基于多尺度信息份额模型的原油市场定价能力动态演变研究

doi:10.16381/j.cnki.issn1003-207x.2021.0732

摘要/Abstract

摘要：

原油市场定价能力对高标准市场体系的建设以及要素市场运行机制的健全有着重要意义。为判断上海原油期货的推出对原油市场定价能力产生的影响，本文基于多尺度分析方法构建了时变信息份额模型，实证检验了2001年12月—2020年11月我国原油市场定价能力的动态演变过程。研究结果表明：（1）原油期货的价格在原油市场占主导地位，各市场定价的能力在样本期相对稳定，但也受到重大事件的影响；（2）上海原油期货在上市后获得了28.84%定价份额，已显现出一定的定价能力，但其在整体尺度以及高频和中频时间尺度上的定价能力均有较大提升空间；（3）在不同时间尺度下，原油市场定价能力的演变具有一定的异质性，在高频尺度上，上海原油期货推出后，获得31.54%的定价权，但并未弥补大庆现货市场定价能力下降的缺口；在中频尺度上，上海原油期货定价能力相对较低；而在低频尺度上，上海原油期货推出后，其定价份额占45.58%，对原油定价产生了显著影响。为提高上海原油期货的定价能力，市场运行机制的改善应着眼于高频与中频时间尺度上定价能力的提升。

关键词: 原油市场, 多尺度分析, 信息份额模型, 经验模态分解, 定价能力

Abstract:

Crude oil market pricing power is of great significance to the construction of a high-standard market system and the improvement of factor market operating mechanism. To judge the impact of Shanghai crude oil futures on the pricing power of the crude oil market， a time-varying information share model is constructed based on a multi-scale analysis method to empirically test the dynamic evolution of China’s crude oil market pricing power. The spot price of Daqing crude oil， prices of Brent crude oil futures， WTI crude oil futures， and Shanghai crude oil futures from December 2001 to November 2020 are adopted as the research sample. The research results show that：（1） the price of crude oil futures dominates crude oil market， and the pricing power of each market is relatively stable during the sample period， but it can be affected by extreme events；（2） Shanghai crude oil futures gain a 28.84% pricing share and has shown certain pricing power after its launch， however， its pricing power has much room for improvement on the whole and on high-frequency and medium-frequency time scales. （3） under different time scales， the evolution of crude oil market pricing power shows the characteristics of heterogeneity. On the high-frequency scale， Shanghai crude oil futures receive 31.54% of the pricing power after its introduction. Despite of this pricing power， it does not fill the gap which is caused by the decrease of the pricing power of Daqing spot market. On the medium-frequency scale， the pricing share of Shanghai crude oil futures is lower than pricing power of other frequency domains. On the low-frequency scale， after the introduction of Shanghai crude oil futures， with a pricing share of approximately 45.58%， INE has gained a dominant role. To improve the pricing power of Shanghai crude oil futures， the improvement of the market operation mechanism should be focused on the improvement of pricing power on the high frequency and medium frequency time scales.

Key words: crude oil market, multiscale analysis, information share model, empirical mode decomposition, pricing pow

中图分类号:

F832

罗长青,刘澜,朱慧明,张敏. 基于多尺度信息份额模型的原油市场定价能力动态演变研究[J]. 中国管理科学, 2024, 32(6): 1-12.

Changqing Luo,Lan Liu,Huiming Zhu,Min Zhang. An Empirical Study on the Dynamic Evolution of Crude Oil Market Pricing Power Based on Multi-scale Information Share Model[J]. Chinese Journal of Management Science, 2024, 32(6): 1-12.

图/表 8

图1

表1

表2

图2

表3

图3

图4

图5

参考文献 39

1	Futures Industry Association. Global futures and options trading reaches record level in 2020［EB/OL］. ， 2021.
2	Silvério R， Szklo A. The effect of the financial sector on the evolution of oil prices： Analysis of the contribution of the futures market to the price discovery process in the WTI spot market［J］. Energy Economics， 2012， 34（6）： 1799–1808.
3	田洪志，姚峰，李慧. 中国是否拥有原油的国际定价权？——基于油价间独立性与传导性视角［J］.中国管理科学， 2020， 28（11）： 90-99.
	Tian H Z， Yao F， Li H. Does China have the international pricing power for crude oil？Based on a perspective of independence and conductivity between oil price［J］. Chinese Journal of Management Science， 2020， 28（11）： 90-99.
4	陆凤彬，李艺，王栓红，等. 全球原油市场间信息溢出的实证研究——基于CCF方法与ECM模型［J］. 系统工程理论与实践， 2008， 28（3）： 25-34， 43.
	Lu F B， Li Y， Wang S H， et al. Information spillovers among international crude oil markets： An empirical analysis based on CCF Method and ECM. Systems Engineering- Theory & Practice， 2008， 28（3）： 25-34， 43.
5	Hasbrouck J. One security， many markets： Determining the contributions to price discovery［J］. The Journal of Finance， 1995， 50（4）： 1175-1199.
6	Gonzalo J， Granger C. Estimation of common long-memory components in cointegrated systems［J］. Journal of Business and Economic Statistics， 1995， 13（1）： 27-35.
7	Baillie R T， Booth G G， Tse Y， et al. Price discovery and common factor models［J］. Journal of financial markets， 2002， 5（3）： 309-321.
8	周舟，成思危. 沪深300股指期货市场中的宏观经济信息发布与价格发现［J］. 系统工程理论与实践， 2013， 33（12）： 3045-3053.
	Zhou Z， Cheng S W. Macroeconomic and announcements and price discovery in the CSI 300 Stock index futures market［J］. Systems Engineering—Theory & Practice， 2013， 33（12）： 3045-3053.
9	张劲帆，汤莹玮，刚健华，等. 中国利率市场的价格发现——对国债现货、期货以及利率互换市场的研究［J］. 金融研究， 2019， 463（1）： 19-34.
	Zhang J F， Tang Y W， Guang J H， et al. Price discovery in China’s interest rate markets： Evidence from treasury spot， futures， and interest rate swaps markets［J］. Journal of Financial Research， 2019， 463（1）：19-34.
10	王群勇，张晓峒. 原油期货市场的价格发现功能——基于信息份额模型的分析［J］. 统计与决策， 2005， 24（12）： 77-79.
	Wang Q Y， Zhang X D. Price discovery on crude oil futures market： Based on IS model［J］. Statistical and Decision， 2005， 24（12）： 77-79.
11	Zhao L T， Yan J L， Cheng L， et al. Empirical study of the functional changes in price discovery in the brent crude oil market［J］. Energy Procedia， 2017， 142（37）： 2917-2922.
12	Kao C W， Wan J Y. Price discount， inventories and the distortion of WTI benchmark［J］. Energy Economics， 2012， 34（1）： 117-124.
13	Avino D， Lazar E， Varotto S. Time varying price discovery［J］. Economics Letters， 2015， 126（1）： 18-21.
14	方雯，冯耕中，陆凤彬，等. 中国钢材交易市场价格发现动态演化研究［J］. 系统工程理论与实践， 2019， 39（1）： 49-59.
	Fang W， Feng G Z， Lu F B， et al. Dynamic price discovery of steel trading markets in China［J］. Systems Engineering—Theory & Practice， 2019， 39（1）： 49-59.
15	Geng J B， Ji Q， Fan Y. The behavior mechanism analysis of regional natural gas prices： A multi-scale perspective［J］. Energy， 2016， 101（8）： 266-277.
16	Liu C， Sun X L， Wang J， et al. Multiscale information transmission between commodity markets： An EMD-based transfer entropy network［J］. Research in International Business and Finance， 2021， 55（1）： 101318.
17	Sun X L， Chen X W， Wang J， et al. Multi-scale interactions between economic policy uncertainty and oil prices in time-frequency domains［J］. The North American Journal of Economics and Finance， 2020， 51（1）： 100854.
18	刘映琳，刘永辉，鞠卓. 国际原油价格波动对中国商品期货的影响——基于多重相关性结构断点的分析［J］. 中国管理科学， 2019， 27（2）： 31-40.
	Liu Y L， Liu Y H， Ju Z. The impact of international crude oil price fluctuation on Chinese commodity futures： Based on the correlation structure breakpoint model［J］. Chinese Journal of Management Science， 2019， 27（2）： 31-40.
19	Bi F R， Ma T， Wang X. Development of a novel knock characteristic detection method for gasoline engines based on wavelet-denoising and EMD decomposition［J］. Mechanical Systems and Signal Processing， 2019， 117（4）： 517-536.
20	王书平，朱艳云.基于多尺度分析的小麦价格预测研究［J］. 中国管理科学， 2016， 24（5）： 85-91.
	Wang S P， Zhu Y Y. Forecasting of wheat price based on multiscale analysis［J］. Chinese Journal of Management Science， 2016， 24（5）： 85-91.
21	李霞，李守伟. 基于EMD与DVG的非线性时间序列预测模型及其应用研究［J］. 中国管理科学， 2022， 30（9）： 275-286.
	Li X， Li S W. Non-linear time series prediction model based on EMD and DVG and its application［J］. 2022， 30（9）： 275-286.
22	Huang N E， Shen Z， Long S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］. Proceedings of the Royal Society of London. Series A： Mathematical， Physical and Engineering Sciences， 1998， 454（3）： 903-995.
23	Li J P， Hao J， Sun X L， et al. Forecasting China’s sovereign CDS with a decomposition reconstruction strategy［J］. Applied Soft Computing， 2021， 105（7）： 107291.
24	孙晓蕾，姚晓阳，杨玉英，等. 国家风险动态性的多尺度特征提取与识别：以OPEC国家为例［J］. 中国管理科学， 2015， 23（4）： 1-10.
	Sun X L， Yao X Y， Yang Y Y， et al. Multi-scale feature extraction and identification of country risk dynamics［J］. Chinese Journal of Management Science， 2015， 23（4）： 1-10.
25	Cox C C. Futures trading and market information［J］. Journal of Political Economy， 1976， 84（6）： 1215-1237.
26	Meyler A. The pass through of oil prices into euro area consumer liquid fuel prices in an environment of high and volatile oil prices［J］. Energy Economics， 2009， 31（6）： 867-881.
27	徐鹏，刘强. 国际原油价格的驱动因素：需求、供给还是金融——基于历史分解法的分析［J］. 宏观经济研究， 2019（7）： 84-97.
	Xu P， Liu Q. Drivers of international crude oil price demand， supply， or finance： An analysis based on historical decomposition［J］. Macroeconomics， 2019（7）： 84-97.
28	Klein T. Trends and contagion in WTI and Brent crude oil spot and futures markets： The role of OPEC in the last decade［J］. Energy Economics， 2018， 75（7）： 636-646.
29	Liu J， Ma F， Tang Y K， Zhang Y J. Geopolitical risk and oil volatility： A new insight［J］. Energy Economics，2019， 84（9）： 104548.
30	Brandt M W， Gao L. Macro fundamentals or geopolitical events？ A textual analysis of news events for crude oil［J］. Social Science Electronic Publishing， 2019， 51（2）：64-94.
31	Natoli F. Financialization of commodities before and after great financial crisis［J］. Journal of Economic Surveys， 2021， 35（2）： 488–511.
32	张跃军，邢丽敏. 国际原油价格预测的研究动态与展望［J］. 电子科技大学学报（社科版）， 2021， 23（4）： 92-105.
	Zhang Y J， Xing L M. Research trend and prospect of international crude oil price forecast［J］. Journal of UESTC（Social Sciences Edition）， 2021， 23（4）： 92-105.
33	王盼盼，夏婷，石建勋，等. “石油-美元”动态关联的时变特征及影响因素研究［J］. 国际金融研究， 2020， 343（11）： 35-44.
	Wang P P， Xia T， Shi J X， et al. Time-Varying characteristics and influencing factors of “Oil-Dollar” dynamic correlation［J］. Studies of International Finance， 2020， 343（11）： 35–44.
34	Lv F， Yang C， Fang L B. Do the crude oil futures of the shanghai international energy exchange improve asset allocation of Chinese petrochemical-related stocks？［J］. International Review of Financial Analysis， 2020， 71（5）： 101537.
35	Palao F， Pardo Á， Roig M. Is the leadership of the Brent-WTI threatened by China’s new crude oil futures market？［J］. Journal of Asian Economics， 2020， 70（5）： 101237.
36	曹洁，雷良海. 中美贸易争端加剧了商品期货市场的风险传染吗？——基于动态M-Copula模型的实证研究［J］. 投资研究， 2019， 38（7）： 39-50.
	Cao J， Lei L H. Do Sino-US trade disputes aggravate risk contagion between commodity futures markets？Empirical research based on the dynamic M-Copula model［J］. Review of Investment Studies， 2019， 38（7）： 39-50.
37	Scheitrum D P， Carter C A， Revoredo-Giha C. WTI and Brent futures pricing structure［J］. Energy Economics， 2018， 72（4）： 462-469.
38	Zhu B Z， Huang L Q， Yuan L L， et al. Exploring the risk spillover effects between carbon market and electricity market： A bidimensional empirical mode decomposition based conditional value at risk approach［J］. International Review of Economics and Finance， 2020， 67（3）： 163-175.
39	王良，李璧肖，马续涛，等. 中国原油期货与国际原油期货的价格波动溢出效应及其持续性——基于BEKK-MGARCH模型的研究［J］. 系统工程， 2020， 39（3）： 1-22.
	Wang L， Li B X， Ma X T， et al. The price volatility spillover effect and its sustainability between Chinese crude oil future and international crude oil futures： Based on the BEKK-MGARCH model［J］. Systems Engineering， 2020， 39（3）： 1-22.

变量	均值	中间值	最大值	最小值	标准差	偏度	峰度	J-B值
2001/12/26—2018/03/25
DQ	6.0379	6.1059	6.8944	4.8775	0.4320	-0.2664	2.0085	210.46(0.000)
BRENT	6.0865	6.1569	6.9088	5.0263	0.4112	-0.3684	2.1105	221.62(0.000)
WTI	6.0555	6.1607	6.9034	5.0021	0.3755	-0.3660	2.2037	194.34(0.000)
2018/03/26—2020/11/18
DQ	5.8525	5.9682	6.2816	4.4865	0.3133	-1.4607	5.0218	327.66(0.000)
BRENT	5.9741	6.0753	6.3744	4.9183	0.2792	-1.3341	4.3615	232.91(0.000)
WTI	5.8647	5.9635	6.2488	4.2602	0.2956	-1.8773	7.5096	893.85(0.000)
INE	5.9794	6.0813	6.3713	5.3176	0.2592	-0.8865	2.4063	90.75(0.000)

变量	静态信息份额				动态信息份额
变量	DQ	BRENT	WTI	INE	DQ	BRENT	WTI	INE
IS₁	0.3861	0.3966	0.2173	/	0.3779	0.3972	0.2249	/
IS₂	0.0936	0.3386	0.2825	0.2853	0.1022	0.3305	0.2789	0.2884
ΔIS	-0.2925	-0.0580	0.0652	0.2853	-0.2757	-0.0667	0.0540	0.2884

频域	变量	静态				动态
频域	变量	DQ	BRENT	WTI	INE	DQ	BRENT	WTI	INE
高频	IS₁	0.5766	0.1818	0.2416	/	0.5642	0.1966	0.2392	/
	IS₂	0.1842	0.2183	0.3388	0.2587	0.1872	0.1976	0.2998	0.3154
	ΔIS	-0.3924	0.0365	0.0972	0.2587	-0.3770	0.0010	0.0606	0.3154
中频	IS₁	0.3672	0.3316	0.3011	/	0.3649	0.3148	0.3203	/
	IS₂	0.2080	0.2818	0.2923	0.2179	0.2601	0.3072	0.2269	0.2058
	ΔIS	-0.1592	-0.0498	-0.0088	0.2179	-0.1048	-0.0076	-0.0934	0.2058
低频	IS₁	0.6543	0.2939	0.0518	/	0.6452	0.2787	0.0761	/
	IS₂	0.1056	0.0969	0.3325	0.4651	0.1396	0.1173	0.2873	0.4558
	ΔIS	-0.5487	-0.1970	0.2807	0.4651	-0.5056	-0.1614	0.2112	0.4558

[1]	李霞, 李守伟. 基于EMD与DVG的非线性时间序列预测模型及其应用研究[J]. 中国管理科学, 2022, 30(9): 275-286.
[2]	张跃军, 张晗, 王金丽. 考虑结构变化和长记忆性的国际原油价格波动率预测研究[J]. 中国管理科学, 2021, 29(9): 54-64.
[3]	方雪清, 吴春胤, 俞守华, 张大斌, 欧阳庆. 基于EEMD-LSTM的农产品价格短期预测模型研究[J]. 中国管理科学, 2021, 29(11): 68-77.
[4]	梁小珍, 邬志坤, 杨明歌, 汪寿阳. 基于二次分解策略和模糊时间序列模型的航空客运需求预测研究[J]. 中国管理科学, 2020, 28(12): 108-117.
[5]	朱鹏飞, 唐勇, 钟莉. 基于小波-高阶矩模型的投资组合策略——以国际原油市场为例[J]. 中国管理科学, 2020, 28(10): 24-35.
[6]	潘和平, 张承钊. FEPA-金融时间序列自适应组合预测模型[J]. 中国管理科学, 2018, 26(6): 26-38.
[7]	刘炳越, 姬强, 范英. 黄金是否为原油的“避险天堂”?——基于组合收益及其波动视角[J]. 中国管理科学, 2018, 26(11): 1-10.
[8]	杨坤, 于文华, 魏宇. 基于R-vine copula的原油市场极端风险动态测度研究[J]. 中国管理科学, 2017, 25(8): 19-29.
[9]	李海涛, 罗党, 韦保磊. 不确定语言评价信息下大群体决策的MC-EMD方法[J]. 中国管理科学, 2017, 25(4): 164-173.
[10]	朱学红, 谌金宇, 邵留国. 信息溢出视角下的中国金属期货市场国际定价能力研究[J]. 中国管理科学, 2016, 24(9): 28-35.
[11]	王书平, 朱艳云. 基于多尺度分析的小麦价格预测研究[J]. 中国管理科学, 2016, 24(5): 85-91.
[12]	邵臻, 杨善林, 高飞, 王晓佳. 基于可变区间权重的中期用电量半参数预测模型[J]. 中国管理科学, 2015, 23(3): 123-129.
[13]	张国兴, 张振华, 刘鹏, 刘明星. 我国碳排放增长率的运行机理及预测[J]. 中国管理科学, 2015, 23(12): 86-93.
[14]	王书平, 胡爱梅, 吴振信. 基于多尺度组合模型的铜价预测研究[J]. 中国管理科学, 2014, 22(8): 21-28.
[15]	阮连法, 包洪洁. 基于经验模态分解的房价周期波动实证分析 [J]. 中国管理科学, 2012, (3): 41-46.