天然气现货交易中心的多元建模

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Multivariate Modeling of Natural Gas Spot Trading Hubs Incorporating
  Futures Market Realized Volatility》
---
作者：
Michael Weylandt and Yu Han and Katherine B. Ensor
---
最新提交年份：
2019
---
英文摘要：
  Financial markets for Liquified Natural Gas (LNG) are an important and rapidly-growing segment of commodities markets. Like other commodities markets, there is an inherent spatial structure to LNG markets, with different price dynamics for different points of delivery hubs. Certain hubs support highly liquid markets, allowing efficient and robust price discovery, while others are highly illiquid, limiting the effectiveness of standard risk management techniques. We propose a joint modeling strategy, which uses high-frequency information from thickly-traded hubs to improve volatility estimation and risk management at thinly traded hubs. The resulting model has superior in- and out-of-sample predictive performance, particularly for several commonly used risk management metrics, demonstrating that joint modeling is indeed possible and useful. To improve estimation, a Bayesian estimation strategy is employed and data-driven weakly informative priors are suggested. Our model is robust to sparse data and can be effectively used in any market with similar irregular patterns of data availability.
---
中文摘要：
液化天然气（LNG）金融市场是大宗商品市场中一个重要且增长迅速的细分市场。与其他大宗商品市场一样，液化天然气市场具有固有的空间结构，不同的交付点枢纽具有不同的价格动态。某些中心支持高流动性市场，允许高效和稳健的价格发现，而其他中心则高度缺乏流动性，限制了标准风险管理技术的有效性。我们提出了一种联合建模策略，该策略使用交易量大的中心的高频信息来改进交易量小的中心的波动率估计和风险管理。结果模型具有优异的样本内和样本外预测性能，尤其是对于几种常用的风险管理指标，表明联合建模确实可行且有用。为了改进估计，采用了贝叶斯估计策略，并提出了数据驱动的弱信息先验。我们的模型对稀疏数据具有鲁棒性，可以有效地用于任何具有类似不规则数据可用性模式的市场。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--
一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--

---
PDF下载：
-->

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：现货交易 交易中心 天然气 Applications epidemiology

天然气现货交易的多元建模UBS结合期货市场实现的波动性Michael Weylandt*1,2、于涵1,2和凯瑟琳B.恩索1,2，莱斯大学计算金融和经济系统中心统计系，莱斯大学最新更新：2019年7月25日，液化天然气（LNG）的抽象金融市场是大宗商品市场中一个重要且快速增长的细分市场。与其他大宗商品市场一样，液化天然气市场的空间结构也不尽相同，不同的配送中心有不同的价格动态。某些中心支持高流动性市场，允许高效和稳健的价格发现，而其他中心则高度缺乏流动性，限制了标准风险管理技术的有效性。我们提出了一种联合建模策略，该策略从交易量大的中心提取高频信息，以改进交易量小的中心的波动率估计和风险管理。结果模型具有优异的样本内和样本外预测性能，尤其是对于几种常用的风险管理指标，表明联合建模确实可行且有用。为了改进估计，采用了贝叶斯估计策略，并提出了数据驱动的弱信息先验。我们的模型对稀疏数据具有很强的鲁棒性，可以有效地用于任何具有类似不规则数据可用性模式的市场。*通信收件人：michael。weylandt@rice.edu.1简介液化天然气（LNG）金融市场是美国最重要的大宗商品市场之一，随着天然气在美国能源消费中所占份额越来越大，其重要性也在上升。

与其他主要商品不同，天然气的定价主要由运输和储存成本驱动，这些成本反映在不同现货价格的相关价格动态中。在本文中，我们开发了一个天然气现货价格联合模型，该模型利用可观察到的市场结构和跨不同时间尺度的信息，以更准确地预测交易量较小的现货价格的波动性。我们的研究结果表明，和标准的单变量模型相比，对不同天然气现货价格的联合建模能够更准确地预测未来波动。天然气是一种天然碳氢化合物混合物，主要是甲烷（CH），广泛用于大规模商业发电和家用。2017年，美国使用天然气发电约1273千兆瓦特小时（PWh）或12730亿千瓦时（kWh），约占美国所有发电量的31.7%（E.I.A.，2018a）。2015年，天然气超过煤炭成为美国的主要发电来源，预计在未来几年中，天然气将继续在美国发电组合中占据更大的比例（Murphy，2015；E.I.a.，2018b）。使用量的增加主要是由水力压裂（“压裂”）技术的发展推动的，该技术通过允许从页岩中高效且相对较低的成本提取天然气，显著降低了国内生产成本（BLS，2013）。天然气主要以冷却的液体形式储存和运输，因此，所谓的液化天然气市场是天然气大规模商业贸易的主要场所。

该贸易围绕着美国各地许多标准化液化天然气运输和储存中心网络展开，俗称“枢纽”（此处使用术语“集线器”可能会有点混淆，因为它并不意味着storage Center位于中心或其他重要位置，但我们将在本文中使用它，因为它是这些市场的标准术语。）这些枢纽由全国范围的管道网络连接，管道网络将枢纽相互连接，并连接到重要的人口中心和发电厂，如下图1所示。与任何商品一样，液化天然气价格对市场力量的反应也不可预测，有时甚至相当显著。液化天然气生产商和下游消费者以及供应链以外的液化天然气市场投资者，在衡量和管理其对这些流量的敞口方面都有重大利益。美国几乎每个中心都有场外“现货”市场，但这些市场的流动性和透明度因中心而异。对于一些交易量大的中心而言，现货市场具有很高的流动性，支持标准化期货合约和其他衍生品市场，这与股票市场或外汇市场没有什么不同。这些市场的质量使其成为投机者和做市商的一个有吸引力的场所，他们从生产者和消费者那里吸收风险，提高整体市场效率。

然而，对于许多其他中心来说，现货市场交易量很小，每天只有少数大型交易，抑制了价格发现，限制了现货市场对第三方的吸引力，并使风险管理更加困难。许多作者已经观察到，基于日内价格变动的高频“已实现”波动性测量的使用，显著改善了波动性估计，并允许更有效的风险测量，特别是在仅基于每日数据的模型反应缓慢的情况下（Andersen et al.，2005；Hansen and Huang，2016；Hansen et al.，2012）。因此，人们自然会问，类似的技术是否可以应用于液化天然气市场，尤其是在交易量稀少的中心，那里可能无法获得日内数据。本文以实证的方式回答了这个问题，表明可以使用液化天然气期货市场的日内数据来改进交易量稀少的中心的波动性估计。以Hansen et al.（2014）的“已实现Beta-GARCH”模型为出发点，我们开发了一个用于液化天然气市场的预测性单因素多元波动模型。我们的模型具有完全的预测性和全多元性，可以同时估计多个现货和期货市场的波动性。我们采用贝叶斯方法进行参数估计，以解决GARCH模型的两个众所周知的难题：i）通过将大量预先存在的财务文献中的信息纳入我们之前的规范，我们能够规范我们的参数估计；ii）通过在完全贝叶斯框架中工作，我们能够将估计参数中的不确定性连贯地传播到风险管理计算中。本文的其余部分组织如下：第1.1节提供了液化天然气市场的额外背景，之后第1.2节回顾了相关工作。

第2节描述了以下分析中使用的数据集，并强调了激励我们提出模型的几个典型事实。第3节详细说明了我们提出的模型，第3.1节提供了有关建议优先顺序的更多详细信息。第4节通过对美国液化天然气市场的应用，展示了我们的模型的有用性，重点介绍了标准风险管理基准的改进精度。最后，第5节以讨论和考虑未来工作的一些方向作为结束。补充材料提供了额外的背景、数据描述和结果。1.1美国天然气市场从概念上讲，液化天然气交易的最简单机制是通过所谓的“现货”市场。该市场的交易导致（基本上）立即交换现金，以将液化天然气交付给买方在预定中心的账户。从历史上看，这些枢纽中最重要的是所谓的“亨利枢纽”，位于路易斯安那州南部埃拉斯镇外。虽然液化天然气市场已在全国范围内扩张，但亨利中心和关联分销网络仍然是关键的运输联系和价格参考。Henry Hub的transitand储存设施连接到几个主要的州际液化天然气管道，便于在美国各地运输，如图1所示。因此，通常认为亨利中心的现货价格可以更广泛地代表美国液化天然气市场价格。与许多大宗商品一样，液化天然气市场也高度金融化，各种各样的期货、期权和其他衍生证券也大量交易。由于Henry Hub在现货市场的核心地位，这些衍生品中的绝大多数都直接或间接基于Henry Hub的现货价格。

1990年，纽约商品交易所推出了基于亨利·哈伯价格的期货合约；这些合同的交易期限为18个月，日均交易量约140亿美元，是美国第三大商品市场，仅次于原油和黄金（CME，2018）。近年来，洲际交易所也已成为液化天然气衍生品的主要交易场所，目前约占亨利中心参考期货总未平仓权益的40%（ICE，2018）。认识到国际液化天然气市场的演变和增长（E.I.A.，2017），非美国中心的兴趣越来越大，但我们将重点限制在美国大陆的中心。与股票或债券市场不同，液化天然气的储存和运输机制对价格行为有重大影响。Mohammadi（2011）详细调查了从井口（开采）到终端消费者的定价结构。Ghoddusi（2016）调查了天然气现货和期货价格之间的关系，他发现，除其他外，短期期货是实物价格的格兰杰因果关系，这一事实与我们关于现货价格波动建模中期货实现波动有用性的发现相一致。据我们所知，这篇论文的主题——不同现货价格的内在波动性之间的关系——之前没有在文献中进行过研究。图1：美国液化天然气管道（截至2008年）。美国约有300万英里长的液化天然气管道，将液化天然气储存设施与客户连接起来。大多数管道集中在墨西哥湾和宾夕法尼亚州西部/西弗吉尼亚州北部。请注意，大量州际管道源自路易斯安那州南部的奥内尔·亨利枢纽。

图最初由美国能源信息管理局（E.I.A.）发布（2009年）。1.2之前的工作金融时间序列，包括液化天然气价格，表现出复杂且经过充分研究的模式，尤其是显著的非恒定波动模式（异方差）。这促使人们将瞬时波动率（通常被理解为收益率的瞬时标准差）作为任何现实模型中一个明确而重要的量来使用。然而，直接衡量波动性是一项艰巨的任务，因为波动性的变化速度可能与观察到的价格变化速度一样快或更快。为了解决这一局限性，计量经济学文献中开展了两条平行的研究路线。第一，潜在波动过程模型，为未观察到的波动过程建立假设动力学，并试图直接从收益数据估计这些动力学的参数；这些模型通常进一步细分为随机波动率（Kim et al.，1998；Vankov et al.，2019）和（广义）自回归条件异方差（GARCH），具体取决于假设动力学的形式（Bollerslev，1986；Engle，1982）。我们在此重点关注GARCH模型，因为它们构成了我们所提出方法的基础。这些模型通常假设每日波动率σt从未直接观察到，但可以通过多次实现每日收益率的平方rt=（对数Pt/Pt）在长时间内进行估计-1） ，基本上仅使用估算器^σt≈ （rt- r） 并使用一个模型来汇总时间估计。考虑到这些模型允许瞬时波动率快速变化，并且每个时间点的信息很少，因此它们通常比估计给定时间点的瞬时波动率更能有效地恢复动力学参数。

尽管如此，这些模型在计量经济学文献中已被证明非常流行，产生了数量不多的变量和约束；例如，参见Bollerslev（2010）的三十页词汇表或Bauwens等人（2006）的评论。第二条研究路线，即所谓的“已实现波动率”模型，试图扩大用于估计固定时期内综合（平均）波动率的信息集。这一方向的早期工作包含了其他常用的汇总统计数据，如开盘（第一）价格、日内交易范围或其组合（Rogers and Satchell，1991）。Yang和Zhang（2000）导出了一个允许非零漂移和隔夜跳跃的最优（最小方差无偏）估计量，可以解释为隔夜、日间和Rogers-Sachell（1991）波动率估计量的加权和。如果适当调整，Yang-Zhang估计值的效率是标准接近接近收盘波动率估计值的14倍（Yang和Zhang，2000），尽管其对连续价格动态的假设导致其在出现跳跃时略微低估了波动率。除了“OHLC”（开放、高、低、闭）数据之外，最近的工作使用了七个更高频率的数据，纠正了市场微观结构的特质，但这些调整通常是针对股票进行的，对市场微观结构非常敏感，因此我们不在这里讨论。鉴于这两条研究路线的成功，很自然地将它们结合到一个单一的模型中，在该模型中，瞬时波动率仍假设根据某种形式的GARCH动力学进行演变，但对于该模型，我们有比平方日收益率更精确的估计量。P.R.介绍的已实现的GARCH框架。

Hansen和合著者（Hansen和Huang，2016；Hansen等人，2012）是这方面的最新研究成果，与之前提出的乘法误差模型（MEM）或基于高频的波动率（重）框架相比，该模型的一般规格略高（Engle和Gallo，2006；Shephard和Sheppard，2010）。特别是，我们以Hansen等人（2014）的“已实现的betaGARCH”模型为基础，该模型提出了一个包含两个系列的模型，称为“市场”和“资产”，其中市场有可用的已实现波动率度量，但资产没有，并使用市场信息改进资产估计。我们将这种方法用于液化天然气市场的预测风险管理，描述了一种连贯的贝叶斯估计策略，包括数据驱动的先验和样本外VaR预测方案。Contino和Gerlach（2017）之前考虑了用贝叶斯方法估计已实现GARCH模型，但他们没有考虑我们在这里使用的多变量已实现贝塔-GARCH模型。Zhou等人（2018+）的网络GARCH模型与我们在第3节中提出的模型类似，但他们假设观察结果是条件独立的，一种资产的四次收益率直接影响另一种资产的潜在波动率。正如下文所示，液化天然气现货价格的每日回报率具有高度相关性，因此网络GARCHis显然不适合我们的应用。我们的模型被解释为一个网络，将边缘波动率编码为星图，中心为Henry Hub，其他节点仅与其相连。我们将允许和估计更一般的图结构的问题留给未来的工作。2液化天然气价格的经验特征商业数据供应商认识到美国和加拿大大陆超过一百五十个可交易的液化天然气现货价格（参见彭博终端上的BGAS屏幕）。