中国碳市场调查结果-中国碳市场调查

碳市场的信息效率是市场效率评价体系的基础，其对市场运行效率与各项功能的发挥起着至关重要的作用，因此，本章主要以有效市场假说和分形市场假说作为理论基础，拟通过多种计量检验方法，探讨我国碳市场的信息效率。

1.基于有效市场假说的市场效率检验

（1）市场有效性的随机模型。评价市场有效性的基本理念，是判断资产的价格能否被预测。如果一个金融资产的价格运行能够被预测，则说明该市场非有效，反之，则说明市场有效。在概率论和金融经济学中存在两个重要的概念能够描述这种资产价格运行的状态，分别为鞅过程与随机游走过程。

1）鞅过程。鞅在20世纪70年代末期被引入金融经济学用来描述资产的价格运动过程，鞅过程指的是根据目前所得的信息对未来某个资产价格的最好预期就是资产的当前价格。在新的概率分布条件下，所有资产价格经过无风险利率贴现之后，为一个鞅过程。鞅过程满足如下条件：

其中，Pt表示在时刻t时金融资产的价格。鞅过程表示在历史价格信息已知的条件下，对下一期价格的预测等于当期的价格。

市场中不同价格的变化相互独立，当前市场价格可以迅速充分地反映任何历史价格所含有的信息，从而使得投资者不可能通过分析历史价格信息来预测未来的市场价格，这种市场价格的不可预测性使鞅过程成为检测市场有效性的基础。但是，鞅过程只是市场有效性的必要非充分条件，满足鞅过程的市场不一定是有效市场，但有效市场一定满足鞅过程。因为鞅过程只考虑了预期收益，忽视了获取预期收益所需承担的风险水平。然而在实际中，投资者不仅要关注预期收益还要关注获取预期收益所需承担的风险水平，则用鞅过程模型判断市场有效性时可能会产生误差。所以通常使用边际效用加权过的价格，这时的鞅过程已经调整了风险。

2）随机游走过程。“随机游走”（random walk）是指基于过去的表现，无法预测将来的发展步骤和方向。随机游走过程接近于布朗运动，即没有任何的规律，就像醉汉的步伐一样。随机游走过程也意味着资产价格的不可预测性。

随机游走过程分类：

RW1：独立同分布增量

其中，Pt表示t时刻碳资产的价格，a表示价格变化的期望，增量εt服从：

满足白噪声的εt鞅过程性质相同，但εt相对于鞅过程来说，约束条件更加严格，不仅要满足在不同时点的εt自身不相关，还要满足εt的任何非线性函数均不相关，符合上述条件的这一过程称为RW1。

RW2：独立增量

RW2是在RW1的基础上放宽了条件，价格增量εt独立但不同分布，此时的随机游走过程更符合市场中的实际情况。

RW3：不相关增量

RW3的约束条件比RW2放得更宽，价格增量εt既不要求独立也不要求同分布，是随机游走过程中约束条件最弱的一种形式，在检验市场有效性时，放宽了的假设条件并不影响检验。

（2）市场有效性检验方法。有效市场假说的三种形式成立的条件是由弱到强逐渐严格的，而我国碳市场历史较短，市场有效程度不高，因此我们在对我国碳市场信息有效性研究时，只针对弱式有效市场进行实证研究，即研究时间序列是否满足随机游走过程来判断市场有效性。

1）自相关检验法。^[4]检验时间序列是否遵循随机游走最直接的方法就是度量其序列的相关性。

定义k阶自相关系数为：

令γk=Coν（γt，γt+k），则有，对于给定样本T，可估计得出：

其中为自协方差矩阵，ρk为自相关系数。假设γt是一个有限阶的滑动平均过程，即，其中εt方差为σ2，四阶矩ησ2和σ6成比例，富勒给出了渐近独立于正态分布的估计量：

其中。在时间序列服从随机游动的零假设下，博克斯·皮尔斯（1970）提出Q-统计量来检验序列的自相关性。具体形式为：

由于，Qm服从分布，k阶滞后的Q统计量的原假设为序列不存在k阶自相关。如果Q统计量在滞后k阶时显著不等于0，则说明序列存在某种程度上的自相关。若样本较大，Q统计量的效果可能会不明显，因此在实际检验中往往使用修正后的Q统计量，

自相关检验的原假设H0：序列不存在自相关。

2）游程检验。游程检验是一种非参数检验，可以消除时间序列中极端值的影响，通过验证序列实际游程数偏离随机游走条件下期望游程数的显著性程度，来检验序列的游走性质。

游程期望值和标准差分别为：

构造统计量Z：

其中，n为样本容量，记M为样本的中位数，n1表示样本中数值大于或等于M的样本个数，n2表示样本中数值小于M的样本个数，R为总游程数。^[5]

当样本容量很大时，r近似服从正态分布。游程检验的原假设为：时间序列样本中的变量符合随机游走。在给定显著性水平α，样本容量已知的情况下，可求得统计量Z的临界值Zα/2。当|Z|＞Zα/2时，拒绝原假设，认为时间序列样本中的变量不符合随机游走，即市场为达到弱式有效；当|Z|＜Zα/2时，接受原假设，认为时间序列样本中的变量符合随机游走，即市场达到弱式有效。

游程检验作为一种非参数方法，无法显示时间序列中游程的内部结构。即使时间序列的游程数能通过随机性检验，也并不意味着该时间序列没有自相关性，因此使用游程检验有一定的局限性。

3）方差比检验。安德鲁和麦金利（1988）提出用方差比率来检验随机游走。其基本思想是在随机游走的假设下，方差是时间的线性函数，我们假设价格的随机游走为^[6]

这样，方差比的基本思想可表现为：

构造方差比，将rt+rt+1的方差和rt方差的2倍进行比较，记作VR（2），表达式为：

为序列rt的一阶自相关系数，对于任意平稳时间序列，方差比统计量VR（2）为一阶自相关系数与1的和。因此，当VR（2）=1时，序列服从随机游走，VR（2）≠1时，序列不服从随机游走，且当VR（2）＜1时，序列存在一阶负自相关，当VR（2）＞1时，序列存在一阶正自相关。

同理，第q期的方差比率形式如下：

其中，pt为资产的对数价格，rt（q）= rt+rt-1+L+rt-q+1，ρ（k）为序列rt的k阶自相关系数，方差比统计量VR（q）为前q-1阶自相关系数的一个线性函数。在RW1下，全部p（k）=0，VR（q）=1，而在RW2和RW3下，只要rt方差有限且均方差收敛于一个有限正数，仍有VR（q）=1。

方差比检验的标准统计量为：

其中为同方差假设下方差的渐近方差。

其中为异方差假设下，方差比的渐近方Ζ（q）和Ζ（q）*都渐进服从标准正态分布，异方差导致Z值偏大，会使其过早地落入拒绝域，因此需结合Ζ（q）和Ζ（q）*数值来判断序列的随机性。

方差比检验比相关性检验和游程检验更加有效，且被广泛地应用于市场的信息效率检验，作为判定序列随机游走的主要标准。

（3）我国碳市场信息有效性实证研究。

1）数据选取与描述性统计分析。本书选取的是北京、上海、湖北、广东、天津、重庆、深圳7个试点碳市场自成立以来至2016年8月12日的碳配额交易的收盘价数据，首先对7个试点碳市场的碳价走势进行分析比较。

由于金融领域的实证研究大多以收益率为研究对象，且对数收益率相对于简单收益率更容易处理，所以我们在研究中，关于市场收益率的计算均采用对数收益率，即为第t期碳市场收盘价的对数价格。图4-2至图4-8是7个试点碳市场碳价收益率的波动图，可以看出7个试点碳市场收益率的波动均比较平稳且在一定的范围内上下波动。

图4-2　北京碳价收益率波动图

图4-3　上海碳价收益率波动图

图4-4　广东碳价收益率波动图

图4-5　天津碳价收益率波动图

图4-6　湖北碳价收益率波动图

图4-7　重庆碳价收益率波动图

图4-8　深圳碳价收益率波动图

表4-10　7个试点碳市场碳价收益率的描述性统计

收益率均值越高说明金融资产的获利能力越强，从表中可以得知7个省市收益率的均值均为负值且趋近于0，说明碳市场震荡弱市。收益率的标准差越小表示波动越小，由表4-10可知，湖北碳市场的波动最小，风险程度较小，深圳的波动幅度最大。根据峰度和偏度进一步分析各试点收益率的分布特征，以北京为例，偏度小于0，且峰度远大于正态分布的值（3），所以北京碳市场收益率的分布具有左偏尖峰的特征。同理，广东、天津、湖北、重庆、深圳收益率的分布特征也为左偏尖峰，而上海收益率分布特征为右偏尖峰。并且，7个试点碳市场J-B统计量显示序列均不服从正态分布。

2）我国碳市场信息有效性检验。(www.xing528.com)

自相关检验：

如果一个市场是有效的，那么它各个时刻的价格变化是互不相关的，接下来，我们将通过检验序列自相关系数来进行市场效率研究。

表4-11　北京碳市场收益率描述性统计结果

表4-12　上海碳市场收益率统计结果

表4-13　广东碳市场收益率统计结果

表4-14　天津碳市场收益率统计结果

表4-15　湖北碳市场收益率统计结果

续表

表4-16　重庆碳市场收益率统计结果

表4-17　深圳碳市场收益率统计结果

根据上面7个表的自相关检验结果可以看出，7个试点碳市场不同滞后阶数的修正Q统计量的伴随概率除天津外均比较小，在5%的显著性水平均能拒绝原假设，但是绝大多数自相关与偏相关系数比较小，说明日频度数据的相关性比较差，这也就意味着时间序列均可能接近随机游动的白噪声过程，因此我们还需要进一步检验才能判断基于交易数据的碳市场是否能够达到弱式有效。

游程检验：

表4-18　7个试点碳市场收益率游程检验结果

从表4-18中可以看出，北京、深圳和湖北试点碳市场收益率的Z统计量的绝对值较小且P值较大，在5%的显著水平下不能拒绝原假设，所以我们可以判断北京，深圳和湖北碳市场收益率序列是一个随机游走过程，市场达到弱式有效。而其他几个试点碳市场收益率的P值均比较小，在5%的显著水平下拒绝原假设，认为序列不是随机游走过程，说明上海、广东、天津、重庆这4个市场均未达到弱式有效。

2.基于分形市场假说的市场信息效率检验

分形市场假说认为：资本市场是由大量的不同投资起点的投资者组成的，信息对各种不同投资者的交易时间有着不同的影响，在每日、周或月时段内的交易未必是均匀，而且投资者的理性是有限的，未必按照理性预期的方式行事。在对信息的反映上，有些人接受到信息马上就做出反应，然而大多数人会等着确认信息，并且不等到趋势已经十分明显就不做出反应。^[7]其意味着，金融资产的收益率或波动序列的各个观测值并不一定不相关，间隔较远的观测值之间可能会存在持续的，时间上的依赖关系，即历史的影响会持续影响着未来，这种特性即为长记忆性。如果一个市场的价格变化具有长记忆性，则说明该市场没有充分反映当前信息，信息效率低下。^[8]长记忆性主要的检验方法包括ADF-KPSS 联合检验和自相关系数法。

（1）ADF-KPSS联合检验。单位根检验是指检验序列中是否存在单位根，因为存在单位根意味着序列是非平稳时间序列，如果不加以处理，则会在回归分析中存在伪回归。

对于时间序列｛xt｝，构建模型：

构造假设检验H0∶γ=0，H1∶γ＜0。判断γ的估计值是否接受原假设，进而判断序列是否存在单位根，即序列是否平稳。

ADF检验的原假设为H0：序列存在单位根，为非平稳时间序列。

亚特科夫斯基（1992）提出了KPSS检验，该方法是用于区分I（0）和I（1）序列的。李和斯密特（1996）推广了该方法，用于区分序列的长记忆性和短记忆性。

KPSS将平稳性检验描述成一种趋势平稳性的假设，^[9]即：

其中是观测序列，是与确定趋势的偏差，且

其中，γt是随机游走序列，满足

其中， ＜∞，且｛εt｝是满足单整序列的短记忆过程。

KPSS检验的平稳性假设为H：0 =0，即Zt是短记忆的。

LM统计量：

其中，f0是频率为零时的残差谱密度，，S（t）2是残差的方差的一致估计，通过临界值即可判断序列是否平稳。

由于ADF检验是基于单位根原假设，而KPSS检验是基于平稳性原假设，因此，ADF-KPSS联合检验是可以检验序列的平稳性，也可以作为长记忆性检验的一种方法。^[10]如果序列拒绝ADF原假设而接受KPSS原假设，则序列平稳；如果序列在拒绝ADF原假设的同时也拒绝KPSS原假设，则序列可能存在长记忆性，需做进一步的检验。

（2）自相关系数法。自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象地讲，是度量自己过去的行为对自己现在的影响。自相关系数曲线的衰减方式是判断序列长期相关性的重要方法。如果时间序列的自相关系数曲线的衰减是以双曲线形式衰减，则认为序列具有长记忆性特征，因此，可以通过观察相关系数曲线图的衰减特征对序列的长记忆性进行预判断。

该方法便于实现且结果直观，但是主观性太强，主要依赖于研究者的经验和常识。最主要的一点是，相关系数曲线图是否以双曲线形式衰减只是长记忆的必要条件，而不是充分条件，所以不能直接判定序列是否为长记忆性。

（3）我国碳市场长记忆性实证检验。

1）ADF-KPSS联合检验。

表4-19　ADF-KPSS联合检验

以北京为例，北京碳市场收益率ADF检验的P值为0，在5%的显著性水平下拒绝原假设，说明序列不存在单位根，为平稳时间序列；但是KPSS检验值均小于各个水平临界值，接受原假设，认为序列是短记忆性的。序列拒绝ADF检验而接受KPSS检验，表明序列平稳但不具有显著的长记忆性。由表可知，7个省市的碳市场收益率均拒绝了ADF检验而接受了KPSS检验，则说明7个省市碳市场收益率的序列均为平稳的但不具有显著的长记忆性。

2）自相关系数检验。根据7个试点碳市场收益率的自相关系数曲线，可以看出7个省市的收益率序列的自相关系数均在一定的范围内进行波动，没有明显异于0，总体上也没有呈衰减趋势，进一步说明7个试点碳市场的收益率序列不具有长记忆性。

图4-9　北京碳价自相关系数曲线

图4-10　上海碳价自相关系数曲线

图4-11　广东碳价自相关系数曲线

图4-12　天津碳价自相关系数曲线

图4-13　湖北碳价自相关系数曲线

图4-14　重庆碳价自相关系数曲线

图4-15　深圳碳价自相关系数曲线

【注释】

[1]赵龙.次贷危机前后我国内地和香港股市联动性研究［D］.天津：天津财经大学硕士论文，2011.

[2]赵龙.次贷危机前后我国内地和香港股市联动性研究［D］.天津：天津财经大学硕士论文，2011.

[3]樊智，张世英.金融市场的效率与分形市场理论［J］.系统工程理论与实践，2002（3）.

[4]王继莹.我国股指期货市场有效性的实证研究［J］.鸡西大学学报，2014（11）.

[5]王继莹.我国股指期货市场有效性的实证研究［J］.鸡西大学学报，2014（11）.

[6]王家庭.天津市住房市场的有效性测度研究［J］.经济地理，2012（1）.

[7]何峰.中国商品期货市场效率问题研究［D］.武汉：华中科技大学，2009.

[8]金成晓，王继莹.沪深300股指期货收益率及波动率的长记忆性研究［J］.北京理工大学学报（社会科学版），2014（10）.

[9]陈璞.长记忆时间序列的研究与应用［D］.武汉：华中科技大学，2006.

[10]金成晓，王继莹.沪深300股指期货收益率及波动率的长记忆性研究［J］.北京理工大学学报（社会科学版），2014（10）.