引入投资者关注的小宗农产品...测——基于大蒜价格实证研究_孙世洋.pdf

物流贸易-247-小宗农产品是指在农业生产结构中占比较低，规模较小，产量、市场需求量小的农作物产品种类的集合 1。小宗农产品的价格波动主要源于种植面积 2、异常天气、游资炒作等因素 3,4，对小宗农产品价格的合理预测分析，有利于保障生产者、加工商、经销商的合理收益，满足中国居民生活水平的需要。针对农产品价格分析的模型有ARIMA模型 5、ARCH类模型 6、支持向量机模型 7、神经网络模型 8等，上述模型可以用于农产品价格的影响因素分析，实现价格预测或波动性分析工作。近年来，有学者从实验心理学的视角出发，研究价格市场的异常行为。投资者关注作为全新的因子变量被引入价格波动率模型，以期提高预测模型的精度，实证结果表明投资者关注有助于提高模型的预测效果 9-11。受早期的网络资源不发达的限制，投资者受时间和精力的限制，在现实中仅关注到相当少的信息。近年来，行为金融学发展迅速，但由于行为金融学大部分研究主要针对证券市场、公司金融等方面，从行为金融学角度对我国农产品期货市场价格进行研究是新颖的视角。在缺乏大数据手段的早期研究中，投资者关注度常用市场中的变量来衡量。在经典研究中，投资者关注度的代理变量一般包括异常交易量、特殊事件、极端收益、成交量等。这些传统变量在一定程度上能够衡量投资者关注度，但是仍存在不准确之处。随着互联网的发展，网络搜索数据时效性强、覆盖面广、信息来源于真实经济个体，学者们在意识到互联网搜索量的优点后，将互联网搜索指数等信息类统计指标作为投资者关注的代理变量。本文主要研究投资者关注对小宗农产品价格的影响，以小宗农产品的代表大蒜的价格为例，研究投资者关注是否对大蒜的价格有影响。农产品价格序列与百度指数序列均为时间序列，VAR模型以历史数据为基础，通过挖掘系统内部所隐含信息对时间序列未来的发展趋势进行判断 9，常用于多个相关联时间序列序列的预测。本文通过格兰杰因果检验说明百度指数和大蒜价格的因果关系，并通过VAR模型、脉冲响应分析和方差分解分析百度指数对大蒜价格波动的影响，最终建立大蒜价格预测的VAR模型。1 数据说明与模型分析1.1 数据说明与预处理首先，在百度平台获取以“大蒜”为关键词的百度指数日数据。其次，在布瑞克数据库平台，获取大蒜、蒜薹、生姜、大葱价格日数据。五组数据的时间区间均为 2015年3月13日至 2021年12月21日。选取蒜薹、生姜、大葱价格作为VAR模型中控制变量的原因包括：蒜薹和蒜头同属大蒜的一部分，本文分析的大蒜即蒜头价格。蒜薹和大蒜均可以进行保鲜储藏，丁超 12研究指出，蒜薹的“产地储藏，全国供应”的、先进的产销模式已逐渐形成了全国性的蒜薹大市场。葱、姜、蒜同是重要的调味蔬菜，研究表明葱、姜、蒜的产地集中，有较强的季节性，加之市场信息的不对称性，市场稳定性较差，相对于生姜、大蒜，大葱的波动相对较弱 13。下面将基于VAR模型，分析百度指数对大蒜价格的影响。除百度指数外，其余数据均存在缺失数据，采用与前一值相同的插值方法对缺失数据进行补引入投资者关注的小宗农产品价格预测基于大蒜价格实证研究孙世洋，刘慧，任齐选，孙莉，张超（山东农业大学信息科学与工程学院，山东泰安271018）摘要 小宗农产品产地集中，具有显著的地域性特征。受投机炒作、供需失衡等因素的影响，农产品价格会出现大幅波动。采用实证分析的方法探索小宗农产品价格的重要外生因素投资者关注。以百度指数作为投资者关注的解释变量，采用 2015 年 3 月 13 日至 2021 年 12 月 21 日大蒜价格和以大蒜为关键词的百度指数周数据，通过 VAR模型分析百度指数对大蒜价格的影响。结果表明，百度指数代理的投资者关注是大蒜价格的格兰杰原因，滞后 3 阶的百度指数在 VAR 模型的参数显著性检验中呈现显著性，脉冲响应结果表明投资者关注对大蒜价格具有负向影响。关键词 小宗农产品价格；投资者关注；预测；大蒜价格；实证研究；百度指数；VAR 模型 中图分类号 O213 文献标识码 A 收稿日期 2022-12-26 基金项目 国家自然科学基金资助项目（11301307）；山东省自然科学基金资助项目（ZR2022MA009）；大学生创新创业训练计划项目（S202210434038）.作者简介 孙世洋（2002），男，山东临沂人，在读本科生。通讯作者 孙 莉（1980），女，山东泰安人，教授，博士，研究方向：农业数据分析，机器学习中的优化算法。孙世洋，等：引入投资者关注的小宗农产品价格预测物流贸易-248-农村经济与科技 2023 年第 34 卷第 11 期（总第 559 期）充，随后将4组数据通过取平均值的方法转换成周数据，并取对数。为了叙述的方便，分别用表示大蒜、百度指数、蒜薹、大葱数据，其中，得到的大蒜价格和百度指数的时间序列如图1所示。图 1 大蒜价格和百度指数的时间序列1.2 基于投资者关注与大蒜价格的VAR模型VAR模型采用方程联立的形式，把系统内每一个内生变量作为系统中所有内生变量的滞后值的函数构造模型，将单变量自回归模型推广到由多元时间序列变量组成的向量自回归模型。可估计全部内生变量的动态关系。同时可分析随机扰动对变量系统的动态冲击，进一步预测相互联系的时间序列系统，最终分析各种经济冲击因素对经济变量造成的影响程度 11。VAR模型的数学表达式如下。（1）式中，Xt为n维的时间序列向量，c为n维常数向量，p为滞后阶数，Bt-i是n阶待估计系数矩阵，t是n维随机向量，t的各分量独立同分布。以 2015年3月13日至 2021 年12月21日共计354个数据作为样本，利用 Eviews 9 软件建立VAR模型。为了满足VAR理论对模型中每一个变量都是平稳的要求，对4组时间序列数据采用Dickey-Fuller(ADF)平稳性测试，结果如表1所示。ADF测试结果表明，选定的序列平稳，可进行VAR建模分析。表 1 ADF 平稳性测试结果变量DW值ADF值P是否平稳x12.19-3.350.013 4*是x22.00-4.890.000 4*是x32.03-4.330.003 2*是x42.13-3.310.066 5*是注：“*”“*”“*”分别代表在10%、5%和1%水平上显著。下表同1.2.1 大蒜价格、百度指数的VAR模型首先，建立大蒜价格x1与百度指数x2之间的 VAR模型，参数估计结果见表 2。表 2 大蒜价格 x1和百度指数 x2VAR 模型的参数估计结果参数x1,t-1x1,t-2x1,t-3x2,t-1x2,t-2x2,t-3cx1,t0.37*0.33*0.23*0.030.05-0.14*0.65*(0.051 4)(0.051 8)(0.050 7)(0.065 8)(0.091 7)(0.065 4)(0.246 2)x2,t0.010.048-0.020.98*-0.13*0.020.93*(0.041 9)(0.042 3)(0.041 3)(0.053 6)(0.074 7)(0.053 2)(0.200 1)注：括号内数据表示标准误差，表4、表5同；模型的R2值分别为0.856 6、0.802 1表格2对应的VAR模型如下所示。（2）VAR模型中的大蒜价格方程表明，投资者关注对大蒜价格具有显著影响。方程中滞后1阶和2阶的投资者关注的系数不显著，滞后3阶的投资者关注系数为-0.14，且在5%置信水平下通过了参数显著性检验。这说明投资者关注对大蒜价格的影响可能会在第3周出现，且呈现负相关性。分析时间序列变量间的因果关系是VAR模型的一个重要应用。格兰杰定理表明，存在协整关系的变量存在至少一个方向上的格兰杰因果关系。通过格兰杰因果关系检验，研究大蒜价格与投资者关注之间的因果关系。滞后阶数设置为3，格兰杰因果关系检验结果如表3所示。表 3 格兰杰因果检验结果原假设FP是否接受原假设百度指数不是大蒜价格的格兰杰原因2.700.045 5*否大蒜价格不是百度指数的格兰杰原因1.630.183 3是由表3可知，百度指数作为代理变量的投资者关注，它的前期信息会影响大蒜价格的当期变化，但相反地大蒜价格对百度指数不存在反向效应。1.2.2 引入控制变量后的VAR模型为了验证投资者关注对大蒜价格的影响，引入蒜薹价格作为控制变量，对大蒜价格、蒜薹价格和以“大蒜”为关键词的百度指数建立VAR模型。参数估计结果如表4所示。表 4、表 5 中 滞 后 2 阶 和 3 阶 的 百 度 指 数系数仍呈现显著性。滞后2阶的蒜薹价格系数呈现显著性，大葱价格滞后1、2、3阶的系数均不呈现显著性。大蒜和蒜薹同属于大蒜产品，其产量受种植面积、天气等因素的影响相似，若不考虑保鲜储藏、人为炒作等影响，两类农产品物流贸易-249-的价格应存在较大的相关性。表格4给出的基于大蒜、蒜薹价格和百度指数的VAR模型中，滞后2阶的蒜薹价格其系数为0.34，且在5%的水平上显著。说明蒜薹价格的变动可能会对2周后的大蒜价格产生影响。1.2.3 大蒜价格对百度指数变化的响应利用脉冲响应函数分析百度指数的变动对大蒜价格的影响。如图2所示，横轴表示冲击作用的滞后期间数，纵轴表示大蒜价格的响应。实线表示脉冲响应函数，代表了大蒜价格对百度指数冲击的反映，虚线表示正负两倍标准差偏离带。周度图 2 百度指数冲击引起大蒜价格的响应函数图2表明，当在本期给百度指数一个正冲击后，大蒜价格在前5期内上下波动，第4期开始持续降低，这表明百度指数给大蒜价格带来负向的冲击，且这一冲击具有持续效应。2 小结本文指出投资者关注是大蒜价格的一个重要外生因素，采用百度指数作为投资者关注的代理变量，将其引入VAR模型。结果表明，大蒜价格的VAR模型中，百度指数滞后3阶的变量系数呈显著性，且格兰杰因果检验的结果表明百度指数是大蒜价格的格兰杰原因，进一步从脉冲响应图可以看出百度对大蒜价格有负向冲击作用。同时分别引入了蒜薹、大葱的价格作为控制变量，建立了基于大蒜价格、百度指数、控制变量的3维VAR模型，百度指数变量的系数同样呈现显著性。引入基于互联网搜索查询的投资者关注度测量方法，与之前使用的注意力测量方法相比，互联网搜索的优势在于，它能够吸收积极表达的投资者兴趣，这更适合衡量投资者对农产品市场的关注度。参考文献1 于爱芝，周建军，张蕙杰.我国小宗农产品国际贸易现状与趋势分析J.中国农业资源与区划，2020，41（8）：110-120.2 王霄宇，张 艳，柳平增，等.大蒜种植规模变化特征及影响因素分析J.中国农机化学报，2022，43（5）：109-114.3 姚 升.小宗农产品价格波动特征及其影响因素研究以大蒜类耐储藏农产品为例J.价格理论与实践，2021（8）：100-103，186.4 李京栋，李先德.中国小宗农产品价格波动的金融化因素分析基于大蒜和绿豆价格数据的实证研究J.农业技术经济，2018（8）：98-111.5 李慧颖，白 丽.中国大蒜出口价格波动特征分析J.农村经济与科技，2021，32（17）：124-126.6 高仙草，任艳云，李印峰，等.基于ARCH类模型的金乡大蒜产地价格波动特征分析J.安徽农学通报，2020，26（24）：19-20，27.7 喻胜华，龚尚花.基于Lasso和支持向量机的粮食价格预测J.湖南大学学报（社会科学版），2016，30（1）：71-75.8 史世凯.基于深度学习的苹果价格预测模型研究D.泰安：山东农业大学，2022.9 ZHANG Y P，CHEN Y，WU Y，et al.，Investor attention and carbon return：evidence from the EU-ETJ.Economic Research-Ekonomska Istrazivanja，2022（35）：709-727.10 唐 旻，黄志刚.引入投资者关注度的股指收益率预测研究基于差分进化算法极限学习机模型J.系统科学与数学，2022，42（6）：1503-1518.11 任碧云，程茁伦.金融脱媒对中国商业银行资产负债业务冲击的动态影响基于VAR模型的实证研究J.中央财经大学学报，2015（3）：26-33.12 丁 超.20052006年度全国大蒜（蒜薹）产销行情分析J.中国蔬菜，2006（11）：39-41.13 宋 洋，郑 姗，吴嘉锡，等.北京市小宗蔬菜价格走势及波动周期分析J.北方园艺，2018（1）：167-172.表 4 引入控制变量蒜薹价格 x2后的 VAR 模型的参数估计结果参数x1,t-1x1,t-2x1,t-3x2,t-1x2,t-2x2,t-3x3,t-1x3,t-2x3,t-3cx1,t0.35*0.31*0.22*-0.070.16*-0.11*-0.060.34*-0.150.07(0.051)(0.051)(0.050)(0.064)(0.088)(0.064)(0.100)(0.160)(0.100)(0.246)注：模型的R2值为0.864 3表 5 引入控制变量大葱价格 x4后的 VAR 模型的参数估计结果参数x1,t-1x1,t-2x1,t-3x2,t-1x2,t-2x2,t-3x4,t-1x4,t-2x4,t-3cx1,t0.38*0.33*0.23*-0.080.17*-0.15*-0.080.20-0.120.67*(0.051)(0.052)(0.051)(0.066)(0.090)(0.065)(0.155)(0.280)(0.154)(0.263)注：模型的R2值为0.856 9孙世洋，等：引入投资者关注的小宗农产品价格预测