传染病不确定性对大宗商品期货价格波动的非对称影响研究

doi:10.16381/j.cnki.issn1003-207x.2021.0747

摘要/Abstract

摘要：

新冠疫情的蔓延对各国经济的发展及金融市场的稳定造成了巨大的冲击，在此背景下，量化分析传染病相关不确定信息对大宗商品期货价格波动的冲击，不仅有助于规避投资风险，也有利于安定国民经济生产和人民生活。本文使用新颖的非参数分位数因果关系检验方法，从波动的不同条件分布以及好坏波动角度，分析传染病不确定性对大宗商品期货价格波动的非对称影响；并结合滚动时间窗技术，进一步讨论新冠疫情前后二者间Granger因果关系的动态演变。研究发现，传染病不确定性对大宗商品期货价格波动具有显著的影响，且呈现出明显的非对称特征，例如大宗商品期货市场在中等波动时期表现出了更为强烈的响应，原油、铜、大豆和瘦肉猪期货坏波动比好波动更容易受到传染病不确定性的驱动，而黄金期货则正好相反。更进一步，基于滚动时间窗技术的动态Granger因果关系分析不仅验证了上述结论的稳健性，同时也发现新冠疫情的爆发明显增强了传染病不确定性对原油、铜和黄金期货整体价格波动的风险冲击，以及其对非畜牧类期货商品价格好坏波动的非对称影响。

关键词: 传染病不确定性, 大宗商品期货, 非对称影响, 非参数分位数因果检验, 新冠疫情

Abstract:

The spread of COVID-19 has caused great pressures on the economic development of various countries and the stability of financial markets. In this context， the quantitative analysis for the impact of infectious diseases-related uncertainty information on the volatility of commodity futures is not only helpful to avoid investment risks， but also conducive to the stability of economic production and people’s lives. A novel nonparametric causality-in-quantiles test method is employed to analyze the asymmetric effects of infectious diseases-related uncertainty on the volatility of commodity futures， from two perspectives of different conditional distributions and good and bad volatility. Combined with the rolling time window technique， the dynamic evolution of their causal relationships before and after the COVID-19 pandemic is further discussed.The empirical results manifest that， infectious diseases-related uncertainty has significant causal effects on the volatility of commodity futures. Meanwhile， their causal relationships show obvious asymmetric features. For example， these commodity futures markets response more strongly to infectious diseases-related uncertainty during their medium volatility period. The bad volatility of oil， copper， soybeans and lean hog futures is more easily driven by infectious diseases-related uncertainty than their good volatility， while the gold futures is just the opposite. Furthermore， the dynamic causal analysis based on the rolling time window technique not only verifies the robustness of above-mentioned findings， but also shows that the outbreak of COVID-19 significantly enhances the impacts of infectious diseases-related uncertainty on the overall volatility of crude oil， copper and gold futures， as well as the asymmetries between the good and bad volatility the four commodity futures other than lean hog futures.

Key words: infectious diseases-related uncertainty, commodity futures, asymmetric effect, nonparametric causality-in-quantiles test, COVID-19

中图分类号:

F830

于文华,任向阳,杨坤,魏宇. 传染病不确定性对大宗商品期货价格波动的非对称影响研究[J]. 中国管理科学, 2024, 32(5): 254-264.

Wenhua Yu,Xiangyang Ren,Kun Yang,Yu Wei. Asymmetric Effects of Infectious Diseases-related Uncertainty on the Volatility of Commodity Futures[J]. Chinese Journal of Management Science, 2024, 32(5): 254-264.

图/表 7

图1

表1

传染病不确定性与大宗商品期货价格波动的描述性统计"

期货市场	平均值	标准差	偏度	峰度	J-B	ADF
Panel A：传染病不确定性
EMVID	0.015	0.659	0.154^***	3.418^***	3.4^***	-17.346^***
Panel B：整体波动 $R V$
原油	0.014	0.029	9.652^***	112.263^***	157478.6^***	-8.949^***
黄金	0.004	0.005	3.853^***	21.676^***	5221.3^***	-4.247^***
铜	0.006	0.008	6.420^***	60.233^***	4409.5^***	-5.435^***
大豆	0.005	0.008	8.562^***	103.970^***	134160.3^***	-6.828^***
瘦肉猪	0.013	0.017	2.991^***	13.743^***	1934.1^***	-6.768^***
Panel C：好波动 $R S +$
原油	0.007	0.013	9.620^***	122.339^***	186910.9^***	-8.291^***
黄金	0.002	0.004	4.288^***	26.502^***	8006.0^***	-4.311^***
铜	0.003	0.003	3.873^***	22.416^***	5589.6^***	-4.333^***
大豆	0.002	0.003	8.940^***	119.134^***	176611.3^***	-6.587^***
瘦肉猪	0.006	0.011	4.171^***	23.727^***	6385.4^***	-8.505^***
Panel D：坏波动 $R S -$
原油	0.007	0.018	9.849^***	110.969^***	154080.8^***	-9.721^***
黄金	0.002	0.002	3.088^***	13.943^***	2019.7^***	-5.491^***
铜	0.003	0.005	7.809^***	83.806^***	86645.0^***	-6.854^***
大豆	0.003	0.006	7.087^***	70.079^***	60126.9^***	-7.358^***
瘦肉猪	0.006	0.011	3.381^***	16.963^***	3078.8^***	-8.073^***

表1

表2

传染病不确定性对大宗商品期货波动的线性Granger因果影响作用"

期货市场	原假设：EMVID不是特定商品期货价格波动的线性Granger原因
期货市场	$R V$	$R S +$	$R S -$
原油	5.455^***	5.563^***	4.193^***
黄金	0.625	1.758^*	0.400
铜	1.061	0.498	1.401
大豆	0.802	0.938	0.654
瘦肉猪	1.352	1.735	2.874^***

表2

表3

传染病不确定性对大宗商品期货价格波动影响的非线性检验"

变量	原油	黄金	铜	大豆	瘦肉猪
Panel A: m=2
$R V$	2.813^***	3.587^***	2.628^***	2.286^**	2.626^***
$R S +$	2.838^***	3.555^***	2.324^**	2.208^**	3.221^***
$R S -$	2.055^**	3.126^***	2.583^***	2.588^***	2.789^***
Panel B: m=3
$R V$	4.139^***	3.553^***	2.406^**	2.160^**	3.576^***
$R S +$	3.575^***	2.657^***	2.143^**	2.085^**	4.140^***
$R S -$	3.804^***	4.191^***	2.348^**	2.394^**	3.621^***
Panel C: m=4
$R V$	4.025^***	3.638^***	2.372^**	2.113^**	3.537^***
$R S +$	3.317^***	2.120^**	2.112^**	1.906^*	3.953^***
$R S -$	3.540^***	4.217^***	2.350^**	2.398^**	3.441^***
Panel D: m=5
$R V$	2.969^***	2.649^***	2.436^**	2.241^**	3.805^***
$R S +$	2.322^**	1.756^*	2.112^**	2.135^**	2.398^**
$R S -$	2.229^**	2.118^**	2.415^**	2.456^**	2.898^***

表3

图2

表4

基于不同波动率模型的非参数分位数因果关系检验"

期货市场	原假设：EMVID不是特定商品期货波动在 $α$ 分位点上的非线性原因
期货市场	0.1	0.2	0.3	0.4	0.5	0.6	0.7	0.8	0.9
$R 2$ :
原油	2.516^***	3.826^***	4.174^***	4.597^***	4.826^***	4.959^***	4.294^***	3.215^***	3.090^***
黄金	1.704^*	2.553^***	2.653^***	3.248^***	3.286^***	3.222^***	2.870^***	2.710^***	2.142^**
铜	2.048^**	2.721^***	3.248^***	3.995^***	3.656^***	3.180^***	2.758^***	2.493^***	1.609
大豆	2.473^***	2.931^***	3.281^***	3.563^***	3.326^***	3.590^***	3.719^***	2.582^***	1.803^*
瘦肉猪	3.108^***	4.241^***	4.514^***	4.817^***	4.931^***	4.908^***	4.722^***	3.776^***	2.778^***
条件波动率:
原油	3.823^***	5.028^***	5.219^***	5.098^***	5.136^***	4.802^***	4.177^***	3.828^***	2.705^***
黄金	4.232^***	4.992^***	4.806^***	4.545^***	4.665^***	4.495^***	4.218^***	3.647^***	3.009^***
铜	3.265^***	4.194^***	4.427^***	5.263^***	4.891^***	4.458^***	4.306^***	4.049^***	2.950^***
大豆	2.022^**	3.381^***	3.422^***	3.379^***	3.366^***	3.115^***	2.611^***	2.204^**	1.797^*
瘦肉猪	1.541	2.231^**	2.856^***	3.636^***	4.094^***	3.810^***	3.940^***	3.505^***	2.295^**

表4

图3

参考文献 47

1	李剑，陈烨，李崇光.金融化与商品价格泡沫［J］.管理世界，2018，34（8）：84-98.
	Li J， Chen Y， Li C G.Financialization and commodity price bubbles［J］. Management World，2018，34（8）：84-98.
2	方意，于渤，王炜. 新冠疫情影响下的中国金融市场风险度量与防控研究［J］.中央财经大学学报， 2020（8）： 116-128.
	Fang Y， Yu B， Wang W.China’s financial market risk measurement and controlling under COVID-19 shock［J］. Journal of Central University of Finance &Economics，2020（8）：116-128.
3	Benoit S， Colliard J E， Hurlin C， et al. Where the risks lie： A survey on systemic risk［J］. Review of Finance， 2017， 21（1）： 109-152.
4	杨子晖，陈雨恬，张平淼. 重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对［J］.管理世界，2020，36（5）：13-35+7.
	Yang Z H， Chen Y T， Zhang P M.Macroeconomic shock， financial risk transmission and governance response to major public emergencies［J］.Management World，2020，36（5）：13-35+7.
5	胡滨，范云朋，郑联盛. “新冠”疫情、经济冲击与政府干预［J］.数量经济技术经济研究，2020，37（9）：42-61.
	Hu B， Fan Y P， Zheng L S.Covid-19， economic shock and government intervention［J］.The Journal of Quantitative & Technical Economics，2020，37（9）：42-61.
6	刘世锦，韩阳，王大伟. 基于投入产出架构的新冠肺炎疫情冲击路径分析与应对政策［J］.管理世界， 2020， 36（5）： 1-12+51+263.
	Liu S J， Han Y， Wang D W.An impact path analysis of COVID-19 outbreak in China and policy response［J］.Management World，2020，36（5）：1-12+51+263.
7	McKibbin W， Fernando R. The global macroeconomic impacts of COVID-19： Seven scenarios［J］. Asian Economic Papers， 2021， 20（2）： 1-30.
8	Borgards O， Czudaj R L， Van Hoang T H. Price overreactions in the commodity futures market： An intraday analysis of the Covid-19 pandemic impact［J］. Resources Policy， 2021，71： 101966.
9	Abdelrhim M， Elsayed A， Mohamed M， et al. Investment opportunities in the time of （COVID-19） spread： The case of cryptocurrencies and metals markets［R］. Working Paper， SSRN Working Paper Series， 2020.
10	Salisu A A， Ebuh G U， Usman N. Revisiting oil-stock nexus during COVID-19 pandemic： Some preliminary results［J］. International Review of Economics & Finance， 2020， 69： 280-294.
11	Baker S R， Bloom N， Davis S J， et al. The unprecedented stock market impact of COVID-19［R］. Working Paper， NBER Working Paper Series， 2020.
12	Bai L， Wei Y， Wei G， et al. Infectious disease pandemic and permanent volatility of international stock markets： A long-term perspective［J］. Finance Research Letters， 2021， 40： 101709.
13	Gupta R， Subramaniam S， Bouri E， et al. Infectious disease-related uncertainty and the safe-haven characteristic of US treasury securities［J］.International Review of Economics & Finance， 2020， 71： 289-298.
14	Gupta R， Sheng X， Balcilar M， et al. Time-varying impact of pandemics on global output growth［J］. Finance Research Letters， 2021， 41： 101823.
15	Bouri E， Demirer R， Gupta R， et al. Infectious diseases， market uncertainty and oil market volatility［J］. Energies，2020， 13（16）： 4090.
16	Sharif A， Aloui C， Yarovaya L. COVID-19 pandemic， oil prices， stock market， geopolitical risk and policy uncertainty nexus in the US economy： Fresh evidence from the wavelet-based approach［J］. International Review of Financial Analysis， 2020，70： 101496.
17	Ji Q， Zhang D Y， Zhao Y Q. Searching for safe-haven assets during the COVID-19 pandemic［J］. International Review of Financial Analysis， 2020， 71： 101526.
18	Umar Z， Jareño F， Escribano A M. Dynamic return and volatility connectedness for dominant agricultural commodity markets during the COVID-19 pandemic era［J］. Applied Economics， 2022，54（9）： 1030-1054.
19	Nishiyama Y， Hitomi K， Kawasaki Y， et al. A consistent nonparametric test for nonlinear causality： Specification in time series regression［J］. Journal of Econometrics， 2011， 165（1）： 112-127.
20	Jeong K， Härdle W K， Song S. A consistent nonparametric test for causality in quantile［J］. Econometric Theory， 2012， 28（4）： 861-887.
21	Balcilar M， Gupta R， Kyei C， et al. Does economic policy uncertainty predict exchange rate returns and volatility？ Evidence from a nonparametric causality-in-quantiles test［J］. Open Economies Review， 2016， 27（2）： 229-250.
22	Balcilar M， Bekiros S， Gupta R. The role of news-based uncertainty indices in predicting oil markets： A hybrid nonparametric quantile causality method［J］. Empirical Economics， 2017， 53（3）： 879-889.
23	Balcilar M， Gupta R， Pierdzioch C. On exchange-rate movements and gold-price fluctuations： Evidence for gold-producing countries from a nonparametric causality-in-quantiles test［J］. International Economics and Economic Policy， 2017， 14（4）： 691-700.
24	Shahbaz M， Balcilar M， Ozdemir Z A. Does oil predict gold？A nonparametric causality-in-quantiles approach［J］. Resources Policy， 2017， 52： 257-265.
25	Bahloul W， Balcilar M， Cunado J， et al. The role of economic and financial uncertainties in predicting commodity futures returns and volatility： Evidence from a nonparametric causality-in-quantiles test［J］. Journal of Multinational Financial Management， 2018， 45： 52-71.
26	Balcilar M， Gupta R， Kim W J， et al. The role of economic policy uncertainties in predicting stock returns and their volatility for Hong Kong， Malaysia and South Korea［J］.International Review of Economics & Finance， 2019， 59： 150-163.
27	陈声利，关涛，李一军.基于跳跃、好坏波动率与百度指数的股指期货波动率预测［J］.系统工程理论与实践，2018，38（2）：299-316.
	Chen S L， Guan T， Li Y J.Forecasting realized volatility of Chinese stock index futures based on jumps， good-bad volatility and Baidu index［J］. Journal of Systems Engineering-theory & Practice， 2018，38（2）：299-316.
28	Barndorff-Nielsen O， Kinnebrock S， Shephard N. Measuring downside risk-realised semivariance［R］. Working Paper， Department of Economics Discussion Paper Series， 2008.
29	He F， Wang Z W， Yin L B. Asymmetric volatility spillovers between international economic policy uncertainty and the US stock market［J］. The North American Journal of Economics and Finance， 2020， 51： 101084.
30	Wang Z W， Li Y W， He F. Asymmetric volatility spillovers between economic policy uncertainty and stock markets： evidence from China［J］. Research in International Business and Finance， 2020， 53： 101233.
31	Demirer R， Gupta R， Suleman T， et al. Time-varying rare disaster risks， oil returns and volatility［J］. Energy Economics， 2018， 75： 239-248.
32	Li X L， Balcilar M， Gupta R， et al. The causal relationship between economic policy uncertainty and stock returns in China and India： Evidence from a bootstrap rolling window approach［J］.Emerging Markets Finance and Trade， 2016， 52（3）： 674-689.
33	Liu G D， Su C W. The dynamic causality between gold and silver prices in China market： A rolling window bootstrap approach［J］. Finance Research Letters， 2019， 28： 101-106.
34	唐振鹏，吴俊传，冉梦，等. 考虑投资者情绪的中国股市自激发效应研究［J］. 中国管理科学， 2020， 28（7）： 1-12.
	Tang Z P， Wu J C， Ran M， et al.Research on the self-exciting effect of Chinese stock market considering investor sentiment［J］. Chinese Journal of Management Science，2020，28（7）：1-12.
35	Zhang X， Liu X X， Hang J Q， et al. The dynamic causality between commodity prices， inflation and output in China： A bootstrap rolling window approach［J］. Applied Economics， 2018， 50（4）： 407-425.
36	Shang H， Yuan P， Huang L. Macroeconomic factors and the cross-section of commodity futures returns［J］. International Review of Economics & Finance， 2016， 45： 316-332.
37	Andersen T G， Bollerslev T. Answering the skeptics： Yes， standard volatility models do provide accurate forecasts［J］. International Economic Review，1998，39（4）：885-905.
38	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.
39	Wang Y D， Wei Y， Wu C F， et al. Oil and the short-term predictability of stock return volatility［J］. Journal of Empirical Finance， 2018， 47： 90-104.
40	Aye G C， Balcilar M， Demirer R， et al. Firm-level political risk and asymmetric volatility［J］. The Journal of Economic Asymmetries， 2018， 18： e00110.
41	Gkillas K， Gupta R， Wohar M E. Volatility jumps： The role of geopolitical risks［J］. Finance Research Letters， 2018， 27： 247-258.
42	Granger C W J. Investigating causal relations by econometric models and cross-spectral methods［J］. Econometrica： Journal of the Econometric Society， 1969，37（3）： 424-438.
43	王鹏，魏宇. 经典金融理论的困境与金融物理学研究的兴起［J］. 管理科学学报， 2014， 17（9）： 40-55.
	Wang P， Wei Y.Dilemma of classical financial theory and the rising of econophysics［J］. Journal of Management Sciences in China，2014，17（9）：40-55.
44	Füss R， Adams Z， Kaiser D G. The predictive power of value-at-risk models in commodity futures markets［J］.Journal of Asset Management， 2010， 11（4）： 261-285.
45	Pudenz C C， Schulz L L. Quantifying the U.S. market response to the African swine fever outbreak in China［C］. Proceedings of the 2020 Agricultural & Applied Economics Association Annual Meeting， Kansas City， U.S.A.， June 29， 2020.
46	张翔，刘璐，李伦一. 国际大宗商品市场金融化与中国宏观经济波动［J］. 金融研究， 2017（1）： 35-51.
	Zhang X， Liu L， Li L Y.The financialization of international commodity market and Chinese macroeconomic fluctuations［J］.Journal of Financial Research，2017（1）：35-51.
47	刘映琳，刘永辉，鞠卓. 国际原油价格波动对中国商品期货的影响——基于多重相关性结构断点的分析［J］. 中国管理科学， 2019， 27（2）： 31-40.
	Liu Y L， Liu Y H， Ju Z.The impact of international crude oil price fluctuation on Chinese commodity futures：Based on the correlation structure breakpoint model［J］. Chinese Journal of Management Science，2019，27（2）：31-40.

[1]	赵新刚,周颖. 重大突发公共卫生事件中社会群体行为演化的计算实验：以新冠疫情为例[J]. 中国管理科学, 2024, 32(5): 207-217.
[2]	刘子龙, 李晓涵, 唐加福. 重大突发公共卫生事件及其防控政策对互联网零工经济平台劳动生产率的影响——以外卖骑手为例[J]. 中国管理科学, 2023, 31(3): 81-91.
[3]	杨坤, 魏宇, 李守伟, 何建敏. 地缘政治风险是中国原油期货市场的驱动因素吗？——基于小波多分辨的非参数分位数因果检验方法[J]. 中国管理科学, 2023, 31(2): 51-62.
[4]	凌爱凡,周佳,唐乐. 重大突发事件冲击下公司现金、库存和社会责任的价值效应[J]. 中国管理科学, 2023, 31(11): 24-36.
[5]	瞿慧, 沈微. 引入投资者关注的中国股市协方差预测——基于多元HAR类模型[J]. 中国管理科学, 2022, 30(7): 9-19.