Ⅰ 实证结果分析与讨论
4.4.3.1 WTI和市场收益率的统计特征
令WTI和Brent市场第t日的石油价格分别为P1,t和P2,t，则WTI和Brent市场第t日的对数收益率分别为Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），从而各得到4943个收益率样本。图4.20是两个市场所有样本收益率的走势图，不难发现，两个收益率序列均存在明显的波动集聚性。
图4.20 WTI和Brent市场原油现货收益率走势
WTI和Brent两个市场样本内收益率的基本统计特征如表4.17所示。总体而言，两个市场的收益率的平均水平和波动水平都非常接近，这也可以从图4.20上得到印证。同时，与标准正态分布的偏度为0、峰度为3相比，本节两个市场收益率的偏度为负（即呈现左偏现象），峰度远大于3，因此它们均具有尖峰厚尾的特征，而且从JB检验的结果也能看到收益率序列显著不服从正态分布。而对收益率序列进行自相关性LB 检验时，根据样本容量，选择滞后阶数为
表4.17 WTI和Brent市场收益率的基本统计特征
4.4.3.2 WTI和Brent市场收益率的GARCH模型估计
（1）WTI市场收益率的GARCH模型估计
为了滤掉收益率序列的自相关性，本节引入ARMA模型对收益率序列建模。根据自相关和偏自相关函数的截尾情况，并按照AIC值最小原则，经过多次尝试，发现ARMA（1,1）模型比较合适。对ARMA（1,1）模型的残差序列进行自相关性Ljung-Box检验，从自相关分析图上看到，残差序列的自相关系数都落入了随机区间，自相关系数的绝对值都小于0.1，与0没有明显差异，表明该残差序列是纯随机的，换言之，ARMA（1,1）模型很好地拟合了原有收益率序列。
鉴于WTI市场收益率序列存在明显的波动集聚性，因此，本节对ARMA（1,1）模型的残差进行ARCH效应检验，结果发现存在高阶ARCH效应，因此考虑采用GARCH模型。由于收益率序列存在厚尾现象，因此本节在GARCH 模型中引入GED 分布来描述模型的残差。根据AIC 值最小的原则以及模型系数要显著和不能为负的要求，通过比较GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本节选择GARCH（1,1）模型来拟合原有收益率序列。
为了进一步研究WTI收益率序列的波动特征，本节检验了TGARCH（1,1）和GARCH-M（1,1）模型。结果发现，收益率序列存在显著的TGARCH效应和GARCH-M 效应，即收益率的波动不但具有显著的不对称特征，而且还受到预期风险的显著影响。考虑到模型的AIC值要最小，以及为了描述收益率波动的不对称性，本节选择TGARCH（1,1）模型对WTI市场收益率的波动集聚性建模，模型形式如式4.16。另外，我们看到模型的GED分布参数为1.260823，小于2，从而验证了该收益率序列的尾部比正态分布要厚的特征，也为本节接下来进一步准确计算WTI市场的风险铺垫了良好的基础。
WTI市场收益率的TGARCH（1,1）模型为
国外油气与矿产资源利用风险评价与决策支持技术
式中：ε1,t-1﹤0,d1,t-1=1；否则，d1,t-1=0;
Log likelihood=11474.52,AIC=-4.898557,GED参数＝1.260823
从模型的方差方程看到，油价收益率下跌时，
（2）Brent市场收益率的GARCH模型估计
基于Brent市场收益率的波动特征，按照与WTI市场GARCH 模型类似的建模思路，建立了MA（1）模型。而利用ARCH-LM检验方法发现模型的残差存在显著的高阶ARCH效应，因此采用基于GED分布的GARCH模型。比较GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有关系数的显著性，发现选择GARCH（1,1）模型是最合适的，具体形式如（式4.17）。进一步，对收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，结果表明，有关系数并不显著，因此说明Brent市场收益率的波动并不存在显著的不对称杠杆效应，也不存在显著的GARCH-M效应。而且，我们也发现GED分布的参数小于2，因此验证了Brent市场收益率同样具有厚尾特征。
Brent市场收益率的GARCH（1,1）模型为
国外油气与矿产资源利用风险评价与决策支持技术
Log likelihood=11697.19,AIC=-4.993462,GED参数＝1.324630
在模型的方差方程中，h2,t-1前的系数为0.912673，表示当前方差冲击的91.2673%在下一期仍然存在。可见，与WTI市场类似，Brent市场同样存在波动冲击衰减速度较慢的现象。检验模型的残差，发现其自相关函数都在随机区间内，取阶数为68时，标准残差的Q统计量的显著性概率大于50%，而Q2统计量的显著性概率大于20%，因此经GARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此GARCH（1,1）模型对Brent市场收益率序列的拟合效果也较好。
图4.21给出了两个市场的条件异方差的走势，分别代表着它们的波动水平。从图中看到，一方面，两个市场收益率的波动水平基本相当，只是在某些区间WTI市场的波动会更大一些。当然，在海湾战争期间，Brent市场的波动程度相比而言更剧烈一点；另一方面，两个市场都存在一个明显的现象，那就是在波动比较剧烈的时期，其条件方差最高可达一般水平的20倍以上，这种波动的大规模震荡不但说明了国际石油市场存在显著的极端风险，而且对于市场波动和风险的预测具有重要的现实意义。
图4.21 WTI和Brent市场的条件异方差比较
4.4.3.3 WTI和Brent市场收益率的VaR模型估计和检验
正如前文所述，石油市场需要同时度量收益率下跌和上涨的风险，从而为石油生产者和采购者提供决策支持。为此，本节将采用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量WTI和Brent市场在收益率上涨和下跌时的VaR 风险值。
（1）GED分布的分位数确定
根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数，如表4.18所示。表中结果显示，95%的分位数与正态分布的1.645基本相同；但99%的分位数却明显大于正态分布的2.326，这也表明了国际油价收益率具有严重的厚尾特征。
表4.18 WTI和Brent市场收益率的GED分布参数及分位数
（2）基于GED-GARCH模型的VaR风险值计算
根据VaR风险的定义，我们得到以下两个计算VaR风险的公式。其中上涨风险的VaR值计算公式为
国外油气与矿产资源利用风险评价与决策支持技术
式中；zm,α﹥0，表示第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的分位数；hm,t为第m个市场的收益率的异方差。
同理，得到下跌风险的VaR值计算公式为
国外油气与矿产资源利用风险评价与决策支持技术
根据上述两个VaR风险计算公式，本节计算了在95%和99%的置信度下，WTI和Brent市场的上涨风险和下跌风险（表4.19，表4.20）。
表4.19 WTI市场收益率的VaR计算结果
表4.20 Brent市场收益率的VaR计算结果
从表4.19和表4.20的实证结果看到，第一，除95%的置信度下市场收益率上涨风险的LR值略大于临界值外，其他所有LR统计量的值均小于相应的临界值，因此按照Kupiec的返回检验方法，可以认为基于GED分布的TGARCH模型和GARCH模型基本上能够充分估计出两个市场收益率的VaR风险值。从市场收益率与VaR风险值的走势也可以看到这一点（图4.22）。第二，在99%的置信度下，两个市场的VaR 模型对收益率的上涨风险比对收益率的下跌风险的估计精度都更高，这可能是由于收益率分布的左尾比较长，GED分布尚未完全捕捉到所有的厚尾现象。而在95%的置信度下，对下跌风险的估计精度更高。第三，从VaR的均值来看，在相同的置信度下，不管收益率是上涨还是下跌，WTI市场的VaR值都要比Brent市场对应的VaR 风险值大，因此需要更多的风险准备金。当然，从图4.23的VaR 风险走势可以发现，事实上，两个市场的VaR风险基本上相差不大，只是在某些样本区间内，WTI市场的风险会超过Brent市场。
图4.22 99%的置信度下Brent市场的收益率及其VaR风险值
图4.23 99%的置信度下WTI和Brent市场收益率上涨和下跌时的VaR风险值
（3）VaR模型比较
在采用GARCH模型计算市场收益率的VaR 风险值时，一般都假设模型的残差服从正态分布，从而直接令zm,α等于标准正态分布的分位数。但实际上，石油市场的收益率及其模型残差一般都是非正态分布的，因此得到的VaR 模型往往不够充分。为此，本节以99%的置信度为例，建立了基于正态分布分位数的VaR 模型，计算结果如表4.21所示，并与表4.19和表4.20中VaR模型的有关结果进行比较。
表4.21 基于正态分布分位数的VaR模型计算结果
结果表明，从VaR均值上看，基于正态分布的VaR模型在两个市场、两个方向（即上涨和下跌）上计算得到的VaR风险值均比基于GED分布的VaR 模型的相应结果要靠近零点，这从模型失效次数的比较上也能得到验证。再者，由于表4.21中的失效次数均超过了99%的置信度下临界处的失效次数（约为47），因此此时的计算结果低估了市场的实际风险。
而按照Kupiec的返回检验方法，可看出与99%置信度下的临界值6.64相比，不管是WTI市场还是Brent市场，不管是上涨还是下跌方向，采用基于正态分布分位数的VaR模型计算市场风险基本上都不够合理。其中，尽管WTI市场的上涨风险计算结果基本上可以接受，但与表4.19中对应的LR值相比，发现后者更加充分而准确。因此，总体而言，采用基于GED分布的VaR模型要比基于正态分布的VaR模型更充分而合适，得到的结果更可取。
当然，在95%的置信度下，基于正态分布和GED分布的VaR模型的LR值几乎一样，都是比较充分的。这是由于它们的分位数几乎是一样的，均为1.645左右。
另外，本节通过计算还发现，如果在建立GARCH模型时假设残差服从正态分布，而计算VaR时又选择一般所采用的正态分布分位数，则得到的VaR模型不管是哪个市场、哪个方向的风险都将很不充分，而先前很多研究往往就是这么做的。
（4）VaR模型的预测能力
从上述分析中可以看到，基于GED-GARCH的VaR模型能够较好地估计和预测样本内数据。为了更加全面检验这种VaR模型的预测能力，接下来本节以95%的置信度为例，采用它来预测样本外数据的VaR风险值，并与样本外的实际收益率数据进行比较。结果发现，在WTI和Brent市场上，落在预测得到的正向VaR和负向VaR之间的实际收益率占整个样本外预测区间所有收益率的比例均为95.76%，接近95%；相应的LR值为0.3409，小于95%置信度下的临界值3.84，因此是可以接受的（图4.24，图4.25）。换言之，根据样本内数据建立的VaR 模型用于预测样本外数据的VaR风险时，其预测能力是可以接受的。另外，为了比较，本节也采用了广受好评的H SAF方法建立模型，并预测了样本外数据的VaR风险，但检验却发现其在此处的预测结果并不理想。因为不管是WTI市场还是Brent市场，落在预测得到的正向VaR和负向VaR之间的收益率占整个预测区间所有收益率的比例均为91.92%，离95%较远；相应的LR统计量为4.40，大于临界值，因此应该拒绝原假设，即认为在此处采用HSAF方法预测市场VaR风险并不妥当。
图4.24 95%的置信度下WTI市场的样本外实际收益率与预测VaR值
图4.25 95%的置信度下Brent市场的样本外实际收益率与预测VaR值
4.4.3.4 WTI与Brent市场风险溢出效应检验
得到WTI和Brent两个市场的收益率上涨和下跌时的VaR风险值之后，本节根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过MATLAB编程求出统计量的值及其显著性概率，从而检验两个石油市场之间的单向和双向风险溢出效应。计算结果如表4.22所示，其中M分别取10,20和30。
表4.22 WTI与Brent市场风险溢出效应检验结果
从表4.22看到，一方面，在95%和99%的置信度下，不管是上涨风险还是下跌风险，WTI和Brent市场都具有显著的双向Granger因果关系，即两个石油市场之间存在强烈的风险溢出效应；另一方面，为了进一步确定风险溢出的方向，我们从利用单向风险－Granger因果检验的统计量Q1（M）计算得到的结果看到，不管置信度是95%还是99%，不管是上涨风险还是下跌风险，都存在从WTI到Brent市场的风险溢出效应。而若Brent到WTI市场的风险溢出情况稍微复杂，在95%的置信度下，只存在收益率下跌方向的风险溢出，而收益率上涨时并不存在；在99%的置信度下，情况则相反，只存在收益率上涨方向的风险溢出，而不存在下跌方向的风险溢出效应。前者可能是由于95%的置信度下收益率上涨方向的VaR 模型不够充分导致，而99%的置信度下VaR模型是非常充分的，因此后者更为可信。换言之，可以认为在99%的置信度下，不存在从Brent市场到WTI市场的风险溢出效应。
这表示，当市场出现利空消息从而导致油价收益率下跌时，WTI市场的风险状况有助于预测Brent市场的风险，而反之不然。当市场出现利好消息从而导致油价收益率上涨时，两个市场的风险的历史信息均有助于预测彼此未来的市场风险。这对有关政府和企业的科学决策具有一定的借鉴意义。
Ⅱ 研究结果分析与讨论
4.7.3.1 期权带来更佳的投资机会
油气投资项目的大部分投资发生在项目启动初期，具有不可逆转性，一旦启动，全部或部分投资将转化为沉没成本。通常，期权可以给油气项目投资者带来以下权利：在较长的一段时间内，油价低于盈亏平衡点，则放弃开发，从而避免了前期大量投资带来的损失；同时，在油价持续上涨的情况下，寻找一个合理的价位和时机启动投资。
油气田开发过程类似于美式期权，当油价上涨到盈亏平衡点以上时，行使这个期权在现金流上是可行的。例如，本节中小规模开发方案为18美元/桶，大规模开发方案为21美元/桶，在1997年启动投资方案就可以盈利。但是，从机会的角度来看，不一定要马上进行投资。根据资产价值波动规律，利用二叉树期权定价模型评估未来一段时间内持有价值和执行价值，当持有价值大于执行价值时，项目宜延迟开发；当执行价值高于持有价值时，马上启动投资项目。
4.7.3.2 期权期限、油价波动率与项目价值有着正相关关系
近年来，油价波动呈现上升趋势。投资者所获得的期权期限越长，油价波动率σ越大，则油价波动的幅度就越大，见表4.34。2003年，油价最高可能达到54.85美元/桶；2004年，油价最高可能达到64.36美元/桶。投资者可以选择在油价高位时启动项目，则更有可能获得高额的投资回报，见表4.32和表4.33。
4.7.3.3 期权定价具有动态变化性
二叉树期权定价模型给出的油价预测是一个可能值，而不是真实值。在决策所在年，应该根据新的国际原油价格数据和更新的油价波动率，得到新的项目价值。例如，在2003年，国际油价达到31.08美元/桶，1991～2002年油价波动率为0.22，据此得到2004年油价预测和两种方案的项目价值，见表4.35。
表4.35 油价预测和项目价值
4.7.3.4 延长期权期限有利于风险控制
在海外油气田开发过程中，投资者将面临多种风险，而这些风险不仅仅来自油价的波动。国际上，资源国出现了石油资源国有化趋势，一些拥有无限期开发权的油气项目面临着被资源国回收的风险。中国的海外油气田投资项目主要分布在政治不稳定地区，如非洲、中亚和南美，在投资开发之前，需要有一个较长的时期等待局势的明朗。
因此，在不同资源国，不确定性越大，就越应该使用期权定价方法，延长期权的期限。
4.7.3.5 经营策略
投资者的损失最多不会超过其拥有期权所付出的投资，却能从标的资产价值的剧烈变动中获得显著收益。启动开发之后，也可能出现油价急跌的情况，只要高于可变成本即可继续生产。从前文我们可以发现，汇率波动与投资收益有着直接的正相关。人民币对美元汇率呈上升趋势，投资者应关注美元贬值对投资收益的影响。另外，应该积极运用金融衍生产品，进行长期期货交易，以及和当地的炼油厂谈判，协商长期供应合同（Chorn et al.,2006）。我国的大型国企具有较强的市场运作能力，当油价在低位时，可以加大商业石油储备；在高位时抛出，抵消对外投资中的损失。
Ⅲ 请问600995文山电力怎样朝着
弱市中,若周一跌破十日线,建议出局.
Ⅳ 紫金矿业，东华实业，北辰实业，文山电力，请高分析一下
看走势 紫金矿业可以少量参与。中铁二局继续观众，主力资金已回落，看是否可回以触底反弹。答武钢股份一样 主力资金回落缺少量能，不是很理想，可以继续关注。文山电力也同样处在回落阶段，想抄底买入在关注一下。
在软件界面中打入ma
Ⅳ 文山电力重大资产重组后市会怎样
万科
中短期均线多头排列,后市仍可看高一线,明日可介入,目标价格前期高位10.5元上方可考虑清仓.
文山电力
从60分钟走势看,均线有快速向上发散趋势,有潜在的回落风险.回避.
Ⅵ 文山电力2020年第二次招聘有什么消息
文山电力2020年第二次招聘事实上应该没有什么消息。
Ⅶ 600995文山电力
600995目前走势而言,基本上快接近了前期的高点。仍可持仓 !
Ⅷ 讨论和分析
地热场分布,准噶尔盆地西南部的车排子油田,无论是大地热流或者是地温梯度专或2000m处的温度都属比较高,靠近北天山山前的独山子油田的地热场最低,盆地西南部的车排子油田的地热场比靠近准噶尔盆地西北边缘扎克伊尔山东侧的红山嘴、百口泉油田高,比哈拉阿拉特山东侧的乌尔禾、夏子街油田更高(图10-2,图10-4,表10-4)。
根据镜像效应,准噶尔盆地西南部无论莫霍面或地幔高导层都比盆地西北缘和北天山山前浅,这与研究区域的地热场特征是相对应的,盆地西北缘和北天山山前的莫霍面或地幔高导层厚,地热场呈低值;盆地西南部的莫霍面或地幔高导层薄,地热场呈高值。 由于地热场受莫霍面和地幔高导层埋藏深度的控制,埋藏深度越浅,地热场越高。
Ⅸ 近一段时间的中国联通股票和文山电力股哪一个好
两个都可以买，但不是现在，先要看大盘，几天的成绩在今天砍去一半，但回还有劲头再次下探，答这个时候买哪个都不是时候，如果从k线上分析，哪个都可以买了，如果涨，肯定文山占优势，盘小好操作。从8月来到现在都是小幅交易，有筑底的嫌疑，今天跌了80点，换手率也不是很高，而且卖方占绝对优势，但是要是庄家出货，那不该是这个交易量，也就是你现在可以介入，但是大盘再跌，现在的价格也撑不住，估计7.5因该是个争夺的焦点。看一天再说。
联通的价格基本上不会再跌，10月以来没怎么动过，毕竟是个大盘子，不好操控。但是长也不容易。要是图稳这个可选，明天大盘走低时就可买入，再跌联通就顶不住了。肯定有对策