【我国大豆市场套期保值策略的实证探析12000字（论文）】

我国大豆市场套期保值策略的实证分析近年来，中国作为消费大国对大豆的进口依赖越来越高，大豆的价格变动对整个大豆产业和国民经济的影响深远。大豆是我国重要农作物，其价格会受供求关系、相关商品价格、国际市场价格等因素影响，导致国内大豆现货市场价格波动频繁且剧烈，严重影响大豆产业的稳健发展。期货市场具有风险规避功能,而套期保值率是衡量风险规避的重要指标。大豆期货在农产品期货中非常活跃，成交量大。伴随着经济全球化的速度的加快,企业的规模越来越大,企业将面临的外部环境也越来越动荡。为了尽可能规避企业的风险，期货市场应运而生,成为规避风险的主要手段之一。套期保值的重要性日益上升，出于规避大豆现货价格频繁波动导致的风险的目的,可通过大豆期货来实现套期保值,以便大豆运营商锁定成本、保证利润。所以如何有效的利用大豆期货市场套期保值功能来分散现货价格波动风险，已成为大豆生产经营者的主要需求，也是国内大豆产业化发展、市场化发展的必然要求。本文将以大连交易所黄大豆一号为研究对象，选取2009年10月至2021年5月的大豆现货价格和黄大豆1号期货连续收盘价的数据，运用经济学OLS模型、ECM模型和GARCH模型估算最优套期保值比率，对不同模型估算的最优套期保值比率的有效性进行评价与比较。关键词：大豆期货、套期保值、OLS模型、ECM模型、GARCH模型目录TOC\o"1-3"\h\u26224一、绪论 一、绪论（二）研究意义对于大豆生产为主的企业来说，他们最主要的就是通过种植并销售大豆获得收入，所以他们最担心就是当它们实际卖出现货大豆时，现货大豆的价格比种植大豆时估计的价格低，那么他们就会因为价格下跌，导致企业的利润就会减少，甚至可能会出现亏损的情况。为了避免价格下跌的风险，大豆生产企业可以利用套期保值的手段，卖出大豆期货合约，当大豆价格下跌时可以将损失减少，起到对冲风险的作用。对于大豆加工企业来说，他们所生产出的产品都是以大豆为原材料，大豆价格的高低直接关系到他们企业的生产成本。如果在他们需要购进大豆时，大豆价格上涨，就会使其生产成本提高，影响企业的经济效益，为了避免价格上涨的风险，大豆加工企业可以采取买入大豆期货合约，锁定生产成本。（一）研究目的大豆期货品种在我国期货市场中是最早且较为活跃的品种之一，中国的期货市场从1993年开始试点，大连、上海、北京、郑州、成都等五家交易所将大豆作为交易品种，在1999年大连商品交易所成为了我国大豆期货品种的唯一交易所，2002年至2005年我国成为了当时世界第二大的大豆期货市场和最大的非转基因大豆期货市场。\t"/scfx/20210219/_blank"我国是世界上最大的大豆消费国，现在我国每年大豆消费量1亿吨以上，产需缺口9000多万吨。2020年大豆进口量突破1亿吨，有效弥补了国内市场产需缺口。我国大豆进口依赖性强，政策和经济的不稳定性严重影响我国大豆市场乃至粮食市场的稳定性，不利于国民经济的发展。研究中美大豆期货套期保值效率有利于我国向美国学习并完善我国大豆市场，提高套期保值效率，为政府制定农业政策提供相应的参考，顺应近年来我国提出的农业供给侧改革的潮流，提高期货市场运行效率，促进期货市场功能发挥，减少大豆市场动荡对我国国民经济的影响。对于期货市场参与者来说，研究大豆套期保值效率有利于他们对该领域的了解，充分利用期货市场规避风险或进行投资，实现经营者的经营目标，促进我国大豆期货市场健康发展。二、大豆市场现状（一）国内大豆市场现状近年来，由于中国居民的人均收入水平不断提高，城镇化进程，老龄化人口结构变化和畜牧业的快速发展，居民的消费结构发生显著变化，主粮消费的减少，蛋白类和油脂类产品的消费逐渐增加，带动了国内大豆的消费。2010年至至2020年，中国大豆的年均产量为万吨，其中2015年中国大豆的产量仅有1237万吨，直到近年国家出台了一系列扶持政策促进大豆产业发展，国内大豆产量才逐步恢复上升，到2019年大豆产量达到1810万吨。然而两千万吨不到大豆产量难以满足国内日益增多的消费，超过八成的的大豆消费需要依赖进口。中国2019年的大豆消费量为1.082亿吨，同比增长6.08%，占全球大豆消费量的30.75%。而2010年中国的大豆消费量为0.550亿吨，仅占全球消费的21.89%，十年时光中国对于大豆的需求飞速增长。2019年10月至2020年9月我国大豆进口9853万吨，比上年度的8253万吨大幅增加1600万吨，增幅19.40%，创造历史新高。2019年10月我国进口大豆869万吨，连续5个月创历史同期最高水平。2020年1月至10月我国累计进口大豆8322万吨，比上年同期的7077万吨增加1245万吨，增幅17.6%。2020年我国大豆进口情况为2020年我国总计进口大豆10032.73万吨，较2019年的8845.84万吨增加1186.89万吨，增幅为13.42%，是我国大豆进口历史上首次突破1亿吨关口。为了使国内生猪养殖可以快速恢复，禽料养殖可以处于高位，饲料消费需求强劲刺激，我国大量进口大豆。在中美第一阶段经贸协议达成后，中国积极采购美国的大豆，国内的大豆供应结余量大幅增加。供应扩张、需求回暖共同促进我大豆进口量。供给端来看，主产国巴西供应扩张，且受2020年年初雷亚尔贬值等因素影响，巴西大豆价格的竞争力强，我国从巴西进口大豆的进口量比前一年增加了660.2万吨，对全年大豆进口增加贡献率为55.9%。同时伴随着中美第一阶段经贸协议逐步落实，我国从美国进口的大豆进口量增加894.4万吨，贡献率达75.7%。需求端来看，国内下游行业需求强劲推动进口增加。国家统计局数据显示，2020年末我国生猪存栏、能繁母猪存栏比上年末分别增长31%、35.1%。2020年，生猪生产持续较快恢复推高豆粕饲料消费和大豆压榨需求。2020/21年度，我国大豆压榨消费量预估为9900万吨，增加6.9%。（二）国外大豆市场现状2019年以来在新冠肺炎疫情的环境下，全球经济下行，大豆需求下降，大豆价格承压低位运行。2020年，南美的大豆产量创造新高，而美国的大豆大幅减产，大豆全国的供需格局从过剩转向宽松。中美达成第一阶段贸易协议后，中国对美大豆采购小幅增长，但巴西大豆价格的优势明显，中国仍以采购巴西大豆为主。在全球新冠肺炎疫情和中美第一阶段贸易协议的影响下，全球大豆市场消费和进出口形势发生变化。近段时期以来中国稳生产保供给政策持续加码，在养殖高利润背景下，生猪存栏触底回升，家禽存出栏延续增长，推动国内饲料需求触底回升，全年饲料消费降幅大幅收窄。由于豆粕价格处于偏低水平，且其他粕类和蛋白原料供应有限，豆粕添加量保持偏高水平，国内豆粕饲用消费有望止降回升，大豆进口量延续增长。受国际大豆市场供求宽松、中美贸易摩擦以及新冠肺炎疫情冲击经济前景等因素影响，2020年1-7月份国际大豆价格低位运行。从8月份国际大豆价格摆脱2013年以来的低位运行区间，趋势形成上涨空间。11月23日，CBOT大豆主力合约收盘价11.92美元/蒲式耳，较8月初9美元的水平高出近3美元/蒲式耳，涨幅320/，同比涨幅接近33%，为2014年9月份以来的最高。从价格水平看，当前11一12美元/蒲式耳的大豆价格是合理的，有利于刺激全球大豆面积恢复增加。2018年和2019年中美发生贸易摩擦，美国农业生产受到严重影响，而8美元/蒲式耳的大豆价格仅相当于种植成本，加上美国政府给予的一些救济补贴，可以保障农场主基本种植收益，但对于增加大豆种植面积作用是有限的。2019年8月份以来美国大豆增产预期不断减弱，全球大豆产量预期从8月份的3.7亿吨下调到11月份的3.63亿吨，美国农业部评估大豆供求形势向结束宽松方向转化，特别是季度库存报告发布后，美国大豆库存低于预期，说明中美贸易摩擦滞销的大豆已经消化，供求变化导致价格不断上行。应该看到，全球大豆供给并不短缺，供应形势依然较好。此外，拉尼娜天气可能影响大豆生产，市场担忧既有阶段性的，也有预期性的，按照以往规律期货市场价格天气升水会提高。2019年10月至11月南美大豆播种期间天气干旱，截至11月19日巴西大豆播种完成了80%，明显落后正常年份，市场对南美大豆产量的担忧情绪是正常的，有机构预测拉尼娜天气还可能导致2020年底和2021年一季度美国中西部大平原部分地区降雨低于正常水平。美国大豆出口前景看好，截至11月12日，美国2020-21年度大豆出口销售5129万吨，增幅117%，其中我国采购2861万吨，增幅238%，市场存在过度炒作中国旺盛的采购需求情况，认为中国玉米价格高企，豆粕用量会相应增加。宏观方面的不确定因素复杂多变，作为农产品龙头地位的大豆价格则会受到更大的影响。比如，新冠肺炎疫情导致阿根廷经济面临更大衰退，阿根廷比索贬值到历史最低水平，通胀预期加剧，农民严重惜售大豆对抗货币贬值。2019年11月份以来欧美等国家新冠肺炎疫情呈现二次爆发趋势，对全球大豆生产、物流和装运回国不确定性因素增加，对我国大豆供应链和产业链构成潜在风险，建议国内企业密切关注美国、巴西和阿根廷疫情发展及大豆出口装运情况，及早与外商签订远期大豆采购合同，锁定进口来源。大豆的价格受到国内外多种因素的影响波动幅度变大，大豆生产者则需要承担这变大的价格波动带来的价格风险，大豆期货市场有价格发现和规避风险的功能，因此需要套期保值规避风险。三、套期保值理论分析（一）套期保值的类型1.买入套期保值多头套期保值又称\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"买入套期保值，是指交易者先在\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"期货市场买进\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"期货，以便在将来\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"现货市场买进时不至于因价格上涨而给自己造成经济损失的一种\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"期货交易方式。因此又称为“\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"多头保值”或“\t"/item/%E5%A4%9A%E5%A4%B4%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"买空保值”。2.卖出套期保值卖出套期保值亦称“\t"/item/%E5%8D%96%E5%87%BA%E5%A5%97%E6%9C%9F%E4%BF%9D%E5%80%BC/_blank"空头套期保值”。保值者在期货市场出售期货，持有空头头寸。即通过卖空来保护他在现货市场中的多头头寸，以规避价格下跌的风险。也就是说，商品需求者在现货市场买进商品的同时，又在期货市场卖出同一品质数量的期货，以防止买进后因价格下跌受到损失。如果买进现货后，价格下跌，虽然实物交易受到损失，但期货套期则可得到盈利;如果买进现货后，价格上涨，期货套期虽然发生亏损，但现货交易则可得到盈利，盈亏可以进行抵冲。这种卖出套期的做法，可以分散风险，对实际用户起到利益安全的保护作用。卖出套期保值往往被加工企业、制造业者和贸易商采用，可减少价格波动的风险，有助于稳定生产成本和保障收益。（二）期货市场套期保值操作原则1.交易方向相反原则交易方向相反原则就是在两个市场上进行相反的操作，分别处于买和卖的相反位置，交易者在一个市场上亏损的同时在另一个市场上必定出现盈利的结果，从而用一个市场的盈利去弥补另一个市场上的亏损。但是往往很多储运商、贸易商手头有库存现货，却在期货市场买入期货，这样的两笔交易就不是反向交易，而是同向交易，不仅没有规避价格风险，反而将风险扩大，如果价格下跌，两个市场将同时出现亏损。2.商品种类相同原则只有两个市场交易的商品的种类相同，期货价格和现货价格之间才有可能形成密切的关系，才能在价格走势上保持大体一致的趋势，以此取得良好的保值效果。不过，有的企业无法找到与现货商品完全对应的期货商品，此时可以选择与现货相近的期货商品来进行交叉套期保值。3.商品数量相当原则交易者所选用的期货合约上所载明的商品数量，与交易者实际将要在现货市场上买卖的商品数量相等或相当，使一个市场上的赢利额与另一个市场上的亏损额相等或最接近。例如，贸易商有2000吨现货大豆待售，需要做卖出套期保值，就不要在期货市场上卖出3000吨，否则一旦被套或遇到多头逼仓的行情，风险就会扩大。4.月份相近或相同原则在期货市场和现货市场中的价格上下波动的幅度变动会影响这两个市场上的的亏损额和盈利额，只有交易者所选用的期货合约的交割月份，和交易者决定在现货市场上实际买卖现货商品的时间相同或相近，才能使期货价格和现货价格之间的联系更加紧密，增强套期保值的效果。四、套期保值比率的概念（一）套期保值比率的概念在现实生活中，期货市场价格的变动很少会和现货市场价格的变动保持完全一致，所以套期保值比率并不一定为1。况且，对于不同套期保值者而言，所要达到的目标也是不同的，如风险最小化目标和收益最大化目标，或者只需对部分现货商品进行套期保值。此时套期保值的期货合约数量也不必完全等于现货商品数量。套期保值者可以根据自身的目标和期现价格的波动调整期货合约数量和现货商品数量，以此最终确定最优的套期保值比率。在当今的期货投资市场下，不同的期货商品能计算出不同结果的套期保值率，是因为不同的期货商品所处的期货市场不一样，且套保者利用套期保值想要达到的预期结果也不一样。根据不同的套期保值预期目标将计算套期保值比率的模型划分为两类:它们分别是风险最小化模型和收益最大化模型。风险最小化套期保值模型是指在确定期货市场和现货市场投资组合的风险最小化的条件下的最优套期保值比率，使期货市场上价格波动的幅度最大限度的与现货市场上价格波动幅度一致，使期现货市场的商品投资组合的价格波动最平稳，完成风险最小化的目的。收益最大化的套期保值模型同时考虑了期现货投资组合的收益和风险，与风险最小化模型相比更加切合实际。本文为研究最优套期保值策略，为企业更好的在期货市场转移价格风险，故不考虑投资收益，着重研究风险最小化模型。（二）中国大豆期货市场期货套期保值风险分析期货市场中的套期保值作为一种可以转移风险的工具，是一个有利有弊的双刃剑，只有参与者运用的合理，才能够保证参与市场的企业避免现货价格波动可能带来巨大的风险。与此同时，由于期货本身具有的高杠杆性、高风险性，因此，一旦参与者使用不当，很可能造成现货市场和期货市场的双倍损失。这里的发生的血淋淋的案例不胜枚举。比如中航油事件、国储铜事件、中信泰富外汇期货巨亏事件等等，都不断的提醒我们，运用期货工具进行套期保值的前提是要有专业的态度，了解市场中的风险，才可以正确的使用。期货套期保值中可能产生的风险有很多，总结起来包括了系统性风险和非系统性风险两大类。系统性风险是由于政治经济因素导致的整个期货市场、现货市场的价格发生大幅度的波动，同时也可能造成短期的流动性风险。造成非系统性风险更多的是人为原因，例如不按照风险工作条例执行的交易风险、管理风险等。本章主要分析在期货套期保值过程中出现的管理风险、套期保值比率风险、基差风险、流动性风险。期货交易是对比于现货交易而提出的，期货交易的主要作用在于为现货提供转移价格风险的场所。从期货交易的定义上看，期货交易的战略涉及到企业的管理风险、市场营销、投资融资及人力资源管理的等各个方面。第一个管理风险从宏观角度上看就是利用政策的真空期，进行机会套利。比如当前我国的成品油价定价，是按照国外三大期货交易所报价连续十个交易日波动4%作为基准价，进行上下调整，而这个滞后的窗口报价，就会给一些企业捡到政策的漏洞。从微观角度上看就是企业在资金管理上出现漏洞，这往往是由于企业在期货风险管理上没有明确写出成文的管理条例，当发生极端事件的时候，就会出现非常严重的资金管理风险。比如在持仓阶段，对于强平权限的不明确很可能造成提前平仓或者滞后砍仓，这就会带来实际的损害，严重的就会发生资金链断裂的可能。例如中航油事件，一份独立审计报告表明，陷入困境的中航油在石油衍生品交易中进行风险越来越高的赌博，以求避免报告早期交易亏损是主要原因，可见中航油风险管理控制松懈，公司未能对它的期权组合进行正确估价。这导致了在新加坡上市的中航油亏损5．5亿美元，创下这个城市国家自1995年巴林银行破产案以来最严重的金融丑闻。第二个套期保值比率就是我们衡量需要运用多少的期货资金进行锁定现货进行风险对冲，套期保值比率就是计算这一权重。套期保值比率的算法很多，主流的方法是用期货价格及影响期货价格的因素加总于现货价格进行比例分析。因此，在衡量比率时候，就会产生风险，因为我们有可能无法准确的衡量影响期货价格的因素。比如大多数的大宗商品定价权都在美国，因此美元计价是大宗商品的主流，因此对于汇率的判断，就是一个很大的影响指标。由于大多数的套期保值的参与方是大型国际贸易商，因此采取的是跨市场套保方案。汇率因素、船运安全因素、货运船只成本、天气因素都是可能造成套期保值比率不断波动的原因，一旦我们计算不对，就会产生套期保值数量溢出或者风险暴露的问题。第三个是基差风险。相同的大宗商品现货价格与期货价格两种价格之间存在紧密的关系，两者的差值便是期货的套期基差。大宗商品现货价格和期货价格的走势有着一定的同步性。很多相关性分析都证明了此结论，期货套期保值规避风险理论也是基于此事实而提出的。然而实际中的套期保值却要复杂很多。因为从理论上来说，现货与期货的基差是围绕一定的基数进行规律的波动，但实际上经常会出现基差的极端扩大甚至发生现货价格和期货价格的背离。套期保值能够得到实现的理论基础在于这现货价格和期货价格在期货合约到期时会达到很高的一致性水平，且期货交易和现货交易的盈亏正好相互冲抵，因此来实现相应的风险规避职能。但是这两种价格之间也会存在一定的偏差，这种偏差也就是基差，即现货价格减去期货价格。如果现货价格和期货价格的背离严重，那么就无法实现套期保值，基于这种情况而设计的套期保值方案也就无法实现规避价格波动的风险，在此情况下就会出现基差风险。在传统的套期保值理论中，存在一个假设前提，也就是这现货价格与期货价格的走势保持一致，基差随着合约到期时会变为零。但是，在实际运用中，根据真实的操作会发现这种理论中套期保值并不是可靠的实现保值的工具。对于金融期货而言，理论的套期保值有一定的可行性，因为其相应的基差风险较小；然而对于金属、农产品而言，影响他们的价格因素太多，这样就非常容易由于供需关系、国家政策等因素的影响，使基差在短时间内发生较大的变化，甚至在逼仓情况下，这一差异会达到更高的水平。如果企业依据其生产计划，设计经历的时间较长的套期保值方案，期货会经历多个期限的合约，因此在这种情况下企业为了实现套期保值就需要进行多次期货头寸的移仓，多次的期货头寸移仓就会导致增加了相应的不确定性风险。在基差绝对值比较小的时候，相应的套期保值头寸不断移仓收入或者亏损的数值也会较小，基差对套期保值的影响也在较小的水平上。不过若基差异常波动，则对套期保值影响可能就会达到很高的水平，且保值时间越长，此种影响也就越显著。在熊市阶段，基差达到很高水平下，卖期保值通过不断移仓得到的展期收益可能会很大;而在牛市阶段，有很大的负值基差时，如此操作则可能带来很大的损失。流动性风险可以分为宏观的流动性风险和微观的流动性风险。宏观的流动性风险指的是在全球贸易的流通性风险和企业资金层面的流动性风险。而微观的流动性风险是指在期货市场上期货不同月份的成交、持仓数量不同所导致的风险。全球各国之间的合作日渐频繁但是世界各国之间的竟争也变得格外激烈，这是导致宏观的流动性风险原因之一，目前伴随着世界全球化进程的不断深入，各个国家国开始结合自身的经济、政治、文化大形势展开了产业的转型工作。中国在复杂的国际大环境中势必会受到一定的影响，例如贸易顺差、贸易逆差导致的地区经济保护主义的抬头，经济贸易摩擦的加剧等，整体上看中国出口的增长确实受到了比较大影响。大宗贸易同时也会受到利率、汇率、出口国产量、地缘政治等影响，这些都会极大的控制商品的全球流动，形成潜在风险。宏观的流动风险原因之二就是企业资金层面是否有流动性风险。企业规模如果盲目的扩张可能会导致库存压力显著增加，企业资金的流量也可能会因为相应的短期、中期、长期营销计划的不明确而受到巨大影响。此外也有些企业由于成本管理相关的合理规划条例的缺少，这样成本管理者可能会没有协调好成本购入和管理方面的比例，从而影响了成本管理的口标实现，而浪费了相关资金资源。这些都可能造成流动性的风险。微观层面的流动风险，主要体现在期货交易市场上，由于企业在订购原材料采购计划时，一般需要依据产品的生产和销伟状况来制定，在现货采购或销伟均衡情况下，企业必须在期货合约月份进行操作。不过受到期货合约水平差异的影响，而导致其流动性也存在相应的差异。若对应的期货合约流动性差，这样企业就需要选择与之接近的合约进行替代，然后移仓操作。若各月份之间基差不大，则相应的保值效果影响不大，在基差波动很大的情况下，则套期保值效果也会出现很多偏差。五、我国大豆市场套期保值策略的实证分析（一）数据来源本文数据来源于WIND金融数据终端，数据选取2009年10月1日至2021年5月8日的大豆期货价格和现货价格的周数据。（二）描述性统计分析FUTURE为期货价格、SPOT为现货价格，通过EVIEWS7软件得到的描述性统计分析如下：图4.1中国大豆现货价格描述性统计由图4.1可知，中国大豆现货价格的偏度为-0.394933<0，偏左峰；峰度为4.633326；JB统计量为86.67998，比较大，P值为0，说明拒绝原假设，中国大豆现货价格序列不服从正态分布；.图4.2中国大豆期货价格描述性统计由图4.2可知，中国大豆期货价格的偏度为-0.737579<0，稍微偏左峰；峰度为5.297894；JB统计量为196.3521，P值为0，同样拒绝原假设，中国大豆期货价格序列也不服从正态分布。（三）相关分析相关分析是分析两个变量间相关性程度的分析方法，相关系数越高则表示两个变量间存在相关关系，相关系数介于（-1,1）之间，并且默认在95%的前提下检测其显著性，得到的结果如下：表4.1相关性分析

CovarianceCorrelationt-StatisticProbabilityFUTURE

SPOT

FUTURE

164322821.000000

SPOT

11217226105780250.8508131.00000040.64041

0.0000

从表4.1可知FUTURE和SPOT之间的显著性为0.851，并且其相伴概率PROB为0.000，表明在显著性为99%的前提下两者呈现正向的相关性。（四）平稳性检验1.期货的单位根检验在期货FUTURE的单位根检验中，ADF值为-6.197816，显著大于1%level的t值-3.441376，其相伴概率为0.000，表明在99%的显著性前提下，期货FUTURE的单位根检验通过，即为平稳的时间序列数据。表1-3期货FUTURE的单位根检验

t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-6.197816

0.0000Testcriticalvalues:1%level-3.4413765%level-2.86629610%level-2.569362*MacKinnon(1996)one-sidedp-values.2.现货的单位根检验在现货SPOT的单位根检验中，ADF值为4.700006，显著大于1%level的t值-3.441613，其相伴概率为0.001，表明在99%的显著性前提下，现货SPOT的单位根检验通过，即为平稳的时间序列数据。表1-4现货SPOT的单位根检验

t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-4.700006

0.0001Testcriticalvalues:1%level-3.4416135%level-2.86640110%level-2.569418*MacKinnon(1996)one-sidedp-values.（五）协整检验协整检验是检验变量间是否存在协整关系的检验方法，其原始假设为：HO：变量间不存在协整关系H1：变量间至少存在1个协整关系通过协整检验得到的结果如下：表1-5变量间的协整检验

UnrestrictedCointegrationRankTest(Trace)HypothesizedTrace0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*

0.056078

50.70983

20.26184

0.0000Atmost1*

0.030921

17.87191

9.164546

0.0009

Tracetestindicates2cointegratingeqn(s)atthe0.05level

*denotesrejectionofthehypothesisatthe0.05level

**MacKinnon-Haug-Michelis(1999)p-values从上表的结果来看，在原始序列的协整检验中TraceStatistic值为

50.70983，而在0.05CriticalValue区间的值为20.26184，即TraceStatistic大于0.05的显著性前提，且相伴概率PROB值为0.000，即可说明原始序列存在协整关系，可以构建回归模型和后续分析。（六）基于OLS回归的保值率分析为了测算期货（FUTURE）和现货（SPOT）之间的套期保值率关系，我们构建以现货（SPOT）为因变量以期货（FUTURE）为自变量的回归模型，基于OLS的回归结果如下：XP其中C为常数，β为套期保值率，μ为残差项表1-6OLS模型回归结果

VariableCoefficientStd.Errort-StatisticProb.

C5564.461333.713016.674390.0000FUTURE0.6826340.01679740.640410.0000R-squared0.723883

Meandependentvar18841.39AdjustedR-squared0.723445

S.D.dependentvar3254.964S.E.ofregression1711.737

Akaikeinfocriterion17.73156Sumsquaredresid1.85E+09

Schwarzcriterion17.74564Loglikelihood-5601.174

Hannan-Quinncriter.17.73703F-statistic1651.643

Durbin-Watsonstat1.158943Prob(F-statistic)0.000000从上表可以得到套期保值率β的值为0.68，显著性为0.000.即在95%的显著性前提下显著，且模型的拟合优度R²为0.724，即可认为模型可以拟合72.4%以上的数据波动。（七）基于ECM模型的保值率分析ECM模型为误差修正模型，是在ols的基础上加上残差项而得到的。

VariableCoefficientStd.Errort-StatisticProb.

C-4.209281129.9009-0.0324040.9742D(FUTURE(-1))-0.3404000.031931-10.660490.0000RESID01(-1)-0.8483110.077088-11.004430.0000R-squared0.307710

Meandependentvar-4.054556AdjustedR-squared0.305502

S.D.dependentvar3912.351S.E.ofregression3260.418

Akaikeinfocriterion19.02185Sumsquaredresid6.67E+09

Schwarzcriterion19.04302Loglikelihood-5988.882

Hannan-Quinncriter.19.03007F-statistic139.3451

Durbin-Watsonstat2.206764Prob(F-statistic)0.000000模型结果为：D(SPOT)=-4.20928064493-0.340400279234*D(FUTURE(-1))-0.848311059455*RESID01(-1)从可决系数R^2可以看出该模型效果不是很好，所以选择建立GARCH模型。（八）基于GARCH模型的保值率分析1.ARCH效应检验（1）LS回归模型以FUTURE为解释变量，SPOT为被解释变量，先建立普通线性回归：

VariableCoefficientStd.Errort-StatisticProb.

C5564.461333.713016.674390.0000FUTURE0.6826340.01679740.640410.0000R-squared0.723883

Meandependentvar18841.39AdjustedR-squared0.723445

S.D.dependentvar3254.964S.E.ofregression1711.737

Akaikeinfocriterion17.73156Sumsquaredresid1.85E+09

Schwarzcriterion17.74564Loglikelihood-5601.174

Hannan-Quinncriter.17.73703F-statistic1651.643

Durbin-Watsonstat1.235012Prob(F-statistic)0.000000SPOT=5564.46099609+0.682633502724*FUTURE(2）残差图由上图可以看出，p值均小于0.05，说明数据间存在较强的相关性。（3）ARCH检验在LS回归基础上进行ARCH效应检验，滞后阶数由高到低：滞后阶数为3：

HeteroskedasticityTest:ARCHF-statistic5.966435

Prob.F(3,625)0.0005Obs*R-squared17.51233

Prob.Chi-Square(3)0.0006滞后阶数为2：

HeteroskedasticityTest:ARCHF-statistic7.704260

Prob.F(2,627)0.0005Obs*R-squared15.11089

Prob.Chi-Square(2)0.0005

滞后阶数为1：

HeteroskedasticityTest:ARCHF-statistic8.594636

Prob.F(1,629)0.0035Obs*R-squared8.505742

Prob.Chi-Square(1)0.0035由以上表格数据可以看到，p值均小于0.05，可以得出，现存在ARCH效应，可以进行GARCH模型的建立。

2.GARCH模型建立及检验（1）定阶采用准则函数的定阶方式，决定GARCH（q，p）中q和p的值，建立九个不同模型进行比较，得到模型系数均显著，提取九种模型显示结果中的AIC、SC和HQ三个数据汇成以下表格：（q，p）AICSCHQ（1,1）17.6555617.6907617.66923（1,2）17.6535917.6958217.66999（1,3）17.6556617.7049417.67480（2,1）17.6569717.6992117.67338（2,2）17.6309517.6802217.65008（2,3）17.6314517.6877617.65332（3,1）17.6591717.7084417.67831（3,2）17.6187217.6750317.64059（3,3）17.6238017.6871617.64841按照准则函数定价方式，三个数值越小，说明模型越好，所以选择GARCH（3,2）作为最优模型，进行模型分析。

（2）模型建立根据之前的平稳性检验可以得到，解释变量FUTURE和被解释变量SPOT均为平稳序列。DependentVariable:SPOTMethod:ML-ARCH(Marquardt)-NormaldistributionDate:05/18/21Time:05:04Sample:1632Includedobservations:632Convergenceachievedafter41iterationsPresamplevariance:backcast(parameter=0.7)GARCH=C(3)+C(4)*RESID(-1)^2+C(5)*RESID(-2)^2+C(6)*GARCH(-1)

+C(7)*GARCH(-2)+C(8)*GARCH(-3)VariableCoefficientStd.Errorz-StatisticProb.

C5452.428227.728823.942640.0000FUTURE0.6893580.01148260.036800.0000VarianceEquationC1350428.278218.34.8538450.0000RESID(-1)^20.2118870.0391545.4116170.0000RESID(-2)^20.2155470.0388535.5478010.0000GARCH(-1)-1.0319500.033306-30.984360.0000GARCH(-2)0.5520580.0655778.4184530.0000GARCH(-3)0.5949210.05569210.682410.0000R-squared0.723780

Meandependentvar18841.39AdjustedR-squared0.723341

S.D.dependentvar3254.964S.E.ofregression1712.058

Akaikeinfocriterion17.61872Sumsquaredresid1.85E+09

Schwarzcriterion17.67503Loglikelihood-5559.515

Hannan-Quinncriter.17.64059Durbin-Watsonstat1.222878GARCH模型上半部分为条件均值模型，下半部分为条件波动率模型。两个模型的结果分别为条件均值模型：SPOT=5452.4284213+0.689357778413*FUTURE.条件波动率模型：GARCH=1350428.46877+0.211887011138*RESID(-1)^2+0.215546776466*RESID(-2)^2-1.03195020116*GARCH(-1)+0.552058373947*GARCH(-2)+0.594921399229*GARCH(-3).从上表可以得到套期保值率的值为0.689358，显著性为0.000.即在95%的显著性前提下显著，且模型的拟合优度R²为0.723780，即可认为模型可以拟合,72.4%以上的数据波动。（3）序列相关检验由图可以看出p值均小于0.05，说明还是存在相关性，但因为模型的建立并不能改变数据，数据存在相关才能进行建模分析，所以模型依旧存在可行性。（4）正态分布检验由图可以看出，直方图趋势接近正态分布，且p值小于0.05，所以认为服从正态分布。（5）ARCH检验对该模型再次进行ARCH效应检验，滞后阶数由高到低：滞后阶数为6：

HeteroskedasticityTest:ARCHF-statistic0.449392

Prob.F(6,619)0.8455Obs*R-squared2.715017

Prob.Chi-Square(6)0.8437滞后阶数为5：

HeteroskedasticityTest:ARCHF-statistic0.541117

Prob.F(5,621)0.7452Obs*R-squared2.719877

Prob.Chi-Square(5)0.7431滞后阶数为4：

HeteroskedasticityTest:ARCHF-statistic0.655102

Prob.F(4,623)0.6234Obs*R-squared2.630373

Prob.Chi-Square(4)0.6215

HeteroskedasticityTest:ARCHF-statistic0.545356

Prob.F(3,625)0.6514Obs*R-squared1.642241

Prob.Chi-Square(3)0.6499滞后阶数为3：滞后阶数为2：

HeteroskedasticityTest:ARCHF-statistic0.880204

Prob.F(2,627)0.4152Obs*R-squared1.763879

Prob.Chi-Square(2)0.4140滞后阶数为1：

HeteroskedasticityTest:ARCHF-statistic0.740673

Prob.F(1,629)0.3898Obs*R-squared0.742154

Prob.Chi-Square(1)0.3890综上可以看到，p值均大于0.05，表示模型不存在ARCH效应，所以可以对该模型有实际意义，可以应用并进行分析。主要结论及展望：通过本文的模型分析可以看到以根据OLS、ECM、GARCH三个模型的回归结果得到我国大豆期货市场套期保值率结果汇总如下：模型拟合度套期保值率OLS模型0.7238830.682634ECM模型0.307710-0.340400GARCH模型0.7236750.675677从表格中我们可以看到，OLS模型、ECM模型、GARCH模型的拟合优度分别为0.723883、0.307710、0.723675，套期保值率分别为0.682634、-0.340400、0.675677，所以GARCH模型更利于企业进行套期保值分析，锁定成本，控制风险。中国大豆期货市场的套期保值比率为