DOI: https://doi.org/10.1186/s40854-025-00804-w
تاريخ النشر: 2026-01-19
المؤلف: ZhengHui Li وآخرون
الموضوع الرئيسي: ديناميات السوق والتقلبات
نظرة عامة
تستكشف هذه الورقة البحثية ديناميات مؤشر العقود الآجلة للسلع في الصين (CFI) من 25 يونيو 2004 إلى 31 يناير 2023، باستخدام سلسلة ماركوف المخفية عالية الرتبة لقياس تدفقات المعلومات الكلية الكامنة. تكشف النتائج أن CFI يعمل تحت أنظمة تقلبات عالية ومنخفضة متميزة، حيث يتميز نظام التقلبات العالية بتقلبات سعرية أكبر وقفزات أكثر تكرارًا، مما يشير إلى التأثير الكبير للمعلومات المخفية على العرض والطلب على المدى القصير. بالإضافة إلى ذلك، تسلط الدراسة الضوء على أن قطاعات السلع المختلفة تظهر آليات توليد بيانات غير متجانسة، حيث تكون أسواق الصناعة والمعادن والطاقة أكثر استجابة للصدمات مقارنة بسوق الزراعة. ومن الجدير بالذكر أن تدفقات المعلومات الكلية المقدرة تعمل كمؤشرات رائدة للمتغيرات الكلية الرئيسية.
تؤكد الخاتمة على تداعيات هذه النتائج للمستثمرين والمنظمين. وتقترح أن على المعنيين مراقبة تقلبات سوق السلع خلال الأزمات وتعديل استراتيجياتهم وفقًا لذلك. يُشجع صانعو السياسات على استخدام إطار النمذجة المقترح لمراقبة تدفقات المعلومات المخفية في الوقت الحقيقي للتخفيف من تقلبات أسعار العقود الآجلة. علاوة على ذلك، تؤكد الأبحاث على الحاجة إلى إدارة مخاطر مستهدفة في القطاعات الأكثر حساسية مثل الصناعة والمعادن والطاقة. يعترف المؤلفون بالقيود، بما في ذلك نقص التحليل متعدد المتغيرات لعلاقات المؤشرات واستبعاد تدفقات المعلومات الجزئية، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتناول هذه الجوانب لتعميق الفهم لديناميات سوق السلع.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على التوسع السريع لسوق العقود الآجلة للسلع في الصين، الذي تجاوز حجم تداول قدره 560 تريليون يوان بحلول عام 2023، مما جعله عنصرًا حيويًا في النظام المالي للبلاد. يتطلب هذا النمو فهم كفاءة التسعير لاستقرار الأسواق الفورية وتخصيص الموارد بشكل فعال. يؤكد المؤلفون على أهمية تحليل آليات توليد البيانات في العقود الآجلة للسلع لتوقع اتجاهات السوق وإدارة المخاطر، مشيرين إلى دراسات مختلفة تقوم بنمذجة ديناميات الأسعار وتأثير المحركات الأساسية.
استنادًا إلى الأدبيات الموجودة، يقترح المؤلفون نهجًا جديدًا يجمع بين عملية أورنشتاين-أوهلبك (OU) مع مكون قفز للتحقيق في سوق السلع في الصين. يجادلون بأن دمج العودة إلى المتوسط أمر ضروري بسبب طبيعة تقلبات أسعار السلع، التي غالبًا ما تعود إلى المتوسطات طويلة الأجل بعد صدمات الطلب. تقدم الدراسة سلسلة ماركوف المخفية عالية الرتبة (HOHMC) لقياس تدفقات المعلومات الكلية الكامنة، مما يكشف أن هذه التدفقات تؤثر بشكل كبير على سلوك السوق عبر أنظمة تقلبات مختلفة. تشير النتائج إلى أن سوق السلع يظهر خصائص تغيير نظام متباينة، حيث تشهد قطاعات الصناعة والزراعة والطاقة تحولات أكثر تكرارًا مقارنة بقطاع المعادن. كما يقترح المؤلفون إجراءً تكيفيًا لمعالجة البيانات في الوقت الحقيقي، مما يعزز أداء النموذج ويوفر مؤشر تحذير جديد عبر الإنترنت لمراقبة السوق. بشكل عام، تسهم الورقة في فهم آليات توليد البيانات في العقود الآجلة للسلع وتقدم رؤى حول استجابات القطاعات للصدمات الخارجية.
طرق البحث
في هذا القسم، يحدد المؤلفون منهجيتهم، التي تشمل ثلاثة مكونات رئيسية. أولاً، يوضحون عملية اختيار العينة المستخدمة في الدراسة، مما يضمن أن تكون البيانات تمثيلية وذات صلة بأهداف البحث. ثانيًا، يقدمون عملية عشوائية هجينة مصممة لنمذجة عوائد السلع، مع دمج خاصيتين حيويتين: العودة إلى المتوسط وحدوث القفزات. يسمح هذا النهج بفهم أكثر دقة للديناميات التي تؤثر على أسعار السلع. أخيرًا، يقدم المؤلفون استخدام المرشحات التكرارية لتتبع مسارات الأنظمة بشكل فعال ضمن العينة المختارة، مما يسهل تحليل التحولات في ظروف السوق بمرور الوقت.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تقديرهم المتغير بمرور الوقت المطبق على مؤشر السلع في الصين، باستخدام مرشح تم تهيئته مع أول 40 ملاحظة وتحسين الاحتمالية من خلال دالة R، constrOptim. تكشف التحليلات عن عدم استقرار كبير في المعاملات المقدرة بمرور الوقت، متأثرة بشكل خاص بالأحداث الاقتصادية الكبرى. ومن الجدير بالذكر أن المتوسط الطويل الأجل لأسعار السلع، الممثل بـ $\mu$، يظهر تباينًا كبيرًا خلال هذه الحلقات، حيث تتوافق فترات التقلب العالية مع زيادة القفزات السعرية، مما يبرز تأثير صدمات الطلب والعرض.
تشير النتائج إلى ملفات تعريف متميزة لحالتين من السوق: الحالة 1 تظهر ملف تعريف “متوسط منخفض-تباين منخفض” مع معاملات ذاتية الانحدار أقل وتقلبات أقل، بينما الحالة 2 تعرض ملف تعريف “متوسط مرتفع-تباين مرتفع”، متسقة مع زيادة عدم اليقين خلال فترات الركود الاقتصادي. بالإضافة إلى ذلك، في الحالة 2، يتجاوز الانحراف المعياري لعملية القفز، $s_\beta$، الانحراف المعياري لعملية الانتشار، $\sigma$، مما يشير إلى كفاءة السوق حيث يستوعب المستثمرون المعلومات الجديدة بسرعة. يتقلب مستوى كفاءة السوق، $\phi_k$، بمرور الوقت، مبتعدًا عن الواحد خلال مراحل الفقاعة واقترب من الواحد خلال مراحل الذعر، متماشيًا مع فرضية السوق التكيفية. أخيرًا، تشير تطورات مصفوفة احتمالية الانتقال $P$ إلى استقرار تدفقات المعلومات الكلية المخفية بعد عام 2007، مما يشير إلى نمط ثابت في تطور سوق السلع.
المناقشة
تؤكد قسم المناقشة في الورقة البحثية على الدور الحاسم لتدفقات المعلومات في أسواق السلع في الصين، خاصة في سياق الركود الاقتصادي وتأثيرها على عمليات توليد البيانات. تبرز الأدبيات أن فهم هذه الآليات أمر حيوي للمستثمرين والمنظمين وتوقعات الاقتصاد الكلي. ركزت الدراسات الحالية بشكل أساسي على ديناميات الأسعار القابلة للملاحظة باستخدام نماذج عشوائية، بما في ذلك عمليات أورنشتاين-أوهلبك (OU) ونماذج القفز-الانتشار، لالتقاط العودة إلى المتوسط وتقلب الأسعار. ومع ذلك، انتقلت الأبحاث الحديثة نحو التعرف على تأثير عوامل اقتصادية كلية وجزئية متنوعة، مثل الدورات الاقتصادية العالمية والتمويل، على سلوك السوق.
تقترح الورقة نهجًا مبتكرًا لقياس تدفقات المعلومات الكلية الكامنة باستخدام نموذج ماركوف المخفي عالي الرتبة (HOHMM)، الذي يسمح بالتقاط ديناميات الأنظمة في أسعار السلع. يعالج هذا الأسلوب الفجوات في الأدبيات المتعلقة بعمليات توليد البيانات المحددة في الصين وقياس تدفقات المعلومات الضمنية. تكشف التحليلات التجريبية أن النموذج المدمج المقترح، الذي يدمج عملية OU، ومكونات القفز، وHOHMM، يلتقط بشكل فعال ديناميات مؤشرات السلع في الصين من يونيو 2004 إلى يناير 2023. تشير النتائج إلى تباين كبير عبر أسواق السلع المختلفة، حيث تظهر مؤشرات الصناعة والمعادن والطاقة تقلبات أكبر مقارنة بمؤشر الزراعة الأكثر استقرارًا، مما يعكس الخصائص الفريدة للاقتصاد الصيني المدفوع بالتصنيع والاستهلاك.
DOI: https://doi.org/10.1186/s40854-025-00804-w
Publication Date: 2026-01-19
Author(s): ZhengHui Li et al.
Primary Topic: Market Dynamics and Volatility
Overview
This research paper investigates the dynamics of China’s Commodity Futures Index (CFI) from June 25, 2004, to January 31, 2023, using a high-order hidden Markov chain to quantify latent macroeconomic information flows. The findings reveal that the CFI operates under distinct high and low volatility regimes, with the high-volatility regime characterized by larger price swings and more frequent jumps, indicating the significant influence of hidden information on short-term supply and demand. Additionally, the study highlights that different commodity sectors exhibit heterogeneous data-generation mechanisms, with the industry, metal, and energy markets being more responsive to shocks compared to the agriculture market. Notably, the estimated macroeconomic information flows act as leading indicators for key macroeconomic variables.
The conclusion emphasizes the implications of these findings for investors and regulators. It suggests that stakeholders should monitor commodity market volatility during crises and adjust their strategies accordingly. Policymakers are encouraged to utilize the proposed modeling framework for real-time monitoring of hidden information flows to mitigate futures-price volatility. Furthermore, the research underscores the need for targeted risk management in the more sensitive industry, metal, and energy sectors. The authors acknowledge limitations, including the lack of a multivariate analysis of inter-index relationships and the exclusion of microeconomic information flows, suggesting that future research should address these aspects to deepen the understanding of commodity market dynamics.
Introduction
The introduction of the research paper highlights the rapid expansion of China’s commodity futures market, which surpassed a trading volume of 560 trillion yuan by 2023, establishing itself as a crucial element of the country’s financial system. This growth necessitates an understanding of pricing efficiency to stabilize spot markets and effectively allocate resources. The authors emphasize the importance of analyzing data-generation mechanisms in commodity futures to anticipate market trends and manage risks, referencing various studies that model price dynamics and the impact of fundamental drivers.
Building on existing literature, the authors propose a novel approach that combines an Ornstein-Uhlenbeck (OU) process with a jump component to investigate China’s commodity market. They argue that incorporating mean reversion is essential due to the nature of commodity price fluctuations, which often revert to long-run means following demand shocks. The study introduces a high-order hidden Markov chain (HOHMC) to quantify latent macroeconomic information flows, revealing that these flows significantly influence market behavior across different volatility regimes. The findings suggest that the commodity market exhibits varying regime-switching characteristics, with the Industry, Agriculture, and Energy sectors experiencing more frequent shifts compared to the Metal sector. The authors also propose an adaptive procedure for real-time data processing, enhancing model performance and providing a new online warning indicator for market surveillance. Overall, the paper contributes to the understanding of commodity futures data-generation mechanisms and offers insights into sector-specific responses to external shocks.
Methods
In this section, the authors outline their methodology, which encompasses three key components. First, they detail the sample selection process utilized for the study, ensuring that the data is representative and relevant to the research objectives. Second, they introduce a hybrid stochastic process designed to model commodity returns, incorporating two critical characteristics: mean reversion and the occurrence of jumps. This approach allows for a more nuanced understanding of the dynamics influencing commodity prices. Finally, the authors present the use of recursive filters to effectively track regime paths within the selected sample, facilitating the analysis of shifts in market conditions over time.
Results
In this section, the authors present the results of their time-varying estimation applied to China’s Commodity Index, utilizing a filter initialized with the first 40 observations and optimizing the likelihood through the R function, constrOptim. The analysis reveals significant instability in estimated coefficients over time, particularly influenced by major economic events. Notably, the long-run mean of commodity prices, denoted as $\mu$, shows considerable variation during these episodes, with high volatility periods correlating with increased price jumps, highlighting the impact of demand and supply shocks.
The findings indicate distinct profiles for two states of the market: State 1 exhibits a “low mean-low variance” profile with lower autoregressive coefficients and volatility, while State 2 displays a “high mean-high variance” profile, consistent with heightened uncertainty during economic downturns. Additionally, in State 2, the jump-process standard deviation, $s_\beta$, surpasses the diffusion-process standard deviation, $\sigma$, suggesting market efficiency as investors quickly assimilate new information. The degree of market efficiency, $\phi_k$, fluctuates over time, deviating from one during bubble phases and approaching one during panic phases, aligning with the Adaptive Market Hypothesis. Finally, the evolution of the transition probability matrix $P$ indicates stabilization of hidden macroeconomic information flows post-2007, suggesting a consistent pattern in the commodity market’s development.
Discussion
The discussion section of the research paper emphasizes the critical role of information flows in China’s commodity markets, particularly in the context of economic downturns and their influence on data-generation processes. The literature highlights that understanding these mechanisms is vital for investors, regulators, and macroeconomic forecasting. Existing studies have primarily focused on observable price dynamics using stochastic models, including Ornstein-Uhlenbeck (OU) processes and jump-diffusion models, to capture mean reversion and price volatility. However, recent research has shifted towards recognizing the impact of various macroeconomic and microeconomic factors, such as global business cycles and financialization, on market behavior.
The paper proposes an innovative approach to measure latent macroeconomic information flows using a higher-order hidden Markov model (HOHMM), which allows for capturing regime dynamics in commodity prices. This method addresses gaps in the literature regarding China’s specific data-generation processes and the quantification of implicit information flows. The empirical analysis reveals that the proposed fusion model, which integrates the OU process, jump components, and HOHMM, effectively captures the dynamics of China’s commodity indices from June 2004 to January 2023. The findings indicate significant heterogeneity across different commodity markets, with the industry, metal, and energy indices exhibiting greater volatility compared to the more stable agriculture index, reflecting the unique characteristics of China’s economy driven by manufacturing and consumption.