浅析保证金调整与商品期货尾部风险的关系

多数情况下，保证金变化显著影响尾部风险

在全球经济的浪潮中，商品期货市场犹如一座灯塔，为投资者指引着风险管理与资产配置的方向。然而，近年来市场的频繁波动，让商品期货的尾部风险成为焦点。本文研究了中国期货市场保证金变化对商品期货尾部风险的影响，即将保证金的影响纳入ES和VaR模型。然后，观察不同投机程度的商品对保证金调整的反应。最后，扩展FZ模型，以探讨添加保证金和投机信息是否能够提高FZ模型的预测准确性。

[研究背景]

商品期货的尾部风险与金融市场系统性风险紧密相连。在正常市场环境中，商品期货作为现货价格波动的天然对冲工具，能够帮助投资者分散风险，在一定程度上维护投资组合的稳定性。然而，当市场波动加大，二者之间的相互作用和影响变得尤为显著。

回顾2015—2016年，股票市场的剧烈震荡引发投资者对风险资产的抛售，这种情绪迅速蔓延至商品期货市场，导致商品期货价格波动加大，尾部风险随之增加。商品期货市场与众多实体企业的套期保值操作以及金融机构的投资活动紧密相连。一旦商品期货的尾部风险爆发，就有可能引发连锁反应，对金融市场的稳定性造成影响，进而加剧金融市场的系统性风险。面对严峻的市场形势，期货交易所迅速作出反应，大幅提高股指期货的保证金要求。这一举措旨在通过抑制投机性交易，有效平缓市场冲击，减少过度投机行为，进而缓解市场情绪，在一定程度上维护市场稳定。

实际上，交易所或政策制定者会根据波动率或在险价值（VaR）的变化来调整保证金（Shen等人，2022）。保证金变化与VaR之间存在天然联系。当市场出现大幅波动或潜在的系统性风险时，交易所会根据市场的风险状况提高保证金要求，这种调整旨在减少市场的不稳定性。这就引出了一个问题：保证金调整能否达到风险管理的目的？许多研究已经探讨了保证金调整对商品期货市场各种特征的影响（Foley等人，2022），但这些研究存在分歧，一些研究认为保证金调整会放大市场波动，而另一些研究认为保证金调整有助于市场稳定。本文旨在探究保证金与风险之间的关系，以评估在预测模型中纳入保证金是否能够提高VaR和预期损失（ES）估计的准确性。

本文对大连商品交易所（DCE）的商品期货交易进行了研究。大连商品交易所在金属、能源和农业等类别中交易量庞大，为分析不同类型商品对保证金调整的敏感性提供了理想机会。

首先，我们研究了中国期货市场中保证金变化对商品期货尾部风险的影响，即将保证金的影响纳入ES和VaR模型。其次，观察不同投机程度的商品对保证金调整的反应。最后，扩展FZ模型，以探讨添加保证金和投机信息是否能够提高FZ模型的预测准确性。

[研究框架]

本文使用ARMA-GARCH模型作为研究VaR和ES的基准模型。接着受广义自回归得分（GAS）模型集的启发，并为了评估其他因素对商品期货风险的影响，我们在GARCH模型中引入一个外生变量，即GARCH-X（参见Wang和Cheng，2022）。扩展后的模型如下：

[研究数据]

我们收集了大连商品交易所10种商品期货合约的日收盘价、交易量、持仓量和保证金数据，并将这些商品期货合约主要分为两类，即农业类和工业类，样本期为2014年1月2日至2022年12月30日。表1为大豆期货合约要素。

我们使用前8年的数据进行估计，剩余1年用于样本外的模型评估和比较。表2提供了这些合约在整个样本期内日收益率序列的描述性统计数据。年化平均收益率从大豆期货的2.693%到焦煤期货的20.127%不等，年化标准差从玉米期货的12.0%到铁矿石期货的36.7%不等。表2还展示了成交量与持仓量之比的统计数据，该比率代表了投机活动的水平，被定义为为SPECUt。交易所尚未公开市场中投机者和套期保值者各自的交易价值。按照Wellenreuther and Voelzke（2019）的方法，我们结合日交易量和持仓量的比率来衡量投机活动。最终发现，大多数工业商品的投机比率均值大于1，而大多数农业商品的投机比率均值小于1。表2最下面两个面板展示了不同风险水平下a的样本VaR和ES。

表3报告了各品种期货合约的保证金信息。在整个样本期内，保证金有147次变动。单个期货合约的保证金均值要求从豆油期货的6.5%到焦炭和焦煤期货的10.6%不等。焦炭和焦煤的保证金要求最高。此外，它们也是保证金调整的重点对象，变动次数超过20次。工业商品的保证金要求高于农业商品。

[实证分析]

包含保证金信息的动态模型

在本节，我们引入一个包含保证金和投机活动的设定。纳入保证金和投机活动信息有助于准确捕捉尾部风险。我们基于方程组（1）估计一个带有协变量的 GARCH 模型，并将其定义为FZM模型，如下所示：

样本内估计

表4提供了方程（4）和（5）的平均参数估计值。研究结果表明，保证金-波动率关系产生了正向的结果，由δ1、δ2和δ3表示。具体来说，随着保证金水平的上升，波动率和尾部风险相应增加，这与 Garleanu和Pedersen（2011）的研究结果一致。此外，两个交互项的正结果表明，收益和投机活动都会产生正的交互作用。投机活动水平的提高会放大保证金对市场风险的影响，收益也一样。

表4还展示了传统的GARCH模型和FZ模型的平均估计损失。所有4个模型都表现出高度的持续性，即β的估计值超过0.95。关键发现是，包含保证金的模型以及包含保证金和两个交互项的模型比基准模型具有更好的拟合优度。所有结果都表明，FZM，SP模型在所有商品和两大类商品结果中表现最佳。表4表明纳入保证金和投机活动信息有助于优化拟合优度。

图1展示了使用3种不同模型对10种商品期货收益率序列的ES-0.025估计：使用125 天窗口的滚动窗口模型、FZM模型和FZM，SP模型。可以看出，在新冠疫情期间，所有ES估计序列都出现了大幅波动。然而，在2015年中国股市异常波动期间，10种商品期货中只有6种受到较大影响，其中4种是工业商品。特别是焦炭，它显示出最低且波动最大的ES。可以看到，ES 最初约为-3%，在2016年年底降至约-10%，在2021年年初降至-13%，然后反弹至约-5%。

图1为全样本VaR和ES估计

样本外预测

在本节，我们评估前面讨论的模型以及4个用于估计ES和VaR的竞争模型的样本外（OOS）预测性能。竞争模型包括两种滚动窗口方法（窗口长度分别为125天和250天，分别定义为RW-125和RW-250）以及通过标准化残差（定义为EDF）和通过FZ0损失最小化（定义为FZ）估计的两个ARMA-GARCH模型。

在表5中，我们展示了样本外平均损失。每列中两个最高的值以粗体显示，以表明它们的优越性能。分析表明，带有保证金的FZM模型和带有保证金及投机比率的FZM，SP模型表现出色，特别是对工业商品而言。对农业商品来说，5种商品中，3种商品的FZM，SP表现优于FZM。FZ类模型的性能因商品期货类型而异，工业类倾向于FZM，农业类倾向于FZM，SP。

图2展示了样本外的ES估计结果，目的是突出这些模型估计值的差异。通过检查ES的滚动窗口估计，可以观察到，随着更多极端观测值进入和离开估计窗口，出现了阶梯状的移动。比较FZM和FZM，SP模型，除了棕榈油和大豆油显示出明显差异外，两个模型的大部分图形相似。

通过平均损失可以初步评估样本外预测性能。然而，确定统计显著性需要更多的工作。表6展示了Diebold-Mariano t-统计量，用于比较模型之间的损失差异。将行模型和列模型进行比较，正数表示后者具有更优越的性能。滚动窗口的预测是所有模型中最差的。在所有模型中，FZM模型表现突出，显著优于EDF和基本的FZM模型。然而，FZM，SP模型相对于EDF和FZ模型的改进略显不足，其DM t-统计量分别为-1.022和-1.003。FZM模型和FZM，SP模型之间的差异很小。

图2为样本外ES预测

[结论]

结果表明，多数情况下，保证金变化显著影响尾部风险，特别是在工业商品领域。结果还表明，保证金与投机比率之间的相互作用有助于解释农业商品保证金变化的结果。此外，我们估计了带有保证金和投机活动的尾部风险时变动态。结果表明，使用包含保证金和投机比率的模型提高了预测能力。

研究结果对政策制定者和投资者至关重要，特别是在保证金设定和风险管理方面。政策制定者应建立保证金动态调整机制，密切监测商品期货市场的波动情况、投机活跃度以及与其他金融市场的关联度。当市场波动加剧、投机过热且有引发系统性风险的迹象时，适度提高保证金要求，但需避免过度调整引发市场流动性问题。例如，可以分阶段提高保证金，观察市场反应后再进一步调整。同时，利用大数据和金融科技手段实时评估保证金调整对尾部风险和系统性风险的影响，确保保证金调整既能有效抑制过度投机、降低商品期货市场尾部风险，又不会因资金过度抽离而破坏市场的正常运行秩序，从而维护金融市场的整体稳定。对投资者而言，要密切关注保证金变化和投机活动的动态。在进行投资决策时，充分利用风险评估模型的结果，合理配置资产，降低尾部风险的影响。投资者可以通过分散投资的方式，降低对单一商品的依赖，同时结合自身的风险承受能力和投资目标，采取科学的投资策略。