玉米期货（精选4篇）
玉米期货 篇1
大连商品交易所日前发布通知, 对《大连商品交易所指定交割仓库管理办法》和《大连商品交易所交割细则》进行修改, 允许玉米品种的指定交割仓库设立延伸库区。 首批试点的指定交割仓库为营口港, 其延伸库区拟选择分别位于辽宁省铁岭市和吉林省德惠市的辽宁益海嘉里地尔乐斯淀粉科技有限公司和德惠金信粮油收储有限公司。 修改后的规则自C1701 合约开始施行。
玉米期货上市10 年来, 随着市场结构的变化, 港口库容紧张和交割区域覆盖面不足问题已显现出来。 玉米集中运输期间, 大连、营口、 锦州三大港口及周边地区的玉米现货库容紧张。
市场人士表示, 现货库容紧张有时导致期货库容不足, 制约了期货品种交割业务的开展。 大商所在积极推进制度创新的同时, 密切关注市场形势的变化, 通过设置延伸交割库的方式灵活解决库容等方面的问题, 在便利企业交割业务的同时, 提高了市场运行效率, 进一步推动了期现结合。
文章来源: 搜狐媒体平台
玉米期货 篇2
CBOT 12月玉米期货合约收低29美分或5.2%, 至每蒲式耳5.26 1/2美元。
玉米期货交投继续震荡, 之前在11月16日大幅上涨。次日价格下滑是因市场担忧中国将升息并公布食品价格控制措施、打击农产品投机行为, 以控制通胀压力。
中国是玉米及其它商品的主要消费国。
玉米期货价格开盘下滑且在盘中持续下挫, 一度触及30美分的日内跌停限制。
North America Risk Management Services的分析师Jerry Gidel称, 价格下挫再度证实了市场的消极技术趋势, 促使投资者大量抛盘。近来投资者大量进入玉米期货市场, 规避通膨风险。
交易商称, 前期触及的高点6.05美元将是今年剩余时间里的高点, 但一些人仍认为基本面在长期走势上将给予市场更多的上档动能。
分析师补充称, 终端用户采购将帮助支撑市场, 但Prime Ag Consultants的分析师Chad Henderson称市场人气可能转为“逢高抛盘”, 而不再是自7月以来一直主导市场的“逢低买盘”。这将限制来自终端用户的支撑。
Farm Futures分析师Arlan Suderman在一份评论中称, 市场的长期心理支撑位是5美元。Suderman称, 跌破这一水准将大举提振需求, 但将需要一段时间。CBOT玉米期货的预估成交量为580 310手。
玉米期货 篇3
关键词：玉米期货价格,玉米现货价格,脉冲反应
一、研究方法
(一) 相关系数。
相关系数是变量之间相关程度的指标。通过计算玉米期货价格与现货价格的相关系数, 可以得出二者关系的密切程度。
(二) ADF检验和协整检验。
在分析时间序列时, 协整关系反映两个变量之间的长期均衡关系。进行协整检验之前, 须先分别检验被分析的时间序列是否是平稳的, 对此采用ADF检验方法。
(三) GRANGER因果检验。
协整关系不能说明两个变量谁在发挥引导作用, 因此, 引入GRANGER因果检验, 对期货价格与现货价格做进一步的因果分析。
(四) 脉冲响应分析。
脉冲响应函数描绘了在一个扰动项上加一个一次性的冲击, 对内生变量的当前值和未来值产生的影响。引入这个分析, 可以说明两个变量是哪一个起主导作用。
二、数据来源
玉米期货价格选取大连商品交易所连续周同一天自2004年11月18日至2008年12月25日的周结算价, 合约选取距当日第三近交割合约, 这样合约交割日与现货交割日相隔大约4～6个月, 有利于与现货价区别开来, 且一般地, 这样的合约交易量与持仓量都比较大, 具有良好的代表性。根据测算以及玉米生长常识得知, 与现货交割日距离较远 (近一年) 的期货价格相关性较弱, 故不选取较远到期的期货合约做样本;根据期货交易常识, 与现货交割日距离较近 (小于两个月) 的期货价格与现货价格趋于一致, 故也不选取;样本选取每周同一天查询周结算价。玉米现货价格选用与期货价格选取相同日期的大连港口平仓价。期货价格数据来自大连商品交易所网站, 现货价格来自中粮期货网站。
三、实证分析
通过对数据的统计, 得到自2004年11月18日至2008年12月25日玉米期货价格与现货价格走势图, 其中fp1为期货价格, sp为现货价格。 (图1)
(一) 相关性分析。
从图1可以看出, 期货价格与现货价格之间关系非常密切, 升降趋势大体相同;而且, 一般期货价格变动先于现货价格。经计算, 期货价格和现货价格的相关系数为0.95。可见, 中国玉米期货市场价格与现货市场价格有较高相关性, 因此有良好的价格发现作用。
(二) ADF检验和协整检验。
对玉米期货价格与玉米现货价格进行ADF检验, 结果如下:
其中, fp1t为玉米期货价格, spt为玉米现货价格, 下同。
可以发现, 对于任何一个显著性水平, 两者的ADF值均不小于临界值, 因此不能否定零假设, 表明这两组数据是非平稳的。
于是, 对数据进行对数处理, 对期货价格与现货价格的一阶差分进行ADF检验, 结果如下:
结果显示, 二者的一阶差分数据在各个显著性水平上均明显小于临界值, 可以否定零假设, 因此认为这组数据是平稳的。因此, 玉米期货价格序列和现货价格序列是一阶平稳过程 (即I (1) ) 。
进一步, 进行协整检验。生成序列Zt=Ln (fp1t) -Ln (spt) , 对其进行ADF检验, 结果如下:
结果表明, 在以上任何一个显著性水平上, 零假设被拒绝, 表明玉米期货价格与玉米现货价格之间存在协整关系, 即二者之间在5%的显著性水平上存在长期均衡关系。说明期货价格是现货价格的无偏估计量。
(三) GRANGER因果检验。
对期货价格与现货价格两序列组成的组进行GRANGER因果检验, 本文滞后期为2结果如下:
结果表明, 在5%的显著性水平下, 只有第二个假设被拒绝, 因此可以认为, 现货价格不是期货价格的GRANGER原因, 而期货价格是现货价格的GRANGER原因。这说明玉米期货价格对玉米现货价格存在显著影响, 但玉米现货价格对期货价格的影响并不显著。
(四) 脉冲响应分析。
图2显示了以一个标准误差的冲击分别对期货价格与现货价格的冲击:由图2可知, 来自期货市场对现货市场的冲击在10个星期内逐步加强, 趋于稳定, 而来自现货市场对期货市场的冲击在前两周迅速升高, 之后便趋于逐步缓慢下降。从响应结果来看, 玉米期货价格对现货价格的影响力比现货价格对期货价格的影响力大, 即期货价格在玉米发现价格过程中起主导作用。 (图2)
四、结论与建议
为研究中国玉米期货市场价格与现货市场价格的关系, 本文从多个角度着手进行了研究, 结果表明:中国玉米期货价格与现货价格高度相关;他们存在长期均衡的关系;它们之间存在着单向的格兰杰因果关系, 即玉米期货价格是现货价格的格兰杰原因;玉米期货价格对现货价格的影响力较大, 在定价过程中起主导作用。对此, 提出一些建议, 首先, 应该加大期货交易的宣传力度, 鼓励更多农民、玉米加工企业科学使用期货工具来保证自己的收益, 同时可以以期货市场为参考确定未来生产计划;其次, 在当前经济形势下, 为稳定玉米价格, 保障农民收入, 应主要从期货市场入手。
参考文献
[1]华仁海, 仲伟俊.对我国期货市场价格发现功能的实证分析[J].南开管理评论, 2002.5.
玉米期货 篇4
关键词：期货价格,马尔科夫链,平稳分布
随着期货市场交易机制的不断完善, 期货市场的价格发现功能越来越强大, 正确认识期货价格的发现功能有助于证券市场投资者和交易者进行准确的预测与判断。通过分析价格运动趋势, 投资者可以预测其未来的可能走势。由于马尔可夫过程有一个最重要的特点:该过程将来的状态跟过去的状态无关, 只由该过程现在的状态决定, 因此马尔科夫链模型只需考虑事件本身历史状况的演变特点, 通过计算其状态转移概率从而预测内部状态的变化情况, 故马尔科夫链模型在预测中具有广泛的实用性。
一、理论知识
若随机过程{xn, n∈T}对于任意的非负整数n∈T和任意的io, i1, …, in∈I其条件概率满足P{xn+1=in+1|x0=i0, x1=i1, …, xn=in}=P{xn+1=in+1|xn=in}, 则称{xn, n∈T}为马尔科夫链。
称条件概率Pij (n) =P{xn+1=j|x1=i}为马尔科夫链{xn, n∈T}在时刻n的转移概率, 其中i, j∈I。若对任意的i, j∈I, 马尔科夫链{xn, n∈T}的转移概率Pij (n) 与n无关, 则称马尔科夫链{xn, n∈T}是齐次的, 并记Pij (n) 为Pij。转移概率Pij所组成的矩阵称为系统状态的转移概率矩阵, 记作:
设马尔科夫链{xn, n≥0}的状态空间为I, 若对一切I, 存在不依赖于i的常数Pj使得, 则称此马尔科夫链具有遍历性。遍历性说明不论系统自哪一个状态出发, 当转移次数n充分大时, 转移到状态的概率近似于某个常数。
称概率分布{πj, j∈I}为马尔科夫链的平稳分布, 它满足:
二、问题提出与解决
2013年1月18日-2013年11月19日共201个交易日的玉米交易价格数据如下:
1907, 1897, 1886, 1887, 1864, 1856, 1845, 1849, 1832, 1836, 1827, 1819, 1850, 1829, 1831, 1831, 1831, 1834, 1835, 1835, 1845, 1860, 1857, 1858, 1855, 1865, 1861, 1861, 1851, 1850, 1858, 1856, 1857, 1860, 1865, 1882, 1885, 1888, 1882, 1895, 1897, 1896, 1888, 1895, 1898, 1907, 1901, 1894, 1891, 1891, 1893, 1894, 1873, 1875, 1876, 1887, 1891, 1892, 1896, 1900, 1905, 1909, 1906, 1912, 1906, 1912, 1901, 1892, 1895, 1893, 1908, 1914, 1924, 1943, 1932, 1943, 1940, 1939, 1932, 1951, 1959, 1956, 1957, 1948, 1937, 1937, 1934, 1915, 1912, 1913, 1884, 1870, 1871, 1856, 1858, 1865, 1849, 1858, 1853, 1839, 1865, 1864, 1860, 1869, 1884, 1863, 1853, 1858, 1866, 1878, 1877, 1882, 1888, 1892, 1912, 1925, 1908, 1897, 1897, 1925, 1923, 1932, 1925, 1925, 1930, 1937, 1929, 1936, 1933, 1930, 1961, 1954, 1969, 1960, 1971, 1970, 1963, 1958, 1963, 1972, 1995, 1999, 1984, 1980, 1985, 1967, 1963, 1968, 1980, 1980, 1966, 1968, 1955, 1963, 1978, 1984, 1985, 1969, 1974, 1967, 1962, 1974, 1971, 1990, 2035, 2014, 2013, 2007, 1989, 1993, 2001, 2083, 2048, 2052, 2050, 2056, 2062, 2065, 2080, 2112, 2112, 2145, 2117, 2095, 2115, 2104, 2126, 2118, 2112, 2113, 2135, 2131, 2149, 2140, 2134, 2090, 2120, 2104, 2086, 2105, 2102。
将201个交易日的收盘价格分为大幅下跌, 正常下跌, 小幅振荡, 正常上涨, 大幅上涨五种状态进行分析预测。取x1=大幅下跌, x2=正常下跌, x3=持平, x4=正常上涨, x5=大幅上涨, 则状态空间为:I (x1, x2, x3, x4, x5) 。
状态概率是各种状态出现的可能性的大小, 用状态向量π (i) = (P1, P1, …, Pn) 表示, i=1, 2, …, n, Pj为xj的概率, j=1, 2, …, n。
上面共201个交易日, 利用前一个交易日与后一个交易日的价格作差, 可以得出如下数据:
-10, -11, 1, -23, -8, -11, 4, -17, 4, -9, -8, 31, -21, 2, 0, 0, 3, 1, 0, 10, 15, -3, 1, -3, 10, -4, 0, -10, -1, 8, -2, 1, 3, 5, 17, 3, 3, -6, 13, 2, -1, -8, 7, 3, 9, -6, -7, -3, 0, 2, 1, -21, 2, 1, 11, 4, 1, 4, 4, 5, 4, -3, 6, -6, 6, -11, -9, 3, -2, 15, 6, 10, 19, -11, 11, -3, -1, -7, 19, 8, -3, 1, -9, -11, 0, -3, -19, -3, 1, -29, -14, 1, -15, 2, 7, -16, 9, -5, -14, 26, -1, -4, 9, 15, -21, -10, 5, 8, 12, -1, 5, 6, 4, 20, 13, -17, -11, 0, 28, -2, 9, -7, 0, 5, 7, -8, 7, -3, -3, 31, -7, 15, -9, 11, -1, -7, -5, 5, 9, 23, 4, -15, -4, 5, -18, -4, 5, 12, 0, -14, 2, -13, 8, 15, 6, 1, -16, 5, -7, -5, 12, -3, 19, 45, -21, -1, -6, -18, 4, 8, 82, -35, 4, -2, 6, 6, 3, 15, 32, 0, 33, -28, -22, 20, -11, 22, -8, -6, 1, 22, -4, 18, -9, -6, -44, 30, -16, -18, 19, -3。
可以看出差值的最大值为82, 最小值为-44。规定:当Xn∈[-44, -5]时出现状态1, 即大幅下跌;当Xn∈[-5, -1]时出现状态2, 即正常下跌;当Xn∈[-1, 1]时出现状态3, 即持平;当Xn∈[1, 5]时出现状态4, 即正常上涨;当Xn∈[5, 82]时出现状态5, 即大幅上涨。其中大幅下跌的次数为60次, 正常下跌的次数为27次, 持平的次数为22次, 正常上涨的次数为32次, 大幅上涨的次数为59次。
通过上面各个状态中的频数可以得到各个状态概率分别为:
从而得到状态向量π (0) = (0.30000.1350 0.1100 0.1600 0.2950) 称为初始状态向量。同时还可以得出状态转移频数矩阵:
由状态1转移为状态1的次数是19, 故转移概率P11=0.3115;由状态1转移为状态2的次数为5, 故转移概率P12=0.0820;由状态2转移为状态1的次数为5, 故转移概率P21=0.1923;由状态2转移为状态2的次数为3, 故转移概率P22=0.1154;同理各个状态的转移情况和转移概率都可以得出, 转移概率矩阵为:
矩阵P中每一横行为某一状态下各种情况转移的概率。
P为一步概率转移矩阵。由模型可知, 第K期的状态概率取决于初始状态概率和一步转移概率矩阵的k次方。显然, 若已知初始状态概率向量π (0) 及转移矩阵P, 则可求出预测对象在任何一个时期处于任何一个状态的概率。不同时期的状态概率由状态向量π (i) 表示, 这里π (i) =π (i-1) P, (i=1, 2, …, n) , 由于第201日处于正常下跌状态, 由马氏性和无后效性, 所以可以认为初始状态向量π (0) = (0 1 0 0 0) 。
利用初始向量和状态转移矩阵来预测以后各个收盘日价格状态概率, 第202日收盘价状态概率向量:
第203日收盘价状态概率向量:
同理可以得到收盘价格的变化趋势:随着交易日的增加, 即足够大时, 只要状态转移矩阵不变 (即稳定条件) , 则状态概率趋向于一个和初始状态无关的值 (0.2995 0.1352 0.1106 0.1593 0.2954) , 并稳定下来。即该股最终以45.47%左右的可能性处于上升状态, 以11.06%的把握处于持平状态, 以43.47%左右的把握处于下降状态, 预测的结果与实际情况基本相符。
通过转移概率矩阵P可以知道P中的所有元素都大于0, 由遍历性的定义可以知道, 一步转移概率矩阵P中, 有n使得Pn中的所有元素都大于0, 所以则称一步转移概率矩阵P具有遍历性。
由π= (x1x2x3x4x5) = (0.29950.1352 0.1106 0.1593 0.2954) , 可得各个状态的平均返回时间为:
, 所以可知完成一个短线运行周期平均需要29.4396个交易日。
三、结论
本文对已知数据进行了处理并假设了几个状态利用马尔科夫链模型求出了个状态间的转移频数及转移概率, 利用马尔科夫链所具有的无后效性对未来交易日的价格进行了预测。虽然本文研究取得了一定的成果, 但也存在不足之处。首先, 它是建立在一定的假设条件之上, 而实际市场中这些条件很难满足, 其市商品价格是受市场上的多种因素影响的结果。比如说市场上多空双方的力量比较, 宏观经济政策, 行业景气度以及投资者的心理因素等。其次, 文中的实例分析的数据区间的选择会很大的影响转移概率矩阵。该方法对于短期交易日的预测可能存在一些偏差, 但是对于长期预测还是比较精准的。
参考文献
[1]陈增辉.基于马尔科夫链模型的沪综指数预测[J].金融经济, 2008 (14)
[2]孙文生.经济预测方法[M].上海:上海人民出版社, 2004
[3]韦丁源.股市大盘指数的马尔科夫链预测法[J].广西广播电视大学学报, 2008 (3)
[4]王强.基于马氏链的股票价格预测模型[J].江苏技术师范学院学报, 2008 (2)