第三节 期货套期保值比率与效果研究
一 大豆期货套期保值比率与效果研究
（一）样本数据
在这里实证研究的大豆期货价格数据和现货价格数据分别来自于大连商品交易所和中国农业部。我们采集了大豆的2008年5月～2011年11月共179个期货价格和现货价格的周数据，125个旬数据、89个双周和44个四周数据。并且在此选用了最近交割月的大豆期货价格数据。为比较各种套期保值模型的套期保值效果，利用从2008年5月至2010年12月的样本数据对套期保值比率进行估计（称为样本内数据）。利用从2011年1月至2011年11月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬和双周、四周数据分别是134、93、67和33个；而样本外周、旬和双周、四周数据分别是55、32、22和11个。这里实证分析所用的软件均为Eviews 5.0统计分析软件。
（二）大豆期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列（lnsst）、期货价格序列（lnsoyt）及其一阶差分（Δlnsst、Δlnsoyt）进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，周数据、双周数据、八周数据的ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而四周数据的ADF值的绝对值大于5%的临界值。而在对Δlnsst和Δlnsoyt的ADF检验中，ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即Δlnsst和Δlnsoyt是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-2反映了期货价格与现货价格的ADF检验结果。
表2-2 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为14.72368，大于1%临界值19.93711，期货价格与现货价格不存在协整关系的假设被拒绝，旬、四周和八周数据的迹统计量分别为17.12554、26.31558和38.22501，大于1%临界值19.93711，期货价格与现货价格不存在协整关系的假设被拒绝；在协整向量个数至少为1的假设下，周、旬、四周和八周数据的迹统计量分别为3.322578、4.684785、4.533107和1.653333，小于5%临界值3.841466，说明期货价格与现货价格之间至少存在一个协整向量。综上所述，大豆期货与现货价格序列具有显著的协整关系。表2-3给出了与协整关系的Johansen检验。
表2-3 Johansen协整检验结果
3.模型统计结果
表2-4统计结果是在消除模型残差项自相关问题基础上产生的，残差项自相关检验得出的最大滞后值是3～5[34]，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。
表2-4 不同套期保值模型下套期保值比率的计算结果
从表2-4可以看出，就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，ECHM模型得出的套期保值比率最小（0.184757），而OLS模型得出的套期保值比率最大（0.210926）；就双周数据而言，OLS模型得出的套期保值比率最小（0.768047），而ECHM模型得出的套期保值比率最大（1.193556）；就四周数据而言，EC-GARCH模型得出的套期保值比率最小（0.353881），而B-VAR模型得出的套期保值比率最大（0.717442）；就八周数据而言，B-VAR模型得出的套期保值比率最小（0.545859），而EC-GARCH模型得出的套期保值比率最大（1.089012）。可以看出，考虑协整关系时需要更多的期货头寸来回避现货价格的反向变动。
考察调整的R2，4个模型得出的双周数据的值均最小；周数据的值其次；四周和八周数据的值是最大的，同时可以看出，与没有考虑期货价格与现货价格之间协整关系的模型相比，OLS和EC-GARCH模型所得到的调整的R2更优。
4.套期保值效果比较
表2-5是利用2008年5月～2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，ECHM和EC-GARCH模型下的套期保值绩效最好，而OLS的套期保值绩效较差。可以看出，当不恰当的忽略现货价格和期货价格的协整关系时，所得出的最小风险套期保值比率绩效会变得很差，另外随着套期保值时间长度的增加，套期保值的绩效在逐步提高。
表2-5 样本内套期保值效果（百分比）比较
表2-6是利用2011年1～11月的样本区间外数据计算所得的套期保值效果指标。结果表明，EC-GARCH模型下的套期保值绩效最好，而OLS和B-VAR模型的套期保值绩效较差，同样，随着套期保值时间长度的增加，套期保值的绩效在逐步提高。在与样本内套期保值绩效比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本外套期保值绩效都是明显优于样本内的。
表2-6 样本外套期保值效果（百分比）比较
5.实证研究结论
研究发现，大连商品交易所的大豆期货合约价格与中等大豆现货价格存在较显著的协整关系，忽略这种关系会使估计所得的最小风险套期保值比率偏小，所以在传统OLS模型和B-VAR模型中，我们计算出的套期保值比率较小，而在考虑了协整关系的ECHM和EC-GARCH模型中，EC-GARCH模型计算得出的最小风险套期保值比率更大，这也意味着采用动态套期保值是更加可靠的投资策略。在误差修正模型中，统计所得的调整的R2高于传统回归模型和双变量向量自回归模型的统计结果。可见，误差修正模型得到的最小风险套期保值比率明显优于传统回归模型得到的结果，而与双变量向量自相关模型相比也有一定的改善，而且随着套期保值期限的延长，最小风险套期保值比率也越大，可以更有效地减少收益的波动，尤其是进行长期套期保值策略。
对套期保值绩效进行比较来看，我们发现，相对于不进行套期保值，进行套期保值明显地降低了收益方差，能够有效地回避现货价格风险；对于同一种套期保值模型，随着套期保值时间长度的不断增加，套期保值绩效也是明显提高；样本区间外的套期保值绩效不论是从同一套期保值模型，还是从套期保值时间长短来看，都要明显优于样本内的套期保值绩效；在样本外各种套期保值模型中，ECHM和EC-GARCH模型的套期保值绩效优于OLS模型和B-VAR模型的套期保值绩效。
上述结论说明，在利用大连商品交易所大豆期货市场进行套期保值时，相对于不进行套期保值，进行套期保值可以有效回避价格波动带来的风险。在操作时应该充分考虑现货市场的价格与期货市场的价格协整关系对套期保值比率的影响，而不是仅仅采用简单套期保值策略，以提高套期保值的绩效，这对中国以大豆为原料进行生产和经营的企业都有控制风险的重要作用，有利于这些行业参与大豆的套期保值。通过实证分析建议采用B-VAR模型来确定套期保值比率，如果要想更好地提高套期保值绩效，则可采用ECHM模型进行套期保值。
二 豆油期货套期保值比率与效果研究
（一）样本数据
这里实证研究的豆油期货价格数据和现货价格数据分别来自于郑州商品交易所和中国农业部。我们采集了豆油的2008年3月～2011年8月共180组期货价格和现货价格的周数据，125个旬数据、90个双周和45个四周数据。并且在此选用了最近交割月的豆油期货价格数据。为比较各种套期保值模型的套期保值效果，利用从2008年3月至2010年12月的样本数据对套期保值比率进行估计（称为样本内数据）。利用2011年1～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬、双周和四周数据分别是145、101、72和36个；而样本外周、旬、双周和四周数据分别是33、24、18和9个。这里实证分析所用的软件均为Eviews5.0统计分析软件。
（二）豆油期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列、期货价格序列及其一阶差分进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值的绝对值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对差分数据的ADF检验中，ADF值的绝对值都大于5%临界值绝对值，单位根零假设被拒绝，即现货与期货价格收益序列是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-7 反映了期货价格与现货价格的ADF检验结果。
表2-7 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为15.32279，小于5%临界值15.49471，因而不存在协整关系的假设成立，旬、双周和四周数据的迹统计量分别为12.87325、13.88449和15.25593，小于5%临界值15.49471，同样不存在协整关系的假设成立；在协整向量个数至少为1的假设下，周、旬、双周和四周数据的迹统计量分别为2.057960、4.308582、1.887477、3.323597，小于1%临界值6.634897，说明期货与现货价格之间不存在协整向量。综上所述，大连商品交易所豆油期货与现货价格序列协整关系不明显。表2-8给出了与协整关系的Johansen检验结果。
表2-8 Johansen协整检验结果
3.模型统计结果
残差项自相关检验得出的最大滞后值是2，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。在消除模型残差项自相关问题的基础上，可以产生表2-9所列的不同套期保值模型下套期保值比率的计算结果。
表2-9 不同套期保值模型下套期保值比率的计算结果
续表
从表2-9可以看出，在ECHM和EC-GARCH中，误差修正项的系数都是统计显著的，这表示上一期的均衡误差对下一期、现货价格的调整会有显著影响。在B-VAR模型、ECHM模型中，现货价格和期货价格变动量的滞后变量回归系数也是统计显著的，这表明短期内大连商品交易所豆油现货、期货价格与均衡价格的偏离对于最小风险套期保值比率也有显著的影响。
就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，EC-GARCH模型得出的套期保值比率最小（0.186376），而OLS得出的套期保值比率最大（0.226751）；就旬数据而言，B-VAR模型得出的套期保值比率最大（0.688610），而EC-GARCH模型得出的套期保值比率最小（0.656505）；就双周数据而言，B-VAR模型得出的套期保值比率最小（0.300310），而OLS模型得出的套期保值比率最大（0.372347）；就四周数据而言，OLS模型得出的套期保值比率最小（0.549536），而ECHM模型得出的套期保值比率最大（0.647516）。
考察调整的R2，4个模型得出的周数据的值很小；双周数据的值其次；四周数据的值再次；旬数据的值是最大的。在旬数据中，考虑了滞后变量和误差修正的模型所得到的结果较优。
综上所述可以发现，在传统OLS模型中，我们计算出的套期保值比率较小，主要是因为它们没有考虑期货价格与现货价格的滞后影响，而在考虑了滞后价格的B-VAR和ECHM模型中，ECHM模型计算得出的最小风险套期保值比率更大，这也意味着误差修正对价格也有一定影响。同时，也发现随着套期保值期限的延长，最小风险套期保值比率呈现由小到大再逐渐变小。
4.套期保值效果比较
表2-10是利用从2008年3月至2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，对于大连商品交易所豆油期货来说，时间数据不同所适应的模型也不一致，对于周数据来说，OLS模型下的套期保值效果最好，而对于旬数据和四周数据来说，B-VAR和ECHM模型下的套保效果最好。
表2-10 样本内套期保值效果（百分比）比较
表2-11是利用2011年1～8月的样本区间外数据计算所得的套期保值效果指标。综合来看，EC-GARCH模型下的套期保值效果最好。各项数据中旬数据表现最优，但周数据在B-VAR、ECHM、EC-GARCH模型下表现为负值，显示套保情况较不套保更为差，即该段时间期货较现货价格波动出现偏差。在与样本内套期保值效果比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本内套期保值效果都是明显优于样本外的。
表2-11 样本外套期保值效果（百分比）比较
三 铜期货套期保值比率与效果研究
（一）样本数据
这里实证研究的沪铜期货价格数据和现货价格数据分别来自上海期货交易所和上海金属网平均价。我们采集了沪铜的2007年1月～2011年11月共239个期货价格和现货价格的周数据，168个旬数据、118个双周和59个四周数据。并且在此选用了主力连续的沪铜期货价格数据。为比较各种套期保值模型的套期保值效果，利用从2007年1月～2010年12月的样本数据对套期保值比率进行估计（称为样本内数据）。利用2011年1～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬和双周和四周数据分别是204、144、101和50个；而样本外周、旬和双周和四周数据分别是34、23、16和8个。这里实证分析所用的软件均为Eviews5.0统计分析软件。
（二）沪铜期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列、期货价格序列及其一阶差分进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对差分数据的ADF检验中，ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即差分数据是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-12 反映了期货价格与现货价格的ADF检验结果。
表2-12 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为31.24138，大于5%临界值15.49471，因而不存在协整关系的假设被拒绝，旬、双周和四周数据的迹统计量分别为21.73863、20.49560和24.02565，大于5%临界值15.49471，同样不存在协整关系的假设被拒绝；在协整向量个数至少为1的假设下，周、旬和四周数据的迹统计量分别为2.622520、3.750555和2.993748，小于5%临界值3.841466，说明期货与现货价格之间至少存在一个协整向量。综上所述，上海期货交易所沪铜期货与现货价格序列具有显著的协整关系。表2-13给出了与协整关系的Johansen检验结果。
表2-13 Johansen协整检验结果
3.模型统计结果
残差项自相关检验得出的最大滞后值是2，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。在消除模型残差项自相关问题的基础上，可以产生表2-14所列的不同套期保值模型下套期保值比率的计算结果。
表2-14 不同套期保值模型下套期保值比率的计算结果
续表
从表2-14可以看出，在ECHM和EC-GARCH中，误差修正项的系数都是统计显著的，这表示上一期的均衡误差对下一期、现货价格的调整会有显著的影响。在B-VAR模型、ECHM模型中，现货价格和期货价格变动量的滞后变量回归系数也是统计显著的，表明短期内上海期货交易所沪铜现货、期货价格与均衡价格的偏离对于最小风险套期保值比率也有显著的影响。
就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，OLS得出的套期保值比率最大（0.3644），而EC-GARCH模型得出的套期保值比率最小（0.2179）；就旬数据而言，B-VAR模型得出的套期保值比率最大（0.8766），而EC-GARCH模型得出的套期保值比率最小（0.8299）；就双周数据而言，ECHM模型得出的套期保值比率最小（0.6058），而OLS模型得出的套期保值比率最大（0.7168）；就四周数据而言，OLS模型得出的套期保值比率最大（0.9066），而EC-GARCH模型得出的套期保值比率最小（0.8247）。可以看出，考虑协整关系时需要更多的期货头寸来回避现货价格的反向变动。
考察调整的R2，4个模型得出的周数据的值都很小；双周数据的值其次；四周数据的值再次；旬数据的值是最大的。这说明了与没有考虑期货价格与现货价格之间协整关系的模型相比，ECHM和EC-GARCH模型所得到的调整的R2更优。
综上所述可以发现，在传统OLS模型和B-VAR模型中，我们计算出的套期保值比率较小，主要是因为两个模型没有考虑期货价格与现货价格之间的协整关系，而在考虑了协整关系的ECHM和EC-GARCH模型中，EC-GARCH模型计算得出的最小风险套期保值比率更大，这也意味着采用动态套期保值是更加可靠的投资策略。同时，也发现随着套期保值期限的延长，最小风险套期保值比率也越大，尤其是长期套期保值，因为得出的最小风险套期保值比率可以更有效地减少收益的波动。
4.套期保值效果比较
表2-15是利用从2007年1月至2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，ECHM和EC-GARCH模型下的套期保值效果最好，而OLS的套期保值效果较差。可以看出，当不恰当的忽略现货价格和期货价格的协整关系时，所得出的最小风险套期保值比率效果会变得很差，另外，随着套期保值时间长度的增加，套期保值的效果在逐步提高。
表2-15 样本内套期保值效果（百分比）比较
表2-16是利用2011年1～8月的样本区间外数据计算所得的套期保值效果指标。结果表明，EC-GARCH模型下的套期保值效果最好，而OLS和B-VAR的套期保值效果较差，同样随着套期保值时间长度的增加，套期保值的效果在逐步提高。在与样本内套期保值效果比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本外套期保值效果都是明显优于样本内的。
表2-16 样本外套期保值效果（百分比）比较
5.计量实证研究结论
研究发现，上海期货交易所的沪铜期货合约价格与铜现货价格存在较显著的协整关系，忽略这种关系会使估计所得的最小风险套期保值比率偏小。在误差修正模型中，现货价格和期货价格变动量的滞后变量以及误差修正项的回归系数都是统计显著的，而误差修正模型统计所得的调整的R2高于传统回归模型和双变量向量自回归模型的统计结果。可见，误差修正模型得到的最小风险套期保值比率明显优于传统回归模型得到的结果，而与双变量向量自相关模型相比也有一定的改善，而且随着套期保值期限的延长，最小风险套期保值比率也越大，尤其是进行长期套期保值策略。
对套期保值效果进行比较来看，相对于不进行套期保值，进行套期保值明显降低了收益方差，能够有效地回避现货价格风险；对于同一种套期保值模型，随着套期保值时间长度的不断增加，套期保值效果也是明显提高；样本区间外的套期保值效果不论是从同一套期保值模型，还是从套期保值时间长短来看，都要明显优于样本内的套期保值效果；在样本外各种套期保值模型中，ECHM和EC-GARCH模型的套期保值效果优于OLS模型和B-VAR模型的套期保值效果。
上述结论说明，在利用上海期货交易所沪铜期货市场进行套期保值时，可以有效回避价格波动带来的风险。当然，在操作时应该充分考虑现货市场的价格与期货市场的价格协整关系对套期保值比率的影响，而不是仅仅采用简单套期保值策略。这对中国以阴极铜为原料进行生产和经营的企业都有控制风险的重要作用，有利于这些行业参与上海期货交易所沪铜的套期保值。如果要想更好地提高套期保值效果，建议采用B-VAR模型来确定套期保值比率，再采用ECHM和EC-GARCH模型进行套期保值。
四 铝期货套期保值比率与效果研究
（一）样本数据
这里实证研究的铝期货价格数据和现货价格数据分别来自于上海期货交易所和上海金属网。我们采集了铝的2007年1月～2011年8月共238个期货价格和现货价格的周数据，168个旬数据、119个双周、59个四周和29个八周数据。并且在此选用了最近交割月的硬冬小麦期货价格数据。为比较各种套期保值模型的套期保值效果，利用从2007年1月至2010年12月的样本数据对套期保值比率进行估计（称为样本内数据）。利用2011年1～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬、双周、四周和八周数据分别是203、144、101、50和25个；而样本外周、旬、双周、四周和八周数据分别是35、24、18、9和4个。这里实证分析所用的软件均为Eviews5.0统计分析软件。
（二）铝期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列（lnzst）、期货价格序列（lnwtt）及其一阶差分（Δlnzst、Δlnwtt）进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对Δlnzst和Δlnwtt的ADF检验中，ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即Δlnzst和Δlnwtt是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-17 反映了期货价格与现货价格的ADF检验结果。
表2-17 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为12.16712，小于5%临界值15.49，因而不存在协整关系的假设没有被拒绝，旬、双周、四周和八周数据的迹统计量分别为9.840666、11.61681、12.01003和11.30422，小于5%临界值15.49，同样不存在协整关系的假设没有被拒绝；在协整向量个数至少为1的假设下，周、旬、双周、四周和八周数据的迹统计量分别为2.479154、3.532296、5.423066、3.520372和3.086328，小于5%临界值3.84，说明期货与现货价格之间至少存在一个协整向量。综上所述，上海期货交易所铝期货与现货价格序列并不具有显著的协整关系。表2-18给出了与协整关系的Johansen检验结果。
表2-18 Johansen协整检验结果
3.模型统计结果
残差项自相关检验得出的最大滞后值是4，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。在消除模型残差项自相关问题的基础上，可以产生表2-19所列的不同套期保值模型下套期保值比率的计算结果。
表2-19 不同套期保值模型下套期保值比率的计算结果
从表2-19可以看出，在ECHM和EC-GARCH中，误差修正项的系数都是统计显著的，这表示上一期的均衡误差对下一期、现货价格的调整会有显著影响。在B-VAR模型、ECHM模型中，现货价格和期货价格变动量的滞后变量回归系数也是统计显著的，这表明短期内上海期货交易所铝现货、期货价格与均衡价格的偏离对于最小风险套期保值比率也有显著的影响。
就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，B-VAR得出的套期保值比率最小（0.2385），而OLS模型得出的套期保值比率最大（0.2705）；就旬数据而言，OLS模型得出的套期保值比率最小（0.9107），而ECHM模型得出的套期保值比率最大（0.9295）；就双周数据而言，ECHM模型得出的套期保值比率最小（0.7912），而EC-GARCH模型得出的套期保值比率最大（0.8639）；就四周数据而言，B-VAR模型得出的套期保值比率最小（0.8354），而OLS模型得出的套期保值比率最大（0.9259）；就八周数据而言，OLS得出的套期保值比率最小（0.8562），而ECHM模型得出的套期保值比率最大（0.8775）。可以看出，考虑协整关系时需要更多的期货头寸来回避现货价格的反向变动。
考察调整的R2，4个模型得出的周数据的值都很小；双周数据的值其次；四周数据的值再次；旬数据的值最次，八周数据的值是最大的。这说明了与没有考虑期货价格与现货价格之间协整关系的模型相比，B-VAR和ECHM模型所得到的调整的R2更优。
综上所述可以发现，在传统B-VAR模型中，我们计算出的套期保值比率较小，主要是因为这个模型没有考虑期货价格与现货价格之间的协整关系，而在考虑了协整关系的EC-GARCH模型中，计算得出的最小风险套期保值比率更大，这也意味着采用动态套期保值是更加可靠的投资策略。
4.套期保值效果比较
表2-20是利用2007年1月～2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，OLS和EC-GARCH模型下的套期保值效果最好，而B-VAR的套期保值效果较差。可以看出，当不恰当的忽略现货价格和期货价格的协整关系时，所得出的最小风险套期保值比率效果会变得很差，另外，随着套期保值时间长度的增加，套期保值的效果在逐步提高。
表2-20 样本内套期保值效果（百分比）比较
表2-21是利用2011年1～8月的样本区间外数据计算所得的套期保值效果指标。结果表明，EC-GARCH模型下的套期保值效果最好，而B-VAR和ECHM的套期保值效果较差，同样，随着套期保值时间长度的增加，套期保值的效果在逐步提高。在与样本内套期保值效果比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本内套期保值效果都是明显优于样本外的。
表2-21 样本外套期保值效果（百分比）比较
5.计量实证研究结论
研究发现，上海期货交易所的铝期货合约价格与铝现货价格不存在较显著的协整关系，忽略这种关系会使估计所得的最小风险套期保值比率偏小。在误差修正模型中，现货价格和期货价格变动量的滞后变量以及误差修正项的回归系数都是统计显著的，而误差修正模型统计所得调整的R2高于传统回归模型和双变量向量自回归模型的统计结果。可见，误差修正模型得到的最小风险套期保值比率明显优于传统回归模型得到的结果，而与双变量向量自相关模型相比也有一定的改善，而且随着套期保值期限的延长，最小风险套期保值比率也越大，尤其是进行长期套期保值策略。
对套期保值效果进行比较来看，相对于不进行套期保值，进行套期保值明显地降低了收益方差，能够有效地回避现货价格风险；对于同一种套期保值模型，随着套期保值时间长度的不断增加，套期保值效果也是明显提高；样本区间内的套期保值效果不论是从同一套期保值模型，还是从套期保值时间长短来看，都要明显优于样本外的套期保值效果；在样本内各种套期保值模型中，EC-GARCH模型下的套期保值效果优于B-VAR和ECHM的套期保值效果。
上述结论说明，在利用上海期货交易所铝期货市场进行套期保值时，可以有效回避价格波动带来的风险。当然，在操作时应该充分考虑现货市场的价格与期货市场的价格协整关系对套期保值比率的影响，而不是仅仅采用简单套期保值策略。这对中国以铝为原料进行生产和经营的企业都有控制风险的重要作用，有利于这些行业参与大连商品交易所铝的套期保值。如果想更好地提高套期保值效果，建议采用B-VAR模型来确定套期保值比率，再采用EC-GARCH模型进行套期保值。
五 螺纹钢期货套期保值比率与效果研究
（一）样本数据
这里实证研究的螺纹钢期货价格数据和现货价格数据分别来自上海期货交易所和中国上海钢材现货市场。我们采集了螺纹钢的2009年3月～2011年8月共126个期货价格和现货价格的周数据，88个旬数据、63个双周、31个四周数据和15个八周数据。并且在此选用了螺纹钢期货指数价格数据。为比较各种套期保值模型的套期保值效果，利用从2009年3月至2010年12月的样本数据对套期保值比率进行估计（称为样本内数据）。利用2011年1～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬、双周、四周和八周数据分别是92、64、48、23和11个；而样本外周、旬、双周、四周和八周数据分别是34、24、15、8和4个。这里实证分析所用的软件均为Eviews5.0统计分析软件。
（二）螺纹钢期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列（lnzst）、期货价格序列（lnwtt）及其一阶差分（Δlnzst、Δlnwtt）进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对Δlnzst和Δlnwtt的ADF检验中，ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即Δlnzst和Δlnwtt是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-22 反映了期货价格与现货价格的ADF检验结果。
表2-22 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为11.12916，小于5%临界值15.49471，因而不存在协整关系的假设没有被拒绝，旬、双周、四周数据的迹统计量分别为9.715020、11.94176、5.546740，小于5%临界值15.49471，同样不存在协整关系的假设没有被拒绝；八周数据的迹统计量为19.22986，大于5%临界值15.49471，因而不存在协整关系的假设被拒绝。在协整向量个数至少为1的假设下，周、旬、双周、四周和八周数据的迹统计量分别为2.986575、2.945089、2.527191、0.368609和0.413310，小于5%临界值3.841466，说明期货与现货价格之间至少存在一个协整向量。综上所述，上海期货交易所螺纹钢期货与现货价格序列不存在显著的协整关系。表2-23给出了与协整关系的Johansen检验结果。
表2-23 Johansen协整检验结果
3.模型统计结果
残差项自相关检验得出的最大滞后值是2，因为取该值后基本消除残差的相关现象，使残差服从独立同分布。在消除模型残差项自相关问题的基础上，可以产生表2-24所列的不同套期保值模型下套期保值比率的计算结果。
表2-24 不同套期保值模型下套期保值比率的计算结果
从表2-24可以看出，在ECHM和EC-GARCH中，误差修正项的系数是统计不显著的，这表示上一期的均衡误差对下一期、现货价格的调整没有显著的影响。在B-VAR模型、ECHM模型中，现货价格和期货价格变动量的滞后变量回归系数大部分统计显著的，期货价格一阶滞后变量回归系数偶尔不显著，这表明短期内上海期货交易所螺纹钢现货、期货价格与均衡价格的偏离对于最小风险套期保值比率也有较为显著的影响。
就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，EC-GARCH得出的套期保值比率最小（0.0584），而OLS模型得出的套期保值比率最大（0.387258）；就旬数据而言，B-VAR模型得出的套期保值比率最小（0.454756），而EC-GARCH模型得出的套期保值比率最大（0.552500）；就双周数据而言，B-VAR模型得出的套期保值比率最小（0.615117），而EC-GARCH模型得出的套期保值比率最大（0.679041）；就四周数据而言，OLS模型得出的套期保值比率最小（0.792979），而EC-GARCH模型得出的套期保值比率最大（0.899724）；就八周数据而言，OLS模型得出的套期保值比率最小（0.569858），而ECHM模型得出的套期保值比率最大（0.810284）。
考察调整的R2，4个模型得出的周数据值都很小；旬数据的值其次；双周数据的值再次；四周数据的值是最大的，而八周数据的值再次缩小。这说明了周数据、旬数据、双周数据和四周数据模型效果较好，在没有考虑期货价格与现货价格之间协整关系的模型相比，B-VAR和ECHM模型所得到的调整的R2更优。
综上所述可以发现，在传统OLS模型和B-VAR模型中，我们计算出的套期保值比率较小。在加入误差修正系数以后，我们发现随着套期保值期限的延长，四周数据的最小风险套期保值比率达到最大。由于螺纹钢期货上市时间较短，因此，存在八周数据样本较小的缺陷，最小风险套期保值比率也随之减小。从调整来看，B-VAR模型、ECHM模型所得到的数据结果更优，其套期保值效果更好。
4.套期保值效果比较
表2-25是利用2009年3月～2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，ECHM和EC-GARCH模型下的套期保值效果最好，而OLS的套期保值效果较差。可以看出，套期保值效果与套期保值时间不存在绝对的正相关。
表2-25 样本内套期保值效果（百分比）比较
表2-26是利用2011年1～8月的样本区间外数据计算所得的套期保值效果指标。结果表明，EC-GARCH模型下的套期保值效果最好，而OLS和B-VAR的套期保值效果较差。在与样本内套期保值效果比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本外套期保值效果都明显优于样本内。
表2-26 样本外套期保值效果（百分比）比较
5.计量实证研究结论
研究发现，在误差修正模型中，现货价格和期货价格变动量的滞后变量以及误差修正项的回归系数都是统计显著的，而误差修正模型统计所得的调整的R2高于传统回归模型和双变量向量自回归模型的统计结果。可见，误差修正模型得到的最小风险套期保值比率明显优于传统回归模型得到的结果，而与双变量向量自相关模型相比也有一定的改善，而且随着套期保值期限的延长，最小风险套期保值比率也越大，尤其是进行长期套期保值策略。
对套期保值效果进行比较来看，相对于不进行套期保值，进行套期保值明显地降低了收益方差，能够有效地回避现货价格风险；一般情况下，对于同一种套期保值模型，随着套期保值时间长度的不断增加，套期保值效果也是明显提高；样本区间外的套期保值效果不论是从同一套期保值模型，还是从套期保值时间长短来看，都要明显优于样本内的套期保值效果；在样本外各种套期保值模型中，ECHM和EC-GARCH模型的套期保值效果优于OLS模型和B-VAR模型的套期保值效果。
上述结论说明，在利用上海期货交易所螺纹钢期货市场进行套期保值时，可以有效回避价格波动带来的风险。当然，在操作时应该充分考虑现货市场的价格与期货市场的价格协整关系对套期保值比率的影响，而不是仅仅采用简单套期保值策略。这对中国以钢材进行生产和经营的企业都有控制风险的重要作用，有利于这些行业参与上海期货交易所螺纹钢期货的套期保值。如果要想更好地提高套期保值效果，建议采用B-VAR模型来确定套期保值比率，再采用ECHM和EC-GARCH模型进行套期保值。
六 橡胶期货套期保值比率与效果研究
（一）样本数据
这里实证研究的橡胶期货价格数据和现货价格数据分别来自于上海期货交易所和马来西亚20#标胶现货价格。我们采集了橡胶的2007年1月～2011年8月共239个期货价格和现货价格的周数据，168个旬数据、119个双周和59个四周数据。并且在此选用了橡胶期货主力合约连续价格数据。为比较各种套期保值模型的套期保值效果，利用2007年1月～2010年12月的样本数据对套期保值比率进行估计（称为样本内数据）。利用2011年1～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬、双周和四周数据分别是204、144、102和51个；而样本外周、旬、双周和四周数据分别是35、24、17和8个。这里实证分析所用的软件均为Eviews5.0统计分析软件。
（二）橡胶期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列、期货价格序列及其一阶差分进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对橡胶的期、现货价格收益序列的ADF检验中，除双周数据外ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即橡胶期、现货价格收益序列是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-27反映了期货价格与现货价格的ADF检验结果。
表2-27 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为20.91939，大于1%临界值19.93711，期货价格与现货价格不存在协整关系的假设被拒绝，旬和四周数据的迹统计量分别为20.25903和26.24462，大于1%临界值19.93711，期货价格与现货价格不存在协整关系的假设被拒绝，但双周迹统计量为14.73460，略小于5%临界值15.49471；在协整向量个数至少为1的假设下，周、旬、双周和四周数据的迹统计量分别为0.210460、0.683210、0.957363和0.456611，小于5%临界值3.841466，说明期货价格与现货价格之间至少存在一个协整向量。综上所述，大豆期货与现货价格序列具有显著的协整关系。表2-28给出了与协整关系的Johansen检验。
表2-28 Johansen协整检验结果
3.模型统计结果
表2-29统计结果是在消除模型残差项自相关问题的基础上产生的，残差项自相关检验得出的最大滞后值是3～5[35]，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。
表2-29 不同套期保值模型下套期保值比率的计算结果
续表
从表2-29可以看出，就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，ECHM模型得出的套期保值比率最小（0.197943），而OLS模型得出的套期保值比率最大（0.2829）；就双周数据而言，ECHM模型得出的套期保值比率最小（0.424639），而EC-GARCH模型得出的套期保值比率最大（0.550779）；就四周数据而言，B-VAR模型得出的套期保值比率最小（0.721661），而EC-GARCH模型得出的套期保值比率最大（0.876206）；就旬数据而言，B-VAR模型得出的套期保值比率最小（0.644159），而OLS模型得出的套期保值比率最大（0.686519）。可以看出，考虑协整关系时需要更多的期货头寸来回避现货价格的反向变动。
考察调整的R2，4个模型得出的周数据的值都最小；双周数据的值其次；旬和四周数据的值是最大的，同时可以看出，与没有考虑期货价格与现货价格之间协整关系的模型相比，ECHM和B-VAR模型所得到的调整的R2更优。
4.套期保值效果比较
表2-30是利用2007年1月～2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，OLS和EC-GARCH模型下的套期保值效果最好，而ECHM的套期保值效果较差。可以看出，当不恰当的忽略现货价格和期货价格的协整关系时，所得出的最小风险套期保值比率效果会变得很差，另外，随着套期保值时间长度的增加，套期保值的效果在逐步提高。
表2-30 样本内套期保值效果（百分比）比较
表2-31是利用2011年1～8月的样本区间外数据计算所得的套期保值效果指标。结果表明，OLS和EC-GARCH模型下的套期保值效果最好，而ECHM和B-VAR的套期保值效果较差，同样，随着套期保值时间长度的增加，套期保值的效果在逐步提高。在与样本内套期保值效果比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本外套期保值效果都是明显优于样本内的。
表2-31 样本外套期保值效果（百分比）比较
七 聚乙烯期货套期保值比率与效果研究
（一）样本数据
这里实证研究的聚乙烯（LLDPE）期货价格数据和现货价格数据分别来自于大连商品交易所和山东齐鲁化工城线性价格。我们采集了LLDPE的2007年8月至2011年8月共210个期货价格和现货价格的周数据，146个旬数据、105个双周和52个四周数据。并且在此选用了主力合约连续的LLDPE期货价格数据。为比较各种套期保值模型的套期保值效果，利用从2007年8月至2011年8月的样本数据对套期保值比率进行估计（称为样本数据）。利用2011年1～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）。所以样本内周、旬和双周、四周数据分别是175、122、87和43个；而样本外周、旬、双周和四周数据分别是35、24、18和9个。这里实证分析所用的软件均为Eviews5.0统计分析软件。
（二）LLDPE期货合约套期保值效果实证分析
1.ADF检验
通过对现货价格序列（lnzst）、期货价格序列（lnwtt）及其一阶差分（Δlnzst、Δlnwtt）进行单位根检验，可以看到，在现货价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对Δlnzst和Δlnwtt的ADF检验中，ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即Δlnzst和Δlnwtt是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-32 反映了期货价格与现货价格的ADF检验结果。
表2-32 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为8.658809，小于5%临界值15.4971，因而不存在协整关系的假设没有被拒绝，旬、双周和四周数据的迹统计量分别为12.76225、9.084647和12.56799，小于5%临界值15.4971，同样存在协整关系的假设没有被拒绝；在协整向量个数至少为1的假设下，周、旬、双周数据的迹统计量分别为2.432933、3.372699和3.612622，小于5%临界值3.841466，说明期货与现货价格之间至少存在一个协整向量。综上所述，大连商品交易所LLDPE期货与现货价格序列不具有显著的协整关系。表2-33给出了与协整关系的Johansen检验结果。
表2-33 Johansen协整检验结果
3.模型统计结果
残差项自相关检验得出的最大滞后值是2，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。在消除模型残差项自相关问题的基础上，可以产生表2-34所列的不同套期保值模型下套期保值比率的计算结果。
表2-34 不同套期保值模型下套期保值比率的计算结果
续表
从表2-34可以看出，在ECHM和EC-GARCH中，误差修正项的系数都是统计显著的，表示上一期的均衡误差对下一期、现货价格的调整会有显著的影响。在B-VAR模型、ECHM模型中，现货价格和期货价格变动量的滞后变量回归系数也是统计显著的，表明短期内大连商品交易所LLDPE现货、期货价格与均衡价格的偏离对于最小风险套期保值比率也有显著的影响。
就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，ECHM得出的套期保值比率最小（0.053548），而OLS模型得出的套期保值比率最大（0.167126）；就旬数据而言，EC-GARCH模型得出的套期保值比率最小（0.635949），而B-VAR模型得出的套期保值比率最大（0.657598）；就双周数据而言，ECHM模型得出的套期保值比率最小（0.319596），而OLS模型得出的套期保值比率最大（0.459978）；就四周数据而言，ECHM模型得出的套期保值比率最小（0.558722），而B-VAR模型得出的套期保值比率最大（0.577090）。可以看出，考虑协整关系时需要更多的期货头寸来回避现货价格的反向变动。
考察调整的R2，4个模型得出的周数据的值都很小；双周数据的值其次；旬数据的值再次；四周数据的值是最大的。这说明了与没有考虑期货价格与现货价格之间协整关系的模型相比，并没有得出ECHM和EC-GARCH模型所得到的调整的R2更优的情况。
4.套期保值效果比较
表2-35是利用2008年7月～2010年12月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，OLS和EC-GARCH模型下的套期保值效果最好，而ECHM的套期保值效果较差。
表2-35 样本内套期保值效果（百分比）比较
表2-36是利用2011年1～8月的样本区间外数据计算所得的套期保值效果指标。结果表明，OLS和EC-GARCH模型下的套期保值效果最好，而ECHM的套期保值效果较差。在与样本内套期保值效果比较中，不论是从同一套期保值模型，还是从套期保值时间长短来看，样本内套期保值效果明显优于样本外的。
表2-36 样本外套期保值效果（百分比）比较
5.计量实证研究结论
研究发现，大连商品交易所的LLDPE期货合约价格与LLDPE现货价格在误差修正模型中，误差修正项的系数都是统计显著的，这表示上一期的均衡误差对下一期、现货价格的调整会有显著影响。
对套期保值效果进行比较来看，相对于不进行套期保值，进行套期保值明显降低了收益方差，能够有效地回避现货价格风险；样本区间内的套期保值效果不论是从同一套期保值模型，还是从套期保值时间长短来看，都要明显优于样本外的套期保值效果；在样本内各种套期保值模型中，OLS和EC-GARCH模型的套期保值效果优于B-VAR模型和ECHM模型的套期保值效果。
上述结论说明，在利用大连商品交易所LLDPE期货市场进行套期保值时，可以有效回避价格波动带来的风险。当然，在操作时应该充分考虑现货市场的价格与期货市场的价格协整关系对套期保值比率的影响，而不是仅仅采用简单套期保值策略。这对中国以LLDPE为原料进行生产和经营的企业都有控制风险的重要作用，有利于这些行业参与大连商品交易所LLDPE的套期保值。如果要想更好地提高套期保值效果，建议采用B-VAR模型来确定套期保值比率，再采用OLS和EC-GARCH模型进行套期保值。
八 股指期货套期保值比率与效果研究
（一）样本数据
这里实证研究的股指期货价格数据来自于中国金融期货交易所，股指期货标的指数沪深300指数数据来自于中证指数有限公司。我们采集了沪深300股指期货自2010年4月上市至2011年8月共337个期货价格和现货价格的日数据，72个周数据，50个旬数据和36个双周数据。并且在此选用了沪深300指数股指期货当月合约价格数据。为比较各种套期保值模型的套期保值效果，这里利用2010年4月～2011年3月的样本数据对套期保值比率进行估计（称为样本内数据）；而利用从2011年4～8月的样本数据，比较对应于各种不同套期保值比率的套期保值效果（称为样本外数据）；所以样本内周、双周数据分别是50个和25个；而样本外周、双周数据分别是22个和11个。
（二）股指期货合约套期保值效果实证分析
1.ADF检验
通过对现货指数价格序列（lnsit）、股指期货价格序列（lnsift）及其一阶差分（Δlnsit、Δlnsift）进行单位根检验，可以看到，在现货指数价格序列和期货价格序列的ADF检验中，ADF值的绝对值都小于5%临界值，不能拒绝单位根的零假设，因此期货价格和现货价格序列是非平稳的。而在对Δlnsit和Δlnsift的ADF检验中，ADF值的绝对值都大于5%临界值，单位根零假设被拒绝，即Δlnsit和Δlnsift是平稳时间序列。因此，现货价格序列和期货价格序列符合I（1）过程。表2-37反映了期货价格与现货价格的ADF检验结果。
表2-37 期货价格与现货价格的ADF检验
2.协整检验
在协整向量个数为0的假设下，周数据的迹统计量为29.77492，大于5%临界值15.49471，因而不存在协整关系的假设被拒绝，旬、双周数据的迹统计量分别为17.01848和29.54637，大于5%临界值15.49471，同样不存在协整关系的假设被拒绝；在协整向量个数至少为1的假设下，周、旬、双周数据的迹统计量分别为5.089071、3.861037和4.723850，大于5%临界值3.841466，说明期货与现货价格之间至少存在一个协整向量。综上所述，中国金融期货交易所股指期货与现货指数价格序列具有显著的协整关系。表2-38给出了与协整关系的Johansen检验结果。
表2-38 Johansen协整检验结果
3.模型统计结果
残差项自相关检验得出的最大滞后值是4，因为取该值后基本消除残差的自相关现象，使残差服从独立同分布。在消除模型残差项自相关问题的基础上，可以产生表2-39所列的不同套期保值模型下套期保值比率的计算结果。
表2-39 不同套期保值模型下套期保值比率的计算结果
从表2-39可以看出，在ECHM和EC-GARCH中，误差修正项的系数都是统计显著的，这表示上一期的均衡误差对下一期、现货价格的调整会有显著影响。在B-VAR模型、ECHM模型中，现货价格和期货价格变动量的滞后变量回归系数也是统计显著的，表明短期内中国金融期货交易所股指现货、期货价格与均衡价格的偏离对于最小风险套期保值比率也有显著影响。
就周数据而言，OLS模型、B-VAR模型、ECHM和EC-GARCH模型得出的最小风险套期保值比率中，OLS得出的套期保值比率最小（0.923816），而EC-GARCH模型得出的套期保值比率最大（0.962816）；就旬数据而言，B-VAR模型得出的套期保值比率最小（0.918003），而EC-GARCH模型得出的套期保值比率最大（0.940605）；就双周数据而言，OLS模型得出的套期保值比率最小（0.907740），而EC-GARCH模型得出的套期保值比率最大（0.936758）。可以看出，考虑协整关系时需要更多的期货头寸来回避现货价格的反向变动。
考察调整的R2，4个模型得出的周数据的值都较小；双周数据的值其次；旬数据的值最大。这说明了与没有考虑期货价格与现货价格之间协整关系的模型相比，ECHM和EC-GARCH模型所得到的调整的R2更优。
综上所述，可以发现，在传统OLS模型和B-VAR模型中，我们计算出的套期保值比率较小，主要是因为它们两个模型没有考虑期货价格与现货价格之间的协整关系，而在考虑了协整关系的ECHM和EC-GARCH模型中，EC-GARCH模型计算得出的最小风险套期保值比率更大，这也意味着采用动态套期保值是更加可靠的投资策略。同时，也发现总体看随着套期保值期限的延长，最小风险套期保值比率也越大，尤其是长期套期保值，因为得出的最小风险套期保值比率可以更有效地减少收益的波动。
4.套期保值效果比较
表2-40是利用2010年4月～2011年3月的样本区间内数据计算所得的套期保值效果指标。结果表明，进行套期保值相对于不进行套期保值风险降低的程度，总体来看4个模型套期保值的效果差异较小，且无明显规律。各模型差异较小且套期保值效果出众主要原因是股指期货市场与现货指数高度拟合。
表2-40 样本内套期保值效果（百分比）比较
表2-41是利用2011年4～8月的样本区间外数据计算所得的套期保值效果指标。结果表明，EC-GARCH模型下的套期保值效果更优，而OLS和B-VAR的套期保值效果相对较差，但差异较小。另外，随着套期保值时间长度的增加，套期保值的效果在逐步提高。在与样本内套期保值效果比较中，周和双周数据套期保值效果更好，而旬的数据则逊于样本内的情况。
表2-41 样本外套期保值效果（百分比）比较
5.计量实证研究结论
研究发现，中国金融期货交易所的股指期货合约价格与沪深300现货指数价格存在较显著的协整关系，忽略这种关系可能会使估计所得的最小风险套期保值比率偏小。在误差修正模型中，现货价格和期货价格变动量的滞后变量以及误差修正项的回归系数都是统计显著的，而误差修正模型统计所得的调整的R2高于传统回归模型和双变量向量自回归模型的统计结果，但差异较小。可见，误差修正模型得到的最小风险套期保值比率略优于传统回归模型得到的结果，而与双变量向量自相关模型相比也有一定改善，而且随着套期保值期限的延长，最小风险套期保值比率也越大，尤其是进行长期套期保值策略。
对套期保值效果进行比较来看，相对于不进行套期保值，进行套期保值明显降低了收益方差，能够有效地回避现货价格风险；对于同一种套期保值模型，随着套期保值时间长度的不断增加，套期保值效果也有所提高；样本区间外的套期保值效果不论是从同一套期保值模型，还是从套期保值时间长短来看，都要略优于样本内的套期保值效果；在样本外各种套期保值模型中，ECHM和EC-GARCH模型的套期保值效果优于OLS模型和B-VAR模型的套期保值效果。
上述结论说明，在利用中国金融期货交易所股指期货市场进行套期保值时，可以有效回避价格波动带来的风险。当然，在操作时应该充分考虑现货市场的价格与期货市场的价格协整关系对套期保值比率的影响，而不是仅仅采用简单套期保值策略。这对中国各类金融机构都有控制风险的重要作用，有利于金融机构参与中国金融期货交易所股指期货的套期保值。