郭文偉，劉英迪，袁 媛，張思敏

(廣東財經大學 金融學院，廣東 廣州 510320)

一、引言

大宗商品一般是指可進入流通領域但非零售環(huán)節(jié)，具有商品屬性用于工農業(yè)生產與消費的物質商品。中國大宗商品期貨主要包括能源化工、工業(yè)、金屬、貴金屬、農產品等5種商品期貨，涉及國民經濟中工農業(yè)生產與消費的諸多領域。自2015年11月供給側結構性改革實施以來，隨著“三去一降一補”的持續(xù)推進，中國農產品、有色金屬、能源化工產品等大宗商品供需關系及結構均發(fā)生了深刻轉變，價格波動頻率及幅度趨向增大，不僅影響了下游相關行業(yè)的生產經營，也易造成上游行業(yè)供給和產量的反復，破壞了供給側結構性改革的已有成果。作為大宗商品市場的一個重要組成部分，大宗商品期貨市場具有價格發(fā)現及套期保值的重要功能，但與此同時，高杠桿性又使其更易發(fā)生極端波動，進而對現貨市場產生嚴重沖擊。那么，供給側結構性改革是否會增強中國大宗商品期貨價格的極端波動及其市場風險走勢呢？在當前深入推進供給側結構性改革的新時代背景下，這是亟待研究的重要課題。關于這個問題的研究，一方面能夠揭示中國大宗商品價格極端波動風險程度及其演化模式；另一方面也能科學評價供給側結構性改革對大宗商品期貨市場波動的影響，進而為優(yōu)化現有供給側結構性改革政策和避免引發(fā)市場極端風險提供有益的借鑒，最終為鞏固供給側結構性改革已有成果及保證實體經濟穩(wěn)健運行提供決策支持。

二、文獻綜述

(一)大宗商品價格極端波動風險測度的研究現狀與評價

較早的金融市場風險測度方法為風險價值(VaR)模型，該模型能衡量一定時期內一定置信水平下某一資產的最大可能損失，在金融機構的風險管理實踐中應用廣泛。之后，有學者將單變量VaR模型進一步拓展為3大類不同的風險測度模型：參數類(RiskMetrics、GARCH族模型等)、非參數類(蒙特卡羅模擬法、歷史模擬法等)、半參數類(CAViaR模型等)。由于非參數類模型可能造成信息損失和維數災難，因此實踐中更多采用參數類模型及半參數類模型對VaR進行測度。大量實證研究表明，大宗商品期貨收益率序列通常具有尖峰厚尾、波動聚集、自相關性和杠桿效應[1]，未能滿足傳統(tǒng)VaR測度方法的假設條件，因此國內外學者主要采用GARCH族模型及CAViaR族模型對其風險進行刻畫，并進行了兩方面的對比研究：一方面，龐淑娟和劉向麗、Musunuru等對比了若干GARCH族模型對不同商品期貨風險的測度能力后認為，考慮了長記憶性的HYGARCH模型、長記憶性及杠桿效應的FIGARCH(1，d，1)模型和FIEGARCH(1，d，1)模型、考慮不對稱性的EGARCH模型，具有更佳的風險預測能力[2-3]。

在大宗商品價格極端波動風險測度方面，現有研究主要集中于ARMA-GARCH-EVT模型的創(chuàng)新及應用上，這一模型的建模思路是：首先，通過ARMA-GARCH模型對具有波動集聚的原始收益數據進行過濾，獲得條件均值、條件方差與滿足獨立同分布的標準殘差序列；其次，應用EVT模型對標準殘差序列建模并計算出考慮極端事件的極值分位數；再次，將條件均值、條件方差、極值分位數相結合計算出極端風險。國內外學者基于這一思路將不同GARCH族模型與EVT理論結合進行了實證研究。Zhang等運用EGARCH-POT模型分別測度了貴金屬及歐盟碳市場的價格波動，實證結果表明所構建模型具有良好的擬合效果[4]；Youssef等構造了多個GARCH-EVT模型對能源期貨的動態(tài)風險進行度量，發(fā)現HYGARCH-EVT模型和FIAPARCH-EVT模型在極端VaR測度中表現更好[5]；胡宗義等通過構建Expectile-EVT模型測度國際原油的極端波動風險[6]，雖然ARMA-GARCH-EVT模型對原始收益數據進行了過濾，但是仍需假設收益分布并選擇條件方差方程，實證中對這些問題并未產生共識。針對上述問題，Engle和Manganelli提出了CAViaR模型，并結合極值理論EVT構建了CAViaR-EVT模型[7]。從理論上看，CAViaR-EVT模型能夠結合CAViaR處理普通分位數及EVT測度極端風險的優(yōu)點，在極端尾部風險度量及其演化模式刻畫方面更具優(yōu)勢，但至今這一模型在實踐中運用極少，目前僅有張晨等將其運用于國際碳市場的極端風險測度[8]；簡志宏等將其運用于大宗商品期貨市場的極端風險測度，并顯示出這一模型在大宗商品價格極端波動風險測度方面的潛力[9]。與此同時，在大宗商品期貨價格極端波動風險研究方面依然存在如下不足：一是現有研究集中關注極端下尾風險，而較少同時關注極端上尾風險，在期貨市場中極端上尾風險依然是做空的投資者需要重點關注的問題；二是現有研究一般只關注某一具體品類大宗商品價格波動風險，而鮮有對整個大宗商品期貨市場及現有各類商品期貨價格的極端波動風險進行系統(tǒng)性測度與比較；三是鮮有文獻專門研究大宗商品期貨市場的風險演化模式及其差異。

(二)供給側結構性改革影響大宗商品價格極端波動風險的研究現狀與評價

供給側結構性改革政策出臺前，國內學者在大宗商品價格，尤其是國際大宗商品價格極端波動的影響因素方面已形成了較為豐富的研究成果。馬龍等認為，貨幣供給通過影響通脹預期進而影響大宗商品價格波動，并提倡政府注重對全社會通脹預期的調控[10]；韓立巖、張峻曉等學者認為，短期內投機行為是大宗商品期貨價格極端波動的重要推手[11-12]。

供給側結構性改革政策出臺至今，國內系統(tǒng)研究其對大宗商品價格極端波動影響的文獻較為缺乏，國外幾乎沒有。郭俊華等對供給側結構性改革的內涵、目標和路徑進行了系統(tǒng)性闡述[13]；呂煒等認為供給側層面因素通過價格自循環(huán)效應及市場勢力兩條途徑影響上游行業(yè)價格的極端波動，提出政府在供給側結構性改革中應引入上游行業(yè)的競爭機制，避免上游行業(yè)市場勢力重新增長及價格自循環(huán)效應的不利影響使供給側結構性改革已有成果遭到破壞[14]。然而，對于2012年以來，尤其是2016年下半年至今中國大宗商品價格極端波動的成因，諸多學者及研究員的觀點不一，尚未形成共識。

總體而言，研究大宗商品價格波動影響因素的文獻較為豐富，但現有文獻較少對供給側結構性改革前后大宗商品期貨價格極端波動風險進行測度與比較，也鮮有研究大宗商品期貨市場風險演化模式的變遷。與已有文獻相比，本文研究特色表現為：一是綜合考慮極端下尾與極端上尾風險，分析大宗商品期貨投資者的多頭下跌風險與空頭上漲風險；二是構建CAViaR-EVT-VaR模型測度大宗商品期貨極端波動風險及其演化模式，并通過與ARMA-GARCH-EVT-VaR模型進行綜合比較，進一步突出CAViaR-EVT-VaR方法的建模優(yōu)勢；三是比較供給側結構性改革前后各類大宗商品期貨價格波動特征及其極端風險的變化，進而評價供給側結構性改革對大宗商品價格波動的影響機制，并提出防范對策。

三、理論模型構建與說明

(一)CAViaR模型及參數說明

由于文章篇幅限制，這里僅介紹CAViaR模型及其參數含義，而對于本文采用的ARMA模型及傳統(tǒng)GARCH族模型(GARCH、EGARCH、HYGARCH、FIAPARCH)則不再重復闡述。Engle和Manganelli提出了4種經典CAViaR模型：

1.對稱絕對值模型SAV：

VaRt(p)=β0+β1VaRt-1+β2rt-1

(1)

2.不對稱絕對值模型AS：

VaRt(p)=β0+β1VaRt-1+β2(rt-1)++

β3(rt-1)-

(2)

3.間接GARCH模型IG：

(3)

4.適定性模型AD：

VaRt(p)=VaRt-1+

β1[1+exp(G[rt-1+VaRt-1])-1-θ]

(4)

其中rt-1為歷史對數收益率系列；θ為置信水平，一般取1%或5%；G為一有限的正數，這里取為10，當G→∞時式(4)右邊的最后一項趨于[1-(xt-1≤-VaRt-1)-θ]，其中I(·)為提示性函數；當G為有限正數時，該模型將為光滑的階梯函數。從式(4)可看出，第t期的在險價值VaR將受到第t-1期的歷史收益率rt-1的影響；與此類似，SAV與IG模型均考慮了這種情況。

(二)EVT模型及參數說明

極值理論可分為BMM模型和POT模型，BMM模型將觀測數據按時間順序等分為互不重疊的若干區(qū)間，并對每個區(qū)間的最大值組成的數據序列建模；而POT對觀察值中超過某一較大閾值的數據建模，由于POT模型有效使用了有限的極端觀察值，通常被認為在實踐中最為有用[15]，因此本文主要介紹POT模型。

假設觀測值序列為X1，X2，…，Xn，對于一個合理的閾值u，超過閾值的Nu個樣本對應的超額數序列為Yi=Xi-u(i=1，2，…，Nu)，則超額數Y的分布函數為：

Fu(y)=Pr(X-u≤y|X>u)

(5)

對于一個充分大的閾值u，Fuy可以用廣義帕累托分布逼近，即：

(6)

設x=u+y，則分布的尾部累積分布函數為：

F(x)= (1-F(u))Gξ，β(x-u)+F(u)

(x>u)

(7)

令F(u)=(n-Nu)/n，并用極大似然法估計GPD分布的形狀參數ξ和尺度參數β，則有：

(8)

對于置信度p>F(u)的尾部估計，反解上式可得到p分位數：

(9)

(三)ARMA-GARCH族-EVT-VaR模型構建及參數說明

GARCH族模型采用如下離散化形式，刻畫金融資產損失序列的動態(tài)過程：

Rt=μt+εt=μt+σtzt

(10)

(11)

結合上述關于ARMA、GARCH族、EVT模型的介紹以極端多頭VaR為例，ARMA-GARCH族-EVT-VaR模型的構建可分為如下3個步驟：

步驟3：將μt、σt、Qp(Z)代入式(11)計算VaRtp(R)。

計算極端空頭VaR時采用收益率序列，按上述同樣步驟即可完成。

(四)CAViaR-EVT-VaR模型構建及參數說明

CAViaR-EVT-VaR模型的構建思路是通過POT方法將CAViaR計算得出的正常分位點分位數轉化為極端分位點分位數，以極端多頭VaR為例，模型的構建可分為如下4個步驟：

步驟2：通過式(12)計算標準化殘差序列。

(12)

(13)

步驟4：通過式(9)計算出標準化殘差序列的(1-p)分位數，代入下式可計算出損失率序列的p分位數，即100(1-p)%置信水平下的VaR。

(14)

計算極端空頭VaR時采用收益率序列，按同樣的步驟即可完成。

本文采取傳統(tǒng)的LR檢驗以及Engle和Manganelli提出的DQ檢驗對上述ARMA-GARCH族-EVT-VaR模型及CAViaR-EVT-VaR模型的精確度進行檢驗，由于論文篇幅限制，具體細則不再詳述，可參見相關文獻說明。

四、實證分析

(一)樣本選取及描述

本文以南華期貨商品指數報告的綜合指數(ZH)、工業(yè)品指數(GY)、能化指數(NH)、金屬指數(JS)、貴金屬指數(GJS)、農產品指數(NCP)為研究對象，其中綜合指數反映了中國整個大宗商品期貨市場的狀況；樣本期為2012年9月6日至2017年9月15日，基本包含了供給側結構性改革政策出臺(2015年11月)的前后兩年左右時間，剔除樣本期內未報告指數數據的天數，共獲得1 216個日度數據和1 215個對數收益率及損失率數據(數據均來自于東方財富Choice數據庫)；對數收益率rt及損失率Rt計算公式如下，其中Pt和Pt-1分別為各類商品期貨指數在第t日和第t-1日的收盤價：

rt=100×ln(Pt/Pt-1)

(15)

Rt=-100×ln(Pt/Pt-1)

(16)

表1是各種大宗商品期貨收益率序列的描述性統(tǒng)計結果，從中可以看出：綜合類、工業(yè)類、能化類、金屬類大宗商品期貨收益率序列均值為正值，而貴金屬類與農產品類大宗商品期貨收益率序列均值為負值；6種大宗商品期貨指數收益率序列的峰度均超過3，具有尖峰特征；綜合類、工業(yè)類、能化類、貴金屬類的偏度小于0，具有左偏特征；金屬類和農產品類的偏度大于0，具有右偏特征。結合JB檢驗結果可以看出：6種收益率序列均在1%的顯著性水平上拒絕正態(tài)分布的原假設，說明這些大宗商品期貨價格收益系列均不服從正態(tài)分布；平穩(wěn)性ADF檢驗結果顯示：6種收益率序列均在1%的顯著性水平下拒絕非平穩(wěn)的原假設，均為平穩(wěn)序列；Ljung-Box Q(20)統(tǒng)計量結果顯示：在滯后期為20時，綜合類、工業(yè)類、金屬類收益率序列存在長階自相關性，能化類、貴金屬類、農產品類收益率序列不存在長階段自相關性；從波動率來看，能化期貨、金屬期貨和貴金屬期貨的價格波動相比其他大宗商品期貨價格波動更為激烈，而農產品期貨價格波動率相對較小。

表1 各種大宗商品期貨指數收益率序列的描述性統(tǒng)計特征表

注：*、**、***分別表示在10%、5%、1%的顯著性水平上顯著，下表同。

(二)ARMA-GARCH族模型與CAViaR模型的擬合效果評價

由于金融計量中一階模型已經能夠較為充分地反映金融時間序列的波動特征和自相關性，因此本文選擇簡單的ARMA(1，1)、GARCH(1，1)、EARCH(1，1)、HYGARCH(1，d，1)、FIAPARCH(1，d2，1)模型對樣本數據進行擬合。表2是ARMA-GARCH族模型的參數估計結果，可以看出對于全部6種大宗商品期貨收益率序列，ARCH參數φ和GARCH參數β均顯著，且兩者之和小于1，條件方差方程收斂，說明波動具有持續(xù)性；除綜合類收益率序列外，其他5種收益率序列的HYGARCH模型、FIAPARCH模型中參數d均大于0而小于1，且多在5%的置信水平上顯著，說明這5種收益系列具有長記憶性；6種收益率序列在FIAPARCH模型中參數γ均不顯著，說明杠桿效應不明顯。另外，從最大似然值來看，這4類GARCH族模型的擬合效果并無顯著優(yōu)劣，而FIAPARCH模型在6種收益率序列中最大似然函數值往往相對更大，說明更適合對這些大宗商品期貨進行波動率建模分析。

表2 ARMA-GARCH族模型參數估計結果表(基于訓練樣本)

本文參考Engle和Manganelli的做法，將時間序列后500個樣本作為檢驗樣本，其余樣本作為建模樣本，并通過RQ值、建模樣本Hit值和DQ檢驗P值分析CAViaR模型擬合情況。表3是4種CAViaR模型在5%分位數下的參數估計結果，從樣本內Hit值和DQ檢驗P值可以看出，除AD模型在測度綜合類、能化類、金屬類大宗商品空頭VaR時出現P值小于顯著性水平0.05而被拒絕外，其余3個CAViaR模型在6種大宗商品多、空頭VaR測度時均未出現被拒絕的情況，整體表現較好；從RQ值來看，綜合考量多頭VaR、空頭VaR的表現可知與其余模型相比，AS模型在多數大宗商品的VaR測度中表現更好。進一步，考察各模型參數估計結果可以發(fā)現，自相關系數β1基本均顯著(除綜合類大宗商品空頭VaR下的IG模型)，說明尾部分位數存在波動集聚現象，且工業(yè)類、金屬類、農產品類大宗商品前期VaR對市場的影響相對更大；多數情況下系數β2與β3在空頭VaR中比在多頭VaR中更為顯著，說明空頭方對外部信息的沖擊更為敏感?？傮w而言，從訓練樣本來看，GARCH族模型中的FIAPARCH模型與CAViaR模型中的AS、IG、SAV模型均能較好地擬合收益率與損失率序列或其VaR序列。

表3 CAViaR模型在5%置信水平下的參數估計結果表(基于訓練樣本)

(三)ARMA-GARCH族模型與CAViaR模型標準化殘差的POT估計結果

本文選取時間序列的90%分位數作為閾值，并采取極大似然法估計GPD分布的形狀參數ξ和尺度參數β。表4、表5分別報告了ARMA-GARCH族模型和CAViaR模型標準化殘差序列的POT估計結果，從中可以看出在對GARCH族模型標準化殘差進行擬合時，綜合類、工業(yè)類標準化殘差序列具有顯著的厚尾性，金屬類標準化殘差序列具有顯著的短尾性，而貴金屬類標準化殘差序列的左右尾則有不對稱性；在對CAViaR模型標準化殘差進行擬合時，能化類標準化殘差序列具有顯著的短尾性，農產品類標準化殘差序列具有顯著的厚尾性，而其余4種大宗商品標準化殘差序列則具有顯著的不對稱性。

表4 ARMA-GARCH族模型標準化殘差序列POT估計結果表

表5 CAViaR模型標準化殘差序列POT估計結果表

(四)基于ARMA-GARCH族-EVT模型與CAViaR-EVT模型極端風險預測比較

通過POT估計出標準化殘差序列的形狀參數ξ及尺度參數β后，可計算標準化殘差序列的極端分位數，進而根據其與收益率序列或損失率序列極端分位數的關系，求解出收益率或損失率序列的極端分位數。本文在測度極端空頭風險時采用各大宗商品期貨的收益率序列，在測度極端多頭風險時采用各大宗商品期貨的損失率序列。表6報告了各種ARMA-GARCH族-EVT模型與CAViaR-EVT模型在5%顯著性水平上6種大宗商品期貨極端多、空頭VaR測度的LR檢驗P值及失敗率；由于LRcc檢驗綜合考量了LRuc檢驗與LRind檢驗，因此以下比較主要參考LRcc檢驗P值及失敗率，并輔以LRuc及LRind檢驗，結果顯示總體上看CAViaR-EVT模型的精確度高于ARMA-GARCH族-EVT模型，且兩類模型預測極端多頭VaR的精確度高于極端空頭VaR。

對綜合類大宗商品期貨而言，4個GARCH族-EVT模型在極端多、空頭VaR預測中均未通過LRcc與LRuc檢驗，且失敗率顯著高于CAViaR-EVT模型；而在4個CAViaR-EVT模型中，SAV-EVT模型通過了所有LR檢驗，在極端空頭VaR預測中也具有較高的精確程度，是綜合類大宗期貨商品價格極端風險測度的最優(yōu)模型。由于綜合類代表了整個大宗商品期貨市場的整體情況，由此說明中國大宗商品期貨市場價格極端波動風險適合采用SAV-EVT模型進行測度。

對工業(yè)類大宗商品期貨而言，4個GARCH族-EVT模型在極端多、空頭VaR預測中同樣均未通過LRcc與LRuc檢驗，且失敗率顯著高于CAViaR-EVT模型，而在CAViaR-EVT模型中，也僅有IG-EVT模型與AD-EVT模型同時通過了兩個LRcc檢驗，相較而言AD-EVT模型的P值更大且失敗率接近理論水平1%，是工業(yè)類大宗商品期貨價格極端風險測度的最優(yōu)模型。

對能化類大宗商品期貨而言，GARCH族-EVT模型在預測極端多頭VaR時具有更大的P值，但是失敗率為0，有高估風險的可能，同時和其他3個GARCH族-EVT模型一樣在極端空頭VaR預測中未能通過LRcc與LRuc檢驗，不是最優(yōu)的風險預測模型；在CAViaR-EVT模型中同樣僅有IG-EVT模型與AD-EVT模型通過了兩個LRcc檢驗，而AD-EVT模型具有更大的P值且失敗率更接近理論水平1%，是能化類大宗商品期貨價格極端風險測度的最優(yōu)模型。

表6 1%分位數5%顯著性水平上的LR檢驗結果表(基于檢驗樣本)

注：表中數據表示LR檢驗的P值，其中加粗字體表示在95%的置信水平下拒絕該模型。

對金屬類大宗商品期貨而言，有SAV-EVT、IG-EVT、AD-EVT3個模型同時通過了兩個LRcc檢驗，相較而言AD-EVT模型在極端多、空頭VaR預測時均有較高的P值且失敗率更接近理論水平1%，是金屬類大宗商品期貨價格極端風險測度的最優(yōu)模型。

對貴金屬類大宗商品期貨而言，僅有IG-EVT模型通過了兩個LRcc檢驗，是貴金屬類大宗商品期貨價格極端風險測度的最優(yōu)模型。

對農產品類大宗商品期貨而言，有SAV-EVT和IG-EVT兩個模型通過了兩個LRcc檢驗，兩者的失敗率與1%的理論水平均相差不大，但SAV-EVT模型在極端多、空頭VaR預測時有相對更高的P值，是農產品類大宗商品期貨價格極端風險的最優(yōu)測度模型。

(五)供給側結構性改革前后大宗商品價格極端波動風險比較

經過LR檢驗的比較，得出了每種大宗商品期貨價格波動極端風險的最優(yōu)測度模型。圖1展示的是基于最優(yōu)測度模型對各種大宗商品期貨在1%置信水平上的極端多、空頭VaR風險測度結果。從圖1中可看出：以2015年第三季度為界，大宗商品期貨價格波動情況可大致分為兩個階段：第一個階段為2012年9月至2015年7月，這一階段貴金屬類大宗商品價格波動幅度較大，極端行情出現較多，而其他5種大宗商品價格波動則較為平緩，極端行情出現較少；第二個階段為2015年7月至2017年9月，這一階段貴金屬類大宗商品期貨價格波動幅度趨小，極端多頭VaR與極端空頭VaR走勢較為平穩(wěn)，而其他5種大宗商品價格波動幅度及頻率則趨向增大，多頭VaR與空頭VaR水平均有升高?？傮w來看，貴金屬類大宗商品期貨與其他5種大宗商品期貨價格極端波動風險演化情況出現背離，結合收益率均值來看，貴金屬類與農產品類大宗商品期貨價格趨于下行，而其他4種大宗商品期貨價格趨于上行，走勢分化明顯。進一步分析可以發(fā)現，大宗商品期貨價格波動情況兩階段的劃分與供給側結構性改革政策出臺的時間(2015年11月)較為一致，且價格趨于上行的工業(yè)類、能化類、金屬類大宗商品期貨，均屬于供給側結構性改革中去產能去庫存重點關注的領域。表中ZH、GY、NH、JS、GJS、NCP分別代表綜合類、工業(yè)類、能化類、金屬類、貴金屬類、農產品類大宗商品期貨。

圖1 基于最優(yōu)測度模型的6種大宗商品極端風險走勢圖

(六)供給側結構性改革政策對大宗商品期貨價格極端波動風險的影響分析

為更科學評價中國供給側結構性改革政策是否會影響大宗商品期貨價格極端波動風險，本文采用在1%置信水平上的極端多頭VaR以及基于FIAPARCH模型獲得的條件標準差作為波動率；本文以供給側結構性改革政策正式出臺時間(2015年11月10日)為界，采取虛擬變量XU來代表供給側結構性改革政策(2015年11月10日之前日期賦0，之后日期賦1)；采取QU代表時間趨勢變量(2015年11月11日賦1，之后日期順次加1)，以檢測各種大宗商品期貨價格極端波動風險是否在供給側結構性改革啟動后具有明顯的時間趨勢；與此同時，增加各種大宗商品期貨每日收益率r作為自變量，以衡量其每日收益變化是否會對極端風險產生影響，最終估計結果見表7、表8。

表7 供給側改革政策對各種大宗商品期貨價格極端VaR的影響結果表

注：表中數據為估計系數；*、**、***分別表示在10%、5%、1%的顯著性水平下顯著，下表同。

表8 供給側改革政策對各種大宗商品期貨價格波動率的影響結果表

表7回歸結果顯示，對整個大宗商品期貨市場而言，代表供給側結構性改革政策的虛擬變量及其時間趨勢變量均在1%的置信水平上顯著為正，這說明供給側結構性改革政策在一定程度上加劇了中國大宗商品期貨市場價格波動極端風險水平，且隨著該政策的推進，大宗商品期貨市場風險具有隨時間趨于增強的趨勢；與此類似，工業(yè)類、金屬類、農產品類的大宗商品期貨極端風險值均受到供給側結構性改革政策的顯著影響，具有明顯的時間趨勢；但供給側結構性改革政策對貴金屬大宗商品期貨價格極端波動風險的影響較弱。

在波動率方面，由表8可知：供給側結構性改革政策的推出明顯加大了整個大宗商品期貨市場、工業(yè)類、能化類、金屬類和農產品類大宗商品期貨的價格波動率，其中影響最大的是金屬類大宗商品期貨，而影響較小的是能化類大宗商品期貨。與此相反，該政策的推出對貴金屬類大宗商品期貨的價格波動具有顯著的負面影響，也即明顯抑制了該類商品期貨的價格波動程度；與此同時，供給側結構性改革政策在各種大宗商品期貨價格波動率的時間趨勢上均不太明顯?；趯嵶C結果可知，供給側結構性改革中去產能、去庫存的主要措施(如規(guī)定去產能目標任務、限制生產時間等)在一定程度上明顯加大了中國大宗商品價格波動的極端風險。具體而言，其影響路徑可能如下：一方面，去產能、去庫存直接導致相關行業(yè)產量下降，產能從過剩趨于合理，供給量趨于下降，在這一過程中下游行業(yè)對大宗商品未來價格走勢的預期可能會拉動其期、現貨價格的上漲，供應壓力可能會成為影響市場價格走勢的主導因素；另一方面，產能收緊及庫存收縮將使相關行業(yè)供應缺乏彈性，在面對下游行業(yè)季節(jié)性補庫存及其他市場突發(fā)情況時，難以通過減少庫存減輕價格效應，使得相關大宗商品價格易于產生極端波動。

(七)各種大宗商品期貨對外部消息的沖擊響應特征分析

圖2、圖3報告了各種大宗商品期貨極端多、空頭VaR的消息沖擊曲線。從中可以看出：綜合類、貴金屬類及農產品類大宗商品期貨市場對外部利好、利空消息的反應程度一樣，具有明顯的對稱性；工業(yè)類大宗商品期貨市場的極端多、空頭風險受到前一期VaR值的顯著正向影響，對外部利空消息的反應程度大于對利好消息的反應程度，具有明顯的非對稱性；能化類大宗商品期貨市場極端多頭風險受前一期VaR值影響不明顯，而極端空頭風險則受到前一期VaR值的顯著正向影響，對外部利空和利好消息沖擊表現出非對稱性；金屬類大宗商品期貨市場極端多頭風險受到前一期VaR值的顯著正向影響，但極端空頭風險受前一期VaR值影響不明顯，同樣具有對外部利好利空消息沖擊的非對稱性響應特征。

圖3 各種大宗商品期貨極端空頭風險的消息沖擊曲線圖

五、結論與建議

本文將CAViaR處理普通分位數與EVT處理極端風險的優(yōu)越性結合起來，構建了CAViaR-EVT模型來測度中國大宗商品期貨(綜合類、工業(yè)類、能化類、金屬類、貴金屬類、農產品類)在2012年9月至2017年9月期間的價格極端波動風險及其市場風險演化模式，并評價供給側結構性改革政策的推出對大宗商品期貨價格波動風險及其波動率的影響，最終研究結果表明：第一，相比傳統(tǒng)ARMA-GARCH族-EVT模型，CAViaR-EVT模型更適合測度中國大宗商品期貨價格極端波動風險，具有更高的精度和穩(wěn)健性；第二，各種大宗商品期貨市場極端風險適合不同的CAViaR-EVT模型刻畫。綜合類、農產品類大宗商品價格極端波動風險的最優(yōu)預測模型為SAV-EVT，工業(yè)類、能化類、金屬類大宗商品價格極端波動風險的最優(yōu)預測模型為AD-EVT，貴金屬類大宗商品價格極端波動風險的最優(yōu)預測模型為IG-EVT；第三，供給側結構性改革政策對中國大宗商品期貨市場價格極端波動風險及其走勢具有顯著正向影響。該政策推出后，工業(yè)類、金屬類、農產品類大宗商品極端風險值出現頻率及程度均有增強趨勢，供給側結構性改革中去庫存、去杠桿的主要措施可能通過影響相關大宗商品供給彈性及下游行業(yè)預期，進而加劇了大宗商品價格波動的極端風險；第四，各種大宗商品期貨市場風險演化模型存在明顯差異。整個大宗商品期貨市場風險對外部利好、利空消息的反應程度一樣，具有明顯的對稱性，且市場風險具有自我增強趨勢。從具體種類看：貴金屬類和農產品類大宗商品期貨具有對外部利好利空消息沖擊的對稱性響應特征；工業(yè)類大宗商品期貨市場的極端多、空頭風險受到前一期VaR值的顯著正向影響，對外部利空消息的反應程度大于對利好消息的反應程度，具有明顯的非對稱性；能化類大宗商品期貨市場極端多頭風險受前一期VaR值影響不明顯，而極端空頭風險則受到前一期VaR值的顯著正向影響，對外部利空和利好消息沖擊表現出非對稱性；金屬類大宗商品期貨市場極端多頭風險受到前一期VaR值的顯著正向影響，但極端空頭風險受受前一期VaR值影響不明顯，同樣具有對外部利好利空消息沖擊的非對稱性響應特征。

基于上述研究結論，本文提出如下政策建議：一方面，監(jiān)管部門、金融機構及大宗商品期貨投資者可以根據不同大宗商品期貨品種所適用的最優(yōu)極端風險預測模型對大宗商品價格波動風險進行預測，掌握大宗商品期貨市場風險演化模式及其對外部利好利空消息沖擊的對稱或非對稱特征來進行風險防范，從而做出及時有效的監(jiān)管或投資決策；另一方面，鑒于供給側結構性改革的長期性、復雜性及其對大宗商品價格極端波動風險可能產生的影響，監(jiān)管層在制定供給側結構性改革持續(xù)推進的相關政策時，有必要及時關注所推出政策對大宗商品期貨價格極端波動風險的影響，根據影響結果進一步科學評估和優(yōu)化相關改革政策，從而在合理平衡供給側結構性改革的速度與質量的同時防范大宗商品期貨市場極端風險的頻繁發(fā)生。從實踐看，供給側結構改革使得大多數大宗商品供給減少，價格波動上漲，并通過產業(yè)鏈上游向下游傳遞，在加大上游企業(yè)定價權和利潤空間的同時也在一定程度上明顯削弱了中下游企業(yè)的盈利能力。因此，在當前持續(xù)深入推進供給側結構性改革的同時，也要關注上游價格極端波動風險對產業(yè)鏈中下游企業(yè)的運營成本及盈利能力所造成的負面影響，必要時應該實施大宗商品的價格指引甚至管制，并抑制大宗商品期貨市場的投機行為，緩解其對大宗商品現貨價格水平的沖擊和非合理引領作用。