滬深300股指期貨套期保值效率度量研究

王繼瑩+鄭耀威

摘 要：

基于滬深300股指期貨真實交易數(shù)據(jù)，選取對指數(shù)擬合程度高且可交易的滬深300ETF為現(xiàn)貨研究對象，運用靜態(tài)套期保值比率估計模型（OLS、BVAR、VECM）和動態(tài)套期保值比率估計模型（VECMBGARCH、DBEKKGARCH、DCCGARCH、NormCopulaGARCH、tCopulaGARCH）對最優(yōu)套期保值比率進行估計，并對規(guī)避風險效果進行比較。結果表明：無論在樣本內期間和樣本外期間中，各模型反映出的滬深300股指期貨套期保值效率都較高，考慮期貨與現(xiàn)貨市場動態(tài)相關性的NormCopulaGARCH模型套期保值效果最優(yōu)。

關鍵詞：滬深300ETF；滬深300股指期貨；最優(yōu)套期保值比率

中圖分類號： F803.91 文獻標志碼： A 文章編號：16720539（2014）06002007

一、引言

套期保值是股指期貨最重要的功能，其基本思想是根據(jù)合理的比例配置相反的期貨和現(xiàn)貨頭寸，使二者的盈虧相抵消，從而使價格風險降低到最低程度。而滬深300股指期貨自2010年4月推出以來，套期保值功能發(fā)揮的效率如何，能否有效地規(guī)避現(xiàn)貨市場風險，是值得深入研究的內容。

相對而言，國外對這方面的研究起步較早，研究也比較深入，早期主要基于靜態(tài)模型研究。Herbst[1]（1989）and Myers[2]（1989）提出雙變量向量自回歸模型（B-VAR），其目的是為了彌補OLS模型中殘差自相關造成的誤差。Ghosh[3]（1993）則是考慮兩個時間變量之間的協(xié)整關系，并基于此運用ECM模型對股票套期保值比率和效果進行研究，并發(fā)現(xiàn)效果優(yōu)于普通OLS得到的套期保值比率。伴隨著GARCH模型的問世，學者們開始著眼于建立動態(tài)套期保值比率估計模型。Garcia[4]（1997）和Roh，Yeh and Gannon[5]（2000）的研究都是基于GARCH族模型，而其結果也大都反映了GARCH 族模型相對其他早期模型的優(yōu)越性。之后，Hsu，Tseng and Wang[6] （2008）提出了一系列基于GARCH的最優(yōu)套期保值比率的估計模型，包括傳統(tǒng)靜態(tài)的GARCH、不變的條件相關GARCH、動態(tài)條件相關的GARCH模型。實證結果顯示，基于Copula的GARCH模型比其他動態(tài)模型更有效。

而國內學者對滬深300股指期貨套期保值功能的研究，則是主要借鑒國外成熟的模型，其根本基于風險最小化即方差最小化的框架對最優(yōu)套期保值比率進行估計，并評估套期保值效果。高輝、趙進文[7]（2007）運用OLS/VAR以及ECM模型對滬深300股指期貨套期保值比率進行研究，并檢驗不同模型下套期保值的有效性。吳先智[8]（2008）基于仿真交易數(shù)據(jù)對滬深300股指期貨的套期保值進行研究，得出GARCH模型更適合用于估算套期保值比率的結論。陳守東、胡錚洋和孔繁利[9]（2008）發(fā)現(xiàn)，ECM 模型估計的最優(yōu)套期保值比率比OLS模型估計的比率稍大，但兩者的套期保值效果相當。朱志紅、王向榮[10]（2011）基于2010年滬深300股指期貨真實交易數(shù)據(jù)，運用OLS、ECM以及GARCH模型，分別估計最優(yōu)套期保值比率，發(fā)現(xiàn)期貨市場的盈利能較大程度地彌補現(xiàn)貨市場的虧損，套期保值的效果顯著。吳春來[11]（2012）也基于滬深300股指期貨真實交易數(shù)據(jù)并運用多種模型進行最優(yōu)套期保值比率的研究。他同樣認為，GARCH模型所得出的套期保值比率最優(yōu)。蔣彧[12]（2013）通過構建GARCH-Copula模型估計股指期貨套期保值比率，并發(fā)現(xiàn)在股票價格指數(shù)上升階段的套期保值比率要低于下降時股指套期保值比率。

雖然目前存在著大量關于滬深300股指期貨套期保值功能的研究，但運用期貨真實交易數(shù)據(jù)的研究并不多，且選用的現(xiàn)貨標的一般為滬深300指數(shù)本身或股票、ETF組合。這兩種現(xiàn)貨標的皆有一定的缺陷：一方面滬深300指數(shù)并不可直接交易，另一方面股票或ETF所構建的組合可能會出現(xiàn)成本高、跟蹤誤差大的特點，而2012年5月推出的滬深300ETF恰恰為套期保值的研究提供了完美的可交易現(xiàn)貨標的。因此，本文基于多種套期保值比率估計模型，以滬深300ETF為現(xiàn)貨標的進行套期保值研究，度量我國滬深300股指期貨的套期保值效率，并力圖尋找效果最優(yōu)、最符合市場實際運行情況的套期保值比率估計模型，為投資者實現(xiàn)風險規(guī)避提供借鑒與參考。

二、套期保值比率估計模型介紹

（一）靜態(tài)套期保值比率估計模型

學術界早期對期貨套期保值比率的研究是靜態(tài)的，所估計出的最優(yōu)套期保值比率是固定不變的，主流模型有以下幾種：

1.簡單線性回歸模型（OLS）

建立線性回歸方程：

其中，ΔSt為現(xiàn)貨價格的變化，ΔFt為相應的期貨價格的變化，隨機誤差項εt～i.i.d，且服從N（0，σ2），斜率β的估計值即為最優(yōu)套期保值比率h*2.二元向量自回歸模型（BVAR）

簡單的線性回歸模型假設隨機誤差項獨立且服從N（0，σ2），但實際情況中，隨機誤差項往往會存在序列相關性和異方差性，這可能會使通過OLS方程得到的最優(yōu)套期保值比率存在一定風險。為了克服隨機誤差項的序列相關性，可以運用二元自回歸模型BVAR來估計最優(yōu)套期保值比率，建立方程如下：

3.向量誤差修正模型（VECM）

根據(jù)Engle，Granger提出的協(xié)整理論，當期貨價格與現(xiàn)貨價格存在協(xié)整關系時，運用OLS的估計量將是有偏的，忽略了前期均衡誤差的影響的BVAR模型也不能有效刻畫二者之間的長期均衡關系，因此在BVAR中加入誤差修正項Zt-1。

（二）動態(tài)套期保值比率估計模型

靜態(tài)套期保值比率的估計模型的建立，均基于隨機誤差項服從Rs的假設，所估計出的最優(yōu)套期保值比率不隨時間變化而變化，而在現(xiàn)實中，金融時間序列數(shù)據(jù)往往存在異方差性。當期貨市場和現(xiàn)貨市場的風險水平隨時間不斷變化時，對套期保值比率的估計需要引入考慮方差時變性的模型。Engle提出自回歸條件異方差模型（ARCH），奠定了動態(tài)套期保值比率研究的理論基礎，考慮到該模型的參數(shù)估計十分困難，Bollerslev在其基礎上拓展出廣義自回歸條件異方差模型（GARCH），而單變量的一元GARCH不能估計變量之間的協(xié)方差，無法依據(jù)h*=Cov（εst，εft）Varεft估計得到最優(yōu)套期保值比率，所以考慮運用多元GARCH模型進行套期保值比率估計，比較有代表性的模型如下：endprint

1.誤差修正二元GARCH模型（VECMBGARCH）

VECMBGARCH模型既考慮了期貨價格和現(xiàn)貨價格之間的協(xié)整關系，也考慮了二者價格序列波動存在的異方差問題。

建立均值方程：

條件方差方程為：

如果系數(shù)矩陣是對角矩陣，則條件方差可簡化為：

估計得出最優(yōu)套期保值比率h*t=Cov（εst，εft）Varεft=hsf，thff，t。

該模型要估計的參數(shù)比較多，且很難維持正值，即使全部為正值，也不一定能夠使條件方差-協(xié)方差矩陣滿足正定。

2.DBEKKGARCH模型

Engle，Kroner提出一類新的GARCH模型（BEKKGARCH），該類模型是建立在Baba，Engle，Kraft and Kroner所研究模型的基礎上，該模型滿足了條件方差-協(xié)方差矩陣的正定性，并減少了待估參數(shù)。該模型均值方程為：

條件方差方程為：

若假定系數(shù)矩陣均為對角矩陣，此時的BEKK-GARCH模型即改進為對角BEKK-GARCH（DBEKK-GARCH）模型，此時條件方差展開可得：

根據(jù)上述方程估計得出最優(yōu)套期保值比率h*t=Cov（εst，εft）Varεft=hsf，thff，t。

DBEKKGARCH模型雖然能夠減少待估參數(shù)個數(shù)，并滿足條件方差-協(xié)方差矩陣的正定性，但參數(shù)的經濟意義不明顯，其變化對未來方差和相關系數(shù)不十分明確。

3.DCC-GARCH模型

Bollerslev提出CCCGARCH模型。其假設不同資產收益率之間的相關系數(shù)是固定不變的，并簡化了估計，從而使其在研究中得到廣泛應用。但在實際應用中，一些金融序列的相關系數(shù)并不是固定不變的，因此Engle對CCCGARCH模型進行擴展，假定不同的資產收益率之間的相關系數(shù)隨時間動態(tài)變動，得到了DCCGARCH模型：

Ht=DtRtDt，Dt=diaghss，t，hff，t

與CCCGARCH模型不同的是，條件相關系數(shù)矩陣是動態(tài)矩陣，在套期保值中，模型可展開為：

估計得出最優(yōu)套期保值比率h*t=Cov（εst，εftΩt-1）VarεftΩt-1=hsf，thff，t=ρthss，thff，t。

4.CopulaGARCH模型

Copula模型提出的比較早，1959年由Sklar提出，主要根據(jù)隨機變量的邊緣分布函數(shù)研究隨機變量之間的相關關系。首先利用GARCH模型得到剔除ARCH效應的現(xiàn)貨S和期貨F的收益率的邊緣分布情況，然后根據(jù)Copula理論，若在時間t時，股票現(xiàn)價收益率Rs為和股指期貨合約收益率為Rf的聯(lián)合分布函數(shù)Fs，f（x，y）各自的分布函數(shù)為Fs（x）和Ff（y）時，則必存在一個二元Copula函數(shù)C（u，v），使得Fs，f（x，y）=C[Fs（x），F(xiàn)f（y）]。本文在研究時主要是應用二元正態(tài)Copula函數(shù)和二元t分布Copula。

對于隨機變量Rs，t-1、Rs，t-2，二元正態(tài)Copula函數(shù)分布為：

其中，Rf，t-1為相關系數(shù)，Rf，t-2為標準二元正態(tài)分布的聯(lián)合分布函數(shù)，φ-1為一元標準正態(tài)分布函數(shù)的反函數(shù)。

對于隨機變量X、Y，二元t分布的Copula函數(shù)表示為：

其中，ρ為相關系數(shù)，tρ，k表示相關系數(shù)為ρ、自由度為k的二元標準t分布的聯(lián)合分布函數(shù)，t為服從自由度為C的標準Zt-1分布函數(shù)的反函數(shù)。

最后，在CopulaGARCH模型下，我們所要估算的最優(yōu)套期保值比率為：

，其中，Rs，t-1由Copula函數(shù)得出的相關系數(shù)決定。

估計得出最優(yōu)套期保值比率為h*t=Cov（εst，εftΩt-1）VarεftΩt-1=hsf，thff，t=ρthss，thff，t

三、最優(yōu)套期保值比率實證分析

（一）研究數(shù)據(jù)選取與描述

目前，我國市場上共有六支滬深300ETF，分別為華泰柏瑞滬深300ETF、嘉實300ETF、華夏滬深300ETF、南方開元滬深300ETF、易方達滬深300ETF、鵬華滬深300ETF。其中，易方達滬深300ETF、鵬華滬深300ETF、南方開元滬深300ETF上市較晚，偏短的樣本周期將不能很好地展現(xiàn)價格運行規(guī)律；而華夏滬深300ETF交投不活躍，日均成交量僅為33.9萬，實際操作中有一定的流動性風險。因此，我們擬從華泰柏瑞滬深300ETF與嘉實300ETF中選擇一支對滬深300指數(shù)擬合最優(yōu)的品種作為套期保值的現(xiàn)貨標的。

我們主要從Pearson相關系數(shù)和跟蹤誤差的角度對二者進行研究。選取從2012年5月28日至2014年4月14日的日收盤價格數(shù)據(jù)。

根據(jù)Pearson相關系數(shù)定義ρxy=cov（x，y）Var（x）Var（y） ，分別計算嘉實300ETF、華泰柏瑞滬深300ETF與滬深300指數(shù)的相關系數(shù)，得出Rf，t-1，Rf，t-2，初步判定華泰柏瑞滬深300ETF是擬合滬深300指數(shù)的最優(yōu)品種。

再從跟蹤誤差的角度進行驗證。日均跟蹤誤差定義為：ATE=1T∑Tt=1（REt-RIt）2， REt為標的現(xiàn)貨日收益率，RIt為所跟蹤的標的指數(shù)日收益率。經計算得出：

ATE華泰=0.000118，ATE嘉實=0.000129

進一步驗證華泰柏瑞滬深300ETF對滬深300指數(shù)的擬合情況更好，故將其作為本文研究的現(xiàn)貨標的，期貨標的選取滬深300股指期貨的當月連續(xù)合約（IF00）。為消除序列的非平穩(wěn)性，分別取期貨和現(xiàn)貨的日對數(shù)收益率為觀測值，記作Rf、Rs。研究區(qū)間為2012年5月28日至2014年4月14日，其中2012年5月28日至2013年12月31日為樣本內數(shù)據(jù)，2014年1月2日至2014年4月14日為樣本外數(shù)據(jù)。endprint

首先，我們對Rf、Rs樣本內序列進行基本統(tǒng)計特征的描述（參見表1）。

由表1可以看出，Rf與Rs的標準差比較接近，說明期貨和現(xiàn)貨的收益風險比較接近。JB 統(tǒng)計量、偏度和峰度值表明二者不服從正態(tài)分布，且具有金融時間序列共有的明顯的尖峰、厚尾的特征；相關系數(shù)為0.9554，顯示二者存在較強的相關性，可以進行套期保值。

對時間序列數(shù)據(jù)進行平穩(wěn)性檢驗是進行時間序列回歸的基本前提條件，為了防止偽回歸，我們使用ADF檢驗方法驗證Rf和Rs的平穩(wěn)性，結果如表2所示。

單位根檢驗的結果表明，二者在1%的顯著性水平上均拒絕了原假設，表明期貨和現(xiàn)貨的收益率序列均為平穩(wěn)的時間序列。

（二）最優(yōu)套期保值比率估計

1.靜態(tài)套期保值比率估計

（1）OLS模型估計。運用OLS模型，估計得到Rs=0.0000226+0.9236Rf。可知，最優(yōu)套期保值比率h*=β=0.9236，對回歸方程的殘差進行進一步檢驗，結果顯示，雖然方程的各方面統(tǒng)計值顯示擬合狀況良好，但金融時間序列的異方差等特性會給估計帶來一定的風險，具體結果如表3所示。

（3）VECM模型估計。由于Rf和Rs均為平穩(wěn)序列，Pf與Ps之間可能存在協(xié)整關系。運用Johansen檢驗方法對變量進行協(xié)整檢驗，發(fā)現(xiàn)在5%的置信水平下，Pf與Ps之間存在且只存在一個協(xié)整關系，建立VECM（2）模型，估計如表5所示。

2.動態(tài)套期保值比率估計

運用MATLAB編程分別建立ECMBGARCH、DBEKKGARCH、DCCGARCH模型和正態(tài)CopulaGARCH模型和t分布Copula-GARCH模型，由于篇幅有限，模型具體參數(shù)估計結果不作展開。根據(jù)公式h*t=Cov（εst，εft）Varεft=hsf，thff，t，得出各個時期的動態(tài)套期保值比率h*，具體結果如表6所示。

四、套期保值效率度量

可根據(jù)Ederington提出的風險評估指標HE來度量滬深300股指期貨套期保值的效率。具體形式為：

從表7可以看出，在樣本期內各模型反映出的滬深300股指期貨套期保值效率都比較高，均能夠通過套期保值規(guī)避現(xiàn)貨資產組合90%以上的風險。其中NormCopulaGARCH模型的效果最好，套期保值效率達到91.63%，其次是t分布的CopulaGARCH模型，套期保值效率為91.32%。在樣本外數(shù)據(jù)分析中，同樣是CopulaGARCH模型的效果最好，正態(tài)和t分布情況下的效率值都達到了80.87%。結果表明，股指期貨市場與現(xiàn)貨市場相關性較高時，股指期貨能夠高效發(fā)揮規(guī)避風險的功能。

從樣本內套期保值效率度量結果來看，基于CopulaGARCH模型的套期保值策略對沖風險效果最好，而基于DCCGARCH模型的套期保值策略效果相對較差，靜態(tài)的最優(yōu)套期保值比率估計模型也能夠很好地對沖現(xiàn)貨風險。

從樣本外套期保值效率度量結果來看，基于動態(tài)最優(yōu)套期保值比率估計模型的套期保值效果整體上優(yōu)于靜態(tài)最優(yōu)套期保值比率估計模型，基于CopulaGARCH模型的套期保值策略仍然是最優(yōu)的。這在一定程度上說明，由于市場環(huán)境的不斷變化，我國股指期貨與現(xiàn)貨的相關系數(shù)可能也是不斷變化的，因此需要對最優(yōu)套期保值比率進行動態(tài)調整，從而提高套期保值效率。

五、結語

隨著我國資本市場的發(fā)展，滬深300股指期貨能夠高效地發(fā)揮套期保值功能。研究表明，基于NormCopulaGARCH模型的套期保值操作相對于其他模型的效果最優(yōu)，在理論上能夠最大限度地對沖現(xiàn)貨風險。但在實際應用中，該模型的套期保值比率是動態(tài)調整的，可能會造成調倉的成本較高。因此，還需從成本的角度綜合考察靜態(tài)與動態(tài)套期保值比率模型的套期保值效果，從而使滬深300股指期貨充分發(fā)揮規(guī)避風險的作用。

參考文獻：

[1]Herbst A F，Kate D，Caples S C.Hedging Effectiveness and Minimal risk Hedging Ratios in the presence of Autocorrelation：Foreign Currency Futures[J].Journal of Futures Markets，1989，9（3）：185-197.

[2]Myers R J，Thompson S R.Generalized optimal hedge ratio estimation[J].American Journal of Agricultural Economics， 1989，71（10）：858-868.

[3]Ghosh A.Hedging with stock index futures：estimation and forecasting with error correction model[J].The Journal of Futures Markets， 1993，13（7），743-752.

[4]Bera.A.，Gareia.P.and Roh.J.，Estimation of timevarying hedging ratios for Corns and soybeans：BGARCH and random coefficient approaches[J].Sankhva，1997，（59）：346-368.

[5]Yeh.S.C.and Gannon.G.L.，Comparing trading performance of the constant and dynamic hedge models： a note[J].Review of Quantitative Finance and Accounting，2000，（14）：155-160.

[6]ChihChiang Hsu，ChihPing Tseng，YawHuei Wang.Dynamic hedging with futures：A copulabased GARCH model[J].Journal of Futures Markets，2008，28（11）：1095-1116.

[7]高輝，趙進文.滬深300股指套期保值及投資組合實證研究[J].管理科學，2007，（4）：80-90.

[8]吳先智.股指期貨的最優(yōu)套期保值率實證研究——基于滬深300指數(shù)期貨仿真交易視角[J].上海立信會計學院學報，2008，（4）：78-84.

[9]陳守東，胡錚洋，孔繁利.Copula 函數(shù)度量風險價值的 Monte Carlo 模擬[J].吉林大學社會科學學報，2006，（3）：85-91.

[10]朱志紅，王向榮.股指期貨套期保值的實證研究[J].商業(yè)經濟，2011，（22）：10-13.

[11]吳春來.滬深300股指期貨套期保值比率研究[D].成都：西南財經大學，2012.

[12]蔣彧.基于GARCHcopula模型的股指期貨動態(tài)套期保值比率研究[J].中央財經大學學報，2013，（5）：38-45.endprint

首先，我們對Rf、Rs樣本內序列進行基本統(tǒng)計特征的描述（參見表1）。

由表1可以看出，Rf與Rs的標準差比較接近，說明期貨和現(xiàn)貨的收益風險比較接近。JB 統(tǒng)計量、偏度和峰度值表明二者不服從正態(tài)分布，且具有金融時間序列共有的明顯的尖峰、厚尾的特征；相關系數(shù)為0.9554，顯示二者存在較強的相關性，可以進行套期保值。

對時間序列數(shù)據(jù)進行平穩(wěn)性檢驗是進行時間序列回歸的基本前提條件，為了防止偽回歸，我們使用ADF檢驗方法驗證Rf和Rs的平穩(wěn)性，結果如表2所示。

單位根檢驗的結果表明，二者在1%的顯著性水平上均拒絕了原假設，表明期貨和現(xiàn)貨的收益率序列均為平穩(wěn)的時間序列。

（二）最優(yōu)套期保值比率估計

1.靜態(tài)套期保值比率估計

（1）OLS模型估計。運用OLS模型，估計得到Rs=0.0000226+0.9236Rf。可知，最優(yōu)套期保值比率h*=β=0.9236，對回歸方程的殘差進行進一步檢驗，結果顯示，雖然方程的各方面統(tǒng)計值顯示擬合狀況良好，但金融時間序列的異方差等特性會給估計帶來一定的風險，具體結果如表3所示。

（3）VECM模型估計。由于Rf和Rs均為平穩(wěn)序列，Pf與Ps之間可能存在協(xié)整關系。運用Johansen檢驗方法對變量進行協(xié)整檢驗，發(fā)現(xiàn)在5%的置信水平下，Pf與Ps之間存在且只存在一個協(xié)整關系，建立VECM（2）模型，估計如表5所示。

2.動態(tài)套期保值比率估計

運用MATLAB編程分別建立ECMBGARCH、DBEKKGARCH、DCCGARCH模型和正態(tài)CopulaGARCH模型和t分布Copula-GARCH模型，由于篇幅有限，模型具體參數(shù)估計結果不作展開。根據(jù)公式h*t=Cov（εst，εft）Varεft=hsf，thff，t，得出各個時期的動態(tài)套期保值比率h*，具體結果如表6所示。

四、套期保值效率度量

可根據(jù)Ederington提出的風險評估指標HE來度量滬深300股指期貨套期保值的效率。具體形式為：

從表7可以看出，在樣本期內各模型反映出的滬深300股指期貨套期保值效率都比較高，均能夠通過套期保值規(guī)避現(xiàn)貨資產組合90%以上的風險。其中NormCopulaGARCH模型的效果最好，套期保值效率達到91.63%，其次是t分布的CopulaGARCH模型，套期保值效率為91.32%。在樣本外數(shù)據(jù)分析中，同樣是CopulaGARCH模型的效果最好，正態(tài)和t分布情況下的效率值都達到了80.87%。結果表明，股指期貨市場與現(xiàn)貨市場相關性較高時，股指期貨能夠高效發(fā)揮規(guī)避風險的功能。

從樣本內套期保值效率度量結果來看，基于CopulaGARCH模型的套期保值策略對沖風險效果最好，而基于DCCGARCH模型的套期保值策略效果相對較差，靜態(tài)的最優(yōu)套期保值比率估計模型也能夠很好地對沖現(xiàn)貨風險。

從樣本外套期保值效率度量結果來看，基于動態(tài)最優(yōu)套期保值比率估計模型的套期保值效果整體上優(yōu)于靜態(tài)最優(yōu)套期保值比率估計模型，基于CopulaGARCH模型的套期保值策略仍然是最優(yōu)的。這在一定程度上說明，由于市場環(huán)境的不斷變化，我國股指期貨與現(xiàn)貨的相關系數(shù)可能也是不斷變化的，因此需要對最優(yōu)套期保值比率進行動態(tài)調整，從而提高套期保值效率。

五、結語

隨著我國資本市場的發(fā)展，滬深300股指期貨能夠高效地發(fā)揮套期保值功能。研究表明，基于NormCopulaGARCH模型的套期保值操作相對于其他模型的效果最優(yōu)，在理論上能夠最大限度地對沖現(xiàn)貨風險。但在實際應用中，該模型的套期保值比率是動態(tài)調整的，可能會造成調倉的成本較高。因此，還需從成本的角度綜合考察靜態(tài)與動態(tài)套期保值比率模型的套期保值效果，從而使滬深300股指期貨充分發(fā)揮規(guī)避風險的作用。

參考文獻：

[1]Herbst A F，Kate D，Caples S C.Hedging Effectiveness and Minimal risk Hedging Ratios in the presence of Autocorrelation：Foreign Currency Futures[J].Journal of Futures Markets，1989，9（3）：185-197.

[2]Myers R J，Thompson S R.Generalized optimal hedge ratio estimation[J].American Journal of Agricultural Economics， 1989，71（10）：858-868.

[3]Ghosh A.Hedging with stock index futures：estimation and forecasting with error correction model[J].The Journal of Futures Markets， 1993，13（7），743-752.

[4]Bera.A.，Gareia.P.and Roh.J.，Estimation of timevarying hedging ratios for Corns and soybeans：BGARCH and random coefficient approaches[J].Sankhva，1997，（59）：346-368.

[5]Yeh.S.C.and Gannon.G.L.，Comparing trading performance of the constant and dynamic hedge models： a note[J].Review of Quantitative Finance and Accounting，2000，（14）：155-160.

[6]ChihChiang Hsu，ChihPing Tseng，YawHuei Wang.Dynamic hedging with futures：A copulabased GARCH model[J].Journal of Futures Markets，2008，28（11）：1095-1116.

[7]高輝，趙進文.滬深300股指套期保值及投資組合實證研究[J].管理科學，2007，（4）：80-90.

[8]吳先智.股指期貨的最優(yōu)套期保值率實證研究——基于滬深300指數(shù)期貨仿真交易視角[J].上海立信會計學院學報，2008，（4）：78-84.

[9]陳守東，胡錚洋，孔繁利.Copula 函數(shù)度量風險價值的 Monte Carlo 模擬[J].吉林大學社會科學學報，2006，（3）：85-91.

[10]朱志紅，王向榮.股指期貨套期保值的實證研究[J].商業(yè)經濟，2011，（22）：10-13.

[11]吳春來.滬深300股指期貨套期保值比率研究[D].成都：西南財經大學，2012.

[12]蔣彧.基于GARCHcopula模型的股指期貨動態(tài)套期保值比率研究[J].中央財經大學學報，2013，（5）：38-45.endprint

首先，我們對Rf、Rs樣本內序列進行基本統(tǒng)計特征的描述（參見表1）。

由表1可以看出，Rf與Rs的標準差比較接近，說明期貨和現(xiàn)貨的收益風險比較接近。JB 統(tǒng)計量、偏度和峰度值表明二者不服從正態(tài)分布，且具有金融時間序列共有的明顯的尖峰、厚尾的特征；相關系數(shù)為0.9554，顯示二者存在較強的相關性，可以進行套期保值。

對時間序列數(shù)據(jù)進行平穩(wěn)性檢驗是進行時間序列回歸的基本前提條件，為了防止偽回歸，我們使用ADF檢驗方法驗證Rf和Rs的平穩(wěn)性，結果如表2所示。

單位根檢驗的結果表明，二者在1%的顯著性水平上均拒絕了原假設，表明期貨和現(xiàn)貨的收益率序列均為平穩(wěn)的時間序列。

（二）最優(yōu)套期保值比率估計

1.靜態(tài)套期保值比率估計

（1）OLS模型估計。運用OLS模型，估計得到Rs=0.0000226+0.9236Rf。可知，最優(yōu)套期保值比率h*=β=0.9236，對回歸方程的殘差進行進一步檢驗，結果顯示，雖然方程的各方面統(tǒng)計值顯示擬合狀況良好，但金融時間序列的異方差等特性會給估計帶來一定的風險，具體結果如表3所示。

（3）VECM模型估計。由于Rf和Rs均為平穩(wěn)序列，Pf與Ps之間可能存在協(xié)整關系。運用Johansen檢驗方法對變量進行協(xié)整檢驗，發(fā)現(xiàn)在5%的置信水平下，Pf與Ps之間存在且只存在一個協(xié)整關系，建立VECM（2）模型，估計如表5所示。

2.動態(tài)套期保值比率估計

運用MATLAB編程分別建立ECMBGARCH、DBEKKGARCH、DCCGARCH模型和正態(tài)CopulaGARCH模型和t分布Copula-GARCH模型，由于篇幅有限，模型具體參數(shù)估計結果不作展開。根據(jù)公式h*t=Cov（εst，εft）Varεft=hsf，thff，t，得出各個時期的動態(tài)套期保值比率h*，具體結果如表6所示。

四、套期保值效率度量

可根據(jù)Ederington提出的風險評估指標HE來度量滬深300股指期貨套期保值的效率。具體形式為：

從表7可以看出，在樣本期內各模型反映出的滬深300股指期貨套期保值效率都比較高，均能夠通過套期保值規(guī)避現(xiàn)貨資產組合90%以上的風險。其中NormCopulaGARCH模型的效果最好，套期保值效率達到91.63%，其次是t分布的CopulaGARCH模型，套期保值效率為91.32%。在樣本外數(shù)據(jù)分析中，同樣是CopulaGARCH模型的效果最好，正態(tài)和t分布情況下的效率值都達到了80.87%。結果表明，股指期貨市場與現(xiàn)貨市場相關性較高時，股指期貨能夠高效發(fā)揮規(guī)避風險的功能。

從樣本內套期保值效率度量結果來看，基于CopulaGARCH模型的套期保值策略對沖風險效果最好，而基于DCCGARCH模型的套期保值策略效果相對較差，靜態(tài)的最優(yōu)套期保值比率估計模型也能夠很好地對沖現(xiàn)貨風險。

從樣本外套期保值效率度量結果來看，基于動態(tài)最優(yōu)套期保值比率估計模型的套期保值效果整體上優(yōu)于靜態(tài)最優(yōu)套期保值比率估計模型，基于CopulaGARCH模型的套期保值策略仍然是最優(yōu)的。這在一定程度上說明，由于市場環(huán)境的不斷變化，我國股指期貨與現(xiàn)貨的相關系數(shù)可能也是不斷變化的，因此需要對最優(yōu)套期保值比率進行動態(tài)調整，從而提高套期保值效率。

五、結語

隨著我國資本市場的發(fā)展，滬深300股指期貨能夠高效地發(fā)揮套期保值功能。研究表明，基于NormCopulaGARCH模型的套期保值操作相對于其他模型的效果最優(yōu)，在理論上能夠最大限度地對沖現(xiàn)貨風險。但在實際應用中，該模型的套期保值比率是動態(tài)調整的，可能會造成調倉的成本較高。因此，還需從成本的角度綜合考察靜態(tài)與動態(tài)套期保值比率模型的套期保值效果，從而使滬深300股指期貨充分發(fā)揮規(guī)避風險的作用。

參考文獻：

[1]Herbst A F，Kate D，Caples S C.Hedging Effectiveness and Minimal risk Hedging Ratios in the presence of Autocorrelation：Foreign Currency Futures[J].Journal of Futures Markets，1989，9（3）：185-197.

[2]Myers R J，Thompson S R.Generalized optimal hedge ratio estimation[J].American Journal of Agricultural Economics， 1989，71（10）：858-868.

[3]Ghosh A.Hedging with stock index futures：estimation and forecasting with error correction model[J].The Journal of Futures Markets， 1993，13（7），743-752.

[4]Bera.A.，Gareia.P.and Roh.J.，Estimation of timevarying hedging ratios for Corns and soybeans：BGARCH and random coefficient approaches[J].Sankhva，1997，（59）：346-368.

[5]Yeh.S.C.and Gannon.G.L.，Comparing trading performance of the constant and dynamic hedge models： a note[J].Review of Quantitative Finance and Accounting，2000，（14）：155-160.

[6]ChihChiang Hsu，ChihPing Tseng，YawHuei Wang.Dynamic hedging with futures：A copulabased GARCH model[J].Journal of Futures Markets，2008，28（11）：1095-1116.

[7]高輝，趙進文.滬深300股指套期保值及投資組合實證研究[J].管理科學，2007，（4）：80-90.

[8]吳先智.股指期貨的最優(yōu)套期保值率實證研究——基于滬深300指數(shù)期貨仿真交易視角[J].上海立信會計學院學報，2008，（4）：78-84.

[9]陳守東，胡錚洋，孔繁利.Copula 函數(shù)度量風險價值的 Monte Carlo 模擬[J].吉林大學社會科學學報，2006，（3）：85-91.

[10]朱志紅，王向榮.股指期貨套期保值的實證研究[J].商業(yè)經濟，2011，（22）：10-13.

[11]吳春來.滬深300股指期貨套期保值比率研究[D].成都：西南財經大學，2012.

[12]蔣彧.基于GARCHcopula模型的股指期貨動態(tài)套期保值比率研究[J].中央財經大學學報，2013，（5）：38-45.endprint