新型冠狀病毒疫情下布倫特原油價格波動研究

.

[摘要]2020年年初，新型冠狀病毒疫情暴發，布倫特原油價格發生了較大的波動，而原油價格的波動對我國的經濟發展至關重要。為此，文章選取了2020年1月2日到2020年6月30日布倫特原油期貨的開盤數據，對其進行二階差分建立平穩性的原油價格序列，通過建立ARMA（1，2）模型，計算其殘差并進行ARCH檢驗，發現序列存在著高階ARCH效應;又進一步研究發現，序列有顯著的非對稱現象，最終確定對序列建立TARCH（1，1）模型對原油價格波動進行分析。

[關鍵詞]新型冠狀病毒;布倫特原油價格;ARMA模型;TARCH模型;EARCH模型

[DOI]10.13939/j.cnki.zgsc.2021.31.057

從2020年1月以來，排除美伊沖突的影響，倫敦布倫特原油價格受新型冠狀病毒疫情的影響較大。從疫情的危險性來看，新型冠狀病毒具有人與人之間的高傳染性，故需實行隔離措施，控制人員流動，防止交叉感染。部分企業不完全復工，私家車出行減少，航空客運班次減少，部分物流運輸行業停工，工地基建項目停工，汽柴油的消費受壓制，總之原油價格降低和原油需求降低，歐佩克將深化減產。

1文獻綜述

近年來，國內外一些學者研究了一些因素對石油價格波動的影響。王傳穩基于ARMA-GARCH-M模型對石油價格市場進行了研究[1];周宇，徐凌等利用ARIMA模型對石油價格進行了預測[2-3];Rabemananjara R對ARCH模型和非對稱效應有一定的研究[4];吳孟琪對原油價格的非對稱效應進行了探討[5];于曉娟應用GARCH模型對布倫特原油價格波動性進行了分析[6];馮超應用TARCH（1，1）模型對石油價格波動進行了分析[7];新型冠狀病毒疫情的影響如同“壞消息”對原油價格波動的影響，TARCH模型適用于文章研究。

2實證分析及模型檢驗

2.1樣本的選擇與處理

文章選取2020年1月2日到2020年6月30日倫敦布倫特原油期貨的開盤數據，除去周末及節假日，共計128個數據，數據來源于英為財情網。其中pricet是第t天的原油開盤價格，之后用STATA軟件進行相關數據處理。

如圖1所示，原油價格在2020年1月初時為70美元/桶，但在3月和4月時價格已經跌破30美元/桶，這期間由于受疫情影響，原油需求量減少，油田開始限產等，對原油價格產生了巨大的沖擊。從圖1中明顯可見原油價格序列存在著顯著的非對稱性和非平穩性。

2.2數據的檢驗

通過二階差分計算，可將原油價格序列換算成平穩序列D2_y，如圖2所示，可在一定程度上減少趨勢及其他因素對序列的影響。由圖3可以看出，數據有一定的聚集現象，在3—4月時間段內數值非常大，可能存在ARCH或GARCH效應。

對序列進行ADF檢驗，結果如表1所示，其中檢驗標準為無截距項與時間趨勢項。ADF統計量為-18.838，小于-4.032、-3.447、-3.147;P值為0，說明此時的序列是平穩的，可以對該序列進行建模分析。

如圖4所示，對序列計算各統計量，其序列的分布情況有別于正態分布，其均值為0.0071429，不等于0，故正態分布的基本假設不滿足。其偏度為-0.3306876，可知序列左偏分布;峰度為5.304158，相比正態分布的最大峰度值3要大，故尖峰特征明顯。

2.3模型的建立與選擇

2.3.1ARCH模型

ARCH模型又稱自回歸條件異方差模型，可用于描述一般均值方程的隨機擾動項條件方差的變化。通常，隨機擾動項的平方服從一個p階的ARCH模型：

σ2t=α0+α1ε2t-1+…+αqε2t-p+ηt， t=1， 2， …（1）

式（1）中，ηt獨立同分布，E（ηt）=0， D（ηt）=λ2，則模型為自回歸條件異方差模型。

2.3.2GARCH模型

在p階的ARCH模型中，如果p值大，則應估計較多參數，會對樣本容量有損失，廣義自回歸條件異方差模型（GARCH）在ARCH 模型的基礎上，加上σ2t的自回歸部分，使得待估計參數減少，對未來條件方差的預測更加準確。

GARCH（p，q）隨機擾動項為：

σ2t=α0+α1ε2t-1+…+αqε2t-p+γ1σ2t-1

+…+γqσ2t-q， t=1， 2， …（2）

式（2）中，p為σ2t的自回歸階數，而q為εt的滯后階數。在STATA中，稱εt為ARCH項，而稱σ2t為GARCH項，最常用的GARCH 模型為GARCH（1，1）。從某種意義上講，GARCH（1，1）相當于無窮階ARCH 模型。

因此，如果引入σ2t-1作為解釋變量，高階ARCH（p）模型可簡化為GARCH（1，1）。對GARCH 模型同樣采取條件MLE估計。

2.3.3TARCH模型

TARCH模型又叫門限ARCH 模型，它的條件方差方程為：

σ2t=α0+α1ε2t-1+…+λ1ε2t-1·1（ε2t-1>0）+

β1σ2t-1， t=1， 2， （3）

式（3）中，1（·）為示性函數，即當ε2t-1>0 時，取值為1，此時存在非對稱項;反之，則為0，不存在非對稱項。λ1ε2t-1·1（ε2t-1>0）為TARCH項。該模型適用于研究“壞消息”對資產價格波動的影響可能大于“好消息”的影響。

2.3.4ARCH效應檢驗

文章首先對二階差分序列D2_y建立均值方程，通過對序列建立時間序列模型（ARMA模型），并根據相關系數和P值大小判斷，序列滿足ARMA（1，2）模型。

由此可建立模型的均值方程：

D2yt-0.0086=-0.9588（D2yt-1-0.0086）+εt-

0.2047εt-1-0.9795εt-2（4）

但從圖3可以看出，數據存在聚集現象。文章用OLS對序列D2_y進行常數回歸，然后使用拉格朗日乘子檢驗（LM）對滯后階數為2的殘差項進行檢驗，可得P值為0，拒絕原假設H0，則說明有ARCH效應，應考慮建立TARCH或GARCH模型。

2.3.5模式識別

從圖1可以看出，倫敦布倫特原油價格在3—4月有巨大的下跌，且原油價格序列也存在非對稱性。所以，應由其殘差項構建TARCH或EARCH模型來描述原油市場的波動情況。文章在選擇擬合GARCH（1，1）模型基礎上再加上TARCH（1）模型，P值較小，即通過t檢驗。文章另外選擇擬合EARCH（1，1）模型，P值較小，即通過t檢驗。

由表2結果可知，TARCH模型的似然函數數值更大，為-326.5728;而AIC、BIC的值更小，為665.1456和682.1155，擇優選擇建立TARCH模型。實際計算中，TARCH模型中各個系數的P值多數小于0.05，可認為TARCH模型可用。其均值方程和條件方差方程如下：

均值方程：

ΔD2yt=0.6651-0.7109ΔD2yt-1（5）

條件方差方程：

σ2t=2.939+0.2606ε2t-1+0.3192ε2t-1dt-1+0.3860σ2t-1（6）

在條件方差方程式（6）中，當有好消息時，dt-1=0，無非對稱項，只有一個0.2606倍數的沖擊;當有壞消息時，dt-1=1，有非對稱項，會有一個0.5798倍數的沖擊。因為λ1>α1， λ1>0，非對稱效應的作用加劇波動的影響。

3結論

文章選取布倫特原油價格的數據區間，進行實證分析后發現，原油價格受到新型冠狀病毒疫情壞消息的影響，原油價格在3—4月有顯著的下跌現象。此外，對原油價格殘差序列進行ARCH效應檢驗后，發現存在ARCH效應且具有顯著的非對稱性。為此，通過方法優選對序列建立TARCH（1，1）模型。根據模型的參數可知，模型中非對稱系數為正值，會使得原油價格的波動逐漸變大;而出現壞消息時，對原油價格的沖擊要比出現好消息時的沖擊更大。

由上述的實證分析，可以清楚地認識到新型冠狀病毒疫情對原油價格的沖擊是較大的。當原油價格受到該不利因素影響時，石油行業將面臨大量油井關停限產，國家和石油公司需要制定相關的長期措施和短期計劃，減少原油價格變化所帶來的損失。各個國家應該考慮石油公司桶油成本，采取減少燃料補貼或增加稅收等行政手段進行干預，在一定范圍內嚴格控制成品油價格。石油公司仍然面臨存貨減值、經營業績下滑的風險。石油公司短期內應當全產業鏈削減各類成本和降低資本支出。石油公司應建立長期轉型目標，構建清潔低碳的多元能源供給體系，向綜合能源公司轉型。

參考文獻：

[1]王傳穩，趙凱，葉靜，等.基于ARMA-GARCH-M模型的石油價格市場風險與收益關系研究[J].青島大學學報（自然科學版），2014（4）.

[2]周宇.ARIMA模型在石油價格預測分析中的應用[J].北方經貿，2017（8）.

[3]徐凌，黎佳卉，李亮.ARIMA模型在國際原油價格預測中的應用[J]，河南科學，2013（5）.

[4]RABEMANANJARA R，ZAKOIAN.Jarch models and asymmetries in volatility[J].Journal of Applied Econometrics，1993（1）.

[5]吳孟琪.國際原油價格的波動對我國產出的非對稱效應研究[D].南昌：江西財經大學，2018.

[6]于曉娟，張學東，顧浩.基于GARCH模型的BRENT原油價格波動性分析[J].中國證券期貨，2012（8）.

[7]馮超，申世昌.基于TARCH（1，1）模型對石油價格波動的實證分析[J].佳木斯大學學報（自然科學版），2019（4）.

[作者簡介]饒溯（1989—），男，江西人，工程師，碩士，對外經濟貿易大學統計學院在職人員高級課程研修班學員，中海石油國際能源服務（北京）有限公司工程師，研究方向：石油勘探開發、經濟學。