生猪期货价格对现货价格的影响机制研究

Study on the Influence Mechanism of Pig Futures Prices on Spot Prices

摘要: 本文探讨了生猪期货对现货市场的价格发现作用，并通过对国内外相关文献的综述，结合EViews软件进行实证分析。本文旨在揭示生猪期货市场如何有效预测和引发现货市场价格变动。研究结果表明，生猪期货市场具有显著的价格发现功能，对现货市场价格具有引导作用。本文的研究有助于深入理解生猪期货市场的运行机制，为相关决策提供理论支持。

Abstract: This paper explores the price discovery function of pig futures in the spot market and conducts an empirical analysis using EViews software, supported by a review of relevant domestic and international literature. The paper aims to reveal how the pig futures market effectively predicts and guides spot market price fluctuations. The research findings show that the pig futures market has a significant price discovery function and has a guiding role in spot market prices. This study helps to better understand the operation mechanism of pig futures market and provides theoretical support for related decision-making.

1. 引言

生猪产业作为我国农业的重要组成部分，其健康发展对于保障国家粮食安全、稳定市场价格、促进农村经济增长具有重要意义。然而，由于各种因素如疾病疫情、饲料成本、政策调整等的影响，生猪市场价格波动剧烈，给养猪企业和消费者带来巨大风险。因此，如何有效管理生猪市场的风险，稳定市场价格，成为当前亟待解决的问题。

生猪期货作为我国首个以活体为交割标准的期货品种，自2021年上市以来，通过集中竞价交易，形成公开、透明、权威的期货价格，为现货市场提供了重要的价格信号。本文旨在深入探讨生猪期货市场的价格发现功能机制，分析其对生猪现货市场稳定发展的积极影响，以期为相关政策的制定和市场监管提供参考依据。同时，本文也期望能够为生猪产业的市场风险管理提供新的思路和方法，促进生猪产业的持续健康发展。

2. 文献综述

自期货市场成立以来，国内外学者就对期货与现货市场的关系进行了广泛的研究。国外学者在期货市场的价格发现、风险管理等方面进行了深入探讨，并提出了许多有价值的理论和模型。Garbade (1983)等较早通过建立相关动态模型来检验期货价格与现货价格在价格发现功能的作用[1]，Harry Markowitz (1952)提出了均值–方差分析方法和有效边界的概念[2]，这些理论对于期货市场的风险管理和资产配置具有重要的指导意义。

国内学者也结合我国的实际情况，对期货的功能和作用进行了深入研究。刘荣茂和孙戈(2019)通过随机游走模型研究鸡蛋期货的市场效率，发现鸡蛋期货具有一定的价格发现能力，但管理效率有待提高[3]。魏明英和廖宜静(2020)以及刘智颖(2021)也有类似的研究，都验证了上述观点。李军林和陈萌(2021)等人研究了境内外大豆期货对现货价格的影响，得出大豆期货市场具有较高的短期价格发现效率结论[4]。许龄云(2022)通过协整检验和格兰杰因果检验，分析得出玉米期货市场具有价格发现功能，并对市场供求关系和政府调整粮价政策有积极影响[5]。在生猪期货的价格发现功能方面，有研究表明生猪期货价格与现货价格之间存在较高的相关性。例如，周大朋和程金花(2024)等人运用Granger检验、时变脉冲响应、信息份额等模型发现生猪期货的单向价格发现作用显著[6]。

通过以上的分析可以看出，由于我国生猪期货上市时间短，因此在过往研究中农产品期货的选择大多局限于常见的大豆、玉米等期货，对新兴的生猪期货研究较少，因此，本文选取生猪期货与现货的价格数据，研究生猪期货市场对现货市场的积极推动作用。

3. 数据来源与模型设定

在实证研究部分，本文收集了2022年7月26日至2024年4月22日大连商品交易所生猪期货主力连续合约的日收盘价作为生猪期货价格序列X，单位为元/公斤。选取了2022年7月26日至2024年4月22日外三元生猪出厂价作为生猪现货价格序列Y，单位为元/公斤。在缺失数据后，得到354对期货现货价格序列。数据来源于ifind金融终端和大连商品交易所网站。由于选取的单位为元/公斤，初始数据量较小，直接处理原始序列数据X、Y，再对X和Y取一阶差分后得到DX和DY，分别为生猪期货收益率序列和生猪现货收益率序列，具体变量设置见表1。

Table 1. Variable settings

表1. 变量设置

变量	含义
X	生猪期货价格
Y	生猪现货价格
DX	生猪期货收益率
DY	生猪期货收益率

3.1. ADF检验

ADF检验的基本思想是，如果时间序列是平稳的，那么它的一阶差分应该是一个白噪声序列(即随机误差项)。如果ADF检验的统计量小于某个临界值，那么就可以拒绝原假设(即时间序列存在单位根)，从而认为该时间序列是平稳的。

3.2. OLS检验

在OLS模型中，我们寻找一组参数β₁、β₂……的估计值，使得模型的预测值与实际观测值之间的离差平方和达到最小。OLS模型通常用于线性回归问题，即当自变量和因变量之间存在线性关系时，OLS模型可以通过最小化预测误差的平方和来找到最佳拟合线。OLS模型的基本假设包括参数线性关系、x是满秩的以及干扰项的条件期望为0等。

3.3. EMC检验

在ECM模型中，假设非平稳响应序列与非平稳输入序列之间具有协整关系，即它们的线性组合为平稳序列。通过计算误差修正项(即协整方程的残差)，并将其滞后一期作为解释变量，连同其他反映短期波动关系的变量一起，建立ECM模型。ECM模型可以用于预测时间序列的短期动态变化，并研究不同变量之间的短期关系。

4. 实证分析

4.1. OLS模型实证

为了避免时间序列出现伪回归现象，首先对变量进行ADF检验。ADF检验分成三种形式：含有截距项(β₁)和时间趋势、只含有截距项、无截距和时间趋势，对生猪期货现货价格和收益率序列进行分析，根据三个信息准则，即AIC、SC、HQ，比较选取最小值最多的情况，可得生猪期货序列为没有截距项和时间趋势项的含单位根的形式，一阶差分后的生猪期货和现货收益率序列为既没有截距项也没有趋势项的形式，ADF检验结果如表2所示：

Table 2. The results of ADF test

表2. ADF检验结果

序列	t值	p值	结论
Y	−0.9146	0.3196	非平稳
X	−0.5401	0.4825	非平稳
DY	−22.1076	0.0000	平稳
DX	−16.7872	0.0000	平稳

由表2可知，对Y的平稳性检验的t值为−0.9146，p为0.3196，是非平稳序列；对X的平稳性检验的t值为−0.5401，p为0.4825，是非平稳序列。而对一阶差分DY进行平稳性检验，对应的t值为−22.1076，p为0.0000，是平稳序列；一阶差分DX对应的t值为−16.7872，p为0.0000，是平稳序列。基于一阶差分序列DY与DX的平稳性，对生猪期货和生猪现货的收益率进行OLS回归，建立的表达式为：

${\text{DY}}_{\text{i}}=\beta {\text{DX}}_{\text{i}}+\text{ei}$

其中β为系数，ei为误差项，得到的回归结果如表3所示：

Table 3. OLS regression of DX and DY

表3. DX和DY的OLS回归结果

变量	系数	标准误	t统计量	p值
DX	0.253154	0.081520	3.105410	0.0021
C	−0.016586	0.028437	−0.583248	0.5601

由表3结果得到的回归方程为：

${\text{DY}}_{\text{i}}=0.2540{\text{DX}}_{\text{i}}+\text{ei}$

从回归结果可得DX的t值为3.105410，p值为0.0021。由于p值小于常用的显著性水平(0.05)，可以拒绝原假设(即DX的系数为0)，并认为DX对DY有显著影响。其中变量DXi前的变量表示期货收益率变动1单位，现货收益率就变动0.2540单位。

4.2. ECM误差修正模型实证

根据ADF检验结果，说明原数据序列X、Y均为一阶单整序列，可以进行协整检验。于是，本文采用X、Y做OLS线性回归后得到的回归方程残差来检验生猪期货价格和现货价格是否具有协整关系。具体协整回归公式如下：

${\text{Y}}_{\text{t}}=\beta \ast {\text{X}}_{\text{t}}+\text{C}+{\text{e}}_{\text{t}}$

对残差项进行无趋势项，也无截距项的ADF检验：

Table 4. ADF test results for residual sequences

表4. 残差序列的ADF检验结果

t统计量	p值	1%临界值	5%临界值	10%临界值
−2.2131	0.0261	−2.5715	−1.9417	−1.6161

由表4可知，在95%的置信水平下，不拒绝残差序列e_t不含单位根的假设，说明X、Y序列存在协整关系，因此选择将e_t滞后一期作为误差修正项和$\text{D}\left(\text{X}\left(-1\right)\right)$ 、DY建立误差修正模型，具体表达式为：

${\text{DY}}_{\text{t}}=\beta \ast {\text{DX}}_{\text{t}-1}+\alpha {\text{ECM}}_{\text{t}-1}+\text{C}+{\text{u}}_{\text{t}}$

式jdj中的${\text{ECM}}_{\text{t}-1}$ 就是误差修正项，β是修正后的${\text{DX}}_{\text{t}-1}$ 的系数。回归结果如表5所示。

根据表5的回归结果可得ECM模型表达式为：

${\text{DY}}_{\text{t}}=0.1501{\text{DX}}_{\text{t}-1}-0.0767{\text{ECM}}_{\text{t}-1}-0.0148+{\text{u}}_{\text{t}}$

由表5可知，${\text{DX}}_{\text{t}-1}$ 和${\text{ECM}}_{\text{t}-1}$ 系数的t统计量在1%的置信水平下显著。${\text{DX}}_{\text{t}-1}$ 的系数β是0.1501，即对于生猪现货收益率来说，生猪期货收益率每变动1单位，生猪现货收益率变动0.1501，两者呈正向相关关系，并且由于修正模型中使用的是滞后一期的生猪期货价格，说明生猪期货价格对现货价格有预测作用。

Table 5. Error correction model

表5. 误差修正模型

变量	系数	标准误差	t统计量	p值
$\text{D}\left(\text{X}\left(-1\right)\right)$	0.1501	0.0827	1.8144	0.0705
$\text{ECM}\left(-1\right)$	−0.0767	0.0175	−4.3792	0.0000
C	−0.0148	0.0278	−0.5334	0.5491

5. 结论

基于上述实证分析结果，我们可以得出以下结论：

1) 通过OLS回归分析，发现生猪期货收益率(DX)对生猪现货收益率(DY)有显著的正向影响。具体而言，生猪期货收益率每变动1单位，生猪现货收益率将变动0.1501单位，这反映了两者之间的紧密联系和相互影响。

2) 通过协整检验，证明生猪期货价格和现货价格之间存在长期均衡关系。这意味着在长期内，两者的价格变动趋势是一致的，期货市场能够有效地反映现货市场的价格变动。

3) 误差修正模型进一步揭示了生猪期货价格对现货价格的短期动态影响，并显示出期货价格对现货价格具有预测作用。具体而言，滞后一期的生猪期货收益率(${\text{DX}}_{\text{t}-1}$ )的系数为0.1501，意味着期货价格变动对现货价格变动有正向影响；而误差修正项(${\text{ECM}}_{\text{t}-1}$ )的系数为负，表明当短期波动偏离长期均衡时，系统存在自动修正机制，使两者关系回到均衡状态。

6. 建议

鉴于生猪期货市场对现货市场的显著影响，监管机构应加强对期货市场的监管力度，确保市场的公平、公正和透明，防止市场操纵和过度投机行为。提高期货市场和现货市场的信息披露水平，增强市场透明度，使市场参与者能够更准确地把握市场动态和价格趋势，提高市场效率。并且由于生猪期货市场对现货市场的价格发现作用，可以鼓励更多的生猪生产者和相关企业参与期货市场，利用期货市场的价格发现，更好地规避价格波动风险，稳定生产经营。