GJRSK模型捕捉能源粮食市场高阶矩特征 [page::6][page::13]

• 模型估计显示，能源和大豆市场存在均值回复，波动率对坏消息敏感，偏度和峰度表现出显著杠杆效应，说明负面冲击引发更强烈异质风险；

- 回报、波动率、偏度与峰度均展现明显时变性，且在全球金融危机、疫情及俄乌冲突等重大事件中波动尤为剧烈。

能源和粮食市场高阶矩相关性分析 [page::17]

• 同类商品内部回报与波动率相关较强，能源市场内WTI与Brent原油相关度最高；

- 偏度相关整体较弱，峰度在市场极端波动时表现出显著相关性，反映极端事件中的尾部风险传染；

时域内四阶矩风险溢出特征解析 [page::18][page::19][page::21]

| 指标 | 回报TCI | 波动率TCI | 偏度TCI | 峰度TCI |
|---------------|----------|-----------|---------|---------|
| 平均总溢出率% | 38.94 | 44.59 | 18.20 | 34.21 |

• 能源与粮食市场内部溢出强于跨市场溢出，原油（WTI和Brent）为主要风险溢出源；

- 回报和偏度溢出主要受短期冲击驱动，峰度溢出对极端事件响应显著，波动率溢出则以长期动态为主；

• 网络分析揭示了WTI、Brent油作为主传染体的作用及复杂的多阶矩溢出结构。

频域分析揭示时长依赖的溢出特征 [page::23][page::24][page::25][page::26][page::27]

• 回报溢出以高频（1天至1周）为主，反映短期市场情绪及投机活动影响；

- 波动率溢出以中长期（1周至6个月及以上）为主，强调宏观经济和政策对风险的渐进影响；

• 偏度和峰度溢出呈现动态交织，多数高频溢出明显，表明市场在极端事件及危机中迅速响应；

- 频域净对等连接展示特定时长内能源和粮食市场不同的风险传导路径，原油在多时段持续主导风险溢出。

关键驱动因素及机器学习识别 [page::32][page::34][page::35]

• 利率（TYR）对波动率、偏度和峰度溢出影响最大，反映货币政策和融资成本的重要性；

- 碳排放权价格（EUA）主要影响回报和偏度溢出，关联能源绿色转型；

• 市场情绪指数（VIX）、经济政策不确定性（EPU）、自然灾害频率（GND）及原油供应指标（COP、COS）均为显著驱动因子，且其影响随时间和风险类型而异；

- 随机森林模型表现良好，短期溢出模式解释性强，因子重要性结果基于Gini和置换指标双重验证，稳健可信。

研究创新及政策建议 [page::36][page::38]

• 创新整合高阶矩全方位分析与机器学习因子驱动，揭示能源-粮食市场多维动态风险溢出及其关键影响机制；

- 建议政策层面强化动态风险监测和多层次预警，强化对原油市场的宏观审慎监管，加强政策协同应对系统性风险；

• 投资者宜纳入偏度和峰度等高阶风险指标，灵活调整跨资产组合及对冲策略，提升抗风险能力。

金融研究报告详尽分析报告

---

1. 元数据与概览

报告标题： Moment connectedness and driving factors in the energy-food nexus: A time-frequency perspective
作者： Yun-Shi Dai, Peng-Fei Dai, Stéphane Goutte, Duc Khuong Nguyen, Wei-Xing Zhou
机构： 东华理工大学商学院（中国）、巴黎萨克雷大学 UMI SOURCE（法国）、德文奇研究中心（法国）、武汉理工大学管理学院、越南国家大学国际学院等
发布日期： 未明确具体发表日期，但时间范围包含数据截至2025年初
研究主题：
深入分析能源与粮食市场（energy-food nexus）间基于多阶矩（更高阶的统计矩如偏度(skewness)和峰度(kurtosis)）的联动性和因果驱动因素，使用时间-频率域视角，结合先进的计量经济学模型和机器学习技术。

核心论点与结论目标价（无评级价）:

• 阐释能源和粮食市场间多维度风险溢出特征，包括回报、波动、偏度及峰度的动态变化。

- 发现不同阶矩的风险溢出具有显著的时间变异性、异质性和危机敏感性。

• 关键风险传导路径显示，原油在多个联动网络中心发挥核心作用。

- 识别了宏观金融环境、石油供需基本面、政策不确定性及气候冲击作为不同风险溢出的驱动因子，且这些驱动力随时域和阶矩而异。

• 为能源-粮食市场的联合治理、多层次风险预警系统建设及优化投资策略提供理论和实证基础。

整体传递的信息在于能源和粮食市场风险高度交织、多层次且时态复杂，需差异化风险监控和干预政策。[page::0,1,2]

---

2. 逐节深度解读

2.1 引言部分（1. Introduction）

关键论点：

• 当前全球能源和粮食安全形势严峻，面对经济慢增、气候恶化及地缘冲突等多重风险。

- 能源和粮食市场强相关，能源价格直接影响农产品生产成本，且生物燃料的发展导致粮食原材料与能源需求的资源竞争加剧。

• 疫情和俄乌战争加剧了价格波动，使得风险传递更频繁且复杂。

支撑依据与数据点：

• 国际能源署2025全球能源审查，2024年能源需求同比增长2.2%，远超过去十年1.3%年均增长，涵盖石油和天然气等所有能源源。

- 联合国世界粮食计划署报告称2024年约3.43亿人经历急性饥饿，创历史新高。

• 价格波动和危机事件深入分析风险联动性背景。 [page::0] [page::1]

---

2.2 文献综述（2. Literature review）

关键论点：

• 描述基于VAR及频域技术的风险溢出分析演进，从静态相关到动态体系广义方差分解动态联动测算。

- 介绍Baruník及Křehlík (BK模型)引入频率域细分，阐释短期、中期、长期风险传播差异。

• 说明TVP-VAR（时变参数VAR）方法相比滚动窗口机制更优，能有效捕捉结构演变及减少信息损失。（后续采用该方法的衍生变种）

- 现有研究多聚焦于均值（收益）和方差（波动），忽视偏度、峰度等高阶矩的风险溢出，且采用传统统计模型对高阶矩分析有限。

• 机器学习方法作为非参数、多特征识别工具，能增强风险传播机制识别的鲁棒性和精度。

核心数据与假设：

• 高阶矩（偏度、峰度）作为资产回报分布的统计特征，特别揭示非对称风险和极端事件的尾部风险特性。

- 文献覆盖股票、商品、加密货币等市场已开始关注多阶矩溢出，缺乏综合考虑能源-粮食系统的研究。 [page::2,3,4]

---

2.3 方法论（3. Methodology）

主要模型及原理：

• GJRSK模型： 结合GJR-GARCH与GARCHSK模型，能同时评估收益的时变波动、偏度与峰度，考虑负面冲击的杠杆效应。使用Gram-Charlier级数扩展确定非正态分布密度，有利于捕获反应市场非对称性和极端风险。

- TVP-VAR-DY和TVP-VAR-BK模型：
- 采用时变参数向量自回归（TVP-VAR）解决了滚动窗口估计窗口选择主观性和数据损失问题。
- 基于广义方差分解(GFEVD)构建动态联动指标，测量系统内各市场变量间的溢出度。
- BK模型拓展至频率域，区分短期（1-5天）、中期（5-120天）、长期（>120天）的不同风险传播路径和强度。

• 随机森林模型： 用于驱动因素识别，优势在于非参数、抗噪声、能处理复杂的多因子关系，通过Gini和Permutation两种重要性指标综合甄别最关键的影响因素。

公式核心说明：

• GJRSK模型内，条件偏度与峰度作为时序演变量被动态估计，反映回报分布形态。

- TVP-VAR模型中，时变系数矩阵动态更新，允许分析时点变异的网络结构。

• 联动指标依据GFEVD拆解，分别量化“传出”“传入”溢出效应及净溢出地位。 [page::5,6,7,8,9,10,11]

---

2.4 数据描述（4. Data description）

样本选择：

• 食品期货：芝加哥期货交易所的玉米、小麦、大豆和稻米期货。

- 能源期货：纽约商业交易所WTI原油、取暖油、亨利中心天然气和洲际交易所布伦特原油。

• 时间跨度：2000年1月4日-2025年2月14日。

- 选取标志性期货，代表性强，且流动性、交易量大。

描述特征：

• 图1显示同期价格波动同步，主要危机期价格出现尖峰，如2007-2008金融危机、2010-2012粮食危机、2020-2022疫情及俄乌冲突。能源价价波动更为剧烈。

- 表1显示：
- 能源期货的波动率明显高于粮食期货。
- 所有序列偏度非零，峰度均显著大于3，分布偏斜且厚尾。
- Jarque-Bera和单位根测试表明均非正态且序列平稳。
- Ljung-Box及ARCH-LM测试揭示显著自相关及条件异方差效应，满足模型假设。

• 因素选取包括美元指数、10年期美债收益率(CB折现率)、VIX波动率指数、全球经济及气候政策不确定性、欧佩克产量、美油库存、碳排放权价格、自然灾害频率及地缘政治风险等，覆盖宏观金融、供应需求以及环境风险多维度因素。 [page::11,12,13]

---

2.5 实证分析（5. Empirical analysis）

2.5.1 高阶矩指标计算与动态特征（5.1）

• GJRSK模型参数估计显示：

- 多个市场存在均值回复特征（能源市场和大豆为主）。
- 杠杆效应显著（负面冲击增强波动性、偏度和峰度）。
- 波动杠杆效应$\beta_3$接近1，偏度和峰度的响应也显露出对坏消息更敏感。

• 时间序列图（图2）反映各阶矩随时间变化明显，对危机事件（2008金融危机、疫情、俄乌战争等）高度敏感，显示能量市场的波动和尾部风险更为激烈。

- 各资产间不同阶矩相关性（图3）显示：
- 回报和波动性内部市场内相关较高，跨市场相关较弱。
- 偏度关联弱且符号不一，表明非对称风险较难同步。
- 峰度相关较强，尤其在危机时表现出共振现象，显示极端风险易传染。 [page::13,14,15,16,17]

2.5.2 时域风险联动（5.2）

• 平均连通性指标（表3）表明：

- 波动性连通度最高（44.59%），其次是收益（38.94%）、峰度（34.21%）和偏度（18.20%）。
- 同市场内溢出效应明显强于跨市场溢出。
- 大宗商品如玉米、大豆、小麦和WTI、布伦特、取暖油在风险溢出中作用突出，稻米和天然气相对弱化。

• 净溢出角色分化：

- 原油是主要风险传递者，取暖油和稻米等多为接收者。
- 波动性传递中部分粮食表现为风险溢出发源地（如小麦、玉米）。
- 偏度溢出中稻米多为风险接收市场，暗示其更多承受外部非对称冲击。
- 峰度风险多由原油传出，取暖油及天然气接收尾部风险。

• 动态图（图4）展现四阶矩联通度随时间大幅波动，多危机期间溢出急剧上升。

- 时间域网络结构（图5）进一步揭示市场复杂互联与传导路径：原油市场是回报与峰度风险的核心节点，波动网络中能源与粮食跨市场传导明显增强，偏度传递体现粮食市场更紧密的内部联系。 [page::17,18,19,20,21,22,23]

2.5.3 频域风险联动（5.3）

• 不同阶矩溢出展现出显著的时间尺度依赖性（表4-7，图6-7）：

- 回报连通性以短期（1天-1周）主导(31.66%)，显示基于短线交易和市场情绪波动的风险快速传递。
- 波动性连通性展现长期主导(26.68%)，波动簇集以及宏观经济持续效应突出长期溢出。
- 偏度溢出高频最大(9.12%)，表明极端非对称风险快速传播，且粮食市场部分品种中长期更易受外部偏度影响。
- 峰度溢出多发生于短中期，表明短中期内极端尾部风险传递更显著，长期峰度传导减弱。

• 频域网络显示：

- 短期回报风险由能源市场主导，粮食内部关联较弱跨市场连接有限。
- 中长期波动性网络强化能源市场内部和能源与粮食间联系。
- 偏度与峰度网络结构随时间尺度改变显著，部分市场角色转换。
- 原油保持关键地位，是多频段、多阶矩风险的重要传输源。 [page::23,24,25,26,27,28,29,30]

2.5.4 风险驱动因素识别（5.4）

• 利用随机森林模型对十个宏观与市场因素进行回归，模型表现稳健且均优于平均模型，特别是对回报和偏度联通性的解释力较强（$R^2$约0.8以上）。

- 关键驱动因素包括：
- 利率(TYR)： 对于波动、偏度、峰度溢出尤为关键，反映宏观政策对融资和风险评价的传导。
- 碳排放权价格(EUA)： 主要影响回报和偏度，体现绿色转型和碳成本对能源与农业品价的影响。
- 市场情绪(VIX)、经济政策不确定性(EPU)、美元指数(DXY)、自然灾害(GND) 及 油市供需(COP、COS) 也显著关联不同风险溢出。

• 频域分析中，影响因素因时间尺度变化而异，短期联动受市场情绪、碳价和供需显著影响，中长期宏观金融因素占优，强化了跨期风险传递机制的多因子异质性。

- 地缘政治风险指数(GPR)整体影响力较弱，可能因其风险地域性强、按时间加权效果限制所致。

• 图8、9详细展示了各因子在不同阶矩和不同时间尺度联动中的相对重要性，强调政策和市场因素的综合调控必要性。 [page::31,32,33,34,35,36]

2.5.5 鲁棒性检验（5.5）

• 通过调整TVP-VAR模型的预测期长短（50、100、200天）进行回归结果验证，发现联动指标稳健且整体趋势一致。

- 因素重要性方法采用Gini与Permutation双指标确认，有效保障变量甄别的准确性和稳定性。 [page::36,37]

---

3. 图表深度解读

图1（价格演变图，page 12）

描述：展示了玉米、小麦、大豆、稻米与WTI原油、布伦特原油、取暖油、天然气的价格时间序列走势。
解读：

• 价格多次大幅波动高度同步，特别是在2007-2008金融危机、2010-12粮食危机、2020-22疫情及俄乌冲突期间。

- 粮食价格受能源价格影响显著，尤其是通过生产成本和生物燃料替代需求联系密切。

• 能源价格波动幅度更大，反映能源市场对宏观和地缘情势敏感。

联系文本：有力支持能源-粮食市场联动的实证基础，表明背景多重不确定性影响风险溢出机制。

表1（描述统计及诊断测试，page 13）

描述：主要统计特征（均值、极值、波动率、偏度、峰度）及各类检验（正态性、平稳性、自相关性和ARCH效应）。
解读：

• 所有市场呈现非正态、平稳但带有自相关和异方差特征，适合用GJRSK模型捕捉高阶矩动态。

- 能源具有更高波动率和峰度，风险特征更显著。

• 偏度符号异质，表明市场反应非对称。

联系文本：为后续建模提供数据基础和理论正当性。

图2（高阶矩动态曲线，page 15）

描述：8个主要期货的回报、波动、偏度及峰度时间序列动态。
解读：

• 明显时间变异性及危机时段剧烈波动。

- 负面冲击加剧波动和极端风险（峰度大幅上升）。

• 能源期货高峰度和波动波动更显著。

联系文本：支持风险溢出随时间及事件动态变化的总体论点。

图3（四阶矩相关性热图，page 17）

描述：回报、波动、偏度、峰度的相关性矩阵色块热图。
解读：

• 回报与波动在同类市场间相关度较高，跨市场较弱。

- 偏度相关普遍偏低，峰度相关跨市场甚至较高，表明极端风险跨市场同步性较强。
联系文本：揭示多阶矩风险溢出的内在结构特点，强调极端风险溢出重要性。

表3（时域平均联动矩阵，page 18）

描述：回报、波动、偏度和峰度在8个市场间的溢出贡献度指标，包括自身影响和跨市场传递。
解读：

• 波动性联动度最高，且能源市场内部和粮食市场内部溢出较强。

- 各品种净溢出角色分明，原油做传导核心。
联系文本：精细刻画市场内外溢出动态，揭示风险转移路径。

图4（时域总联动指数动态，page 20）

描述：不同时刻四类风险溢出的动态总联动指数(TCI)。
解读：

• 重大危机时间点如2008、2020、2022导致TCI急速跳升，反映系统风险集中爆发。

- 波动率溢出幅度最大，且呈多周期波峰态势。

• 偏度和峰度风险溢出在危机期间尤为突出。

联系文本：强化危机对跨市场风险传导的放大作用。

图5（时域网络图，page 22）

描述：回报、波动、偏度、峰度净对净溢出网络，节点大小代表净传导强度，颜色区分传导者与接收者，箭头表示风险流向。
解读：

• 原油价格在所有网络中为关键传导节点，尤其是回报和峰度。

- 波动性溢出跨市场路径更多，风险交织紧密。

• 偏度网络中稻米为主要风险接受者，反映其市场脆弱性。

联系文本：形象表现多阶矩联动中核心市场角色及风险发散路径。

表4-7与图6-7（频域联动及网络，page 23-30）

描述：回报、波动、偏度和峰度在短、中、长期的频域联动特征及对应网络结构。
解读：

• 回报溢出以短期为主，波动溢出以长期为主，偏度和峰度溢出则多集中于短中期。

- 能源市场在多数频段保持风险传导枢纽地位。

• 不同时间频段的网络呈现明显结构差异，反映风险特征时变多样。

联系文本：深化风险溢出的时间尺度维度分析，揭示各市场在不同时段的风险角色转换。

表8与图8-9（随机森林模型评估与驱动因素重要性，page 32-36）

描述：

• 模型拟合优度及误差指标，确保随机森林预测效能及稳健性。

- 各驱动因素对不同阶矩风险溢出的相对和绝对重要性评分。
解读：

• 利率(TYR)宏观变量对波动、偏度、峰度等高阶风险溢出影响最大。

- 碳市场价格(EUA)影响显著，反映绿色转型的经济效应。

• 市场情绪(VIX)、政策不确定(EPU)、自然灾害(GND)、供需指标(COP、COS)等多因素驱动联动强度变化。

- 时间尺度上，短期溢出更受情绪与市场基本面即时冲击驱动，中长期更依赖宏观金融变量。

• 政治风险的整体影响较弱，显示区域和时间不一致效应。

联系文本：揭示联动形成的多因子驱动机制，为政策调控提供定量依据。

图10（鲁棒性检验图，page 37）

描述：不同预测期的联动指标时间序列比较。
解读：显示主要模式一致，说明研究结论对预测期参数设定稳健。

---

4. 估值分析

该报告不存在传统股价或资本市场的估值分析部分。主要为风险溢出网络及其驱动因素分析，方法上采用向量自回归模型与机器学习技术结合，估值概念体现在风险溢出指数和模型预测准确度方面，而无股票估值目标价等。

---

5. 风险因素评估

主要识别风险因素包括：

• 利率波动（TYR）

- 碳排放市场波动（EUA）

• 市场情绪（VIX）

- 政策不确定性（EPU、CPU）

• 自然灾害频次（GND）

- 原油供需基本面（COP、COS）

• 外部地缘政治风险指数（GPR）

潜在影响：

• 宏观金融政策调整通过融资本钱和资产配置影响能源与粮食市场，放大波动及尾部风险。

- 碳价格反映能源价格结构及绿色转型成本，间接传递至农产品价格，影响联动强度和方向。

• 市场情绪与政策不确定性驱动瞬间风险爆发，短期内影响尤为显著。

- 自然灾害增加供应链冲击和价格波动，形成风险共振点。

• 地缘政治风险因其局部性及复杂性影响较小，但在特定高峰期有潜在增强效应。

风险缓解策略：
论文未直接讨论缓解策略，但明确提出需多部门政策联动和多层风控预警体系，精准应对异质且随时变化的风险溢出，从宏观审慎监管、绿色转型、市场流动性管理等多方入手。 [page::32,38]

---

6. 批判性视角与细微差别

• 模型适用性与复杂度：

GJRSK模型在捕捉高阶矩动态方面优于传统GARCH型模型，但依赖参数估计准确性和长期数据稳定性，对于极端事件可能存在建模难度。

• 数据选择限制：

样本集中仅选取代表性期货，缺乏对其他区域市场和更多农能源品种的覆盖，影响结论普适性。

• 因果识别复杂性：

虽采用随机森林辅助识别风险驱动因子，但无法深刻揭示变量交互和因果机制的细节，可能隐藏复杂多因子协同效应。

• 地缘政治风险解释不足：

GPR指标表现弱，可能是模型时间范围内该因素未发挥完全影响，建议未来增加更细地域或事件驱动指标改进。

• 联动机制内生性未系统探讨：

报告强调外部因素影响，但未深入分析能源与粮食市场之间的内生反馈循环及制度性因素。

• 网络分析解释深度有限：

网络图形展示清晰，但对节点重要性及路径选择的经济含义解析稍显浅显，有待结合经济理论进一步挖掘。

---

7. 结论性综合

本报告系统、细致地结合前沿计量方法和机器学习工具，首次从多阶矩角度完整描绘了能源-粮食市场间复杂的动态风险联动特征。核心发现如下：

• 多阶矩联动表现差异显著：

回报溢出短期效应最为突出，波动性则表现长期持久溢出，偏度峰度风险溢出多在短中期显著，体现风险传导的多维度异质时态结构。

• 原油市场风险枢纽作用突出：

WTI和布伦特原油始终位于风险传播核心位置，承担起大部分时频域中的风险传导职能，既是主要发源地也是重要的风险接收体。

• 能源市场内部及粮食市场内部溢出相对强烈，跨市场交流有限但不容忽视：

大多数风险在自身市场内强烈伤害，且通过生产链和市场联结传入另一市场。生物燃料产业链连接进一步加强溢出。

• 宏观经济金融因素（如利率）、碳价格、政策不确定性及自然灾害突出驱动风险溢出波动，且驱动因子依时间尺度与风险类型显著差异：

短期联动多由市场情绪及碳市场动态驱动，中长期则宏观利率及政策因素更具决定性。

• 风险管理与政策启示：

建议加强多层次时频监测与风险预警，针对不同风险矩阵采用差异化调控措施，强化对原油市场审慎监管，同时促进跨部门协调应对政策不确定性，兼顾绿色转型与粮食安全。投资者需关注高阶风险特性，优化资产配置和对冲策略。

• 未来研究方向：

扩展资产范围与地理样本，深化驱动机制识别，采用更复杂的机器学习与因果推理模型，增强风险网络经济解释，为政策制定和市场参与者提供更精准支持。

整体评价：本报告提供了能源粮食风险传播领域极具创新性和实用价值的多维动态分析框架，既有深厚理论基础亦具较强政策指导意义，能有效捕捉当前全球经济波动和环境挑战下的复杂风险格局，为未来的学术研究和政策设计搭建坚实基础。是能源经济和金融风险领域重要的前沿贡献之一。[page::0-43]

---

参考文献及附录

报告中广泛引用了现代风险传染理论和计量方法的权威文献，以及近年对能源、粮食商品市场的最新实证研究，方法上将传统时间序列分析与机器学习有机结合，保证了研究的科学性与前瞻性。

---

附图示例

• 图1（价格演变）

• 图4（时域总联动指数动态）

• 图8（驱动因素重要性-时域）

完整图表请参见报告对应页码。

---

以上即对该能源-粮食多阶矩联动研究报告的全面分析解构，涵盖内容、模型、数据、结果和政策解读，同时指出其科学价值及潜在改进方向，供专业学者和决策者深入参考。

报告