战前日本大米的市场效率与ZF干预

交易所根据以下两个标准对交付大米进行分类：产地和质量。例如，1920年，东京大米交易所根据产地将大米分成八组。此外，交易所根据产地和质量将配送价格分为16-19类。因此，东京大米交易所在1920年将配送大米分为165组（见Ichinohe（1920年，第455-458页））。当零售商、卖家或买家交付的大米质量与标准不同时，他们必须支付与等级差异相应的现金。特别是，当卖家交付的大米低于标准大米时，卖家必须根据等级差异向买家支付差额。相比之下，当卖家交付优质非标准大米时，买家必须向卖家支付一定金额的现金，这取决于等级差异。因此，卖方可以交付优质和劣质的非标准大米。Koku是大米交易量的一个单位。一个koku等于180.39升。斋玉县与东京县相邻，兵库县与大阪府相邻。等级然而，在收到交易所的仓单之前，买家无法确认将交付哪种大米。这种交易方式——即按等级交易——随着大米市场的变化而修订。19世纪80年代末，日本的大米出口有所扩大。从1885年到1889年，大米出口量从10万库增加到130万库。

出口量的增长源于白银价格稳定导致的贸易条件的上升，以及当时国内大米价格的下降（见Omameuda（1993年，第18-20页））。然而，在同一时期之后，日本的大米供需失衡。从19世纪80年代末到19世纪90年代末，日本的水稻产量增长了7%，而总人口增长了17%。尤其是城市人口增长迅速。从同一时期开始，日本政府和主要铁路公司扩大了交通基础设施，如公路、铁路和港口设施。这一基础设施加速了人口在主要城市的集中和分布。例如，从1886年到1898年，东京市的人口增长了28%，大阪市的人口增长了27%（见东洋经济新闻社（Toyo Keizai Shimpo Sha，1927年，第507、634、642-645页））。简而言之，东京和大阪的人口都在快速增长，这些城市已经成为日本的分销和消费中心。至于大米分配，东京和大阪分别是日本东部和西部的两个大米流通中心（见Kataoka（2004年，第122-128页））。在城市增长的带动下，人口的增长影响了大米供需平衡，19世纪80年代末，日本的大米出口减少。自19世纪90年代以来，日本一直是大米的持续进口国。19世纪90年代，日本从东南亚国家进口大米，但从20世纪开始，从日本殖民地进口的大米数量增加。这些殖民地是日本本土岛屿的大米供应中心。

事实上，台湾和韩国在日本提供了很大一部分进口大米；1910年代，殖民地水稻占进口水稻总量的48%（见农业和林业部，农业部（1932年，第4-5页））。农业和商业部（Ministry of Agriculture and Commerce）对商品交易所（Commodity Exchange）的管理拥有管辖权，经常命令交易所在1890年后更改有关进口大米交付的交易规则。这些命令旨在压低大米的现货价格。图中显示了东京和大阪的大米现货价格从1931年到1881年的变化。（图1）我们发现大米的现货价格在1890年上涨。1890年4月17日，财政大臣松田正彦说， “大米价格的上涨明显高于任何其他商品的价格，人们生活在极度贫困之中。随着大米价格的上涨，工人们将迫使制造商提高工资。此外，他们可能引发暴动。我们提供了日本从1880年末到1890年末的大米产量和人口的详细数据。五年来，日本大米产量的平均值19世纪80年代末（1885-89年）和19世纪90年代末（1895-99年）的产量分别为36577286库库和39265273库库。1885年和1899年的总人口分别为37868949人和44270495人。1886年东京的人口为121883人，1898年为1440121人；大阪市的人口在1886年为361694人，1898年为821235人。日本在1895年和1910年分别对台湾和韩国进行了殖民统治。或犯盗窃罪”（见Ota（1938年，第182页））总之，政府担心大米价格的上涨会导致成本上涨和安全形势恶化。因此，农业和商业部不得不压制大米价格。

他们迫使交易所接受进口大米作为可交割商品，以解决大米交易所可交割商品供应量增加的问题。由于交易商通常通过交付实物大米来结算交易所的期货合约，农业和商业部进行了抑制大米现货价格的试验，以改变期货市场的交付规则。政府继续断断续续地迫使交易所接受进口大米的运送。表1报告了该部发布此类命令的时间段以及每项命令的内容。（这里的表1）根据表1，我们发现农业和商务部经常命令交易所交付进口大米。虽然这些命令旨在压制大米价格，但大米交易所反对这些修正案。例如，1912年，当农业和商业部迫使大米交易所稳定地接受从台湾和韩国进口的大米作为上市国产大米的替代品时，日本各地的大米交易所发布了一份声明，否认对交易规则进行任何修订。具体而言，交易所表示：大米期货价格将无法成为大米预期现货价格的可接受指数，因为台湾和韩国大米的质量与国产大米不同。台湾和韩国水稻是籼稻品种，而国产水稻是粳稻品种。此外，贸易商还有其他来自台湾和韩国的大米投诉。台湾水稻的品质差异很大，因为台湾的水稻种植采用双季种植（见农林部水稻局（1938年，第27页））。与此同时，韩国大米经常与沙子、石头和其他垃圾混在一起（见Hishimoto（1938年，第598页））。

韩国大米集中在大阪，因为只有大阪的大米贸易商才能净化韩国大米（见农林部大米局（1938年，第20页））。事实上，进口大米主要由穷人消费，比如贫困农村地区的煤矿工人和农民，因为它比国产大米便宜（见Mochida（1970年，第59-64页）和Omameuda（1993年，第68-71页））。1912年，国产大米的每谷价格为20.70日元，台湾（台北）大米的价格为16.77日元，韩国（釜山）大米的价格为17.63日元（见农业和商业部，农业局（1914年，第92页））。总之，贸易商和消费者并不认为进口大米与国产大米质量相同。实际上，尽管农业和商业部预计交易规则的修订将控制大米价格，但大米的期货价格在1912年并未下跌。农业和商业部对这种情况感到困惑（见东京朝日本（1912））。1918年，它迫使交易所接受低质量的国产大米，并将标准大米从中质量改为低质量。参见农业和林业部（1959年，第107页）。这一变化的主要目的也是控制大米价格。总之，尽管对交易规则进行了这些有序的修改，但政府无法控制大米期货价格，交易所认识到，政府干预的唯一效果是造成大米市场的混乱。1918年，日本经历了全国性的暴动，即“大米暴动”，导致寺内内阁辞职，使日本陷入混乱。因此，需要新的立法来管理这种大米价格波动。

1921年通过的《大米法》使ZF能够直接干预现货市场以调整价格。1925年和1931年，通过对该法的修订，强化了该政策，并在1933年颁布的《北国大米供求调控法》（简称《大米供求调控法》）中进一步修订。因此，自1921年起，本应是自由的大米期货市场逐渐受到ZF的控制。3该方法在本节中，我们介绍了检验日本明治、大正和战前昭和时期大米期货市场市场效率的实证方法。我们认为这些实体是成熟的金融市场。我们的方法基于一个非贝叶斯时变模型，遵循Ito等人（2014）。该方法旨在考察两个大米期货市场的市场效率，这两个市场相距近250英里（400公里），它们的市场效率可能有所不同。Fama（1970）断言，在一个有效的市场中，金融商品价格瞬间反映了任何瞬间的冲击。换句话说，在一个高效的市场中，这种冲击不会持续传播到回报率上。基于这一论点，我们的分析方法从时间序列数据中收益率的脉冲响应分析开始。由于脉冲响应反映了瞬间冲击对系统的传播，脉冲响应的聚集代表了冲击的全部影响。当试图获得多变量数据的脉冲响应时，标准的做法是使用具有有限滞后的VAR模型：yt=ν+Ayt-1+···+Apyt-p+ut；t=1，2，T、 （1）YIT是东京和大阪交易所大米期货的回报率向量。从方程（1）中可以看出(∞) 通过一系列计算，得到了代表脉冲响应的模型。

注意，我们认为VAR（p）模型是VMA的简化形式(∞).yt=u+Φut+Φut-1+Φut-2+ · · · ; t=1，2，T、 （2）如本节前面所述，我们计算∞τ=0Φt激励VMA(∞) 然后从矩阵中导出一个范数，作为瞬时冲击持续影响程度的度量。根据Ito等人（2014），我们采用了NP之间差异的光谱范数∞τ=0Φtand单位矩阵I，P∞τ=0Φt- I.由于Φ与I相同，它反映了除冲击之外的所有影响。此外，我们的方法来自Ito等人（2014）的时变估计技术。该技术允许我们在假设aVAR（p）模型的情况下获得每个周期的脉冲响应。然后我们可以导出脉冲响应，{Φ0，t，Φ1，t，Φ2，t，···········，t，依赖于时间t.yt=ut+Φ0，tut+Φ1，tut-1+Φ2，啧啧-2+···（3）最后，我们计算每个市场效率ζtat t=1，··，t如下。ζt=VuTmaxλ“(∞Xτ=0Φτ，t- （一）(∞Xτ=0Φτ，t- 一） #，（4）其中“maxλ[X]”表示矩阵X的最大特征值。ζt的序列（t=1，···，t）提供了有关大米期货市场效率的时变性质的信息。由于该方法基于线性时间序列模型，因此通常的剩余bootstrap技术可用于促进有关时变脉冲响应和市场效率程度的统计推断。4数据在本分析中，我们使用了明治时期（1881年1月至1932年11月）前后东京和大阪的月度大米期货价格数据集。这是一个成熟期货市场的连续月度数据集。我们利用月度数据来论证两个主要大米期货市场的弱效率形式。我们强调，将数据用于我们的目标不会有问题。

效率的弱形式是基于金融商品收益的鞅序列的。鞅级数在某些大范围变换下是不变的。例如，当原始每日序列是鞅序列时，通过每月平均每日序列得到的每月序列仍然是鞅序列。此外，通过选择每个月的最后一个观测值获得的另一个月序列也是鞅序列。也就是说，在我们解决效率低下的问题时，由于可用性而使用较低频率的数据除了降低统计分析的精度外不会造成任何问题。事实上，许多关于商品期货和经济政策之间关系的前期研究都使用了月度数据（例如，见Awokuse和Yang（2003）以及Bhar和Hamori（2008））。对于东京和大阪的大米期货价格，我们使用延期合同（三个月）的加权平均月价值。该数据集主要用于中泽（1933年），主要来自东京商会（东京）和大阪市统计局（大阪）的年度统计报告。中泽（1933）创建的统计数据中有一些缺失值，其中一些是连续的，最长的缺失序列为三个月。使用季节性卡尔曼滤波器填充这些缺失值，并利用大米期货价格自然对数的第一个差异来计算事后收益序列。图2显示了东京和大阪大米市场的期货价格变化。东京和大阪大米期货价格的每日数据集在1911年11月之前不可用（见农林部大米局（1937））。

因此，我们构建了一个月度数据集，利用长期数据分析期货市场的时变结构。（图2）在估计中，回归方程中出现的所有变量均假定为最佳平稳。为了检查变量是否满足平稳性条件，我们采用Elliott等人（1996）的改进Dickey–Fuller广义最小二乘法（ADF-GLS）检验。与Ng和Perron（2001）提出的程序一起，单位根检验对尺寸畸变具有鲁棒性。表2显示了单位根检验的结果以及数据的描述性统计。ADF-GLS检验拒绝了零假设，即变量包含1%显著水平的单位根。（这里的表2）5实证结果5。1测量市场效率的时变程度按照第3节中描述的方法，我们首先验证TV-VAR模型比传统的时不变VAR模型更合适。特别是，我们用整个样本估计时不变VAR模型，然后应用Hansen（1992）的参数恒常性检验来研究时不变模型是否更适合我们的数据。（这里的表3）为了选择滞后长度，我们采用了贝叶斯信息准则（见Schwarz（1978））。表3给出了时不变VAR估计和Hansen（1992）的联合参数恒常性检验统计数据（在最后一行，“LC”）。对于我们的时不变VAR模型，参数恒定性检验拒绝了1%显著水平的恒定性零假设，而不是参数变化遵循随机过程的替代假设。这些结果表明，时间不变的VAR模型不适用于我们的数据，TV-VAR模型是一个更好的模型。我们对市场效率的衡量反映了观察到的市场偏离有效市场的程度。

因此，我们可以通过检查随时间变化的程度来阐明基础市场是如何演变的。如第3节所述，我们关注TV-VAR模型以及与该模型相关的市场效率。再一次，这些期货市场偏离有效条件的程度由（4）谱范数来衡量。如果时间t的ζt=0，则两个期货市场共同有效。我们根据Φt（1）的估计值计算市场效率；因此，ζ受采样误差的影响。因此，我们在市场效率假设下加入了ζt的置信区间。当估计的ζ小于置信区间上限时，我们没有发现市场不足的证据；检测到无效市场时，估计ζt大于上限。继Ito等人（2014年）之后，为了选择最佳滞后长度，我们采用了修正的贝叶斯信息准则（MBIC）而不是修正的Akaike信息准则（MAIC），因为我们无法在去趋势序列、^ψ（Elliott等人1996年）和Ng和Perron（2001年）的估计系数中识别尺寸失真。我们在TV-VAR模型中采用了基于残差的自举技术来构造置信区间。这包括三个步骤：（i）我们为期货收益yt生成多元独立同分布过程；（ii）我们为这些过程应用并估计了TV VAR模型；最后，（iii）我们计算ζt（这里的图3）。图3显示，所研究的大米期货市场通常是有效的。