行為金融因子能否提高波動率預測精度？

摘 要：

有效市場假說認為金融資產的價格反映一系列有價值的信息，而信息同樣對價格波動產生重要影響，對此，

引入行為金融因子——投資者關注度和宏觀沖擊變量對異質自回歸HAR族模型進行改進，選用上海期貨交易所銅期貨5分鐘高頻數據作為研究樣本，分短中長三個時期的已實現波動率做樣本內參數估計、樣本外預測的數據精度分析及投資決策當中的經濟價值分析，最后進行穩健性檢驗。結果表明，

投資者關注度和宏觀沖擊變量的引入能夠提高HAR族模型構造的擬合效度，并且

考慮投資者關注度改進的HAR-ES-BI模型和HAR-ES-GI模型較于基準模型有著明顯的預測精度和經濟價值提升，特別是預測短期波動率；相較于國外投資者，本國投資者關注度發揮更為顯著的作用。

關鍵詞：HAR模型；投資者關注度；銅期貨市場；行為金融；MCS檢驗；經濟價值分析

一、引言

隨著經濟政策不斷變化以及國際形勢的強烈沖擊，各市場投資者對于套期保值與風險對沖的需求愈發強烈，各經濟主體的風險管理需求以及要求也相應提高。其中期貨等標準化衍生品在套期保值工具中備受矚目，準確預測期貨的波動率不僅對于資產套期保值和投資策略制定具有重要意義，還為微觀層面的資產合理定價以及宏觀層面的政策指導和風險預警管理提供參考依據。以銅期貨為例，自1993年推出銅期貨合約以來，銅期貨一直是上海期貨交易所最為活躍的交易品種之一，受到了企業和投資者的廣泛重視，

在當今發展新質生產力的時代背景下，銅期貨的價格變化對于下游電子信息及電力行業等新能源領域產生較大影響，因此，準確預測銅期貨價格波動，既有利于相關金融機構做好風險預警管控，協助政府做好宏觀政策的管理，也有助于推進新型工業化產業鏈的進一步完善。

學界上認為投資者關注度是股價波動的重要抓手（Chen和Chen，2024），對于期貨市場而言，

Ye等（2021）通過對不同商品期貨波動率預測的研究認為，準確預測金融商品的價格波動需要將宏觀的外部沖擊因素和投資者關注度等行為金融指標納入考慮的范疇。投資者關注度衡量的是投資者對于某種金融商品主動了解的程度和關注程度，其中網絡引擎搜索頻率法成為目前被廣泛用于量化投資者關注度的指標（Ding和Hou，2015）。實證研究發現，投資者關注度對于不同國家和地區的外匯市場、股票市場和期貨市場的價格波動變化都產生了顯著的影響。例如，

Li（2024）發現投資者對石油產品價格關注度指數能夠提高對于股票市場波動率的預測精度；

Da等（2011）從關注度的變化率入手，首次提出了用于評價投資者主動關注特定信息的指標SVI，不同于簡單的谷歌指數，該指標以過去40天特定關鍵詞的檢索頻率的中位數作為基準，考察現階段該關鍵詞的檢索頻率與過去40天中位數的偏離率，體現投資者對于特定消息的主動接受程度，目前已有文獻利用SVI修正的方法證實了其衡量投資者關注度的有效性以及與股票波動的顯著正相關關系。

關于對已實現波動率建模預測的方法，Corsi（2009）基于“異質市場假說”將市場波動劃分為短期、中期和長期的波動，構建出異質自回歸RV模型（Heterogeneaus Autoregressive Realized Volatility簡稱HAR-RV），其中HAR-RV模型對于預測金融市場波動率的結果顯著優于GARCH族模型和

隨機波動（Stochastic Volatiility，簡稱SV）模型。隨后，Chen和Ghysels（2011）在HAR-RV模型的基礎上將已實現波動率劃分為好信息驅動和壞信息驅動，構建出帶有連續波動成分和跳躍波動成分的HAR-RV-CJ模型。Patton和Sheppard（2015）則將已實現波動率劃分為正收益率影響的上行波動和負收益率影響的下行波動，構造出HAR-S-RV-J模型和基于符號變差SJV的HAR-RV-SJV模型。關于HAR模型的改進，其中有朱學紅等（2018）、瞿慧和沈微（2022）以及龔旭等（2020）將投資者關注度等行為金融指標納入HAR族模型的改進中。然而現有文獻大多局限于單獨探究傳統金融影響因素或行為金融因素對于提高波動率預測模型的研究，以及利用新的方法改進模型的參數估計，但鮮有學者同時將傳統金融影響因素（如外部宏觀沖擊）以及行為金融因素（如投資者關注度）納入對波動率預測模型的改進中。對此，圍繞著外部宏觀沖擊和投資者關注度對于HAR族模型的改進以及進一步應用到銅期貨的波動率預測將成為本文的主要內容。

二、理論基礎與模型構建

（一）波動率的測度

1.已實現波動率

已實現波動率RV可由日內等間隔區間的高頻收益率平方加總得到，本文在此基礎上考慮了隔夜波動率的影響，參考了楊科和田鳳平（2013）的方法構造考慮隔夜波動率的總已實現波動率RV，具體計算過程如公式（1）所示。

RVt=r2t，0+RV′t=r2t，0+∑Ni=1r2t，i（1）

其中，rt，0為交易日t的上一日隔夜收益率，具體計算公式為rt，0=100×ln（Pt，1-Pt-1，N），RV′為日間已實現波動率RV′t=∑Ni=1r2t，i，Pt，1和Pt-1，N分別為第t個交易日的開盤價和第t-1個交易日的收盤價。相應的，周已實現波動率RVwt和月已實現波動率RVmt可分別表示為5天和22天已實現波動率的算數平均，即RVwt=（RVt+RVt-1+RVt-2+…+RVt-4）/5和RVmt=（RVt+RVt-1+RVt-2+…+RVt-21）/22。

2.連續和跳躍波動率

金融技術愈發成熟滋生大量套利行為，也使金融商品的價格難以滿足連續性條件，因而存在波動跳躍的行為。根據二次變差（QV）理論，Barndorff-Nielsen和Shephard（2006）將已實現波動率分解為連續波動率CV和跳躍波動率JV，將跳躍波動率JV和連續波動率CV分別表示為

JVt=I（Zt＞φ1-α）（RVt-RBVt），

CVt=I（Zt≤φ1-α）RVt+I（Zt＞φ1-α）RBVt（2）

參數Zt表示檢驗RV中跳躍波動成分的統計量，φ1-α表示在顯著性水平α=0.01下對應的標準正態分布臨界值，RBV表示已實現二次冪變差，計算公式為RBVt=μ-21［N/（N-2）］∑Nj=3rt，j-2|rt，j|，相應的，周（月）的跳躍波動率JVw（JVm）和連續波動率CVw（CVm）的計算過程與RVw（RVm）一致。

3.上行和下行波動率

基于Patton和Sheppard（2015）提出的已實現半方差理論，根據收益率的符號特征，將正的收益率（含收益率為0）和負的收益率分別求平方和，得到上行波動率UV和下行波動率DV，兩者之差為符號跳躍方差SJV，具體計算過程如下所示。

UVt=［r2t，0×I（rt，0≥0）+∑Ni=1r2t，i×I（rt，i≥0）］，

DVt=［r2t，0×I（rt，0lt;0）+∑Ni=1r2t，i×I（rt，ilt;0）］ （3）

同理，周（月）上行波動率UVw（UVm）和下行波動率DVw（DVm）計算過程與RVw（RVm）一致。

（二）投資者關注度的估計

衡量投資者對特定商品關注度的指標有中國國內的百度指數BI和國外的谷歌指數GI，兩個指標均統計了用戶在各時間段利用對應的搜索引擎搜索特定關鍵詞總的頻率，但事實上，存在大量的用戶僅根據熱點推送來點擊相應的關鍵詞進行粗略的了解，不參與利用信息進行投資決策的行為。因此，為修正原有指標的不足，本文參考了Da等（2011）構建SVI修正的谷歌指數搜索頻率方法重新構造關鍵詞i在交易日t的百度指數與谷歌指數，分別用符號SVIBIt，i和SVIGIt，i表示。以百度指數為例，構造過程如下所示。

SVIBIt，i=ln（BIt，i+1）-ln（mBIt，i+1）（4）

其中，mBIt，i為詞條i在t時刻前40天內（不包括t時刻）的中位數，表示了投資者關注該關鍵詞的平均關注水平。如果SVIBIt，i和SVIGIt，i大于0，表示投資者在時刻t對于關鍵詞i的關注度明顯提高，反之則下降。該指標衡量投資者真正關注并從中得到相關信息的效果，指標時間上的差異表明投資者關注度存在著滯后效應。

在關鍵詞的選擇問題上，本文參考了Han等（2017）在探究全球投資者關注度對于美國大宗商品的預測研究中所選用的“名稱+price”等指標作為檢索關鍵詞，選取了代表外國投資者整體對銅期貨關注度的“Copper price”作為修正谷歌指數SVIGI的檢索關鍵詞。由于中文關鍵詞搭配復雜化的特點，在構建修正的百度指數時，本文選用了多個相關度較高的同義關鍵詞，再利用PCA主成分分析法對各關鍵詞修正的百度指數SVIBIt，i作主成分提取和綜合得分的計算。關于銅期貨百度指數關鍵詞的選取共4個，依次為“銅期貨”“銅期貨行情”“銅價格”和“銅價格走勢圖”，提取的主成分個數基于特征值大于1的原則，通過計算加權得分得到最終關于國內投資者對于銅期貨的修正的百度指數。

（三）外部宏觀沖擊的估計

紀敏（2009）指出，中國期貨市場的價格波動主要傳導途徑包含三個。第一是成本推動價格。該渠道的傳導核心部分是國際大宗商品的價格波動導致國內對應的進口價格提升，相應地，國內市場的價格上漲。第二是需求拉動價格。在開放的經濟體制下，外需對于國內商品的價格也產生較大的影響，當外部庫存處于飽和態時對于特定商品的需求量將減少，商品價格將降低，反之則商品價格上升。第三是貨幣沖擊。貨幣沖擊包含流動性沖擊、利率和匯率等因素的綜合影響，在上述影響沖擊下，進出口商品價格受到強烈沖擊，從而使國內商品價格產生波動。

基于市場價格波動外部沖擊路徑的分析，關于對外部宏觀沖擊變量的選擇上，本文參照了Baffe（2007）選取的WTI原油期貨折算為人民幣價格WTIprice后作為外部成本沖擊變量。銅期貨需求沖擊變量則參考了朱學紅等（2018）所選用的倫敦金屬交易所的LME銅期貨庫存Inventory（單位：噸）。最后是貨幣沖擊路徑，本文采用王聰和焦瑾璞（2019）選取的代表貨幣市場沖擊變量美元指數Index作為其代表變量。

（四）模型構建

本文的模型構建圍繞著HAR族模型的基礎上，考慮了隔夜波動率后引入投資者關注度和外部沖擊變量加以改進。其中原始的HAR族基本模型——含基礎HAR-RV模型、考慮跳躍和連續波動率的HAR-RV-CJ模型、考慮上行和下行波動率的HAR-S-RV-J模型以及考慮符號跳躍方差的HAR-RV-SJV模型，分別表示如下：

HAR-RV：RVt+H=α+αdRVt+αwRVwt+αmRVmt+εt+H（5）

HAR-RV-CJ：RVt+H=α+αJdJVt+αJwJVwt+

αJmJVmt+αCdCVt+αCwCVwt+αCmCVmt+εt+H（6）

HAR-S-RV-J：RVt+H=α+αUdUVt+αUwUVwt+

αUmUVmt+αDdDVt+αDwDVwt+αDmDVmt+εt+H（7）

HAR-RV-SJV：RVt+H=α+sdSJVt+

cdCVt+αwRVwt+αmRVmt+εt+H（8）

其中，RVt+H=（RVt+1+RVt+2+…+RVt+H）/H，H=1，2，…。

為更加直觀，本文用HAR-type模型指代上述四組HAR族基礎模型。在上述模型基礎上，引入外部宏觀變量改進后的HAR模型則可表示為HAR-type -ES模型（External Shocks，簡稱ES），其中因子引入方法采用線性因子的方式。最終所提出的新的改進模型則是在HAR-type-ES模型的基礎上，分別引入基于修正的百度指數SVIBIt和修正的谷歌指數SVIGIt，改進后的模型根據對應的基礎模型及指數指標（修正后的百度指數、修正后的谷歌指數）分別命名為HAR-type-ES-BI模型和HAR-type-ES-GI模型，以HAR-RV組別模型為例，HAR-RV-ES、HAR-RV-ES-BI和HAR-RV-ES-GI模型分別由式（9）-式（11）來表示，其余的模型解釋如表1所示。

RVt+H=α+αdRVt+αwRVwt+αmRVmt+

γ1WTIpricet+γ2Inventoryt+γ3Index+εt+H（9）

RVt+H=α+αdRVt+αwRVwt+αmRVmt+λ1SVIBIt+

γ1WTIpricet+γ2Inventoryt+γ3Index+εt+H（10）

RVt+H=α+αdRVt+αwRVwt+αmRVmt+λ2SVIGIt+

γ1WTIpricet+γ2Inventoryt+γ3Index+εt+H （11）

三、實證分析

（一）樣本數據統計

本文選用最具銅期貨代表性的上海期貨交易所滬銅期貨主力連續合約5分鐘高頻開盤價與收盤價作為研究樣本，樣本時間范圍為2019年2月15日到2023年12月31日5年共1191個交易日（含夜場，剔除節假日），數據來源于“聚寬（JoinQuant）量化交易平臺”。關于投資者關注度的百度指數和谷歌指數關鍵詞的選擇，本文通過爬蟲技術從百度指數網站中獲取2019年1月6日到2023年12月31日4個關鍵詞的日頻數據做修正處理，并考慮向前推移40天，谷歌指數則從Google trend網站上下載全球范圍內關于“Copper price”的關鍵詞日頻收據并做修正。外部宏觀沖擊變量WTI原油期貨價格、倫敦金屬交易所LME銅期貨庫存以及美元指數的時間范圍同樣為2019年2月15日到2023年12月31日，數據來源于Wind數據庫。

表2是上述變量的描述性統計，根據各變量的偏度和峰度值，除LME銅期貨庫存以外，其余變量均呈現明顯的尖峰厚尾的金融時序典型特征，波動率指標除符號跳躍方差以外均為右偏態，從JB統計量的結果也可以看出各變量不服從正態分布。Ljung-Box Q統計值的結果表明幾乎所有的波動率指標（除符號跳躍方差SJV外）均表現出顯著的自相關特點，說明銅期貨的波動率具有長記憶性。最后，除了3個外部宏觀沖擊以外，其余變量均為1%顯著水平下的平穩時間序列，因此在后續樣本內參數估計和樣本外預測中，將這三者統一做一階差分處理，分別用DInventory，DWTIprice和Dindex表示。

（二）樣本內參數估計和擬合優度檢驗

為檢驗新的成分在改進后的模型中對于預測未來波動率的影響，以及分別探究其對預測短期、中期和長期波動率時具體的預測效果，本節將對所有改進后的HAR-RV-ES-BI模型、HAR-RV-ES-GI模型、HAR-RV-CJ-BI模型、

HAR-RV-CJ-GI模型、HAR-S-RV-J-BI模型、HAR-S-RV-J模型、HAR-RV-SJV-BI和

HAR-RV-SJV-GI模型分別作參數估計， 并對此進行擬合優度檢驗。其中H取1、5和22分別指代短期即1日、中期即1周和長期即1個月，對應的RVt+1、RVt+5和RVt+22分別為短期、中期和長期的已實現波動率。由于模型中各成分間大多數都來自對已實現波動率的分解，殘差間存在異方差的性質，因此本文選用的參數估計方法為OLS with Newey-West。各組模型在不同時期的參數估計和擬合優度檢驗結果如表3所示。

表3結果表明，除了銅期貨庫存變化量DInventory以外，其余宏觀外部沖擊因素大多數都對預測銅期貨未來短期、中期和長期的波動率具有較為顯著的作用，因此也說明了外部沖擊變量在波動率預測時不容忽視。相較于預測中期波動率，模型在預測短期和長期波動率上，基于修正的百度指數SVIBI在大多數HAR-ES-BI族模型中都發揮了較為顯著的預測效果，特別是對短期波動率的預測，除HAR-RV-SJV-ES-BI模型，在其余的HAR-ES-BI族模型中，投資者關注度對應的系數均都能在10%顯著水平下顯著為正，這也體現了信息對于短期波動的及時性效果。相反，替換為修正后的谷歌指數后，對應的模型系數均不顯著，這也反映出不同地域投資者的關注度對于中國銅期貨市場的波動率預測起到了不同的效果，后續也將通過樣本外分析對上述模型的預測能力作進一步的對比。LR檢驗反映了改進后的模型相較于基礎的HAR族模型的擬合優度比較結果，不管是預測短期、中期還是長期波動率，綜合考慮了外部沖擊因素和投資者關注度后的模型較于原始的HAR-RV模型有著明顯的擬合性能提升。其中，HAR-ES-BI族模型整體的擬合性能最好，表現出比HAR-ES-GI族模型更好的擬合效果。

（三）樣本外數據預測

本文采用向前一步滾動時間窗的樣本外數據預測方法衡量改進后模型的預測性能，將全樣本段2019年2月15日至2023年12月31日共1191組數據按照4∶1的比例劃分窗口區間和預測區間。預測評價損失函數用到HRMSE和HRMAE，其中σt表示第t日的實際波動率，σ︿t表示第t日的預測波動率，W和T分別表示窗口期的數據集個數和待預測的數據個數，具體表達形式如下所示。

HRMSE=1T∑W+Tt=W+1（σ2t-σ︿2t）/σ2t2

HRMAE=1T∑W+Tt=W+1（σ2t-σ︿2t）/σ2t.（12）

1.數值精度分析

本文采用模型置信集MCS檢驗對所有模型進行預測精度數值分析的比較，從中挑選出性能最優的模型。相較于DM檢驗，MCS檢驗不需要選取基準模型。通過首先對模型進行等價檢驗選取在一定的置信水平下表現最好的一個或者多個模型，形成了模型初始的模型置信集，如果置信集里存在兩個模型之間預測能力不同，則接著進行第二步，通過剔除規則將當前的置信集中表現最差的模型剔除出去，形成迭代一次后的模型置信集，然后再進行一次等價檢驗，直至滿足在置信集里任意兩個模型之間預測能力相同的條件為止，即留下了置信水平為1-α的置信集。上述等價檢驗的檢驗統計量TR表達形式如下所示。

TR=maxu，v∈Mdwvar︿（dw）（13）

其中，分子dw指代的是模型u和模型v之間的損失函數平均值的絕對值，即dw=1/T∑Tt=1dw，t，分母var︿dw表示dw樣本方差的無偏估計值。具體的MCS檢驗結果見表4和表5。

表4和表5分別報告了不同組別的HAR族及其改進后的模型MCS檢驗的結果以及不同時期所有模型的總體MCS檢驗結果，其中數值表示的是不同損失函數計算出的均值，星號則表示對應的p值，p值越大表明模型處在模型置信集的水平越高，模型預測能力越好。由表4可知，改進的HAR-ES-BI族模型在預測短期波動率上表現出最好的預測性能，對應的p值在基于不同損失函數下的任意一個組別里始終都大于0.90，相應地，改進的HAR-ES-GI族模型同樣表現出較好的預測效果。而關于預測中長期波動率的比較問題上，基準的HAR族模型效果最優，這也間接說明了當外部信息介入商品價格波動具有時效性。

為選出上述所有模型中預測效果最好的模型，本文在分組MCS檢驗的基礎上再分別對不同時期的預測做總體的MCS檢驗，具體結果見表5。在所有的模型組別中，HAR-S-RV-J模型組別與HAR-RV模型組別的模型分別在預測短中期和長期的銅期貨未來波動率時表現較好，在相應的組內模型比較上HAR-S-RV-J-ES-BI模型表現出了其對于短期未來波動率較為精確的預測效果，對應的預測未來短期波動率的p值均能夠保持在0.90以上，而HAR-S-RV-J-ES-GI模型的表現僅次于HAR-S-RV-J-ES-BI模型，選用HRMSE損失函數對應的p值大于0.75，也說明了同時考慮投資者關注度和外部宏觀沖擊因子能夠提升模型的預測效果，并且在所有的模型表現當中依舊最佳。

2.經濟評價分析

為進一步探討關于模型運用波動率預測帶來的經濟價值，本文采用Luo等（2022）的均值-方差效用函數法，設置單位經濟價值Δ來評估各個波動率模型相較于基準模型所蘊含的經濟價值，其中單位經濟價值Δ指的是對于任意兩個不同模型l和k下的投資組合p1和p2，使在某一確定風險厭惡程度上的投資者愿意犧牲從模型l轉為使用模型k的價值，Δ值越大表明模型l相對于模型k來說價值更高，可以用以下公式來表示上述關系。

∑Ti=T1+1U（Rkp2，t）=∑Ti=T1+1U（Rlp1，t-Δ）（14）

其中，U（Rp）=E（Rp）-γV（Rp）/2，γ表示風險規避系數，也叫風險厭惡率，E（Rp）和V（Rp）分別表示投資組合收益率Rp的期望值和方差，另外效用函數U（Rkp，t）的計算則利用二次效用函數來確定各種預測模型的經濟效用，即

U（Rkp，t，γ）=（1+

Rkp，t）-γ2（1+γ）（1+Rkp，t）2（15）

對于t+1時刻，投資組合收益率Rp可以表示為Rp，t+1=ω︿trt+1+rft+1，其中，ω︿t=r︿t+1/γσ︿2t+1，r︿t+1和σ︿2t+1分別表示預期風險資產的超額收益與預期的收益方差，rft+1則表示對應時刻無風險利率，本文采用五年期的國債期貨的年化收益率作為無風險收益率。

預測模型的經濟價值分析結果如表6所示，本文采用兩種經濟價值EV1和EV2進行評估，其中EV1指的是同一組別下改進后的模型相對于該組別基礎的HAR模型的經濟價值提升，而EV2指的是以HAR-RV作為基準模型下其他所有模型相對于該基準的HAR-RV模型的經濟價值提升，數值越大表示經濟價值越高。本文考慮了預測模型在不同風險厭惡水平下的投資者的經濟價值情況，當γ取值為1代表輕度風險厭惡，而γ取值為10代表高度風險厭惡。表6-1分組經濟價值Δ分析比較結果表明，考慮了投資者關注度以及外部沖擊變量下的HAR-ES-BI族模型

和HAR-ES-GI族模型

對于應用到短期投資決策上相較于傳統的HAR族模型而言穩定性較優，特別是HAR-ES-BI族模型，在所有組別當中都能夠相較于基準模型擁有更高的效用，產生更高的投資收益，特別是能夠顯著提升風險偏好型投資者的投資效用，對于風險較為保守的投資者來說也有不俗的改善。

綜合整體的模型經濟價值對比來看（見表6-2），HAR-RV-CJ-ES-BI模型以及HAR-S-RV-J-ES-BI模型在短期投資決策中表現優于其他模型，也表明了在投資決策中模型的運用，考慮了投資者關注度以及外部沖擊因素后的模型對于短期投資決策能夠發揮較好的效果，并且本國投資者關注所帶來的價值相對更高。

四、穩健性檢驗

為進一步驗證模型的一般性和穩健性，本節采用調整預測窗口期及替換已實現波動率為已實現核估計RK兩種不同的方法就樣本外預測分別做穩健性檢驗。對于調整預測窗口期的穩健性檢驗，本節將樣本按照3∶1的比例調整了窗口區間與預測區間，在剔除周末及節假日后，調整后的窗口區間為2019年2月15日至2022年9月30日，預測區間則為2022年10月8日至2023年12月31日，并再次做分組和總體的MCS檢驗以及經濟價值分析，同樣得出了改進的HAR-ES-BI族模型

和HAR-ES-GI族模型

在預測短期波動率的過程中能夠保持在大多數情況下最優以及經濟效用最好的結論，這一點在按照5∶1的比例調整預測窗口期依舊成立。另外，本節也將原本模型中所有包含了日度已實現波動率RV、周度已實現波動率RVw和月度已實現波動率RVm的變量均替換為相應的已實現核估計RK、RKw以及RKm，結果均與表4、表5和表6一致。因此可以得出結論，綜合考慮外部宏觀沖擊因素以及投資者關注度的HAR-ES-BI族模型

和HAR-ES-GI族模型

能夠顯著提升預測短期和長期波動率上的精確性，并且可以提升投資者的投資效用，且該模型具有較強的穩健性。

五、研究結論和對策建議

本文引入行為金融因子，提出了基于SVI修正的投資者關注度改進的HAR-ES-BI族模型和HAR-ES-GI族模型，接著劃分用于預測短期波動率、中期波動率以及長期波動率的HAR族模型，包括基礎模型、只考慮外部宏觀沖擊因素的HAR-ES族模型以及本文提出的改進后的HAR-ES-BI族模型和HAR-ES-GI族模型。最后對上述改進后的模型的擬合性能和預測性能分別做全樣本參數分析及樣本外預測分析和經濟價值分析，并進行穩健性檢驗。得出了以下結論。

一是在大多數HAR族模型中，投資者關注度和外部沖擊因素發揮重要作用，改進后的HAR-ES-BI族模型和HAR-ES-GI族模型均能提高模型的預測精度效果，尤其是在短期波動率的預測上，也暗示了投資者關注度具有短期效應。

二是結合數值精度分析和經濟價值分析得出，相較于外國投資者，國內的投資者關注度對于本國銅期貨波動預測起到關鍵作用并創造更高的短期投資決策經濟價值。

本文以銅期貨為例進行的波動率預測研究對于中國金融市場而言具有一定的啟示意義。

首先，有助于廣大投資者優化資產配置策略，通過宏觀金融+行為金融雙視角下能夠更好地判斷資產的未來波動情況，通過預測后的波動率計算出最優投資比例，及時調整風險對沖策略，提高投資效率。

其次，在衍生品定價方面也具有一定的現實意義，預測波動率作為衍生品定價中的重要因子，能夠決定資產的真實價值，在定價的應用上，通過判斷預測后的波動率與隱含波動率之間的對比更好地對資產價格進行合理判斷。

最后，也有助于政策制定者和金融監管機構更好地對現階段金融市場風險做出一個較為準確的判斷，政策制定者基于波動率預測的結果，通過制定一系列的指向性政策以緩解不同資產的波動情況，降低新型工業化產業鏈的波動振幅，

保障金融市場的穩定性；對金融監管機構而言能夠強化未雨綢繆能力，及時做好干預，降低市場波動，防范金融風險擴散。

參考文獻

［1］CHEN T H，CHEN K S.The effect of investor attention on stock price crash risk［J］.Journal of Empirical Finance，2024，75：101456.

［2］YE W， GUO R， DESCHAMPS B， et al. Macroeconomic forecasts and commodity futures volatility［J］. Economic Modelling， 2021， 94： 981-994.

［3］DING R， HOU W. Retail investor attention and stock liquidity［J］. Journal of International Financial Markets， Institutions and Money， 2015， 37： 12-26.

［4］LI D.Forecasting stock market realized volatility：The role of investor attention to the price of petroleum products［J］.International Review of Economics amp; Finance，2024，90：115-122.

［5］DA Z， ENGELBERG J， GAO P. In search of attention［J］.The Journal of Finance， 2011， 66（5）： 1461-1499.

［6］VLASTAKIS N， MARKELLOS R N， Information demand and stock market volatility［J］. Journal of Banking amp; Finance， 2012， 36（6）： 1808-1821.

［7］CORSI F.A simple approximate long-memory model of realized volatility［J］. Journal of Financial Econometrics， 2009， 7（2）： 174-196.

［8］CHEN X， GHYSELS E.News-good or bad-and its impact on volatility predictions over multiple horizons［J］.The Review of Financial Studies， 2011， 24（1）： 46-81.

［9］PATTON A J， SHEPPARD K. Good volatility， bad volatility： Signed jumps and the persistence of volatility［J］. Review of Economics and Statistics， 2015， 97（3）： 683-697.

［10］朱學紅， 鄒佳紋， 韓飛燕， 等. 引入外部沖擊的中國銅期貨市場高頻波動率建模與預測［J］. 中國管理科學， 2018， 26（9）： 52-61.

［11］瞿慧，沈微.引入投資者關注的中國股市協方差預測——基于多元HAR類模型［J］.中國管理科學，2022，30（7）：9-19.

［12］龔旭， 曹杰， 文鳳華， 等. 基于杠桿效應和結構突變的HAR族模型及其對股市波動率的預測研究［J］. 系統工程理論與實踐， 2020， 40（5）： 1113-1133.

［13］楊科， 田鳳平. 長記憶性、結構突變條件下中國股市波動率的高頻預測［J］. 管理工程學報， 2013，27（2）： 129-136.

［14］BARNDORFF-NIELSEN O E， SHEPHARD N. Econometrics of Testing for jumps in financial economics using bipower variation［J］. Journal of Financial Econometrics， 2006， 4（1）：1-30.

［15］HAN L， LI Z， YIN L. The effects of investor attention on commodity futures markets［J］.The Journal of Futures Markets， 2017， 37（10）： 1031-1049.

［16］紀敏. 本輪國內價格波動的外部沖擊因素考察［J］. 金融研究， 2009（6）： 31-43.

［17］BAFFE J. Oil spills on other commodities［J］. Resources Policy， 2007， 32（3）： 126-134.

［18］王聰， 焦瑾璞. 國內外黃金市場價格間的聯動關系穩定嗎？——基于外部沖擊視角的分析［J］. 金融研究， 2019（11）： 75-93.

［19］HANSEN P R， LUNDE A， NASON J M. The model confidence set［J］. Econometrica， 2011， 79（2）： 453-497.

［20］LUO J， KLEIN T， JI Q， et al. Forecasting realized volatility of agricultural commodity futures with infinite Hidden Markov HAR models［J］. International Journal of Forecasting， 2022， 38（1）： 51-73.

［21］BARNDORFF-NIELSEN O E， HANSEN P R， LUNDE A， et al. Multivariate realised kernels： Consistent positive semi-definite estimators of the covariation of equity prices with noise and non-synchronous trading［J］. Journal of Econometrics， 2011， 162（2）： 149-169.

Behavioral Finance Factors on the Forecasting of Volatility：

Evidence from the Shanghai Copper Futures Market

CHEN Zhenbiao

（Guangzhou Development District Holdings Group Co.， Ltd.， Guangzhou 510670， China）

Abstract：

The efficient market hypothesis holds that the prices of financial assets contain several valuable information，and the information also influences their price fluctuations.Therefore，we

develop a series of new HAR-type models based on the introduction of behavioral finance factors investor attention and external shocks. Then， taking the 5-minute high-frequency transaction datum of copper futures contract from Shanghai Futures Exchange as the study sample， we divide the periods into short， medium and long term and analyze the performance of the new models in different periods， including in-sample parameters estimation， out-of-sample precision analysis and economic evaluation in investment decision. Finally， we conducted the robustness test. The results show that the consideration of investor attention plays a signicant role in predicting the short-term volatility of copper futures， and the corresponding HAR-ES-BI（GI）-type models improve the goodness of t compared with the basic HAR-type models obviously. And the improved models perform better than the comparison models in predicting short-term volatility when choosing the Baidu Index as the investor attention， which also improve the utility of short-term investment decision.

Keywords：HAR-type Model; Investor Attention; Copper Futures Market; Behavioral Finance; MCS Test; Economic Analysis