方壯志　王竹葳　龍歡予（華中科技大學，武漢 430074）

基于百度指數(shù)的碳交易市場波動率的實證研究

方壯志王竹葳龍歡予
（華中科技大學，武漢 430074）

碳交易市場波動率研究主要基于成交量數(shù)據(jù)對收益率GARCH效應的解釋作用。在互聯(lián)網時代可以有更新更為有效的方法來衡量碳交易市場的波動性?；凇疤冀灰住痹~條的百度指數(shù)，以湖北碳交易市場中的收益率為樣本，本文通過對比使用引入成交量和搜索量的IGARCH（1，1）模型，實證研究發(fā)現(xiàn)傳統(tǒng)的量價方程的確沒有解釋力，而百度指數(shù)可以對收益率的GARCH效應做出部分合理的解釋，這可以在某種程度上反映湖北碳交易市場的交易信息流。

百度指數(shù) 碳交易 成交量 市場波動 碳交易市場 GARCH模型

引 言

研究表明全球變暖的主要原因是，工農業(yè)活動所導致的二氧化碳等溫室氣體排放量的增加，為了緩解乃至解決這一問題，在《聯(lián)合國氣候變化框架公約（UNFCCC）》的簽署實施下，國際社會已逐漸形成了一套較完備的市場化節(jié)能減排手段，而碳交易正是這一手段孕育出的新興交易品種。碳排放權交易這一概念，最早在20世紀90年代的歐洲官方文件中出現(xiàn)。目前已是國際公認的最有效地應對氣候變暖的方式之一，尤其是在《京都協(xié)議書》下建立的清潔發(fā)展機制（CDM），通過鼓勵發(fā)達國家以提供項目資金與技術的方式，開展與發(fā)展中國家的合作，使得發(fā)達國家在完成本國減排承諾的同時，幫助發(fā)展中國家實現(xiàn)可持續(xù)發(fā)展。

2011年10月底，國家發(fā)改委下發(fā)《關于開展碳排放權交易試點工作的通知》，批準建立北京市、天津市、上海市、重慶市、廣東省、湖北省和深圳市開展碳排放權交易試點。2014年4月2日，湖北碳排放權交易市場正式建立，并逐漸成為7個試點中最活躍的交易市場之一。截至2015年3月31日，湖北碳市場總成交量1186噸，總交易額2.7億元，主要市場指標僅次于歐盟碳市場，居全球第二、中國第一。目前，湖北碳市場交易的產品是湖北省溫室氣體排放分配配額（HBEA），市場參與者為國內外機構、公司組織與個人投資者［1］。

值得注意的是，在我國區(qū)域碳交易市場迅猛發(fā)展的同時，交易的價格風險也難以避免［1］（莫建雷等，2012），如化石能源價格上漲引起的能源節(jié)約效應會抑制碳價格（Hoeller和Wallin，1991），投機力量也會加劇碳交易市場的波動（Alberola等，2008；Benz等，2009）等。在對碳交易市場價格波動的研究中，量價關系一直是金融界關注的重點。長期以來，成交量被認為是影響價格變動的重要因素。Clark（1973）首次提出混合分布假說（the Mixture Distribution Hypothesis，MDH），認為交易量序列是導致價格持續(xù)波動的因素，可以作為信息到達的替代指標。Lamoureux和Lastrapes（1990）把交易量作為一個外生變量加入GARCH（1，1）模型后，GARCH效應消失，證實把交易量作為信息流的代理變量對價格波動有很強的解釋能力。

不過，隨后大量的研究表明，交易量并不是信息流的完全替代。嚴格地說，只有在交易量是外生變量時，前述假說才成立［3］。Bessembinder和Seguin（1993）在不同的期貨合約中，把預期與非預期的交易量及利率變量加入GARCH模型后，發(fā)現(xiàn)條件波動率仍表現(xiàn)出很強的持續(xù)性。Bollerslev和Domowitz（1993）指出，在使用外匯交易市場上的報價指令流數(shù)量作為信息到達的代理變量時，條件方差的GARCH模型中信息流有負的，但是統(tǒng)計上不顯著。董秀良和吳仁水（2008）使用多元GARCH模型，利用我國滬深股市的數(shù)據(jù)，認為價格對交易量僅存在單向的波動溢出效應，價格波動對交易量波動有先導作用。這些研究表明，將成交量引入條件方差的GARCH族模型會存在模型偏差。

隨著互聯(lián)網的飛速發(fā)展，網絡已經影響到人們生活的各個方面。人們在網絡上的搜索行為能在一定程度上反應其經濟行為。2004年，谷歌開始收集人們在搜索引擎上搜索數(shù)據(jù)的信息，并利用這些原始的數(shù)據(jù)創(chuàng)建了谷歌趨勢（Google Trends）。谷歌趨勢能夠反應人們對某個詞語的相對搜索規(guī)模有多大，以及在一段時間內該詞語的熱度情況。由于用戶的搜索蘊含了其對信息的關注及意圖，搜索數(shù)據(jù)能夠反映用戶在現(xiàn)實中的行為趨勢與規(guī)律（Lynn Wu，2009），因此谷歌趨勢問世不久，便在經濟領域得到了運用。如Ettredge等（2005）利用搜索數(shù)據(jù)預測美國的失業(yè)率。Da，Engelberg和Gao（2011）［7］提出利用谷歌搜索量指數(shù)來衡量投資者的注意力，在對2004～2008年羅素3000指數(shù)成分股的研究中，發(fā)現(xiàn)搜索量指數(shù)能很好地衡量散戶的注意力。國內也有相似的文獻進行研究。宋雙杰等（2011）［2］利用谷歌趨勢構建了衡量投資者關注度的指標，發(fā)現(xiàn)IPO前個股網絡搜索量對預測首日超額收益、長期表現(xiàn)等解釋力更強。張兵（2012）［4］使用百度指數(shù)作為投資者有限關注的衡量變量，驗證了其能顯著影響創(chuàng)業(yè)板股票市場的交易活動。百度指數(shù)是否能衡量碳交易市場的波動呢？是否比傳統(tǒng)的方法能更好地反映碳交易市場的波動性呢？目前的文獻并無這方面的文獻資料。

根據(jù)2015年7月中國互聯(lián)網絡信息中心（CNNIC）發(fā)布的報告，截至2015年6月，我國網民規(guī)模達6.68億，互聯(lián)網普及率為48.8%，其中搜索引擎用戶規(guī)模達5.36億，使用率為80.3%。根據(jù)易觀智庫（Analysys）發(fā)布的報告，2015年第3季度百度搜索引擎在中國的市場份額達86.19%，在國內搜索引擎市場處于絕對領先地位。百度也推出了與谷歌趨勢類似的指標，稱為百度指數(shù)。當投資者利用百度搜索引擎檢索“碳交易”這個詞條時，可以說該投資者已經對碳交易相關的市場產生了關注，這一搜索量數(shù)據(jù)具有及時性和直接性的特點。因此，本文選擇百度指數(shù)，來驗證其包含的信息能否能解釋湖北碳交易市場收益波動率的持續(xù)性，并與引入成交量的傳統(tǒng)模型進行比較，來驗證百度指數(shù)作為代理變量的優(yōu)勢與不足。

1　數(shù)據(jù)處理及模型分析

1.1數(shù)據(jù)處理

1.1.1樣本數(shù)據(jù)說明

電子煙是一種模仿卷煙的電子產品，其電子原理是加熱一種叫作電子煙油的純液體（由調味劑、丙二醇、甘油和尼古丁組成）直至蒸發(fā)。自誕生以來，有關電子煙的健康風險一直存有爭議，但大多數(shù)的研究都集中于電子煙液體蒸發(fā)之前的化學成分是否有害，忽略了電子煙中蒸汽的影響。

本文的原始數(shù)據(jù)來自湖北碳交易市場中HBEA的日收盤價、日成交量及基于碳交易的百度指數(shù)數(shù)據(jù)，樣本期間為2014年4月2日至2015年10月30日，在剔除了交易量為零和不交易的天數(shù)以后，樣本大小為378個。通過對日收盤價pt取對數(shù)差分得到收益率r②:

本文選取百度指數(shù)官網上的“碳交易”詞條的全國搜索量數(shù)據(jù)（PC端與移動端總和）作為百度指數(shù)。由于碳交易市場在周末及法定節(jié)假日會閉市，所以本文把周末和節(jié)假日的搜索量volumeSt疊加到第一天工作日再取平均，作為對當日搜索量的衡量，得volSt:

對日成交量的處理與上式相同，得volTt。同時作出日成交量與日百度指數(shù)的圖形（圖1），發(fā)現(xiàn)兩者之間具有一定的正相關，并運用Eviews8.0對成交量與搜索量進行一個簡單的線性回歸，結果如下:

圖1　日百度指數(shù)與成交量的相關性

表明了百度指數(shù)作為成交量的一個替代指標的合理性。

1.1.2樣本數(shù)據(jù)處理

表1　日收益率、日百度指數(shù)與日成交量統(tǒng)計檢驗

表1為日收益率、日百度指數(shù)和日成交量的統(tǒng)計性描述?？梢钥闯?，3個序列都存在明顯的有偏和尖峰胖尾分布，拒絕正態(tài)分布的假設。Q檢驗顯示序列均在1%的顯著性水平上存在自相關。根據(jù)ADF的t統(tǒng)計量，表明序列均平穩(wěn)，無需再做處理。

1.2模型建立

GARCH（1，1）模型通?？梢詫懗扇缦滦问?

第一個方程為均值方程（Mean Equation），μt為關于過去收益率的條件均值。第二個方程為條件方差方程（Conditional Variance Equation），它是均值項ω、滯后殘差平方ε2t-1（ARCH項）和前期預測方差σ2t-1（GARCH項）的函數(shù)。如果α與λ皆為正，說明波動率的沖擊會持續(xù)一段時間，持續(xù)長短取決于參數(shù)大小。

有時，利用GARCH模型進行估計會有α+β≥1的情形發(fā)生，如Engle（1992）在對IBM收益率進行估計時，出現(xiàn)了這樣的情況。這種情形意味著沖擊對條件方差的影響是永久的，此時應建立帶有參數(shù)約束的GARCH模型。稱在α+β=1條件下的GARCH（1，1）為單整GARCH模型，記為IGARCH（1，1）。

本文即采用擴展的IGARCH（1，1）模型，即在一般的IGARCH（1，1）模型的條件方差模型中引入當日成交量或（及）基于碳交易的當日百度指數(shù)，模型變?yōu)?

其中，ω＞0，α＞0，β＞0，α+β=1。如果交易量或基于碳交易的百度指數(shù)存在序列自相關，則預期λ＞0，α和β將顯著減小甚至統(tǒng)計不顯著。本文的實證研究就是以方程（4）與方程（6）為基礎，采用Matlab編程進行估計。

2　實證檢驗

表2　IGARCH（1，1）模型極大似然估計

表2顯示了方程（5）的參數(shù)估計結果。從表中得知，參數(shù)α和β對整個樣本來說均非常顯著，湖北碳交易市場收益率波動的集聚現(xiàn)象十分普遍，即存在GARCH效應。

接下來首先考察成交量對HBEA收益率GARCH效應的影響。在上述IGARCH（1，1）模型中加入經處理的成交量序列volTt，至于成交量序列的滯后期數(shù)的選擇，由于有研究表明②，滯后兩期的成交量中已經包含了絕大部分波動信息，同時在實證中基于AIC與SC準則，本文選定滯后兩期的volTt-1及volTt-2，經擴展的條件方差模型變?yōu)?

其中，ω＞0，α＞0，β＞0，α+β=1。

極大似然估計

表3　加入成交量及其滯后階的IGARCH（1，1）模型

表3顯示了模型（7）的參數(shù)估計結果。可以看出，在把成交量及其滯后兩階引入條件方差模型后，碳交易市場的GARCH效應并未消失。條件波動與成交量呈顯著負相關，與其滯后兩階呈顯著正相關，并且系數(shù)較小。ARCH項與GARCH項的系數(shù)仍然在1%的水平下顯著。也就是說，盡管成交量及其滯后兩階包含了一定的導致收益率持續(xù)波動的信息，但收益率波動的持續(xù)性依舊存在。這意味著，成交量無法作為湖北碳市上交易信息流的替代。

接下來考察基于“碳交易”詞條的百度指數(shù)對收益率GARCH效應的影響。在原始IGARCH（1，1）模型中加入經處理的百度指數(shù)序列volSt，同時基于AIC與SC準則，選定滯后一周的volSt-5，即經擴展的條件方差模型變?yōu)?

參數(shù)約束條件與方程（7）一致。

表4　加入百度指數(shù)及其滯后階的IGARCH（1，1）模型極大似然估計

表4顯示了模型（8）的參數(shù)估計結果。條件波動與百度指數(shù)呈顯著負相關，與其滯后階呈顯著正相關，且系數(shù)很小。在把百度指數(shù)及其滯后一周的階引入條件方差模型后，ARCH項變得不再顯著，GARCH項在1%的顯著性水平下仍然顯著，即湖北碳交易市場的GARCH效應部分消失。也就是說，百度指數(shù)及其滯后階的引入削弱了收益波動率的持續(xù)性，百度指數(shù)包含了部分導致收益率持續(xù)波動的信息。

最后把百度指數(shù)和成交量同時加入IGARCH（1，1）模型，考察兩者的綜合效果。經擴展的條件方差模型變?yōu)?

參數(shù)約束條件與之前一致。

表5　加入成交量、百度指數(shù)及各自滯后階的IGARCH（1，1）模型估計結果

表5是模型（9）的參數(shù)估計結果。條件波動與成交量、滯后一周的百度指數(shù)顯著正相關，與百度指數(shù)、滯后一周的成交量顯著負相關，且系數(shù)皆很小。此時ARCH項在1%的顯著性水平下變得不再顯著，GARCH項仍然顯著，且系數(shù)為1.005，大于1，收益率的波動持續(xù)性很強。將這一結果與僅引入百度指數(shù)及其滯后階的模型（8）結果進行對比，可以發(fā)現(xiàn)，盡管成交量與百度指數(shù)都包含了一定的導致收益率持續(xù)波動的信息，但兩者的同時引入對解釋收益波動率持續(xù)性的效果不如僅使用百度指數(shù)。因此，僅利用百度指數(shù)便可對湖北碳市收益率的GARCH效應作出部分合理的解釋。

3　結 論

GARCH模型將變化的條件方差表示為滯后階的殘差平方的函數(shù)，描述了波動率的持續(xù)性，衡量的是風險。已有的實證研究大多只是把成交量視為交易信息流的替代指標，研究收益的GARCH效應是否會消失。基于搜索引擎已被大眾廣泛應用的背景下，本文將基于“碳交易”詞條的百度指數(shù)，而不是成交量數(shù)據(jù)，引入一個新興市場——湖北碳交易市場進行研究，并與傳統(tǒng)的量價方程進行對比，觀察搜索量數(shù)據(jù)的應用價值；并且把百度指數(shù)與成交量數(shù)據(jù)同時引入IGARCH（1，1）的條件方差方程，以觀察兩者的綜合效果。實證發(fā)現(xiàn)，僅加入成交量無法使GARCH效應消失；僅加入百度指數(shù)可以使ARCH項變得不再顯著，湖北碳交易市場收益波動率持續(xù)性被削弱。換言之，百度指數(shù)中包含了部分能導致收益率持續(xù)波動的信息。然而，當我們將兩種數(shù)據(jù)同時加入到模型中，對解釋波動率持續(xù)性的效果不如僅使用百度指數(shù)的效果好。因此，本文認為單獨使用百度指數(shù)可以對收益率的GARCH效應作出部分合理的解釋，百度指數(shù)可以作為湖北碳交易市場交易信息流的一部分。

總之，通過百度指數(shù)關注度對碳交易市場收益率的波動研究，我們認為傳統(tǒng)的量價方程解釋力不強；而百度指數(shù)能較好地解釋碳交易市場的波動，能在某種程度上反映市場信息流的變化。

［1］杜莉，孫兆東，汪蓉.中國區(qū)域碳金融交易價格及市場風險分析［J］.武漢大學學報（哲學社會科學版），2015，（2）: 86～93

［2］宋雙杰，曹暉，楊坤.投資者關注與IPO異象——來自網絡搜索量的經驗證據(jù)［J］.經濟研究，2011，（S1）:145～155

［3］熊連慶，劉煜輝.成交量能解釋收益率的GARCH效應嗎:中國市場的實證［J］.數(shù)量經濟技術經濟研究，2006，21（3）:134～139

［4］俞慶進，張兵.投資者有限關注與股票收益——以百度指數(shù)作為關注度的一項實證研究［J］.金融研究，2012，（8）: 152～165

［5］Bollerslev T.Generalized Autoregressive Conditional Heteroskedasticity［J］.Journal of Econometrics，1986，31（3）:307～327

［6］Choi H，Varian H.Predicting the Present with Google Trends［J］. Economic Record，2012，88（s1）:2～9

［7］Da Z，Engelberg J，Gao P.In Search of Attention［J］.The Journal of Finance，2011，66（5）:1461～1499

［8］張浩，劉元根，朱佩楓.歐盟碳排放權交易市場價格發(fā)現(xiàn)的實證研究［J］.工業(yè)技術經濟，2013，（6）:126～132

［9］Engle，Robert F.Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation［J］.Econometrica，1982，50（4）:987～1007

Research on the Volatility of Return Rate of Emission Exchange Market Based on Baidu Index

Fang Zhuangzhi Wang Zhuwei Long Huanyu
（Huazhong University of Science and Technology，Wuhan 430074，China）

The empirical test shows that traditional volume price equation does not work well in the return rate of emission exchange market.In the information age there are other new and more effective methodologies to test this kind of return rate.So this paper intends to explain the return rate of Emission Exchange Market by Baidu Index which including key words carbon trading instead of traditional method.Given that the addition of measures of Baidu index，and based on China Hubei Emission Exchange market，this paper sets up an IGARCH（1，1）model augmented both by the addition of measures of Baidu Index and traditional volume price equation to explain the GARCH effect.We compare the different effects of them and find that IGARCH model augmented by Baidu Index which has better performance than initial one.And it also shows that Baidu Index can make persistent volatility weakened.This conclusion means that Baidu Index can make some reasonable explanation for the GARCH effect of return rate and can be used as partial replacement of transaction information flow in Hubei Emission Exchange market.

Baidu Index；carbon trading；volume；volatility of return rate；regional carbon market；GARCH model

10.3969/j.issn.1004-910X.2016.11.005

F224；F835.51

A

2016—03—09

方壯志，華中科技大學經濟學院副教授，經濟學博士。研究方向:行為金融。王竹葳，華中科技大學經濟學院本科生。研究方向:行為金融。龍歡予，華中科技大學經濟學院本科生。研究方向:行為金融。

（責任編輯:王 平）