月份效应与日历效应 月份效应是日历效应的一个分支。日历效应（Calendar Effect），指金融市场与日期相联系的非正常收益、非正常波动及其他非正常高阶矩，主要包括季节效应、月份效应、星期效应和假日效应，它们分别指金融市场与季节、月份、星期和假日有关的非正常收益、非正常二阶矩及其他非正常高阶矩。在数学中，矩的概念是用来度量一组具有一定形态特点的点阵。例如，一阶矩可理解为随机数列的期望均值；二阶矩为随机变量离散程度的方差；高阶矩用来描述诸如均值的歪斜分布情况（偏态），或峰值的分布情况（峰态）等其他方面的分布特点。 实证研究发现，大多数证券市场中存在某个或某些特定月份的平均收益率，年复一年显著地异于其他月份的平均收益率，这种市场异象被称为月份效应，其中“1月效应”是月份效应中的典型表现。关于“1月效应”的研究始于美国股市。1976年，约瑟夫（Rozeff）和金奈（Kinney）对1904—1974年纽约股票交易所股指进行验证，发现1月的收益率明显高于其他11个月。1983年，居尔特金（Gultekin）对1970—1979年17个国家的股市进行研究，发现其中很多国家存在“1月效应”，而且形成一种普遍现象。 除此之外，学者们还研究了其他月份的日历效应。1985年，卡托（Kato）和斯考黑姆（Schallheim）发现，日本证券市场除“1月效应”外，还存在着“6月效应”“12月效应”，即6月、12月的市场收益率显著高于其他月份。对于日历效应是否存在，目前没有统一的定论，这可能与不同市场、不同时间段样本以及不同研究方法有关。 月份效应的检验方法 1.数据来源 本文选取上期所、郑商所、大商所上市的所有期货品种，并剔除近年来不活跃、上市年限小于7年的品种，时间段选取从上市日至2016年12月31日，数据选取每个品种的主力合约收盘价。
表1为符合条件的品种 2.统计与处理 首先，计算每个月的平均收益率，计算公式为
。其中，Rm为该品种所有年份第m月的平均收益率，pm为第m月的月底收盘价， pm-1为第m-1个月的收盘价。计算结果如表2所示。
其次，构建模型检验月份效应。一方面，通过上述公式计算，能够简单得到对应品种在各个月份的涨跌情况，但无法确定某个月份的平均涨跌是否由某一年的极端值造成的；另一方面，通过均值展示出来的情况，不能明确某个月份的所有日历日的收益是否与其他月份日历日的收益有显著差异。 我们用康诺利（Connolly）提出的传统研究方法，采用带虚拟变量的二元线性回归，前提假设误差项固定，即误差不随时间的变化而改变。然而，经济时间序列中，残差的自相关性和异方差性比较常见。因此，我们用Newey—West异方差性和自相关一致性的协方差方法，对残差自相关性进行处理。
表2为商品的月均收益率 构建回归模型为
。其中，rt是第t期的收益率，Dtm是第t 期的时间是否属于月份m的虚拟变量（取值范围是1—12），如果属于，则值为1，如果不是，则值为0。b0和b1是待定系数，e是残差项。
另外，第t期的收益率，表示为日历日的收益率，计算公式为
，Pt为时期t的收盘价。为了覆盖所有日历日，这里每一年的日期都使用366个，非交易日，没有交易价格的，用前一个价格来补充。
提出假设H0∶b1=0，备择假设H1∶b1!=0。通过求得p值来确定b1是否显著异于0。计算结果如下表所示：
表3为是否存在月份效应显著性检验的P值结果（方框表示P值小于等于0.1，也就是上涨或下跌显著异常于其他月份的可信度大于等于90%） 一般来说，P<0.1，认为在10%显著性水平下不能拒绝原假设。也就是说，90%的可信度b1!=0。b1!=0表示检验的第M个月与其他月份有显著上涨或者下跌的异常现象。这里可信度指，通过对历史日历日的收益率特征统计的分布概率值。 为了直观表示某个商品对应月份涨跌是否显著，这里将表2商品的月均收益率的平均月份涨跌幅与表3的P值结合起来，从而得出表4的结果。
表4为商品月份涨跌幅对应的显著性 表4中的数据代表月份的上涨幅度，用黑色方框圈起来的表示通过检验后，这些涨跌幅度可信度在90%以上。也就是说，这些月份平均的上涨或下跌不是因为某一年的异常值导致，而是在统计年限内有比较多的年份表现出相同的现象。 从上表可直观看出，某一品种在某个月份有显著的上涨。例如，豆一在12月平均上涨0.03，豆粕11月下跌比较显著。下面选择一些品种，进一步探究其显著上涨或下跌的基本逻辑。 3.棕榈油的月份效应 表5显示棕榈油从2008年至2017年每个月的涨跌幅。其中，2月上涨6次，2008年出现最大涨幅25%；12月上涨6次，2009年、2010年出现最大涨幅10%；7月下跌8次，2008年出现最大跌幅20%。 棕榈油的季节性特性可以从供给与需求两方面来看。先看供给情况，马来西亚棕榈油的产量具有明显的季节性特征，每年4—10月是增产季，增产期间价格易跌难涨，11月至次年2月是减产季，价格易涨难跌。再看需求情况，我国对棕榈油的需求可以从进口数据得到印证，每年7—9月、11—12月进口量放大，需求旺盛。12月为棕榈油的生产淡季，2月因产量还没有恢复，加之该月份对应我国的农历新年，春节前后市场有备货需求，这两个月棕榈油易涨难跌。7月也是需求旺季，但对应着产量旺季，同时6月、7月的天气会影响棕榈油销量，使现货市场对期货市场缺乏有力支持，棕榈油价格容易下跌。
表5为棕榈油2008—2017年的收益情况
图为棕榈油产量
图为棕榈油进口量 4.白糖的月份效应
表6为白糖2008—2017年的收益情况 表6统计了白糖从2008年至2017年的涨跌幅情况。其中，2月上涨6次，2009年出现最大涨幅18%；10月上涨7次，2010年出现最大涨幅14%；4月下跌6次，2008年出现最大跌幅8%，在4月的最大上涨幅度没有超过3%。今年白糖的压榨时间推迟至12月，在10—11月正常需求的情况下，市场进一步消化库存。
图为食糖库存 我国甘蔗榨季从每年11月开始，次年4月结束。每年9月底至11月，中秋、国庆接踵而至，市场需提前或延后备货。10月处于需求旺季，而新榨糖还没有上市，库存不断消耗至年内低点，该月白糖容易走出上涨行情。2月虽处于榨季高峰期，但对应着一年中最大的春节消费旺季，同时天气方面有霜冻的题材炒作，这段时间白糖价格容易上涨。4月是消费淡季，而且榨季结束，库存累积到一年高点，白糖期价多为下跌市况。 5.黄金的月份效应
表7为黄金2008—2017年的收益情况 表7统计了黄金从2008年至2017年每个月的涨跌幅。其中，2月平均上涨8次，2009年出现最大涨幅10%；3月平均下跌10次，10年间全部处于下跌趋势中，2012年出现最大跌幅7.6%。 关于黄金的测试，2月有显著的正收益，可能对应着亚洲地区农历新年需求旺盛的缘故。然而，3月因处于需求淡季，春节后市场对黄金的需求往往会大幅降温，金价缺乏有力支撑，大部分投资者会选择获利平仓，金价易跌难涨。 风险防范 月份效应展示的是通过对历史数据的统计，得出市场基本规律，有助于投资者了解商品特性。在把握上述异常现象的基础上，可进行相应的资产配置，或制订相应的套利策略，合理规避市场风险。不过，季节性因素毕竟不是影响价格的核心因素，而是商品自身的供需季节性导致的一种现象，只能作为市场分析的一个参考，并不能确保每年都会发生，只是发生的概率比较高而已。整体来看，在利用月份效应作为分析参考时，需要警惕以下几方面的风险： 第一，当期基本面特殊情况对商品的影响。例如，供需失衡会削弱原有的季节性规律。回顾今年棕榈油走势，2月本是减产季，却意外同比增产20%。加之马来西亚棕榈油的进口利润很差，进口国补库并不积极。2月马来西亚棕榈油的出口低于预期，导致今年马来西亚棕榈油走出与往年不同的下跌趋势，价格从2945林吉特/吨一度下跌至2727林吉特/吨，跌幅为7.4%；我国棕榈油价格从6208元/吨下跌至5786元/吨，跌幅为6.8%。根据历史规律，每年4—10月是我国棕榈油的增产季，而今年4—7月棕榈油的增产一直不及预期，库存处于近5年来极低位置，国内商业库存不及40万吨，棕榈油走出了反季节性行情，涨幅录得5.8%。 第二，宏观因素对商品的影响。例如，2013年2月，由于意大利大选陷入僵局，加之美国经济数据向好提振美元，美联储多位委员支持提前退出QE3，黄金遭受重创下跌4.3%。又如，2016年11月11日，我国十几个期货品种盘中触及跌停，出现流动性恐慌。季节性因素在这种系统性风险面前，其效应衰减至微乎其微，而如果策略应用不当，依然逃不过被错杀的命运。 第三，其他特殊因素对商品的影响。例如，经济政策、工人罢工、意外事故等都可能对商品价格产生重大冲击，从而弱化原有的季节性规律。比如国内的供给侧结构性改革，从2015年实施以来，对钢铁、煤炭、有色金属等行业有着深远的影响。据统计，自螺纹钢期货2009年上市以来，每年8月都有比较显著的下跌趋势，8年间有6年处于下跌趋势，2009年出现最大跌幅13%，最大涨幅为2%。今年以来，各级地方政府继续推动供给侧结构性改革，去产能目标远高出国家计划。另外叠加环保督察，限制了电弧炉产量的释放，导致需求旺季出现较大的供给缺口，螺纹钢在8月维持强势上涨，涨幅高达10%。 （作者单位：华泰期货） | 
:
| 
:
| 
:期货程序化 | 
:期货程序化研究 | 
:期货量化学习 | 
:期货量化 | 
发表于 2017-12-25 12:04
| 
|
TB/MC开户优惠政策:
：
：
2024年最全的Python编程与程序化（量化）教程、视频、源码、课件、资源汇总贴：/thread-152864-1-1.html
2024年最全的MultiCharts程序化（量化）教程、视频、源码、课件、资源汇总贴：/thread-88129-1-1.html
