新冠疫情冲击下中国有色金属期货市场效率分析

尹涛; 黄双双; 吴永强; 高汉; 王一鸣; 袁先智

doi:10.12012/CJoE2024-0034

PDF(1789 KB)

计量经济学报 ›› 2024, Vol. 4 ›› Issue (3) : 858-878. DOI: 10.12012/CJoE2024-0034

论文

新冠疫情冲击下中国有色金属期货市场效率分析

⁶

⁴

⁵

作者信息 +

Analysis of the Effciency of China's Nonferrous Metals Futures Market under the Impact of the COVID-19

⁶

⁴

⁵

Author information +

文章历史 +

摘要

由于全球新冠疫情的暴发, 各国经济和金融市场受到了严重的冲击, 而中国有色金属期货市场也不例外. 因此, 对于新冠疫情如何影响中国有色金属期货市场的研究, 在我国期货市场的发展进程中具有重要的理论和实践意义. 本文采用了MF-DFA和多重分形谱分析方法, 通过对沪铜、沪铝、沪锌、沪铅四种有色金属期货价格数据进行分析, 探讨了新冠疫情对这些市场效率的影响, 并进一步分析了市场风险的变化情况. 实证结果显示, 除了沪铜期货外, 沪铝、沪锌、沪铅三种有色金属期货受到新冠疫情冲击后, 市场效率下降、市场风险加大. 具体而言, 沪铝期货市场效率下降最为明显, 而沪铅期货价格波动最为剧烈, 市场风险增加最多. 此外, 本文对新冠疫情前后原始时间序列进行重排和替代处理后发现, 在疫情前, 时间序列的长程相关性对四种金属期货市场低效性的贡献程度更大; 而在疫情之后, 时间序列的厚尾分布对沪铜期货市场出现低效性的作用程度更大. 而对其他三种有色金属期货来说, 时间序列的长程相关性依然是其造成市场低效性更加重要的原因. 以上结论阐述了较大冲击因素对市场造成的影响特征, 有助于我国有色金属期货市场的成熟稳定发展.

Abstract

Due to the outbreak of the global COVID-19 epidemic, the economies and financial markets of various countries have been severely impacted when the nonferrous metals futures market of China is also influenced. Therefore, the study of how the new coronavirus epidemic affects the nonferrous metals futures market of China has an important theoretical and practical value in the development of our country's futures market. This article uses MF-DFA and multifractal spectrum analysis methods to analyze the price datas of four non-ferrous metal futures: Shanghai copper, Shanghai aluminum, Shanghai zinc, and Shanghai lead, and explores the impact of the COVID-19 epidemic on the effciency of these markets, and further analyzes changes in market risk. Empirical results show that except Shanghai copper futures, the market effciency of Shanghai aluminum, Shanghai zinc, and Shanghai lead non-ferrous metal futures had declined and market risks had increased after being affected by the COVID-19 epidemic. Specifically, the effciency of the Shanghai aluminum futures market had dropped most significantly, while the price of Shanghai lead futures had been the most volatile, and market risks had increased the most. In addition, this article rearranges and substitutes the original time series before and after the COVID-19 epidemic and finds that the long-term correlation of the time series contributed more to the ineffciency of the four metal futures markets before the epidemic. While after the epidemic, time series the thick-tailed distribution of the series plays a greater role in the ineffciency of the Shanghai copper futures market. For the other three nonferrous metal futures, the long-term correlation of time series is still a more crucial reason for market ineffciency. The above conclusion illustrates the characteristics of the impact of major impact factors on the market. They also may be instrumental for the nonferrous metals futures market of our country turning to more mature and stable.

导出引用

尹涛 , 黄双双 , 吴永强 , 高汉 , 王一鸣 , 袁先智. 新冠疫情冲击下中国有色金属期货市场效率分析. 计量经济学报, 2024, 4(3): 858-878 https://doi.org/10.12012/CJoE2024-0034

Tao YIN , Shuangshuang HUANG , Yongqiang WU , Han GAO , Yiming WANG , YUAN George. Analysis of the Effciency of China's Nonferrous Metals Futures Market under the Impact of the COVID-19. China Journal of Econometrics, 2024, 4(3): 858-878 https://doi.org/10.12012/CJoE2024-0034

1 引言

我国期货市场建立于20世纪80年代末, 随着市场的发展和政策的支持, 已经由最初的单品种期货发展到了多品种以及诸多衍生品. 这一发展不仅仅是时代的需求推动, 更是国内经济体对期货价格发现功能的需求, 从而引导实体行业(如制造业等)的发展. 有色金属是重要的工业生产基础性原材料, 有色金属产业是我国制造业的重要基础产业之一, 是实现制造强国的重要支撑之一. 根据工信部的发布, 2022年我国全部工业增加值突破40万亿占GDP比重达33.2%, 而其中制造业增加值就占GDP的27.7%, 制造业规模连续13年居国内甚至是世界范围的首位. 我国有色金属工业无论是产品、市场还是质量、标准, 都是最早与国际接轨的工业行业. 从20世纪90年代初期, 资本便通过期货市场与有色金属行业发生关联. 经历30多年的发展, 产融结合、期现互动, 期货服务实体经济价格发现和风险管理功能不断增强, 国内有色金属工业已成为市场化程度最高、适应国际市场变化最快、应对国际市场冲击能力最强的工业行业之一. 而且, 有色金属期货价格已成为国家监测有色金属市场的重要参考指标. 同时, 期货的价格发现功能, 提高了有色金属资源市场化配置效率, 提升了我国有色金属产业市场竞争力, 上海期货交易所已成为全球三大有色金属定价中心之一, 铜期货价格已成为我国铜产业链现货贸易的定价基准. 我国有色金属期货市场非常活跃, 截至2022年, 有色金属期货交割金额582亿元, 约占我国期货市场交割金额的38%; 2022年, 铜、铝、锌位列我国商品期货功能评估综合评分前三位. 因此研究我国的有色金属期货市场很有必要, 将在完善期货市场运行机制等方面具有重要的现实意义.

我国有色金属工业无论是产品、市场还是质量、标准, 都是最早与国际接轨的工业行业. 从20世纪90年代初期, 资本便通过期货市场与有色金属行业发生关联. 经历30多年的发展, 产融结合、期现互动, 期货服务实体经济价格发现和风险管理功能不断增强, 国内有色金属工业已成为市场化程度最高、适应国际市场变化最快、应对国际市场冲击能力最强的工业行业之一. 2022年, 有色金属期货交割金额582亿元, 约占我国期货市场交割金额的38%; 2022年, 铜、铝、锌位列我国商品期货功能评估综合评分前三位.

新冠疫情作为20世纪以来影响最为深远的一次突发公共卫生事件, 其对金融市场的影响不容忽视, 国内外大量学者也对此次新冠疫情给金融市场带来的冲击和影响展开了广泛的研究. 传统的对金融市场的研究往往是基于有效市场假说, 运用计量经济学的方法对金融市场的价格波动行为进行研究. 方意等(2021)基于LASSO-VAR模型的广义方差分解法分析了新冠疫情对全球和中国外汇市场的影响, 其研究结果发现, 在疫情发生后新兴市场国家的汇率波动幅度更大. 李绍芳等(2022)以G20国家金融市场作为研究对象, 利用CAViaR模型和Granger因果关系网络模型实证分析了不同国家的金融市场在新冠疫情冲击下尾部风险的跨市场传播, 结果表明疫情冲击下全球金融市场间尾部风险溢出水平明显提高. Mohsin et al.(2020)运用EGARCH模型研究了在新冠疫情冲击下全球金融市场的波动反应. 刘璐等(2023)以投资者情绪和货币政策为两大传导渠道构建SV-TVP-VAR模型, 实证分析了新冠疫情对中国农产品价格的影响及其异质性特征. 沈悦等(2022)同时运用CoVAR模型与事件研究法, 分析了新冠疫情对中国银行、证券、保险及房地产系统性金融风险的影响.

以上研究分析都是基于有效市场假说理论, 但后来的大量研究表明, 金融市场具有多维度、非线性的复杂结构, 其波动聚集和长记忆性特点显著, 这些都对传统的有效市场假说提出了质疑. 为了更好地解释金融市场的复杂运动, 数学家 Mandelbrot (1983)首次提出了分形理论. 在分形理论的基础上, Peter (1994)提出著名的分形市场假说(fractal market hypothesis, FMH)来对金融市场的复杂运动进行更加详细的刻画. 之后不断有学者将分形理论运用到对金融市场的研究中, 其中将多重分形消除趋势波动分析法(multifractal detrended fluctuation analysis, MF-DFA)运用到对金融时间序列的研究中最为广泛.

Aslam et al. (2020)运用MF-DFA方法评估了新冠疫情对八个欧洲股市多重分形特征的影响, 其结果表明新冠疫情暴发期间欧洲股市存在多重分形特征, 且西班牙股市效率最高, 奥地利股市效率最低. Choi (2021)运用MF-DFA分析方法, 对金融危机和新冠疫情时期美国股市11个板块的收益序列进行了多重分形分析, 结果表明在两次危机时期, 非必需消费品和公用事业部门的效率分别最高和最低, 厚尾分布对多重分形特征的贡献程度更高, 且效率排名越低的部门, 厚尾分布对其多重分形影响越大. Mensi et al. (2020)应用非对称多重分形去趋势波动分析(A-MF-DFA)方法研究了新冠疫情对黄金和石油价格多重分形的影响, 研究表明与新冠疫情暴发前相比, 疫情暴发期间这两个市场的效率更低. 且在新冠疫情暴发期间, 黄金(石油)在上升(下降)趋势中效率更低, 这与疫情暴发之前的结果正好相反. Faheem et al. (2022)利用MF-DFA分析方法研究了新冠疫情对农产品期货市场效率的影响, 其研究结果表明, 新冠疫情对所研究的几种农产品期货的多重分形特征产生了巨大而不同的影响. 徐楠等(2022)基于MF-DFA分析方法, 研究了新冠疫情的暴发对中国股票市场造成的冲击, 其实证结果表明, 在所研究的样本期内, 中国股票市场的各个代表性指数均具有多重分形特征, 且疫情期间中国股票市场多重分形性增强, 市场有效性受到严重削弱, 市场风险明显增加; 疫情得到控制之后, 市场有效性开始恢复, 市场风险也显著下降. Xing et al.(2023)运用MF-DFA和MF-DCCA方法探讨新冠疫情和股市崩盘对纳斯达克保险指数和纳斯达克综合指数的影响, 实证结果表明新冠疫情发生前后的指数序列均具有多重分形特征; 且新冠疫情发生后, 多重分形特征更强, 多重分形程度更大, 两个指标之间显示出更强的多重分形互相关性.

综合以上诸多文献, 不难发现, 国内外学者对于外部因素冲击金融市场的复杂研究都运用到了多重分形理论, 但缺乏对各市场的多重分形产生的原因进行探讨分析, 同时鲜有文献对我国有色金属期货市场的效率进行研究. 考虑到铜、铝、铅、锌消费量占我国有色金属消费总量的95%以上, 是重要的基础性有色金属资源. 因此本文将采用上海期货交易所四种有色金属期货: 沪铜、沪铝、沪铅和沪锌作为研究对象. 随着我国有色金属期货市场的发展, 交易规模的增加使之逐渐呈现出多维度、非线性的复杂分形结构, 这已经不再适合以传统有效市场假说为基础的研究来指导我国金融市场的发展. 因此本文基于我国市场特征和方法适用性角度, 提出利用多重分形理论研究我国有色金属期货市场受新冠疫情的影响的思路具有其必要性. 本文的研究可以使得我国政府、学者和市场交易者深入了解类如新冠疫情这一大冲击给我国有色金属期货市场所带来的市场效率的变化特征, 为进一步提升我国有色金属期货市场的稳定和效率提供了理论基础.

与前人的研究相比, 本文的主要贡献点在于: 第一, 不同于基于有效市场的传统研究, 本文根据我国有色金属市场的特点特征, 利用多重分形消除趋势波动分析法(MF-DFA)对新冠疫情如何影响我国有色金属期货市场效率进行了实证研究. 本文的研究丰富并拓展了利用分形理论研究的范畴. 第二, 据我们所知, 目前尚未见有学者运用多重分形消除趋势波动分析法(MF-DFA)分析新冠疫情对我国有色金属期货市场造成的负面冲击. 基于外部因素对于有色金属期货市场的大冲击, 本文的研究结果给以我国政府相关部门制定政策、相关实体制造企业的成本预算和控制以及有色金属期货市场交易者投资决策予以了理论上的支持. 第三, 本文在新冠疫情对金融市场造成冲击和影响的基础上进行补充和拓展, 运用国内学者很少使用的MF-DFA模型和多重分形谱分析方法, 拓宽分形理论研究范畴的同时丰富了新冠疫情对金融领域影响的研究.

2 研究方法

众多学者在研究市场效率会选择诸多不同的方法, 例如线性回归模型、时间序列分析(自回归模型、移动平均模型)、协整关系分析等, 但这些都属于线性研究的模型, 无法真实体现出我国期货市场所表现出的多维度、非线性的复杂特征. 而非线性的研究方法中又有人工神经网络、决策树和随机森林等, 但这些方法过于微观更适合市场交易, 不适合学术界找出一般普适性的理论研究. 所以选择一种合适的研究方法至关重要, MF-DFA模型是 Kantelhardt et al. (2002)将DFA模型(Peng et al., 1994) 与标准配分函数相结合的基础上提出来的, 可以将该模型用来检验突发事件冲击下金融市场多重分形性的强弱、市场风险大小以及市场有效性的变化. 此外, 在第二章文献中也能观察到MF-DFA能够展现出市场的多重分形特征和长程相关性, 这一角度能够深层次解释我国有色金属期货市场效率变化的原因, 所以本文选择MF-DFA模型研究新冠疫情对我国有色金属期货市场效率的影响具有其必要性和合理性. 该模型的具体计算步骤如下:

步骤1: 给定一个长度为N的时间序列

{x_{i}}, i = 1, 2, \dots, N,

通过对序列{x_i}进行求和得到如下新序列:

y (i) = \sum_{k = 1}^{i} (x_{k} - \bar{x}), i = 1, 2, \dots, N,

(1)

式(1)的

\bar{x}

为x_i的均值, 表达式为

\bar{x} = \frac{1}{N} \cdot \sum_{i = 1}^{N} x_{i}

步骤2: 把新序列

y (i)

分割成

N_{s}

个长度为

s

的互不相交的等长子区间, 其中

N_{s} = i n t (N / s)

, 因为

N

并不总是长度

s

的整数倍, 所以序列尾端可能存在剩余即没有被除尽的余数. 为了保证序列在分割过程中不遗失尾端剩余数据, 从新序列

y (i)

的末端开始再次重复这一过程. 这样, 最终得到2

N_{s}

个子区间.

步骤3: 采用最小二乘法进行拟合, 得出每个子区间的局部趋势即

p_{v} (j)

函数, 进一步再消除每个子区间中的局部趋势序列, 求得最终残差序列

z_{v} (j)

\begin{aligned} z_{v} (j) = y_{v} (j) - p_{v} (j), j = 1, 2, \dots, s . \end{aligned}

(2)

步骤4: 在全部

2 N_{s}

个子区间已经消除趋势的基础上, 对其求平方均值:

\begin{aligned} F^{2} (s, v) = \frac{1}{S} \cdot \sum_{j = 1}^{s} Z_{v}^{2} (j), \end{aligned}

(3)

其中

v = 1, 2, \dots, N_{s}

, 再进一步运算求得序列的

q

阶波动函数:

\begin{aligned} F_{q} (s) = {\frac{1}{2 N_{s}} \cdot \sum_{v = 1}^{2 N_{s}} [F^{2} (s, v)]^{\frac{q}{2}}}^{\frac{1}{q}} . \end{aligned}

(4)

式(4)中, 当

q < 0

时, 描述的是在小波动范围内的标度行为; 当

q > 0

时, 描述的是在大波动范围内的标度行为. 当

q = 0

时, 波动函数变为:

\begin{aligned} F_{0} (s) = lim_{q \to 0} F_{q} (s) = \exp {\frac{1}{4 N_{s}} \cdot \sum_{v = 1}^{2 N_{s}} \ln F^{2} (s, v)} . \end{aligned}

(5)

步骤5: 波动函数

F_{q} (s)

是分割长度

s

的函数,

F_{q} (s)

和

s

之间的幂律相关关系如下:

\begin{aligned} F_{q} (s) \propto s^{h (q)} . \end{aligned}

(6)

由式(6)推得:

\begin{aligned} \log F_{q} (s) = h (q) \log s + C . \end{aligned}

(7)

式(7)中的

C

为常数, 对每一个分割长度

s

都有一个波动函数值

F_{q} (s)

与之对应, 通过最小二乘法进行线性回归, 绘制出

\log F_{q} (s) \sim \log (s)

双对数波动曲线图, 其斜率即为广义Hurst指数

h (q)

. 如果

h (q)

不随阶数

q

的变化而变化, 即

q

为一个常数, 则原始时间序列是单分形的; 如果

h (q)

随着阶数

q

的改变而改变, 则原始时间序列表现为多重分形. 当

q = 2

时, 波动函数

F_{q} (s)

就是标准的DFA, 此时广义Hurst指数

h (q)

就是经典Hurst指数. 经典Hurst指数通常可以用来反映时间序列的未来波动信息: 当

h (2) = 1 / 2

时, 时间序列表现为独立的白噪声过程, 价格遵循随机游走; 当

0 < h (2) < 1 / 2

时, 时间序列表现为负的长程相关性, 即反持续性, 未来趋势与过去趋势反向变动; 当

1 / 2 < h (2) < 1

时, 时间序列表现为正向的长程相关性, 即正持续性, 未来趋势与过去趋势同向变动. 此外, 广义Hurst指数

h (q)

的变化幅度大小通常可以用来衡量金融市场多重分形性的强弱, 其表达式如下:

\begin{aligned} Δ h (q) = h (q)_{max} - h (q)_{min} . \end{aligned}

(8)

式(8)中

Δ h (q)

的值越大, 该金融市场的多重分形程度越强, 市场有效性越弱; 反之, 则相反.

步骤6: 通过MF-DFA分析方法, 可以得到多重分形质量指数

τ (q)

与广义Hurst指数的相关关系式如下:

\begin{aligned} τ (q) = q \cdot h (q) - 1. \end{aligned}

(9)

式(9)中多重分形质量指数

τ (q)

也可以用来判断金融市场的多重分形特征, 多重分形质量指数

τ (q)

的非线性程度越高, 凸度越大, 金融市场的多重分形性越强, 市场效率越低.

步骤7: 根据物理统计中的Legendre变换, 可以得到奇异指数

α

和多重分形谱

f (α)

的如下关系式:

\begin{matrix} α = \frac{d τ (q)}{d q} = h (q) + q \cdot h (q), \end{matrix}

(10)

\begin{matrix} f (α) = q \cdot α - τ (q) = 1 + q \cdot [α - h (q)] . \end{matrix}

(11)

由式(11)可得

α - f (α)

的多重分形谱图, 可以根据多重分形谱图的形状来判断金融市场是否具备多重分形特征. 一般来说, 具备多重分形特征的多重分形谱图大致呈“单峰钟形”. 其中, 多重分形谱宽度

Δ α

和多重分形谱高度差异

Δ f

的表达式如下:

\begin{aligned} Δ α & = α_{max} - α_{min}, \end{aligned}

(12)

\begin{aligned} Δ f & = f (α_{min}) - f (α_{max}) . \end{aligned}

(13)

式(12)中多重分形谱宽度

Δ α

越大, 说明时间序列的波动范围越广, 多重分形强度越大, 市场复杂程度越高, 市场有效性越低; 反之, 则相反. 式(13)中多重分形谱高度差异

Δ f

的正负代表时间序列的波动信号位于波峰和波谷的比例. 若

Δ f > 0

, 代表价格整体处于波峰状态; 若

Δ f < 0

, 代表价格整体处于波谷状态. 此外,

| Δ f |

可以用来表示市场价格波动幅度的大小.

| Δ f |

越大, 市场价格波动幅度越大, 市场风险越大; 反之, 则相反.

3 实证分析

3.1 数据选取与描述性统计分析

本文选取上海期货交易所的沪铝、沪铜、沪锌、沪铅连三期货价格的每日收盘价数据作为研究样本, 选取的原因是这四种有色金属期货的流动性较好, 上市时间也相对较早, 因此代表性比较强. 由于这4种期货合约的上市时间并不相同, 为了保证时间序列的一致性, 最终确定样本选取的时间跨度是2014年1月1日– 2023年6月11日, 共获得上海期货交易所2297个日收盘价数据. 数据均来源于同花顺数据库. 同时, 以世界卫生组织2020年1月30日宣布将新冠疫情列为国际关注的突发公共卫生事件作为划分新冠疫情全面暴发前后的时间点. 因此, 新冠疫情暴发之前的时间跨度为2014年1月1日– 2020年1月30日, 新冠疫情暴发之后的时间跨度为2020年1月30日– 2023年6月11日. 通过以上划分, 对疫情发生前后上海期货交易所四种有色金属期货的市场有效性和市场风险的变化进行比较分析.

为了便于研究, 对上海期货交易所的四种有色金属期货价格进行对数化处理, 得到期货价格的日收益率数据. 期货价格日收益率

r_{t}

定义为每日价格对数值的一阶差分:

r_{t} = \ln p_{t} - \ln p_{t - 1}

, 其中

P_{t}

为有色金属期货在第

t

个交易日的收盘价.

图 1是上海期货交易所四种有色金属期货的收益率时间序列图. 从中可以看出, 四种有色金属期货价格的日对数收益率均在0上下浮动, 大波动后面跟随着较大的波动, 小波动后面跟随着较小的波动, 且这四种有色金属期货均在2020年新冠疫情暴发之后出现多个异常波动的峰值. 因此, 这四种有色金属期货均存在不同程度的波动聚集性特征. 原因可能是我国有色金属期货市场起步较晚, 市场的体制机制还未完善, 监管机制不成熟, 导致市场抵御外来冲击的能力相对较弱.

图1 上海期货交易所四种有色金属期货收益率时间序列图

Full size|PPT slide

表 1列出了疫情前后上海期货交易所四种有色金属期货的基本统计量. 从偏度来看, 疫情前沪铝和沪铜期货的偏度均大于0, 即呈右偏状态; 而疫情后, 沪铝和沪铜期货的偏度均小于0, 即呈左偏状态; 而疫情前后沪锌和沪铅期货的偏度均小于0, 呈左偏状态. 从峰度来看, 无论是在疫情前还是在疫情后, 这四种有色金属期货收益率时间序列的峰度均大于正态分布的峰度3, 说明疫情前后这四种有色金属期货的分布与正态分布相比更加陡峭, 呈“尖峰顶”. 从标准差来看, 疫情前后这四种有色金属期货的标准差均远小于正态分布的标准差1. 综合来看, 疫情前后这四种有色金属期货的收益率时间序列均不服从正态分布.

表1 上海期货交易所四种有色金属期货的基本统计量

	AL03.SHF		CU03.SHF		ZN03.SHF		PB03.SHF
	疫情前	疫情后	疫情前	疫情后	疫情前	疫情后	疫情前	疫情后
原始样本数	1, 479	816	1, 479	816	1, 479	816	1, 479	816
均值	−0.000004	0.000342	−0.000060	0.000475	0.000113	0.000152	0.000019	0.000074
标准差	0.008660	0.013537	0.010639	0.012548	0.012773	0.014236	0.011493	0.009859
方差	0.000075	0.000183	0.000113	0.000158	0.000163	0.000203	0.000132	0.000097
最小值	−0.044736	−0.063094	−0.057800	−0.064830	−0.070530	−0.075940	−0.077700	−0.051010
最大值	0.047516	0.048877	0.062914	0.050194	0.057605	0.073608	0.068772	0.037728
偏度	0.121677	−0.729612	0.148611	−0.214120	−0.100820	−0.163230	−0.087000	−0.086090
峰度	6.038721	5.853213	7.321701	5.754673	5.325215	6.319354	7.213464	4.942098

3.2 新冠疫情对上海期货交易所四种有色金属期货市场的影响

为了更好的研究上海期货交易所四种有色金属期货市场的效率, 对这个市场的四组收益率时间序列进行MF-DFA分析, 参照Lashermes et al. (2002) 等将波动函数的阶数

q

的取值范围定为

[- 5, 5]

, 四组收益率序列分割区间长度

s

的取值为6、8、10、12、14、16、18、20.

3.2.1 基于MF-DFA分析

图 2描绘了疫情前后上海期货交易所四种有色金属期货收益率时间序列的

\log F_{q} (s) \sim \log (s)

双对数波动曲线图, 图中不同颜色的曲线代表不同的阶数

q

, 其斜率代表广义Hurst指数. 从图中可以明显发现, 疫情前后四种有色金属期货收益率时间序列的广义Hurst指数随着阶数

q

的改变而改变, 说明疫情前后这四种有色金属期货市场具有明显的多重分形特征. 此外, 通过比较可以发现, 疫情后沪铝、沪锌、沪铅期货的多重分形强度和波动幅度较疫情前明显加大, 市场有效性下降; 而疫情后沪铜期货的多重分形强度和波动幅度较疫情前略有减弱, 说明沪铜期货市场抵御突发事件冲击的能力相对较强.

图2 疫情前后上海期货交易所四种有色金属期货 $\log F_{q} (s) \sim \log (s)$ 双对数波动曲线图

Full size|PPT slide

表 2显示了上海期货交易所四种有色金属期货沪铝、沪铜、沪锌、沪铅在疫情前后的广义Hurst指数, 通过对这四种有色金属期货进行MF-DFA分析, 可以得到:

表2 疫情前后上海期货交易所四种有色金属期货广义Hurst指数

q	AL03.SHF		CU03.SHF		ZN03.SHF		PB03.SHF
q	疫情前	疫情后	疫情前	疫情后	疫情前	疫情后	疫情前	疫情后
−5	0.5929	1.1465	0.5904	0.4031	0.3883	0.4317	0.5271	0.7747
−4	0.5027	1.0323	0.5233	0.3755	0.3646	0.3908	0.4926	0.6869
−3	0.4055	0.8453	0.4418	0.3415	0.3321	0.3466	0.4436	0.5681
−2	0.3171	0.5682	0.3573	0.3013	0.2910	0.3007	0.3786	0.4330
−1	0.2468	0.3391	0.2827	0.2566	0.2449	0.2548	0.3041	0.3154
0	0.1927	0.2362	0.2233	0.2103	0.1984	0.2112	0.2319	0.2299
1	0.1489	0.1805	0.1766	0.1661	0.1545	0.1702	0.1701	0.1680
2	0.1110	0.1381	0.1365	0.1267	0.1137	0.1283	0.1203	0.1212
3	0.0776	0.0997	0.0968	0.0926	0.0745	0.0803	0.0818	0.0852
4	0.0483	0.0638	0.0545	0.0631	0.0364	0.0256	0.0535	0.0576
5	0.0232	0.0312	0.0125	0.0377	0.0008	−0.0290	0.0338	0.0361
$Δ h (q)$	0.5697	1.1153	0.5779	0.3654	0.3875	0.4606	0.4932	0.7386

第一, 当阶数

q

从

-

5变化到5的过程中, 无论是在疫情前还是在疫情后, 上海期货交易所四种有色金属期货收益率时间序列的广义Hurst指数呈现出递减的特点, 并不是一个常数. 这说明四种有色金属期货市场在疫情前后均具有明显的多重分形特征.

第二, 当

q = 2

时, 广义Hurst指数变为经典Hurst指数. 通过观察可知, 无论是在疫情前还是在疫情后, 有色金属沪铝、沪铜、沪锌、沪铅期货收益率时间序列的经典Hurst指数

h (2)

均显著小于0.5, 说明这四种有色金属期货的价格并不是随机游走的, 而是具备长程相关性的, 并且这一相关性表现为反持续性.

第三, 通过比较上海期货交易所四种有色金属期货在疫情前后

Δ h (q)

值的大小, 可以分析疫情前后不同种有色金属期货市场之间市场效率的高低. 从表 2中可以看出, 在疫情之前,

Δ h (q)_{沪铜} \geq Δ h (q)_{沪铝} \geq Δ h (q)_{沪铅} \geq Δ h (q)_{沪锌}

, 即在上海期货交易所中, 疫情前沪铜、沪铝、沪铅、沪锌的多重分形程度依次递减, 市场效率依次递增; 在疫情之后,

Δ h (q)_{沪铝} \geq Δ h (q)_{沪铅} \geq Δ h (q)_{沪锌} \geq Δ h (q)_{沪铜}

, 即在上海期货交易所中, 疫情后沪铝、沪铅、沪锌、沪铜的多重分形程度依次递减, 市场效率依次递增. 此外, 除了沪铜期货外, 其他三种有色金属沪铝、沪锌、沪铅期货在疫情之后的

Δ h (q)

均大于疫情之前的

Δ h (q)

, 说明沪铝、沪锌、沪铅三种有色金属期货受到疫情冲击, 多重分形程度加大, 市场效率下降. 且在疫情前后, 沪铝期货的

Δ h (q)

值变化幅度最大, 说明新冠疫情对沪铝期货市场多重分形程度的影响最为显著, 市场效率下降得最为明显.

3.2.2 基于多重分形谱分析

本小节将使用多重分形谱分析方法从一个新的角度(

Δ α

)对MF-DFA方法进行了补充印证, 而且对有色金属期货市场的风险(

Δ f

)进行了评估, 更有利于深入理解疫情前后有色金属期货的价格波动行为.

对上海期货交易所的多重分形谱分析的结果如表 3所示, 从中可以发现:

表3 疫情前后上海期货交易所四种有色金属期货的多重分形谱分析结果

	AL03.SHF		CU03.SHF		ZN03.SHF		PB03.SHF
	疫情前	疫情后	疫情前	疫情后	疫情前	疫情后	疫情前	疫情后
$α_{min}$	−0.0772	−0.0992	−0.1554	−0.0638	−0.1418	−0.2471	−0.0447	−0.0499
$α_{max}$	0.9537	1.6033	0.8591	0.5134	0.4831	0.5952	0.6648	1.1259
$Δ α$	1.0309	1.7024	1.0145	0.5772	0.6249	0.8424	0.7095	1.1758
$f (α_{min})$	0.4981	0.3482	0.1602	0.4925	0.2873	−0.0909	0.6075	0.5701
$f (α_{max})$	−0.8037	−1.2840	−0.3431	0.4484	0.5259	0.1821	0.3112	−0.7561
$Δ f$	1.3019	1.6322	0.5033	0.0441	−0.2386	−0.2731	0.2962	1.3262

第一, 通过比较多重分形谱宽

Δ α

, 可以进一步研究上海期货交易所四种有色金属期货市场在疫情前后市场效率的高低. 由表 3中可以明显看出: 在疫情之前,

Δ α_{沪铝} > Δ α_{沪铜} > Δ α_{沪铅} > Δ α_{沪锌}

, 即疫情前沪铝期货市场的效率最低, 其次分别是沪铜和沪铅, 市场效率依次递增, 而沪锌的市场效率相对最高. 在疫情之后,

Δ α_{沪铝} > Δ α_{沪铅} > Δ α_{沪锌} > Δ α_{沪铜}

, 即疫情后沪铝期货市场有效性最弱; 其次分别是沪铅和沪锌, 市场效率依次递增; 沪铜期货市场的效率相对最高. 结合前文的MF-DFA的分析结果可以发现, 疫情后的多重分形谱分析与MF-DFA分析结果保持一致, 疫情前多重分形谱分析与MF-DFA分析结果略有差异. 这一差异主要体现在沪铝期货和沪铜期货市场效率的顺序, 疫情前通过MF-DFA分析得到的沪铝和沪铜期货的的值分别为0.5697和0.5779, 通过多重分形谱分析得到的沪铝和沪铜期货的的值分别为1.0309和1.0145, 沪铝和沪铜期货的值原本就非常的接近, 所以在一定程度上可以说明这两种方法得出的结果是保持一致的.

第二, 除了沪铜期货之外, 其他三种有色金属期货沪铝、沪锌、沪铅在疫情之后的多重分形谱宽度

Δ α

均高于疫情前的多重分形谱宽度

Δ α

. 这表明受到新冠疫情冲击, 上海期货交易所中有色金属沪铝、沪锌、沪铅期货的多重分形程度均增强, 市场不确定因素加大, 市场有效性下降. 而沪铝期货的多重分形谱宽度

Δ α

变化幅度最大, 说明在新冠疫情的冲击下, 沪铝期货的多重分形程度增加的最多, 市场效率下降的最为明显. 这一结论与MF-DFA分析结果保持高度一致.

第三, 在所研究的样本期间内, 无论是在疫情前还是在疫情后, 对于沪铝、沪铜、沪铅期货来说, 都有多重分形谱高度差异

Δ f > 0

, 表明这三种有色金属期货在疫情前后价格都整体处于波峰状态; 而沪锌期货的多重分形谱高度差异

Δ f < 0

, 表明沪锌期货在疫情前后价格都整体处于波谷状态.

第四, 比较上海期货交易所四种有色金属期货多重分形谱的

| Δ f |

可得: 在疫情之前,

| Δ f_{沪铝} | > | Δ f_{沪铜} | > | Δ f_{沪铅} | > | Δ f_{沪锌} |

, 这说明在疫情前, 价格波动幅度最大的是沪铝期货, 其次分别是沪铜和沪铅期货, 价格波动最为平缓的是沪锌期货, 价格波动风险最小, 收益最为稳定; 在疫情之后,

| Δ f_{沪铝} | > | Δ f_{沪铅} | > | Δ f_{沪锌} | > | Δ f_{沪铜} |

, 这说明在疫情后, 价格波动幅度最大的是沪铝期货, 其次分别是沪铅和沪锌期货, 价格波动最为平缓的是沪铜期货, 价格波动风险最小, 收益最为稳定.

第五, 除了沪铜期货之外, 其他三种有色金属沪铝、沪锌、沪铅在疫情之后的多重分形谱的

| Δ f |

均高于疫情前的多重分形谱的

| Δ f |

. 这表明受到新冠疫情冲击, 上海期货交易所中有色金属沪铝、沪锌、沪铅期货的价格波动幅度变大, 市场风险增加. 而沪铅期货多重分形谱的

| Δ f |

变化幅度最大, 说明在新冠疫情的冲击下, 沪铅期货的价格波动得最为剧烈.

3.3 分析疫情前后四种有色金属期货市场低效性的原因

探究由于市场效率低下所表现出来的多重分形特征的来源可以发现, MF-DFA模型的提出者Kantelhardt (2002)曾给出过两种解释: 一种是由原始时间序列本身的长程相关性造成的, 另一种是由原始时间序列中概率密度分布的厚尾分布产生的. 为了研究这两种原因对疫情前后有色金属期货市场出现市场效率低下的作用程度, 可以分别对原始时间序列进行重排处理和相位随机替代处理. 具体的重排和相位随机替代处理步骤如下.

重排处理的具体步骤如下:

1) 随机生成一个自然数对

(p, r)

, 且要求

p

、

r \leq N

N

为时间序列长度;

2) 对原始时间序列中第

p

个和第

r

个数据进行位置交换;

3) 重复以上步骤20

N

次, 以保证时间序列数据的位置被充分发打乱.

相位随机替代处理的具体步骤如下:

1) 对原始的时间序列进行离散的傅里叶变换;

2) 将相位随机旋转-相位角;

3) 再进行傅里叶逆变换.

究其原理主要为: 对原始时间序列进行重新排列处理可以破坏原始时间序列的长程相关性, 但是其波动分布状态不会发生改变; 对原始时间序列进行相位随机替代处理破坏了原始时间序列的波动分布状态, 但是保留了原始时间序列的长程相关性特征. 因此, 如果经过重排处理和相位随机替代处理之后的特征值与原始时间序列的特征值存在差异, 则说明时间序列的长程相关性和厚尾分布是导致有色金属期货市场出现低效性的原因. 更进一步, 可以通过MF-DFA分析方法比较经过重排和替代处理之后的序列与原始时间序列

Δ h (q)

变化幅度的大小, 分析上述两种原因对有色金属期货市场出现低效性的作用程度大小.

Δ h (q)

变化幅度越大, 对市场出现低效性的作用程度越高; 反之, 则相反. 此外, 还可以通过多重分形谱分析方法, 比较重排和替代处理之后的序列与原始时间序列

Δ α

变化幅度的大小, 分析上述两种原因对市场出现低效性的贡献程度.

Δ α

变化幅度越大, 对市场出现低效性的贡献程度越高; 反之, 则相反.

3.3.1 基于MF-DFA分析疫情前后有色金属期货市场低效性的原因

“Shuf”和“Sur”分别表示重排序列和替代序列. 通过观察表 4和图 3在疫情前四种有色金属期货原始、重排、替代的广义Hurst指数可知, 对于四种有色金属期货来说, 经过重排和替代处理之后的广义Hurst指数与原始序列的广义Hurst指数存在明显差异, 因此时间序列的长程相关性和厚尾分布均是导致疫情前上海期货交易所四种有色金属期货市场出现低效性的原因. 比较疫情前四种有色金属期货的原始、重排和替代序列的

Δ h (q)

变化幅度可知, 疫情前四种有色金属期货重排序列的

Δ h (q)

变化幅度大于替代序列的

Δ h (q)

变化幅度. 由此可以说明, 对于疫情前这四种有色金属期货市场效率低下的形成原因来说, 时间序列的长程相关性是导致这四种有色金属期货市场出现效率低下的更加重要的原因.

表4 疫情前四种有色金属期货原始、重排、替代序列广义Hurst指数

q	AL03.SHF(疫情前)			CU03.SHF(疫情前)
q	原始	重排	替代	原始	重排	替代
−5	0.5929	0.9538	0.6699	0.5904	1.1497	0.6465
−4	0.5027	0.8846	0.5574	0.5233	1.0326	0.5405
−3	0.4055	0.8087	0.4404	0.4418	0.8915	0.4304
−2	0.3171	0.7376	0.3374	0.3573	0.7620	0.3316
−1	0.2468	0.6802	0.2571	0.2827	0.6746	0.2535
0	0.1927	0.6375	0.1957	0.2233	0.6183	0.1947
1	0.1489	0.6072	0.1473	0.1766	0.5754	0.1496
2	0.1110	0.5862	0.1077	0.1365	0.5374	0.1134
3	0.0776	0.5725	0.0744	0.0968	0.5008	0.0831
4	0.0483	0.5642	0.0454	0.0545	0.4650	0.0569
5	0.0232	0.5595	0.0195	0.0125	0.4310	0.0338
$Δ h (q)$	0.5697	0.3943	0.6504	0.5779	0.7187	0.6126

q	ZN03.SHF(疫情前)			PB03.SHF(疫情前)
q	原始	重排	替代	原始	重排	替代
−5	0.3883	1.2237	0.5137	0.5271	1.4014	0.7066
−4	0.3646	1.0974	0.4506	0.4926	1.2795	0.5982
−3	0.3321	0.9451	0.3817	0.4436	1.1022	0.4777
−2	0.2910	0.7982	0.3133	0.3786	0.8949	0.3612
−1	0.2449	0.6908	0.2510	0.3041	0.7411	0.2649
0	0.1984	0.6213	0.1975	0.2319	0.6519	0.1935
1	0.1545	0.5754	0.1522	0.1701	0.5928	0.1414
2	0.1137	0.5435	0.1140	0.1203	0.5474	0.1022
3	0.0745	0.5195	0.0814	0.0818	0.5098	0.0711
4	0.0364	0.5002	0.0533	0.0535	0.4769	0.0458
5	0.0008	0.4832	0.0290	0.0338	0.4470	0.0246
$Δ h (q)$	0.3875	0.7404	0.4847	0.4932	0.9544	0.6820

图3 疫情前四种有色金属期货原始、重排、替代序列的广义Hurst指数图

Full size|PPT slide

通过观察表 5和图 4在疫情后四种有色金属期货原始、重排、替代的广义Hurst指数可知, 对于四种有色金属期货来说, 经过重排和替代处理之后的广义Hurst指数与原始序列的广义Hurst指数存在明显差异, 因此时间序列的长程相关性和厚尾分布均是导致疫情后上海期货交易所四种有色金属期货市场低效性的原因. 比较疫情后四种有色金属期货的原始、重排和替代序列的

Δ h (q)

变化幅度可知, 除沪铜期货外, 另外三种有色金属期货重排序列的

Δ h (q)

变化幅度均大于替代序列的

Δ h (q)

变化幅度. 这说明, 对疫情后这三种有色金属期货市场低效性的形成原因来说, 时间序列的长程相关性是导致这三种有色金属期货市场出现低效性的更加重要的原因. 而对于沪铜期货来说, 替代序列的

Δ h (q)

变化幅度大于重排序列

Δ h (q)

的变化幅度, 这说明疫情后原始时间序列的厚尾分布对沪铜期货出现低效性的贡献程度更大.

表5 疫情后四种有色金属期货原始、重排、替代序列广义Hurst指数

q	AL03.SHF(疫情后)			CU03.SHF(疫情后)
q	原始	重排	替代	原始	重排	替代
−5	1.1465	0.8429	0.4701	0.4031	0.9775	0.6849
−4	1.0323	0.8009	0.4159	0.3755	0.9157	0.5889
−3	0.8453	0.7549	0.3591	0.3415	0.8356	0.4755
−2	0.5682	0.7077	0.3032	0.3013	0.7460	0.3627
−1	0.3391	0.6627	0.2511	0.2566	0.6667	0.2708
0	0.2362	0.6234	0.2040	0.2103	0.6081	0.2025
1	0.1805	0.5918	0.1620	0.1661	0.5645	0.1504
2	0.1381	0.5676	0.1246	0.1267	0.5283	0.1081
3	0.0997	0.5484	0.0913	0.0926	0.4965	0.0719
4	0.0638	0.5316	0.0615	0.0631	0.4685	0.0400
5	0.0312	0.5155	0.0352	0.0377	0.4442	0.0114
$Δ h (q)$	1.1153	0.3274	0.4349	0.3654	0.5333	0.6735
$-$ 5	0.4317	1.2481	0.5739	0.7747	1.1373	0.7613
$-$ 4	0.3908	1.1354	0.4971	0.6869	1.0637	0.6314
$-$ 3	0.3466	0.9949	0.4134	0.5681	0.9735	0.4896
$-$ 2	0.3007	0.8490	0.3326	0.4330	0.8750	0.3596
$-$ 1	0.2548	0.7334	0.2621	0.3154	0.7844	0.2594
0	0.2112	0.6555	0.2038	0.2299	0.7151	0.1879
1	0.1702	0.6029	0.1561	0.1680	0.6706	0.1354
2	0.1283	0.5662	0.1167	0.1212	0.6470	0.0947
3	0.0803	0.5409	0.0836	0.0852	0.6386	0.0617
4	0.0256	0.5239	0.0554	0.0576	0.6402	0.0344
5	−0.0290	0.5120	0.0308	0.0361	0.6466	0.0116
$Δ h (q)$	0.4606	0.7361	0.5431	0.7386	0.4907	0.7498

图4 疫情后四种有色金属期货原始、重排、替代序列的广义Hurst指数图

Full size|PPT slide

3.3.2 基于多重分形谱分析疫情前后有色金属市场低效性的原因

表 6和图 5展示了疫情前四种有色金属期货原始、重排、替代序列的多重分形谱分析结果, 通过比较疫情前四种有色金属期货收益率时间序列的原始、重排、替代序列的多重分形谱宽度

Δ α

的变化幅度可以发现, 对疫情前上海期货交易所的这四种有色金属期货来说, 都有重排序列的

Δ α

变化幅度大于替代序列的

Δ α

变化幅度. 由此可以说明, 时间序列的长程相关性是导致疫情前这四种有色金属期货市场出现低效性更加重要的原因, 与前文基于MF-DFA分析多重分形特征来源的结论保持一致.

表6 疫情前四种有色金属期货原始、重排、替代的多重分形谱分析结果

	AL03.SHF(疫情前)			CU03.SHF(疫情前)
	原始	重排	替代	原始	重排	替代
$α_{min}$	−0.0772	0.5392	−0.0844	−0.1554	0.2947	−0.0584
$α_{max}$	0.9537	1.2309	1.1200	0.8591	1.6179	1.0703
$Δ α$	1.0309	0.6917	1.2043	1.0145	1.3232	1.1287

	ZN03.SHF(疫情前)			PB03.SHF(疫情前)
	原始	重排	替代	原始	重排	替代
$α_{min}$	−0.1418	0.4155	−0.0680	−0.0447	0.3276	−0.0600
$α_{max}$	0.4831	1.7287	0.7660	0.6648	1.8889	1.1404
$Δ α$	0.6249	1.3132	0.8340	0.7095	1.5613	1.2003

图5 疫情前四种有色金属期货原始、重排、替代序列的多重分形谱图

Full size|PPT slide

疫情后四种有色金属期货原始、重排、替代序列的多重分形谱分析结果如表 7和图 6所示, 通过比较疫情后四种有色金属期货收益率时间序列的原始、重排、替代序列的多重分形谱宽度

Δ α

的变化幅度可以发现: 除沪铜期货外, 疫情后上海期货交易所沪铝、沪锌、沪铅三种有色金属期货重排序列的

Δ α

变化幅度均大于替代序列的

Δ α

变化幅度, 这说明时间序列的长程相关性是导致疫情后这三种有色金属期货市场出现低效性的更加重要的原因; 而对于疫情后的沪铜期货来说, 经过替代处理的

Δ α

变化幅度大于经过重排处理的

Δ α

变化幅度, 因此原始时间序列的厚尾分布对疫情后沪铜期货市场出现低效性的贡献程度更大. 与前文基于MF-DFA分析多重分形特征来源的结论保持一致.

表7 疫情后四种有色金属期货原始、重排、替代的多重分形谱分析结果

	AL03.SHF(疫情后)			CU03.SHF(疫情后)
	原始	重排	替代	原始	重排	替代
$α_{min}$	−0.0992	0.4510	−0.0702	−0.0638	0.3470	−0.1029
$α_{max}$	1.6033	1.0109	0.6867	0.5134	1.2246	1.0690
$Δ α$	1.7024	0.5598	0.7569	0.5772	0.8776	1.1719

	ZN03.SHF(疫情后)			PB03.SHF(疫情后)
	原始	重排	替代	原始	重排	替代
$α_{min}$	−0.2471	0.4646	−0.0675	−0.0499	0.6219	−0.0797
$α_{max}$	0.5952	1.6992	0.8812	1.1259	1.4316	1.2809
$Δ α$	0.8424	1.2345	0.9487	1.1758	0.8098	1.3606

图6 疫情后四种有色金属期货原始、重排、替代序列的多重分形谱图

Full size|PPT slide

沪铜期货市场与其他三个有色金属期货市场表现出不同原因的低效性的来源可能是由铜现货市场交易的进出口额总值是这四种现货交易之最导致的. 根据中国有色金属工业协会发布的2020年中国有色金属行业经济运行报告, 2020年, 我国铜产品进口额为823.2亿美元, 同比增长18.9%, 占有色金属产品(不含黄金贸易额)进口额的比重为72.4%; 出口额为54.9亿美元, 同比下降9.3%. 铜产品贸易逆差为768.3亿美元, 占有色金属贸易逆差的87.3. 而同期的铝产品进口额为136.6亿美元, 同比增长28.2%; 出口额为135.1亿美元, 同比下降13.6%, 占有色金属产品(不含黄金贸易额)出口额的比重为52.4%. 同样是在2020年, 我国铅产品进口额18.3亿美元, 同比下降25.2%; 出口额为0.3亿美元, 同比下降61.6%. 此外, 2020年我国锌产品进口额44.2亿美元, 同比下降3.8%; 出口额为1.5亿美元, 同比下降35.3%. 对比这一系列数据, 不难发现其中铜现货市场交易的进出口额总值达到了四种现货交易之最. 而期货是现货交易价格发现的工具, 在2020年铜现货的巨大的交易量保持了其交易流动性的稳定, 这和本文实证分析出沪铜期货市场在新冠疫情后较其他三种期货市场更具有稳定性的结论直接相关. 此外, 本文发现的新冠疫情影响沪铜期货市场的效率更受“厚尾”影响, 而其他三种期货市场效率更受长程相关性影响. 这一特点从我国有色金属期货市场不难发现, 沪铜期货交易价格即便是在2020年3月20日最低点也较其他三种有色金属期货高出两倍甚至接近三倍, 也正是因为沪铜期货的居高的稳定价格致使在新冠疫情发生后其受长程相关性因素的影响更小, 而受到“厚尾”即突发事件的影响更大. 然而, 其他三种有色金属期货的市场价格不稳定且处于低位, 那么这种不稳定在疫情之后会被扩大, 所以这三种期货的市场效率更受长程相关性影响.

4 结论与政策建议

4.1 结论

本文以上海期货交易所2297个日收盘价数据为基础, 通过MF-DFA分析和多重分形谱分析方法对疫情前后上海期货交易所四种有色金属期货沪铝、沪铜、沪锌、沪铅进行多重分形特征分析, 最终得出如下结论:

第一, 通过观察上海期货交易所四种有色金属期货的收益率时间序列图和描述性统计可以得到, 所研究的4种有色金属期货收益率时间序列均表现出不同程度的“尖峰厚尾”特征. 从偏度、峰度以及标准差来看, 这4种有色金属期货收益率时间序列均不符合正态分布的特征, 所以运用有效市场假说理论进行解释并不合适, 而应该运用分形理论进行多重分形特征分析.

第二, 比较这4种有色金属期货

Δ h (q)

值的大小可以发现, 在上海期货交易所中, 疫情前沪铜、沪铝、沪铅、沪锌的多重分形程度依次递减, 而市场有效性依次递增; 疫情后沪铝、沪铅、沪锌、沪铜的多重分形程度依次递减, 市场有效性依次递增. 此外, 通过比较疫情前后

Δ h (q)

的变化幅度可知, 除沪铜之外, 沪铝、沪锌、沪铅三种有色金属期货受到疫情冲击, 多重分形程度加大, 市场效率下降. 且疫情对沪铝期货市场多重分形程度的影响最为显著, 市场效率下降的最多. 其原因可能是当突发事件发生的时候, 金融市场上的投资者往往会产生避险和恐慌的情绪, 因此投资者会更加倾向于进行短期交易甚至暂时退出金融市场以规避市场风险. 而投资的短期化和投资者的相继退出会使得市场上超卖交易量剧增, 市场流动性短缺, 从而导致市场有效性下降, 多重分形程度增加, 市场风险加大(Zunino et al., 2009).

第三, 通过多重分形谱分析, 比较疫情前后上海期货交易所四种有色金属期货的多重分形谱宽

Δ α

可得, 在上海期货交易所中, 除了沪铜期货之外, 其他三种有色金属期货沪铝、沪锌、沪铅在疫情之后的多重分形程度均增强, 市场效率均下降; 且在新冠疫情的冲击下, 沪铝期货的市场效率下降得最多.

第四, 比较疫情前后上海期货交易所四种有色金属期货多重分形谱的

| Δ f |

可得, 在上海期货交易所中, 受到新冠疫情冲击, 除沪铜期货外, 有色金属沪铝、沪锌、沪铅期货的价格波动幅度均变大, 市场风险增加; 且沪铅期货在新冠疫情冲击下价格波动的最为剧烈, 市场风险增加的最多.

第五, 不论是在疫情前还是在疫情后, 时间序列的长程相关性和厚尾分布均是导致这四种有色金属期货市场出现低效性的原因. 在疫情前, 时间序列的长程相关性对这四种有色金属期货市场效率低下的作用程度更大; 在疫情之后, 时间序列的厚尾分布对沪铜期货市场出现低效性的作用程度更大, 而对其他三种有色金属期货来说, 时间序列的长程相关性依然是其出现低效性更加重要的原因.

4.2 政策建议

在新冠疫情的冲击下, 我国经济发展遭受了一定程度的阻碍, 有色金属期货市场也随之剧烈波动. 相较于其他成熟的期货市场, 我国有色金属期货市场起步相对较晚, 虽然发展很快, 但是一直存在着体制机制并不完善的问题, 而且自我调节和抵御外来风险的能力也相对匮乏. 因此, 我国需要对突发事件导致的期货市场动荡引起足够的重视, 并采取有针对性的风险监管措施, 最大程度地降低此类事件对国家和期货市场投资者带来的负面影响. 根据上述多重分形分析结果, 本文从监管者和投资者的角度出发, 对突发事件下如何提高市场有效性以及防范市场风险提出如下有针对性的政策建议:

对于监管者来说, 首要的是要认识到我国有色金属期货市场众多产品具有不同的抗冲击能力, 有的自我恢复能力强, 不需要外界政策支撑即可在冲击后恢复至正常的交易. 但仍有诸多产品由于自身结构不稳定和交易流动性的不足导致抗冲击能力差, 对于这些产品交易市场, 决策者应该根据其市场效率变化特征予以不同程度和层面的政策支持. 例如, 对于具有长程相关性的沪铝、沪铜、沪锌需要加强其在冲击后的流动性增强支持; 而沪铜这样具有“厚尾”的产品只需要维护其受冲击后的交易秩序正常即可. 依次类推, 监管者可以将这类理念推广至我国其他金融市场在受冲击后的监管.

对于投资者来说, 一方面投资者需要密切关注突发事件发生后期货市场的动态发展, 要认识到期货市场中不同的产品在面对外部冲击因素影响后会表现出不同的特征, 同时表现出不同的市场效率, 投资者应当了解自身所参与市场的具体特征变化, 结合相关因素合理配置自身资产的投资方向和比例. 另一方面投资者需要提高认知水平和知识储备, 不能局限于突发事件发生当前的市场形势, 而应该做出对未来长期趋势的合理判断, 利用期货市场进行套期保值或者投机套利.

总而言之, 关注此次新冠疫情对我国有色金属期货市场造成的冲击和影响, 可以帮助我们更好的了解我国有色金属期货市场的复杂程度, 为进一步提高我国有色金属期货市场应对突发事件和抵御风险的能力, 增强期货市场有效性, 完善期货市场运行机制具有重要的现实意义.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

方意, 贾妍妍, 新冠肺炎疫情冲击下全球外汇市场风险传染与中国金融风险防控[J]. 当代经济科学, 2021, 43 (2): 1- 15.

https://www.cnki.com.cn/Article/CJFDTOTAL-DJKX202102001.htm

Fang

, Jia

Y Y

, Risk Contagion in Global Foreign Exchange Market under COVlD-19 andChina's Financial Risk Prevention[J]. Modern Economic Science, 2021, 43 (2): 1- 15.

https://www.cnki.com.cn/Article/CJFDTOTAL-DJKX202102001.htm

本文引用 [1]

刘璐, 陈思, 费锡江, 重大突发公共事件下投资者情绪和货币政策对中国农产品价格的传导效应——以新冠肺炎疫情为例[J]. 当代经济科学, 2023, 45 (1): 89- 102.

https://www.cnki.com.cn/Article/CJFDTOTAL-DJKX202301007.htm

Liu

, Chen

, Fei

X J

, Transmission Effect of Investor Sentiment and Monetary Policy onChina's Agricultural Products Prices under Major Public Emergencies: Evidence from the COVID-19[J]. Modern Economic Science, 2023, 45 (1): 89- 102.

https://www.cnki.com.cn/Article/CJFDTOTAL-DJKX202301007.htm

本文引用 [1]

李绍芳, 李方圆, 刘晓星, 新冠肺炎疫情冲击下全球金融市场系统性风险跨市场传染研究——基于G20国家的经验证据[J]. 金融评论, 2022, 14 (3): 1- 38.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRPL202203001.htm

S F

, Li

F Y

, Liu

X X

, Cross-market Contagion of Systemic Risk under the COVID-19 Pandemic: Evidence from G20[J]. Chinese Review of Financial Studies, 2022, 14 (3): 1- 38.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRPL202203001.htm

本文引用 [1]

沈悦, 李朝前, 新冠肺炎疫情对中国系统性金融风险的影响[J]. 统计与信息论坛, 2022, 37 (4): 59- 72.

https://www.cnki.com.cn/Article/CJFDTOTAL-TJLT202204006.htm

Shen

, Li

C Q

, Research on the Impact of COVlD-19 on China's Systemic Financial Risk[J]. Journal of Statistics and Information, 2022, 37 (4): 59- 72.

https://www.cnki.com.cn/Article/CJFDTOTAL-TJLT202204006.htm

本文引用 [1]

徐楠, 李嵩松, 惠晓峰, 张英龙, (2023). 新冠肺炎疫情影响下我国股票市场的分形特征和风险度量研究[J/OL]. 运筹与管理: 1–19. [2023-07-20].

Xu N, Li S S, Hui X F, Zhang Y L, (2023). Analysis of the Multifractal Characteristics and Risk Measuresof China's Stock Market Affected by COVlD-19[J/OL]. Operations Research and Management Science, 1–19. [2023-07-20].

Ali

, Alam

, Rizvi

R A S

, Coronavirus (COVID-19) — An Epidemic or Pandemic for Financial Markets[J]. Journal of Behavioral and Experimental Finance, 2020, 27, 100341.

https://doi.org/10.1016/j.jbef.2020.100341

Aslam

, Mohti

, Ferreira

, Evidence of Intraday Multifractality in European Stock Markets during the Recent Coronavirus (COVID-19) Outbreak[J]. International Journal of Financial Studies, 2020, 8 (2): 31.

https://doi.org/10.3390/ijfs8020031

本文引用 [1]

Choi

S Y

, Analysis of Stock Market Effciency During Crisis Periods in the US Stock Market: Differences between the Global Financial Crisis and COVID-19 Pandemic[J]. Physica A: Statistical Mechanics and its Applications, 2021, 574, 125988.

https://doi.org/10.1016/j.physa.2021.125988

本文引用 [1]

Faheem

, Paulo

, Haider

, Analysis of the Impact of COVID-19 Pandemic on the Intraday Effciency of Agricultural Futures Markets[J]. Journal of Risk and Financial Management, 2022, 15 (12): 607.

https://doi.org/10.3390/jrfm15120607

本文引用 [1]

Kantelhardt

J W

, Zschiegner

S A

, Koscielny-Bunde

, Havlin

, Bunde

, et al. Multifractal Detrended Fluctuation Analysis of Nonstationary Time Series[J]. Physica A: Statistical Mechanics and its Applications, 2002, 316 (1-4): 87- 114.

https://doi.org/10.1016/S0378-4371(02)01383-3

本文引用 [2]

Lashermes

, Abry

, Chainais

, New Insights into the Estimation of Scaling Exponents[J]. International Journal of Wavelets, Multiresolution and Information Processing, 2004, 2 (4): 497- 523.

https://doi.org/10.1142/S0219691304000597

Mandelbrot

B B

, Wheeler

J A

, The Fractal Geometry of Nature / B.B. Mandelbrot[J]. American Journal of Physics, 1983, 51 (3): 286- 286.

https://doi.org/10.1119/1.13295

本文引用 [1]

Mensi

, Sensoy

, Vo

V X

, Kang

, Impact of COVID-19 Outbreak on Asymmetric Multifractality of Gold and Oil Prices[J]. Resources Policy, 2020, 69, 101829.

https://doi.org/10.1016/j.resourpol.2020.101829

本文引用 [1]

Peters

E E

, Fractal Market Analysis: Applying Chaos Theory to Investment and Economics[M]. New York: John Wiley & Sons, 1994.

本文引用 [1]

Peng

C K

, Buldyrev

S V

, Havlin

, Simon

, Stanley

H E

, et al. Mosaic Organization of DNA Nucleotides[J]. Physical Review E, 1994, 49, 1685- 1689.

本文引用 [1]

Xing

, Fang

, The Dynamic Effects of COVID-19 and the March 2020 Crash on the Multifractality of NASDAQ Insurance Stock Markets[J]. Fractal and Fractional, 2023, 7 (1): 91.

https://doi.org/10.3390/fractalfract7010091

本文引用 [1]

Zunino

, Figliola

, Tabak

B M

, Pérez

D G

, Garavaglia

, et al. Multifractal Structure in Latin-American Market Indices[J]. Chaos, Solitons and Fractals, 2009, 41, 2331- 2340.

本文引用 [1]

版权

PDF(1789 KB)

1132

Accesses

Citation

Detail

段落导航

摘要
Abstract
关键词
Key words
引用本文
1 引言
2 研究方法
3 实证分析
3.1 数据选取与描述性统计分析
图1 上海期货交易所四种有色金属期货收益率时间序列图
表1 上海期货交易所四种有色金属期货的基本统计量
3.2 新冠疫情对上海期货交易所四种有色金属期货市场的影响
3.2.1 基于MF-DFA分析
图2 疫情前后上海期货交易所四种有色金属期货 $\log F_{q} (s) \sim \log (s)$ 双对数波动曲线图
表2 疫情前后上海期货交易所四种有色金属期货广义Hurst指数
3.2.2 基于多重分形谱分析
表3 疫情前后上海期货交易所四种有色金属期货的多重分形谱分析结果
3.3 分析疫情前后四种有色金属期货市场低效性的原因
3.3.1 基于MF-DFA分析疫情前后有色金属期货市场低效性的原因
表4 疫情前四种有色金属期货原始、重排、替代序列广义Hurst指数
图3 疫情前四种有色金属期货原始、重排、替代序列的广义Hurst指数图
表5 疫情后四种有色金属期货原始、重排、替代序列广义Hurst指数
图4 疫情后四种有色金属期货原始、重排、替代序列的广义Hurst指数图
3.3.2 基于多重分形谱分析疫情前后有色金属市场低效性的原因
表6 疫情前四种有色金属期货原始、重排、替代的多重分形谱分析结果
图5 疫情前四种有色金属期货原始、重排、替代序列的多重分形谱图
表7 疫情后四种有色金属期货原始、重排、替代的多重分形谱分析结果
图6 疫情后四种有色金属期货原始、重排、替代序列的多重分形谱图
4 结论与政策建议
4.1 结论
4.2 政策建议
参考文献
版权

收稿日期	出版日期
2024-02-18	2024-05-27
发布日期
2024-05-30

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 引言

2 研究方法

3 实证分析

3.1 数据选取与描述性统计分析

图1 上海期货交易所四种有色金属期货收益率时间序列图

表1 上海期货交易所四种有色金属期货的基本统计量

3.2 新冠疫情对上海期货交易所四种有色金属期货市场的影响

3.2.1 基于MF-DFA分析

图2 疫情前后上海期货交易所四种有色金属期货 $\log F_{q} (s) \sim \log (s)$ 双对数波动曲线图

表2 疫情前后上海期货交易所四种有色金属期货广义Hurst指数

3.2.2 基于多重分形谱分析

表3 疫情前后上海期货交易所四种有色金属期货的多重分形谱分析结果

3.3 分析疫情前后四种有色金属期货市场低效性的原因

3.3.1 基于MF-DFA分析疫情前后有色金属期货市场低效性的原因

表4 疫情前四种有色金属期货原始、重排、替代序列广义Hurst指数

图3 疫情前四种有色金属期货原始、重排、替代序列的广义Hurst指数图

表5 疫情后四种有色金属期货原始、重排、替代序列广义Hurst指数

图4 疫情后四种有色金属期货原始、重排、替代序列的广义Hurst指数图

3.3.2 基于多重分形谱分析疫情前后有色金属市场低效性的原因

表6 疫情前四种有色金属期货原始、重排、替代的多重分形谱分析结果

图5 疫情前四种有色金属期货原始、重排、替代序列的多重分形谱图

表7 疫情后四种有色金属期货原始、重排、替代的多重分形谱分析结果

图6 疫情后四种有色金属期货原始、重排、替代序列的多重分形谱图

4 结论与政策建议

4.1 结论

4.2 政策建议

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

版权

扫码分享

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 引言

2 研究方法

3 实证分析

3.1 数据选取与描述性统计分析

图1 上海期货交易所四种有色金属期货收益率时间序列图

表1 上海期货交易所四种有色金属期货的基本统计量

3.2 新冠疫情对上海期货交易所四种有色金属期货市场的影响

3.2.1 基于MF-DFA分析

图2 疫情前后上海期货交易所四种有色金属期货log⁡Fq(s)∼log⁡(s)双对数波动曲线图

表2 疫情前后上海期货交易所四种有色金属期货广义Hurst指数

3.2.2 基于多重分形谱分析

表3 疫情前后上海期货交易所四种有色金属期货的多重分形谱分析结果

3.3 分析疫情前后四种有色金属期货市场低效性的原因

3.3.1 基于MF-DFA分析疫情前后有色金属期货市场低效性的原因

表4 疫情前四种有色金属期货原始、重排、替代序列广义Hurst指数

图3 疫情前四种有色金属期货原始、重排、替代序列的广义Hurst指数图

表5 疫情后四种有色金属期货原始、重排、替代序列广义Hurst指数

图4 疫情后四种有色金属期货原始、重排、替代序列的广义Hurst指数图

3.3.2 基于多重分形谱分析疫情前后有色金属市场低效性的原因

表6 疫情前四种有色金属期货原始、重排、替代的多重分形谱分析结果

图5 疫情前四种有色金属期货原始、重排、替代序列的多重分形谱图

表7 疫情后四种有色金属期货原始、重排、替代的多重分形谱分析结果

图6 疫情后四种有色金属期货原始、重排、替代序列的多重分形谱图

4 结论与政策建议

4.1 结论

4.2 政策建议

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

版权

图2 疫情前后上海期货交易所四种有色金属期货 $\log F_{q} (s) \sim \log (s)$ 双对数波动曲线图