战略商品的价格是否对美国的党派立场作出反应

如果观察到的数据可能在模型1M下，那么在这些相互竞争的模型中，相关的边际可能性将是“最大的”。表1 GARCH模型和SV模型spane 1:GARCH模型GARCHCARCH（1,1）模型，其中t2遵循固定AR（1）GARCH-2与GARCH相同，但遵循2平稳AR（2）GARCH JSame为GARCH，但收益方程有一个“跳跃”分量GARCH MSame为GARCH butt2以协变量形式输入收益方程，其中MASame为GARCH，但观测误差遵循MA（1）GARCH tSame为GARCH，但观测误差遵循具有杠杆效应的t分布ARCH GJRGARCH面板2：SV模型SVSV模型，其中遵循与SV相同的平稳AR（1）SV-2，但遵循与SV相同的平稳AR（2）SV JSame，但收益方程具有“跳跃”分量SV MSame为SV但将回报方程作为协变量v MASame as SV，但观测误差遵循MA（1）SV tSame as SV，但观测误差遵循具有杠杆效应的t分布v LSV注：t2和分别表示GARCH和SV模型中的条件方差。有关详细的型号说明，请参阅Chan和Grant（2016）。3.2. 分位数中的格兰杰因果关系我们使用Troster（2018）和Troster et al.（2019）提出的分位数中的格兰杰因果关系检验来检验美国党派冲突指数在预测不同条件分位数中石油和黄金价格的回报和波动性方面的能力。假设美国党派冲突指数分别为，石油和黄金的回报率和波动率分别为。根据Granger（1969），如果Pastzd不能帮助预测未来给定的Pastzd，那么一系列的Pastzd不会导致另一系列的Pastzd。假设解释向量（），Y Z dt tI I I R,qsd+=，其中（）ssttYtRYYI=--\'1,...:和（）qqttZtRZZI=--\'1,...:.

Tztotyas的Granger非因果关系无效假设如下：（）（）0：，Z Y Y Z YY t Y t Y tH F Y I F Y I=，对于所有.                  （1） 其中，（）ztytyiyif和（）ytyiyif分别是tygiven（）ztyti和yti的条件分布函数。检验均值中的格兰杰非因果关系，这只是（1）的必要条件。在这种情况下，Tzy并不表示if（）（）ytztyttiyeiye=，a.s.，（2）其中（）ztyttiye和（）YttIYEare是（）的平均值，YZY t tF I I I和（）YYtFI分别为10。均值中的格兰杰非因果关系可以很容易地推广到高阶矩。然而，平均数中的因果关系忽略了可能出现在分布条件尾部的依赖性。因此，提出了条件分位数中的测试格兰杰非因果关系。Let（），Y Z Y ZttQ I I是（）的τ-分位数，YZY t tF I I,  我们将公式（1）改写如下：（）（）：Z，0：，QC Y Y Z Y Z Y Y Y Y t t t t t tH Q Y I Q Y I=, a、 美国代表所有人,               （3） 在哪里是一个紧凑的集合 0,1和条件-满足以下限制的分位数：（）= :Prytyttytiyqy，a.s.代表所有人,( )= :,,公共关系，Ztytztytztytiiiiiiyqy，a.s.为所有人（4） 给出一个解释向量，我们有（）( )tPrt t t t t Y Y Y I Y Y Y I =  ,  其中（）时间Y是a小于或等于y的事件的指示函数。因此（4）等于（）( ),1，，Y Z Y Z Y Z Y Y Z t t t t t t t t Y Y Y Y Y Y Y Y Y Y Y =  , a、 美国代表所有人,                      （5） 其中（5）的左侧等于-（）的分位数，YZY t tF I I根据定义。

继Troster（2018）之后，我们假设了一个参数模型来估计（）YYtFI的分位数, 我们假设（）tQI由参数化模型（）正确指定，m属于函数族（）（）（）,PmR公司    =    , 1,0.  允许是一致有界函数族（）以便（）PR.  然后，在（3）中的零假设下，τ-条件分位数（）YYtQI由参数化模型（）正确指定（）0，YtIm，对于某些0,  仅使用受限信息setYtI，我们将（3）中的测试问题重新定义为（）（）（）00，，Z Y Y Zt t tH m I I I I     =：,  a、 美国代表所有人,                      （6） 与：（）（）（）（）0，Z Y Y Y Z t t t t t t t t t THE m I I I I     ：, 对一些人来说,                            （7） 其中（）（）0，ytim正确指定了真正的条件分位数（）YYtQI, 对于所有人. 我们将（6）重写为（）（）（）00：，0，0Z Y Y Y Y Z t t t t THE m I I I I    -  - =几乎可以肯定. 然后，我们可以通过一系列无条件力矩限制来描述零假设（6）：（）（）（）\'00：，0 exp（I）0Z Y Yt t THE m I I     -  - =（8） 其中（）（）（）1 1，exp exp。。。t t t r t r r I I Y Z Y Z  - - - -= + +是一个加权函数带DR,  AND 1-=iis是假想根。检验统计量是（）的抽样模拟（）\'0，0 exp（I）Yt tE m I I     -  -:（）（）（）（）\'011，：，0 expTYT t t ttv m I I IT     ==   -  -（9） 其中是一致估计数（）0，全部.

然后，我们应用检验统计量：（）（）（）dFvST WTTdF，：2=（10） 其中（）F是ad变量标准正态随机向量的条件分布函数，（）F作为网格上的均匀离散分布在均匀分布的点， njjn1==. 和权重SDR的向量从标准正态分布中提取。（10）中的检验统计量可以使用其对应的样本进行估计。允许在那里矩阵带元素（）（）jtyijiimyj,,-=. 然后，测试统计数据的格式为11’。nT j jjSTn公司==W（11）其中为T带元素的矩阵（）2，exp 0.5t s t SII= - -w、 andj公司o表示第j列.  每当它观察到T的“大”值时，它就拒绝了无效假设。我们使用Troster（2018）的二次抽样程序计算公式（11）中的临界值12。给定样本大小的系列{（，）}t t tX Y Z=- +表格1{，}i i bXX中sizeb的子样本（未替换原始数据）+-. 然后，针对每个子样本计算公式（11）中的测试统计量；我们通过对B个子样本上的子样本检验统计量求平均来获得p值。继Troster（2018）之后，我们选择了一个子样本，大小为2/5[]b kT=，其中[·]是数字的整数部分，k是常数参数。为了应用公式（11）中的测试，我们指定了三种不同的分位数自回归（QAR）模型（）m,  对于所有[0,1] ,  在方程中非格兰杰因果关系的无效假设下。

（9） 如下所示：111 2 1（1）：（，（））（）（）（）年       --= + + 211 2 1 3 2（2）：（，（））（）（）（）（）年至今         ---= + + + 311 2 1 3 2 4 3（3）：（，（））（）（）（）（）（）年至今           -- - -= + + + + （12） 其中参数1 2 3 4（）（（），（），（），（），（），）t          =通过等距分位数网格和1（）u中的最大似然估计-是标准正态分布函数的逆函数。为了验证变量之间因果关系的特征，我们估计等式（12）中的分位数自回归模型，包括另一个变量的滞后变量。为简单起见，我们仅使用QAR（3）模型，其他变量的滞后值如下：（），11 2 1 3 2 4 3 1，（）（）（）（）（）（）（）Y Z t t t t t t t t uQ Y I Y Y Y Z           -- - - -= + + + + + (13) 4. 数据本文使用1981年1月至2017年10月的月度数据，调查美国党派冲突指数预测石油和黄金价格回报和波动的能力。Azzimonti（2018）编制的美国党派冲突指数可从费城联邦储备银行网站获取。该指数通过衡量某个月报纸文章报道分歧的频率，跟踪美国政界人士在联邦层面上的政治分歧程度。指数越高，表明政党、国会和总统之间的冲突越大。

使用美国炼油商的原油收购成本ashttps://www.philadelphiafed.org/research-and-data/real-time-center/partisan-conflict-index13全球原油价格的衡量标准来自美国能源部的美国能源信息管理局（EIA）。金价是伦敦黄金市场下午3:00（伦敦时间）以美国为基础的黄金固定价格，从圣路易斯联邦储备银行的FRED数据库中获取。石油和黄金价格除以美国劳工统计局的美国消费者价格指数（CPI），以获得实际价格。石油和黄金的回报率由实际石油和黄金价格的第一个差分自然对数来衡量。表2中报告了变量的汇总统计数据。请注意，石油回报的波动性高于黄金回报。石油收益率向左倾斜，黄金收益率和美国党派冲突指数向右倾斜，所有变量都有过多的峰度。Jarque–Bera检验以压倒性优势拒绝了零正态性。变量中厚尾的证据为我们提供了在分位数检验中使用因果关系的初步动机，而不是基于条件均值的标准线性格兰杰因果关系检验。表2汇总统计数据GoldoilPartisanMean-0.064-0.1194.627Median-0.3220.1964.572最大值17.58736.6415.603最小值15.194-33.9424.081Std。Dev.3.8957.4370.266偏斜度0.162-0.5520.811Kurtosis5.1806.7433.580Jarque-Bera89.468***280.452***54.598***观测注：标准偏差表示标准偏差；黄金和石油分别代表黄金收益和原油收益。partisan表示以自然对数表示的美国党派冲突指数。

***表示在1%显著性水平下拒绝Jarque-Bera检验的正态零。关于石油和黄金市场的波动性评估，使用贝叶斯技术估计了七个GARCH模型和七个SV模型（见Chan和Grant（2016））。使用Chan和Eisenstat（2015）改进的交叉熵方法计算边际可能性。模型比较结果见www。环境影响评估。gov/。https://research.stlouisfed.org/fred2/14如表3所示。总体而言，结果表明，建模石油和黄金价格波动的最佳模型是SV-MA模型。SV-MA模型估计原油和黄金价格波动的边际可能性最大，分别为-1393.9和-1196.2。因此，本文采用SV-MA模型来衡量原油和黄金的价格波动。这一石油波动率估计结果与Chan和Grant（2016）一致，他们发现SV-MA模型最适合估计石油价格波动。此外，我们通过比较不同的GARCH和SV模型，研究了在建模石油和黄金价格动态波动时哪些特征是必不可少的。通过比较GARCH和GARCH-2以及SV和SV-2，我们得出结论，具有AR（2）波动过程的模型提供了更高的边际可能性。因此，具有AR（2）波动过程的波动率模型优于具有AR（1）波动过程的模型。接下来，我们研究了波动性反馈对石油和黄金价格波动建模的重要性。我们发现，增加波动性反馈分量显著增加了SV模型对石油和黄金的边际可能性。

相比之下，在黄金价格的GARCH中加入波动反馈分量，无法改善模型拟合。为了研究移动平均分量的相关性，我们将GARCH与GARCH-MA和SV与SV-MA进行比较。对于SV模型，添加MA组件可以提高模型对原油和黄金价格的适用性。然而，对于GARCH模型，边际可能性无法通过增加原油和黄金的MA成分来改善。我们还检验了带有“跳跃”的GARCH模型和SV模型是否比传统的GARCH和SV模型更好地塑造原油和黄金的价格波动。结果表明，在GARCH和SV模型中加入跳跃分量后，边际似然度有所提高。因此，在估计原油和黄金市场的价格波动时，必须考虑GARCH模型和SV模型中的跳跃成分。最后，通过比较GARCH和GARCH-GJR以及SV和SV-L，我们得出结论，与传统的GARCH和SV模型相比，在建模原油和黄金价格波动时，杠杆效应至关重要，而传统的GARCH和SV模型没有规定杠杆。正如我们所知，杠杆效应对股票回报和原油价格至关重要（Chan和Grant，2016）。这些结果支持原油和黄金市场“金融化”的15个论点。

表3原油和黄金的GARCH和SV模型的对数边际可能性。OilGoldGARCH-1460.3-1213.3（0.02）（0.02）SV-1433.6-1200.2（0.03）（0.02）GARCH-2-1458.7-1213.6（0.04）-0.06SV-2-1431.2-1201.3（0.08）（0.03）GARCH-J-1434.9-1205.7（0.20）（0.08）SV-J-1434.5-1200.1（0.05）（0.09）GARCH-M-1446.8-1220.0（0）（0.04）0.03）SV-M-1440.6-1205.4（0.03）（0.02）GARCH-MA-1427.1-1204.5（0.04）（0.03）SV-MA-1393.9-1196.2（0.03）（0.01）GARCH-t-1434.1-1197.3（0.01）（0.01）SV-t-1434.0-1195.7（0.02）（0.02）GARCH-GJR-1457.4-1215.7（0.02）（0.03）SV-L-1455.9-1201.6（0.02）（0.02）注：表3显示了使用GARCH和SV模型估计石油和黄金挥发性的对数边际可能性值。该指标的绝对值越小，说明模型越好。数字标准误差在括号中。我们进行标准单位根检验，以确定石油和黄金以及美国党派冲突指数系列的回报率和16波动率是否是平稳的。试验结果见表4。根据表4的结果，增强Dickey和Fuller（ADF）检验（Dickey和Fuller，1979）和Phillips-Perron（PP）检验（Phillips和Perron，1988）拒绝了所有序列非平稳性的零假设。然而，标准单位根检验的一个主要缺点是，它们不考虑结构断裂的可能性。因此，我们使用Perron（1997）提出的单位根检验，该检验允许在任何变量的趋势和截距上的未知位置出现中断。我们评估了石油和黄金收益率和波动率的单位根检验，以及美国党派冲突指数。Perron（1997）单位根检验的结果和估计的断裂日期也显示在表4中。

Perron单位根检验证实这些序列是平稳的，石油收益率、黄金收益率和党派冲突指数分别在2008年12月、1982年9月和2009年12月出现了突破。同时，它检测到石油波动率和黄金波动率分别在2008年10月和1982年9月出现了突破。石油和黄金收益率和波动率以及党派冲突指数的断点发现表明，基于均值估计的线性模型不适合描述两者之间的关系。表4单位根测试带断路器的PPPerron测试CC+TCC+TC+TdateConflict-2.623*（3）-3.096***（3）-5.357***（6）-6.637***（8）6.229***（3）2009m12Oil-12.045***（1）-12.054（1）-10.869（17）-10.803***（18）-12.562***（2）2008m12Gold-18.243***（0）-18.446***（0）-18.265***（8）-18.402***（7）-19.261***（0）1982m9Oil-VOL-4.006***（1）-4.487***（1）-2.942***（12）-3.311（12）-5.864***（1）2008m10Gold-VOL-3.242***（1）-3.152*（1）-2.593*（14）-2.475（14）-4.900**（1）1982M9注：C表示常数，T表示趋势**和***分别表示5%和1%水平的显著性。石油和黄金分别代表石油和黄金的回报。根据SV-MA模型的估计，石油量和黄金量分别表示石油和黄金的价格波动。括号中的数字是基于Schwarz-Info准则和Newey-west带宽的ADF和PP测试中的最佳滞后顺序。5、实证结果与讨论5.1。线性格兰杰因果关系检验虽然我们的目标是分析从美国党派冲突指数到石油和黄金价格回报和波动的分位数因果关系，但为了完整性和可比性，我们还基于VAR模型进行了标准线性格兰杰因果关系检验（Granger，1969）。