價格與投機行為關系的研究
——以黃金期貨為例

胡衛綱

（1. 上海社會科學院，上海 200052； 2. 銅陵學院，安徽 銅陵 244061）

一、引言

期貨投機交易是在期貨市場上以獲取價差收益為目的的期貨交易行為。 期貨投機活動發揮著重要的作用：一方面，投機者作為套期保值者的交易對手，承接了價格風險；另一方面，投機者頻繁交易為期貨市場提供了流動性。 然而市場過度的投機甚至市場操縱也會使期貨價格嚴重偏離標的商品的實際價值，而使得期貨市場喪失應有的功能。 因此研究期貨投機活動的規律是經濟金融學者的一個重要課題。

我國學者關于投機行為和期貨價格關系的研究大體有三種觀點。 一種認為投機行為造成期貨價格過分波動。 楊光和張志勇（2010）用成交量測度投機程度，發現成交量顯著引起價格波動率變化[1]。 邱雁（2010）研究了美國 CFTC（Commodity Futures Trading Commission）持倉報告，認為在2003-2009 年期間大豆期貨價格顯著受到投機基金的交易行為影響[2]。張兵和劉丹（2012）也認為2003-2011 年期間非商業凈頭寸有推高大豆價格的作用[3]。 安毅和宮雨（2014）發現，農產品期貨市場在統計上顯示出五個投機特征； 交易者結構耗散，市場投機性活躍，期現貨關系不緊密，品種輪番炒作和主力合約遠期化。因此農產品期貨市場依然沒有擺脫投機市特征[4]。 隋顏休和郭強（2014）在控制影響油價波動的各種因素后， 通過所構建的四個投機指標分析了投機因素對油價波動的影響。 結果發現，2004 年4 月至 2009 年2 月石油期貨市場存在非常明顯的投機活動， 長期投機因素對石油價格波動的影響程度非常顯著[5]。 柳松等 （2015） 運用Spline-GARCH 模型分析了國際原油期貨市場的波動， 發現投機性持倉尤其是投機性的多頭持倉波動引發了國際原油期貨市場的過度波動[6]。蔣瑛（2014）采用向量自回歸、格蘭杰因果關系檢驗、誤差修正模型等方法， 通過分析美國商品期貨交易委員會(CFTC)所發布的持倉報告(COT Report)中的2007—2012 年的數據，研究了石油期貨市場中的投機行為對石油期貨價格波動的影響， 發現期貨市場中投機行為的變化對滯后期石油期貨價格變化的貢獻率為8%左右，石油期貨價格變化對滯后期價格變化的貢獻率為85%左右， 投機行為顯著影響了石油期貨價格波動[7]。 王文虎、萬迪昉和吳祖光 (2015) 基于上海期貨交易所鋁、銅、橡膠和燃料油期貨合約兩種投資者結構的分賬戶數據， 分析了不同類型投資者交易失衡對我國商品期貨市場收益、 價格發現與波動的影響， 發現個人投資者和投機者的交易失衡暗示其尋找最佳買多或賣空時點的能力不足， 存在明顯的過度自信、過度投機和羊群行為，加劇了商品期貨價格波動[8]。 陳方皓（2016）運用向量自回歸模型對2003年到2011 年的大豆期貨價格波動數據進行分析，探討不同類型主體對大豆期貨價格波動具體影響程度，研究結果表明，非商業凈頭寸的一些投機力量對于大豆期貨價格有著正向的推動過程， 而商業凈頭寸變動對于大豆期貨價格有著較小的影響[9]。第二種觀點認為短期內投機行為會加劇市場價格的波動，長期來看并不會對期貨價格造成顯著影響。 楊艷軍和費然（2015）利用Geweke 分解檢驗，發現國際期銅價格對基金投機持倉有長期單向的因果關系， 但基金短期內對期銅價格起到了推波助瀾的作用[10]。錢煜昊等（2017）基于 CBOT 大豆期貨市場 2006 年 6 月至2015 年12 月期間的月度數據，分時期考察了期貨市場金融化與商品期貨價格波動之間的關系。他們的研究表明，期貨市場金融化對期貨價格短期波動的影響具有乘數效應，國際投機基金的投機行為造成商品期貨市場價格短期波動加劇的同時，對商品期貨市場中的實需投資者產生投機誘導，進一步加劇期貨市場的價格波動；而由于市場理性預期的存在，期貨市場金融化與投機誘導對商品期貨的長期價格形成不存在顯著影響，商品期貨的長期價格依然由實際供求關系主導[11]。 第三種觀點認為投機因素對期貨價格的影響程度隨時間而變化。謝飛和韓立巖（2012）研究了商品期貨價格指數，結論是1995 年1 月至2010 年4 月的較長時期，實需因素對期貨價格的變動起到了正向的推動作用，投機因素的作用相對微弱；而在金融危機前后的2006 年1 月至2010 年4 月這段時期，對期貨價格的變動起正向推動作用的是投機因素，實需因素的作用則相反[12]。

本文先后采用向量自回歸 （Vector Autoregression）和平滑轉換回歸（Smooth Transition Regression）兩種方法對上海期貨交易所黃金期貨價格和投機活動進行建模。 本文研究發現：1.期貨價格是投機活動的格蘭杰原因， 而投機活動不是期貨價格的格蘭杰原因。 期貨價格上漲（下跌）引發了投機活動增加（下降），而不是投機活動引起價格變化。2.投機量滯后項對當期投機量的影響為負。 這意味著當期投機量會對前期投機量的沖擊作反向調整， 投機活動的自我激勵或者羊群效應并不存在。3.投機量的反向調整速度與期貨價格的變動有關。 在一般情況下，投機量的調整速度比較快；在期貨價格大幅下跌時，投機量調整速度顯著降低。

本文的主要貢獻在于：1.研究了黃金期貨市場。美 國 CFTC 每 周 發 布 COT （Commitments of Traders）報告，報告中包含商業交易者和非商業交易者的持倉量數據。 一般認為前者代表了套期保值者的持倉量，而后者代表了投機者的持倉量。 國內許多關于投機行為的研究基于上述數據。 但是我國期貨市場不提供類似數據，因此以國外市場為對象的研究與以國內市場為對象的研究無法橫向比較。以我國黃金期貨市場為對象的實證研究比較少見。2. 采用了期貨換手率 （期貨交易量與持倉量之比）來測度投機活動的相對規模。 加西亞（Garcia）提出用期貨交易量與持倉量之比來測度投機活動的程度[13]。 國內業界也使用這一指標。 但是國內使用這一指標的學術研究并不多見。 3.使用了平滑轉換回歸方法研究期貨價格與投機活動之間的關系，發現了投機活動的非線性特征。 國內研究多采用向量自回歸方法。 發現僅僅使用線性關系來建模是不夠充分的，采用非線性模型能獲得更豐富的細節。

二、平滑轉換回歸模型簡介

（一）STR 模型的形式

STR 模型的一般形式為：

其中 xt= （1，x1t，x2t，…，xpt）′=(1，yt-1，…，yt-k，z1t，…，zmt)′是 p+1=k+m+1 維向量，φ=(φ0，φ1，…，φp)′和 θ=（θ0，θ1，…θp)′是參數向量，{ut} 是獨立同分布的誤差項。G為有界連續函數， 一般設定G 的取值范圍在0 到1之間。 st為轉換變量，可以是 xt中的某一個元素、隨機變量的線性組合或一個非隨機的變量 （例如線性時間趨勢）。

G 有多種定義方式。 格蘭杰（Granger）和特拉斯維塔（Terasvirta）[14]提出了如下定義：

則該模型稱為LSTR1 模型。轉換函數G1是st的單調增函數。限制條件γ>0 是一個識別條件。γ 表示轉換函數G1隨著 st增大， 由0 變為1 的速度有多快。c 決定了轉換發生的位置。當γ→∞時，模型退化為兩機制轉換回歸模型（switching regression model）。在這種特殊情形下，轉換點為st=c，兩機制分別為yt=xt′φ+μt和 yt=xt′（φ+θ）+μt。

某些實際運用中，單調轉換的模型設定可能不恰當。 G 可以如下設定：

這一轉換函數關于（c1+c2）/2 對稱。當 st→±∞ 時，G2（γ，c;st）→1。 這一模型稱為 LSTR2 模型。

ESTR 模型（exponential STR）提供了非單調的轉換函數另一種設定方法。ESTR 模型的轉換函數是這樣定義的：

這一設定與模型 c1=c2的情形非常接近。 該轉換函數關于 c 對稱。 當 st→±∞ 時，G（γ，c;st）→1 。

（二）STR 建模的方法

1.模型的設定

模型的設定要解決幾個問題：（1） 線性模型是否充分描述了數據的特征？非線性模型有無必要？（2）如果有必要采用STR 模型， 選擇哪個變量為轉換變量？（3）應該選擇哪種模型形式？ LSTR1，LSTR2 還是 ESTR？

盧克科寧（Luukkonen）， 賽科寧（Saikkonen）和特拉斯維塔（Terasvirta）提出的解決方法是：做輔助回歸，進行LM 類型的檢驗[15]。 輔助回歸的形式如下：

若H2最強烈地拒絕， 則選擇 LSTR2 模型 （或ESTR 模型），否則選擇 LSTR1 模型。

2.模型的估計

模型的估計使用最大似然估計。 Newton-Raphson 法是經常采用的數值方法。 在選擇初值的時候，一般使用網格法。 例如根據st的取值范圍等間距地取 100 個值，根據 γ 的常見取值范圍[0.5，50]也等間距地取 50 個值，形成 5000 組（γ，c）組合。 然后針對每一組合對模型進行估計， 選擇SSR 最小的那一組（γ，c）為初值。

3.模型的評價

參數估計完成后，要檢驗模型的假設是否成立。這些檢驗包括：檢驗殘差是否序列相關、檢驗殘差有無條件異方差、檢驗有無殘余的非線性等。

三、數據來源與描述性分析

（一）變量的選擇。 本文主要用到兩個變量：投機度和期貨價格。 參考加西亞（Garcia）[13]的研究，本文采用一周內期貨交易量與總持倉量的比值來測度投機程度的高低。 這樣做的理由是：短期投機者會在較短時間內（如一周）反復開倉、平倉。 這樣的投機行為會增加交易量但不增加持倉量。 這一指標優于交易量指標，原因在于：隨著市場的發展，交易量和持倉量都會擴大， 這時交易量的增大不能視為市場投機程度提高。

（二）數據采集和初步整理。 本文采用2008 年1月7 日至2018 年6 月22 日上海期貨交易所黃金期貨的周數據。數據來自國泰安數據庫。因為同一時刻有多個不同到期日的合約在交易， 以往的研究常采用交易量最大合約的數據。 本文遵循了這一處理方法。 具體方法是每一周選取交易量最大的那個合約，用此合約的本周總交易量除以周總持倉量， 得到這一周的投機度（spl）。經過上述處理后，各數據先取對數，再做一階差分。 dspl 表示經過對數差分處理的投機度，dp 表示經過對數差分處理的價格。 圖 1 顯示了樣本時間區間期貨持倉量和投機度的變化。 從圖中可以看出，隨著期貨市場的發展，期貨持倉量總的趨勢是增長的。 其中期貨持倉量周期性的下降是合約到期的緣故。 投機度雖然也呈現周期性的變化，但是沒有趨勢性變化， 即黃金期貨市場的投機程度并沒有持續性增大或減少。表1 為投機度變化率（dspl）和期貨價格變化率（dp）的描述性統計。

圖1 樣本期間持倉量和投機度

表1 描述性統計

（三） 平穩性檢驗。 在進行進一步分析之前，必須檢驗數據的平穩性。本文采用了兩種方法來檢驗數據的平穩性。 第一種是ADF 檢驗。 表1 列出了含漂移項，不含時間趨勢項時的統計量。差分項滯后期數由SIC 準則確定。 對應不同顯著性水平的臨界值分別為：1%：-3.442；5%：-2.867；10%：-2.570。計算結果強烈拒絕了“原時間序列非平穩”的原假設。第二種是亞特科夫斯基（Kwiatkowski）等提出的 KPSS 檢驗[16]。 譜估計方法采用Bartlett 算法。 方差估計修正過程使用Newey-West 方法。對應不同顯著性水平的臨界值分別為：1%：0.739；5%：0.463；10%：0.347。 計算結果沒有在任何常用顯著性水平下拒絕“原時間序列平穩”的原假設。

四、實證結果

（一）線性分析

這一部分主要是建立一個VAR 模型，初步分析投機量變化率和價格變化率之間的線性關系。 關于VAR 模型滯后階數的選擇，LR 準則、FPE 準則、HQ準則和AIC 準則推薦 5 階滯后，SIC 準則推薦 2 階滯后。 綜合考慮自相關檢驗的結果，確定滯后階數為5 階。 VAR 的估計結果為（括號內為標準誤）：

格蘭杰因果檢驗的結果為：沒有拒絕“dspl 不是dp 的 granger 原因” 的原假設，p 值為 0.694； 拒絕了“dp 不 是 dspl 的 granger 原 因 ” 的 原 假 設 ，p 值 為0.001。上述結果表明一方面投機活動受到過去期貨價格變化的影響，過去的期貨價格升高，投機活動也相應大幅增加，另一方面投機活動的變化也受到自身歷史的影響，若前期投機活動增加，后期的投機活動將會減弱，投機活動有一種自我調節，保持穩定的傾向。

對dp 方程的系數進行聯合檢驗，原假設“除常數項外，各系數同時為0”的原假設也沒有被拒絕（p值為0.406）。 這說明期貨價格和投機量的歷史信息沒有預測未來期貨價格變化的能力。 這一點為“期貨市場是信息有效的”這一觀點提供了佐證。

基于以上結論， 在下面的分析中將把期貨價格視為外生變量， 分析它與前期的投機活動如何影響當期的投機活動。

（二）非線性分析

這一部分， 本文將討論價格和投機量的滯后值對投機量是否具有非線性的影響。 這里將按照第二節所介紹的方法來建立模型。

1.模型的設定

為了確定轉換變量及非線性的形式， 先進行輔助回歸。輔助回歸的結果見表 2。表中的 H1、H2、H3所對應的原假設即為二 （二）1 中所介紹的三個原假設H1、H2、H3。 表中對應的數值為 p 值。

表2 模型的設定檢驗

根據經濟理論和前面的線性分析， 價格影響投機活動， 從而轉換變量應該是價格。 根據表2 的結果，當轉換變量為dpt時，線性原假設的拒絕最為強烈，因此選擇dpt為轉換變量。 當轉換變量為dpt時，原假設 H2在三個原假設 H1、H2、H3中不是最強烈的拒絕， 從而選擇LSTR1 模型。

2.模型的估計與解釋

在LSTR1 模型的估計過程中，嘗試過多種設定。 無明顯解釋力的dp 和dspl的滯后項被排除掉， 選擇標準是對應系數的p 值。 估計的結果以及相關的統計量如表3 所示。

我們對表3 模型的殘差進行Breusch-Godfrey 自相關檢驗、Jarque Bera 檢驗、范迪克（van Dijk）， 特拉斯維塔（Tera?svirta）和 弗朗斯（Franses）提出的殘余非線性檢驗[17]，檢驗結果表明模型設定合理穩健。由于篇幅的限制，各項檢驗的結果不一一列出。

表3 中的估計結果表明期貨價格每提高1%，當期投機度就會提高11.1%， 這種效應不僅統計是顯著的，經濟意義也是非常顯著的。期貨價格對投機度的影響還有滯后效應：滯后2 期期貨價格每提高1%，投機度提高2.2%。模型的非線性部分不包含期貨價格及其滯后項，這表明期貨價格對投機量的影響是線性和對稱的。

表3 STR 模型估計結果

投機度的滯后效應則復雜一些。 總體而言，投機度的滯后效應都是負的，即投機度具有反向調整的傾向。 投機度二期直至五期的滯后效應都是線性的。 滯后一期的影響具有非線性的特點。 轉換變量為期貨價格的變化率dp，定位參數在-4.9%處。當期貨價格變化率明顯低于-4.9%時，轉換函數G1=0，滯后一期的投機量對當期的投機量沒有影響；當期貨價格變動率明顯高于-4.9%時，轉換函數G1=1，滯后一期投機量的系數為-0.531。 投機量滯后一期的影響在0 和-0.531 兩個狀態間平滑變化。 斜率參數=40.4，這表明著兩個狀態之間變化比較快。圖2 反應了這種狀態變化。 圖中的豎直參考線對應著定位參數-4.9%。 期貨價格的變化率主要分布在-2%和2%之間，對應著的轉換函數G1在0.763 和0.942 之間，對應著投機量滯后一期的系數在-0.405 至-0.5 之間。 當期貨價格變化率遠小于-4.9%時，對應的轉換函數G1=0，投機量滯后一期的系數變為0。 這意味著，如果當期期貨價格沒有大幅度下降，則投機度有較強的反向調整傾向；但是如果當期期貨價格大幅下降， 則投機度反向調整的傾向會被完全抑制。舉例而言，若前期投機量大幅下降，則當期投機量應有所上升，但是如果當期價格大跌，則這種恢復性的上升不會發生。

圖2 轉換函數分布圖

五、結論與啟示

本文先后運用向量自回歸和平滑轉換回歸模型， 分析了上海期貨交易所黃金期貨的投機活動與期貨價格之間的關系。 實證結果表明：(1)期貨價格上漲（下跌）會引發投機活動的增加（減少）。 若投機者是理性的，那么無論期貨價格上漲還是下跌，都有投機獲益的機會，投機量應該不隨價格變化而變化。 但是本文發現期貨價格上升時投機量增加， 期貨價格下降時投機量減少。這表明投機交易是非理性的。(2）前期的投機量下降會引起本期的投機量增加； 而前期的投機量增加會引起本期投機量減少。 簡言之，本期的投機活動會對前期的投機活動做反向調整。 ③上述調整的強度跟本期價格的變化有關， 本期的價格升幅越大，這種調整的強度也越大。

本文提出以下政策建議：

(一)培養機構投資者，提高期貨市場中機構投資者的比例。 美國和香港期貨市場的高投機度與其較高的個人投資者比例有著直接的關系。 在香港期貨市場， 接近85% 的市場交易是個人投資者完成的。與之形成對比的是澳大利亞的悉尼期貨交易所，其95% 交易者是機構投資者，個人投資者（尤其是業余的投資者）只占很小的比例。 機構投資者優于個人投資者體現在三個方面。 首先，機構投資者相對于業余投資者更加了解市場風險， 更有能力識別市場操縱等異常情況， 也更加熟悉市場規則和法律法規并以此保護自己的利益。 其次，機構投資者的資金實力較個人投資者更加雄厚，即使出現虧損也能夠承受，個人投資者往往經受不起價格的意外波動而被強制平倉。 最后，一般而言機構投資者的交易行為比個人投資者的交易行為更為穩健， 前者套期保值交易多而投機交易少。 即使機構投資者參與投機交易，風控也比較嚴格，較少出現意外的巨額虧損。 我國期貨市場監管部門在培養機構投資者方面已經有了很大進步。 據《上海證券報》消息，截至 2020 年 10 月末，中國期貨市場機構投資者持倉量占比超過一半， 資金量占比超過六成。 盡管如此，仍有進一步發展機構投資者的空間。

（二）推出新的期貨品種，完善期貨品種結構。 首先應當大力培育農產品期貨， 為農業企業提供便利的風險管理手段， 增強農業企業抵御價格風險的能力。 目前我國農產品期貨主要集中于幾種最重要糧食作物和棉花等，經濟作物的期貨較為罕見，第一個活體交割的期貨品種——生豬期貨2021 年1 月8日才上市。 在服務三農、促進實體經濟發展方面，商品期貨有很大的潛力。 其次，隨著我國金融體制改革不斷推進，利率和匯率的波動日益擴大，利率和匯率風險成為企業日益關注的問題。 因此可以適時推出外匯期貨， 滿足金融機構和進出口企業管理匯率風險的需要。

（三）完善期貨市場監管法律法規，健全監督管理機制。 近年來期貨市場出現了一些新的變化，給監管機構帶來了新的課題。 首先，期貨市場上出現了編造和傳播虛假信息、通過實控賬戶操縱期貨價格、虛假申報、蠱惑交易等新型違法違規交易行為。 現有的法規對于這些新型違法交易行為的監管和處罰在適用性和可操作性上有所不足。 其次，程序化交易和國外投資者進入了期貨市場。 交易所一方面要繼續做好市場一線監管，保證市場穩定運行，保護投資者合法權益。 另外一方面需要不斷去研究新形勢下市場交易行為的特征以及配套的監管手段， 并進一步完善自律管理制度。

（四）充分運用現代信息技術，提高監管效率和水平。 首先，期貨市場監管職能部門應當利用大數據技術，綜合分析歷史數據和實時數據，及時發現違法違規交易行為的線索并進行查處。 其次，期貨監管職能部門應當與人民銀行、 銀保監局以及其他證券監管部門實現數據共享，在交易品種、會員、賬戶各個層面實現穿透式監管。