《波羅的海干散貨運價指數(shù)與船價格的關系實證分析》19000字

波羅的海干散貨運價指數(shù)與船價格的關系實證分析目錄1緒論 [10]運用滬深300指數(shù)與其期貨合約進行實例分析，目的在于研究股指期貨與現(xiàn)貨指數(shù)兩者之間的領先滯后關系。具體運用基于VAR的Granger關系因果檢驗，由于數(shù)據(jù)需要保證性，數(shù)據(jù)在此之前還運用了對數(shù)差分的手法。最終得出了滬深300股指價格領先現(xiàn)貨指數(shù)0到5分鐘。這類關于領先滯后關系的文獻，大多都采用面板數(shù)據(jù)分析的手法，核心是采用Granger因果檢驗這一點是相通的。差異點在于，有些學者運用取對數(shù)差分的方式使得原本不平穩(wěn)的數(shù)據(jù)變得平穩(wěn)，也有學者是通過先進行協(xié)整檢驗來驗證其長期相關性，若不在，則沒有研究的必要。若存在長期相關性，則運用誤差修正模型，即運用VECM（向量誤差修正模型），本質(zhì)上某一種形式的VAR模型。在已有的文獻中可以很明顯的發(fā)現(xiàn)，航運市場的運價和二手船價格，新船價格都是不平穩(wěn)的時間序列，因此對時間序列進行建模前的平穩(wěn)性檢驗，十分有必要。有的還運用兩種額外的分析，其一，脈沖響應分析用來驗證兩者存在影響關系時候的正負影響。其二，方差分析，可以更加具體化某個變量對結果的影響程度。1.2.3小結現(xiàn)有文獻關于領先滯后關系及相關的VAR、VECM模型大多應用在股票，金融領域，僅僅少數(shù)人將其運用于二手船和新建船領先滯后關系，運費與新建船領先滯后關系等，尚未有學者就運費與二手船領先滯后關系研究。在波羅的海干散貨運價領域大多以影響因素，波動性，周期性和指數(shù)預測來分析干散貨運價指數(shù)，但是航運領域就運費與二手船之間的領先滯后關系這塊仍是空白，本文通過單位根檢驗后、協(xié)整檢驗后分別建立VAR和VECM模型加上Granger因果關系檢驗分析比較三種不同運價指數(shù)與兩類船齡二手船價格的領先滯后分析。1.3研究內(nèi)容和研究方法1.3.1研究內(nèi)容本文總共分為五個章節(jié)。第一章為緒論，首先介紹了研究背景和意義，闡明了研究的目的性，以及本文研究潛在的價值。然后是通過總結國內(nèi)外學者對于干散貨運價的相關研究找出不足點和研究點，簡述了本文提出創(chuàng)新點和研究思路的過程。最后對本文的主要內(nèi)容進行概況，以及后續(xù)模型的建立和實驗方法進行介紹。第二章主要通過按照供給與需求側對國際干散貨運輸市場進行概述，同時對國際干散貨運價指數(shù)作出介紹。第三章主要介紹本文所涉及到的模型和檢驗，對它們的原理進行了簡單的闡述。第四章運用EViews10完成實驗，同時將整個實驗過程進行描述，并實時建立模型，為一步實驗提供基礎。第五章是總結、歸納不足點和展望，總結整個實驗過程，并把實驗結果與實際市場相結合分析，并指出實驗中可能不足的地方。最后對未來后續(xù)研究提出展望。1.3.2本文研究方法本文針對不同船型、不同船齡的船型分為了三大組六小類。分別是海峽型船組，巴拿馬型船組和超靈便型船組。對應載重量是順序依次減小，我們把它們看作為大、中、小三者船型。六類是指，按船齡對這三組船型再繼續(xù)分類的結果。每種船型分為十年船齡二手船和五年二手船。例如第一組，我們非為了十年船齡海峽型二手船以及五年船齡海峽型二手船。對于研究的方法我們運用了時間序列分析的手法，逐步推進，最終實現(xiàn)檢驗各船型運價和對應不同船齡之間的因果檢驗，以分析它們的領先滯后關系。為了尋找各類船型的運價與二手船價格的領先滯后的關系，本文主要根據(jù)具體時間序列的情形，來判斷是運用VAR模型(VectorAuto-Regressive，向量自回歸模型）的Granger因果關系檢驗，還是運用基于VECM（(VectorErrorCorrectionModel，向量誤差修正模型）的Granger因果關系檢驗。判別使用上述兩類的何種研究方法主要依據(jù)是時間序列的平穩(wěn)性。在以往文獻中我們發(fā)現(xiàn)，運價指數(shù)和二手船價格的時間序列經(jīng)過對數(shù)處理后，即可能存在平穩(wěn)時間序列，也可能存在非平穩(wěn)時間序列。因此為了避免偽回歸現(xiàn)象，本文首先運ADF單位根檢驗，對數(shù)據(jù)進行單位根檢驗。當存在單位根時候，我們認為時間序列是是非平穩(wěn)的。那么當時間序列平穩(wěn)時候我們就可以直接基于VAR模型進行Granger因果關系檢驗。在面對非平穩(wěn)時間序列時候，在VAR框架下的因果檢驗就失去了原本的準確性。針對這種情況，我們可以利用協(xié)整檢驗。存在協(xié)整時，研究就基于VECM模型進行的Granger因果關系檢驗繼續(xù)推進。要是如果這兩組非平穩(wěn)序列連長期均衡關系都沒，那么我們只能通過一階差分。這時候這兩組非平穩(wěn)時間序列都是一階差分平穩(wěn)，也就是I（1）的情形，那么我們可以利用它們一階差分后的序列建立VAR模型來進行進行Granger因果關系檢驗。通常認為一階差分后的因果檢驗精準度遠不如進VECM模型進行的Granger因果關系檢驗，所有盡管可以進行一階差分后進行對變量進行建立VAR模型并進行Granger因果關系檢驗，但當變量協(xié)整時候，我們還是優(yōu)先建立VECM，其原理的本質(zhì)上是對時間序列的短期波動進行均衡回復，再然后進行Granger因果關系檢驗。下面的圖1.1就已經(jīng)將整個研究研究流程清晰得概括下來。數(shù)據(jù)輸入數(shù)據(jù)輸入ADF檢驗建立VECM模型對數(shù)化處理Granger因果關系檢驗Johansen協(xié)整檢驗建立VAR模型結束平穩(wěn)非平穩(wěn)協(xié)整非協(xié)整圖1.1研究流程2國際干散貨運輸市場與BDI指數(shù)概述2.1國際干散貨運輸市場概述國際航運市場,狹義而言是國際貿(mào)易中的對航運需求者以及能夠提供航運服務的供給者，兩者進行商業(yè)活動的地方，地址一般在當?shù)氐暮竭\交易所。廣義上來說，組成自國際航運的對象、主體和載體。在本文研究的國際干散貨運輸市場而言也是如此。一般的對象，是在國際干散貨市場中交易所需運輸?shù)呢浳?。主體是由托運人和承運人構成。而載體是航運交易所。根據(jù)波羅的海航運交易所，在制定運價指數(shù)時對船舶大小的劃分。我們可以將干散貨船舶可以按照載重大小依次分為：海峽型船（Capesize）、巴拿馬型船（Panamax）、超靈便型船（Supramax）、靈便型船（Handysize）。本文涉及的二手船市場其實是作為干散貨船舶的一個分支所構成，鑒于其對受到運價和其對運價的潛在影響力，所以才選擇其作為研究對象。干散貨船舶的市場組成還包括了新造船市場、拆穿市場、租船市場和船員勞務市場。國際干散貨中，有三個主要的貨種，分別為鐵礦石、煤炭和糧食，這三種貨物就已經(jīng)占到全部貨物約百分之六十。根據(jù)各國的貿(mào)易稟賦，一般貿(mào)易路線都是相對固定的。下面表1.2描述了其主要流向。表1.2三大貨種的流向貨種進口國出口國鐵礦石中、日、韓、歐盟瑞典、南非、澳大利亞、巴西、加拿大煤炭中、日、韓、歐盟、印度印尼、美國、澳大利亞、哥倫比亞、南非、加拿大谷物俄羅斯、中、日、韓、中東、北非歐盟、阿根廷、美國、澳大利亞、加拿大從國際干散貨運輸市場的需求側來看，可以概括為四個特點：運輸需求的多樣性，運輸需求的規(guī)律性，需求的不平衡性以及派生性。運輸需求的多樣性在于對于不同的貨物對于運輸?shù)囊蟮牟煌?。時效性、特殊性、貨種不同等，在提供運輸服務時，承運人需要提前發(fā)掘國際干散貨市場需求的變化，并使自身能夠應對不同的需求；運輸需求的規(guī)律性代表，國際干散貨市場其實與國際經(jīng)貿(mào)息息相關，作為一種衍生需求。與國際經(jīng)貿(mào)的活躍性保持一致。只是可能存在一些滯后，這代表，當國際貿(mào)易處于繁榮狀態(tài)時候，國際干散貨運輸市場必定也在高峰期；需求的不平衡性在于方向和對象的不平衡，由于各個進出口國的貿(mào)易稟賦不同，因此在運輸中必定存在運量的不平衡，這往往體現(xiàn)在方向和季節(jié)上。所謂派生性是指，國際干散貨運輸是建立于國際貿(mào)易的需求之上的。簡言之，沒有國際貿(mào)易活動就不存在國際干散貨運輸。從國際干散貨運輸市場的供給側來看，也可概況為三個特點：供給在時間和空間的差異性、不可存儲性、不平衡性。供給在時間和空間的差異性，因為很多情況下，船舶進行運輸活動和船舶接收貨物，并不是一個無縫銜接的過程。有時，船舶已在港就緒，貨物卻還在運輸途中，也有時貨物在港口等待，而船舶缺仍在上一航次的運輸途中。這就造成了由供給在時間和空間的差異性帶來的運力的損失；不可存儲性是指，運輸不同于其他商品，消費是在生產(chǎn)過程中同時發(fā)生的。因此無法將多余的運力儲存起來，而當需求旺盛時，只能通過調(diào)整運力來應對；所謂的不平衡性主要體現(xiàn)首先在供給和需求之間。其次表現(xiàn)在淡季和旺季的不平衡，往往旺季表現(xiàn)出需求的旺盛，運力顯得不夠。而在淡季，需求又不足，運力大大過剩。最后在于不同航線的不平衡，在需求旺盛的航線，運力充沛，反之較少。2.2國際干散貨運價指數(shù)的概述國際干散貨運價指數(shù)其實是指某個時間段的市場運價水平，與預先的基準時間點的運價水平之間的比值所定義的。通過這個比值，可以讓市場參與者清楚得了解供需關系以及運費水平在某段時間的動態(tài)變換。在國際干散貨運價指數(shù)中，最為權威是1985年由英國波羅的海交易所所制定的BFI指數(shù)（BalticFreightIndex）。對11條基礎國際干散貨運輸航線上的運價就其對于經(jīng)濟和國際干散貨交易的重要性進行加權，并求和，得到基礎點數(shù)1000點得到最初的BFI指數(shù)。并于1999年的11月份開始，用BDI指數(shù)取而代之，被稱作國際干散貨市場的“晴雨表”，這也是由于其更為全面得反應了國際干散貨運輸市場的波動情況。BDI的構成主要是由BCI(BalticCapesizeIndex,波羅的海海峽型船運價指數(shù))、BPI(BalticPanamaxIndex,波羅的海巴拿馬型船運價指數(shù))、BSI（BalticSupramaxIndex,波羅的海超靈便型船運價指數(shù)）三個指數(shù)分別以4：3：3的比例構成。除此之外還有BHSI（BalticHandysizeIndex，波羅的海靈便型運價指數(shù)）。2.2.1波羅的海海峽型船運價指數(shù)在描述海峽型船運輸服務時，我們采用波羅的海海峽型船運價指數(shù)，描述的主要是載重噸（DWT）一般在130,000–210,000噸之間船舶的運價指數(shù)。海峽型船在歷史上一直受其大小的限制而無法通過世界上只要運河，從而迫使船只通過好望角航行，因此被稱為“海岬型”。在本文三種指數(shù)中，描述的是最大型船只的運價水平。其英文縮寫為BCI,本文進行了對數(shù)化處理，因此選取變量為lnBCI。2.2.2波羅的海巴拿馬型船運價指數(shù)在描述巴拿馬型船運輸服務時，我們采用波羅的海巴拿馬型船運價指數(shù)，描述的主要是載重噸（DWT）一般在65000-80000噸之間。巴拿馬型船以其船身剛好能提供巴拿馬運河而得名“巴拿馬型”。其英文縮寫為BPI,本文進行了對數(shù)化處理，因此選取變量為lnBPI。2.2.3波羅的海超靈便型船運價指數(shù)在描述超靈便型船運輸服務時，我們采用波羅的海超靈便型型船運價指數(shù)，描述的主要是載重噸（DWT）一般在52,000-60,000噸之間。其英文縮寫為BSI,本文進行了對數(shù)化處理，因此選取變量為lnBSI。3模型介紹3.1變量選取在針對不同船型和不同船齡的船進行分析，我們選取三種船型以及他們五年船齡和十年船齡的價格。本文同時進行了對數(shù)化處理，最終選取6個變量：lnPC10、lnPC5、lnPP10、lnPP5、lnPS10、lnPS5。這6個變量命名方式類似，例如lnPC10解釋為，十年船齡的二手海峽型船價格的對數(shù)處理化變量。結合上章給出的指數(shù)的，我們將所涉及到的所有變量對數(shù)化前的形式極其解釋由下表3.1闡述。表3.1變量名解釋變量含義變量含義BCI波羅的海海峽型船運價指數(shù)PP5五年船齡的二手巴拿馬型船價格PC10十年船齡的二手海峽型船價格BSI波羅的海超靈便型船運價指數(shù)PC5五年船齡的二手海峽型船價格PS10十年船齡的二手超靈便型型船價格BPI波羅的海巴拿馬型船運價指數(shù)PS5五年船齡的二手超靈便型型船價格PP10十年船齡的二手巴拿馬型船價格下節(jié)中每次實驗結束后，會以表格的形式，把各個變量和對應的解釋表述清楚，便于呈現(xiàn)出結果。3.2單位根檢驗因為我們大多數(shù)情況下對其真實的數(shù)據(jù)產(chǎn)生過程不甚了解，所以當我們要分析多組時間序列的之前，卻不可避免需要對時間序列進行判斷：是平穩(wěn)還是非平穩(wěn)過程，是單位根過程還是趨勢平穩(wěn)過程。這樣，我們在建立模型時候才會做出準確決策。平穩(wěn)通常分為嚴平穩(wěn)和弱平穩(wěn)。其中嚴平穩(wěn)亦稱強平穩(wěn)，簡單來說嚴平穩(wěn)描述的是其所有統(tǒng)計性質(zhì)都不會因為時間的改變而改變的時間序列?？梢娺@條件相當苛刻，因此一般來說我們所涉及均是弱平穩(wěn)，即為一階矩和二階矩不隨著時間改變而變化的時間序列。在本文所涉及的平穩(wěn)也都為弱平穩(wěn)。單位根檢驗是檢驗時間序列是否平穩(wěn)的一個常見方式。我們把時間序列是否存在單位根的檢驗統(tǒng)一稱之為單位根檢驗。作為單位根檢驗的經(jīng)典方法，DF檢驗最初由Dickey，F(xiàn)uller共同提出的用以檢驗時間序列是否存在單位根的方法。在DF的檢驗條件下，考慮情形為一階滯后自相關的情形，然而在我們實際的研究中過于理想化，顯然是不可能的，我們往往要考量高階滯后的相關性。所以我們對DF檢驗進行必要性的擴展。本文中的關于運價指數(shù)與二手船價格的單位根檢驗就是針對高階自回歸的單位根檢驗，即ADF檢驗（AugmentedDickey-Fuller，增廣DF檢驗）。我們以不含截距項和趨勢項的式（3.2）為例： yt=α1yt?1對原式等兩邊一起減去yt?1,再經(jīng)過化簡得到公式（3.3 ?yt=γy其中，γ=α1+α2+…+αp這樣我們發(fā)現(xiàn)單位根的檢驗，就轉(zhuǎn)化為了檢驗γ=0，即α1+α2+…+αp=1。這其實又等價于線性差分方程原始公式（3所以我們可以得出結論，檢驗γ=0，變?yōu)榱丝疾鞎r間序列{yt}是否存在單位根的間接方法。因此ADF檢驗中，備擇假設H1:γ<0，原假 3.3VAR模型VAR（VectorAuto-Regressive）模型是最初由Sims提出來，旨在來研究多個變量之間的動態(tài)關系。建立VAR模型的主要側重點不在于對估計參數(shù)的解釋，側重在于利用脈沖響應分析和方差分解對變量之間的相互關系給出定量分析。在以研究運價指數(shù)與二手價格的領先滯后關系的背景下，參數(shù)的估計不為重點，因此本文將不涉及參數(shù)估計，主要是研究三組變量中不同類別內(nèi)部之間的相互關系為目的。下式(3.4)為n維p階VAR模型的標準形式。 Yt=A0+A1Yt其中Yt=（y1tAiyit是我們的變量；ai0是截距項；aij（k）為第i個方程中yj，t?k項對應的自回歸系數(shù)；每個eit都是獨立同分布的擾動項，一般情況下不同方程內(nèi)的eit和3.4Johansen協(xié)整檢驗和VECM模型何為協(xié)整關系？協(xié)整關系可以解釋為在眾多變量中，它們其中一組變量有著長期共同的某種變化趨勢，而這眾多的變量確實非平穩(wěn)時間序列。若某一段時間間隔內(nèi)這一組變量有保持線性關系的趨勢，此時我們就可以利用協(xié)整分析來發(fā)現(xiàn)這種趨勢。若是一組時間序列Y1,Y2…Yn是同階單整的（I(d)在多變量的協(xié)整檢驗中，Johansen協(xié)整檢驗是最為常用的。它最初是Johansen在1988年，和Juselius一同在1990年共同提出了一種基于向量自回歸模型的多重協(xié)整檢驗方法。一般我們可以稱其為Johansen檢驗或者JJ檢驗?；舅枷胧腔赩AR模型把一個求極大似然函數(shù)的問題化作一個求特征根和對應特征向量的問題。這里以n維p階滯后項的VAR模型為例： Yt=A1Yt?1式（3.5）的等號兩端同時減去Yt ?Yt=?Yt?1+A對式（3.6）的等號右端進行一連串的變形，同時令π=?（I?j=1 ?Yt=πYt?1+從這個過程我們看出，其本質(zhì)上的過程與ADF單位根檢驗極其相似。對于高階自回歸過程，檢驗n維向量[y1t,y2t…,ynt]'的序列之間協(xié)整關鍵點在于矩陣π的秩：如果對于任何一組I（1）（一階單整）變量，根據(jù)Granger定理可知，協(xié)整是與誤差修正模型是等價的。這也就意味著，當一組變量之間存在協(xié)整關系時候，必存在相應的VECM(Vectorerrorcorrectionmodel，向量誤差修正模型)與之對應。并且在這個向量誤差修正模型中包含了協(xié)整關系的具體表達形式。關于VECM模型，其實我們可以簡單理解為具有協(xié)整約束的VAR模型，例如以n維VAR模型相對應的向量誤差修正模型形式為例，其實其形式與式（3.6）一致，其中πYt?1為誤差修正項，值得注意的一點是，VECM的滯后階數(shù)是VAR滯后階數(shù)的小一階，例如當VAR模型滯后階數(shù)為p時，那么VECM在式中對于秩等于r的矩陣π而言，Johansen進一步定義了兩個n行r列的矩陣α和β，并且π=αβ'。這里α代表了由速度調(diào)整系數(shù)構成的矩陣， ?Yt=αβ'Y在具體某個向量中也可以將誤差修正項目表示為δ1ECTt?1，δ13.5Granger因果關系檢驗作為用來分析評價某個變量的歷史信息對另外某個變量當期的預測效果的一種檢驗，Granger因果關系檢驗通常是通過建立VAR模型或者VECM模型來進一步進行檢驗。這里我們以n維p階的VAR模型來進行舉例說明：y+a（3.9）y+以第一個向量為例，我們的檢驗假設是：{y2ta如果沒有通過檢驗，就說明拒絕{y2t}不為{y3.6本章小結本章主要描述了我們在后續(xù)建模過程中所要涉及到的一系列模型與檢驗的原理。通過初步了解原理，更能明白各個檢驗的統(tǒng)計意義，這樣我們在分析真實數(shù)據(jù)時能夠更清晰明了。本文所研究的領先滯后關系，簡明來說是即為討論其因果關系。它們是運價影響了二手船價格？或者是二手船價格影響了運價？還是說它們之間存在雙向因果關系，有著雙向因果關系。因此在Granger因果檢驗前后均是為該檢驗服務的，我們的最終目的是完成不同船齡、船型與其對應的運價之間的領先滯后關系，即為因果關系。其中VAR模型路線是最為直接的，但是卻對時間序列有著十分嚴格的要求，需要多組時間序列都滿足平穩(wěn)的要求，航運市場的價格波動往往會因為特殊時間大幅度波動，這就很難讓運價指數(shù)與二手船價格同時達到平穩(wěn)。因此本文采用了協(xié)整檢驗，去驗證它們是否有著長期的均衡關系，從而判斷是否有繼續(xù)研究下去的價值。到最后一步，則就是驗證它們的因果關系，也即本文的目的，尋求它們的領先滯后關系。4數(shù)據(jù)獲取和計算4.1數(shù)據(jù)獲取及預處理在評價國際干散貨運價水平時候，BDI(BalticDryFreightIndex，波羅的海干散貨運價指數(shù))作為最為常見的指數(shù)被學者廣泛使用。BDI的構成主要是由BCI、BPI、BSI（Baltic三個指數(shù)分別以4：3：3的比例構成。作為本文的研究對象的BCI,BPI,BSI指數(shù)主要來自于Clarkson（克拉克森）數(shù)據(jù)庫和東方財富網(wǎng)，同時，針對數(shù)據(jù)進行月度處理。主要是通過將每月的數(shù)據(jù)取平均值。最終選取了2017年4月7日到2020年12月25日，總共195期為觀察對象。我們可以很清楚得通過下面的圖4.1發(fā)現(xiàn)，三種船型的運價指數(shù)的波動有很獨特性：三種船型中海峽型船指數(shù)無論是絕對值還是波動幅度，都是三種船型中最顯著的。與之相對的，超靈便型指數(shù)畢竟絕對值最小。從而我們可以得到初步結論：船型越大，運價指數(shù)越大，波動性也越大。這也更加證實我們將BDI分解，再進行分別研究的正確性，BDI的籠統(tǒng)性，不利于我們繼續(xù)分析敏感的航運市場。圖4.1三種船型的運價指數(shù)二手船的的價格往往會因為船型大小的不同而不同，即使是同為海峽型船也會因為其載重噸而影響其價格，這導致在選取二手船時間序列時候較為麻煩。所以這里我們就采取三種船型中較為典型的一種船作為研究對象。并且為了考察不同年齡的二手船之間是否有顯著差別，對各類船型選取二手船價格時候分別選取五年和十年的二手船繼續(xù)分析。其中海峽型船，五年船齡和十年船齡，我們選取180000載重噸的；巴拿馬型船，十年船齡中我們選取82000載重噸的，五年船齡的我們選取76000載重噸的；超靈便型船，十年船齡中我們選取56000載重噸的，五年船齡的我們選取58000載重噸的。數(shù)據(jù)來源均來自Clarkson（克拉克森）數(shù)據(jù)庫。從下面的圖4.2可以得到初步的結論：船型越大，價格越高。同樣規(guī)格船型，船齡越小價格越高。同時各類船舶價格是具有協(xié)同性的。波動性存在，但是相較于運價指數(shù)卻起伏較小。圖4.2三種船型不同船齡二手船價格從圖4.1和圖4.2我們可以看出，兩者的波動情有很強的相似性，因此從圖中可以初步判斷，兩者絕對是存在一定的關聯(lián)性。同樣地，也可初步得到結論：同等船齡船型越大價格越高，同等船型船齡越小價格越高。由于兩類數(shù)據(jù)差值實在太大，可能兩者的長期均衡關系及因果不夠顯著。我們對數(shù)據(jù)可以先進行取對數(shù)處理，這樣更好研究運價指數(shù)與二手船價格之間的因果和長期均衡關系。本文實驗實現(xiàn)部分，均采用EViews10。4.2單位根檢驗為了檢驗BCI、BPI、BSI分別與之對應的船型不同船齡二手船之間的因果關系。為了驗證其時間序列的平穩(wěn)與否，我們首先要對其進行平穩(wěn)性檢驗。這是下一步建立對應模型，進行因果檢驗的先決條件。本文中在檢驗時間序列的平穩(wěn)性，均采用的是ADF檢驗（AugmentedDickey-Fuller，增廣DF檢驗），根據(jù)檢驗其單位根情況，進而判斷其平穩(wěn)性。檢驗結果見表4.3和表4.4。表4.3：對原序列的單位根檢驗變量ADF檢驗ADF統(tǒng)計量10%的臨界值5%的臨界值1%臨界值平穩(wěn)與否lnBCI-4.935066-3.141996-3.435858-4.011663平穩(wěn)lnPC10-2.975908-3.141649-3.435269-4.01044非平穩(wěn)lnPC5-3.192834-3.141649-3.435269-4.01044非平穩(wěn)lnBPI-2.665838-2.57543-2.877636-3.467205非平穩(wěn)lnPP10-2.811933-3.141649-3.435269-4.01044非平穩(wěn)lnPP5-3.095683-3.141649-3.435269-4.01044非平穩(wěn)lnBSI-3.827196-3.141649-3.141649-4.01044平穩(wěn)lnPS10-2.981252-4.01044-3.435269-4.01044非平穩(wěn)lnPS5-3.095683-3.141649-3.435269-4.01044非平穩(wěn)通過實驗結果，總結為表4.3，從結果我們可以得到，在一般默認的5%顯著水平下，lnBCI與lnBSI的ADF統(tǒng)計量均小于5%的臨界值，因此可以認為是平穩(wěn)時間序列。而lnPC10、lnPC5、lnBPI、lnPP10、lnPP5、lnPS10和lnPS5檢驗結果以同樣方法，檢驗結果卻是非平穩(wěn)時間序列。表4.4：對一階差分序列的單位根檢驗變量ADF單位根檢驗ADF統(tǒng)計量10%的臨界值5%的臨界值1%臨界值平穩(wěn)與否△lnBCI-12.23215-1.6154881.942666-2.57832平穩(wěn)△lnPC10-8.727673-1.615515-1.942624-2.578018平穩(wěn)△lnPC5-7.816933-1.615515-1.942624-2.578018平穩(wěn)△lnBPI-10.96462-1.615515-1.942624-2.578018平穩(wěn)△lnPP10-8.656703-1.615515-2.578018-2.578018平穩(wěn)△lnPP5-8.067012-1.615515-1.942624-2.578018平穩(wěn)△lnBSI-10.48167-1.615515-1.942624-2.578018平穩(wěn)△lnPS10-8.628204-2.578018-1.942624-2.578018平穩(wěn)△lnPS5-8.067012-1.615515-2.578018-2.578018平穩(wěn)同樣方法，我們將各時間序列進行一階差分，從表4.4結果可知所有一階差分后的時間序列均為平穩(wěn)，可由于lnBCI與lnBSI本身為平穩(wěn)時間序列，因此它們所在的實驗小組不能進行接下來做Johansen協(xié)整檢驗。但是這兩大組在進行一階差分后，又都為平穩(wěn)，因此可以利用差分后的時間序列建立VAR模型，繼續(xù)進行Granger因果關系檢驗。而lnBPI、lnPP10、lnPP5都是經(jīng)過一階差分后變化為平穩(wěn)。那么它們都可被認為是一階單整I（1），意味著他們可以繼續(xù)進行協(xié)整檢驗去驗證長期均衡關系。于此同時，因為海峽型船組和超巴拿馬型船組并不具備進行Johansen協(xié)整檢驗的條件。這里我們將它們都進行差分，同時建立VAR模型備用。下面的式（4.5）和（4.6）為海峽型船組，是一階差分后的波羅的海海峽型運價指數(shù)分別和十年、五年船齡海峽型二手船價格的時間序列的VAR模型。?（4.5）??（4.6）?下面的式（4.7）和（4.8）為海峽型船組，是一階差分后的波羅的海超靈便型運價指數(shù)分別和十年、五年船齡超靈便型二手船價格的時間序列的VAR模型。?（4.7）??（4.8）?式中?lnBCIt、?lnPC10t、?lnPC5t、?4.3模型建立在我們上一章的檢驗結果中，我們可以發(fā)現(xiàn)lnBSI與lnBCI的時間序列為平穩(wěn)時間序列，就不存在協(xié)整檢驗這一步。而lnBPI這一組我們發(fā)現(xiàn)，lnBPI、lnPP10、lnPP5均為非平穩(wěn)的時間序列。但是進一步差分后我們發(fā)現(xiàn)，△lnBPI、△lnPP10、△lnPP5都變?yōu)榱似椒€(wěn)時間序列。鑒于它們的一階差分時間均是平穩(wěn)的序列，即一階單整。那么我們可以通過對lnBSI與lnPP10、lnPP5做兩組協(xié)整檢驗。為了避免偽回歸現(xiàn)象，我們需要去驗證它們是否存在長期的均衡關系。下面式（4.9）和式（4.10）分別展示了lnBPI分別與lnPP10、lnPP5之間的協(xié)整關系：?lnBPI（4.9）?lnPP10?lnBPI（4.10）?lnPP5式（4.9）和（4.10）中的?lnBPIt、?lnPP10t、?lnPP5t分別代表一階差分后的巴拿馬型船運價指數(shù)、十年船齡和五年船齡的二手船價格。c1和c可以看出，這其實還是一個VECM。因為從本質(zhì)上VECM是一個帶有協(xié)整約束的VAR模型。ECTt?1包含了來自時間序列之間的長期關系的信息。這是由Johansen協(xié)整檢驗所帶來的信息。而無論是VAR模型還是VECM模型，在建模時與Granger因果關系檢驗時候都需要面對滯后階數(shù)的選擇。在EViews中，無論是選擇建立哪一種模型，都先對目標變量建立VAR模型，然后繼續(xù)最優(yōu)滯后階數(shù)的選擇，下面我們以?lnBCIt和?lnPC表4.11最優(yōu)滯后階數(shù)選擇LagLRFPEAICSCHQ1NA0.000906*1.331117*1.256129*1.300679*22.3992750.000936-1.297735-1.147759-1.23685933.9105450.000959-1.273983-1.04902-1.18266946.1042470.000968-1.264424-0.964474-1.14267254.7528840.000986-1.246699-0.87176-1.094509表4.11中呈現(xiàn)了一次最優(yōu)滯后階數(shù)的選擇，其中“*”代表在該滯后期數(shù)在該列的方法下是最優(yōu)選擇。這里用到了五種方法，分別是HQ（Hannan-Quinninformationcriterion，Hannan-Quinn信息準則）、LR(SequentialmodifiedLRteststatistic，連續(xù)改進檢測統(tǒng)計量)、FPE（Finalpredictionerror，最后預測誤差）、AIC（Akaikeinformationcriterion，Akaike信息準則）、SC（Schwarzinformationcriterion，SC信息準則）。從表中我們可以很明顯看到有四種方法都認為一階為最優(yōu)滯后階數(shù)。那么我們可以認為?lnBCIt和?lnPC10t表4.12各模型滯后階數(shù)選擇組別△lnBCI與△lnPC10△lnBCI與△lnPC5△lnBPI與△lnPP10△lnBPI與△lnPP5△lnBSI與△lnPS10△lnBSI與△lnPS5滯后階數(shù)115244我們分別對其他五組做了同樣的最優(yōu)滯后階數(shù)選擇，得出結論：△lnBCI與△lnPC5滯后一期；△lnBPI與△lnPP10滯后五期；△lnBPI與△lnPP5滯后二期；△lnBSI與△lnPS10和△lnBSI與△lnPS5都滯后四期。這樣我們就可以確認，△lnBCI與△lnPC5、△lnBPI與△lnPP10均建立VAR(1)模型;△lnBPI與△lnPP10建立VECM(4)模型；△lnBPI與△lnPP5建立了VECM(1)模型；△lnBSI與△lnPS10和△lnBSI與△lnPS5均建立VAR(4)模型（括號中的數(shù)字就代表其滯后階數(shù)q）。VAR模型建立已經(jīng)完成，但是想要建立VECM模型則還需要協(xié)整檢驗。下面我們分別來看Johansen協(xié)整檢驗經(jīng)過。這里所涉及兩種方法，分別為跡檢驗和最大特征值檢驗。表4.13協(xié)整檢驗范例跡檢驗最大特征值檢驗組別原假設跡統(tǒng)計量5%臨界值Prob最大特征值統(tǒng)計量5%臨界值ProblnBPI和lnPP10None26.6473615.494710.000724.0680214.26460.0011Atmost12.5793423.8414660.10832.5793423.8414660.1083lnBPI和lnPP5None29.2864415.494710.000226.5710814.26460.0004Atmost12.7153643.8414660.09942.7153643.8414660.0994從表4.13中，我們可以初步得到無論是跡檢驗還是最大特征值檢驗，都在百分之五的置信水平下拒絕了沒有協(xié)整關系的檢驗。因此我們認為它們都存在一個協(xié)整關系。即巴拿馬型船分別與十年船齡的巴拿馬型二手船、五年船齡的巴拿馬型二手船存在長期的均衡關系。驗證完，我們就可以繼續(xù)建立它們的VECM模型，形式如式（4.9）和（4.10,而滯后階數(shù)分別選擇為四階和一階，即最終為VECM(4)和VECM（1）模型。4.4Granger因果關系檢驗在建立VAR模型與VECM模型后，我們可以一同進入Granger檢驗環(huán)節(jié)。本質(zhì)上，Granger因果關系檢驗是通過檢驗同組變量中的其他變量的往期序列，對因變量是否具有提升預測的效果。其實這兩種自回歸模型名字本身，已經(jīng)體現(xiàn)出，它們的滯后期也對它們之間有預測效果。而Granger因果關系檢驗只是驗證其他的變量能否提升該變量當期預測的效果。如果存在提升預測的效果，那么此時我們就可以那個“其他變量”是這個因變量的Granger原因。下面我們分別以一個VAR模型與一個VECM模型為例，給出模型的具體形式以及他們的實驗結果，并對實驗結果進行分析。?lnBCI（4.14）?lnPC5表4.15基于VAR模型的Granger因果關系檢驗范例NullHypothesis:obsF-StatisticProb.DLNPC5doesnotGrangerCauseDLNBCI1743.578190.0602DLNBCIdoesnotGrangerCauseDLNPC51.256420.2639式（4.14）表達的是基于△lnBCI與△lnPC5之間建立的VAR(1)模型的Granger因果關系檢驗模型，與VAR模型不同點在于多了一項目標因果關系檢驗變量。同時因為已經(jīng)知道其滯后階數(shù)為1，所以這里q取到了1。表4.15是△lnBCI與△lnPC5之間的一個因果關系檢驗。這組實驗是基于VAR模型的Granger因果關系檢驗的一個范例。我們可以在EViews中，是通過F檢驗（又稱聯(lián)合假設檢驗）來實現(xiàn)因果檢驗。實驗中分別對雙向關系進行假設。第一行原假設為：五年船齡的巴拿馬型二手船價格不是波羅的海巴拿馬型運價指數(shù)的因果關系。第二行原假設為：波羅的海巴拿馬型運價指數(shù)不是五年船齡的巴拿馬型二手船價格的因果關系。在此之前我們先人為定義不同顯著性下的因果關系。5%顯著性水平下接受A是B的因果關系，那么我們把它定義為A是B的強因果。10%顯著性水平下接受A是B的因果關系，那么我們把它定義為A是B的弱因果。如果在10%顯著性水平下不接受，那么我們定義A不是BD的因果。結果我們可以從表中得知五年船齡的巴拿馬型二手船價格是波羅的海巴拿馬型運價指數(shù)的弱因果。而反方向來看，波羅的海巴拿馬型運價指數(shù)不是巴拿馬型船的因果關系。?lnBPI（4.16）?lnPP5表4.17基于VECM模型的Granger因果關系檢驗范例Chi-sqdfProb.Dependentvariable:D(LNBPI)10.2878610.0013Dependentvariable:D(LNPP5)4.98347510.0256式（4.16）表達的是基于△lnBCI與△lnPC5之間建立的VECM(1)模型的Granger因果關系檢驗模型，與其對應的VECM模型不同點在于多了一項目標因果關系檢驗變量。同時因為已經(jīng)知道其滯后階數(shù)為1，所以這里q取到了1。表4.17是△lnBPI和△lnPP5之間的一個因果關系檢驗。這組實驗是基于VECM模型的Granger因果關系檢驗的一個范例。我們可以在EViews中，我們是通過Chi-sq（卡方檢驗）完成的。實驗中分別對雙向關系進行假設。第一行原假設為：因變量lnBPI不受lnPP5的Granger因果影響。第二行原假設為：因變量lnPP5不受lnBPI的Granger因果影響。表4.17中df代表VECM模型的滯后階數(shù)。結果我們可以從表中得波羅的海巴拿馬型運價指數(shù)與五年船齡的巴拿馬型二手船價格存在雙向的強因果關系，并且相比之下五年船齡的巴拿馬型二手船對波羅的海巴拿馬型運價指數(shù)的影響更劇烈。通過這兩個實例，我們了解到實驗的具體過程。我們的實驗共三大組，六小類。下表4.18就是最終的實驗結果。表4.18因果關系匯總表因果關系方向Prob因果判斷結果分析△lnBCI→△lnPC100.143非因果沒因果關系△lnPC10→△lnBCI0.5746非因果△lnBCI→△lnPC50.0602弱因果運價領先△lnPC5→△lnBCI0.2639非因果△lnBPI→△lnPP100.0145強因果運價領先△lnPP10→△lnBPI0.67非因果△lnBPI→△lnPP50.0013強因果雙向因果△lnPP5→△lnBPI0.0256強因果△lnBSI→△lnPS106.00E-07強因果雙向因果△lnPS10→△lnBSI0.0324強因果△lnBSI→△lnPS50.0493強因果雙向因果△lnPS5→△lnBSI3.00E-06強因果從表4.18，結果表明：海峽型船組中，十年船齡二手船價格與運價之間不存在因果關系；而運價對五年船齡二手船價格有著一定的弱因果。巴拿馬型船組中，運價對十年船齡二手船價格有著一定的強因果，但是十年船齡二手價格對運價不存在因果關系；運價與五年船齡二手船而言具有雙向強因果關系。超靈便型船組中運價對二手船價格無論船齡都有著強因果，反過來看二手價格無論船齡都對運價有著強因果。因此得到初步結論：（1）對于海峽型船，運價與二手船價格的因果關系隨著船齡減小而變大，運價對于較小船齡的二手船價格而言是領先的。按我們的研究目的來說，我們認為在較大型船只低船齡的二手船價格會受到運價的引導。（2）對于巴拿馬型船，運價對于二手船價格無論船齡都有很大的因果關系。反之較小船齡的二手價格對運價會產(chǎn)生因果關系，而較大的不產(chǎn)生因果關系。按我們的研究目的來說，中型船只的運價會對無論船齡大小的二手船價格產(chǎn)生相互引導作用；反之只有較小船齡二手船價格才會對運價產(chǎn)生引導作用。（3）對于超靈便型船，運價對二手船價格無論船齡都有著強因果，反過來看二手價格無論船齡都對運價有著強因果。按我們的研究目的來說，小型船只二手船價格無論船齡都與運價存在著相互引導關系。5結論與展望5.1本文結論本文就干散貨運價與二手船價格的領先滯后關系通過運用時間序列分析的手法，根據(jù)不同情形對它們進行分別的實驗。根據(jù)本文實驗，最后我們得到這樣的結論：巴拿馬型船分別與十年船齡的巴拿馬型二手船價格、五年船齡的巴拿馬型二手船存在長期的均衡關系。在領先滯后性上，我們得到海峽型船的干散貨運價是領先于五年海峽型二手船船的。巴拿馬型船的干散貨運價是領先于十年船齡巴拿馬型二手船價格的。五年船齡的巴拿馬型二手船價格和巴拿馬型船的干散貨運價是雙向因果的，即相互影響。而超靈便型船運價和二手船價格之間無論船齡都存在著因果關系，即相互影響。當然還存在一類在實驗中不存在因果關系的，它們?yōu)楹{型運價和十年船齡的海峽型二手船。從上述的結論中我們也可以看到，總體來說船齡越小、船型越小越容易受到運價的影響。這與事實也極為相符合，往往船舶越大意味著價格越高，雖然運力顯著提升，運輸?shù)撵`活性就大打折扣。不僅如此，全球范圍內(nèi)的大多數(shù)情況，運力是大于需求的?？梢哉f，承運人對于未來市場即為看好，才會傾向于選擇更大的船舶，不僅如此虧艙情況也是其“不受青睞”的原因之一。另外一方面，二手船船齡也太代表著其營運的潛力，我們可以理解為其未來的生產(chǎn)能力，所以船齡越小，它的生產(chǎn)能力越強。相較于較大船齡的船舶，較小船齡的船舶更容易被投資人青睞。5.2本文研究過程中的不足和研究展望由于筆者本身專業(yè)受限，對于本文引用的統(tǒng)計學方法了解不夠深入。在本文的研究中存在著一些不足，也對這些不足做一些后續(xù)規(guī)劃和展望，在今后學習研究此類問題，能有更深入的了解。從縱向來看，首先本文核心探討的是干散貨運價和二手船價格的領先滯后關系。其實波羅的海航運交易所發(fā)布的指數(shù)中，還包含了一種最小船型的指數(shù)BHSI，是描述靈便型船運價波動的指數(shù)?？紤]到它并不是組成BDI的部分，因此在一開始并沒有涉及到。但在研究過程中發(fā)現(xiàn)了，船型對于領先滯后性關系的影響是較為明顯的，若是加上靈便型船的驗證，該研究的就更具有