油价计算模型是什么_油价计算器在线计算

1.用ad as模型说明国际油价下降对中国经济的影响

2.国际原油价格影响因素的定量分析

3.利用AD-AS模型，说明原油价格的上涨对经济的影响

4.油价重回5元时代，年内油价是否会出现涨幅？

5.实证结果分析与讨论

6.国际石油市场风险度量及其溢出效应检验方法

苏映宏　尚明忠　王兴科　赵小军　侯春华

摘要　从油田开发的基本规律和目前的开发经济效益状况出发，运用油藏工程的基本原理和经济学的基本原理，建立了新井经济极限初产油量、老井经济极限含水量和经济极限产油量的计算模型。在此基础上，研究了油田非经济产量的变化规律，并应用此规律预测了未来一定时期油田非经济产量百分比及油田的年度经济产量。该方法的研究与应用对提高油田开发经济效益具有重要意义。

关键词　经济产量　效益产量　低效产量　低效井　经济极限含水量

一、引言

在市场经济条件下，企业追求经济效益的重要特征之一就是力争使利润最大化和合理化。石油企业追求利润最大化的基本形式应该是最经济地开发出全部的可储量，或者说使可储量的开发利润最大化。因此，油田开发应尽可能避免不经济的成分存在。

从胜利油区近几年的生产情况看，平均单井日产油小于1t的井数从1992年的417口井上升到1999年的1222口，井数比例由4.4%上升到10.3%，井数及其比例均成倍上升。这些井中必然有部分处于低效状态下生产，因此，分析低效井及其产量的变化规律对提高油田的开发经济效益具有重要的意义。

国内外经济产量的研究方法比较复杂，所需预测的参数较多，实际操作困难[1]。为适应市场经济的需要，同时也为提高油田开发经济效益，有必要研究一种合理的、易于操作的经济产量计算方法。

二、经济产量计算模型

油田年度经济产油量定义为在经济开发期内能够获得利润的年产油量。在商品经济的条件下，一个油田年度经济产油量的高低和油价及成本水平密切相关，油价提高、成本降低将有利于经济产油量的提高；反之，油价下跌、成本上涨，将导致经济产油量的降低。因此，研究油田经济产油量的问题，其实质是在研究油田产油量客观变化规律（油藏内在的）的基础上，深入研究油价、成本的变动对经济产油量的影响，并建立起相关的数学模型，预测油田未来时期经济产油量的变化。

从平均的、客观的角度来讲，对于一个油田，只要目前的平均吨油成本低于税后油价，油田经营就可以获得利润。油田的年度产油量也可以说是经济产油量，定义为年度宏观经济产油量。但油田总体上的获利状况并不等于油田中的每口油井的产油量都是经济的。事实上，在油田年度宏观经济产油量中，往往包括一些低产低效井的非经济产油量。因此，对于一个油田，年度经济产油量的预测应该是在油田年度宏观经济产油量预测的基础上，剔除其中低产低效油井的非经济产油量，计算模型如下：

胜利油区勘探开发论文集

式中：Qi——已开发油田年度经济产油量，104t；

Qh——油田年度宏观经济产油量，104t；

Qe——油田年度低效产油量，104t；

e——低效产量百分数，%。

三、年度宏观经济产油量预测方法

年度宏观经济产油量就是在经济可期内的年产油量。经济可储量及剩余经济可储量可以由水驱系列法结合经济极限含水量求得。

胜利油区勘探开发论文集

式中：Npj——剩余经济可储量，104t；

Npo——累积产油量，104t；

a、b——水驱系列甲型水驱曲线系数；

fw,min——经济极限含水，小数（本文后面有推导）；

CL——吨液成本，元/t；

P——原油价格，元/t；

Rt——吨油税金，元/t；

W——原油商品率，小数；

qL——平均单井产液量，t/d。

年产油量预测通常用Arps递减法。Arps递减曲线的3种类型中[2]，双曲递减方程是通式，而指数递减和调和递减方程可以认为是双曲递减方程分别在递减指数n→∞和n=1时的两种特例。因此，可以通过最佳拟合计算双曲递减方程递减指数n，来判断递减类型。

由双曲递减方程

胜利油区勘探开发论文集

可得

胜利油区勘探开发论文集

再改写为

胜利油区勘探开发论文集

式中：Qt——递减t时间的产量，104t；

Qi——初始递减时的产量，104t；

Di——初始递减率，小数；

n——递减指数，小数；

t——以选定的递减起点为零点计算的时间，a。

A=lg(QiCn）；

B=n；

C=n/Di。

首先作lgQt-lg(t+C）曲线，改变 C值，使所选规律段数据的直线回归相关系数最大；由最佳直线拟合斜率值，即可求出递减指数 n。n→∞，为指数递减；1＜n＜∞，为双曲递减；n=1，为调和递减。

当递减阶段的累计产油量在剩余经济可储量范围之内时，就可求得递减阶段任一时刻的年度宏观经济产油量。

Arps递减法并不是预测油田年度宏观经济产量的惟一方法。在实际工作中，往往根据油田具体情况筛选出一些适用于本油田的产量变化规律的预测方法

尚明忠等.油田开发趋势预测技术研究.19.

，比如定液求产法、产量构成法、灰色模型法、AR模型等。

四、年度经济产量计算

1.油井生产成本与费用分析

油井生产成本与费用是油气田企业在生产经营活动中按规定发生的一切消耗和费用的总和。包括油气产品开成本、勘探费用、管理费用、销售费用和财务费用，后三项费用为油气勘探开过程发生的费用，不计入油气产品开成本，而当作损益直接从销售收入中扣除。在成本分析中，根据新、老井的具体情况将成本分为最低成本和完全成本两类。其中，最低成本是指在油井生产过程中发生的，只与本井产油量紧密相关的最低费用，主要是动力费、材料费、油气处理费、驱油物注入费；完全成本除了包括简单再生产的成本以外，还包括扩大再生产的成本，如油水井的更新、补充、滚动勘探开发、寻找新储量、增加新产能等。

从分析低效井的角度来看，老井的投资已经收回，只要油井能正常生产，并且所产油的税后产值能大于油井的最低成本，就表示该油井的生产有效。因此，判断老井是否低效用油井开的最低成本计算；对新井的判断用完全成本计算。

2.低效井判别模型的建立

（1）新井低效井判别模型

新井低效井判别模型就是新井经济极限初产油量计算模型。新井经济极限初产油量是指在一定的技术、经济条件下，当油井在投资回收期内的累积产值等于同期总投资、累积年经营费用和必要的税金之和时，该井所对应的初期产油量称为油井的经济极限初产油量。为提高油田整体效益，必须尽量避免新井的产量低于经济极限初产油量。

在投资回收期内，单井经济效益[3]：

胜利油区勘探开发论文集

当在投资回收期内累计经济效益为0时，即Pp=0时，得出经济极限初产油量的计算公式：

胜利油区勘探开发论文集

式中：Pp——单井经济效益，104元；Cm——每米钻井投资，元/m；

Sp——单井产值，104元；H——平均井深，m；

K——投资，104元；Ib——单井地面建设投资，104元/井；

CD——经营成本，104元；β——油水井系数，小数；

τo——油井开井时率，小数；Co——单井年操作费成本，104元/井；

T——投资回收期，a；i——操作费年上涨率，小数；

qo——油井平均单井初产油量，t/d；qmin——经济极限初产油量，t/d。

B——平均年综合递减余率，小数；

图1　胜利油区吨液成本与平均单井日产液量的关系图

（2）老井低效井判别模型

老井低效井判别模型用经济极限含水量的计算模型。经济极限含水量是指油田（油井）开发到一定的阶段，其含水量上升到某一数值或产油量下降到某一数值时，投入与产出相抵，含水量如再升高、产油量如再下降，油田开发就没有利润了，油田（油井）此时的含水量称为经济极限含水量，此含水量相对应的产量称为经济极限产量。老井经济极限含水量及经济极限产油量的计算与新井经济极限初产油量的计算都是用盈亏平衡原理，但不同的是，新井经济极限初产油量的计算是指一定阶段（投资回收期）的投入产出平衡，而老井经济极限含水量及经济极限产油量的计算是指瞬时（一般取一年）的投入产出平衡。

吨液成本是原油开过程中成本的一种表现形式。在研究老井的成本变化规律时，通过研究胜利油区40多个油田的成本，发现吨液成本

方开璞.已开发油田储量资产化新方法研究.1998.

与平均单井产液量有较好的关系（图1）。

其回归关系式为：

胜利油区勘探开发论文集

单井经济效益：

胜利油区勘探开发论文集

当经济效益为0时，得出经济极限含水量的计算公式：

胜利油区勘探开发论文集

将吨液成本与单井产液量的关系式代入可得

胜利油区勘探开发论文集

3.低效产量计算与预测

根据新、老井的低效井判别模型分别对胜利油区1994年以来的井进行了跟踪，得出不同时期、不同油价下低效产量与当年产量的百分比。统计表明，平均单井年产油与时间、平均单井年产油与低效产量百分数有很好的相关关系（图2、图3）。

图2　平均单井年产油量随时间变化曲线图

图3　低效产量百分数与平均单井年产油量关系曲线图

平均单井年产油Y与时间X的关系式为：

胜利油区勘探开发论文集

相关系数为0.9963。

X=1为1994年。根据该关系式可以预测今后某年的平均单井年产油量。

以油价为15美元/桶为例，平均单井年产油量Y与低效产量百分数X的关系式为：

胜利油区勘探开发论文集

相关系数为0.9967。

在预测平均单井年产油量的基础上，根据平均单井年产油量与低效产量百分数的关系式，可以预测出2000年后某年不同油价下低效产量百分数（表1）。

4.年度经济产量计算

由式（7）计算出年度宏观经济产量；联立式（14）和（15）计算出不同油价下的低效产量百分数；联立式（1）和（2）计算年度宏观经济产油量。表2为胜利油区“十五”期间不同油价下的经济产量计算结果。

表1　不同油价下平均单井年产油与低效产量百分数预测结果表

表2　胜利油区不同油价下经济产量计算结果表

五、结论

本文提出和实现了油田经济产量计算的研究思路和方法。在合理分析成本的基础上，通过引入吨液成本的概念，简化了成本的分析过程，使长期以来计算经济政策界限的成本问题得到了比较好的解决。研究了吨液最低成本与平均单井产液量的内在规律，建立了低效井的判别模型，计算了低效产量百分数，统计并分析平均单井年产油与时间的函数关系以及低效产量百分数与平均单井年产油的函数关系。同时，预测了今后几年的低效产量百分数，最终计算了经济产量。

致谢　研究中得到了开发管理部方开璞总地质师、地质科学研究院凡哲元高级工程师和杨勇工程师的支持和帮助，在此一并致谢。

主要参考文献

[1]李良.经济产量.东营：石油大学出版社，19.

[2]郎兆新.油藏工程基础.东营：石油大学出版社，1991.

[3]刘清志.石油技术经济学.东营：石油大学出版社，1998.

用ad as模型说明国际油价下降对中国经济的影响

传统的数据仓库展现，一般是通过建立数据仓库、设定维度、预先计算，然后向客户端展现多维分析的结果。在本系统中，则取了与之不同的另一种数据仓库构建的思路，即在系统的数据仓库展现中尝试利用多维数据表之间的关联性来实现实时的多维分析功能。

在多维数据结构中，事实表和维度表之间是通过直接或间接的关系联系在一起的。对于某张表中某条记录的选取，可以在其他相关联表之间查询到与之相关联的数据记录，并可以对选取的数据和相关联的数据进行统计分析，得到这些数据的分布、趋势等分析结果，并且可以在设定了多维分析的维度之后，按照维度之间的层次关系对数据从各个不同的组合角度进行分析，形成实时的多维分析。

数据仓库展现的开发内容一般可以分为数据仓库的设计和多维分析的实现两部分。数据仓库的设计包括星型模式的搭建、数据抽取方式的确定、数据转换净化的实现，以及多维数据的存储等内容。多维分析的实现则包括多维分析维度的选取、度量值的定义、维度变换方式、钻取路径的定义、钻取数据显示方式的确定等内容。

本系统在开发过程中，由于原型系统带来的需求不确定性和数据齐备性等因素的制约，如何设计出良好的结构来更好地进行多维数据展现以及取何种形式进行展现是一个重点问题。前文已经讨论过系统中数据仓库的架构模式、多维数据结构的定义等内容，讨论了系统原始数据源中存在的复杂性、数据完整性和数据有效性等方面存在的问题及解决办法。多维分析的设计包括维度之间的关联、事实数据展现的内容和形式、数据钻取等内容。

5.3.2.1 维度表关联性分析

数据源表结构中包括一张事实表和数张维度表。针对这些维度表可以设计用于多维分析的维度，分别为油品、交易市场、交易类型、价格单位和价格日期维度。维度数据和中间事实表之间存在直接关联，维度数据之间通过中间事实表而产生简洁的关联关系。从而可以在既有事实数据的基础上，对维度之间的关联关系进行可视化展现。

图5.29中显示了4个维度的内容数据，并列出了各维度中所具有的字段取值，这些字段通过事实表产生关联。在选择了Crude Oil油品之后，其他3个维度中的字段取值背景出现变化。白色背景表示在事实表中存在与Crude Oil相关联的交易市场，分别为Cushing,OK和Europe Brent，这表明事实表中存在有Crude Oil在这两个市场中的价格数据，没有在其他市场上的价格数据。

图5.29 多维分析维度列表

在默认情况下，维度列表显示了全部可能的维度取值。而在选择了某一维度之后，比如选择产品名称中的Crude Oil值，则在其他维度中高亮显示与此维度选中值通过油价数据关联起来的维度值。通过维度之间的关联显示，可以分析出源数据中隐藏的一些分布模式。在本示例中就可以看出系统中具有Crude Oil在Cushing,OK和Europe Brent两个市场的Spot Price FOB价格，而价格时间则从1986年到2008年都存在，油价的单位名称只存在Dollar per Barrel一种形式。多维分析的维度关联性分析，还允许在一次分析基础之上继续缩小选择值的范围。

5.3.2.2 维度表和事实表的关联性分析及展现

在实时多维分析中，除了可以进行维度表之间的关联性分析，也可将维度表和事实表关联起来进行分析。在此类分析中，除了可以在界面左侧展示维度表之间的关联之外，还可以在界面主体部分显示出事实表数据以及以事实表数据为基础的一些统计分析。图5.30中展现的是全球石油价格不同交易类型的对析，反映出对各石油品种在现货交易、期货交易等方式下的价格对比情况，分析的结果可以随左侧维度选择的变化实时变动。

图5.30 交易价格比较分析

对于事实表的展现，除了按照默认的维度顺序进行统计分析，维度之间的顺序也可以直接通过在界面中拖动维度的位置来完成维度的变换，实现多维分析旋转功能，在此不再赘述。

5.3.2.3 事实表数据钻取

多维分析另外一个很重要的内容就是数据钻取。在实时多维分析中，数据钻取的功能可以更为丰富。出于分析的目的，我们预先定义了钻取路径：

市场→价格类型→价格年份→产品名称。

这样就可以按照这样的路径对油价进行钻取分析。第一次默认按照市场名称来统计历史油价，在选择了一个市场之后就向下钻取两层，就可以得到按照价格年份来统计的历史油价。这里的钻取分析可以和维度关联性分析结合起来使用，从而更灵活地实现数据钻取（图5.31，图5.32）。

图5.31 数据钻取分析一

图5.32 数据钻取分析二

5.3.2.4 价格趋势分析

价格趋势分析可以作为价格预测的一种补充，它的功能展现过去时间的不同油品、不同交易类型及价格单位等相关信息，以此来直观表达油品的未来走向与趋势。这一块已经有了单独的模型程序模块来完成（图5.33）。

图5.33 多维价格趋势分析

通过在数据仓库展现中利用实时多维分析中的维度表关联性以及维度表和事实表之间的关联性，可以更好地拓展多维分析的功能。而对多维分析的需求确定可以考虑取原型法来进行，利用数据仓库的实时多维展现来发现数据的内涵和数据之间的关联性，逐步帮助确定需要分析的维度、度量值、展现方式等内容，并反向影响到数据源表结构的设计。

国际原油价格影响因素的定量分析

国际油价下降影响的是总供给方面，原材料价格下降，我国的总供给增加，会导致AS曲线右移，结果是有利于我国经济发展的，均衡价格下降、国民收入增加和就业增加。如下图，从E'点变到E点。

利用AD-AS模型，说明原油价格的上涨对经济的影响

在上节国际原油价格形成模型的基础上，下面对影响国际原油价格的几个主要因素进行定量模拟分析。

4.3.3.1 不考虑石油进口国开放度的模拟结果

下面分别就世界经济活动水平（实际GDP）、OECD 石油储备和OPEC原油产量的单因素、二因素和三因素变化对国际原油价格的影响进行模拟分析。

情景1 单因素变化对国际原油价格的影响。即分别考察世界经济（实际GDP）、OPEC原油产量和OECD石油储备量单一因素变化，其余因素不变时，国际原油价格随这些因素变化的情况。表4.7，表4.8，表4.9为模拟结果。

表4.7 世界实际GDP单一因素变化的影响　单位：%

表4.8 OPEC原油产量单一因素变化的影响　单位：%

续表

表4.9 OECD石油储备单一因素变化的影响　单位：%

情景2 二因素变化对国际原油价格的影响。即分别考察世界实际GDP、OPEC原油产量和OECD石油储备量三者中任意两个发生不同程度的变化，另一个因素不变时，国际原油价格随它们变化的情况。模拟结果见表4.10，表4.11。

表4.10 OPEC原油产量和OECD石油储备二因素变化的影响 单位：%

表4.11 OPEC原油产量和世界实际GDP二因素变化的影响　单位：%

情景3 三因素变化对国际原油价格变化的影响。即考察世界经济活动水平（实际GDP）、OECD国家石油储备量和OPEC原油产量3个因素同时发生不同程度的变化时，国际原油价格的变化情况（表4.12）。

表4.12 三因素变化的影响　单位：%

4.3.3.2 考虑石油进口国开放度的模拟结果

与上面的模拟类似，下面分别就世界经济（实际GDP）、OECD 石油储备、石油进口国开放度和OPEC原油产量的单因素、二因素、三因素和四因素变化对国际原油价格的影响进行模拟分析。

情景1 石油进口国开放度单因素变化对国际原油价格的影响。表4.13反映了在世界经济（实际GDP）、OECD石油储备量和OPEC原油产量都不变，石油进口国开放度发生不同程度的变化时，国际原油价格的变动情况。

表4.13 石油进口国开放度单一因素变化的影响　单位：%

情景2 二因素变化对国际原油价格的影响。表4.14反映了世界经济活动水平（实际GDP）、OECD国家石油储备量不变的情况下，OPEC原油产量和石油进口国开放度发生不同程度的变化时，国际原油价格的变化情况。

表4.14 OPEC原油产量和石油进口国开放度二因素变化的影响 单位：%

情景3 三因素变化对国际原油价格变化的影响。表4.15反映了OECD国家石油储备量不变，世界经济活动水平（实际GDP）、OPEC原油产量和石油进口国开放度同时发生不同程度的变化时，国际原油价格的变化情况。

表4.15 三因素变化的影响　单位：%

情景4 四因素变化对国际原油价格的影响。世界经济活动水平（GDP）、OECD国家石油储备量和OPEC原油产量和石油进口国开放度四因素同时发生变化时，国际原油价格的变化情况。表4.16反映了OPEC削减4%的原油产量，世界经济处于不同的发展状况、进口国开放度进一步增大和OECD国家动用不同量的石油储备应对OPEC的这种减产时国际原油价格的变动结果。

表4.16 四因素变化的影响　单位：%

根据本节对国际原油价格的4个主要影响因素（世界实际GDP、OECD 石油储备、OPEC原油产量和石油进口国开放度TRI）的分析可以获得以下几点结论：

1）从单因素作用大小来看，OPEC原油产量对国际原油价格的影响最大，其次是世界经济活动水平（实际GDP）、石油进口国开放度和OECD石油储备量。世界实际GDP、石油进口国开放度和OECD石油储备量对国际原油价格有正向影响，OPEC原油产量对国际原油价格有负向影响。

2）各个影响因素对国际原油价格的影响程度是不对称的。世界实际GDP、石油进口国开放度和OECD石油储备量增加导致国际原油价格上涨的幅度比这些因素同等程度的下降导致国际原油价格下跌的幅度大；而OPEC原油产量的下降导致国际原油价格上涨的幅度大于OPEC产量增加同样的量引起国际原油价格下跌的幅度。

3）从单因素看，在不考虑石油进口国开放度情况下，如果世界实际的GDP每年以2%的速度增长，OPEC产量和OECD国家石油储备量不变的话，国际原油价格会以每年约6.18%的速度上涨。OECD石油储备量单方面变化的话，OECD抛出10%的储备，国际原油价格将下降28.7%; OPEC单方面减产4%，国际原油价格将上涨58.8%。考虑石油进口国开放度，各单因素对国际原油价格的影响略有下降，且石油进口国开放度对国际原油价格的影响是显著的。如石油进口国开放度增加1%，即世界石油进出口总量之和占世界实际GDP比例增加1%，国际原油价格将上涨5%。

4）从二因素看，两因素的共同作用或减弱或加强了单因素对国际原油价格的影响。如OECD石油储备对OPEC减产有一定的抑制作用。例如OPEC减产4%，在其他条件不变的情况下OECD只要动用14%的储备基本上就可以消除OPEC 减产对国际原油价格的影响。

5）三因素或四因素的情况使问题变得更复杂。三因素或四因素的共同作用使得单因素作用的效果更加不明显。各因素对原油价格弹性大小和各因素本身变动力度及变动方向（增加还是减少）都是影响原油价格最终变化程度的重要原因。例如OPEC减产4%的同时世界实际GDP又以2%的增长率在增长，这时为保持国际原油价格的稳定，OECD需要动用18.2%的储备而不是14%的储备才能消除OPEC产量和世界实际GDP变化对国际原油价格的影响。

6）在相同的情况下，石油进口国开放度增大会使国际原油价格上涨。单因素（即其他因素不变的）情况下，石油进口国开放度增加1%，国际原油价格将上涨5%。多因素情况下，如OPEC减产4%，同时世界实际GDP以2%的增长率增长，OECD只要动用18.2%的储备就可以保持国际原油价格的稳定，但如果此时石油进口国开放度增加了1%，国际原油价格将上涨8.6%。

总的来说，OPEC对国际原油市场有一定的调控能力。但由于影响国际原油价格的因素很多，且各因素本身存在很大变数，如世界经济活动水平（实际GDP）的变化就受很多因素的影响，此外影响国际原油价格的各因素之间的关系也比较复杂，这些原因限制了OPEC对国际原油价格的影响能力。比如单方面来看（即所有其他因素都不变的情况下），OPEC减产4%，会导致国际原油价格上涨58.8%，但实际上这种情况基本上是不会发生的，因为在OPEC减产的同时其他很多因素也都在发生变化，这些因素的变化或者加剧或者减弱了OPEC减产对国际原油价格的影响。

上述对国际原油价格的分析只考虑了OPEC原油产量、OECD国家的石油储备量、世界经济活动水平（实际GDP）和石油进口国开放度4个主要影响因素。但正如前文指出的，原油价格的影响因素很多，不仅包括本节考虑的各种市场因素，还有一些不确定性成分很大的非市场因素，如政治宗教、军事战争、意外、金融投机甚至市场心理等。所以本节的模拟结果可以说是在比较理想的环境条件下的结果，很难将本节的结果直接与现实情况相对照。但这并不等于说本节的结果毫无现实意义。实际上同任何商品一样，虽然原油产品价格的形成非常复杂，但根据微观经济学理论，这些非市场因素的影响一般是暂时的，影响时间较短；从长期来看，国际原油价格的形成仍主要由市场因素，即由国际石油市场的供需因素所决定。这也就是说，本节的结论，从长期来看还是具有一定的现实意义的。

此外，由于OPEC只提供国际原油需求量与非OPEC国家原油产量的剩余部分，其中很多因素超出了OPEC的控制。这些因素的共同作用使得原油市场价格的变化更加复杂，这也在一定程度上削弱和限制了OPEC对国际原油价格作用的发挥。

最后，OPEC对国际原油价格的影响不仅仅通过产量变化来反映，OPEC 作为国际石油市场上的一支特殊力量，有关它的任何消息可能都会成为油价变化的重要因素（图4.18）。OPEC确实是国际石油市场的一支重要的影响力量，而且它的影响不仅仅局限于它所取的实际行动，它更大的影响力可能来自它对石油市场主体心理的影响。

图4.18 油价波动与OPEC会议

（据://.biee.org/downloads/conferences/W estonChristiansen%20Paper.pdf）

总之，OPEC自1960年成立以来经历了40多年的风风雨雨，它将来的发展如何不仅与它们自身有关，如它们制定的石油政策是否合理、能否有效地解决自身内部利益冲突、能否有效贯彻产量政策等，还与外界很多它们不能控制的不确定因素有关。虽然OPEC面临的问题很多，特别是外在的和将来的不确定因素对OPEC作用的发挥影响很大。但在当今全球石油价格舞台上，除了主要石油消费国和非OPEC国家的生产行为外，石油期货市场上的金融投机商是对OPEC发难的一支重要力量。自20世纪80年代中期以来，正是期货市场上的这些金融投机商在对欧佩克的油价影响力进行发难。如美国“9·11”后，在短短的12个交易日，价格就从31.05美元/桶的高点急挫至20.70美元/桶，跌幅达10.35美元/桶；9月25日单日的最大跌幅达3.74美元/桶。在此前后，世界石油市场供求关系并没有发生根本性的变化，但是大量投机资金利用市场担心“9·11”后美国经济会加速下滑的心理预期，恶意炒作导致原油价格大幅度波动。根据路透社的消息，从国际石油期货交易市场看，真正的需求量不足市场总量的1/3，其余都是套利者人为造成的“虚拟石油”，估计石油投机资本已经达到5000亿美元以上的规模。因此，期货市场和纯粹的投机商很大程度上左右着价格变动的步伐和幅度。如何解决这些问题是OPEC面临的一个主要任务。

以往OPEC往往是在国际油价暴涨或暴跌之后，才调整其成员国产量以稳定市场。由于增减产量从作出决定到真正实施，中间需要一段时间；往往赶不上变化，使OPEC的政策对市场的调节作用经常大打折扣。伊拉克战争爆发等一系列虽然给国际石油市场和OPEC带来较大冲击，但该组织以此为契机，开始在政策制定上更多地取“未雨绸缪，主动出击”的方针。OPEC会议、印度尼西亚能源和矿产部部长普尔诺莫·尤斯吉安托罗曾经说过，与其在最坏的情况发生后再仓促反应，不如尽早发出信号以取得最好效果。虽然OPEC这种变被动为主动的作法可能对提高OPEC对国际石油市场的影响力有一定帮助，但如果OPEC对石油市场的判断失误有可能加剧国际原油价格的波动。

从上面的研究结果中，我们可以肯定地说OPEC过去和现在在国际石油价格舞台上占有重要地位，而且可以预见将来也将继续发挥作用；但作用大小，能否达到OPEC自己的预期目的，现在还很难预料，我们将拭目以待。

油价重回5元时代，年内油价是否会出现涨幅？

这其实是一个均衡国民收入和总供给冲击的问题。

正如20C初的世界石油价格猛涨，原油价格的上涨总供给的减少导致SAS曲线左移势必带来总产出的大幅减少（总产出大大降到社会充分就业产出之下），同时带来的成本推动型通胀，价格水平急剧上升。

可以从两方面分析此时对经济的影响

1如果这时要依靠市场的自行调节。此时人们会取节能措施或寻找替代能源，减少对石油的依赖，油价下降，企业生产成本下降，SAS1右移，回到起初SAS0水平。

但是这是要以经济长期衰退为代价的。

2 主动增加财政支出，扩大总需求，AD右移，总产出回到原先的潜在产出。

但是这是要以高通胀为代价的。

实证结果分析与讨论

油价重回5元时代，是因为受到全球油价暴跌引起的，国家发改委也表示柴油汽油分别下调零售价，由于沙特和俄罗斯减产协议没有谈妥，导致油价大幅下跌，年内应该不会有涨幅。在本轮成品油降价实现后，零售价格下限将降低。预计零售利润将在后期下降，据了解，2008年的时候油价进入了5元时代，此外，国内油价“底价”机制首次实施，并在四年后重新启用，此次价格调整是2020年国内成品油价格调整窗口的第三次下调，同时，这也是过去12年中最大的一次降幅，这次油价下调后，国内油价重返5元时代，油价跌至近七年来的历史新低。

2020年中国大陆成品油调价窗口已出现第三次下调，为最近12年来最大单次降幅。此次油价下调后，油价重回5元时代，油价降至近7年来的新低。对消费者特别是开车族来说，无疑是重大的利好消息。重回5元油价时代曾经是一种奢望，但疫情全球蔓延导致世界经济普遍陷入低谷，加上沙特等欧佩克国家与俄罗斯进行油价大战，使5元油价重现在人们面前。

高成本的美国石油在国际油价大战中损失最大，但美国毕竟经济实力强大，美联储和美国财政部最近接连宣布大规模量化宽松和斥资支持企业，油气行业是重点扶持对象。美国取的策略是暂时关停油气企业，以减少亏损。同时，特朗普已下令美国乘机大量增加石油的战略储备，要求“把储备油库加得足足的”，因此美国从长期看也不亏。

石油作为国际政治经济武器的时代正在逐渐淡去，不光是因为美国的页岩气革命正在带来更大冲击，还由于全球各地的可再生能源革命风起云涌。世界各地风能和太阳能发电已成为比以往更为廉价的选择。新能源发电等的存储成本一直在下降，联网使用得到普遍推广，网络化管理不断改善。

即便在美国，可再生能源也在取代煤炭和天然气，汽车电气化在进一步抑制需求，世界主要汽车生产厂商已纷纷宣布将淘汰传统燃油车型，开发电动汽车等新能源车型。特斯拉的股票狂涨，在很大程度上反映了全球对新能源汽车的期盼与需求。

由此可见，全球石油市场的再度兴旺也不过是过渡性剧情，油价的下跌和保持低价位将是大趋势。各种新能源车型的推出与品质改善，实际上已经在压缩传统燃油汽车的市场。以后即便再返油价5元时代，人们所能购买和开动的化石燃料汽车也将日渐减少。

国际石油市场风险度量及其溢出效应检验方法

4.4.3.1 WTI和Brent市场收益率的统计特征

令WTI和Brent市场第t日的石油价格分别为P1,t和P2,t，则WTI和Brent市场第t日的对数收益率分别为Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），从而各得到4943个收益率样本。图4.20是两个市场所有样本收益率的走势图，不难发现，两个收益率序列均存在明显的波动集聚性。

图4.20 WTI和Brent市场原油现货收益率走势

WTI和Brent两个市场样本内收益率的基本统计特征如表4.17所示。总体而言，两个市场的收益率的平均水平和波动水平都非常接近，这也可以从图4.20上得到印证。同时，与标准正态分布的偏度为0、峰度为3相比，本节两个市场收益率的偏度为负（即呈现左偏现象），峰度远大于3，因此它们均具有尖峰厚尾的特征，而且从JB检验的结果也能看到收益率序列显著不服从正态分布。而对收益率序列进行自相关性LB 检验时，根据样本容量，选择滞后阶数为 ，检验结果表明它们均具有显著的自相关性。另外，通过AD F单位根检验，发现它们都是平稳序列。

表4.17 WTI和Brent市场收益率的基本统计特征

4.4.3.2 WTI和Brent市场收益率的GARCH模型估计

（1）WTI市场收益率的GARCH模型估计

为了滤掉收益率序列的自相关性，本节引入ARMA模型对收益率序列建模。根据自相关和偏自相关函数的截尾情况，并按照AIC值最小原则，经过多次尝试，发现ARMA（1,1）模型比较合适。对ARMA（1,1）模型的残差序列进行自相关性Ljung-Box检验，从自相关分析图上看到，残差序列的自相关系数都落入了随机区间，自相关系数的绝对值都小于0.1，与0没有明显差异，表明该残差序列是纯随机的，换言之，ARMA（1,1）模型很好地拟合了原有收益率序列。

鉴于WTI市场收益率序列存在明显的波动集聚性，因此，本节对ARMA（1,1）模型的残差进行ARCH效应检验，结果发现存在高阶ARCH效应，因此考虑用GARCH模型。由于收益率序列存在厚尾现象，因此本节在GARCH 模型中引入GED 分布来描述模型的残差。根据AIC 值最小的原则以及模型系数要显著和不能为负的要求，通过比较GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本节选择GARCH（1,1）模型来拟合原有收益率序列。

为了进一步研究WTI收益率序列的波动特征，本节检验了TGARCH（1,1）和GARCH-M（1,1）模型。结果发现，收益率序列存在显著的TGARCH效应和GARCH-M 效应，即收益率的波动不但具有显著的不对称特征，而且还受到预期风险的显著影响。考虑到模型的AIC值要最小，以及为了描述收益率波动的不对称性，本节选择TGARCH（1,1）模型对WTI市场收益率的波动集聚性建模，模型形式如式4.16。另外，我们看到模型的GED分布参数为1.260823，小于2，从而验证了该收益率序列的尾部比正态分布要厚的特征，也为本节接下来进一步准确计算WTI市场的风险铺垫了良好的基础。

WTI市场收益率的TGARCH（1,1）模型为

国外油气与矿产利用风险评价与决策支持技术

式中：ε1,t-1﹤0,d1,t-1=1；否则，d1,t-1=0;

Log likelihood=11474.52,AIC=-4.898557,GED参数＝1.260823

从模型的方差方程看到，油价收益率下跌时， 对h1,t的影响程度为α1＋Ψ，即0.057202；而油价上涨时，该影响程度为α1，即0.083559，约为前者的1.5倍。h1,t-1前的系数为0.920539，接近1，表明当前方差冲击的92.0539%在下一期仍然存在，因此波动冲击衰减速度较慢，波动集聚现象比较严重。而检验TGARCH（1,1）模型的残差时发现，其自相关函数都在随机区间内，取阶数为68时，残差的Q统计量的显著性概率大于20%，而Q2统计量的显著性概率大于30%，因此经TGARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此TGARCH（1,1）模型对WTI市场收益率序列的拟合效果较好。

（2）Brent市场收益率的GARCH模型估计

基于Brent市场收益率的波动特征，按照与WTI市场GARCH 模型类似的建模思路，建立了MA（1）模型。而利用ARCH-LM检验方法发现模型的残差存在显著的高阶ARCH效应，因此用基于GED分布的GARCH模型。比较GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有关系数的显著性，发现选择GARCH（1,1）模型是最合适的，具体形式如（式4.17）。进一步，对收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，结果表明，有关系数并不显著，因此说明Brent市场收益率的波动并不存在显著的不对称杠杆效应，也不存在显著的GARCH-M效应。而且，我们也发现GED分布的参数小于2，因此验证了Brent市场收益率同样具有厚尾特征。

Brent市场收益率的GARCH（1,1）模型为

国外油气与矿产利用风险评价与决策支持技术

Log likelihood=116.19,AIC=-4.993462,GED参数＝1.324630

在模型的方差方程中，h2,t-1前的系数为0.912673，表示当前方差冲击的91.2673%在下一期仍然存在。可见，与WTI市场类似，Brent市场同样存在波动冲击衰减速度较慢的现象。检验模型的残差，发现其自相关函数都在随机区间内，取阶数为68时，标准残差的Q统计量的显著性概率大于50%，而Q2统计量的显著性概率大于20%，因此经GARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此GARCH（1,1）模型对Brent市场收益率序列的拟合效果也较好。

图4.21给出了两个市场的条件异方差的走势，分别代表着它们的波动水平。从图中看到，一方面，两个市场收益率的波动水平基本相当，只是在某些区间WTI市场的波动会更大一些。当然，在海湾战争期间，Brent市场的波动程度相比而言更剧烈一点；另一方面，两个市场都存在一个明显的现象，那就是在波动比较剧烈的时期，其条件方差最高可达一般水平的20倍以上，这种波动的大规模震荡不但说明了国际石油市场存在显著的极端风险，而且对于市场波动和风险的预测具有重要的现实意义。

图4.21 WTI和Brent市场的条件异方差比较

4.4.3.3 WTI和Brent市场收益率的VaR模型估计和检验

正如前文所述，石油市场需要同时度量收益率下跌和上涨的风险，从而为石油生产者和购者提供决策支持。为此，本节将用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量WTI和Brent市场在收益率上涨和下跌时的VaR 风险值。

（1）GED分布的分位数确定

根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数，如表4.18所示。表中结果显示，95%的分位数与正态分布的1.645基本相同；但99%的分位数却明显大于正态分布的2.326，这也表明了国际油价收益率具有严重的厚尾特征。

表4.18 WTI和Brent市场收益率的GED分布参数及分位数

（2）基于GED-GARCH模型的VaR风险值计算

根据VaR风险的定义，我们得到以下两个计算VaR风险的公式。其中上涨风险的VaR值计算公式为

国外油气与矿产利用风险评价与决策支持技术

式中；zm,α﹥0，表示第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的分位数；hm,t为第m个市场的收益率的异方差。

同理，得到下跌风险的VaR值计算公式为

国外油气与矿产利用风险评价与决策支持技术

根据上述两个VaR风险计算公式，本节计算了在95%和99%的置信度下，WTI和Brent市场的上涨风险和下跌风险（表4.19，表4.20）。

表4.19 WTI市场收益率的VaR计算结果

表4.20 Brent市场收益率的VaR计算结果

从表4.19和表4.20的实证结果看到，第一，除95%的置信度下市场收益率上涨风险的LR值略大于临界值外，其他所有LR统计量的值均小于相应的临界值，因此按照Kupiec的返回检验方法，可以认为基于GED分布的TGARCH模型和GARCH模型基本上能够充分估计出两个市场收益率的VaR风险值。从市场收益率与VaR风险值的走势也可以看到这一点（图4.22）。第二，在99%的置信度下，两个市场的VaR 模型对收益率的上涨风险比对收益率的下跌风险的估计精度都更高，这可能是由于收益率分布的左尾比较长，GED分布尚未完全捕捉到所有的厚尾现象。而在95%的置信度下，对下跌风险的估计精度更高。第三，从VaR的均值来看，在相同的置信度下，不管收益率是上涨还是下跌，WTI市场的VaR值都要比Brent市场对应的VaR 风险值大，因此需要更多的风险准备金。当然，从图4.23的VaR 风险走势可以发现，事实上，两个市场的VaR风险基本上相差不大，只是在某些样本区间内，WTI市场的风险会超过Brent市场。

图4.22 99%的置信度下Brent市场的收益率及其VaR风险值

图4.23 99%的置信度下WTI和Brent市场收益率上涨和下跌时的VaR风险值

（3）VaR模型比较

在用GARCH模型计算市场收益率的VaR 风险值时，一般都设模型的残差服从正态分布，从而直接令zm,α等于标准正态分布的分位数。但实际上，石油市场的收益率及其模型残差一般都是非正态分布的，因此得到的VaR 模型往往不够充分。为此，本节以99%的置信度为例，建立了基于正态分布分位数的VaR 模型，计算结果如表4.21所示，并与表4.19和表4.20中VaR模型的有关结果进行比较。

表4.21 基于正态分布分位数的VaR模型计算结果

结果表明，从VaR均值上看，基于正态分布的VaR模型在两个市场、两个方向（即上涨和下跌）上计算得到的VaR风险值均比基于GED分布的VaR 模型的相应结果要靠近零点，这从模型失效次数的比较上也能得到验证。再者，由于表4.21中的失效次数均超过了99%的置信度下临界处的失效次数（约为47），因此此时的计算结果低估了市场的实际风险。

而按照Kupiec的返回检验方法，可看出与99%置信度下的临界值6.64相比，不管是WTI市场还是Brent市场，不管是上涨还是下跌方向，用基于正态分布分位数的VaR模型计算市场风险基本上都不够合理。其中，尽管WTI市场的上涨风险计算结果基本上可以接受，但与表4.19中对应的LR值相比，发现后者更加充分而准确。因此，总体而言，用基于GED分布的VaR模型要比基于正态分布的VaR模型更充分而合适，得到的结果更可取。

当然，在95%的置信度下，基于正态分布和GED分布的VaR模型的LR值几乎一样，都是比较充分的。这是由于它们的分位数几乎是一样的，均为1.645左右。

另外，本节通过计算还发现，如果在建立GARCH模型时设残差服从正态分布，而计算VaR时又选择一般所用的正态分布分位数，则得到的VaR模型不管是哪个市场、哪个方向的风险都将很不充分，而先前很多研究往往就是这么做的。

（4）VaR模型的预测能力

从上述分析中可以看到，基于GED-GARCH的VaR模型能够较好地估计和预测样本内数据。为了更加全面检验这种VaR模型的预测能力，接下来本节以95%的置信度为例，用它来预测样本外数据的VaR风险值，并与样本外的实际收益率数据进行比较。结果发现，在WTI和Brent市场上，落在预测得到的正向VaR和负向VaR之间的实际收益率占整个样本外预测区间所有收益率的比例均为95.76%，接近95%；相应的LR值为0.3409，小于95%置信度下的临界值3.84，因此是可以接受的（图4.24，图4.25）。换言之，根据样本内数据建立的VaR 模型用于预测样本外数据的VaR风险时，其预测能力是可以接受的。另外，为了比较，本节也用了广受好评的H SAF方法建立模型，并预测了样本外数据的VaR风险，但检验却发现其在此处的预测结果并不理想。因为不管是WTI市场还是Brent市场，落在预测得到的正向VaR和负向VaR之间的收益率占整个预测区间所有收益率的比例均为91.92%，离95%较远；相应的LR统计量为4.40，大于临界值，因此应该拒绝原设，即认为在此处用HSAF方法预测市场VaR风险并不妥当。

图4.24 95%的置信度下WTI市场的样本外实际收益率与预测VaR值

图4.25 95%的置信度下Brent市场的样本外实际收益率与预测VaR值

4.4.3.4 WTI与Brent市场风险溢出效应检验

得到WTI和Brent两个市场的收益率上涨和下跌时的VaR风险值之后，本节根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过MATLAB编程求出统计量的值及其显著性概率，从而检验两个石油市场之间的单向和双向风险溢出效应。计算结果如表4.22所示，其中M分别取10,20和30。

表4.22 WTI与Brent市场风险溢出效应检验结果

从表4.22看到，一方面，在95%和99%的置信度下，不管是上涨风险还是下跌风险，WTI和Brent市场都具有显著的双向Granger因果关系，即两个石油市场之间存在强烈的风险溢出效应；另一方面，为了进一步确定风险溢出的方向，我们从利用单向风险－Granger因果检验的统计量Q1（M）计算得到的结果看到，不管置信度是95%还是99%，不管是上涨风险还是下跌风险，都存在从WTI到Brent市场的风险溢出效应。而若Brent到WTI市场的风险溢出情况稍微复杂，在95%的置信度下，只存在收益率下跌方向的风险溢出，而收益率上涨时并不存在；在99%的置信度下，情况则相反，只存在收益率上涨方向的风险溢出，而不存在下跌方向的风险溢出效应。前者可能是由于95%的置信度下收益率上涨方向的VaR 模型不够充分导致，而99%的置信度下VaR模型是非常充分的，因此后者更为可信。换言之，可以认为在99%的置信度下，不存在从Brent市场到WTI市场的风险溢出效应。

这表示，当市场出现利空消息从而导致油价收益率下跌时，WTI市场的风险状况有助于预测Brent市场的风险，而反之不然。当市场出现利好消息从而导致油价收益率上涨时，两个市场的风险的历史信息均有助于预测彼此未来的市场风险。这对有关和企业的科学决策具有一定的借鉴意义。

4.4.1.1 基于GED分布的GARCH-VaR模型

在对油价收益率序列建模时，往往发现收益率的波动具有集聚性。为了刻画时间序列的波动集聚性，Engle（1982）提出了ARCH 模型。而在ARCH 模型的阶数很高时，Bollerslev（1986）提出用广义的ARCH 模型即GARCH 模型来描述波动集聚性。

GARCH模型的形式为

国外油气与矿产利用风险评价与决策支持技术

式中：Yt为油价收益率；Xt为由解释变量构成的列向量；β为系数列向量。

国外油气与矿产利用风险评价与决策支持技术

事实上，GARCH（p,q）模型等价于ARCH（p）模型趋于无穷大时的情况，但待估参数却大为减少，因此使用起来更加方便而有效。

同时，由于油价收益率序列的波动通常存在杠杆效应，即收益率上涨和下跌导致的序列波动程度不对称，为此本节引入TGARCH模型来描述这种现象。TGARCH模型最先由Zakoian（1994）提出，其条件方差为

国外油气与矿产利用风险评价与决策支持技术

式中：dt-1为名义变量：εt-1﹤0,dt-1=1；否则，dt-1=0，其他参数的约束与GARCH模型相同。

由于引入了dt-1，因此油价收益率上涨信息（εt-1﹥0）和下跌信息（εt-1﹤0）对条件方差的作用效果出现了差异。上涨时， 其影响程度可用系数 表示；而下跌时的影响程度为 。简言之，若Ψ≠0，则表示信息作用是非对称的。

在关注石油市场的波动集聚性及杠杆效应的基础之上，进一步计算和监控石油市场的极端风险同样是非常重要的。而监控极端市场风险及其溢出效应的关键在于如何度量风险，为此，本节将引入简便而有效的VaR 方法。VaR（Value-at-Risk）经常称为风险值或在险值，表示在一定的持有期内，一定的置信度下可能的最大损失。VaR 要回答这样的问题：在给定时期内，有x%的可能性，最大的损失是多少？

从统计意义上讲，VaR表示序列分布函数的分位数。本节用国际油价收益率的分布函数的左分位数来度量油价下跌的风险，表示由于油价大幅度下跌而导致的石油生产者销售收入的减少；而用分布函数的右分位数来度量油价上涨的风险，表示油价大幅度上涨而导致的石油购者的额外支出。这种思路，一方面推进了一般金融市场仅仅分析价格下跌风险的做法；另一方面，也针对石油市场的特殊情况，更加全面地度量了市场风险，从而为从整体上认识石油市场，判断市场收益率的未来走向奠定了基础。

VaR风险值的计算方法很多，能够适用于不同的市场条件、数据水平和精度要求。概括而言，可以归结为3种：方差－协方差方法、历史模拟方法和方法。本节用方差－协方差方法计算国际石油市场的VaR 风险。在用方差－协方差方法的过程中，估计VaR模型的参数是至关重要的。常用的参数估计方法包括GARCH 模型和J.P.摩根的Risk Metrics方法。由于后者设价格序列服从独立异方差的正态分布，而且不能细致描述价格波动的某些特征（如杠杆效应），因此相对而言，前者更受青睐。但是，使用GARCH模型估计VaR时，选择残差项的分布是一个非常重要的问题。考虑到油价收益率序列具有尖峰厚尾和非正态分布的特征，因此直接用正态分布的设往往会低估风险。为此，本节引入Nelson（1990）提出的广义误差分布（GED）来估计GARCH模型的残差项。其概率密度函数为

国外油气与矿产利用风险评价与决策支持技术

式中： Г（·）为gamma函数；k为GED分布参数，也称作自由度，它控制着分布尾部的薄厚程度，k=2表示GED分布退化为标准正态分布；k﹥2表示尾部比正态分布更薄；而k﹤2表示尾部比正态分布更厚。可见GED分布是一种复杂而综合的分布。实际上，也正是由于GED分布在描述油价收益率分布的厚尾方面具有独特的优势，因此本节引入基于GED分布的GARCH模型来估计国际石油市场收益率上涨和下跌时的VaR。

计算出石油市场的VaR风险值之后，为了给有关方面提供准确可靠的决策支持，有必要对计算结果进行检验，以判断所建立的VaR模型是否充分估计了市场的实际风险。为此，本节将用Kupiec提出的检验方法来检验VaR模型的充分性和可靠性。该方法的核心思想是：设计算VaR的置信度为1－α，样本容量为T，而失效天数为Ⅳ，则失效频率f＝Ⅳ/T。这样对VaR 模型准确性的评估就转化为检验失效频率f是否显著不同于α。基于这种思想，Kupiec提出了对原设f＝а的最合适的似然比率检验：在原设下，统计量LR服从自由度为1的X2分布，95%和99%置信度下的临界值分别为3.84和6.64。根据x2分布的定义，如果估计值LR大于临界值，就拒绝原设，即认为估计的VaR模型是不充分的。

国外油气与矿产利用风险评价与决策支持技术

4.4.1.2 基于核权函数的风险溢出效应检验方法

本节将用Hong（2003）提出的风险－Granger因果关系检验方法检验WTI和Brent原油市场的风险溢出效应。该方法的核心思想是通过VaR 建模来刻画随着时间变化的极端风险，然后运用Granger因果检验的思想来检验一个市场的大风险历史信息是否有助于预测另一个市场的大风险的发生。

首先，定义基于VaR的风险指标函数。以下跌风险为例：

Zm,t=I（Ym,t﹤－VaRm,t）（m=1,2）　（4.11）

式中：I（·）为指标函数。当实际损失超过VaR时，风险指标函数取值为1，否则为0。

如果检验市场2是否对市场1产生了单向的风险溢出，则原设为H0:E（Z1,t∣I1,t-1）＝E（Z1,t∣It-1），而备择设为HA:E（Z1,t∣I1,t-1）≠E（Z1,t∣It-1），其中It-1={Ym,t-1,Ym,t-2，…），表示t-1时刻可以获得的信息集。通过这种转换，｛ Y1,t｝和｛Y2,t｝之间的风险－Granger因果关系就可以看成是｛Z1,t｝和｛Z2,t｝之间的均值－Granger因果关系，即计量经济学模型中广泛使用的Granger因果关系。

如果Ho成立，即市场2 对市场1不存在单向的风险－Granger因果关系，则表示Cov（Z1,t,Z2,t-j）＝0, j﹥0。如果对某一阶j﹥0，有Cov（Z1,t,Z2,t-j）≠0，则表明存在风险－G ranger因果关系。换言之，当一个市场发生大的风险时，我们能用这个信息去预测另一个市场未来可能发生同样风险的可能性。

现在设VaRm,t=VaRm（Im,t-1，α），m=1,2是市场m在风险水平（即显著性水平）α下得到的VaR序列，本节引入基于GED分布的GARCH 模型，并利用方差－协方差方法得到该序列。设有T个随机样本 并令Zm,t=I（Ym,t﹤－VaRm,t），m=1,2，则定义Z1,t和Z2,t之间的样本互协方差函数（CCF）为

国外油气与矿产利用风险评价与决策支持技术

式中： 。而Z1,t和Z2,t的样本互相关函数为

国外油气与矿产利用风险评价与决策支持技术

式中： 是Zm,t的样本方差；j=0，±1，…，±（T-1）。

然后，Hong（2003）提出了基于核权函数的单向风险－Granger因果关系检验统计量：

国外油气与矿产利用风险评价与决策支持技术

式中：中心因子和尺度因子分别为

国外油气与矿产利用风险评价与决策支持技术

式中k（·）为核权函数，而且H ong（2003）证明了Daniell核权函数k（z）＝sin（π）z/π ,z∈（－∞，＋∞）是最优的核权函数，能够最大化检验效力。该核权函数的定义域是无界的，此时可把M 看作是有效滞后截尾阶数；而且当M 较大时，Q1（M）能够更加有效地检测出风险溢出效应的时滞现象。

Hong（2003）同时给出了检验双向风险－Granger因果关系的统计量，其原设为两个市场之间任何一个市场均不G ranger－引起另一个市场的极端风险，并且两个市场之间不存在任何即时风险溢出效应。这表示对于任意阶j=0，±1，±2，…，均有Cov（Z1,t,Z2,t-j）＝0。为了检验该原设，Hong（2003）提出了如下的统计量：

国外油气与矿产利用风险评价与决策支持技术

式中：中心因子和尺度因子分别为

国外油气与矿产利用风险评价与决策支持技术

原设成立时，Q1（M）和Q2（M）在大样本条件下均服从渐近的标准正态分布。而且，Hong（2003）指出，运用这两个统计量时，应该使用标准正态分布的右侧临界值。