新型冠状病毒疫情下布伦特原油价格波动研究

.

[摘要]2020年年初，新型冠状病毒疫情暴发，布伦特原油价格发生了较大的波动，而原油价格的波动对我国的经济发展至关重要。为此，文章选取了2020年1月2日到2020年6月30日布伦特原油期货的开盘数据，对其进行二阶差分建立平稳性的原油价格序列，通过建立ARMA（1，2）模型，计算其残差并进行ARCH检验，发现序列存在着高阶ARCH效应;又进一步研究发现，序列有显著的非对称现象，最终确定对序列建立TARCH（1，1）模型对原油价格波动进行分析。

[关键词]新型冠状病毒;布伦特原油价格;ARMA模型;TARCH模型;EARCH模型

[DOI]10.13939/j.cnki.zgsc.2021.31.057

从2020年1月以来，排除美伊冲突的影响，伦敦布伦特原油价格受新型冠状病毒疫情的影响较大。从疫情的危险性来看，新型冠状病毒具有人与人之间的高传染性，故需实行隔离措施，控制人员流动，防止交叉感染。部分企业不完全复工，私家车出行减少，航空客运班次减少，部分物流运输行业停工，工地基建项目停工，汽柴油的消费受压制，总之原油价格降低和原油需求降低，欧佩克将深化减产。

1文献综述

近年来，国内外一些学者研究了一些因素对石油价格波动的影响。王传稳基于ARMA-GARCH-M模型对石油价格市场进行了研究[1];周宇，徐凌等利用ARIMA模型对石油价格进行了预测[2-3];Rabemananjara R对ARCH模型和非对称效应有一定的研究[4];吴孟琪对原油价格的非对称效应进行了探讨[5];于晓娟应用GARCH模型对布伦特原油价格波动性进行了分析[6];冯超应用TARCH（1，1）模型对石油价格波动进行了分析[7];新型冠状病毒疫情的影响如同“坏消息”对原油价格波动的影响，TARCH模型适用于文章研究。

2实证分析及模型检验

2.1样本的选择与处理

文章选取2020年1月2日到2020年6月30日伦敦布伦特原油期货的开盘数据，除去周末及节假日，共计128个数据，数据来源于英为财情网。其中pricet是第t天的原油开盘价格，之后用STATA软件进行相关数据处理。

如图1所示，原油价格在2020年1月初时为70美元/桶，但在3月和4月时价格已经跌破30美元/桶，这期间由于受疫情影响，原油需求量减少，油田开始限产等，对原油价格产生了巨大的冲击。从图1中明显可见原油价格序列存在着显著的非对称性和非平稳性。

2.2数据的检验

通过二阶差分计算，可将原油价格序列换算成平稳序列D2_y，如图2所示，可在一定程度上减少趋势及其他因素对序列的影响。由图3可以看出，数据有一定的聚集现象，在3—4月时间段内数值非常大，可能存在ARCH或GARCH效应。

对序列进行ADF检验，结果如表1所示，其中检验标准为无截距项与时间趋势项。ADF统计量为-18.838，小于-4.032、-3.447、-3.147;P值为0，说明此时的序列是平稳的，可以对该序列进行建模分析。

如图4所示，对序列计算各统计量，其序列的分布情况有别于正态分布，其均值为0.0071429，不等于0，故正态分布的基本假设不满足。其偏度为-0.3306876，可知序列左偏分布;峰度为5.304158，相比正态分布的最大峰度值3要大，故尖峰特征明显。

2.3模型的建立与选择

2.3.1ARCH模型

ARCH模型又称自回归条件异方差模型，可用于描述一般均值方程的随機扰动项条件方差的变化。通常，随机扰动项的平方服从一个p阶的ARCH模型：

σ2t=α0+α1ε2t-1+…+αqε2t-p+ηt， t=1， 2， …（1）

式（1）中，ηt独立同分布，E（ηt）=0， D（ηt）=λ2，则模型为自回归条件异方差模型。

2.3.2GARCH模型

在p阶的ARCH模型中，如果p值大，则应估计较多参数，会对样本容量有损失，广义自回归条件异方差模型（GARCH）在ARCH 模型的基础上，加上σ2t的自回归部分，使得待估计参数减少，对未来条件方差的预测更加准确。

GARCH（p，q）随机扰动项为：

σ2t=α0+α1ε2t-1+…+αqε2t-p+γ1σ2t-1

+…+γqσ2t-q， t=1， 2， …（2）

式（2）中，p为σ2t的自回归阶数，而q为εt的滞后阶数。在STATA中，称εt为ARCH项，而称σ2t为GARCH项，最常用的GARCH 模型为GARCH（1，1）。从某种意义上讲，GARCH（1，1）相当于无穷阶ARCH 模型。

因此，如果引入σ2t-1作为解释变量，高阶ARCH（p）模型可简化为GARCH（1，1）。对GARCH 模型同样采取条件MLE估计。

2.3.3TARCH模型

TARCH模型又叫门限ARCH 模型，它的条件方差方程为：

σ2t=α0+α1ε2t-1+…+λ1ε2t-1·1（ε2t-1>0）+

β1σ2t-1， t=1， 2， （3）

式（3）中，1（·）为示性函数，即当ε2t-1>0 时，取值为1，此时存在非对称项;反之，则为0，不存在非对称项。λ1ε2t-1·1（ε2t-1>0）为TARCH项。该模型适用于研究“坏消息”对资产价格波动的影响可能大于“好消息”的影响。

2.3.4ARCH效应检验

文章首先对二阶差分序列D2_y建立均值方程，通过对序列建立时间序列模型（ARMA模型），并根据相关系数和P值大小判断，序列满足ARMA（1，2）模型。

由此可建立模型的均值方程：

D2yt-0.0086=-0.9588（D2yt-1-0.0086）+εt-

0.2047εt-1-0.9795εt-2（4）

但从图3可以看出，数据存在聚集现象。文章用OLS对序列D2_y进行常数回归，然后使用拉格朗日乘子检验（LM）对滞后阶数为2的残差项进行检验，可得P值为0，拒绝原假设H0，则说明有ARCH效应，应考虑建立TARCH或GARCH模型。

2.3.5模式识别

从图1可以看出，伦敦布伦特原油价格在3—4月有巨大的下跌，且原油价格序列也存在非对称性。所以，应由其残差项构建TARCH或EARCH模型来描述原油市场的波动情况。文章在选择拟合GARCH（1，1）模型基础上再加上TARCH（1）模型，P值较小，即通过t检验。文章另外选择拟合EARCH（1，1）模型，P值较小，即通过t检验。

由表2结果可知，TARCH模型的似然函数数值更大，为-326.5728;而AIC、BIC的值更小，为665.1456和682.1155，择优选择建立TARCH模型。实际计算中，TARCH模型中各个系数的P值多数小于0.05，可认为TARCH模型可用。其均值方程和条件方差方程如下：

均值方程：

ΔD2yt=0.6651-0.7109ΔD2yt-1（5）

条件方差方程：

σ2t=2.939+0.2606ε2t-1+0.3192ε2t-1dt-1+0.3860σ2t-1（6）

在条件方差方程式（6）中，当有好消息时，dt-1=0，无非对称项，只有一个0.2606倍数的冲击;当有坏消息时，dt-1=1，有非对称项，会有一个0.5798倍数的冲击。因为λ1>α1， λ1>0，非对称效应的作用加剧波动的影响。

3結论

文章选取布伦特原油价格的数据区间，进行实证分析后发现，原油价格受到新型冠状病毒疫情坏消息的影响，原油价格在3—4月有显著的下跌现象。此外，对原油价格残差序列进行ARCH效应检验后，发现存在ARCH效应且具有显著的非对称性。为此，通过方法优选对序列建立TARCH（1，1）模型。根据模型的参数可知，模型中非对称系数为正值，会使得原油价格的波动逐渐变大;而出现坏消息时，对原油价格的冲击要比出现好消息时的冲击更大。

由上述的实证分析，可以清楚地认识到新型冠状病毒疫情对原油价格的冲击是较大的。当原油价格受到该不利因素影响时，石油行业将面临大量油井关停限产，国家和石油公司需要制定相关的长期措施和短期计划，减少原油价格变化所带来的损失。各个国家应该考虑石油公司桶油成本，采取减少燃料补贴或增加税收等行政手段进行干预，在一定范围内严格控制成品油价格。石油公司仍然面临存货减值、经营业绩下滑的风险。石油公司短期内应当全产业链削减各类成本和降低资本支出。石油公司应建立长期转型目标，构建清洁低碳的多元能源供给体系，向综合能源公司转型。

参考文献：

[1]王传稳，赵凯，叶静，等.基于ARMA-GARCH-M模型的石油价格市场风险与收益关系研究[J].青岛大学学报（自然科学版），2014（4）.

[2]周宇.ARIMA模型在石油价格预测分析中的应用[J].北方经贸，2017（8）.

[3]徐凌，黎佳卉，李亮.ARIMA模型在国际原油价格预测中的应用[J]，河南科学，2013（5）.

[4]RABEMANANJARA R，ZAKOIAN.Jarch models and asymmetries in volatility[J].Journal of Applied Econometrics，1993（1）.

[5]吴孟琪.国际原油价格的波动对我国产出的非对称效应研究[D].南昌：江西财经大学，2018.

[6]于晓娟，张学东，顾浩.基于GARCH模型的BRENT原油价格波动性分析[J].中国证券期货，2012（8）.

[7]冯超，申世昌.基于TARCH（1，1）模型对石油价格波动的实证分析[J].佳木斯大学学报（自然科学版），2019（4）.

[作者简介]饶溯（1989—），男，江西人，工程师，硕士，对外经济贸易大学统计学院在职人员高级课程研修班学员，中海石油国际能源服务（北京）有限公司工程师，研究方向：石油勘探开发、经济学。