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