1、国际原油市场与股票市场的联动关系研究 摘要：构建分位数回归模型，依据澳大利亚、中国大陆、日本等八个亚太股票市场 2000 年 1月 4日至 2017年 4月 7日数据，考量国际原油市场与股票市场的联动关系。结果显示：原油市场与亚太股票市场呈正向联动关系，在极端股市条件下两个市场的联动性更为明显。原油市场与股票市场的联动性在结构突变处发生阶段性变化，两个市场的波动具有明显的传导作用。鉴此，投资者需注重防范市场间的风险传染，政府部门宜加强金融监管，维护国家能源安全。 下载 ?P 键词：联动；国际原油市场；股票市场；分位数回归 中图分类号： F83091 文献标识码： A 文章编号： 1003721
2、7（ 2017）05005306 一、引言 原油作为一种重要的大宗商品，具有生产要素和消费品的双重属性。在世界经济一体化和金融全球化的背景下，由于地缘政治和衍生品的大量消耗，国际原油价格的大幅波动直接对世界经济产生影响。股票市场作为一国经济发展水平的重要标志，国际原油价格涨跌的冲击也会传导至股票市场，使不同市场相互影响表现出相同或相似的波动特征。油价上涨一方面直接增加企业生产成本，降低企业利润，影响企业未来现金流；另一方面，油价上涨带来 “ 输 入型通货膨胀 ” 压力，中央银行采取提高利率等一系列紧缩性货币政策宏观调控，利率上升导致资产价格下降，间接影响股票市场。近年来，亚太市场经济发展迅速，
3、国际间贸易不断扩张，这些经济体的发展大多依附于能源密集型产业，以原油为主的能源消耗伴随经济增长急剧增加。英国石油公司（ BP2016）的数据显示， 2015 年亚太地区原油消耗达世界原油消耗总量的 34.15%，而该地区原油战略储备相对匮乏，亚太经济对国际原油价格波动的敏感程度已不容忽视。研究国际原油市场与亚太股票市场的联动关系对于维护能源安全，合理规避投资风险等具有理论 和现实意义。 现有文献基于收益的视角对国际原油市场与发达国家股票市场的互动关系进行了大量研究。 Park 和 Ratti 以美国和欧洲 13 个国家为研究对象，发现股票市场对油价冲击的响应取决于该国在国际原油市场的地位。 A
4、pergis和 Miller 运用 VEC 模型研究了结构性油价冲击对包括美国在内 8 个发达国家股票市场的影响，结果表明油价冲击只能解释约 10%左右的股票价格变动。Diaz 等应用 VAR 模型分析了国际油价波动与 G7 国家股票收益间的相依性，实证结果表明油价波动与 G7 国家股票收益率存在负相关关系。 Chen 运用马尔科夫转机制模型得到了相似的结果。姬强和范英运用动态条件相关的多元 MVGARCH 模型 发现次贷危机发生后，国际原油市场与中、美股市的协动性显著增强。少数文献研究了原油市场与发展中国家股市的关系，但尚未得到一致性的研究结论。 Nguyen和 Bhatti应用非参数 Ch
5、iand Kplots和 Copula模型，发现越南股市与原油价格之间具有左尾相依性，而中国股市恰好相反。朱慧明等应用 AR（ p） GARCH（ 1， 1） Copula 模型发现国际原油价格与中国股市收益的相关性较弱，与巴西、印度等其他金砖四国股 市的相关性明显。总体而言，现有研究主要考察美国和欧洲发达国家股票市场与原油市场的关系，对亚太地区的研究较少。并且真实股票市场分为上升和下降过程，已有研究大多基于均值回归刻画两个市场的相关性，忽略了不同行情下原油市场与股市的异质性关系，尤其难以刻画极端股市行情下两个市场的相关性。 分位数回归方法克服了以上缺陷，通过考虑不同概率水平下响应变量对协变量
6、的回归，更为全面地描述协变量对响应变量的变化范围以及条件分布形状的影响，有效捕捉不同市场条件下原油市场与股票市场的动态联动关系。考虑在较长样本周期内，受金 融危机、区域性突发事件和外部信息流入等多维因素的交互影响，一个市场的动荡可能会传导至其他相关市场，导致两个市场的关系发生结构突变。文章进一步结合 BaiPerron内生多重结构突变检验方法对各地区的结构突变现象进行检验，考察结构突变对原油市场与股市相关性的阶段性影响。 财经理论与实践（双月刊） 2017 年第 5 期 2017 年第 5期（总第 209 期）陈晓春，黄媛：国际原油市场与股票市场的联动关系研究 基于分位数回归的经验证据 二、模
7、型及方法 （一）分位数回归模型及参数估计 设 yi 为因变量， xi为 k 维自变量，考虑如下标准的回归模型： yi=xi+i ， i=1， 2， ， N（ 1） 假定随机变量 Y的概率分布函数为 FY=PYy ， FY 的第 分位数定义为条件等式满足 FYy 的最小 y值。构建分位数回归模型： QY=infy ： FYy=x 01 （ 2） 定义分位数回归模型的损失函数为： （ ） = -I（ 0 ） （ 3） 其中， I（ ） =0， 01 ， 0 （ 4） 问题转化为求解损失函数期望的优化问题： minE （ Y- ） =（ -1） - （ y- ） dF（ y） +（ y- ） dF（
8、 y）（ 5） 对 一阶求导， 并引入损失函数 可得分位数的点估计，考虑样本 yini=1，其经验分布函数可表示为： （ y- ） dFn（ y） =n-1ni=1 （ yi- ）（ 6） 将求样本 yini=1 的 概率水平的分位点问题转化为求解minRni=1 （ yi- ）的优化问题。因此，给定解释变量 X=x 条件下，通过求解下式估计 分位下条件分布函数的系数 ： （ ） =minRmni=1 （ yi-xi ）（ 7） （二） BaiPerron 内生多重结构突变检验方法 Bai 和 Perron 根据大样本理论提出内生多重结构突变检验法，能有效检测出数据生成过程是否发生结构突变以及
9、结构突变的次数与时点。主要思路如下： 考虑数据生成过程（ DGP）： yt=xt+ztj+1+t ， t=Tj+1， Tj+2， ， Tj（ 8） 其中， yt 为因变量， xt 和 zt 为自变量， 和 j 为系数向量， t 为残差项， j为结构突变点次数， T1， T2， ， Tj为未知结构突变点。运用最小二乘法对每个可能的分割点 T1， T2， ， Tj中的 和 j+1 的值进行估计，求得全局残差平方和： St（ T1， T2， ， Tj） =minj+1i=1Tit=Ti -1+1（ yt- xt -ztj ） 2（ 9） 比较不同分割方式得到的残差平方和，使得残差平方和 StT1，
10、T2， ，Tj 达到最小的分割。 最后，对数据生成过程是否发生结构突变点进行检验。分位数 回归模型进一步转化为： Qr（ |x ） = （ ） + （ ） oil+nj=1j （ ） Djoil（ 10） 其中， r表示亚太股市收益率， oil 表示国际原油价格变化， Dj 为虚拟变量， j 度量结构突变点处原油市场与股票市场的联动程度。 Bai 和Perron 对判断时间序列是否发生结构突变的检验统计量进行蒙特卡洛模拟发现， SupFTi+1|i 序列统计量比信息准则统计量具有更高的检验势。因此，本文直接依据 SupFTi+1|i 序列统计量所选择的结构突变点个数做出判断。 三、实证分析 （
11、一）指标选取及特征分析 我们采用分位数回归模型对国际原油市场与亚太股票市场的联动关系进行实证分析。原油市场选取 WTI 原油价格，亚太股票市场选取澳大利亚（ AUS）、中国大陆（ CHN）、中国香港（ HK）、印度（ IND）、印度尼西亚（ INA）、日本（ JPN）、马来西亚（ MAS）和韩国（ KOR）的股票指数作为代表，分别为：标普 200 指数、上证综合指数、恒生指数、孟买敏感 30 指数、雅加达综合指数、日经 225 指数、富时 KLCI 指数和 KOSPI 指数。本文选取的八个地区，既包括以中国大陆、印度、印度尼西亚、马来 西亚和韩国为代表的新兴市场，也包括以澳大利亚、中国香港和日
12、本为代表的发达市场，能较大程度地代表亚太地区。股票价格指数数据来源于 Datastream 数据库，国际原油价格选取美国 WTI原油现货价格，数据来源于美国能源信息署网站（ EIA）。样本数据区间为 2000 年 1月 4日至 2017 年 4月 7日，选取的数据跨度包含第二次海湾战争引发的原油价格上涨、美国 “ 次贷危机 ” 引发的全球金融危机以及随后发生的 “ 欧债危机 ” 等，油价波动在此期间也尤为剧烈。考虑到各国假期差异，删除部分观测值，利用匹配的日数据进行分析。对资产价格或指数序 列进行对数差分处理可以消除价格波动对价格水平的依赖关系，对所有数据序列的指数值 Pt 进行对数差分处理：
13、Rt=100lnPt -lnPt-1，其中 Rt 表示对数收益率。 表 1和表 2列出了各对数差分序列的基本统计特征。均值统计量说明除日本外，原油和亚太股市收益率均为正。马来西亚和澳大利亚股市的标准差较小，其他几个市场具有较大的波动性。偏度峰度数据表明亚太股市序列存在明显的尖峰厚尾现象，且为左厚尾特征。由 J-B统计量可以看出各序列均不服从正态分布。运用 ADF、 PP 和 KPSS 检验综合对原油价格和亚太股市序列进 行平稳性检验，结果如表 2所示。因此，本文以对数收益率作为研究对象。 注： *表示在 1%的显著性水平下拒绝原假设。 注： *表示在 1%的显著性水平下拒绝原假设， ADF和
14、PP检验的原假设为存在单位根，而 KPSS 检验的原假设为不存在单位根。 （二） BaiPerron 内生多重结构突变检验 在样本期内受国家政策或重大经济事件等因素的影响，国际原油市场或股票市场在近似连续的时间内将出现较大幅度的波动。考虑到由突发信息引起资产价格或收益波动造成的冲击可能导致两个市场的关系发生 “ 突变 ”现象，运用 BaiPerron内生多重结构突变检验方法对亚太股市与国际原油市场的关系进行结构突变检验。 注：括号内数字表示结构突变点的位置。 据表 3，香港和印度在样本期内发生了两次结构突变，印度尼西 ?发生了一次结构 突变。香港两次结构突变分别发生在 2007年 7 月 31
15、日和 2012年 7 月 30日。第一次结构突变与美国 “ 次贷危机 ” 引发的金融海啸时点相符；第二次结构突变是 2012 年 6 月大量日元套利资金涌入带动香港股市走高，香 港政府被迫开始干预联系汇率制度的结果。印度于 2006 年 3月 24 日发生的结构突变主要是受印度孟买敏感指数突破 12612 高位后暴跌的影响；2013 年 8 月 26日发生的第二次结构突变是卢比贬值和通货膨胀的结果。2013年 8月卢比对美元比价为 69.11 ，达到前所未有的新低点。受卢比贬值和美联储计划退出 “ 量化宽松 ” 的影响，外国投资者大规模 撤资，印度股票市场一落千丈，加剧了输入型通货膨胀； 20
16、03 年 3月爆发的第二次海湾战争导致石油减产推动原油价格上涨幅度高达 28%是印度尼西亚于 2003 年 4 月 3日发生结构突变的原因。 2003 年印度尼西亚原油消费量首次超 过生产量，作为亚太地区唯一的 OPEC 成员国，原油消耗不断上升和产量逐年下降使得国际油价的上涨对印度尼西亚的经济产生严重的负向冲击，整个股市随之迅速下跌。 值得注意的是，八个亚太市场发生结构突变的次数存在差异，这可能是由于市场对外开放度及金融管制水平的不同使地区抵御危机冲击的能力和反应的速度不同。比如除香港外，各地区在 20072008 年时点附近并没有检测出结构突变点，这不能说明这些地区没有受到 “ 次贷危机
17、” 的影响，而是之后由于全球经济回暖以及各国及时采取的金融应对措施使经济出现反弹，结构突变检验并没 有将这种短期的下降过程显著地检验出来。 （三）模型估计结果分析 原油与股票市场的联动性反映了两种不同类型市场波动的一致程度，这种联动关系表现为两个市场的资产价格同时上升或下跌，通常用两个市场的相关系数来表示。 为了捕捉联动性随股市状态改变的动态特性，本文选取 5%、 10%、 25%、50%、 75%、 90%、 95%七个具有代表性的分位点进行分位数回归模型拟合， 并用低分位点和高分位点部分度量股市与原油市场的极端联动性，得到参数估计结果如表 4所示。为了进行对比分析，本文列出了最小 二乘法估
18、计结果（见表 3 最后一列）。 OLS 回归结果表明，除香港和印度股票市场与原油市场呈不显著的负向关系，亚太股票市场与原油市场呈正向联动关系，其中韩国股票市场与国际原油市场的联动程度最大，为 00627。显然， OLS回归侧重于讨论自变量对因变量的平均影响。在实际问题中，决策者和投资者往往对极端股票市场行情更加关注，均值回归方法难以有效捕捉这些特征从而得到不全面的统计推断结果。 注： *、 *、 * 分别表示在 1%、 5%、 10%下的显著性水平。 从分位数回归结果来看，澳大利亚、中国、日本、马 来西亚和韩国股票市场与原油市场呈显著的正向联动关系。近年来亚太地区经济快速增长，股票市场投资急剧
19、增加， 抵消了原油价格波动对金融市场的负向冲击，并促进了国际原油市场与亚太股票市场的一体化。但在不同分位点水平下，两个市场的联动程度和结构具有异质性。以中国为例，在 5%分位数，原油市场与股票市场的联动程度最大，相关系数为 0.0844。随着分位数水平提高，两个市场的相关性呈现先下降后上升的趋势。在 50%分位水平下，相关系数最小，为 0.0136；而在 95%分位，相关系数上升为 0.0453。表明在股市收益极端 上升和极端下降的状态下，国际原油市场与股票市场的联动性最强，市场间风险溢出效应明显加大。出现这一结果的原因可能是投资者在极端紧张或乐观的投资环境下更容易吸收来自其他市场的信息并对此
20、做出反应，使两个市场间的联动关系在极端分位点明显增强。 香港、印度和印度尼西亚股市和原油市场的关系表现出阶段性特点。在结构突变发生前，两个市场的联动特征表现微弱，相关系数几乎在所有分位点都不显著。原油作为经济发展的基础性能源，在原油产量相对稳定的条件下，一国股票市场与原油市场的相关性程度取决于该地区的能源依赖程度和依赖路 径。香港地区的经济发展依托于服务业，原油需求量和消费份额较小，印度尼西亚的原油消费量与生产量基本保持平衡，地区发展对原油的依赖程度削弱了股票市场对原油价格波动冲击的响应。印度政府近年来将基础设施建设作为提振国家经济的手段，这一举措大力提升了原油的消耗。据 BP世界能源统计 2
21、016的数据，印度原油消费从 2005年的 2606千桶 /天上涨至 2015 年的 4159 千桶 /天，涨幅接近 60%。原油依存度的急剧上涨使国际原油价格波动对印度股票市场产生的负向冲击。但作为世界第六大经济体，印度股市取决于多种宏观因素的影响，受 单一油价波动影响较小，此外印度近年来经济的快速增长也能抵消一部分原油市场波动对股市的冲击，这也是印度股市与国际原油市场的负相关关系只在 25%和 75%这两个分位点显著的原因。受危机冲击的影响，结构突变点处这三个地区股票市场与原油市场的联动性发生了阶段性变化，相关系数 j 为正且明显增大，市场间的波动传导性显著增强，表明国际原油市场与股票市场
22、的联动关系对冲击的反应更敏感，市场间风险溢出效应明显加大。对这一结果可能的解释是，当某一市场发生高风险事件时，恐慌情绪的传染性会蔓延至其他相关市场，大量非理性投资者的跟风策略 导致跨市场的羊群效应，使相关市场的资产价格表现出明显的相关性，从而增强了市场间的联动特征。在第一次结构突变点，香港、印度股市与原油市场的相关系数上升趋势明显，联动性程度达到样本期内的最大正相关水平；在第二次结构突变点，原油市场与股市的联动性仍然表现为较高的正相关性，但相对于第一次结构突变，两者的联动程度有所下降，说明不同市场间信息传染效应与外生冲击的强度有直接关系。 为了验证运用分位数回归模型刻画国际原油市场与亚太股票市
23、场的联动关系的合理性和有效性，运用 Wald 斜率相等检验进一步验证不同分位点下参 数的斜率是否具有不变性。表 5列出了 50%分位点分别与极端分位点 5%和95%的参数斜率对比检验结果。 5%与 50%分位点的参数斜率对比结果拒绝了同质性的原假设，表明参数估计结果在这两个分位点的非恒定性，采用分位数回归模型刻画国际原油市场与股票市场的联动关系较为合适。 注： *、 *、 *分别表示在 1%、 5%、 10%下的显著性水平。 图 2刻画了不考虑结构突变影响下国际原油市场与亚太股市间相关系数的动态变化趋势，其中阴影部分表示分位点参数估计的 95%置信区间。可以看出，在不同分位点水平下，原油 市场
24、与八个亚太股票市场的联动关系具有明显的动态特征，在分位点的两端两个市场的联动性呈明显上升趋势，联动结构在样本期内呈现近似 V 型结构。 四、结论 国际原油市场与股票市场的互动关系研究一直是能源金融领域的热点问题。金融类资产收益率通常呈现 “ 尖峰厚尾 ” 的典型特征，最小二乘回归估计结果显然不再具有无偏、有效的优良性质。本文采用分位数回归方法有效捕捉了不同行情下股票市场与原油市场的异质性动态联动特征，得到更为全面、稳健的参数估计结果。实证结果表明， ?际原油市场与亚太股票市场存在显著的正向联动关 系，并且在极端条件下联动程度显著增强。在样本期内香港、印度和印度尼西亚股票市场与原油市场的联动关系
25、在结构突变点处发生阶段性变化，显著提高了原油市场与股票市场的联动机制，证实了某些危机冲击具有传导作用，并对两个市场的联动性产生了实质影响。国际原油市场与股票市场的正向联动性一方面有助于金融投资者应对国际原油价格波动，灵活调整投资组合策略，合理规避市场间的风险溢出，提升资产组合管理的效率；另一方面也有利于政策制定者识别油价风险，加强国际间的原油合作，确保本国及周边国家的能源安全和金融系统的稳定。 参考文献： Park J， Ratti R A.Oil price shocks and stock markets in the US and 13 European countries N， Mil
26、ler S M.Do structural oil-market shocks affect stock prices？ Molero J C， De Gracia F P.Oil price volatility and stock returns in the G7 economiesDo higher oil prices push the stock market into bear territory？姬强，范英 .次贷危机前后国际原油市场与中美股票市场间的协动性研究 J.中国管理科学， 2010（ 6）： 42-50. Nguyen C C， Bhatti M I.Copula m
27、odeldependency between oil prices and stock markets： evidence from China and Vietnamand Money， 2012，22（ 4）： 758-773. 朱慧明，董丹，郭 ?i.基于 Copula 函数的国际原油价格与股票市场收益的相关性研究 J.财经理论与实践， 2016（ 2）： 32-37. Bai J， Perron P.Estimating and testing linear models with multiple structural changesmputation and analysis of multiple structural change models 责任编辑：钟瑶）
