基于事件流模型的粮食期货极端风险测度计算研究

doi:10.16381/j.cnki.issn1003-207x.2022.0618

摘要/Abstract

摘要：

将粮食价格维持在合理范围，防止极端波动发生是保障国家粮食安全的首要任务。本文以粮食期货价格为研究对象，聚焦粮食期货价格极端波动，运用事件流模型对极端波动的发生规模和发生过程同时建模，并应用于极端风险测度的计算。针对中美粮食期货（CBOT稻谷、CBOT小麦、CBOT玉米、郑商早籼、郑商强麦、大商玉米）价格的研究表明，事件流模型可以较好地刻画粮食期货价格波动的胖尾特征和集聚特征，对极端波动的发生规律和发生规模表现出较好的拟合效果。针对极端风险测度的样本内外检验表明，事件流模型可有效地提升风险测度计算的准确性。本文的研究结果不仅有助于更好地理解粮食期货价格极端波动的发生模式，也为粮食价格风险管理和粮食市场平稳运行提供了科学思路和技术手段。

关键词: 极端风险, 极值理论, 自回归条件久期模型, 霍克斯过程, 在险价值

Abstract:

Food plays a critical role in human survival and development， and has always been the global focus. Recently， natural and social events such as rising energy prices， frequent extreme weather， the severe COVID-19， and the Russian-Ukrainian conflict have jointly pushed up the food prices. Keeping food price staying in a reasonable range and preventing extreme fluctuations are crucial to ensure national food security. It is of strategic significance to pay attention to the stable operation of the grain futures market， extreme risk management and early warning.By utilizing the prices of grain futures in the US （CBOT rice， CBOT wheat， CBOT corn） and the Chinese markets （ZCE rice， ZCE wheat， DCE corn）， the data are described and visualized， and the clustering characteristics of extreme risks are uncovered.Then event flow models are employed to model the occurring process of extreme fluctuations by means of the ACD-POT model and Hawkes-POT model and derive the formula of extreme risk measures （VaR）.Finally， three accuracy test methods are used to evaluate the fitting and prediction effects of the benchmark models （POT， EGARCH-POT）， the event flow models （ACD-POT model， Hawkes-POT model）， and the ensemble model.The results show that event flow models are able to capture the fat-tailed and clustering characteristics of extreme price fluctuations and fits the price data very well. In addition， further comparison finds that the in-sample and out-of-sample accuracy of Hawkes-POT models is better than other models， and the power-law Hawkes-POT model performs the best. The results not only deepen our understanding of the occurring pattern of extreme price fluctuations in grain futures， but also provide a new avenue for risk management and market supervision in food markets.

Key words: extreme risk, extreme value theory, autoregressive conditional duration （ACD） model, Hawkes process, Value at Risk （VaR）

中图分类号:

D632.9

蒋志强,胡海燕,戴鹏飞, 等. 基于事件流模型的粮食期货极端风险测度计算研究[J]. 中国管理科学, 2026, 34(3): 39-50.

Zhiqiang Jiang,Haiyan Hu,Pengfei Dai, et al. Estimating Extreme Risk Measures of Grain Future Market Based on Event Flow Models[J]. Chinese Journal of Management Science, 2026, 34(3): 39-50.

图/表 8

表1

图1

图2

图3

图4

表2

ACD-POT模型和Hawkes-POT模型的样本内参数估计和拟合优度检验"

模型	ACD模型参数					Hawkes过程参数					POT模型参数				lnL	AIC	拟合优度检验
模型	ω	a	b	γ	κ	μ	n	δ	η	ρ	ξ	β₀	β₁	β₂	lnL	AIC	KS _W	KS _ζ
CBOT稻谷
线性	1.121	0.237	0.700	0.660	1.121						0.129	0.520	0.190	2.253	-1535.6	3089.2	0.292	0.367
ACD	(0.196)	(0.026)	(0.020)	(0.030)	(0.196)						(0.034)	(0.058)	(0.043)	(0.505)	-1535.6	3089.2	0.292	0.367
对数	0.436	0.205	0.671	0.666	1.500						0.124	0.512	0.192	2.330	-1534.0	3085.9	0.322	0.283
ACD	(0.023)	(0.013)	(0.010)	(0.031)	(0.143)						(0.034)	(0.058)	(0.044)	(0.498)	-1534.0	3085.9	0.322	0.283
指数						0.037	0.553	0.048	0.036		0.184	0.620		2.738	-1544.1	3102.1	0.492	0.306
衰减						(0.004)	(0.048)	(0.024)	(0.008)		(0.037)	(0.059)		(0.501)	-1544.1	3102.1	0.492	0.306
幂律						0.039	0.268	0.201	0.843	0.161	0.166	0.518		3.754	-1544.2	3104.3	0.445	0.337
衰减						(0.004)	(0.025)	(0.016)	(0.502)	(0.023)	(0.034)	(0.058)		(0.511)	-1544.2	3104.3	0.445	0.337
CBOT小麦
线性	0.723	0.158	0.789	0.888	1.126						-0.068	0.420	-0.014	5.697	-1543.3	3104.5	0.113	0.063
ACD	(0.098)	(0.012)	(0.010)	(0.032)	(0.054)						(0.025)	(0.048)	(0.034)	(0.445)	-1543.3	3104.5	0.113	0.063
对数	0.516	0.159	0.661	0.852	1.174						-0.055	0.526	0.020	4.407	-1550.2	3118.5	0.195	0.090
ACD	(0.018)	(0.009)	(0.008)	(0.033)	(0.062)						(0.027)	(0.049)	(0.036)	(0.459)	-1550.2	3118.5	0.195	0.090
指数						0.040	0.213	0.317	0.013		-0.062	0.334		6.163	-1538.3	3090.6	0.160	0.135
衰减						(0.004)	(0.017)	(0.022)	(0.004)		(0.026)	(0.046)		0.450	-1538.3	3090.6	0.160	0.135
幂律						0.046	0.404	0.380	0.014	1.128	-0.052	0.394		5.546	-1540.4	3096.7	0.175	0.096
衰减						(0.004)	(0.037)	(0.016)	(0.005)	(0.137)	(0.026)	(0.046)		0.455	-1540.4	3096.7	0.175	0.096
CBOT玉米
线性	3.247	0.241	0.505	0.659	1.517						-0.061	0.350	0.025	5.392	-1492.2	3002.3	0.980	0.139
ACD	(0.291)	(0.033)	(0.026)	(0.026)	(0.130)						(0.035)	(0.044)	(0.035)	(0.448)	-1492.2	3002.3	0.980	0.139
对数	0.909	0.180	0.493	0.645	1.551						-0.061	0.372	0.019	5.313	-1494.7	3007.4	0.967	0.183
ACD	(0.030)	(0.016)	(0.012)	(0.025)	(0.137)						(0.036)	(0.045)	(0.036)	(0.450)	-1494.7	3007.4	0.967	0.183
指数						0.051	0.199	0.314	0.051		-0.076	0.446		4.809	-1491.4	2996.8	0.982	0.174
衰减						(0.004)	(0.021)	(0.033)	(0.012)		(0.034)	(0.045)		(0.439)	-1491.4	2996.8	0.982	0.174
幂律						0.045	0.311	0.364	0.120	0.562	-0.066	0.476		4.444	-1491.3	2998.6	0.940	0.226
衰减						(0.004)	(0.031)	(0.024)	(0.045)	(0.058)	(0.032)	(0.044)		(0.443)	-1491.3	2998.6	0.940	0.226
郑商早籼
线性	3.028	0.230	0.536	0.671	1.491						0.158	0.160	-0.045	2.252	-434.2	886.4	0.731	0.098
ACD	(0.470)	(0.058)	(0.044)	(0.045)	(0.202)						(0.093)	(0.038)	(0.072)	(0.363)	-434.2	886.4	0.731	0.098
对数	1.083	0.155	0.438	0.636	1.572						0.158	0.198	-0.045	1.915	-435.0	888.1	0.969	0.131
ACD	(0.062)	(0.032)	(0.026)	(0.045)	(0.242)						(0.095)	(0.038)	(0.072)	(0.364)	-435.0	888.1	0.969	0.131
指数						0.065	0.232	0.412	0.096		0.175	0.211		1.573	-436.5	887.0	0.959	0.137
衰减						(0.008)	(0.068)	(0.193)	(0.046)		(0.096)	(0.038)		(0.362)	-436.5	887.0	0.959	0.137
幂律						0.051	0.183	0.352	9.999	2E-6	0.168	0.200		1.667	-435.3	886.5	0.978	0.141
衰减						(0.008)	(0.038)	(0.073)	(61.02)	(0.031)	(0.095)	(0.038)		(0.356)	-435.3	886.5	0.978	0.141
郑商强麦
线性	1.995	0.323	0.542	0.710	1.408						-0.100	0.505	0.173	0.774	-1001.9	2021.7	0.985	0.123
ACD	(0.316)	(0.043)	(0.034)	(0.041)	(0.149)						(0.038)	(0.036)	(0.060)	(0.309)	-1001.9	2021.7	0.985	0.123
对数	0.554	0.259	0.577	0.680	1.470						-0.099	0.494	0.167	0.891	-1004.0	2026.1	0.986	0.172
ACD	(0.034)	(0.017)	(0.014)	(0.040)	(0.169)						(0.037)	(0.036)	(0.060)	(0.315)	-1004.0	2026.1	0.986	0.172
指数						0.024	0.340	0.504	0.031		-0.093	0.481		1.743	-1003.3	2020.7	0.938	0.214
衰减						(0.005)	(0.027)	(0.041)	(0.008)		(0.036)	(0.035)		(0.322)	-1003.3	2020.7	0.938	0.214
幂律						0.021	0.427	0.736	0.082	0.658	-0.100	0.493		1.651	-1003.1	2022.3	0.991	0.256
衰减						(0.004)	(0.034)	(0.036)	(0.027)	(0.061)	(0.037)	(0.036)		(0.319)	-1003.1	2022.3	0.991	0.256
大商玉米
线性	0.158	0.028	0.669	0.599	4.199						-0.024	0.226	-0.016	1.997	-788.4	1594.8	0.605	0.144
ACD	(0.026)	(0.004)	(0.024)	(0.015)	(0.052)						(0.046)	(0.029)	(0.048)	(0.238)	-788.4	1594.8	0.605	0.144
对数	0.061	0.280	0.519	0.548	3.317						-0.036	0.237	-0.018	1.938	-787.2	1592.4	0.760	0.123
ACD	(0.036)	(0.019)	(0.033)	(0.019)	(0.067)						(0.047)	(0.029)	(0.049)	(0.233)	-787.2	1592.4	0.760	0.123
指数						0.025	0.701	0.069	0.033		-0.014	0.238		1.823	-793.7	1601.4	0.636	0.374
衰减						(0.005)	(0.056)	(0.066)	(0.007)		(0.048)	(0.029)		(0.241)	-793.7	1601.4	0.636	0.374
幂律						0.020	0.428	0.779	0.116	0.460	-0.014	0.275		1.507	-795.6	1607.2	0.655	0.380
衰减						(0.005)	(0.036)	(0.044)	(0.046)	(0.041)	(0.047)	(0.029)		(0.235)	-795.6	1607.2	0.655	0.380

表2

表3

ACD-POT模型样本内外VaR估计值准确性检验结果"

模型	α（%）	线性ACD-POT						对数ACD-POT
模型	α（%）	失败	LRuc	LRind	LRcc	DQhit	DQVaR	失败	LRuc	LRind	LRcc	DQhit	DQVaR
样本内检验
CBOT 稻谷	5	190	0.30	0.00	0.00	0.00	0.00	190	0.30	0.00	0.00	0.00	0.00
	2.5	87	0.89	0.03	0.08	0.01	0.00	91	0.77	0.04	0.11	0.03	0.01
	1	39	0.54	0.08	0.17	0.00	0.00	40	0.44	0.09	0.17	0.00	0.00
CBOT 小麦	5	199	0.21	0.03	0.05	0.28	0.28	202	0.14	0.09	0.08	0.27	0.25
	2.5	90	0.90	0.27	0.54	0.80	0.75	92	0.93	0.12	0.29	0.36	0.33
	1	35	0.81	0.35	0.63	0.92	0.92	36	0.94	0.37	0.67	0.85	0.84
CBOT 玉米	5	191	0.36	0.00	0.00	0.00	0.00	197	0.17	0.00	0.00	0.00	0.00
	2.5	93	0.71	0.00	0.00	0.00	0.00	91	0.87	0.00	0.00	0.00	0.00
	1	37	0.84	0.40	0.69	0.78	0.78	36	0.97	0.38	0.68	0.84	0.79
郑商早籼	5	69	0.35	0.12	0.20	0.08	0.03	69	0.36	0.12	0.20	0.16	0.10
	2.5	34	0.58	0.08	0.18	0.01	0.00	33	0.71	0.01	0.04	0.00	0.00
	1	16	0.32	0.02	0.03	0.00	0.00	16	0.32	0.02	0.03	0.00	0.00
郑商强麦	5	211	0.00	0.00	0.00	0.00	0.00	183	0.00	0.00	0.00	0.00	0.00
	2.5	71	0.60	0.00	0.00	0.00	0.00	68	0.88	0.00	0.00	0.00	0.00
	1	27	0.96	0.00	0.01	0.00	0.00	26	0.89	0.00	0.01	0.00	0.00
大商玉米	5	127	0.28	1.00	0.56	0.89	0.78	125	0.37	0.38	0.46	0.90	0.88
	2.5	55	0.71	0.57	0.79	1.00	0.99	57	0.92	0.63	0.89	1.00	1.00
	1	23	0.98	0.23	0.48	0.54	0.53	23	0.98	0.50	0.79	0.83	0.81
样本外检验
CBOT 稻谷	5	84	0.75	0.00	0.00	0.00	0.00	77	0.63	0.00	0.00	0.00	0.00
	2.5	39	0.80	0.00	0.00	0.00	0.00	40	0.92	0.00	0.00	0.00	0.00
	1	20	0.37	0.00	0.00	0.00	0.00	17	0.85	0.01	0.04	0.00	0.00
CBOT 小麦	5	96	0.43	0.41	0.52	0.74	0.46	90	0.88	0.79	0.96	0.73	0.63
	2.5	48	0.58	0.78	0.83	0.95	0.78	45	0.92	0.89	0.99	0.99	0.98
	1	20	0.60	0.50	0.69	0.71	0.14	15	0.50	0.61	0.70	0.49	0.28
CBOT 玉米	5	83	0.56	0.01	0.02	0.14	0.10	80	0.36	0.00	0.01	0.06	0.06
	2.5	48	0.57	0.00	0.01	0.00	0.00	47	0.67	0.00	0.01	0.00	0.00
	1	34	0.00	0.00	0.00	0.00	0.00	31	0.00	0.00	0.00	0.00	0.00
郑商早籼	5	82	0.00	0.59	0.00	0.00	0.00	83	0.00	0.40	0.00	0.00	0.00
	2.5	56	0.00	0.44	0.00	0.00	0.00	55	0.00	0.17	0.00	0.00	0.00
	1	24	0.00	0.68	0.00	0.00	0.00	26	0.00	0.79	0.00	0.00	0.00
郑商强麦	5	69	0.81	0.00	0.01	0.01	0.00	68	0.71	0.01	0.02	0.03	0.00
	2.5	31	0.43	0.00	0.01	0.00	0.00	32	0.55	0.01	0.02	0.01	0.00
	1	14	0.96	0.00	0.00	0.00	0.00	16	0.64	0.00	0.00	0.00	0.00
大商玉米	5	106	0.02	0.20	0.03	0.23	0.10	107	0.01	0.11	0.01	0.11	0.05
	2.5	62	0.00	0.10	0.00	0.03	0.02	61	0.01	0.09	0.01	0.04	0.04
	1	31	0.00	0.13	0.00	0.00	0.00	29	0.01	0.10	0.01	0.00	0.00

表3

表4

Hawkes-POT模型样本内外VaR估计值准确性检验结果"

模型	α（%）	指数Hawkes-POT						幂律Hawkes-POT
模型	α（%）	失败	LRuc	LRind	LRcc	DQhit	DQVaR	失败	LRuc	LRind	LRcc	DQhit	DQVaR
样本内检验
CBOT 稻谷	5	173	0.83	0.01	0.02	0.00	0.00	183	0.58	0.26	0.45	0.35	0.35
	2.5	85	0.76	0.22	0.44	0.00	0.00	85	0.76	0.22	0.44	0.32	0.24
	1	30	0.37	0.26	0.35	0.00	0.00	31	0.47	0.28	0.43	0.04	0.03
CBOT 小麦	5	183	0.92	0.22	0.46	0.87	0.86	184	0.86	0.23	0.48	0.79	0.79
	2.5	81	0.29	0.41	0.40	0.66	0.64	82	0.34	0.91	0.63	0.66	0.65
	1	28	0.15	0.21	0.16	0.68	0.57	29	0.21	0.23	0.22	0.75	0.61
CBOT 玉米	5	177	0.93	0.02	0.06	0.38	0.38	184	0.66	0.04	0.11	0.47	0.44
	2.5	79	0.27	0.85	0.53	0.03	0.02	80	0.32	0.88	0.60	0.28	0.26
	1	37	0.82	0.40	0.69	0.91	0.91	32	0.53	0.45	0.62	0.97	0.97
郑商早籼	5	67	0.44	0.47	0.57	0.67	0.64	66	0.52	0.79	0.79	0.55	0.48
	2.5	30	0.92	0.04	0.11	0.06	0.06	31	0.93	0.79	0.96	0.70	0.69
	1	11	0.72	0.66	0.85	1.00	1.00	13	0.82	0.60	0.85	1.00	1.00
郑商强麦	5	133	0.99	0.01	0.03	0.04	0.03	131	0.87	0.09	0.22	0.55	0.46
	2.5	76	0.25	0.00	0.00	0.00	0.00	67	0.94	0.12	0.30	0.68	0.58
	1	19	0.12	0.01	0.01	0.00	0.00	23	0.48	0.20	0.33	0.25	0.25
大商玉米	5	117	0.83	0.37	0.65	0.40	0.40	118	0.76	0.15	0.34	0.58	0.38
	2.5	56	0.85	0.74	0.93	0.96	0.95	60	0.73	0.62	0.83	0.99	0.96
	1	20	0.53	0.55	0.69	0.73	0.73	22	0.84	0.51	0.79	0.99	0.91
样本外检验
CBOT 稻谷	5	74	0.41	0.00	0.00	0.00	0.00	63	0.03	0.00	0.00	0.01	0.00
	2.5	40	0.92	0.00	0.00	0.00	0.00	30	0.08	0.02	0.01	0.08	0.05
	1	20	0.37	0.00	0.00	0.00	0.00	14	0.57	0.62	0.75	0.50	0.29
CBOT 小麦	5	92	0.72	0.92	0.93	0.77	0.76	89	0.97	0.80	0.97	0.79	0.73
	2.5	48	0.58	0.78	0.83	0.95	0.95	47	0.69	0.81	0.90	0.97	0.97
	1	19	0.76	0.52	0.78	0.71	0.71	19	0.76	0.52	0.78	0.71	0.71
CBOT 玉米	5	70	0.04	0.03	0.01	0.19	0.19	66	0.01	0.01	0.00	0.07	0.06
	2.5	47	0.67	0.01	0.03	0.05	0.04	47	0.67	0.04	0.12	0.21	0.18
	1	24	0.15	0.00	0.01	0.00	0.00	22	0.32	0.28	0.34	0.68	0.68
郑商早籼	5	68	0.00	0.72	0.00	0.03	0.03	64	0.00	0.86	0.02	0.10	0.10
	2.5	40	0.00	0.49	0.00	0.01	0.01	33	0.03	0.11	0.03	0.05	0.03
	1	15	0.06	0.47	0.13	0.20	0.09	11	0.48	0.60	0.68	0.98	0.83
郑商强麦	5	77	0.47	0.08	0.16	0.20	0.03	81	0.23	0.05	0.08	0.10	0.02
	2.5	35	0.93	0.06	0.18	0.60	0.10	37	0.80	0.09	0.22	0.69	0.40
	1	16	0.64	0.01	0.04	0.00	0.00	19	0.22	0.02	0.04	0.00	0.00
大商玉米	5	101	0.07	0.23	0.09	0.37	0.32	99	0.10	0.62	0.23	0.64	0.52
	2.5	58	0.02	0.06	0.01	0.06	0.06	48	0.36	0.21	0.30	0.62	0.56
	1	27	0.02	0.45	0.05	0.14	0.12	20	0.45	0.49	0.59	0.95	0.90

表4

参考文献 30

[1]	Engle R F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation［J］. Econometrica， 1982， 50（4）： 987-1007.
[2]	Herrera R. Energy risk management through self-exciting marked point process［J］. Energy Economics， 2013， 38： 64-76.
[3]	Herrera R， Rodriguez A， Pino G. Modeling and forecasting extreme commodity prices： A Markov-Switching based extreme value model［J］. Energy Economics， 2017， 63： 129-143.
[4]	Hawkes J. A lower lipschitz condition for the stable subordinator［J］. Zeitschrift Für Wahrscheinlichkeitstheorie und Verwandte Gebiete， 1971， 17（1）： 23-32.
[5]	Chavez-Demoulin V， Davison A C， McNeil A J. Estimating value-at-risk： A point process approach［J］. Quantitative Finance， 2005， 5（2）： 227-234.
[6]	Aït-Sahalia Y. Maximum likelihood estimation of discretely sampled diffusions： A closed-form approximation approach［J］.Econometrica，2002，70（1）： 223-262.
[7]	刘志东，郑雪飞. 基于Hawkes因子模型的股价共同跳跃研究［J］. 中国管理科学， 2018， 26（7）： 18-31.
	Liu Z D， Zheng X F. A study of stock price co-jumps with hawkes factor model［J］. Chinese Journal of Management Science， 2018， 26（7）： 18-31.
[8]	汪冬华，张裕恒. 基于Hawkes过程中美股市大幅波动互激效应的研究［J］. 中国管理科学， 2018， 26（7）： 32-39.
	Wang D H， Zhang Y H. Research on large volatility mutually exciting effect of Chinese and American stock markets based on hawkes process［J］. Chinese Journal of Management Science， 2018， 26（7）： 32-39.
[9]	张峭，王川，王克. 我国畜产品市场价格风险度量与分析［J］. 经济问题， 2010（3）： 90-94.
	Zhang Q， Wang C， Wang K. Measure and analyze price risk for livestock in China［J］. On Economic Problems， 2010（3）： 90-94.
[10]	王川，赵俊晔，钟永玲. 我国粮食市场风险的度量与评估——基于风险价值法的实证分析［J］. 中国农业资源与区划， 2012， 33（2）： 15-22.
	Wang C， Zhao J Y， Zhong Y L. Quantifying and assessment of the grain market risk in China［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2012， 33（2）： 15-22.
[11]	韩德宗. 基于VaR的我国商品期货市场风险的预警研究［J］. 管理工程学报， 2008， 22（1）： 117-121.
	Han D Z. Study on early warning of risk of commodity futures market in China based on measurement of VaR［J］. Journal of Industrial Engineering and Engineering Management， 2008， 22（1）： 117-121.
[12]	谢赤，贺慧敏，王纲金，等. 基于复杂网络的泛金融市场极端风险溢出效应及其演变研究［J］. 系统工程理论与实践， 2021， 41（8）： 1926-1941.
	Xie C， He H M， Wang G J， et al. Extreme risk spillover effects of pan-financial markets and its evolution based on complex networks［J］. Systems Engineering-Theory & Practice， 2021， 41（8）： 1926-1941.
[13]	李秋萍，李长健，肖小勇. 产业链视角下农产品价格溢出效应研究——基于三元VAR-BEKK-GARCH（1， 1）模型［J］. 财贸经济， 2014， 35（10）： 125-136.
	Li Q P， Li C J， Xiao X Y. Spillover effect of agricultural product price in the perspective of agricultural chain： Based on VAR-BEKK-GARCH（1， 1） model［J］. Finance & Trade Economics， 2014， 35（10）： 125-136.
[14]	Caballero R J， Krishnamurthy A. Bubbles and capital flow volatility： Causes and risk management［J］. Journal of Monetary Economics， 2006， 53（1）： 35-53.
[15]	Gutierrez L. Speculative bubbles in agricultural commodity markets［J］. European Review of Agricultural Economics， 2013， 40（2）： 217-238.
[16]	Liu X， Filler G， Odening M. Testing for speculative bubbles in agricultural commodity prices： A regime switching approach［J］. Agricultural Finance Review， 2013， 73（1）： 179-200.
[17]	Etienne X L， Irwin S H， Garcia P. Bubbles in food commodity markets： Four decades of evidence［J］. Journal of International Money and Finance， 2014， 42： 129-155.
[18]	Etienne X L， Irwin S H， Garcia P. Price explosiveness， speculation， and grain futures prices［J］. American Journal of Agricultural Economics， 2015， 97（1）： 65-87.
[19]	王燕青，王晓蜀，武拉平. 我国农产品期货市场的价格泡沫检验：以鸡蛋期货为例［J］. 农业技术经济， 2015（12）： 78-88.
	Wang Y Q， Wang X S， Wu L P. Price bubble test in China’s agricultural products futures market： Taking egg futures as an example［J］. Journal of Agrotechnical Economics， 2015（12）： 78-88.
[20]	黄慧莲，熊涛，李崇光. 我国农产品期货市场价格泡沫特征及品种差异性研究［J］. 农业技术经济， 2018（1）： 32-47.
	Huang H L， Xiong T， Li C G. Prices bubbles and differences in Chinese agricultural commodity futures markets［J］. Journal of Agrotechnical Economics， 2018（1）： 32-47.
[21]	Sanders D R， Irwin S H. Bubbles， froth and facts： Another look at the masters hypothesis in commodity futures markets［J］. Journal of Agricultural Economics， 2017， 68（2）： 345-365.
[22]	Mao Q， Ren Y， Loy J P. Price bubbles in agricultural commodity markets and contributing factors： Evidence for corn and soybeans in China［J］. China Agricultural Economic Review， 2021， 13（1）： 22-53.
[23]	姬新龙，周孝华. 基于马尔科夫随机波动和极值理论的风险测度［J］. 中国管理科学， 2014， 22（10）： 44-51.
	Ji X L， Zhou X H. Risk measurement based on Markov stochastic volatility and EVT［J］. Chinese Journal of Management Science， 2014， 22（10）： 44-51.
[24]	Jiang Z Q， Canabarro A， Podobnik B， et al. Early warning of large volatilities based on recurrence interval analysis in Chinese stock markets［J］. Quantitative Finance， 2016， 16（11）： 1713-1724.
[25]	Jiang Z Q， Wang G J， Canabarro A， et al. Short term prediction of extreme returns based on the recurrence interval analysis［J］. Quantitative Finance， 2018， 18（3）： 353-370.
[26]	Zhang M Y， Russell J R， Tsay R S. A nonlinear autoregressive conditional duration model with applications to financial transaction data［J］. Journal of Econometrics， 2001， 104（1）： 179-207.
[27]	Kupiec P H. Techniques for verifying the accuracy of risk measurement models［J］. The Journal of Derivatives， 1995， 3（2）： 73-84.
[28]	Christoffersen P F. Evaluating interval forecasts［J］. International Economic Review， 1998， 39（4）： 841–862.
[29]	Engle R F， Manganelli S. CAViaR： Conditional autoregressive value at risk by regression quantiles［J］. Journal of Business & Economic Statistics， 2004， 22（4）： 367-381.
[30]	Hajirahimi Z， Khashei M. Hybrid structures in time series modeling and forecasting： A review［J］. Engineering Applications of Artificial Intelligence， 2019， 86： 83-106.

粮食期货	起始时间	均值	标准差	偏度	峰度	JB统计量	ADF统计量	LB统计量
CBOT稻谷	2000.01.01	0.021	1.907	0.189	47.261	424891.125^***	-68.039^***	51.461^***
CBOT小麦	2000.01.01	0.024	1.894	0.026	8.240	6259.317^***	-72.974^***	10.634
CBOT玉米	2000.01.01	0.040	1.616	0.202	4.783	751.940^***	-69.853^***	27.100^***
郑商早籼	2009.04.20	0.008	0.905	0.696	8.016	2451.313^***	-49.254^***	20.073^**
郑商强麦	2003.03.28	-0.013	0.768	0.054	7.033	2809.193^***	-64.060^***	15.026
大商玉米	2004.09.22	0.024	0.756	0.240	6.665	2301.564^***	-66.919^***	27.097^***