碳市场与大类资产之间的波动信息传导.pdf-

资源描述：

第 37 卷第 6 期 2015 年 6 月 2015， 37 （ 6 ） 1258- 1265 Resources Science Vol. 37， No. 6 June ， 2015 http// 收稿日期 2015- 03 - 06；修订日期 2015 - 05- 22 基金项目国家自然科学基金（ 71473010 ）；北京工业大学经济与管理学院 2015 年科研专款基金；中央高校基本科研业务费重大基础研究项目（ JBK 14117 ）。作者简介宋楠，女，北京人，博士生，主要研究方向为碳市场与风险联动。E-mail songnan 880327 通讯作者李自然，E-mail 文章编号 1007- 7588 （ 2015 ） 06 - 1258- 08 碳市场与大类资产之间的波动信息传导宋楠 1 ，李自然 2 ， 3 ，曾诗鸿 4 （ 1. 哈尔滨理工大学管理学院，哈尔滨 150080 ； 2 . 西南财经大学互联网金融创新与监管协同创新中心，成都 611130 ； 3 . 北京金融衍生品研究院，北京 100033 ； 4. 北京工业大学经济与管理学院，北京 100124 ）摘要本文研究了碳排放权价格与大类资产价格之间波动风险和信息的传导。运用 ARMA （ 1， 1 ） -CGARCH 模型，构建了价格时间序列的长、短期波动性作为风险和信息的度量，并根据格兰杰因果检验的遍历性，判断条件风险和极端风险下的欧盟碳排放权配额（ EUA ）期货当日价格与 19 个金融、能源和大类资产当日价格之间的溢出关系，并以深圳碳现货价格为例，测算国内碳市场和其他市场的波动信息传导，数据来源为 WIND 数据库。研究结果表明 ① 欧盟碳期货市场与金融、能源等大类资产市场存在波动风险和信息的传导，其中与金融市场的关系略强； ② 这个传导关系是动态变化的，在欧盟碳市场发展的三个阶段表现不同； ③ 极端风险和条件风险下波动信息传导表现不同； ④ 中国碳市场和大类资产价格之间基本上不存在波动风险和信息的传导。研究结果对未来中国碳市场建设提供了风险管理方面的启示，尤其在极端风险下应该加大重视。此外，有些指标同时具有溢入和溢出的因果关系，其他市场的参与者应该充分重视来自碳市场的风险冲击，前瞻性的采取风险控制和风险规避。关键词碳市场；波动信息传导；溢出性；格兰杰因果检验；遍历性 1 引言近年来，二氧化碳排放权逐渐被视为一种金融工具 [ 1 ] ，作为资产配置的重要标的，碳排放权价格与国际金融市场、能源等大类资产价格之间的联系越来越紧密。一方面使得碳排放权价格的影响因素日益复杂，另一方面对其他大类资产价格来说，也多了来自碳排放权这一新兴市场的影响 [ 2 ] ，那么哪些大类资产的信息能够传导影响到碳排放权市场，以及碳排放权市场的信息能够传导影响到哪些大类资产市场，不仅是学者、企业和投资者关注的实证问题，更是未来对该领域研究的基础性问题。鉴于金融市场微观结构理论认为价格波动即代表风险或信息流，本文就从价格风险传导的视角来研究碳排放权市场与其他大类资产市场之间的波动信息传导。现有文献表明，碳价与能源价格相关。 Kanen 得出欧盟碳排放权配额（ EUA ）价格与能源价格的关系取决于电厂的化石燃料选择 [ 3 ] 。 Alberola 等发现 EUA 现货市场的动态性，指出能源价格是其主要的驱动因素 [ 4 ] 。此外， Mansanet-Bataller 等和 Hintermann 通过实证证明能源价格与 EUA 价格存在高度相关性，天然气价格和清洁点火差价与欧盟碳价存在正相关，煤炭价格与清洁煤炭差价存在负相关 [ 5 ， 6 ] 。此外，碳市场的金融化属性使碳市场与金融市场紧密相连。 Chlier 认为，股票价格是当前宏观经济形势的重要指标，且 EUA 价格作为环境外部性成本影响企业的成本管控，因此与宏观经济的走势也密切相关，当宏观经济走势强劲时，企业扩大生产导致二氧化碳排放量增加，碳价上升，因此，碳期货价格可基于股票红利收益率等预测 [ 7 ] 。此2015 年 6 月宋楠等碳市场与大类资产之间的波动信息传导 http// 外， Lutz 等用马尔科夫体制转换模型研究了 EUA 价格与股指之间的非线性关系 [ 8 ] 。 Chlier 用 FAVAR 模型，建立了碳价与汇率、股票、债券、股指价格和商品价格之间的关系 [ 9 ] 。目前，针对碳排放权（期现货）价格与大类资产价格关系的研究主要有两类一是研究碳排放权（期现货）收益率与大类资产收益率的关系。 Bunn 等用 VAR 协整检验方法研究碳期货市场短期动态收益率与天然气市场的紧密联动性 [ 10] 。 Chlier 和 Lutz 等分析了 EUA 期货收益与股票市场的关系，发现股票价格与碳价存在正相关 [ 7 ， 8 ] 。 Aatola 等提出一种市场均衡模型来研究碳排放市场，并且用计量经济模型， EUA 收益率与天然气、电力等大类资产收益率存在显著的稳定关系 [ 11] 。二是研究碳排放权（期现货）价格波动风险与大类资产价格波动风险的传导。 Garc í a-Martos 等建立了多变量模型，与单一变量模型作比对，得出了 EUA 价格的波动特征和其基本面之间的联系 [ 12 ] 。 Byun 等采用 GARCH-type 模型、隐含波动率和 k 最近邻分类算法模型，证明布伦特石油、煤炭和电力指标可用于预测碳期货波动价格 [ 13 ] 。 Bunn 等用 SVAR 模型研究短期动态关系，发现碳市场对天然气市场的反应明显 [ 10] 。 Liu 等采用 FIEC-HYGARCH 模型研究碳市场与石油市场的相互关系、风险溢出和长期波动表现，得出碳市场风险可以在短期和长期风险因素中一起规避 [ 14 ] 。 Reboredo 采用范围波动测量的方法，研究了 EUA 与石油市场之间波动的动态性及其溢出效应，得出两个市场之间在 EUETS 的第二阶段没有显著的波动溢出效应 [ 15] 。基于 Liu 等和 Reboredo 研究碳期货市场和其他市场的溢出效应，本文选取更多的时间序列，且考虑长期波动和短期波动 [ 14 - 16 ] 。本文采用 19 个股指、能源等大类资产的日度的时间序列，并借鉴 Li 等同时考虑了长期、短期波动的条件风险和极端风险的溢出效应，学术研究视角上更全面，也对实体企业、金融企业和政府决策部门的风险防范决策具有重大现实意义 [ 16] 。此外，本文为建立中国统一碳市场提供了风险管理方面的启示，以深圳碳市场现货价格为例，在有限的中国碳市场价格样本量中，检验市场间风险传导是否有潜在的可能性。 2 碳市场和大类资产市场联动模型的构建 2.1 波动性的度量多年以来，许多学者应用 ARCH 类模型研究股票市场 [ 17- 20] 和其他大类资产市场 [ 21， 22] ，而碳市场的收益率也具有传统资产价格类似的波动分布特征，许多学者应用 GARCH 类模型进行刻画。如 Che- vallier 、 Byun 等、 Liu 等、 Paolell 等、 Conrad 等，用 GARCH 类模型刻画其条件异方差 [ 7 ， 13， 14， 23 ， 24] 。本文选用 Component-GARCH ，即 CGARCH 模型，以便自动分解出长期波动成份和短期波动成份。长期波动常和经济基本面相联动，反映经济周期风险 [ 25 ， 26] ，而短期波动常由流动性冲击和投机交易决定 [ 27] 。此外， CGARCH 模型更适合描述近几十年的世界股票市场数据，如 McMillan 和 Ruiz 研究十个国家 1990 - 2005 年间的日度股指数据发现，大多数股指的条件波动性里包括一个长期成份 [ 28 ] 。本文选用 ARMA （ 1 ， 1 ） -CGARCH 模型进行分析 ì í î ï ï ï ï ï ï ï ï r t c ε t ε t A R ⋅ ε t - 1 u t M A ⋅ u t - 1 u t σ t ⋅ v t σ t 2 μ t α γ ⋅ θ t - 1 ⋅ ε 2 t - 1 - μ t - 1 β ⋅ σ 2 t - 1 - μ t - 1 μ t ϖ ρ ⋅ μ t - 1 - ϖ φ ⋅ ε 2 t - 1 - σ 2 t - 1 （ 1 ）式中 r t 表示对数资产收益率； r t ln （ P t ） -ln （ P t- 1 ）， P t 为资产价格； c 为常数项； ε t 为残差； AR ， MA ， α ， β， γ ， ϕ 和 ρ 为系数； θ t- 1 为虚拟变量，当 ε t- 1 0 时， θ t- 1 1 否则 θ t- 1 0 ， { v t } 独立同分布。基于 Engle 等的 CGARCH 模型，假设期望条件波动是一个时变过程，波动率的动态特征可分解为一个短期波动成份 σ t 2 和一个长期波动成份 μ t ，其短期项 σ t 2 以指数 α β 的速度收敛于 μ t ，其长期项以指数 ρ 的速度收敛于 ϖ [ 29] 。因此， CGARCH 模型不仅可以描述传统的 ARCH 模型中的短期条件波动，还可以得出长期波动的动态特征。从公式（ 1 ）中得出 shortv t 和 longv t 为度量波动特征的两个变量，分别表示短期和长期波动成份，且 shortv t σ t 2 - μ t 2 ， longv t μ t 2 。此外，条件风险和极端风险下，波动信息的溢出效应差异很大。有些市场的条件风险之间不存在溢出，只有极端风险才溢出。因此，因果关系检 1259第 37 卷第 6 期资源科学 http// 验对于两个市场的同质（条件波动性比对条件波动性的）风险关系度量可能无法准确地反映其内在联系。为了研究极端风险的溢出效应，本文以 0. 9 分位数作为波动性的阈值，以区分短期和长期极端风险，表示为 shortv t 和 longv t ，如公式（ 2 ）和公式（ 3 ） - - - - - - - - - - s ho r t v t ì í î 1， s h o r t v t 0 . 9 0，否则（ 2 ） - - - - - - - - l o ngv t ì í î 1，l o ng v t 0. 9 0 ，否则（ 3 ） 2.2 格兰杰因果关系检验的遍历性本文使用格兰杰因果检验，若零假设为 X 不是引起 Y 变化的原因，检验无限制条件回归和有限制条件回归两个模型，如公式（ 4 ）和公式（ 5 ） Y ∑ i 1 m α i Y t - i ∑ i 1 m β i X t - i ε t （ 4 ） Y ∑ i 1 m α i Y t - i ε t （ 5 ）在格兰杰因果检验的研究中，检验结果依赖于滞后阶数的选择。通常有两种标准一种是采用 AIC 准则 [ 7 ] 或 Akaike 最终预测差 [ 8 ] 等标准来判断公式（ 5 ）的最优滞后阶数，再检验格兰杰因果关系；另一种是在样本量充足的情况下检验不同的滞后阶数，如果因果关系不依赖于滞后阶数的选择，则认为两个市场存在格兰杰因果关系 [ 30 ， 31] ，也称为格兰杰因果检验的遍历性分析。由于样本量较充足，本文参考 [ 16 ] 选择后者标准检验了 1 - 90 阶，具有实证说服力。 2.3 数据和样本学者 Chlier 和 Creti 等指出，期货市场具有比现货市场更敏感的价格发现功能， EUA 期货合约价格交易活跃且比碳现货市场更不易受结构性变化的影响 [ 7 ， 34 ] ，因此，本文选用 EUA 期货价格作为基准指标，同时选取相关能源价格和价格指数、大类资产价格、货币、债券、和股指等金融指标， 19 个指标的数据来源于 Wind 数据库。变量分别为 3 个月欧元伦敦银行间拆放款利率（ EULIBOR ）、澳大利亚 BJ 动力煤现货价格指数（ coal ）、美元指数（ USDindex ）、欧元兑美元汇率（ EUROUSD ）、 COMEX 黄金期货收盘价（ COMEXgold ）、 COMEX 铜期货收盘价（ copper ）、 NYMEX 天然气期货收盘价（ naturalgas ）、西德州中级原油期货结算价（ WTI ）、 CBOT 大豆期货收盘价（ CBOEbean ）、美国国债 10 年收益率（ USBOND 10 ）、英国富时指数（ FTSE ）、德国 DAX 指数（ DAX ）、法国 CAC 指数（ CAC ）、美国标普 500 指数（ SPX ）、纳斯达克综合指数（ IXIC ）、圣保罗证交所指数（ BVSP ）、上证综合指数（ SSEC ）、日经 225 指数（ N 225 ）、澳大利亚普通股指数（ AORD ）等。按照 EU ETS 规定的三个阶段依次选取第一阶段为初始交易日 2005 年 4 月 26 日到 2007 年 12 月 17 日；第二阶段为 2007 年 12 月 18 日到 2012 年 12 月 31 日，亦是京都议定书首个承诺履约期；第三阶段为 2013 年到 2020 年。由于本文截稿日期正处于第三阶段，因此本文选取了前两个完整的阶段和 2013 年 1 月 2 日到 2015 年 1 月 6 日作为第三阶段现有数据样本，每个阶段的每种风险下各有 38 对因果关系，三个阶段两种风险共有 228 对因果关系。 3 结果及分析在三个阶段内，本文以 EUA 长、短期波动性为基准指标，分别检验条件风险和条件风险之间以及极端风险和条件风险之间 1- 90 滞后阶的格兰杰因果关系。此外，对于中国碳市场部分，仍选取 1 90 的滞后阶数，由于样本长度有限，模型结果仅用来探索中国碳市场和大类资产之间是否存在信息传导的可能性，并期待样本量充足后对国内碳市场的进一步研究。在 1- 90 滞后阶数中的 F 统计量所对应的 p 值鉴于篇幅有限，本文未列出具体数据详表，仅列出关系结果表。如表 1 所示， X ⇒ Y ，表示在 1 90 的滞后阶数内， X 能否连续稳健的被检验出格兰杰引起 Y 的变化，如果可以就用 “ * ” 标示。其中，针对任一滞后阶，如果格兰杰因果检验的 p 值小于 5 ，则拒绝 5 的原假设，即认为在给定阶数下， X 可以格兰杰引起 Y 。溢入表示该指标格兰杰引起 EUA 的变化，溢出表示 EUA 格兰杰引起此指标变化，总计表示全部识别出的因果关系对数，也就是溢入溢出的对数总和。因果关系的稳健性需要在长的滞后阶数中判定。比如，在 TPgarch 长期波动第一阶段极端风险的溢出检验中（由于版面有限，未附上附录）， EUA 和 copper 的溢入关系的 P 值虽然在 1 - 20 、 30- 40 阶上小于 0. 05 ，但是在 40 阶之后的阶数内大于 0 . 05 ，则不能认为存在因果关系。又比如， EUA 与 copper 12602015 年 6 月宋楠等碳市场与大类资产之间的波动信息传导 http// 的溢出关系的 p 值从第 35 阶起小于 0. 05 ，则认为存在因果关系。这两种判定方法，也从实证的角度证明了滞后阶数越长检验越稳健。基于以上原则，结果存在稳健因果关系的以 “ * ” 标注，详见表 1 。 3.1 EUA 与大类资产的短期波动溢出结果如表 1 所示，在短期波动中，出现溢出和溢入关表1 短期和长期波动的溢出关系 Table 1 The spillover effect of short and long term volatility 注 * 表示在在因素关系， “ “ 表示溢出； “ EULIBOR EUAcoal EUAUSDindex EUAEURUSD EUACOMEXgold EUAcopper EUAgas EUAWTI EUACBOEbean EUAUSBOND 10 EUAFTSE EUADAX EUACAC EUASPX EUAIXIC EUABVSP EUASSEC EUAN 225 EUAAORD SUM 短期波动条件风险第一阶段 * * * * * * * * * * * * * * * 15 第二阶段 * * 2 第三阶段 * * * * * * * * * * * * * * * 15 极端风险第一阶段 * * * * * * * * * * * 11 第二阶段 * * * * * * * * * 9 第三阶段 * * * * * * * 7 长期波动条件风险第一阶段 * * * * * * * * * * * * * * * * * 17 第二阶段 * * 2 第三阶段 * * * * * * * * * * * * * * 14 极端风险第一阶段 * * * * * * * * * * * * * * * * * 17 第二阶段 * * * * * * * * * * * * * * * * 16 第三阶段 * * * * * * * * * * 10 1261第 37 卷第 6 期资源科学 http// 系的指标共有 59 对，在条件风险下，第一、二、三阶段分别有 15 、 2 、 15 对；在极端风险下，分别有 11 、 9 、 7 对。结果显示，在条件风险和极端风险下的波动信息传导结果不一致。在条件风险下，天然气价格并没有影响 EUA 价格，但是在极端风险下存在。值得注意的是，在欧盟碳市场的第二阶段中，条件风险下只有 2 组溢出关系 EUASSEC ， AORD ，但是在极端风险下出现 9 组。此外，欧盟碳市场在三个阶段内表现的波动信息传导结果不一致。在条件风险下，第一阶段显示出的因果关系在第二阶段消失却在第三阶段重现，如 EUAcoal ， FTSE 。在极端风险下，第一、第二阶段 EUA 与 SPX ， FTSE ， IXIC ， SSEC ， AORD ， BVSP 和 DAX 等指标表现出的因果关系，有的在第三阶段消失，有的在第三阶段重现。比如 EUA COMEXgold ， copper 以及 EUA FTSE ， CAC ， SPX ， IXIC ， AORD 等。而在第二阶段的结果有差异，如在条件风险下只有 2 组指标存在溢出关系 EUASSEC 和 AORD ；而在极端风险下却有 16 组因果关系。结果显示，在长期波动和短期波动的传导方向表现出许多相似点存在因果关系的对数均在第二阶段回落，在第三阶段反弹；在极端风险下，第一和第二阶段的 EUA 期货市场与股票市场表现出较多的波动信息传导关系，然后在第三阶段内因果关系数量出现了下降。 3.3 EUA 市场实证结果分析如表 2 所示，溢出和溢入关系总数在不同阶段存在差异。如在第一阶段和第二阶段的极端风险下，溢入总数大于溢出总数，这可能是因为有其他市场或重大政策等信息影响碳市场的价格波动。在第二阶段中，有的指标在条件风险下不能引起波动溢出，但是在极端风险下可以，本文认为可能是由于碳市场的交易种类较单一，且交易市场并未完全开放，受政策性因素影响较大，所以碳价格波动并不能代表某一趋势，有一定时滞性和惰性只有在信息强度足够大的情况下才会出现传导。在第三阶段，溢出总数大于溢入总数，本文认为是碳市场初步表现了其市场的前瞻性，碳市场比其他市场的风险传导更敏感。由于二氧化碳排放是企业经营活跃程度的同步指标，碳排放权价格前瞻性的反映了宏观经济的走势，所以它与一些指标存在长期的溢出关系。此外，短期和长期波动信息传导不一致，但差异不大。本文的实证结果意味着，欧盟碳期货市场信息可能已经成为全球大类资产的有机组成部分，它能够吸收其他市场的信息，同时其他市场在运行时也会参考碳市场的信息。 3.4 SZA 与金融、大类资产市场的结果分析同理，本文对深圳碳现货市场（国内尚未建立碳期货市场）做了初步的探索。由于数据样本量有限，在 1 到 90 阶并未显示出风险传导，而在 1 到 12 或 25 阶内，长期波动的极端风险下， SZASSEC 、 SZAcoal 、 SZAshibor 、 SZAGEM 。与欧盟碳市场相比，深圳碳现货市场与其他市场的风险传导关系不明显。不过，不排除未来存在与大类资产价格产生风险传导的可能性，如在 1- 12 阶内与 coal 、 shibor 、 SSEC 、 GEM 的溢出关系，本文认为可以继续阶段 1 2 3 溢入溢出总计溢入溢出总计溢入溢出总计条件风险短期波动 10 5 15 0 2 2 5 10 15 长期波动 12 5 17 0 2 2 6 8 14 合计 22 10 32 0 4 4 11 18 29 极端风险短期波动 6 5 11 8 1 9 2 5 7 长期波动 10 7 17 10 6 16 6 4 10 合计 16 12 28 18 7 25 8 9 17 表2 波动溢出关系汇总 Table 2 The counts of volatility spillovers 12622015 年 6 月宋楠等碳市场与大类资产之间的波动信息传导 http// 跟踪其与能源期货、股指和金融市场利率等的风险传导。中国区域碳市场由于样本量有限、市场有效性较低、市场机制尚不完善，其反映宏观经济的能力，仍需进一步研究。 4 结论与讨论 4.1 结论（ 1 ）碳期货市场和大类资产市场存在风险传导关系，其中，碳市场与股票市场的关系略强。本文猜想是因为欧盟碳市场与全球经济的内在联系较强。当全球股票指数上升，宏观经济势头强劲，工业企业加紧生产并产生大量的碳排放，配额需求增加，碳市场价格也上升。（ 2 ）在不同阶段下，溢出效应表现大多不一致。当然，存在少数指标关系在不同阶段显示出相似的溢出效应。（ 3 ）极端风险和条件风险下的因果关系表现不一致。欧盟碳排放权期货市场的价格波动风险传导方向是动态变化的，因此学术界、政策制定部门和参与者应该考虑金融、能源等大类资产价格波动对碳市场的动态风险影响，尤其在极端风险下应该加大重视。此外，有些指标同时具有溢入和溢出关系，其他市场参与者应该充分重视来自碳市场的风险冲击力度，前瞻性的采取风险控制和风险规避。 4.2 讨论本文的结论对中国形成统一碳市场的金融风险管理有重要意义。国内数据类比结果显示，深圳碳市场现暂不存在与其他市场之间的波动信息传导，但是不排除未来随着市场完善，出现联动关系。那么，在建设全国统一碳市场的进程中，为了完善市场的有效性，实现对风险的控制，中国政府应该考虑碳市场是否可能会与其他金融市场存在风险传导机制，碳市场是否反映了中国宏观经济形势，市场间的关联性是否是检验成熟开放市场的标准。此外，在不同阶段具有不同的溢出效应，那么碳市场投资者与参与履约的控排企业应该时刻保持风险管理意识，积极应对突发风险，比如在极端风险下，风险传导关系可能会更容易显现，那么在管控碳市场金融风险的同时，应该考虑金融、能源等大类资产等市场的波动风险。尤为重要的是，碳市场与其他市场既存在风险溢入与溢出关系，说明碳市场的风险可能会与其他市场的风险相互传导，因此，参与其他市场的投资者也应该关注来自碳市场的波动风险，在第一时间规避风险，而中国

展开阅读全文

碳市场与大类资产之间的波动信息传导.pdf

最新标签