文档介绍：1
农产品日历效应价格波动论文
9
一、相关文献评述
对于“日历效应”的争论目前多见于证券市场，大量的国内外文献已经证明白在不同地区的证券市场中存在着各类“日历效应”。Ｒozeff等(1征，因此对其进行AＲCH效应检验。先实行拉格朗日乘数法(AＲCH－LM)对其进行检验，检验结果见表4。其中，，因此AＲCH－LM检验结果认为原序列存在AＲCH效应，与图示检验的结论全都，可以证明存在“波动聚集性”。也就是说，为了达到理想的拟合效果需要对数据进行GAＲCH建模分析。
(五)“月份效应”。正是由于这种“波动聚集性”特征的存在，且不满足正态分布，因此CliveGranger提出了GAＲCH模型，可以有效拟合数据。我们在OLS模型的基础上建立GAＲCH(p，q)模型如下。。依据表5可知，在10%的显著性水平下，D09的Z统计量达到显著，存在正的“九月效应”，即9月份的收益率显著地高于平均水平。虽然4月份收益率较低，但不存在之前猜想的“四月效应”。。在每年的7月底8月初，由于受到中国传统节日“七夕”节的影响，使得这一时期的鲜花市场需求量骤增，这种需求量突然扩大的后果就是导致8月中下旬交易量趋于饱和并下降。而经过一段时期的需求冷却之后，在9月份内，受老师节、中秋节以及国庆节花卉需求的多重刺激，拍卖市场的鲜花交易量有着显著的提高，收益率大大提升，导致花卉拍卖市场消逝了“黄金九月”。
(六)“农历效应”。我们从农历的划分角度动身，将现有的数据依据农历分成30个变量，进行统计分析以期对可能存在的“农历效应”开放争论。从图3中可以看出，农历初四和农历十六两天的平均收益分别低于和高于周边的日期。据此猜想，存在正的“农历十六效应”以及负的“农历初四效应”。。如同月份效应，我们先进行一般最小二乘法等一系列检验后，数据样本不存在自相关，同时也较为平稳。但是在对数据进行AＲCH效应检验时，发觉样本中存在AＲCH效应。因此连续接受GAＲCH模型进行回归分析。。统计显示，农历30日的拍卖数据样本仅有19个，只有其他日期样本的一半左右，这是由于拍卖市场存在闭市状况，导致供应量降低，在初一开市后经过3天较高的市场需求后，初四需求回落。但由于拍卖市场供应量没能进行匹配性调整，因此消逝了明显的负效应。而正的“农历十六效应”和负的“农历廿一效应”可能与婚礼进行的密集程度有关。由于条件限制，本文对此未进行详细的争论。
(七)。我们连续对时间序列数据进行分类争论。与金融市场的股指期货不同，考虑花卉拍卖可能会受气候影响，因此我们这里使用中国传统的24节气对数据进行统计分析。所谓24节气是指立春、雨水、惊蛰、春分、清明、谷雨、立夏、小满、芒种、夏至、小暑、大暑、立秋、处暑、白露、秋分、寒露、霜降、立冬、小雪、大雪、冬至、小寒、大寒。这24节气分别代表着不同类型的气候、温度和天气状况。我们按24个节气当日以及其后3天划分一个样本，考察该节气是否对拍卖市场有影响，即样本所在期间是否有显著收益率。相关检验我们