Ｊ 第３Ｏ卷第４期 ２０１５年８月 洛阳理工学院学报（社会科学版） Ｊｏｕｒｎａｌ ｏｆ Ｌｕｏｙａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ（Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅ） Ｖ０Ｌ ３０ Ｎｏ．４ Ａｕ昏２０１５ 中英铜期货市场价格动态联动性研究 ——基于ＧＪＲ—ＤＣＣ—ＧＡＲＣＨ模型 席 爽 ，文忠桥 ，朱家明２ （１．安徽财经大学金融学院，安徽蚌埠２３３０００；２．安徽财经大学统计与应用数学学院，安徽蚌埠２３３０００） 摘要：以上海期货交易所和伦敦金属交易所（ＬＭＥ）铜期货为研究对象，使用ＥＶＩＥＷＳ ８．０和ＭＡＴＬＡＢ软件， 利用ＧＪＲ．ＤＣＣ—ＧＡＲＣＨ模型对沪铜期货市场和ＬＭＥ铜期货市场的动态联动性进行了实证研究。首先，采用 Ｇｒａｎｇｅｒ因果效应检验和脉冲响应分析；其次，对两市场分别建立ＧＪＲ—ＧＡＲＣＨ模型并采用极大似然估计方法计 算ＤＣＣ模型的参数值；最后，得到两国铜市场的动态相关系数图。结果表明：中英铜期货市场的动态联动现象 比较显著，两市场均存在非对称效应，中国铜期货市场为成熟市场且在全球铜期货定价方面具有话语权。 关键词：铜期货；ＧＪＲ—ＤＣＣ—ＧＡＲＣＨ模型；Ｇｒａｎｇｅｒ检验；脉冲响应分析 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４—５０３５．２０１５．０４．００５ 中图分类号：Ｆ２２４．０ 文献标识码：Ａ 文章编号：１６７４—５０３５（２０１５）０４—００２７一ｏ５ 随着世界经济贸易的进一步发展，国际市场间 价格的联动性趋势越来越明显。中国２０１４年铜消 费量居世界第一位，但中国铜资源较为稀缺，每年 过二元ＧＡＲＣＨ模型研究了中美的大豆、小麦和铜 期货商品价格的信息流动性，认为美国期货市场在 期货价格制定过程中起主导作用并通过国际间交易 需要大量进口铜矿。因此，中国铜价受到国际铜价 把期货价格信息传递给中国市场。徐有俊、王小霞 波动的影响较大。研究中国铜期货市场和国际铜期 货市场问的联动性，对于分析国际铜价变动对中国 铜价的传递以及中国在国际铜期货价格制订过程中 话语权的大小具有重要意义。此研究能够为中国制 等＿３ 利用ＤＣＣ．ＧＡＲＣＨ模型对中国股市和国际股市 的联动陛进行了研究，发现中国股市与亚洲新兴市 场的联动性要大于与国际发达市场间的联动性。笔 者以上海期货交易所和伦敦金属交易所（ＬＭＥ）铜 定期货市场、应对国际铜价变动风险提供决策 期货为研究对象，利用ＧＪＲ—ＤＣＣ—ＧＡＲＣＨ模型进行 参考。 中英铜期货市场间动态联动性的实证研究。本文的 国内外部分学者对金融市场间的相关关系进行 创新点在于将用于研究股票市场相关关系的ＤＣＣ・ 了研究，Ｌｉｎ和Ｔａｍｖａｋｉｓ＿ｌ 使用ＡＣＤ模型研究了美 ＧＡＲＣＨ模型应用于国际铜期货市场，并在构建模 国和英国原油期货市场价格间的相互关系，发现美 型时考虑了市场间存在的杠杆效应，使对两市场的 国原油市场在价格上有引导作用。Ｆｕｎｇ和Ｘｕ＿２ 通 动态联动性研究更充分和深入。 一收稿日期：２０１５—０６—２０ 、ＧＪＲ．ＤＣＣ—ＧＡＲＣＨ模型介绍 在证券市场中，许多金融资产对发生的冲击表 作者简介：席爽（１９９４一），女，安徽砀山人，主要从事金融 工程方面的研究． 文忠桥（１９６４一）男，湖南祁阳人教授，博士，主要从 现出一种非对称性 Ｊ，即市场中的“利空消息” 事金融工程方面的研究． 朱家明（１９７３一），男，安徽泗县人，副教授，主要从 比“利好消息”引起资产价格波动的幅度更大， 称为“杠杆效应”。ＧＪＲ—ＧＡＲＣＨ在构建模型时便 考虑了金融资产的非对称性。ＧＪＲ－ＧＡＲＣＨ的条件 事应用数学与数学建模方面的研究． 基金项目：国家自然科学基金资助项目（编号：１１３０１００１）． ２８ 洛阳理工学院学报（社会科学版） 第３Ｏ卷 方差方程为 ＝ ＋。 ２ １＋＇ ２一和筛选，共得到５５０个交易数据。为了使计价单位 ｌｄ １＋ 一１， 保持一致，使用国家外汇管理局提供的的英镑对人 民币的中间汇率，将ＬＭＥ铜期货收盘价转换成以 上式中，ｄ 是虚拟变量，当 一 ＜０时，ｄ ＝１， 当 一。＞０时，ｄｆ－１＝０。只要 ≠０，就存在杠杆 人民币为计价单位的数据。 效应。市场上升（ 一。＞０）和市场下跌 以ＨＣ表示沪铜期货价格序列，ＬＵ表示ＬＭＥ （ 一 ＜０）对条件方差有不同的影响，市场上升有 铜期货价格序列，将铜期货价格序列进行对数差分 一个 倍的冲击，而市场下跌则有一个Ｏｔ＋ 倍的 处理，得到相应的收益率序列。笔者用ＲＨＣ、ＲＬＵ 冲击。如果 ＞０，则杠杆效应使得波动加大，如 果 ＜０，杠杆效应使得波动减小。 ＤＣＣ—ＧＡＲＣＨ模型，即动态条件相关多变量 ＧＡＲＣＨ模型，是由Ｅｎｇｌｅ［５ 将常数条件相关模型 （ＣＣＣ）进行拓展得到的，使条件相关系数不再是 常数，而是一个时变系数，更加符合实际情况需 要。模型为： ／ｔ，＝Ｄ Ｑ，－ Ｄ ； ＝ＩＤｔ－ ｒＩ； Ｄ ＝ｄｉａｇ（￣／ ｌ１＇ ’。，￣／ ）； Ｑ ＝ｄｉａｇ（￣／ｇ ，…，￣／ｇ ），其中，Ｑ 服从 Ｑ ＝（１一ａ—ｂ）Ｑ＋ｃ 一１ 一１＋６Ｑ 一１。 Ｑ是关于 的ｎ Ｘ ｎ非条件方差矩阵，ａ和ｂ是 ＤＣＣ模型的系数，并且满足ａ＋ｂ＜１。上一期标准 化误差对动态相关系数的影响程度通过系数ａ的大 小来反映，相关系数的连续性通过系数ｂ来反映。 二、实证研究 （一）数据选取与处理 笔者选用２０１３年１月４日至２０１５年４月３０日 的收盘价数据。沪铜期货收盘价数据来源于上海期 货交易所，ＬＭＥ铜期货收盘价数据来源于新浪财 经。针对同一交易日不同期货合约收盘价格的不 同，笔者选用最临近交割月的期货合约收盘价作为 该月数据。由于中英期货交易所的部分交易日不 同，因此对两交易所不同交易日的数据进行了剔除 分别表示沪铜和ＬＭＥ铜期货的收益率序列。两市 场铜期货价格走势如图１所示。从图１中可以看出 两者走势大体相同。 Ｉ！！ ＝ ｌ 图１沪铜和ＬＭＥ铜期货价格走势图 （二）铜期货价格及收益率序列描述统计 沪铜期货价格和ＬＭＥ铜期货价格及其收益率 序列数据统计如表１所示。 表１数据描述统计 沪铜期货ＬＭＥ铜期货沪铜收益率ＬＭＥ铜收益率 从表１中的期货价格序列的标准差可以看出： 沪铜期货价格的波动性比ＬＭＥ铜期货要小，说明 沪铜价格更稳定。沪铜收益率序列呈现左偏分布， ＬＭＥ铜期货呈现右偏分布，两者峰度均高于正态 分布峰度值，存在“尖峰厚尾”的特征，不服从 正态分布。 第４期 席爽等：中英铜期货市场价格动态联动性研究——基于ＧＪＲ－ＤＣＣ－ＧＡＲＣＨ模型 ２９ （三）收益率序歹！Ｉ平稳・Ｉ生Ｉ蝴ＡＲＣＨ效应俭验 使用ＭＡＴＬＡＢ软件对其进行检验，Ｇｒａｎｇｅｒ因 果关系检验结果如表３所示。 表３ Ｇｒａｎｇｅｒ因果关系检验 滞后期因变量 原假设 Ｆ统计量Ｐ值 使用ＥＶＩＥＷＳ ８．０对ＲＨＣ和ＲＬＵ进行平稳性 检验，其结果如表２所示。 表２中英铜期货收益率序列的平稳性检验 沪铜收益率序列的ＡＤＦ统计量为一２３．９６１ ３９， Ｐ值为０，ＬＭＥ铜收益率序列的ＡＤＦ统计量为 一２３．８７３ １３，Ｐ值为０。结果表明：两者均为平稳 由表３可以看出：在滞后１、２、３阶的情况 下，均拒绝“ＲＬＵ不是ＲＨＣ的Ｇｒａｎｇｅｒ原因” 序列，不存在单位根。进行ＡＲＣＨ—ＬＭ检验后知， 两个收益率序列都存在明显的ＡＲＣＨ效应。因此， “ＲＨＣ不是ＲＬＵ的Ｇｒａｎｇｅｒ原因”的假设。因此， ｎｇｅｒ因果 可以使用ＧＪＲ—ＤＣＣ—ＧＡＲＣＨ模型来解释这种波动聚 认为沪铜和ＬＭＥ铜期货价格具有双向Ｇｒａ集现象。 关系，而不仅仅是前期的ＬＭＥ铜价格影响本期的 沪铜价格，两市场期货价格相互引导，相互影响。 这表明随着中国金融市场国际化程度的加深，中国 铜期货市场与国际市场存在共同变化趋势。 （四）中英铜期货市场间关系分析 为了更全面地分析中英铜期货收益率的动态联 动性，还需要对收益率序列进行脉冲响应分析和 Ｇｒａｎｇｅｒ因果效应检验。上海期货交易所和伦敦金 脉冲响应函数能够显示当对收益率序列施加来 自外部的冲击后系统产生的反应状况。首先对收益 率序列建立４阶向量自回归模型（ＶＡＲ），在此基 础上得到图２所示的脉冲响应函数。 属交易所是世界铜期货交易的两大市场，Ｇｒａｎｇｅｒ 因果效应检验能够解释哪个交易所价格在时间上更 有影响力和优势地位。 图２脉 中响应函数 ３０ 洛阳理工学院学报（社会科学版） 第３０卷 从图２（１）可以看出：沪铜对来自自身的冲 ０．０９８ ８ １ ｄｆ＿ｌ＋０．９４９ ６９３ｔｒ￣＿１， （２） 击反应十分明显，在第１天和第２天这种冲击对其 （１）， ＝０．１０６ ９中表明沪铜市场存在非对称性， 收益率影响最大，随后逐渐减弱，５天左右影响消 市场下跌时会带来０．０５１ ４４（一０．０５５ ４６＋ 失。从图２（２）可以看出：对沪铜市场施加来自 ０．１０６ ９）倍冲击，市场上升会带来一０．０５５ ４６倍 ＬＭＥ铜市场的冲击后，沪铜收益率在第２天反应最 冲击。同理，（２）中ＬＭＥ铜期货市场也存在非对 迅速，随后逐渐消失，第５天影响趋于０。图２ 称性，市场上升带来一０．０１５ ８３３倍冲击，市场下 （３）反应了沪铜市场冲击对ＬＭＥ铜市场收益率的 影响。图２（４）表示ＬＭＥ铜市场对来自自身冲击 的反应。总体来看，每个市场都对来自自身的冲击 反应最快，但不同市场持续时间长短不同，两个市 场对来自其他市场的冲击也有所反应且持续时间均 在５天左右。这也证实了Ｇｒａｎｇｅｒ因果检验得到的 两市场期货价格相互影响的结论。 （五）ＧＪＲ．ＤＣＣ－ＧＡＲＣＨ动态联动性分析 由所述的理论模型，使用ＧＪＲ—ＤＣＣ．ＧＡＲＣＨ模 型研究动态联动性：首先，需要构建两市场收益率 序列的单变量ＧＪＲ．ＧＡＲＣＨ模型；其次，计算标准 化误差，就是用ＧＡＲＣＨ过程得到的残差除以条件 方差；最后，使用极大似然估计方法用标准化误差 估计动态联动系数。 ＤＣＣ—ＧＡＲＣＨ的极大似然估计函数为 １ ｒ ＝一÷∑【ｎｌｎ（２，ｒｒ）＋２１ｎ ＩＤ ｌ＋ Ｌ＝ｌ ｒｌＤｊ『 ＤＪ－ ｒｆ一 ： ＋Ｉｎ Ｉ Ｉ＋６１Ｒ； ］， １ ｒ 其中，一寺∑【一ｔ＝ｌ ｎｌｏｇｌＲ ｌ＋ ：Ｒ 占一占：占】为似然函 数的动态相关部分。 使用ＭＡＴＬＡＢ软件计算两市场基于ＧＪＲ— ＧＡＲＣＨ的条件方差方程为 沪铜期货收益率条件方差方程 ＝１．２０ｅ 一６—０．０５５ ４６ｇ，Ｌ１＋ ０．１０６ １ｄｆ＿１＋０．９８４ ８４ｃｒ￣一１， （１） ＬＭＥ铜期货收益率条件方差方程 ２ ＝１．７６２ ０ｅ 一６一ｏ＿０１５ ８３３／ｘ￣＿１＋ 跌带来０．０８３ ０１７（一０．０１５８ ３３＋０．０９８ ８５）倍冲 击。这种杠杆性使得“利好消息”和“利空消息” 给铜期货市场带来不同程度的影响。一般成熟市 场，如ＬＭＥ铜期货市场，会存在杠杆效应，沪铜 市场的杠杆效应表明中国铜期货市场发展迅速，成 为较成熟的市场。 使用极大似然估计方法对ＤＣＣ模型进行估计， 结果如表４所示。 表４ ＤＣＣ模型估计结果 由表４知，系数０＝０．０１０ １７７，表明近期市场 收益率的波动对动态系数改变程度较小。 ｂ＝０．９５８ ８２６，数值十分接近于１，表明中英铜期货 市场之间存在的动态联动性会持续很长一段时间。 综上所述，中英铜期货市场间的动态联动现象 显著。 随着时间的变化，两铜期货市场的联动性也会 随之波动，图３是两市场的动态联动系数图。 第４期 席爽等：中英铜期货市场价格动态联动性研究——基于ＧＪＲ—ＤＣＣ—ＧＡＲＣＨ模型 ３１ 从图３可以看出：动态联动系数具有一定的时 风险管理。由于与国际市场显著的联动关系，我国 变性，但总体上两市场的联动性保持较高水平，均 铜价易受到国际铜价波动的影响。因此，应制 值在０．４３附近，２０１５年动态系数的波动比２０１３年 定更加完善的铜期货市场来防范国际铜价风险 波动小，说明两市场的动态联动性趋于平稳。 对我国的传递，不断巩固和加强我国在世界铜定价 方面的话语权。 四、结语 笔者将用于研究股票市场相关性的ＤＣＣ— 参考文献： ＧＡＲＣＨ模型引人铜期货市场，并考虑了铜期货市 场对冲击的杠杆效应，通过构建ＧＪＲ—ＤＣＣ—ＧＡＲＣＨ 模型研究中英铜期货市场的动态联动性。结果表 明：沪铜和ＬＭＥ铜期货市场对于冲击均存在非对 称性，市场对利空消息的反应更加强烈。中英铜期 ［１］Ｓｈａｒｏｎ Ｘｉａｏｗｅｎ Ｌｉｎ，Ｍｉｃｈａｅｌ Ｎ Ｔａｍｖａｋｉｓ．Ｅｆｆｅｃｔｓ ｏｆ ＮＹ－ ＭＥＸ Ｔｒａｄｉｎｇ ｏｎ ＩＰＥ Ｂｒｅｎｔ Ｃｒｕｄｅ Ｆｕｔｕｒｅｓ Ｍａｒｋｅｔｓ，ａ Ｄｕｒａ－ ｔｉｏｎ Ａｎａｌｙｓｉｓ［Ｊ］．Ｅｎｅｒｇｙ Ｐｏｌｉｃｙ，２００４，（１）． ［２］Ｆｕｎｇ Ｈ Ｇ，Ｌｅｕｎｇ．Ｗ Ｋ，Ｘｕ Ｘ Ｅ．Ｉｎｆｏｒｍａｔｉｏｎ Ｆｌｏｗｓ ｂｅ— ｔｗｅｅｎ ｔｈｅ ＵＳ ａｎｄ Ｃｈｉｎａ Ｃｏｍｍｏｄｉｔｙ Ｆｕｔｕｒｅｓ Ｔｒａｄｉｎｇ［Ｊ］． Ｒｅｖｉｅｗ ｏｆ Ｑｕａｎｔｉｔａｔｉｖｅ Ｆｉｎａｎｃｅ ａｎｄ Ａｃｃｏｕｎｔｉｎｇｓ，２００８，（１）． 货市场间存在双向Ｇｒａｎｇｅ因果关系，两交易所价 格相互引导，相互影响，而不仅仅是前期的ＬＭＥ 铜价格引导沪铜的价格，进一步说明了中国在国际 ［３］徐有俊，王小霞，贾金金．我国股市与国际股市联动性分 析［Ｊ］．经济经纬，２０１０，（５）． ［４］高铁梅．计量经济分析方法与建模：ＥＶｉｅｗｓ应用及实 例［Ｍ］．北京：清华大学出版社，２００９． ［５］Ｅｎｇｌｅ Ｒ Ｆ．Ｄｙｎａｍｉｃ Ｃｏｎｄｉｔｉｏｎａｌ Ｃｏｒｒｅｌａｔｉｏｎ：Ａ Ｓｉｍｐｌｅ Ｃｌａｓｓ ｏｆ Ｍｕｌｔｉｖａｒｉａｔｅ Ｇｅｎｅｒａｌｉｚｅｄ Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ Ｃｏｎｄｉｔｉｏｎａｌ 铜市场拥有定价权。通过ＤＣＣ模型参数可以发现 中英铜期货市场间的动态联动现象显著。 我国涉铜企业应充分利用中英铜期货市场间动 态联动性的信息来预测未来铜市场发展动向，进而 组织生产和经营活动，并通过套期保值等操作进行 Ｈｅｔｅｒｏｓｋｅｄａｓｔｉｃｉｔｙ Ｍｏｄｅｌｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｂｕｓｉｎｅｓｓ＆Ｅ—ＣＯ－ ｎｏｍｉｃ Ｓｔａｔｉｓｔｉｃｓ，２００２，（２０）． Ｓｔｕｄｙ ｏｆ Ｐｒｉｃｅ Ｄｙｎａｍｉｃ Ｌｉｎｋａｇｅ ｏｆ Ｃｏｐｐｅｒ Ｆｕｔｕｒｅｓ Ｍａｒｋｅｔ ｏｆ Ｃｈｉｎａ ａｎｄ Ｂｒｉｔａｉｎ —Ｂａｓｅｄ ｏｎ ＧＪＲ．ＤＣＣ．ＧＡＲＣＨ Ｍｏｄｅｌ ＸＩ Ｓｈｕａｎｇ ，ＷＥＮ Ｚｈｏｎｇ—ｑｉａｏ ，ＺＨＵ Ｊｉａ—ｍｉｎｇ （１．Ｓｃｈｏｏｌ ｏｆ Ｆｉｎａｎｃｅ，Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｉｎａｎｃｅ＆Ｅｃｏｎｏｍｉｃｓ，Ｂｅｎｇｂｕ ２３３０００，Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ ｏｆ Ｓｔａｔｉｓｔｉｃｓ ａｎｄ Ａｐｐｌｉｅｄ Ｍａｔｈｅｍａｔｉｃｓ，Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｉｎａｎｃｅ＆Ｅｃｏｎｏｍｉｃｓ，Ｂｅｎｇｂｕ ２３３０００，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔａｋｉｎｇ ｔｈｅ Ｓｈａｎｇｈａｉ Ｆｕｔｕｒｅｓ Ｅｘｃｈａｎｇｅ ａｎｄ ｔｈｅ Ｃｏｐｐｅｒ Ｆｕｔｕｒｅｓ ｏｆ ｔｈｅ Ｌｏｎｄｏｎ Ｍｅｔａｌ Ｅｘｃｈａｎｇｅ（ＬＭＥ）ａｓ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｂｊｅｃｔｓ，ｕｓｉｎｇ ＥＶＩＥＷＳ８．０ ａｎｄ ＭＡＴＬＡＢ ｓｏｆｔｗａｒｅ ａｎｄ ａｐｐｌｙｉｎｇ ｔｈｅ ＧＪＲ—ＤＣＣ－ＧＡＲＣＨ Ｍｏｄｅｌ，ｔｈｉｓ ｐａｐｅｒ ｃｏｎｄｕｃｔｅｄ ａｎ ｅｍｐｉｉｒｃａｌ ｒｅｓｅａｒｃｈ ｉｎｔｏ ｔｈｅ ｄｙｎａｍｉｃ ｌｉｎｋａｇｅ ｂｅｔｗｅｅｎ ｔｈｅ ｃｏｐｐｅｒ ｆｕｔｕｒｅｓ ｍａｒｋｅｔ ｏｆ ＳＨＦＥ ａｎｄ ｔｈａｔ ｏｆ ｔｈｅ ＬＭＥ．Ｔｈｅ ｓｔｅｐｓ ｗｅｒｅ ｔａｋｅｎ ａｓ ｆｏｌｌｏｗｓ：Ｆｉｒｓｔｌｙ，ｕｓｉｎｇ Ｇｒａｎｇｅｒ ｃａｕｓａｌｉｔｙ ｔｅｓｔ ａｎｄ ｉｍｐｕｌｓｅ ｒｅｓｐｏｎｓｅ ａｎａｌｙ－ ｓｉｓ ｅｆｆｅｃｔ；ｔｈｅｎ，ｅｓｔａｂｌｉｓｈｉｎｇ ｒｅｓｐｅｃｔｉｖｅｌｙ ｔｈｅ ＧＪＲ－ＧＡＲＣＨ ｍｏｄｅｌ ｆｏｒ ｅａｃｈ ｏｆ ｔｈｅ ｔｗｏ ｍａｒｋｅｔｓ ｔｏ ｃａｌｃｕｌａｔｅ ｔｈｅ ＤＣＣ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒ ｖａｌｕｅｓ ｂｙ ｗａｙ ｏｆ ｕｓｉｎｇ ｔｈｅ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｅｓｔｉｍａｔｉｏｎ ｍｅｔｈｏｄ；ｆｉｎａｌｌｙ，ｄｅｒｉｖｉｎｇ ａ ｃｏｅｆｉｃｉｅｎｔｆ ｃｈａｒｔ ｏｆ ｔｈｅ ｃｏｐｐｅｒ ｍａｒｋｅｔ ｄｙｎａｍｉｃ ｃｏｒｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｔｈｅ ｔｗｏ ｃｏｕｎｔｉｅｓ．Ｔｈｅ ｒｅｓｕｈｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｄｙｎａｍｉｃ ｒｌｉｎｋａｇｅ ｐｈｅｎｏｍｅｎａ ｉｎ ｔｈｅ ｃｏｐｐｅｒ ｆｕｔｕｒｅｓ ｍａｒｋｅｔ ｂｅｔｗｅｅｎ ｔｈｅ ｔｗｏ ｃｏｕｎｔｒｉｅｓ ａｒｅ ｐｒｏｍｉｎｅｎｔ，ａｎｄ ｂｏｔｈ ｏｆ ｔｈｅ ｍａｒｋｅｔｓ ｈａｖｅ ｒｅｍａｉｎｅｄ ｓｏｍｅ ａｓｙｍｍｅｔｒｉｃ ｅｆｆｅｃｔ，ｗｈｅｒｅ ｔｈｅ Ｃｈｉｎｅｓｅ ｃｏｐｐｅｒ ｆｕｔｕｒｅｓ ｍａｒｋｅｔ ｉｓ ａ ｍａｔｕｒｅ ｍａｒｋｅｔ ａｎｄ ｈａｓ ａ ｄｉｓ— ｃｕｒｓｉｖｅ ｐｏｗｅｒ ｉｎ ｐｒｉｃｅ ｄｅｃｉｓｉｏｎ ｆｏｒ ｔｈｅ ｇｌｏｂａｌ ｃｏｐｐｅｒ ｆｕｔｕｒｅｓ． Ｋｅｙ ｗｏｒｄｓ：ｃｏｐｐｅｒ ｆｕｔｕｒｅｓ；ＧＪＲ—ＤＣＣ－ＧＡＲＣＨ ｍｏｄｅｌ；Ｇｒａｎｇｅｒ ｔｅｓｔ；ｉｍｐｕｌｓｅ ｒｅｓｐｏｎｓｅ ａｎａｌｙｓｉｓ （责任编辑杨耕文）
