第11期 刘庆富等：中国商品期货隔夜信息对日间交易的预测能力 87— 1.2 真实日间收益 1.5 真实日间收益 铝 …真实隔夜收益 铜 1.0 --正态日间收益 一正态隔夜收益 一正态隔夜收益 0 0.8 : 量 0.6 0.5 0.4 02 0.0xu 0.0* 0 2 -3 0 收益 收益 真实日间收益 1.2- 真实日间收益 真实隔夜收益 真实限 1.0 收益 大豆 --正态日间收 1.0- 小麦 --正态日间收益 正态隔夜收益 正态隔夜收益 0.8 0.8 0.6- 是a6 0.4 0.4 0.2 0.0 00一 0.2 -3 -2 3 -2 -10 2 3 收益 收益 图1日间收益和总隔夜收益均值的核密度估计结果⑧ Fig.I The estimated kernel densities of daytime and total overnight returns 3.3实证结果与分析 差分布的对应模型.由此说明，基于混合正态分 首先，本文需比较基于正态分布、学生分 布的随机波动模型是最优的，这意味着基于混 布、广义误差分布和混合正态分布随机波动模 合正态分布的SV1、SV2和SV3模型是检测我国 型的优劣性.表2给出了每个模型对于各种期 商品期货市场隔夜信息是否影响日间交易的最 货的DIC值.实证结果发现：对铜、铝、大豆和小 优模型. 麦期货而言，无论是基于何种分布，SV,、SV2和 接下来，本文需根据基于混合正态分布的随 SV,模型均显著优于SV。,SV2和SV,模型显著优 机波动模型来检测三个问题的存在性，即总隔夜 于SV,SV,模型显著优于SV2;并且，基于学生 收益对商品期货日间收益及其波动具有预测能 分布、广义误差分布和混合正态分布的SV。、 力，交易当晚、周末假日和中长假日收益对商品期 SV1、SV2和SV,模型均要好于基于正态分布的 对应模型，基于广义误差分布和混合正态分布 货日间收益及其波动具有预测能力，交易当晚、周 的SV。、SV1、SV2和SV3模型均要好于基于学生 末假日和中长假日收益对商品期货日间收益及其 分布的对应模型，以及基于混合正态分布的 波动的预测能力具有非对称性.表3一5分别给 SV。、SV,、SV2和SV,模型均要好于基于广义误出了SV,、SV2和SV,对铜、铝、大豆和小麦期货的 ⑧日间收益和隔夜收益的均值Kemel密度是通过100O0个Bootstrap抽样得到的. 基于这三个问题，本文分别给出了基于正态分布、学生分布广义误差分布和混合正态分布的三类随机波动模型的假设检验，并且，假 设检验的统计量设定为t=/σ(8)~t(0,1,),为学生t分布的自由度. 万方数据第11期 刘庆富等：中国商品期货隔夜信息对日间交易的预测能力 一87— 1·O 0-8 魁0．6 髓 蜒0．4 0．2 O．0 1．2 1．0 0．8 魁 镪0．6 蜒 0．4 0．2 0．O 1．2 1．0 0．8 {蝌 藉o．6 蜒 0．4 O．2 0．0 3 —2 —1 O l 2 3 收益 首先，本文需比较基于正态分布、学生分 布的随机波动模型是最优的，这意味着基于混 布、广义误差分布和混合正态分布随机波动模 合正态分布的SV，、SV：和SV，模型是检测我国 型的优劣性．表2给出了每个模型对于各种期 商品期货市场隔夜信息是否影响日间交易的最 货的DIC值·实证结果发现：对铜、铝、大豆和小 优模型． 麦期货而言，无论是基于何种分布，sV·、sVz和 接下来，本文需根据基于混合正态分布的随 sV。模型均鼍妻生王。s二。，sVz和；y，模竺显荸华 机波动模型来检测三个问题的存在性，即总隔夜 。S。．V，．：；0苎竺吴莩堡三?2斐晏寰i学生 收益对商品期货日问收益及其波动具有预测能 分布、广义误差分布和混合正态分布的SV。、 …～”～……………一…………”… SV，、sv，和SV，模型均要好于基于正态分布的 力，交易当晚、周末假日和中长假日收益对商品期 对应模型，基于广义误差分布和混合正态分布 货日间收益及其波动具有预测能力，交易当晚、周 的SV。、SV，、SV：和SV。模型均要好于基于学生 末假日和中长假日收益对商品期货13间收益及其 分布的对应模型，以及基于混合正态分布的 波动的预测能力具有非对称性⑩．表3—5分别给 ⑩ 日间收益和隔夜收益的均值Kernel密度是通过10 000个Bootstrap抽样得到的． ⑩ 基于这三个问题，本文分别给出了基于正态分布、学生分布、广义误差分布和混合正态分布的三类随机波动模型的假设检验，并且，假 设检验的统计量设定为t=砂a(j)～t(o，1，。)，”为学生t分布的自由度． 万方数据