Ⅰ 實證結果分析與討論
4.4.3.1 WTI和市場收益率的統計特徵
令WTI和Brent市場第t日的石油價格分別為P1,t和P2,t，則WTI和Brent市場第t日的對數收益率分別為Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），從而各得到4943個收益率樣本。圖4.20是兩個市場所有樣本收益率的走勢圖，不難發現，兩個收益率序列均存在明顯的波動集聚性。
圖4.20 WTI和Brent市場原油現貨收益率走勢
WTI和Brent兩個市場樣本內收益率的基本統計特徵如表4.17所示。總體而言，兩個市場的收益率的平均水平和波動水平都非常接近，這也可以從圖4.20上得到印證。同時，與標准正態分布的偏度為0、峰度為3相比，本節兩個市場收益率的偏度為負（即呈現左偏現象），峰度遠大於3，因此它們均具有尖峰厚尾的特徵，而且從JB檢驗的結果也能看到收益率序列顯著不服從正態分布。而對收益率序列進行自相關性LB 檢驗時，根據樣本容量，選擇滯後階數為
表4.17 WTI和Brent市場收益率的基本統計特徵
4.4.3.2 WTI和Brent市場收益率的GARCH模型估計
（1）WTI市場收益率的GARCH模型估計
為了濾掉收益率序列的自相關性，本節引入ARMA模型對收益率序列建模。根據自相關和偏自相關函數的截尾情況，並按照AIC值最小原則，經過多次嘗試，發現ARMA（1,1）模型比較合適。對ARMA（1,1）模型的殘差序列進行自相關性Ljung-Box檢驗，從自相關分析圖上看到，殘差序列的自相關系數都落入了隨機區間，自相關系數的絕對值都小於0.1，與0沒有明顯差異，表明該殘差序列是純隨機的，換言之，ARMA（1,1）模型很好地擬合了原有收益率序列。
鑒於WTI市場收益率序列存在明顯的波動集聚性，因此，本節對ARMA（1,1）模型的殘差進行ARCH效應檢驗，結果發現存在高階ARCH效應，因此考慮採用GARCH模型。由於收益率序列存在厚尾現象，因此本節在GARCH 模型中引入GED 分布來描述模型的殘差。根據AIC 值最小的原則以及模型系數要顯著和不能為負的要求，通過比較GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本節選擇GARCH（1,1）模型來擬合原有收益率序列。
為了進一步研究WTI收益率序列的波動特徵，本節檢驗了TGARCH（1,1）和GARCH-M（1,1）模型。結果發現，收益率序列存在顯著的TGARCH效應和GARCH-M 效應，即收益率的波動不但具有顯著的不對稱特徵，而且還受到預期風險的顯著影響。考慮到模型的AIC值要最小，以及為了描述收益率波動的不對稱性，本節選擇TGARCH（1,1）模型對WTI市場收益率的波動集聚性建模，模型形式如式4.16。另外，我們看到模型的GED分布參數為1.260823，小於2，從而驗證了該收益率序列的尾部比正態分布要厚的特徵，也為本節接下來進一步准確計算WTI市場的風險鋪墊了良好的基礎。
WTI市場收益率的TGARCH（1,1）模型為
國外油氣與礦產資源利用風險評價與決策支持技術
式中：ε1,t-1﹤0,d1,t-1=1；否則，d1,t-1=0;
Log likelihood=11474.52,AIC=-4.898557,GED參數＝1.260823
從模型的方差方程看到，油價收益率下跌時，
（2）Brent市場收益率的GARCH模型估計
基於Brent市場收益率的波動特徵，按照與WTI市場GARCH 模型類似的建模思路，建立了MA（1）模型。而利用ARCH-LM檢驗方法發現模型的殘差存在顯著的高階ARCH效應，因此採用基於GED分布的GARCH模型。比較GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有關系數的顯著性，發現選擇GARCH（1,1）模型是最合適的，具體形式如（式4.17）。進一步，對收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，結果表明，有關系數並不顯著，因此說明Brent市場收益率的波動並不存在顯著的不對稱杠桿效應，也不存在顯著的GARCH-M效應。而且，我們也發現GED分布的參數小於2，因此驗證了Brent市場收益率同樣具有厚尾特徵。
Brent市場收益率的GARCH（1,1）模型為
國外油氣與礦產資源利用風險評價與決策支持技術
Log likelihood=11697.19,AIC=-4.993462,GED參數＝1.324630
在模型的方差方程中，h2,t-1前的系數為0.912673，表示當前方差沖擊的91.2673%在下一期仍然存在。可見，與WTI市場類似，Brent市場同樣存在波動沖擊衰減速度較慢的現象。檢驗模型的殘差，發現其自相關函數都在隨機區間內，取階數為68時，標准殘差的Q統計量的顯著性概率大於50%，而Q2統計量的顯著性概率大於20%，因此經GARCH（1,1）建模後的序列不再存在自相關現象和波動集聚性。另外，殘差的ARCH-LM檢驗結果也表明，它不再存在波動集聚性，因此GARCH（1,1）模型對Brent市場收益率序列的擬合效果也較好。
圖4.21給出了兩個市場的條件異方差的走勢，分別代表著它們的波動水平。從圖中看到，一方面，兩個市場收益率的波動水平基本相當，只是在某些區間WTI市場的波動會更大一些。當然，在海灣戰爭期間，Brent市場的波動程度相比而言更劇烈一點；另一方面，兩個市場都存在一個明顯的現象，那就是在波動比較劇烈的時期，其條件方差最高可達一般水平的20倍以上，這種波動的大規模震盪不但說明了國際石油市場存在顯著的極端風險，而且對於市場波動和風險的預測具有重要的現實意義。
圖4.21 WTI和Brent市場的條件異方差比較
4.4.3.3 WTI和Brent市場收益率的VaR模型估計和檢驗
正如前文所述，石油市場需要同時度量收益率下跌和上漲的風險，從而為石油生產者和采購者提供決策支持。為此，本節將採用上述基於GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－協方差方法來分別度量WTI和Brent市場在收益率上漲和下跌時的VaR 風險值。
（1）GED分布的分位數確定
根據GED分布的概率密度函數，使用MATLAB編程，經過多次數值測算，求出GED分布在本節所得自由度下的分位數，如表4.18所示。表中結果顯示，95%的分位數與正態分布的1.645基本相同；但99%的分位數卻明顯大於正態分布的2.326，這也表明了國際油價收益率具有嚴重的厚尾特徵。
表4.18 WTI和Brent市場收益率的GED分布參數及分位數
（2）基於GED-GARCH模型的VaR風險值計算
根據VaR風險的定義，我們得到以下兩個計算VaR風險的公式。其中上漲風險的VaR值計算公式為
國外油氣與礦產資源利用風險評價與決策支持技術
式中；zm,α﹥0，表示第m個市場中（T）GARCH（1,1）模型的殘差所服從的GED分布的分位數；hm,t為第m個市場的收益率的異方差。
同理，得到下跌風險的VaR值計算公式為
國外油氣與礦產資源利用風險評價與決策支持技術
根據上述兩個VaR風險計算公式，本節計算了在95%和99%的置信度下，WTI和Brent市場的上漲風險和下跌風險（表4.19，表4.20）。
表4.19 WTI市場收益率的VaR計算結果
表4.20 Brent市場收益率的VaR計算結果
從表4.19和表4.20的實證結果看到，第一，除95%的置信度下市場收益率上漲風險的LR值略大於臨界值外，其他所有LR統計量的值均小於相應的臨界值，因此按照Kupiec的返回檢驗方法，可以認為基於GED分布的TGARCH模型和GARCH模型基本上能夠充分估計出兩個市場收益率的VaR風險值。從市場收益率與VaR風險值的走勢也可以看到這一點（圖4.22）。第二，在99%的置信度下，兩個市場的VaR 模型對收益率的上漲風險比對收益率的下跌風險的估計精度都更高，這可能是由於收益率分布的左尾比較長，GED分布尚未完全捕捉到所有的厚尾現象。而在95%的置信度下，對下跌風險的估計精度更高。第三，從VaR的均值來看，在相同的置信度下，不管收益率是上漲還是下跌，WTI市場的VaR值都要比Brent市場對應的VaR 風險值大，因此需要更多的風險准備金。當然，從圖4.23的VaR 風險走勢可以發現，事實上，兩個市場的VaR風險基本上相差不大，只是在某些樣本區間內，WTI市場的風險會超過Brent市場。
圖4.22 99%的置信度下Brent市場的收益率及其VaR風險值
圖4.23 99%的置信度下WTI和Brent市場收益率上漲和下跌時的VaR風險值
（3）VaR模型比較
在採用GARCH模型計算市場收益率的VaR 風險值時，一般都假設模型的殘差服從正態分布，從而直接令zm,α等於標准正態分布的分位數。但實際上，石油市場的收益率及其模型殘差一般都是非正態分布的，因此得到的VaR 模型往往不夠充分。為此，本節以99%的置信度為例，建立了基於正態分布分位數的VaR 模型，計算結果如表4.21所示，並與表4.19和表4.20中VaR模型的有關結果進行比較。
表4.21 基於正態分布分位數的VaR模型計算結果
結果表明，從VaR均值上看，基於正態分布的VaR模型在兩個市場、兩個方向（即上漲和下跌）上計算得到的VaR風險值均比基於GED分布的VaR 模型的相應結果要靠近零點，這從模型失效次數的比較上也能得到驗證。再者，由於表4.21中的失效次數均超過了99%的置信度下臨界處的失效次數（約為47），因此此時的計算結果低估了市場的實際風險。
而按照Kupiec的返回檢驗方法，可看出與99%置信度下的臨界值6.64相比，不管是WTI市場還是Brent市場，不管是上漲還是下跌方向，採用基於正態分布分位數的VaR模型計算市場風險基本上都不夠合理。其中，盡管WTI市場的上漲風險計算結果基本上可以接受，但與表4.19中對應的LR值相比，發現後者更加充分而准確。因此，總體而言，採用基於GED分布的VaR模型要比基於正態分布的VaR模型更充分而合適，得到的結果更可取。
當然，在95%的置信度下，基於正態分布和GED分布的VaR模型的LR值幾乎一樣，都是比較充分的。這是由於它們的分位數幾乎是一樣的，均為1.645左右。
另外，本節通過計算還發現，如果在建立GARCH模型時假設殘差服從正態分布，而計算VaR時又選擇一般所採用的正態分布分位數，則得到的VaR模型不管是哪個市場、哪個方向的風險都將很不充分，而先前很多研究往往就是這么做的。
（4）VaR模型的預測能力
從上述分析中可以看到，基於GED-GARCH的VaR模型能夠較好地估計和預測樣本內數據。為了更加全面檢驗這種VaR模型的預測能力，接下來本節以95%的置信度為例，採用它來預測樣本外數據的VaR風險值，並與樣本外的實際收益率數據進行比較。結果發現，在WTI和Brent市場上，落在預測得到的正向VaR和負向VaR之間的實際收益率占整個樣本外預測區間所有收益率的比例均為95.76%，接近95%；相應的LR值為0.3409，小於95%置信度下的臨界值3.84，因此是可以接受的（圖4.24，圖4.25）。換言之，根據樣本內數據建立的VaR 模型用於預測樣本外數據的VaR風險時，其預測能力是可以接受的。另外，為了比較，本節也採用了廣受好評的H SAF方法建立模型，並預測了樣本外數據的VaR風險，但檢驗卻發現其在此處的預測結果並不理想。因為不管是WTI市場還是Brent市場，落在預測得到的正向VaR和負向VaR之間的收益率占整個預測區間所有收益率的比例均為91.92%，離95%較遠；相應的LR統計量為4.40，大於臨界值，因此應該拒絕原假設，即認為在此處採用HSAF方法預測市場VaR風險並不妥當。
圖4.24 95%的置信度下WTI市場的樣本外實際收益率與預測VaR值
圖4.25 95%的置信度下Brent市場的樣本外實際收益率與預測VaR值
4.4.3.4 WTI與Brent市場風險溢出效應檢驗
得到WTI和Brent兩個市場的收益率上漲和下跌時的VaR風險值之後，本節根據Hong（2003）提出的風險－Granger因果檢驗方法，構造相應的統計量Q1（M）和Q2（M），並通過MATLAB編程求出統計量的值及其顯著性概率，從而檢驗兩個石油市場之間的單向和雙向風險溢出效應。計算結果如表4.22所示，其中M分別取10,20和30。
表4.22 WTI與Brent市場風險溢出效應檢驗結果
從表4.22看到，一方面，在95%和99%的置信度下，不管是上漲風險還是下跌風險，WTI和Brent市場都具有顯著的雙向Granger因果關系，即兩個石油市場之間存在強烈的風險溢出效應；另一方面，為了進一步確定風險溢出的方向，我們從利用單向風險－Granger因果檢驗的統計量Q1（M）計算得到的結果看到，不管置信度是95%還是99%，不管是上漲風險還是下跌風險，都存在從WTI到Brent市場的風險溢出效應。而若Brent到WTI市場的風險溢出情況稍微復雜，在95%的置信度下，只存在收益率下跌方向的風險溢出，而收益率上漲時並不存在；在99%的置信度下，情況則相反，只存在收益率上漲方向的風險溢出，而不存在下跌方向的風險溢出效應。前者可能是由於95%的置信度下收益率上漲方向的VaR 模型不夠充分導致，而99%的置信度下VaR模型是非常充分的，因此後者更為可信。換言之，可以認為在99%的置信度下，不存在從Brent市場到WTI市場的風險溢出效應。
這表示，當市場出現利空消息從而導致油價收益率下跌時，WTI市場的風險狀況有助於預測Brent市場的風險，而反之不然。當市場出現利好消息從而導致油價收益率上漲時，兩個市場的風險的歷史信息均有助於預測彼此未來的市場風險。這對有關政府和企業的科學決策具有一定的借鑒意義。
Ⅱ 研究結果分析與討論
4.7.3.1 期權帶來更佳的投資機會
油氣投資項目的大部分投資發生在項目啟動初期，具有不可逆轉性，一旦啟動，全部或部分投資將轉化為沉沒成本。通常，期權可以給油氣項目投資者帶來以下權利：在較長的一段時間內，油價低於盈虧平衡點，則放棄開發，從而避免了前期大量投資帶來的損失；同時，在油價持續上漲的情況下，尋找一個合理的價位和時機啟動投資。
油氣田開發過程類似於美式期權，當油價上漲到盈虧平衡點以上時，行使這個期權在現金流上是可行的。例如，本節中小規模開發方案為18美元/桶，大規模開發方案為21美元/桶，在1997年啟動投資方案就可以盈利。但是，從機會的角度來看，不一定要馬上進行投資。根據資產價值波動規律，利用二叉樹期權定價模型評估未來一段時間內持有價值和執行價值，當持有價值大於執行價值時，項目宜延遲開發；當執行價值高於持有價值時，馬上啟動投資項目。
4.7.3.2 期權期限、油價波動率與項目價值有著正相關關系
近年來，油價波動呈現上升趨勢。投資者所獲得的期權期限越長，油價波動率σ越大，則油價波動的幅度就越大，見表4.34。2003年，油價最高可能達到54.85美元/桶；2004年，油價最高可能達到64.36美元/桶。投資者可以選擇在油價高位時啟動項目，則更有可能獲得高額的投資回報，見表4.32和表4.33。
4.7.3.3 期權定價具有動態變化性
二叉樹期權定價模型給出的油價預測是一個可能值，而不是真實值。在決策所在年，應該根據新的國際原油價格數據和更新的油價波動率，得到新的項目價值。例如，在2003年，國際油價達到31.08美元/桶，1991～2002年油價波動率為0.22，據此得到2004年油價預測和兩種方案的項目價值，見表4.35。
表4.35 油價預測和項目價值
4.7.3.4 延長期權期限有利於風險控制
在海外油氣田開發過程中，投資者將面臨多種風險，而這些風險不僅僅來自油價的波動。國際上，資源國出現了石油資源國有化趨勢，一些擁有無限期開發權的油氣項目面臨著被資源國回收的風險。中國的海外油氣田投資項目主要分布在政治不穩定地區，如非洲、中亞和南美，在投資開發之前，需要有一個較長的時期等待局勢的明朗。
因此，在不同資源國，不確定性越大，就越應該使用期權定價方法，延長期權的期限。
4.7.3.5 經營策略
投資者的損失最多不會超過其擁有期權所付出的投資，卻能從標的資產價值的劇烈變動中獲得顯著收益。啟動開發之後，也可能出現油價急跌的情況，只要高於可變成本即可繼續生產。從前文我們可以發現，匯率波動與投資收益有著直接的正相關。人民幣對美元匯率呈上升趨勢，投資者應關注美元貶值對投資收益的影響。另外，應該積極運用金融衍生產品，進行長期期貨交易，以及和當地的煉油廠談判，協商長期供應合同（Chorn et al.,2006）。我國的大型國企具有較強的市場運作能力，當油價在低位時，可以加大商業石油儲備；在高位時拋出，抵消對外投資中的損失。
Ⅲ 請問600995文山電力怎樣朝著
弱市中,若周一跌破十日線,建議出局.
Ⅳ 紫金礦業，東華實業，北辰實業，文山電力，請高分析一下
看走勢 紫金礦業可以少量參與。中鐵二局繼續觀眾，主力資金已回落，看是否可回以觸底反彈。答武鋼股份一樣 主力資金回落缺少量能，不是很理想，可以繼續關注。文山電力也同樣處在回落階段，想抄底買入在關注一下。
在軟體界面中打入ma
Ⅳ 文山電力重大資產重組後市會怎樣
萬科
中短期均線多頭排列,後市仍可看高一線,明日可介入,目標價格前期高位10.5元上方可考慮清倉.
文山電力
從60分鍾走勢看,均線有快速向上發散趨勢,有潛在的回落風險.迴避.
Ⅵ 文山電力2020年第二次招聘有什麼消息
文山電力2020年第二次招聘事實上應該沒有什麼消息。
Ⅶ 600995文山電力
600995目前走勢而言,基本上快接近了前期的高點。仍可持倉 !
Ⅷ 討論和分析
地熱場分布,准噶爾盆地西南部的車排子油田,無論是大地熱流或者是地溫梯度專或2000m處的溫度都屬比較高,靠近北天山山前的獨山子油田的地熱場最低,盆地西南部的車排子油田的地熱場比靠近准噶爾盆地西北邊緣扎克伊爾山東側的紅山嘴、百口泉油田高,比哈拉阿拉特山東側的烏爾禾、夏子街油田更高(圖10-2,圖10-4,表10-4)。
根據鏡像效應,准噶爾盆地西南部無論莫霍面或地幔高導層都比盆地西北緣和北天山山前淺,這與研究區域的地熱場特徵是相對應的,盆地西北緣和北天山山前的莫霍面或地幔高導層厚,地熱場呈低值;盆地西南部的莫霍面或地幔高導層薄,地熱場呈高值。 由於地熱場受莫霍面和地幔高導層埋藏深度的控制,埋藏深度越淺,地熱場越高。
Ⅸ 近一段時間的中國聯通股票和文山電力股哪一個好
兩個都可以買，但不是現在，先要看大盤，幾天的成績在今天砍去一半，但回還有勁頭再次下探，答這個時候買哪個都不是時候，如果從k線上分析，哪個都可以買了，如果漲，肯定文山占優勢，盤小好操作。從8月來到現在都是小幅交易，有築底的嫌疑，今天跌了80點，換手率也不是很高，而且賣方占絕對優勢，但是要是莊家出貨，那不該是這個交易量，也就是你現在可以介入，但是大盤再跌，現在的價格也撐不住，估計7.5因該是個爭奪的焦點。看一天再說。
聯通的價格基本上不會再跌，10月以來沒怎麼動過，畢竟是個大盤子，不好操控。但是長也不容易。要是圖穩這個可選，明天大盤走低時就可買入，再跌聯通就頂不住了。肯定有對策