中国期货市场日内效应分析

　2008 年 8 月系统工程理论与实践第 8 期　

文章编号 :100026788 (2008) 0820063218

中国期货市场日内效应分析

刘向丽1 ,2 ,程　刚3 ,成思危2 ,汪寿阳2 ,洪永淼4

(11 北京信息科技大学理学院 ,北京 100085 ;21 中国科学院研究生院管理学院 ,北京 100191 ;

31 中国科学院研究生院数学科学学院 ,北京 100190 ;41 美国康乃尔大学经济学系与统计科学系 ,纽约 14850)

摘要 : 　运用 1 分钟高频数据对我国三个市场、六个品种的商品期货的收益率和交易量的日内变动模式进行研究 ,得出了日内绝对收益率及交易量的“L”型变化模式. 这跟证券市场的“U”型日内特征不同 ,我

们根据金融市场微观结构理论、交易机制及交易者心理给予解释. 在此基础上 ,利用 Granger 因果关系检验和向量自回归模型 (VAR) ,研究了影响收益波动性的各种因素. 结果表明绝对收益率与交易量、持仓

量之间两两存在双向 Granger 因果关系 ,这是与股市的只存在由交易量到绝对收益率的单向 Granger 因果关系不一样的结论 ,原因在于期货市场的做空机制. 通过对 VAR 模型进行方差分解和脉冲响应分析 ,实证分析了三者之间的动态关系及影响程度. 结论表明 :当以绝对价格波动作为被解释变量时 , 其自身的滞后项可以解释 90 %左右的残差扰动 ,交易量可以解释 10 %左右的的残差扰动. 当以交易量作为被解释变量时 ,其自身的滞后项可以解释 80 %左右的残差扰动 ,绝对价格波动可以解释 20 %左右的残差扰动.

当以持仓量作为被解释变量时 ,其自身的滞后阶数解释了 45 %～70 %的残差扰动 , 交易量解释了 25 %

～45 %的残差扰动 ,绝对价格波动解释了 5 %～10 %.各方程变量解释基本都稳定在 20～30 分钟后. 实证结果还表明持仓量对绝对价格波动和交易量有微弱的影响 ,而绝对价格波动与交易量有较强的互动影

响 ,并且就此给投资者以相关建议.

关键词 : 　高频数据 ;日内特征 ;市场微观结构 ; Granger 因果关系 ;向量自回归中图分类号 : 　F83019 　　　　　　　　文献标志码 : 　A 　　　

收稿日期 :2007203201

资助项目 :北京市教委科技创新平台基金 ;国家自然科学基金委员会创新研究群体基金 (70221001)

作者简介 :刘向丽 (1974 - ) ,女 (汉) ,山西人 ,副教授 ,研究方向金融管理.

Intraday effects analysis of Chinese futures markets

LIU Xiang2li1 ,2 ,CHENG Gang3 ,CHENG Si2wei2 ,WANG Shou2yang2 ,HONG Yong2miao4

(11Beijing Information Science & Technology University ,Beijing 100085 ,China ; 21Management School , Graduate University of Chinese

Academy of Sciences ,Beijing 100190 ,China ;31School of Mathematical Sciences , Graduate University of Chinese Academy of Sciences ,

Beijing 100190 ,China ;41Department of Economics of Cornell University ,New York 14850)

Abstract: 　This paper adopts minutely high2frequency data of yields , volumes and open interests of the six

commodities futures in three exchanges of China to probe into their intraday change patterns , and discovers the‘L’

pattern intraday movement of absolute yield and volume. We exert financial market microstructure theory , traders’

psychology and trading mechanism to explain the different intraday phenomenon between the futures market and the

stock market , which has a distinctive‘U’pattern. Basing on this , by the help of Granger causality test theories and

Vector Autoregressive models (VAR) , we study the factors that influence the volatility of yields and the lagged orders.

The results show that there are two2way Granger causality among each two of the absolute yield , volume and open

interest , which is different from the empirical result of the stock market that there is a one2way Granger causality from

volume to absolute yield , and the difference comes from the short mechanism of futures market. Through the

decomposition of variance of VAR models and the impulse response analysis , we empirically analyze the dynamic

relationship among the three factors. The conclusion shows that : when we treat the volatility of absolute yield as an

explained variable , the residual disturbance can be explained about 90 % by its lagged terms , and volume can explain

about 10 %. When volume is interpreted as an explained variable , about 80 % of the residual disturbance can be

explained by its lagged terms and the volatility of the absolute price explains about 20 %. When open interest is

considered as an explained variable , lagged terms of its own interprets about 45 % to 70 % of the residual disturbance ,

the volume explains 25 % - 45 % , and the volatility of absolute price explains 5 % to 10 %. All the explanatory

variables reach stable about 20 - 30 minutes later. Empirical result tells the weak impact from open interest to volatility

of absolute yield and volume and the strong correlation between volatility of absolute yield and volume. Some

investment suggestions are offered from the analysis mentioned above.

Key words : 　high2frequency data ; intraday effect ; microstructure of market ; Granger causality test ; VAR

1 　引言高频数据通常是指以天、小时、分钟 ,甚至以秒为频率所采集的金融类数据. 超高频数据是指每笔交易

的数据. 高频金融交易数据分析模型从 20 世纪 90 年代开始迅速发展 ,目前已广泛地用于金融市场微观结

构理论的应用和实证检验. 一般而言 ,金融市场上的信息是连续地影响价格变化过程 ,离散模型必然会造

成信息的丢失 ,数据频率越低 ,则信息丢失得越多. 低频数据不能揭示金融资产价格实时的动态变化特征 ,

而高频数据包含了更加丰富的日内波动性特征的信息 ,是各种经济信息对市场作用的忠实的和迅速的反

应者. 对高频数据的研究 ,交易过程的统计规律和特征的描述是研究和关注的重点之一.“日历效应”是高

频数据研究中最重要的发现之一.

金融市场微观结构理论中的“异象”之一就是收益率等表征市场特征的变量具有日期效应 ,如月内效

应、周内效应、日内效应. 对一些成熟市场 ,如美国市场、香港市场的高频数据实证分析已经得到一些典型

的日内数据特征. 文献[1 ]和文献[2 ]各自发现“日历效应”,并给出了日内“U”型模式的理论解释. 文献 [3 ]

对它们进行了比较. 文献[4～6 ]对股票市场的研究表明 ,波动率和交易量均呈现出“U”型的日内季节性 ,

即波动率在开盘后最大 ,随后下降 ,而在收盘前又逐渐上升 ,波动率与反映交易活跃性的交易量之间存在

强烈的正相关 ,交易在日内时间上的不均匀分布可能导致了波动率的日内季节性. 文献 [7 ,8 ]利用个股交

易数据对日内“U”型模式进行了实证 ,并发现交易量、买卖价差、交易频率也存在这种模式. 文献 [ 9 ]利用

弹性傅立叶形式回归 (FFFR)对日本股票市场进行了分析 ,发现由于日本市场实行午间休市的交易制度 ,

这是不同于美国市场的 ,从而日本股票市场波动呈现出不一样的日内双“U”型走势. 文献 [10 ]利用分钟数

据发现波动率日内“U”型 ,也就是说一般每日内的波动率都是开盘与收盘时高 ,中间交易时间低. 文献

[11 ]也证实的确存在这种现象. 文献[1 ]从理论模型出发证明了这一现象的合理性. 文献 [ 12～15 ]也对价

格波动率的日内模式进行了探索 ,实证分析了波动率在早上开盘和下午收盘时往往较大 ,其他交易变量 ,

如交易频率、交易量以及买卖价差也呈现出同样的“U”型变化模式. 文献 [ 16 , 17 ]对交易持续时间

(Duration) ,即久期的日内模式进行了研究 ,也得出了类似的结论 ,变化模式从图形上来看类似于倒“U”型.

文献[18 ]研究了日历性与波动率的持续性之间的关系 ,他们证明了如果将数据中的日历性剔除 ,则大大降

低较低频率数据中的持续性. 文献[19 ,20 ]进一步研究了日历性的主要影响因素 ,除了时间刻度 ,假日、午

间休市等影响因素外 ,规律性的宏观经济信息发布也是重要的日历性的产生原因. 以上绝大多数学者的研

究重点主要集中在对证券市场的交易变量、波动性和流动性情况.

国内学者对此的研究也是集中于对股票市场波动性与流动性进行估计. 文献 [21 ]采用 5 分钟交易数

据对中国沪深股市 A 股日内价格及交易量变动模式进行了实证分析. 文献 [ 22 ]给出高频数据建模的综

述. 文献[23 ]对上海股市“U”型特征进行了分析 ,并且建立了估计日内回报特征的 FFF 模型. 文献[24 ]对成

交量的日内模型进行了研究 ,得出了与国外类似的结论 ,即成交量在日内呈现倒“U”,但中国股票市场的

买卖价差呈现出“L”型的日内变动模式 ,不同于国外成熟市场如纽约股市交易所的“U”型日内变动模式.

文献[25 ]对上海期铜的研究表明 5 分钟绝对收益率波动性的“L”型变化模式以及交易量和交易笔数的

“U”型变化模式. 其他一些文献对交易时间间隔的研究主要集中于对交易间隔的建模 ,但对其日内特征的

详细分析很少.

上述研究主要是针对股票市场 ,部分是针对外汇市场 ,而对于我国期货市场内部结构、运行特征的研

究非常缺乏. 中国期货市场作为新兴的市场 ,近年来在国际上起到越来越大的作用 ,其市场微观结构也受

到众多关注 ,其结构跟发达市场相比 ,跟有做市商的市场相比 ,必然有所不同. 本文以国内期货市场较活跃

46 系统工程理论与实践 2008 年 8 月

的期货品种为代表 ,运用高频数据对中国期货商品收益率、交易量的日内变化模式进行实证研究 ,同时从

市场微观结构理论出发分析这种模式的形成原因. 并在此基础上 ,分析价量关系 ,建立向量自回归模型 ,实

证研究收益率波动变化的影响因素 ,交易量波动变化的影响因素 ,从而揭示我国期货市场的内在特征 ,强

化期货市场风险管理 ,填补了国内外这方面研究的空白.

通过对高频数据的分析 ,洞察金融市场收益及波动的日内变化模式 ,分析其日内周期性 ,为进一步剔

除周期性 ,对收益波动特征的进一步研究奠定基础 ,为研究市场风险奠定基础 ,为中国市场交易机制的完

善提供一定实证依据.

本文结构安排如下 :第二部分介绍数据的选取及收益率序列的基本统计特征 ;第三部分分析收益率、

交易量的日内特征 ;第四部分分析在高频数据下收益率与交易量、持仓量的动态关联性 ;第五部分给出总

结性评论.

2 　数据描述本文采用中国三个期货市场的、交易比较活跃的有代表性的六个商品期货品种的 1 分钟的高频数据

来刻画中国期货市场的日内变化模式. 数据来源于世华财讯和文华财经的一分钟价格数据. 对每一个期货

品种 ,在同一时间 ,有不同的合约在进行交易 ,我们按照交易最活跃的合约来构造连续期货合约. 数据包括

交易发生时刻、价格、交易量以及该合约该时刻的持仓数量. 从 2007 年 4 月 27 日到 9 月 28 日 ,其中棉花因

数据原因 ,只到 8 月 15 日 ,剔除交易记录中不合理的情况 ,如交易时间外的数据和一些有明显错误的数

据 ,剔除连续竞价时间之外的交易数据 ,共得数据铜 21414 个 ,天然橡胶 21405 个 ,大豆 23043 个 ,玉米

22493 个 ,棉花 14937 个 ,强麦 23108 个. 主要计算结果由 Matlab71110 编程实现.

我们将价格收益率 Rt 定义为价格的自然对数的一阶差分的 100 倍 ,即 :

Rt = 100 ×D (ln ( Pt ) ) = 100 ×(ln ( Pt ) - ln ( Pt - 1 ) ) (1)

并剔除掉隔夜的收益率 ,即剔除掉由当天第一笔交易数据和前一天最后一笔交易数据得出的收益率 ,共得

收益率序列铜 21312 个 ,天然橡胶 21303 个 ,大豆 22938 个 ,玉米 22390 个 ,棉花 14864 个 ,强麦 23003 个. 其

统计描述如表 1.

表 1 　收益率的基本统计特征

样本容量均值标准差最大值中位数最小值偏度峰度 J B 统计量

铜 21312 0. 0000 0. 0668 0. 9061 0. 0000 - 1. 0399 - 0. 2001 16. 2782 156706

橡胶 21303 - 0. 0000 0. 0902 1. 5267 0. 0000 - 2. 6314 - 1. 1612 56. 7005 2564472

大豆 22938 0. 0003 0. 0494 0. 5539 0. 0000 - 0. 6933 - 0. 0812 13. 0782 97100

玉米 22390 - 0. 0004 0. 0570 0. 4328 0. 0000 - 0. 5823 - 0. 1584 7. 1263 15978

棉花 14864 0. 0002 0. 0420 0. 4668 0. 0000 - 0. 5265 0. 1119 15. 4591 96170

强麦 23003 - 0. 0003 0. 0586 0. 5319 0. 0000 - 0. 5817 - 0. 0475 8. 0220 24182

图 1 　铜收益率序列图图 2 　橡胶收益率序列图

56第 8 期中国期货市场日内效应分析

　　可以看出 ,六个品种的 1 分钟收益率均值基本都在 0 附近 ,峰度都显著大于 3 ,收益率序列有明显的尖

峰厚尾性. J B 统计量也说明收益率序列都显著地不服从正态分布. 各品种收益率序列图见图 1～6.

图 3 　大豆收益率序列图　

图 4 　玉米收益率序列图　

图 5 　棉花收益率序列图　

图 6 　强麦收益率序列图　

3 　实证分析首先产生 ONEDAY序列 ,即把每天同一个时间点的数据取其平均值 ,得到每个交易时间点的平均收

益率、平均绝对收益率、交易量、持仓量. 由于每个时点处取值的偏差程度差别不太大 ,所以对每个时点处

数据取平均值 ,有其代表性和合理性. 分析其日内趋势 ,并从金融市场微观结构来分析其原因 ,包括交易制

度、投资者心理等.

311 　绝对收益率日内趋势

由于收益率均值无明显变化趋势 ,平均收益在 0 附近 ,可以看作均值为 0 的随机波动序列 ,无明显的

周期模式 ,为考察价格波动变化特征 ,应考虑绝对收益率序列.

由图 7～12 中可以看出 ,中国商品期货 1 分钟绝对收益率不是一个平稳过程 ,整体来看 ,从开盘到收

盘 ,日内呈明显的略为扁平的“L”型特征 ,这与我国股票市场的“U”型特征有显著的区别. 中国上海和深圳

股市 5 分钟绝对收益率日内特征是典型的“U”型特征 ,开盘时价格波动剧烈而且逐渐波动幅度降低 ,在临

近收盘又开始大幅上升 ,即开盘和收盘波动都显著增大. 而期货市场尾市收盘的波动并未显著增加 ,故呈

“L”型. 开盘价格波动大约是日平均收益率波动的 3 倍左右. 国内外对股票市场的很多研究均表明日内波

动性呈现“U”型特征. 产生这种原因与金融市场的微观结构和隔夜信息的消化、吸收和释放有直接的关

系. 文献[26 ]认为是集合竞价导致了纽约股票市场开盘的高波动性.

同时 ,从图中还可以看出 ,中午停盘 ,下午开盘之后 ,价格波动也有小幅提高. 因为早开盘前是有集合

竞价的 ,而中午停盘后 ,下午开盘前是没有集合竞价的 ,但价格波动仍有显著提高 ,所以我们认为高波动性

是由于在这段无交易时间内积蓄的信息积累、释放的结果 ,而不是由集合竞价导致的开盘的高波动性.


图 7 　铜绝对收益率日内趋势图　

图 8 　橡胶绝对收益率日内趋势图　

图 9 　大豆绝对收益率日内趋势图　

图 10 　玉米绝对收益率日内趋势图　

图 11 　棉花绝对收益率日内趋势图　

图 12 　强麦绝对收益率日内趋势图　

　　期货市场日内收益率呈现“L”型特征 ,主要原因可能在于 :隔夜外盘价格带来的套利压力、机构投资

者利用私人信息和集合竞价制度来影响价格的短期变化. 由于信息不对称 ,隔夜信息的消化、吸收和释放

使得开盘时价格波动剧烈. 随后知情交易者对普通交易者起某种引导示范作用 ,在开盘 20～30 分钟后 ,信

息得到完全释放 ,不知情交易者也从开始的交易中了解到更多的信息 ,逐步调整自己的价格和仓位 ,整个

市场价格进入正常的缓和的波动.

312 　交易量日内趋势

从图 13～18 可以看出 ,从日内整体来看 ,不同于国外市场和股票市场的“U”型特征 ,中国期货 1 分钟

交易量呈现日内“L”型走势 ,开盘较高而且逐渐降低 ,并在早开盘 30 分钟后 ,趋于平稳. 只有棉花接近“U”

型. 而且对上海市场来说 ,每小节休息 (10 :15～10 :30 以及 14 :10～14 :20) 和中午停盘 (11 :30～13 :30) 之后

交易量都有明显的小幅上升. 类似于是一个小的新开盘. 而对于大连市场和郑州市场来说 ,每小节休息


(10 :15～10 :30)和中午停盘 (11 :30～13 :30)之后交易量略有增加 ,幅度不很明显.

图 13 　铜交易量日内趋势图　

图 14 　橡胶交易量日内趋势图　

图 15 　大豆交易量日内趋势图　

图 16 　玉米交易量日内趋势图　

图 17 　棉花交易量日内趋势图　

图 18 　强麦交易量日内趋势图　

期货交易量这种变化与期货品种的交易机制密切相关. 我国期货市场采用盯市制度和保证金交易制

度 ,整个期货市场的投机气氛比较浓 ,投资者的风险承受能力较弱 ,早市收益率巨幅波动的情况下 ,无论上

涨下跌都会对交易的一方形成压力 ,许多大的投资者和机构投资者能够较早得到信息 ,或者止损离场或者

获利了解 ,早市的交易量伴随放大 ,交易活跃. 交易量越大 ,不知情者根据从交易中获得的信息 ,调整自己

价格的幅度也增大 ,导致价格波动剧烈. 在开盘约 30～40 分钟后 ,信息得到完全释放 ,整个市场价格进入

正常波动 ,交易量也平稳波动. 早开盘时交易量的增加是由隔夜信息事件引起的 ,这符合文献 [27 ]提出的

无论是利好还是利空消息 ,都会导致交易强度增大.

对于无交易时间 (小节休息和中午停盘)之后 ,此阶段虽然没有集合竞价但仍有价格波动及交易量的

增加 ,尤其是中午停盘下午开盘后的交易量显著放大 ,我们认为是由于无交易时间中积累的信息的释放和


积蓄的交易需求集中释放的结果. 由于无交易时间不是很长 ,所以虽然交易量也有显著增大 ,但不像早开

盘时那么巨大.

由于非对称信息程度大 ,造成了开盘时 ,交易量大 ,价格波动也大. 这一点与股市是一致的. 期货市场

日内收益率和交易量的“L”型特征不同于股市的“U”型特征 ,主要原因可能在于 :

1)隔夜信息的来源不同. 在中国的股票市场上 ,由于中国市场相对国际市场的封闭性 ,隔夜信息主要

来自国内的相关变化 ,而少数交易者利用这种隔夜信息及开盘前的重大内幕信息 ,可以在集合竞价过程中

操纵交易价格. 而对于中国期货而言 ,在我们休市时 ,外盘仍在交易 ,所以隔夜信息不仅仅来自国内相关新

信息 ,更主要来自于伦敦、芝加哥等期货市场的隔夜交易情况. 由于伦敦、芝加哥期货价格变化带来的套利

压力使得中国期货在开盘即调整价格.

2)对下一个交易日的预期不同. 股市对下一个交易日的预期主要来自于本土市场 ,而期货市场对下一

个交易日的预期 ,更多的受国际市场的影响 ,由于交易中断带来的不确定因素更多 ,所以为规避风险 ,会等

到第二天有了国际市场的信息 ,再根据自己对收益的预期 ,调整自己的资产组合.

3)交易制度不同. 股市实行“T + 1”的交易制度 ,使得交易者以及一些大机构投资者往往会在收盘前 2

～3 分钟挂单交易 ,主动调整资产头寸 ,以规避隔夜风险 ,使收盘前交易量增大. 期货市场实行“T + 0”的交

易制度 ,当天开仓 ,当天即可平仓 ,交易者可在一天当中多次买卖 ,调整头寸 ,而不必在收盘前调整.

4 　收益率与交易量、持仓量关联性分析交易量和收益率之间的关系历来是金融市场微观结构理论研究的重点. 在金融市场上 ,价格的变动反

映了市场对新信息的反应 ,波动性反映了价格波动的剧烈程度 ,而交易量则反映了投资者对新信息认同的

差异程度. 持仓量则反映了投资者对该合约的认同程度. 研究价格波动与交易量、持仓量之间的动态关系

有助于了解期货市场的微观结构、市场信息传播的方式和速度 ,以及市场价格如何对信息做出反映. 同时

也有助于了解交易量和持仓量在期货价格波动中所起作用的大小. 强化对期货市场非风险管理.

首先剔除收益率、交易量和持仓量的日内趋势 ,然后建立 VAR 模型 ,对 VAR 模型应用 Granger 因果关

系检验 ,初步定性分析波动性、交易量、持仓量三者之间的相互影响. 然后通过对 VAR 模型 ,应用方差分解

和脉冲响应分析 ,进一步量化分析各变量之间的交互影响程度 ,以及持续时间.

向量自回归 (VAR : Vector Autoregression)用于相关时间序列系统的预测和随机扰动对变量系统的动态

影响 ,它不带有任何事先约束条件 ,不需对模型的变量是外生还是内生进行假定 ,将每个变量均视为内生

变量. 建立 VAR 模型一般应满足稳定性条件. 稳定性是指当把一个脉动冲击施加在 VAR 模型中某一个方

程的新信息 (innovation)过程上时 ,随着时间的推移 ,分析这个冲击是否会逐渐地消失. 本文应用 OLS 法进

行 ADF 回归 ,ADF 检验表明结果表明绝对价格波动、交易量均满足平稳性要求 ,但持仓量不满足 ,其一阶

差分形式满足平稳性要求. 故以下考虑绝对价格波动序列、交易量序列、持仓量差分序列之间的 Granger 因

果关系 ,及对他们建立 VAR 模型. 建立 VAR 模型中滞后阶数 k 按 AIC ,SC 准则选取. 对铜取 k = 8 ,天然橡

胶取 k = 9 ,大豆取 k = 8 ,玉米取 k = 7 ,棉花取 k = 4 ,强麦取 k = 6.

411 　Granger 因果关系检验

关于价量关系 , 一种是文献 [ 28 ] 提出的连续信息到达假设 ( The Sequential Information Arrival

Hypothesis) ,该假说认为市场信息是分步逐渐向外扩散的 , 在市场信息不断传递的过程中 ,引起价格波动

和交易量的变化 ,并随着新信息的不断增多 ,价格波动和交易量同步增大. 根据连续信息到达假设 ,信息是

分步向外扩散的 ,在价格达到最后的均衡前存在许多中间平衡点 ,交易者分步得到信息 ,当所有交易者得

到有关信息后 ,市场才能达到有关均衡 ,绝对价格收益与交易量之间应存在双向引导关系. 因此绝对价格

波动的过去信息有助于对未来交易量的预测 ,同样交易量的过去信息也有助于预测未来绝对价格波动.

另一种假说是文献[29 ]最早提出的混合分布假说 (The Mixture Distribution Hypothesis ,缩写 MDH) . 混合

分布假设认为 :金融资产的收益和交易量是由一个潜在的不可观察的信息流共同决定 ,当信息流到达市场

时 ,将同时产生收益和交易量的变动. 在信息流的作用下 ,市场的需求状况发生变化 ,原有的平衡被打破 ,

引起价格的上下波动 ,在价格波动过程中 ,交易同步进行 ,价格和交易量对新信息的反映是瞬时的. 不论价


格波动的方向如何 ,交易量都会随着价格波动的增加而增加 ,因而绝对收益与交易量之间呈现正相关关

系. 根据混合分布假设 ,绝对价格收益与交易量之间在任一方向上均不应存在引导关系.

表 2 　绝对价格波动与交易量间因果关系检验

原假设F统计量及拒绝原假设的概率


CU交易量不是绝对价格波动的

Granger 原因53. 9094(0. 0000)

绝对价格波动不是交易量的Granger 原因

44. 4803(0. 0000)

NR交易量不是绝对价格波动的

Granger 原因39. 2471(0. 0000)


52. 0915(0. 0000)

SOYBEAN交易量不是绝对价格波动的

Granger 原因58. 8187(0. 0000)


54. 0642(0. 0000)

CORN交易量不是绝对价格波动的

Granger 原因51. 7488(0. 0000)


14. 4673(0. 0006)

COTTON交易量不是绝对价格波动的

Granger 原因78. 2439(0. 0000)


32. 2993(0. 0000)

WS交易量不是绝对价格波动的

Granger 原因89. 7499(0. 0000)


59. 2945(0. 0000)

表 3 　绝对价格波动与持仓量间因果关系检验



CU持仓量不是绝对价格波动的

Granger 原因12. 0744(0. 0000)

绝对价格波动不是持仓量的Granger 原因

24. 6961(0. 0128)

NR持仓量不是绝对价格波动的

Granger 原因7. 0080

(0. 0000)绝对价格波动不是持仓量的

Granger 原因36. 4145(0. 0000)

SOYBEAN持仓量不是绝对价格波动的

Granger 原因25. 1082(0. 0000)


52. 3226(0. 0002)

CORN持仓量不是绝对价格波动的

Granger 原因21. 8839(0. 0000)


25. 9594(0. 0000)

COTTON持仓量不是绝对价格波动的

Granger 原因46. 4997(0. 0000)


35. 7556(0. 0000)

WS持仓量不是绝对价格波动的

Granger 原因47. 5247(0. 0000)


68. 3696(0. 0000)

表 4 　交易量与持仓量间因果关系检验



CU持仓量不是交易量的


(0. 0028)交易量不是持仓量的

Granger 原因102. 077(0. 0000)

NR持仓量不是交易量的



Granger 原因86. 0026(0. 0000)

SOYBEAN持仓量不是交易量的



Granger 原因147. 697(0. 0000)

CORN持仓量不是交易量的

Granger 原因13. 8299(0. 0000)

交易量不是持仓量的Granger 原因

136. 160(0. 0000)

COTTON持仓量不是交易量的



Granger 原因150. 708(0. 0000)

WS持仓量不是交易量的



Granger 原因239. 340(0. 0000)


由 Granger 因果检验 ,可以看出 ,对于期货市场 ,绝对价格波动和交易量互为对方的 Granger 原因.

Granger 因果检验结果是双向的. 绝对价格波动和持仓量也互为对方的 Granger 原因. 这是因为持仓量是不

平稳的序列 ,我们用的是持仓量差分序列 ,而持仓量差分是与交易量高度相关的. 这一点和股市的单向

Granger 原因是不一样的 ,由于股市缺乏做空机制 ,交易者的“追涨”心理 ,造成价格下降很多时 ,绝对价格

波动很大 ,但交易量无大幅增加 ,所以往往得出结论 :交易量是绝对价格波动的 Granger 原因 ,但绝对价格

波动不是交易量的 Granger 原因. 这再次说明了 ,由于期货市场的做空机制存在 ,使得期货市场表现出与证

券市场不一样的特征. 这些同时也说明 ,我国期货市场的信息传播方式更符合连续信息到达假设.

交易量和持仓量互为对方的 Granger 原因 ,但相比较而言 ,就统计量的值来看 ,交易量对持仓量的影响

大于持仓量对交易量的影响. 这也符合基本常识 ,持仓量的变动是由交易量引起的.

文献[30 ]认为 ,价格波动与交易量是由潜在的不可预测的信息流共同决定的 ,信息流的冲击将同时影

响到交易量和价格的波动 ,价格和交易量对信息流冲击的反应是瞬时的 ,交易量随价格波动的增加而增

加. 文献[31 ]提出证券市场上的价格收益与交易量之间存在正相关关系. 而文献 [ 32 ,33 ]对期货市场的研

究发现 :期货价格收益和交易量之间不存在相关关系. 他们认为造成这一原因的结果是证券市场缺乏做空

机制 ,或者证券市场做多和做空的成本不一样 ,因此价格上升时通常伴随着较大的交易量 ,价格下降时 ,交

易量相对较小 ,从而造成了证券市场上的价格收益与交易量之间的正相关关系. 而期货市场是双向交易 ,

作多与做空的成本是一样的 ,因而在价格上升和下降过程总交易量是对称的 ,故期货价格收益与交易量之

间不存在相关关系. 文献[34 ]对期货价格收益的波动与交易量的关系 ,用日度数据做过的实证研究也表

明 ,期货价格收益与交易量不相关 ,而期货价格的绝对收益与交易量正相关. 我们用 1 分钟高频数据也可

得出绝对收益与交易量之间互为 Granger 原因. 这种因果关系只是定性的关系 ,为了定量分析其关系 ,度量

这种因果关系的大小和此关系是正向影响关系还是负向影响关系 ,我们建立 VAR 模型 ,并进行方差分解

和脉冲响应分析.

412 　方差分解

方差分解方法提供了一种描述系统动态变化的方法 ,其主要思想是 ,把系统中每个内生变量 (共 m

个)的波动按其成因分解为与各方程新信息相关联的 m 个组成部分 ,比较各部分的贡献度 ,从而了解各新

信息对模型内生变量的相对重要性. 随着滞后期的延长 ,新信息对各个变量的影响逐渐趋向平稳. 方差分

解方法可以定量地把握变量间的影响关系.

对各品种的 VAR 模型的方差分解结果如以下各表.

表 5 　铜 VAR 模型方差分解表

CUCUABSRT CUVOL CUDOI

CUABSRT CUVOL CUDOI CUABSRT CUVOL CUDOI CUABSRT CUVOL CUDOI

1 100. 0000 0. 0000 0. 0000 15. 9500 84. 0500 0. 0000 3. 9620 25. 2016 70. 8364

5 97. 5201 2. 3691 0. 1109 21. 5759 78. 3187 0. 1054 4. 8963 29. 2452 65. 8585

10 96. 5589 3. 1446 0. 2966 22. 4387 77. 3058 0. 2555 5. 3248 31. 0034 63. 6718

20 95. 7718 3. 8787 0. 3495 23. 1984 76. 4859 0. 3158 5. 6890 31. 7630 62. 5480

30 95. 6207 4. 0236 0. 3557 23. 3431 76. 3311 0. 3258 5. 7628 31. 8481 62. 3891

50 95. 5910 4. 0525 0. 3565 23. 3712 76. 3012 0. 3277 5. 7774 31. 8604 62. 3622

60 95. 5903 4. 0531 0. 3566 23. 3718 76. 3005 0. 3277 5. 7777 31. 8606 62. 3617

100 95. 5902 4. 0532 0. 3566 23. 3719 76. 3004 0. 3277 5. 7777 31. 8607 62. 3616

当以绝对价格波动作为被解释变量时 ,其自身的滞后阶数解释了大部分的残差扰动 ,约占 90 %～

97 % ,交易量解释了 3 %～6 %的残差扰动 ,持仓量对绝对价格波动解释力很小 ,一般解释程度不到 1 % ,说

明交易量对绝对价格波动还是有一定解释力的 ,持仓量变化对价格的影响很微弱. 变量解释基本稳定在第

30 期.

当以交易量作为被解释变量时 ,我们发现 ,交易量自身的滞后阶数解释了 70 %～85 %的残差扰动 , 价

格波动对交易量有比较强烈的影响 ,绝对价格波动解释了 15 %～30 %的残差扰动 ,持仓量对交易量的影


响比较微弱 ,解释程度不到 1 %. 变量解释基本稳定在第 30 期.

表 6 　橡胶 VAR 模型方差分解表

NRNRABSRT NRVOL NRDOI

NRABSRT NRVOL NRDOI NRABSRT NRVOL NRDOI NRABSRT NRVOL NRDOI

1 100. 0000 0. 0000 0. 0000 23. 2976 76. 7024 0. 0000 4. 4086 14. 7006 80. 8908

5 98. 4307 1. 5309 0. 0384 29. 9262 70. 0276 0. 0462 6. 2659 17. 8457 75. 8885

10 97. 7048 2. 1234 0. 1718 29. 8133 70. 0002 0. 1866 6. 7812 19. 0227 74. 1962

20 96. 8865 2. 9035 0. 2100 29. 5858 70. 0996 0. 3146 7. 1793 20. 0860 72. 7346

30 96. 6603 3. 1234 0. 2164 29. 4908 70. 1630 0. 3461 7. 2676 20. 3431 72. 3893

50 96. 5853 3. 1966 0. 2181 29. 4585 70. 1855 0. 3560 7. 2950 20. 4256 72. 2795

60 96. 5814 3. 2005 0. 2182 29. 4568 70. 1867 0. 3566 7. 2964 20. 4299 72. 2737

100 96. 5800 3. 2018 0. 2182 29. 4562 70. 1871 0. 3567 7. 2969 20. 4314 72. 2718

表 7 　大豆 VAR 模型方差分解表

SOY

SOYBEANABSRT SOYBEANVOL SOYBEANDOI

SOYBEAN

ABSRT

SOYBEAN

VOL

SOYBEAN

DOI

SOYBEAN

ABSRT

SOYBEAN

VOL

SOYBEAN

DOI

SOYBEAN

ABSRT

SOYBEAN

VOL

SOYBEAN

DOI

1 100. 0000 0. 0000 0. 0000 15. 2448 84. 7552 0. 0000 3. 8942 21. 8998 74. 2060

5 98. 8088 1. 1731 0. 0182 20. 6994 79. 2539 0. 0467 6. 1815 25. 9002 67. 9183

10 97. 5678 2. 3949 0. 0373 19. 8562 79. 9919 0. 1519 6. 7918 28. 7802 64. 4279

20 95. 8111 4. 1346 0. 0543 19. 1726 80. 5916 0. 2358 7. 2517 31. 5412 61. 2071

30 95. 0400 4. 8987 0. 0613 18. 8994 80. 8328 0. 2678 7. 3975 32. 5888 60. 0137

50 94. 6049 5. 3299 0. 0652 18. 7565 80. 9591 0. 2844 7. 4756 33. 1614 59. 3630

60 94. 5550 5. 3793 0. 0657 18. 7407 80. 9731 0. 2863 7. 4845 33. 2264 59. 2891

100 94. 5225 5. 4116 0. 0659 18. 7304 80. 9822 0. 2875 7. 4903 33. 2688 59. 2409

表 8 　玉米 VAR 模型方差分解表

Corn

CORNABSRT CORNVOL CORNDOI

CORN

ABSRT

CORN

VOL

CORN

DOI

CORN

ABSRT

CORN

VOL

CORN

DOI

CORN

ABSRT

CORN

VOLCORNDOI

1 100. 0000 0. 0000 0. 0000 9. 1916 90. 8084 0. 0000 3. 6958 39. 1948 57. 1094

5 99. 0130 0. 8932 0. 0937 11. 2808 88. 2803 0. 4389 4. 7572 42. 5426 52. 7002

10 97. 9561 1. 8903 0. 1536 11. 6048 87. 8323 0. 5629 5. 0924 44. 3375 50. 5701

20 97. 4487 2. 3844 0. 1669 11. 8044 87. 5669 0. 6287 5. 2961 45. 1160 49. 5879

30 97. 3786 2. 4530 0. 1685 11. 8315 87. 5308 0. 6377 5. 3251 45. 2197 49. 4552

50 97. 3677 2. 4636 0. 1687 11. 8356 87. 5252 0. 6391 5. 3296 45. 2357 49. 4347

60 97. 3675 2. 4638 0. 1687 11. 8357 87. 5252 0. 6391 5. 3297 45. 2360 49. 4343

100 97. 3675 2. 4638 0. 1687 11. 8357 87. 5251 0. 6391 5. 3297 45. 2360 49. 4343

表 9 　棉花 VAR 模型方差分解表

Cotton

COTTONABSRT COTTONVOL COTTONDOI

COTTON

ABSRT

COTTON

VOL

COTTON

DOI

COTTON

ABSRT

COTTON

VOL

COTTON

DOI

COTTON

ABSRT

COTTON

VOL

COTTON

DOI

1 100. 0000 0. 0000 0. 0000 12. 6174 87. 3826 0. 0000 5. 1093 38. 6818 56. 2090

5 97. 6847 2. 3123 0. 0030 16. 4841 83. 4826 0. 0333 7. 3349 43. 9848 48. 6803

10 96. 8996 3. 0963 0. 0041 16. 6361 83. 3255 0. 0384 7. 7462 45. 2146 47. 0392

20 96. 7585 3. 2372 0. 0043 16. 6547 83. 3058 0. 0395 7. 8073 45. 4250 46. 7677

30 96. 7553 3. 2404 0. 0043 16. 6551 83. 3054 0. 0395 7. 8087 45. 4297 46. 7617

50 96. 7552 3. 2404 0. 0043 16. 6551 83. 3054 0. 0395 7. 8087 45. 4298 46. 7615

60 96. 7552 3. 2404 0. 0043 16. 6551 83. 3054 0. 0395 7. 8087 45. 4298 46. 7615

100 96. 7552 3. 2404 0. 0043 16. 6551 83. 3054 0. 0395 7. 8087 45. 4298 46. 7615


表 10 　强麦 VAR 模型方差分解表

WSWSABSRT WSVOL WSDOI

WSABSRT WSVOL WSDOI WSABSRT WSVOL WSDOI WSABSRT WSVOL WSDOI

1 100. 0000 0. 0000 0. 0000 13. 9158 86. 0842 0. 0000 4. 3933 31. 1658 64. 4409

5 98. 6626 1. 2995 0. 0378 18. 7328 81. 1303 0. 1368 6. 7587 35. 5819 57. 6594

10 97. 1857 2. 7735 0. 0408 18. 1730 81. 6524 0. 1746 7. 1504 38. 5046 54. 3450

20 96. 4957 3. 4597 0. 0446 17. 9949 81. 8079 0. 1972 7. 3799 39. 7641 52. 8560

30 96. 3966 3. 5583 0. 0452 17. 9710 81. 8289 0. 2001 7. 4127 39. 9420 52. 6453

50 96. 3802 3. 5745 0. 0453 17. 9671 81. 8323 0. 2006 7. 4181 39. 9712 52. 6107

60 96. 3799 3. 5748 0. 0453 17. 9671 81. 8323 0. 2006 7. 4182 39. 9717 52. 6100

100 96. 3799 3. 5748 0. 0453 17. 9671 81. 8323 0. 2006 7. 4183 39. 9718 52. 6099

当以持仓量作为被解释变量时 ,我们发现 ,基本上持仓量自身的滞后阶数解释了 45 %～70 %的残差

扰动 , 交易量解释了 25 %～45 %的残差扰动. 绝对价格波动可以解释持仓量的 5 %～10 %的残差扰动. 变

量解释基本稳定在第 30 期.

方差分解图如下. 可以更直观形象看出各变量的解释力.

图 19 　铜 VAR模型方差分解图图 20 　橡胶 VAR模型方差分解图


图 21 　大豆 VAR模型方差分解图　

图 22 　玉米 VAR模型方差分解图　

综上 ,可以看出 ,尽管同时对外界新信息作出反应 ,但考虑其相互间关系时 ,三种情况下 ,变量解释都

基本稳定在第 30 期左右. 说明对于新信息的反应 ,基本上 30 分钟后会逐渐消失. 这也与前文收益率、交易

量在开盘时比较大 ,30 分钟后基本变为平稳的波动相吻合. 同时 ,价格波动对交易量的影响大于交易量对

价格波动的影响. 持仓量对交易量的影响很小 ,但交易量对持仓量的影响很大 ,约占 40 %.

413 　脉冲响应分析

脉冲响应函数表示系统对每个变量的单位冲击所产生的反应. 它具体刻画了在扰动项上增加一个数

值等于标准差的冲击对于各变量当前值和未来值的影响. 对一模型中某一个变量增加一个冲击 ,将直接影

响这个变量 ,并且通过 VAR 模型的动态结构传导给其他变量.

总体上看 ,本文中六个品种的脉冲响应函数结果还是比较类似的 ,只是幅度略有不同 :

绝对价格波动对于其自身一个标准差新息的到达 ,即期立刻有了较强烈的反应 ,波动性大幅增加 ,之

后迅速减弱 ,第 2 期就衰减到 1Π8 左右 ,然后开始缓慢衰减 ,到 15 期左右衰减为 0. 该序列对来自其它方程

的新息在第一期都没有反应 ,其中 ,来自交易量一个标准差新息的影响在第 2 期比较明显 ,且达到最大 ,是


正向的反应 ,然后缓慢衰减 ,到第 15 期后趋于 0. 来自持仓量一个标准差新息的影响一直很微小 ,基本都

在 0 附近 ,表明持仓量对价格波动影响微弱.

图 23 　棉花 VAR模型方差分解图　

图 24 　强麦 VAR模型方差分解图　

交易量对于其自身一个标准差新息的到达 ,即期立刻有了较强烈的正向的反应 ,交易量大幅增加 ,之

后迅速减弱 ,第 2 期就衰减到 1Π2 左右 ,然后开始缓慢衰减 ,持续时间较长 ,超过 20 期. 该序列对来自绝对

价格波动的一个标准差新息的影响在即期也有正向的反应 ,且达到最大 ,之后迅速减弱 ,第 6 期后开始缓

慢衰减 ,到第 20 期后影响基本消失. 该序列对来自持仓量一个标准差新息的反应一直很微小 ,且即期没有

反应 ,随后 ,基本都在 0 附近 ,这表明持仓量对交易量的影响微小.

持仓量对于其自身一个标准差新息的到达 ,即期立刻有非常强烈的正向的反应 ,持仓量差大幅增加 ,

之后迅速减弱 ,第 2 期就衰减到 1Π10 左右 ,然后再缓慢衰减 ,第 10 期后基本趋于 0. 该序列对来自绝对价

格波动的一个标准差新息的影响在即期就有正向的反应 ,且达到最大 ,然后开始迅速减弱 ,第 4 期后开始

缓慢衰减 ,到第 16 期后影响基本消失. 该序列对来自交易量一个标准差新息的反应即期也有正向的反应 ,

之后迅速衰减 ,第 5 期后开始缓慢下降 ,但仍大于持仓量对自身的反应 ,到第 20 期影响基本消失. 这与前

文 Granger 因果检验的结果中交易量对持仓量的影响显著相吻合.


图 25 　铜 VAR模型脉冲响应图　

图 26 　橡胶 VAR模型脉冲响应图　

从脉冲响应图也可以看出 ,我国期货市场信息传播基本是符合文献[28 ]提出的连续信息到达假设的.

市场信息是分步向外传播的 ,不对称信息对交易量和波动性有较持续的影响 ,绝对价格波动和交易量可以

作为新信息到达的不同表现形式 ,存在着共同变化的趋势 ,同时二者相互作用 ,给他反映了市场的新信息.

大的交易量伴随大的绝对价格波动. 成交量的信息有助于对价格波动的预测.

5 　结论本文运用 1 分钟高频数据对我国三个市场、六个品种的商品期货的收益率、交易量和价格久期、交易

量久期、持仓量久期的日内变动模式进行研究 ,从而得出了以下结论 :

1)日内绝对收益率的“L”型变化模式以及交易量的“L”型变化模式. 这是由于交易机制造成的无交易

时间的累积信息的释放和交易者心理、对市场的预期所造成的. 同时也说明市场的日内特征及变化模式并

不是以做市商为基础的报价驱动的市场的唯一行为特征. 我国的指令驱动自动撮合系统也有其自身的日


内特征及变化模式. 研究结果丰富了市场微观结构理论.

图 27 　大豆 VAR模型脉冲响应图　

图 28 　玉米 VAR模型脉冲响应图　

2)早开盘时的高波动性是由于在这段无交易时间内积蓄的信息积累、释放的结果 ,而不是由集合竞价

这种开盘机制导致的开盘时价格高波动性.

3)对于期货市场 ,绝对价格波动、交易量和持仓量差 ,两两之间存在双向 Granger 因果关系. 这与股市

的交易量是绝对收益率的 Granger 原因 ,但绝对收益率不是交易量的 Granger 原因的结论不一样 ,原因在于

期货市场的做空机制.

4)实证分析了绝对价格波动、交易量、持仓量三者之间的动态关系. 当以绝对价格波动作为被解释变

量时 ,交易量可以解释其 10 %左右的残差扰动 ,持仓量对绝对价格波动的影响很微小. 当以交易量作为被

解释变量时 ,绝对价格波动可以解释 20 %左右的残差扰动 , 持仓量对交易量的影响很微小. 当以持仓量作

为被解释变量时 ,交易量可以解释 25 %～45 %的残差扰动 , 而绝对价格波动对持仓量的影响在 5 %～

10 %. 变量解释都基本稳定在 20～30 分钟后.


图 29 　棉花 VAR模型脉冲响应图　

图 30 　强麦 VAR模型脉冲响应图　

5)绝对价格波动与交易量有较强的互动影响 ,且为正向影响关系. 成交量的信息有助于对价格波动的

预测. 我国期货市场信息传播基本是符合连续信息到达假设的.

我们的结论是在新兴的指令驱动自动撮合市场微观结构下的中国市场得到的 ,中国作为新兴市场 ,其

市场微观结构与国外成熟市场如纽约、芝加哥和纳斯达克市场等作市商制度为主的报价驱动金融市场的

相比 ,有一定的相似性 ,如开盘时高价格波动性 ,也必然有其不同之处 ,有其独有的特征 ,如收盘时并没有

出现高价格波动性和大额交易. 而且由于期货交易的盯市制度、保证金制度及信息来源的不同 ,使得期货

的日内交易特征也区别于股票市场.

由于交易量的变动对价格波动有一定影响 ,所以投资者在对期货价格走势分析预测时 ,不仅要考虑价

格的变动 ,也要考虑交易量的变动 ,以提高对期货行情的把握能力和对市场时机的把握. 也可以利用对收

益波动的预测来进行风险管理.


参考文献 :

[ 1 ] 　Admati A ,Peleiderer P. A theory of intradaily patterns : Value and price variability[J ] . The Review of Financial Studies , 1988 , 1 :

3 - 40.

[ 2 ] 　Brock W A , Kleidon A W. Periodic market closure and trading volume[J ] . Journal of Economic Dynamic and Control , 1992 , 16 :

451 - 489.

[ 3 ] 　Hedvall K. Trade concentration hypotheses : An empirical test of information vs demand models on the Helsinki stock exchange[J ] .

Journal of International Financial Markets Institutions and Money , 1995 , 5 : 135 - 163.

[ 4 ] 　Andersen T , Bollerslev T. Intraday periodicity and volatility persistence in financial markets[J ] . Journal of Empirical Finance ,

1997 , 4 : 115 - 158.

[ 5 ] 　Andersen T , Bollerslev T , Diebold F , et al. The distribution of realized exchange rate volatility [J ] . Journal of the American

Statistical Association , 2001 , 96 : 42 - 55.

[ 6 ] 　Hasbrouck J . Trading fast and slow : Security market events in real time[ R] . Stern School of Business , 1999.

[ 7 ] 　Ding D K, Lau S T. An analysis of transactions data for the stock exchange of Singapore : pattern , absolute price change , trade size

and number of transactions[J ] . Journal of Business Financial and Accounting , 2001 , 28 : 151 - 174.

[ 8 ] 　Rahman S , Lee C F , Aug K P. Intraday return volatility process : Evidence from NASDAQ stocks [J ] . Review of Quantitative

Finance and Accounting , 2002 , 19 : 155 - 180.

[ 9 ] 　Andersen T , Bollerslev T , Cai J . Intraday and interday volatility in the Japanese stock market[J ] . Journal of International Markets ,

2000 , 10 : 107 - 130.

[ 10 ] 　Wood R , Mginish T , Reith J . An investigation of transactions data for NYSE stocks[J ] . Journal of Finance , 1985 , 40 : 723 - 739.

[11 ] 　Harris L. A transaction data study of weekly and intraday patterns of stock returns[J ] . Journal of Finance , 1986 , 14 : 99 - 107.

[12 ] 　Jain P ,John G. The dependence between hourly prices and trading value[J ] , Journal of Finance , 1988 , 23 : 269 - 283.

[13 ] 　Mcinish T , Wood R. A transaction data analysis of the variability of common stock during 1980 - 1984[J ] . Journal of Banking and

Finance , 1990 , 14 : 99 - 112.

[14 ] 　Mcinish T , Wood R. Hourly returns , volume , trade size and number of trades[J ] . Journal of Finance , 1991 , 14 : 303 - 315.

[15 ] 　Mcinish T , Wood R. An analysis of intradaily patterns in bidΠask spreads of NYSE stocks[J ] . Journal of Finance , 1992 , 47 : 753

- 764.

[16 ] 　Engle R F , Russell J R. Forecasting the frequency of changes in quoted foreign exchange prices with the autoregressive conditional

duration model[J ] . Journal of Empirical Finance , 1997 , 4 : 187 - 212.

[17 ] 　Engle R F , Russell J R. Autoregressive conditional duration : A new model for irregularly spaced transaction data [ J ] .

Econometrica , 1998 , 5 : 1127 - 1162.

[18 ] 　Andersen T , Bellerslev T. Intraday seasonality and volatility persistence in foreign exchange and equity markets [ R ] . Working

Papers , NU , 1994.

[19 ] 　Andersen T , Bellerslev T. Intraday seasonality and volatility persistence in financial markets[ R ] . Presentation Papers , Zurich ,

1995.

[20 ] 　Andersen T , Bollerslev T. Answering the skeptics : Yes , standard volatility models to provide accurate forecasts[J ] . International

Economic Review , 1998 , 39 : 885 - 905.

[21 ] 　刘力 , 刘春旭 , 李维刚 , 等. 沪深股市 A 股日内价格与交易量变动模式的实证研究[J ] . 经济科学 , 2000 , 1 : 52 - 65.

Liu L , Liu C X , Li W G,et al. Empirical study of intraday price and volume movement pattern of a share in Shenzhen and Shanghai

stock markets[J ] . Economical Science , 2000 , 1 : 52 - 65.

[22 ] 　郭兴义 , 杜本峰. (超)高频数据分析与建模[J ] . 统计研究 , 2002 , 11 : 28 - 31.

Guo X Y, Du B F. (Ultra) High frequency data analysis and modeling[J ] . Statistical Research , 2002 ,11 : 28 - 31.

[23 ] 　房振明 , 王春峰. 上海股票市场市场收益日内效应的研究[J ] . 北京理工大学学报 , 2004 , 6 : 38 - 41.

Fang Z M , Wang C F. Intraday effects study of a share in Shanghai stock market [J ] . Journal of Beijing Institute of Technology

(Natural Science Edition) , 2004 , 6 : 38 - 41.

[24 ] 　屈文洲 , 吴世农. 中国股票市场微观结构的特征分析[J ] . 经济研究 , 2002 , 1 : 56 - 63.

Qu W Z , Wu S N. The characters of the microstructure of Chinese stock market[J ] . Economical Research , 2002 , 1 : 56 - 63.

[25 ] 　杨之曙 , 李子奈. 上海股市日内流动性2深度变化实证研究[J ] . 金融研究 , 2003 , 6 : 25 - 37.

Yang Z S , Li Z N. Intraday liquidity of Shanghai stock market : The movement of depth[J ] . Financial Research , 2003 , 6 : 25 -


37.

[26 ] 　王远志 , 李晔 , 刘卉. 上海期铜日内交易特征的实证研究[J ] . 天津工业大学学报 , 2005 , 24(2) : 76 - 80.

Wang Y Z , Li Y, Liu H. Empirical study of the intraday trading pattern of copper futures in Shanghai commodity exchange [J ] .

Journal of Tianjin Polytechnic University , 2005 , 24(2) : 76 - 80.

[27 ] 　Amihud Y, Mendelson H. Asset pricing and the bid - ask spread[J ] . Journal of Financial Economics , 1986 , 17 : 223 - 249.

[28 ] 　Easley D ,O’Hara M. Time and the process of security price adjustment[J ] . Journal of Finance , 1992 , 47 : 577 - 605.

[29 ] 　Copeland T E. A model of asset trading under the assumption of sequential information arrival[J ] . Journal of Finance , 1976 , 31 :

1149 - 1168.

[30 ] 　Clark P K. A subordinated stochastic process model with finite variance for speculative prices[J ] . Econometrica , 1973 , 41 : 135 -

155.

[31 ] 　Tauchen G E , Pitts M. The price variability volume relationship on speculative markets[J ] . Econometrica , 1983 , 51 : 485 - 505.

[32 ] 　Westerfield R. The distribution of common stock prices changes : An application of transactions time and subordinated stochastic

models[J ] . Journal of Financial and Quantitative Analysis , 1977 , 12 : 743 - 765.

[33 ] 　Karpoff J M. The relation between price changes and trading volume : A survey[J ] . Journal of Financial and Quantitative Analysis ,

1987 , 22 : 109 - 126.

[34 ] 　Mccarthy J , Najand M. State space modeling of price and volume dependence : evidence from currency futures[J ] . The Journal of

Futures Markets , 1993 ,13 : 335 - 344.

[35 ] 　华仁海 , 仲伟俊. 我国期货市场期货价格收益、交易量、波动性关系的动态分析[J ] . 统计研究 , 2003 , 7 : 23 - 30.

Hua R H , Zhong W J . Dynamic relation between returns , volume , and volatility of Chinese futures markets [J ] . Statistical

Research , 2003 , 7 : 23 - 30.

(上接第 54 页)

[ 17 ] 　Luo B , Sun L , Mweene R. The evolvement and relevant factors of price discovery : A case study of cross2listed stocks in China[J ] .

Expert Systems with Applications , 2005 , 29(2) : 463 - 471.

[18 ] 　Anthony H , Wen2Chuan Yen , Yong Zeng. The information asymmetry of A and B shares in China : Which one dominates the

market ? [ R] . 2006 , Working Paper.

[19 ] 　Stock J H , Watson M W. Testing for common trends[J ] . Journal of the American Statistical Association , 1988 , 83(404) : 1097 -

1107.

[20 ] 　Engle R F , Granger C. Co2integration and error correction : Representation , estimation and testing[J ] . Econometrica , 1987 , 55

(2) : 251 - 276.

[21 ] 　Johansen S. Estimation and hypothesis testing of cointegration vectors in gaussian vector autoregressive models[J ] . Econometrica ,

1991 , 59(6) : 1551 - 1580.

[22 ] 　Dickey D A , Fuller W A. Likelihood ratio statistics for autoregressive time series with a unit root[J ] . Econometrica , 1981 , 49(4) :

1057 - 1072.

[23 ] 　Johansen S , Juselius K. Maximum likelihood estimation and inference on cointegration2with application to the demand for money

[J ] . Oxford Bulletin of Economics and Statistics , 1990 , 52(2) : 169 - 210.

[24 ] 　杨开颜. 我国 B 股价值回归趋势研究[J ] . 上海金融学院学报 , 2006 , 73(1) : 41 - 46.

Yang K Y. The regression trend research on Chinese B2share value[J ] . Journal of Shanghai Finance University , 2006 , 73(1) : 41

- 46.


中国期货市场日内效应分析

Economy & Finance

shanghai stock

futures market

graduate university

empirical

intraday seasonality

nyse stocks

intradaily

absolute yield