航运干散货市场与中国股票市场的信息溢出效应研究

王珍 唐韵捷 杨光
摘要:本次研究运用向量自回归模型对波罗的海指数与上证A50指数进行分析,以金融危机作为时间节点,研究航运干散货市场与中国股票市场之间在不同时段的信息溢出现象。结论表示,航运干散货市场与中国股票市场之间具有较强的相关性并存在信息溢出效应;同时这种信息溢出效应作为两个市场之间的重要的纽带对制定海运运价有着较大的影响力,也可以对金融资产的定价提供依据。
关键词:DCC-GARCH VAR BDI SZZS 动态关系
0 引 言
在较早的外文文献中许多的研究已经证实了金融市场与实体经济活动之间存在着不可忽略的相关性:1973年McKinnon[1]和Shaw[2]推断出金融市场对于实体经济具有较为重要的意义。之后Bencivenga, Smith,和Starr[3]和Levine和Zervos[4]多次论证了这一观点。1980年Ross[5],Roll和Chen[6]论述了他们的看法:从宏观角度看来,金融的发展在较大的程度上影响了实体经济,然而实体经济对于金融也存在相当的影响力,两者密不可分。1986年Roll和Ross[7]进一步论述了实体经济通过直接影响资产的价格从对资本市场有着一定成都上的间接影响。
本文旨在探究航运干散货市场和中国股票市场之间的一个动态关系,本研究领域中航运干散货市场和中国股票市场分别代表的实体经济和资本市场基准的行为,并针对这两个市场的相互依赖性,构建相关研究模型来确保任何金融市场和实体经济结构之间的关系的线索都可以为投资者提供信息。同时,2009年的全球经济危机对市场之间的相关性的影响,引起了国内外众多学者的关注。例如黄飞雪等[8]将全球经济危机视为全球股市联动性变化节点,论证了金融危机之后全球金融股票市场的相关性有了较大的提升。此外,美国股票市场对于全球股市的影响力有所降低。张莹毓[9]基于CMOT、DCE和TOCOM玉米期货市场考察金融危机前后中国市场对国际市场的影响力,并论证了中国市场的地位在金融危机之后有了较大的提升。ElieBouri(2015)[10]选取了2003年至2014年的约旦股票市场的对数回报率与全球原油价格来进行信息溢出的研究,并以2008年作为分界点,区别金融危机的前后时。
然而现有的市场信息溢出效应研究大多都局限于金融市场之间,例如Chiang, Jeon,和Li(2007)对关于亚洲股票进行相关性研究,发现中国,日本,韩国的股票市场具有较强的联动性,三地股票的波动方向基本一致[11]。 Aslanidis,Osborn,和Sensier(2010)研究美国和英国资本市场,并发现两个市场之间有较强的相关性[12]。Syllignakis和Kouretas(2011)对德国美国俄罗斯股票市场进行研究,得出两个国家的股票市场相关系数总体为正,共同波动性较强[13]。但对金融市场与经济市场的信息溢出效应研究较为不足。我们希望通过向量自回归的设置,在以金融危机为节点的不同市场的风险动态的基础上,评估中国股票市场和航运干散货市场内生因素的互动来得到所有有用的信息并檢测两个目标市场的相关性。
1描述性统计与数据检验
1.1数据选取
本文选取2005年1月至2015年1月的上证A50指数和波罗的海指数的每月和每季度数据作为样本,描述十年内中国股票市场与航运干散货市场短期和长期内的市场信息溢出效应。并以2008年9月雷曼兄弟正式破产标志的全球金融危机作为分界点,来观察金融危机前后中国股票市场与航运干散货市场之间的相关性变化。
1.2 描述性统计
表1-1显示了不同频率和不同阶段的数据特征。可以看出无论是月系列还是季系列对比组中,BDI收益率的极差(最大值与最小值之差)相对上证A50指数对照组较大,这表明航运干散货市场的波动性较为明显;BDI的收益率波动也较为显著,上证A50指数的波动性最为平稳。此外,相比较金融危机前,在后阶段中所有指数的波动性都有不同程度的增大。从平均数和标准差的角度看来,月系列和季系列的数据都显示:BDI的回报率成负数,回报率不甚理想,同时市场风险较大;上证A50指数季系列回报率最佳,风险程度较低。金融危机后,BDI回报率进一步的下降,然而上证A50指数的回报率有所提高。但是两个指数的风险程度也都随之上升。
所有系列的偏度均小于0表明:次分布具有负偏性,其中BDI的负偏性较强;BDI收益率序列相对于其他序列有更多数值大于平均数;上证A50指数的负偏性较弱。序列的峰度的表现:序列的峰度均大于3,显示两个收益序列分布均有尖峰厚尾的特征,意味着序列中存在着大幅度偏离均值的异常值,由此可以看出,四个收益率序列的波动都较为剧烈,其中BDI的季收益序列表现得极为明显。最后从JB统计量看出,两个序列JB值都远远大于0,均不服从正态分布。
1.3平稳性检验
在建立VAR模型之前,为避免导致伪回归,需要对所有序列进行平稳性检验。表1-2显示,所有序列的检验值均小于5%的临界值,并且伴随概率皆通过检验,从而拒绝原假设;四个序列都通过了平稳性检验。所以该样本可以用来进行VAR模型分析。
2 市场信息溢出效应研究
接着通过建立VAR模型,利用格兰杰因果关系检验、脉冲响应和方差分解方法,详细分析股票市场与航运干散货市场之间的信息溢出效应,并检验相互间的引导关系。模型的基本形式是
此外,本次研究选择选择向量自回归的原因在于,它可以让对变量的内生性约束更加少,并且可以从两个系列之前的观察结果中得到更加广阔的信息回馈。向量自回归估计至多滞后阶数为8,并且根据AIC准则,SIC准则,均值等式的相关滞后阶数是确定的。
采用最小二乘法来估计该VAR模型,检验月系列、季系列、第一阶段和第二阶段的VAR模型表达式。经过查表得出所有表达式中的T统计量均大于1%界值,该VAR模型中的参数系数都通过了显著性检验。
2.1 格兰杰因果检验
对航运干散货市场和股票市场进行两两之间的格兰杰因果关系检验,分析它们间的动态关系,以及是否存在时间上的先导和滞后关系。
(1)市场之间长期和短期的格兰杰因果检验
首先针对航运干散货市场和股票市场的在长期和短期的相关性的变化进行格兰杰因果关系检验。
表2-1显示了对BDI和上证A50指数进行两两之间的格兰杰因果关系检验结果并发现:无论是月系列还是季系列都显示了不同的反应。从短期看来:上证A50指数对BDI可以进行一定的解释,其伴随概率通过了5%和10%的检验。但BDI对上证A50指数无解释能力。但从长期的角度看来:恰恰相反,看BDI之前的变化可以较好地解释上证A50指数的变化,伴随概率分别通过了5%的检验。然而上证A50指数并不是BDI的格兰杰原因,伴随概率均未通过10%的检验。
因此中国股票市场短期的波动对于航运干散货市场的参与者来说是不得不考虑的信息,然而这样的结论在长期角度看来却不明显。另一方面,从长期角度看来,波罗的海指数波动似乎更加容易解释中国股票
市场的波动。这个结论与2004年Robert.F.Mulligan[14]针对欧洲12支航运股票与波罗的海指数相关性和2013年Oral Erdogan[15]针对波罗的海指数与道琼指数的相关性的研究发现结果较为相似。Robert.F.Mulligan在文中指出航运公司股价虽然与运价存在着较强的正相关,但是彼此之间依然存着在长达一个月的滞后性。这是因为股价的变化中存在许多其他经济、政策等其他因素的干扰。此外Oral Erdogan提出波罗的海指数的波动更好的解释2个月后美国股票市场波动的原因是由于宏观经济环境抵抗单个因素影响能力较强,因此海运运费波动所导致的大宗物资需求变化引起的宏观经济的波动更新的相对较慢。此外笔者认为另一原因在于海运运费波动容易受到类似美国次贷危机事件的股票市场崩盘影响。尽管在BDI史上短时间内剧烈波动情况并不多见,但股票市场的剧烈波动通常回在短期之内迅速影响投资者信心从而直接影响大宗物资需求量。然而各支与大宗物资密切相关的行业股票需要经过较长一段时间后,受到运价连续上升或下降的影响,大宗物资的价格以及需求量开始变化,其股价也随即开始波动。
(2)市场之间不同阶段的格兰杰因果检验
接着针对航运干散货市场和中国股票市场的在金融危机前后阶段相关性的变化,进行两两之间的格兰杰因果关系检验。
从表2-2中看出:金融危机之前上证A50指数对于解释BDI的能力较为不足。然而金融危机之后上证A50指数对于BDI的解释能力有了较大的提升。这说明了中国元素对于世界航运产业的影响力在不断增强。
2.2 脉冲响应函数
为了更清楚地认识月系列和季系列中波罗的海指数与上证A50指数的相互影响关系,运用脉冲响应方法进行外来冲击分析,用以观察VAR模型中的变量之间的动态影响关系。此外,考虑到指数引导策略的合理性,本文认为从不同时间频率的角度比不同时间段角度更具有说服力和实用性。因此,仅针对月系列和季系列中波罗的海指数与上证A50指数进行脉冲响应函数分析。
2.3 BDI和上证A50指数的脉冲响应分析
图2-1至图2-4显示了脉冲响应的结果。BDI与上证A50指数对来自不同指数变化的冲击反应,大约在7期后消失。在月系列中,BDI对外来冲击的反应时间长,而且反应强度大,而在季系列中,上证A50指数对来冲击的反应时间也较长,反应强度较大。这与格兰杰因果检验的结果完全符合。各个指数t+1期对自身t期一个标准差新信息反应迅速,BDI在月系列和季系列中分别为0.486和0.279,而上证A50指数在月系列和季系列中分别为0.095和0.019,这说明BDI对市场新信息的反应程度也要大于上证A50指数。此外,从图3.7中可以看出:上证A50指数对BDI的外来冲击在t+1期并没有完全反应,而是在t+2期达到最大,进入t+3期后冲击效应逐渐变小。这同样也与股票市场与航运干散货市场的时滞性有关。从图3.8中,可以看出:BDI对SZ的外来冲击在t+1期已经完全反应并缓慢下降,并于第5期消失。因此对于中国股票市场,从长期角度看来(1到2个季度),航运干散货市场对股票市场参与者可以产出信息。另一方面,对于航运干散货市场,在短期角度看来(2到3个月),分析股票市场动态有助于更好的预测航运干散货市场的变化。
2.4 方差分解
不同于脉冲影响函数,方差分解是通过分析每一个结构冲击对内生变量变化的贡献度,以进一步评价不同结构冲击的重要性。因此方差分解给出对VAR模型中的变量产生影响的每个随机扰动的相对重要性的信息。
(1)月系列与季系列的方差分解分析
从表3-1可以看出:在预测月系列中,BDI对上证A50指数的解释能力比较弱,相反上证A50指数对BDI有着比较强的解释能力。以预测第10期为例:上证A50指数可以解释BDI方差的11.07%;而BDI却只能解释上证A50指数方差的1.71%。
在预测季系列中,上证A50指数和对BDI的解释能力比较弱,而BDI对上证A50指数的解释能力比较强。以预测10期为例,上证A50指数仅能解释BDI方差的5.5%,而BDI对于上证A50指数的解释力可达34.8%。
此外,从上表中也反应出,BDI相对于上证A50指数有着更好的自我解释能力。這或许是因为航运干散货市场合同的特殊性如远期运价(FFA)以及运输货物种类繁多,数量巨大,运力不可替代性较强等原因,以至航运干散货市场内部的动力是不可忽略的。
(2)不同阶段的方差分解分析
从表3-2可以看出:金融危机之前,上证A50指数对于BDI的解释能力较同期解释力仅为10.38%。然后金融危机爆发之后,上证A50指数的同期解释力达到12.84%。其原因为:面对全球经济的低迷,虽然我国股票市场与航运干散货市场在金融危机之后遭受严重打击,而工业化的进程并未放缓脚步,每年的国际贸易增长率远超美国并始终维持在较高水平,而国际贸易对海上运输的依赖性极大。因此我国经济的晴雨表——上证A50指数与BDI的相关性有了进一步的加强。
3 結论
第一,在短期内,上证A50指数对于BDI有着较强的解释能力;而在长期内,BDI对上证A50指数具有比较好的解释能力。
第二,1到2个季度内航运干散货市场的变化对中国股票市场参与者可以产出信息。另一方面,对于航运干散货市场,2到3个月内中国股票市场动态分析有助于更好的预测航运干散货市场的变化。
第三,相比金融危机前,上证A50指数与BDI的相关性有了进一步的提升。在国际航运干散货的市场中,中国元素承担着越来越重要的角色。
基于以上三点结论,本文提出,航运干散货市场与中国股票市场之间具有较强的相关性并存在信息溢出效应;同时这种信息溢出效应作为两个市场之间的重要的纽带对制定海运运价有着较大的影响力,也可以对金融资产的定价提供依据。
参考文献:
[1] McKinnon, R. I. Money and capital in economic development[M]. Brookings Institution Press. 1973.
[2] Shaw, E. S. Financial deepening in economic development[M].Oxford University Press. 1973.
[3] Bencivenga, V. R., Smith, B. D., & Starr, R. M. Equity markets, transactions costs, and capital accumulation: An illustration[J], The World Bank Economic Review, 1996, 10(2): 241-265.
[4] Levine, R., &Zervos. Stock markets, banks, and economic growth[J]. The American Economic Review, 1998, 88(3): 537-558.
[5] Ross, S. A. The arbitrage theory of capital asset pricing[J]. Journal of Economic Theory, 1976, 13(3): 341-360.
[6] Chen, Roll, & Ross, S. A. Economic forces and the stock market[J]. Journal of Business,1980, 59(3): 383-403.
[7] Roll, R., & Ross, S. A. An empirical investigation of the arbitrage pricing theory[J]. Journal of Finance, 1986, 35(5): 1073-1103.
[8] 黄飞雪,寇玲,杨德礼.金融危机前后中英美股票市场间波动溢出效应比较[J].数理统计与管理,2012(4):185-194.
[9]张莹毓. 金融危机前后国内外期货价格动态关系研究——基于CM0T、DCE和TOCOM的玉米期货市场的VAR模型实证研究[J].金融经济,2015(10):69-73.
[10] ElieBouri. A broadened causality in variance approach to assess the risk dynamics between crude oil prices and the Jordanian stock market[J]. Energy Policy, 2015(85): 271-279.
[11]Chiang, T. C., Jeon, B. N., & Li, H. Dynamic correlation analysis of financial contagion: Evidence from Asian markets[J]. Journal of International Money andFinance, 2007, 26(7): 1206-1228.
[12]Aslanidis, N., Osborn, D. R., &Sensier, M. Co-movements between US and UK stock prices: The role of time-varying conditional correlations[J]. InternationalJournal of Finance & Economics,2010, 15(4): 366-380.
[13]Syllignakis, M. N., & Kouretas, G. P. Dynamic correlation analysis of financial contagion: Evidence from the central and eastern European markets [J].International Review of Economics and Finance, 2011, 20(4): 717-732.
[14] Robert F. Mulligan. Maritime businesses: volatile stock prices andmarket valuation inefficiencies[J]. The Quarterly Review of Economics and Finance, 2004(44): 321-336.
[15] Oral Erdogan. Dynamics of the co-movement between stock and maritime markets[J]. International Review of Economics and Finance, 2013(25): 282-290.