中国金融期货长期波动的可预测性研究及优化建议

对经济金融变量进行预测对于制定货币政策以及金融投资决策具有十分重要的意义。对资产价格波动率进行预测是风险管理，资产定价，资产配置研究的核心问题，也是现代金融学研究的基础性问题，如Ferson and Korajczyk（1995）以及Ferson and Harvey（1999）研究了资产组合收益率的可预测性。大量文献已经证明，股市波动率可通过不同的计量经济学模型和不同的经济金融变量进行预测（Engle et al.，2013），而针对经济变量对金融资产价格波动预测能力的研究正随着金融资产波动和风险的日益加大而变得越来越重要。Paye（2012），Corradi et al.（2013）以及Engle et al.（2013）的研究均表明经济变量对美国股市波动具有较强的预测能力。Amendola et al.（2014）考察了美联储货币政策对原油期货价格（COFP）的影响，研究发现实际联邦基金利率（EFFR）和原油期货长期波动间存在逆向的关系，即美联储宽松型货币政策往往伴随着原油期货波动的加大。通过将样本以2007年10月为界划分为危机前和危机后两个部分，研究发现美联储货币政策对原油期货波动的影响在危机后更为显著。Conrad et al.（2014）研究发现，宏观经济指标可以解释美国股市和原油期货的长期波动率以及两市间的相关性。

但在很多情况下，预测者往往会遇到数据频率不一致的问题：宏观经济变量通常为月度数据（如就业率、失业率、物价指数以及工业增加值等）或者季度数据（如国内生产总值GDP），金融变量往往为日度数据（利率，资产价格）或者频率更高的日内数据。实践表明，将高频数据通过不同的加总方法得到低频数据以进行回归估计所得到的结果差异性较大，估计结果的优劣在模型的简约性（避免过度拟合）和灵活性（允许不同时间跨度）之间此消彼长。为解决这一问题，Ghysels et al.（2004）提出了混频抽样数据（MIDAS）模型，该模型可将混合频率的数据放入同一方程中进行回归。Engle et al.（2013）在MIDAS框架内提出的GARCH-MIDAS模型，将时间序列条件波动分解为长期成分和短期成分，同时也解决了宏观经济变量预测金融资产波动率时数据频率不一致的问题。

伴随着中国经济总量的强大、中美经贸关系和金融关系的“辅车相依”，以及人民币国际化和影响力的日益彰显，中国金融市场不可避免地受到美国的影响。Rapach et al.（2013）发现美国经济变量对中国股市有显著的预测效应。鉴于考察美国政策和经济变量对他国金融资产收益率预测能力的研究相对较少，分析美国政策和经济变量对日益开放的发展中国家——中国的金融资产收益率的影响和预测作用具有十分重要的意义。在众多政策变量中，公认的和美联储货币政策紧密相连的变量有联邦基金利率，美联储货币政策报告，褐皮书以及美联储主席证词等（Bernanke and Kuttner，2005；Armesto et al.，2010；Rosa，2011）。我们因此提出这样的疑问：这些变量是否对中国金融市场有影响并可预测中国金融市场的波动？(https://www.xing528.com)

鉴于期货市场相较现货市场对信息的反应更为灵敏，以及GARCHMIDAS模型可将低频的美国宏观数据和高频的中国金融期货日收益率数据放入统一研究框架的特性，承接上一节的研究，本部分将进一步考察美国政策和经济变量对中国股指期货和国债期货市场的作用点和预测能力。将多个美国经济金融指标作为外生变量加入模型长期波动方程中，本书试图测度美国政策和经济变量对中国金融期货市场长期波动的影响和预测效果。