章还将样本时间序列分成若干段分别进行研究。研究结果表明：原油价格变化规律在短期内是不断变化的，但就长期而言，外部冲击对价格波动有持续和非对称的影响[2]；Aijun和Sandy通过对布伦特及WTI原油市场的石油价格收益率的研究，证明了非参数GARCH模型比广泛使用的参数GARCH模型具有更好的样本外预测能力[3]；冯春山等人利用 ARCH模型对国际石油价格进行波动性检验，发现国际石油价格呈现较为明显的ARCH效应，指出石油企业抵御价格风险，应建立以期货交易为主要手段的风险管理体制[4]；潘慧峰、张金水基于ARCH类模型探讨了我国原油价格收益率的波动性，得出收益率序列具有显著的异方差性，但波动呈现“短记忆”性以及石油市场存在显著的杠杆效应，具体表现为相同幅度的油价上涨比下跌对下一期波动的影响更大等结论[5]；邹艳芬、陆宇海采用GARCH模型，实证分析证明了石油价格的GARCH（1，1）-t模型模拟结果优于GARCH（1，1）-N模型[6]；魏巍贤、林伯强运用GARCH模型证明了国际石油市场波动集聚现象和波动的持续性比国内市场更为严重[7]。虽然学术界对于石油价格波动性研究已较为成熟，但是仍有必要对船用燃油价格的波动性进行专门的研究，因为船用燃油市场有着其独有的特征，世界船用燃油交易主要集中在新加坡、鹿特丹以及休斯顿三地，其中以新加坡市场的交易量最大，由于船用燃油的需求来自于海运业，而海运业的季节性全球性特征，对船用燃油价格有着一定的影响。

为深入研究船用燃油价格的波动性，本文以GARCH模型族为研究工具，对新加坡市场的IFO380cst①价格波动性进行实证分析。

一、GARCH模型族概述

1982年Engle提出ARCH模型以描述波动的聚类性和持久性。1986年Bollerslev为解决ARCH模型中需要估计大量参数的难题，提出了GARCH模型。对于金融资产而言，一般其收益与其风险成正比，风险越大则意味着预期的收益就越高，1987年Engle等人构造出GARCH-M模型，利用条件方差来表示预期风险。在资本市场中资产价格的波动率在受市场冲击影响下往往表现出非对称性，具体来看波动率对市场下跌的反应要强烈于对市场上涨的反应，这一非对称性也被称为“杠杆效应”。1990年Zakoǐan和1993年Glosten等人针对“杠杆效应”提出了TARCH模型，用以描述好坏消息带来冲击的非对称效应。

现分别给出上述模型的数学表达式。

GARCH　（q，p）模型的均值方程为yt=x'tγ+μ　，条件方差方程为

σ2t=ω+∑qj=1βjσ2t-j+∑pi=1αiμ2t-i

GARCH-M模型在均值方程中引入参数　ρ与条件方差σ2t，其均值方差为yt=x'tγ+ρσ2t+μt，　条件方差方程保持不变。TARCH模型则是在条件方差方程中引入虚拟变量　dt-k，　将条件方差方程设定为

σ2t=ω+∑qj=1βjσ2t-j+

∑pi=1αiμ2t-i+∑rk=1γkμ2t-kdt-k

式中：　∑rk=1γkμ2t-kdt-k　为非对称效应项或TARCH项。

二、船用燃油收益率的基本统计特征

本文研究对象是新加坡市场的船用燃油IFO380cst即期价格，样本取值是从2005年1月3日至2010年12月31日的日数据，共1 507个样本值② 。金融经济学中一般使用对数价格收益率来描述价格的波动特征，Pt表示第t期的新加坡市场IFO380cst价格。见图1。

图3中，峰度值较大表明日收益率序列具有明显的“宽尾”特征，JB正态检验的结果也证实序列分布不属于正态分布。对序列进行　ADF　单位根检验，知在1%的显著性水平下拒绝存在单位根的假设（　t　统计量值为-37.995，远小于Mackinnon临界值），说明原序列是一平稳时间序列。对序列Rt进行自相关性检验，根据Ljung-BoxQ统计量可知序列存在明显的自相关性，故拟考虑采用ARMA模型来描述该序列。为得到最佳模型，根据序列的相关图，分别比较ARMA（1，1）、AR（1）、MA（1）模型，依据AIC准则最终选取ARMA（1，1）模型进行回归估计，回归方程为：Rt=0.922747Rt-1+εt-0.954186εt-1

t-Statistic=（49.720） （-37.452）

通过对上述回归模型的残差序列进行自相关检验，结果发现收益率序列残差不存在自相关性。而对残差平方序列进行自相关检验，发现残差平方序列存在明显的自相关性，于是，进一步对回归模型的残差序列作滞后3期的ARCH LM检验，检验结果显示　P　值为0，故拒绝原假设，说明残差序列存在ARCH效应。

三、GARCH模型族的建立

通过ARCH LM检验知ARCH项阶数较高，因此考虑利用GARCH模型来进行降阶，在计量经济学中GARCH（1，1）模型是刻画条件异方差最为基本的形式，其在金融领域有着广泛的运用并得到解释，故本文先采用GARCH（1，1）模型以消除序列中的异方差性。得到均值方差和条件方差方程分别为：

均值方程

Rt=0.986004Rt-1+εt-0.980624εt-1

z-Statistic= （84.618） （-68.418）

条件方差方程

2t=4.79E-06+0.058892t-1+0.9295052t-1

z-Statistic= （3.467） （6.899） （91.032）

再对GARCH（1，1）模型拟合出的回归模型的残差序列进行ARCH LM检验，结果表明接受不存在ARCH效应的原假设。(责任编辑：论文发表网)转贴于八度论文发表网: http://www.8dulw.com(论文网__代写代发论文_论文发表_毕业论文_免费论文范文网_论文格式_广东论文网_广州论文网)