战前日本的期货溢价与大米市场效率

进口大米是日本大米交易量的单位根。一个koku等于180.39升。这些殖民地出产的大米与国产大米的品种不同。前者是籼稻品种，后者是粳稻品种，每个品种都有不同的质地和味道。当大米从韩国运出时，农民和经纪人将沙子、石头和其他杂质混入大米袋中，以商品重量欺骗贸易伙伴。经营韩国大米的大米商不得不用沙子和石头打磨大米。为此，大米贸易商准备了专用的碾磨机，可以清除韩国大米中的沙子和石头。特别是，拥有韩国大米碾磨机的大米贸易商聚集在大阪（见Hishimoto（1938年，第591-598页））。因此，来自韩国的大米主要集中在大阪，因为韩国比东京更靠近大阪（见农业和林业部水稻局（1938年，第2页））。最后，当时在日本的韩国大米贸易的特点是，首先，韩国大米在日本的区域分布不平衡，其次，大米进口增加，使日本的大米分布多样化。与实际的大米分销不同，大米期货市场继续交易国内大米。然而，农业和商业部在1890年首次迫使交易所接受进口大米作为可交付大米的替代品。此次干预和其他类似干预的目的是在日本面临大米严重短缺时抑制大米期货价格。然后，期货市场通常允许大米商交付与国产大米质量不同的进口大米。日俄战争（1904-1905）后，尽管日本积极应对大米短缺问题，但大米价格仍在持续上涨。

1912年，政府试图抑制大米价格上涨，并迫使期货市场接受进口大米作为定期交割的商品。在同一时期，韩国总督推动了韩国的粳稻种植。自1910年代末以来，这一政策逐渐缩小了国内大米和韩国大米之间的质量差异。1918年发生了全国性的暴动，即大米暴动（kome soudo），这是由于商人投机持有大米造成的严重短缺，他们预计大米价格会上涨，这是因为日本皇室在苏联革命期间计划进行干预，价格会因这种预期而自行上涨。考虑到暴乱造成的破坏，政府开始干预大米市场，并于1921年制定了大米法。《大米法》的第一条规定，如果政府认识到调整大米供求的必要性，它可以购买、出售、改变、加工和储存大米（见Ota（1938年，第332页））。简言之，大米法允许政府直接购买和出售实物大米，以调整大米供应和需求。然而，政府总是在估计大米的供求之后才通过出售和购买来干预大米现货市场（见Omameuda（1993年，第198-201页））。1925年，政府修订了《大米法》，以解决供求问题。实际上，第一篇文章中的“大米供求”一词被“大米的流通量和价格”取代也就是说，政府可以灵活地应对大米现货市场价格的变化。

20世纪20年代末，农业和林业部拥有现货大米，以减少大米价格的过度波动。详情见Ota（1938年，第335-336页）。农业和商业部于1925年4月分为农业和林业部和工商部。3模型本节介绍了我们的计量经济学方法，用于检查明治、大正和昭和早期（1868-1945）日本大米期货市场的时变结构。我们采用时变计量经济模型，而不是在给定全部样本数据的情况下检验统计有效的市场假设，以确定战前日本两个大米期货市场的变化方式和时间。换句话说，普通的计量经济学模型用历史数据检验经济理论，而我们的方法使用时变VAR模型来探索历史事件和可能改变经济环境的背景。特别是，我们基于VAR模型的时变估计，研究了日本战前大米期货市场何时面临结构性变化。该方法部分基于伊藤等人（2014年），他们分析了七国集团国家之间股票价格的动态联系和国际股票市场的效率。然而，我们的方法侧重于战前日本大米期货价格与现货大米收益之间的动态关系；我们研究了期货溢价基本方程的时变估计。采用非贝叶斯时变模型方法，我们使用基于残差的bootstrap技术对时变估计进行统计推断。3.1初步本论文考虑了大米期货溢价与现货大米收益之间的关系。

根据早期的研究（如伊藤（1993）和瓦基塔（2001）），我们采用期货溢价的基本方程作为出发点：（log St+k）- 对数St）=α+β（对数Ft+k | t- 对数St）+ut（t=1,2,t- k） ，（1）其中STI是时间t的现货价格，Ft+k |是时间t+k交割时的期货价格，UT遵循独立且相同的分布过程。也就是说，我们考虑第k期远期合同。这类回归方程通常用于在金融市场效率的背景下检验无偏假设。实际上，零假设是（α，β）=（0，1）和{ut}连续不相关。请注意，该假设指的是风险中性（或无风险溢价）和合理性的联合假设。换句话说，该假设表明，没有信息投机者可以期望获得超额回报（详情见Brenner和Kroner（1995））。在一个高效的市场中，没有人因为没有套利而累积利润。在这样的市场中，基本方程（1）中的系数β为1，α为零。也就是说，不存在来自期货交易的系统性资本收益，因为预期预测误差E[（St+1- （圣）- （Ft+k|t- St]=E[St+1- Ft+k | t]为零。另一方面，在一个不完善的市场中，一些交易者因为预测错误的存在而获得利润，这代表了一些套利行为。在这种情况下，它与一的偏差越大，一些交易者从套利中获得的利润就越多。因此，我们可以将β与1的绝对偏差视为市场效率的衡量标准，它允许我们检测市场效率。3.2非贝叶斯时变回归模型假定存在对第k期远期合约可能有效的未来市场的时变结构的担忧。

现场返回的时间序列xxt=log St+k- 原木期货溢价yt=原木英尺+k | t- 应该检查日志。注意，理论上，XT和ytat t被认为是一个未知的期货收益率及其预测因子。在实践中，注意两个变量之间的差异- 在每个时期研究期货的时变预测性能。然而，这种方法毫无意义。因为- yt=对数St+k- 对数Ft+k | t，差异的时间序列将以高概率呈现一个几乎为白噪声的过程，其值很小。原因是，林分Ft+k | t通常有单位根，高度相关，并呈现虚假相关性。上述方法没有为我们提供有关期货市场的信息。我们采用了另一种方法，使用Ito等人（2014）的非贝叶斯时变模型对方程（1）进行建模。这种方法估计方程（1）中的系数，可能随时间变化。我们使用以下等式：（log St+k- 对数St）=α+βt（对数Ft+k | t- 对数St）+ut（t=1,2,t- k） 。（2） 这是现货大米收益与大米期货溢价的线性回归。我们考虑β是否随时间变化；考虑到α在前面的工作中的重要性，我们认为α是时不变的。等式（2）无法估计，因为它是不可识别的。因此，之前的许多工作都是用时变参数来估计模型，例如，随机游动。我们假设βt跟随一个随机游动，如下所示：βt+1=βt+vt，（t=1,2，··，t）- k） ，（3）每个VT遵循独立且相同的分布。我们将方程（2）和（3）一起视为状态空间模型。

继Ito等人（2014年）之后，我们采用anon-Bayes技术，利用林分Ft+k | tas数据的时间序列来估计状态空间模型中的参数。我们一起考虑方程（2）和（3）来估计参数α，β，βT-kby使用以下矩阵形式：yy。。。yT-kβ。。。=1xO1x。。。。。。1下-K010O0-1 1.........零度-1 1αββ...βT-K+嗯。。。美国犹他州-kvv。。。及物动词-K, （4） 其中xt=对数英尺+k | t- 对数St，和yt=对数St+k- t=1,2,t的对数- k、 这有助于我们估计系数，并使用bootstrapSee Ito等人（2014）的在线技术附录a.1进行统计推断，该附录可在http://at-noda.com/appendix/inter_market_appendix.pdf详细信息。技术将在下一小节中展示。我们估计了状态向量（αβ··β··T）-k） 根据观察结果x，x··，xT-k、 y，y··，yT-kand是经济学家熟悉的byOLS或GLS给出的先验β。该向量估计与Kalman平滑器相同，具有相应状态空间模型、方程（2）和（3）的固定区间。3.3时变参数的统计推断本小节介绍了我们对方程（2）中βt的时变估计进行统计推断的方法。这个想法非常简单，我们用时变估计器β，β，βT的联合分布来检验估计-kunder提出了无偏假设，即任意t的βt=1，α=0。在设置了一个重要级别（例如95%）后，我们根据两个时间序列的分布构造上下界：βU，βU，·βUT-KβL，βL，βLT-K

然后，利用由这两个界限序列构造的置信区间，我们检验β检验在区间内的哪个时段，以确定有效的市场时段。然而，我们不能使用渐近理论来构造假设遵循随机游动的置信带时变系数。这个微分系统来自于布朗运动或布朗桥中的渐近线，从理论上推导它们很复杂；如果成功的话，它们的分布只能用一些布朗运动或布朗桥来表示。也就是说，这种分布需要蒙特卡罗技术来进行一些统计推断。在无偏假设的前提下，我们不得不采用基于残差的自举技术来构造状态空间模型的参数置信带：（α，β，··，βT）-k） =（0,1，··，1）对于我们的时变模型。我们考虑的情况是，当（α，β）=（0，1）时，通过上述方法估计每个β，而数据由方程（1）生成。实际上，我们基于残差的引导技术包括以下步骤。首先，我们将方程（1）与观测数据进行拟合。然后，我们得到一个残差序列D=（^u，^u，··，^uT）-k） 。其次，我们提取N个自举样本Di=（^u（i），··，^u（i）T-k） ，i=1,2，··，N，用D替换，将其视为残余物的经验分布。第三，我们生成N组（^u（i），··，^u（i）T-k） 对于i=1，2，··，N，使用Difori=1，2，··，N。第四，我们通过将我们的时变模型（4）应用于N个自举数据（x，x，··，xT）来估计N组时变系数及其相应的残差-k、 y（i），y（i），··，y（i）T-k） 对于i=1，2，··，N给出了一个先验β。

最后，我们构造了（α，β，··，βT）的置信带-k） 。参见Ito等人（2016b）的在线技术附录A.1，可在http://at-noda.com/appendix/evolution_appendix.pdf以及Maddala和Kim（1998年，第15章）了解详情。我们估计随机参数回归模型的方法不同于20世纪70年代文献中的方法（例如，见斯瓦米（1970）、斯瓦米（1975）和斯瓦米与廷斯利（1980））。后一项研究侧重于平稳随机系数，如自回归移动平均模型（ARMA）过程，而我们的研究侧重于随机游走后的系数，这是一个非平稳过程。参见Ito等人（2014年）的在线技术附录A.3，其基本思想见吕特克波尔（2005年）的附录D.3.4数据。我们利用了日本普雷瓦尔大米现货和期货价格的加权平均月数据。对于大米期货数据，东京和大阪交易所有三个合同月：一个附近的合同（一个月）、一个第二最近的合同（两个月）和一个延期合同（三个月）。关于大米现货数据，东京的现货价格在东京福川大米现货市场上，大阪的现货价格是大阪大米的批发价格。这些数据集包括以下三个统计数据：（i）中泽（1933）1880年10月至1932年11月的所有期货价格，（ii）东京市统计数据和工商业部（1931年，第342页）1881年4月至1932年11月的东京现货价格，（iii）Miyamoto等人（1979年）和大阪市1881年4月至1932年11月的现货价格统计数据。两组统计数据中都缺少一些值。因此，我们使用季节性卡尔曼滤波器输入缺失值。

我们取现货大米价格自然对数的第一个差值来获得现货大米的收益，并从大米期货价格的自然对数中减去现货大米价格的自然对数来计算大米期货溢价。（这里的表1）从表1中，我们确认合同月越长，未来溢价越不稳定。表1还显示了数据的单位根检验和描述性统计的结果。对于我们的估计，力矩条件中出现的所有变量都应该是平稳的。为了确定变量是否满足平稳性条件，我们采用Elliott等人（1996）的ADF-GLS检验。我们采用修正的贝叶斯信息准则（MBIC）而不是修正的Akaike信息准则（MAIC）来选择最佳滞后长度。这是因为，根据去趋势序列的估计效率^ψ，我们没有发现尺寸扭曲的可能性（seeElliott et al.（1996）；Ng和Perron（2001））。5实证结果5。1初步结果我们假设一个具有常数参数的时不变回归模型用于我们的初步估计。表2总结了我们对整个样本的时间不变量回归模型的估计结果：方程（1）中α的所有估计几乎为零，随着大米期货的合同月较长，β的相应估计也较大。这些结果表明，合同月越长，战前日本的大米市场效率越高。Taketoshi（1999）得出了不同的估计，即东京附近和最近合同月的大米期货数据与延期合同月的大米期货数据的起始日期不同。

特别是，从1888年1月起可获得每个合同月的数据，从1898年1月起可获得最近合同月的数据。请注意，我们对β的估计值略大于Taketoshi（1999）的估计值，因为我们的数据未经季节性调整。当整个样本分为四个子样本时，每个子样本的β值。然而，作者没有使用传统的统计推断来检验战前日本的大米市场是否有效。因此，我们使用伊藤等人（2016b）的非贝叶斯方差回归模型来估计β，因为战前日本的大米市场可能并不总是有效的。然而，在采用新方法之前，我们验证了时变回归模型是否比时不变回归模型更合适。然后，我们应用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2）表2给出了我们初步估计的结果：时间不变性回归模型（α和β）的估计及其相应的Hansen（1992）联合参数恒定性检验统计量（LC）。对于我们的时不变回归模型，联合参数恒定性检验拒绝了在5%水平上恒定的零假设，而不是参数变化遵循随机游走过程的替代假设。