金融工程期末论文：沪深300指数期货简单避险策略的实证检验(共16页)

1、沪深300指数期货简单避险策略(cl)的实证检验摘 要：本文(bnwn)利用沪深300股指( zh)期货和沪深300指数现货2014.5.21到2014.11.20共125日的日收盘数据，采用天真套保策略、OLS套保策略、单元GARCH模型套保策略，计算最优套保比率，并将这三种套保策略的套期保值效果进行比较分析。本文选择收益方差最小化作为评价套期保值模型绩效的指标，实证结果表明基于单元GARCH模型计算的套期保值比率的绩效最优。关键词：股指期货，最优套期保值率，平稳性检验，套保绩效评价Abstract：This paper calculated hedge ratios based on Na

2、ive strategy, OLS method and GARCH model, by using the data of Shanghai-Shenzhen 300 Index futures and index spots. Compared the efficiency of hedging of Naive strategy, OLS method and GARCH method. This paper choose income-variance minimization as the evaluation indexes of the performance of hedgin

3、g model. The empirical results indicate that under GARCH method, the performance of hedging is optimal. Key Words：CSI300 stock index futures, optional hedge ratio, cointegration test, performance evaluation一、引言股票指数期货（简称股指期货），是金融市场上最重要的风险管理工具之一。自1982年美国堪萨斯交易所推出第一只股指期货以来，股指期货已成为金融衍生市场上交易最活跃、流动性最高的产品之一

4、。我国金融市场起步较晚，在上海证券交易所和深圳证券交易所成立之初，中国股市常常出现暴涨暴跌，这使得投资者对风险控制提出了更高的要求。1993年3月10日，海南证券交易中心率先进行股指期货交易的尝试，但由于法律体制的不完善，以及国内金融市场尚处于起步阶段，这只股指期货的交易在同年9月被叫停。2010年4月16日，沪深300股指期货正式上线运营，标志着我国期货市场的发展迈入一个新的高度。在2007年10月，上证指数一度攀升至6124.04点的高位，沪深两市总市值超过28万亿元。但在2008年，随着国际金融危机爆发,以及我国证券市场巨额再融资及大小非解禁等不利因素的出现，上证指数一路下滑,最低降至1

5、664.93点，下跌幅度超过了70%。而同期,作为金融危机的发源地的美国,其股市的下跌幅度远小于我国的情况。我国股市存在的系统性风险较高、价格波动剧烈的特点此时充分显现出来。2008年次贷危机以来，我国股市长期低迷，大多数中小投资者选择了较为保守的贵金属市场和房地产市场进行投资，以待行情回暖。但是，由于资金的大量涌入，泡沫在贵金属市场和房地产市场大量堆积。2013年初，国际黄金市场出现异常波动，贵金属现货和期货价格大幅下跌，使得投资者丧失了市场信心。而房地产市场则出现价格一路上扬的问题，使得中小投资者不敢轻易进行投资。长期以来，贵金属和房地产作为较好的保值工具而受到投资者的青睐，而这次黄金市场

6、动荡，使得投资者急于寻找另一类保值工具进行风险管理。股指期货能够帮助投资者有效规避和转移风险，促进证券市场健康稳定发展，因而成为当下投资者和学术界关注的焦点之一。股指期货的交易成本较小，而且具有很高的杠杆效应，在国外发达资本市场中吸引了大量投资者参与交易。有理由相信在我国股指期货会有良好的发展。国外很多学者对股指期货套期保值问题(wnt)进行了研究，但其研究的期货合约的类别以及相应的市场情况与我国的国情有所差别，研究的结论未必适合我国的情况。国内的学者进行套期保值相关问题研究时，使用的数据为恒生指数期货合约(hyu)的交易数据或沪深300股指( zh)期货仿真交易的数据，利用这些数据研究所得的

7、结论指导实践时或许会有所偏差。在实务中，投资者进行套期保值时，套期保值比率的确定是一个重要问题，一个有效地套期保值比率可以使投资者规避较大比例的风险。本文根据沪深300指数期货和沪深300指数现货20140521-20141120共6个月125日的日收盘数据，利用国外成熟的模型对套期保值问题进行分析。估算出各模型下的最优套期保值比率，并对各模型的套期保值效果进行比较。试图从中选取适合我国市场状况的计算套期保值比率的模型。进而为投资者，特别是机构投资者的套期保值操作提供建议。二、文献综述所谓套期保值，是指投资者为了规避现货市场资产价格的波动带来的风险，从而通过股指期货合约来对冲风险。套期保值功能

8、是股指期货最为重要的功能之一，在资产组合管理中有着广泛的运用，而最优套期保值比率的确定则成为国内外学者研究的焦点，他们在不同时期和不同角度下提出不同的观点。（一）国外相关研究概述套期保值比率的计算最早由Ederington(1979)提出，他在投资者持有投资组合的方差最小的情况下得出最佳套保比率。对于最佳套保比率的研究，由于风险度量方法和效用函数选择的不一样，研究者提出了许多模型并进行了大量的实证研究。对期货市场最佳套期保值比例的研究可分为两大类，一类是从组合收益风险最小化的角度，研究最小风险套期保值比率(risk-minimizinghedgeratios)。风险最小化模型主要以JSE方法、

9、Adler-DumaS方法、GARCH模型为代表。Johnson(1960)提出了OLS模型，其基本思想是将期货与现货价格的差分进行线性回归以达到最小平方拟合。OLS模型是一种简洁实用的模型，但是因为其并没有考虑到金融时间序列的协整效应，存在“伪回归”的问题。为了克服OLS模型的缺陷，学者们发展出了ECM模型，ECM模型考虑了期现价格之间的协整关系，揭示了期现价格的长期均衡。OLS和ECM模型假定方差为常数，没有考虑到方差实际上具有的时变性，因而OLS和ECM模型都是静态的套期保值模型。BollerSlev(1986)提出了GARCH模型，GARCH模型考虑了金融时间序列的动态波动特征，因而可

10、以得出动态的最优套期保值比率。此后研究对套期保值比率大都使用GARCH模型来估计时变的套期保值比率。在马可维茨投资(tu z)组合理论的基础上，Ederington(1979)提出了通过(tnggu)最小二乘法(OLS)进行(jnxng)线性回归，从而确定套期保值比率，这也是目前应用最广泛的确定套期保值比率的方法。Engle在1982年首先提出了ARCH模型，之后Bollerslev(1986)将其推广得到了GARCH模型，对解决金融时间序列数据的异方差性起到了突破性的作用。Lien(1996)将GARCG模型运用于最优套期保值比率的计算，最先得出了动态的套期保值比。这样，一方面能很好地解决套

11、期保值比动态预测问题，另一方面由于GARCH模型能将波动率聚集效应和时变方差效应考虑在预测过程中，于是提高了预测的准确性。（二）国内相关研究概述国内研究，云天铨(2001)通过建立股指期货价格的一阶差分方程，发现股指期货价格与时间呈现对数圆形关系。杜承栎(2007)指出期货价格和现货价格之间非线性相关，采用时变的Copula连接函数来建立模型进而估算出了多元GARCH模型下的最优套期保值比率。李路苗、梁朝晖(2010)认为，就套期保值策略的投资者来看还是以机构投资者为主。比如跟踪上证50、上证180和沪深300等指数的ETF和LOF基金。这些投资机构的标的资产与沪深300指数的相关性较好，运用

12、沪深300股指期货的套期保值效果也会比较理想。而对于一些采取积极配置和具有偏向性的投资者来说，套期保值策略的重点在于考察自由资产组合和股指期货的相关性。这些投资者的资产组合和标的指数可能存在偏差，在确定投资策略和计算最优套保比率时，要进行个性化的调整。王闯(2010)使用沪深300股指期货仿真交易数据和上证180ETF交易数据作为现货资产组合，应用OLS、VAR、VECM、GARCH模型估计套期保值率进行实证研究。得到的最优套期保值率来看，OLS模型估计的套期保值率能更大程度的降低资产组合的风险。此外，GARCH模型比OLS模型能够更好的捕捉残差序列的异方差性。当市场波动性不同时，应当选择不同

13、的模型来估计套期保值率。比如，市场波动性大时，则应该利用GARCH模型来估计套期保值率，以适应不断变化的市场；市场稳定时，则可以选取OLS等模型来估计套期保值率，同时也避免了频繁的交易，降低了交易成本。邱骁洸、孙英隽(2010)认为，选择哪个合约进行套期保值沪深300股指期货合约月份包括当月、下月和随后两个季月，因此在套期保值过程中有一个合约选择的问题。选择合约首先应该遵循月份相同或相近的原则。当然，市场上不存在与现货完全一致的期货合约，因此基差风险总是存在的。其次还要考虑期货合约的成交活跃度，如果按第一个原则所选合约为成交十分清淡的远月合约，虽然基差风险较小，但存在较大的流动性风险，其成交量

14、可能无法满足保值的要求，从而导致套期保值失败。（三）相关文献(wnxin)评述从以上对的研究综述(zngsh)中可以看到，目前对该问题的研究取得的成果有：现阶段沪深300股指期货与现货市场(shchng)的走势相关性强，有实施套期保值的良好基础，在衡量套期保值效果时采用GRACH模型提高了预测的准确性。这些研究成果表明了我国学者已经开始直面沪深300带来的挑战以及凸显的问题。但是，我们也必需注意到，许多观点是建立在一些西方经济学理论基础之上的，但这些西方经济学理论一般都有较为严格的条件限制，是西方学者考察研究美国，日本，英国，澳大利亚和香港等国家和地区的股指期货市场，这些市场发展历史已久，金融

15、制度和监督管理措施完善，是发达的成熟市场，而我国推出的金融期货品种只有沪深300股指期货，许多学者的实证研究数据取决于其仿真交易阶段，并不完全符合，得出的结论只是一种理论探讨。这就大大减小了其实用性。另外，对套期保值率的测度，由于风险度量的方法和效用函数选择的不一致，研究者提出的模型众多，如果缺乏个性化的调整，难免出现偏差。三、研究方法本文选用沪深300股指期货与股指现货从2014年5月到2014年11月共6个月的数据来进行套期保值，主要应用天真套保策略、OLS模型以及garch模型来进行套期保值比率的估计，并在风险最小的条件下对三个策略的套保绩效进行比较。（一）套期保值比率计算方法11. 天

16、真套保策略简介传统套期保值理论现在被称为“天真”套期保值理论，是指投资者在期货交易中建立一个与现货交易方向相反、数量相等的交易部位。由于在某一特定的社会经济系统内，商品的期货价格和现货价格受大体相同的因素影响，两种价格的走势基本一致，所以在这两个市场上操作相反，则盈亏相反，这样就可以用一个市场的利润来弥补另一个市场的亏损。因为天真套保只需要在期货市场上建立与现货市场数量(shling)相等、方向相反的交易头寸，所以，此时的套期保值比率固定为1。2. 简单回归(hugu)模型（OLS模型(mxng)）介绍在金融学中，我们一般都用方差来度量风险的大小，最优套期保值比率就是使得组合收益方差最小化的期

17、货头寸和现货头寸的比率。简单回归模型（OLS）是最早应用于对套期保值比率进行估计的模型，Johnson在1960年提出了OLS套期保值模型，而Ederington在风险最小的假设条件下，使用OLS模型估计了美国国债期货对现货的套期保值率，得到的结论是套期保值率总是小于1，而且采用OLS模型得到的套期保值率来进行套期保值比采用数量相等的期货为现货套期保值的避险效果更好，所以，传统的套期保值理论也因此受到了挑战。但是，用OLS模型进行套期保值率估计必须要满足几个条件，即残差序列无自相关性、同方差、正态分布，如果不满足，则估计的值可能是无效的。OLS套保策略来估计套保比率的过程是如下的：首先构建期货

18、和现货之间两个价格变量的一个线性关系的回归方程，然后对这个回归方程中的斜率项系数用OLS进行估计，这个斜率项系数的估计值就是我们所要估计的最小方差下得到的套期保值比率。由于金融资产价格时间序列并非平稳序列，所以用期货和现货的对数收益率来进行回归，回归方程如下： （1）其中,Rst表示t时刻现货价格的对数收益率，Rft表示t时刻期货价格的对数收益率，t是随机误差项，是回归方程的斜率，即最优套期保值比率： （2）3. 广义回归条件异方差模型（GARCH）2介绍由于采用普通最小二乘模型进行的套保是在残差序列的方差不发生变化即一个常数的假定前提下进行，没有考虑到在套保期间市场运行中会发生诸多的变化，因

19、而有时不能取得良好的套保效果。于是自回归条件异方差模型（ARCH）由Engle在1982 年提出，该模型使用现阶段所有可获取的信息，通过自回归方式来反映方差的变化，较好地描述了金融时间序列波动性聚类的特点，但由于它存在滞后期过长，即条件方差依赖与很多以前变量的现象，在某种程度上降低了估计的准确性。于是Bollerlev拓展了Engle的研究，于1986年提出了广义自回归条件异方差模型(GARCH)。GARCH模型是金融时间序列的分析中最常用的模型之一，由于其具有良好的预测性和较为准确的风险(fngxin)测度，因而被业界普遍接受。高阶GARCH模型可以通过(tnggu)选择大于1的p或q得到(

20、d do)估计，记作GARCH（p，q）。其方差表示为： （3）其中：p是GARCH项的阶数，q是ARCH项的阶数。本文采用较为常用的单元 GARCH（1,1）模型： （4） （5）式（4）中为t 时刻现货市场的价格，为t 时刻期货市场的价格，为截距项，为随机误差项，为最优套期保值比率。式（5）中给出了常数项，用均值方程的残差平方的滞后来度量从前期得到的波动性的信息(ARCH项)及上一期的预测方差 (GARCH项）。GARCH（1,1）模型中的（1,1）是指阶数为 1 的自回归项，GARCH 项和阶数为1的移动平均项（ARCH 项）。在Eviews中GARCH 模型是在误差服从条件正态分布的假

21、定下通过极大似然函数方法估计的，那么GARCH(1,1)模型在 t 时刻的对数似然贡献为： （6）其中：GARCH（1,1）模型的这种设定通常可以在金融领域得到解释。可以通过建立长期均值的加权平均（常数），上期的预期方差（GARCH 项）和在以前各期中观测到的关于变动性的信息（ARCH 项）来预测本期的方差。（二）套期保值绩效模型介绍套期保值可以为套期保值者规避由于现货价格波动所带来的风险，对于不同的模型来说，所计算出来的最优套期保值比率又不尽相同，所以要针对于不同模型得到的估计结果要进行效果评价，也就是套期保值绩效分析，然后给套期保值者提出一个相对最优的套期保值方案。从对套保绩效的研究来看，

22、大部分文献都从两个方面来进行的：一是在风险最小化情况下去研究套保对收益率波动性的影响；另外一个就是在风险收益的整体框架(kun ji)下去研究套保风险的减小与收益的增加的影响，从而比较出套保绩效的高低。在本文中，我们选择用风险最小化模型来进行(jnxng)研究。Ederington(1979)首先给出了套保绩效在风险最小化的条件下的估计方法，他认为，在风险最小化条件下的评估方法的指标主要反映的是在进行套期保值的情况下，和相对于不进行套期保值的情况下，投资组合(zh)风险的下降程度。这个方法表示指标值的数值越高则意味着该情况下的套期保值效果越好。该套期保值绩效衡量模型公式为： （7）在该衡量套期

23、保值绩效的模型中：进行套期保值前投资组合收益率的方差为： （8）进行套期保值后投资组合的收益率方差为： （9）四、实证研究分析及结果解释（一）数据基本分析1. 基差分析图1是2014年5月21日到2014年11月20日之间沪深300指数现货与期货的走势，从图中可以清晰地看出，沪深300指数现货与期货的走势基本上趋于一致，它们之间保持了良好的相关性，符合进行套期保值的要求，但是现货与期货之间还是存在着差异的，即我们所说的基差3。图2则是沪深300指数现货与期货的基差走势，从图2中可以非常直观地看出两者之间的差异波动情况，说明两者之间还是存在着一定的基差风险。图1 股指( zh)现货价格和股指期货

24、价格走势图图2 基差走势图2. 描述性统计分析沪深300指数(zhsh)现货与沪深300指数(zhsh)期货收益率序列的描述性统计见表1：表1 Rst、Rft序列的统计特征序列平均值标准差最大值最小值偏度峰度J-B统计量Rst0.0013890.0085390.027654-0.0200210.3200373.4039822.959965Rft0.0015020.0091670.027031-0.0216130.6146563.4174708.708347从表1中可知(k zh)，沪深300指数现货和指数期货的对数收益率序列的标准差和均值都是相近的，说明两者的收益风险(fngxin)比较接近。

25、从偏度、峰度来看，两组序列分布均表现为右偏和尖峰厚尾。从J-B统计(tngj)量看，取显著性水平为0.05时，沪深300指数现货的对数收益率序列服从正态分布，沪深300指数期货的对数收益率不服从正态分布。3. 平稳性检验和协整检验时间序列的平稳性是说时间序列的统计规律在时间的推移过程中不会发生变化。如果这一随机过程是非平稳时，此时的均值以及方差函数就不会再是一个常数了，从而自协方差的函数也不只是t-s这个时间间隔的函数，这样一个变量对另外其他变量进行的回归就很可能导致“伪回归”的结果发生，存在“伪回归”时，即使回归结果显示变量之间有着非常高的相关性，但是很可能他们之间根本就没有线性关系。从经验

26、来看，一般情况下，经济及金融时间数据都是非平稳的时间序列，但是这些数据的一阶差分形式得到的却是平稳的时间序列数据。因此，本文应用EViews软件，采用单位根检验方法，对沪深300指数现货及指数期货的时间序列数据进行平稳性检验，检验结果如表2所示： 表2 沪深300指数现货及指数期货时间序列的平稳性检验结果变量ADF值1%显著性水平5%显著性水平10%显著性水平是否平稳lnFt1.818788-2.583744-1.943427-1.615011否lnSt1.806136-2.583744-1.943427-1.615011否DlnFt-11.55523-2.583898-1.943449-1.

27、614997是DlnSt-10.67928-2.583898-1.943449-1.614997是从上表所列的检验结果可以看出，在1%、5%、10%三个显著性水平下，单位根检验的临界值分别为-2.583744、-1.943427、-1.615011，lnFt和lnSt的t检验统计量值分别为1.818788、1.806136，均大于了相应的临界值，从而不能拒绝原假设H0，也就是说沪深300指数现货和期货价格数据的对数形式都存在单位根，他们是非平稳序列。DlnFt和DlnSt的t检验统计量分别为-11.55523、-10.67928，而相应的1%、5%、10%三个显著性水平下的单位根检验的临界值分

28、别为-2.583898、-1.943449、-1.614997，两个序列的t检验统计值均小于临界值，因此就应该拒绝原假设H0，也就是说沪深300指数现货和指数期货的对数形式的一阶差分序列不存在单位根，他们是平稳序列。由检验结果可以(ky)知道，lnFt和lnSt序列是非(shfi)平稳的，而他们的一阶差分序列都是平稳的，因此满足协整检验的前提，继续进行简单的协整回归，对回归后的残差做单位根检验，结果见表3。表3 lnFt、lnSt序列(xli)回归后残差的ADF检验结果变量ADF值1%显著性水平5%显著性水平10%显著性水平是否平稳残差序列-5.718016-2.583744-1.943427

29、-1.615011是从表3数据可知，残差序列不存在单位根，是平稳的，因此lnFt、lnSt存在协整关系。4. ARCH检验利用软件EViews7.2对沪深300指数期货和沪深300指数现货2014052120141120共6个月125日的日收盘数据建立GARCH（1,1）模型之前需要检验时间序列的残差是否具有ARCH效应。如果回归系数中至少有一个显著不为0，即该时间序列存在ARCH效应，利用拉格朗日乘数检验（LM检验）检验结果结果如表4所示。表4 时间序列ARCH检验的结果Heteroskerdasticity Test ARCHF-statistic3.113652Prob.F(5,114)

30、0.0113Obs*R-squared14.41859Prob.Chi-Square(5)0.0132VariableCoefficientStd.Errort-StatisticProbC48.6696813.121253.7092250.0003RESID2(-1)0.3512520.0934313.7594640.0003RESID2(-2)-0.0233480.099062- 0.2356920.8141RESID2(-3)-0.0261440.098939- 0.2642380.7921RESID2(-4)0.0381400.0987320.3862990.7000RESID2(-5

31、)-0.0511600.093359- 0.5479850.5848由表4可知,F和LM统计量所对应的概率较小,表明模型残差序列存在ARCH效应。（二）、套保比率实证结果分析1. 天真套保策略的套保比率因为天真套保只需要在期货市场上建立与现货市场数量相等、方向相反的交易头寸，所以，此时的套期保值比率固定为1。2. 简单回归模型（OLS模型）实证结果分析利用软件EViews7.2对沪深300指数期货和沪深300指数现货2014.05.21-2014.11.20共125日的日收盘数据建立OLS模型估计结果如表5所示:表5 OLS模型估计结果Dependent Variable: RSTMethod

32、: Least SquaresDate: 12/22/14 Time: 10:31Sample: 1 124Included observations: 124VariableCoefficientStd. Errort-StatisticProb.C0.0000760.0002690.2811960.7790RFT0.8742560.02909330.050740.0000R-squared0.880981Mean dependent var0.001389Adjusted R-squared0.880005S.D. dependent var0.008539S.E. of regressi

33、on0.002958Akaike info criterion-8.792733Sum squared resid0.001067Schwarz criterion-8.747245Log likelihood547.1495Hannan-Quinn criter.-8.774255F-statistic903.0469Durbin-Watson stat2.341275Prob(F-statistic)0.000000因此，我们可以得到(d do)如下的回归结果： = 0.000076 + 0.874256Rft T (0.281196) (30.05074) P (0.7790) (0.0

34、000) R2 = 0.880981 F = 903.0469从上述(shngsh)方程的回归结果我们可以看出，该回归方程整体上是非常显著的，并且该方程解释变量系数的t统计(tngj)量显著，其p值为0，该方程的拟合优度为0.880981，拟合程度较好，因此，该模型基本上是可以认可的。通过简单回归模型（OLS模型）估计的以日为套期保值期限的套期保值比率为0.874256，该结果表明以日为套期保值期时每对冲一单位的沪深300指数现货头寸就需要用0.874256单位相反的指数期货头寸。3. 广义回归条件异方差模型（GARCH）实证结果分析对GARCH(1,1)模型估计结果如表所示:表6 GARCH

35、（1，1）模型估计最优套保比率的结果Dependent Variable:DLNXMethod:ML-ARCH(Marquardt)-Normal distributionDate:12/10/14Time:20:57Sample(adjusted):5/23/2014 11/20/2014Include observations:123 after adjustmentsConvergence achieved after 6 iterationsPresample variance:backcast(parameter=0.7)GARCH=C(3)+C(4)*RESID(-1)2+C(5)

36、*GARCH(-1)VariableCoefficientStd.Errorz-StatisticProbC0.073073 0.00541713.490220.0000LNY(-1)0.9906850.0007151384.9730.0000Variance EquationC3.18E-061.90E-061.6771050.0935RESID(-1)2-0.0883440.037013-2.3868550.0170GARCH(-1)1.0501410.05245320.020750.0000R-squared0.980138Mean dependent var7.750554Adjust

37、ed R-squared0.979975S.D.dependent var0.060573S.E.of regression0.008572Akaike info criterion-6.732217Sum squared resid0.008964Schwarz criterion-6.618496Log likelihood422.3975Hannan-Quinn criter-6.686021Durbin-Waston stat1.965677根据(gnj)表6中的输出结果(ji gu)，可以得到如下回归方程：均值(jn zh)方程：=0.992103GARCH=2.53E-05+0.0

38、87708*RESID(-1)2+0.610684*GARCH(-1) 为了检验GARCH（1,1）模型是否消除了残差序列的 ARCH 效应，还需要进行 ARCH 检验。首先进行 ARCH LM检验，检验结果如下表所示： 表7 ARCH LM检验输出结果Heteroskedasticity Test ARCHF-stastic0.806989Prob.F(5,113)0.5470Obs*R-squared4.102695Prob.Chi-Square(5)0.5347通过表7的输出结果，我们得知：在滞后5阶的情况下，P值分别为0.5470、0.5347，接受残差序列不存在ARCH效用的原假设。

39、再进行残差平方相关图检验，得到的结果如下： 图3 残差平方相关图检验(jinyn)结果通过观察图3，我们(w men)发现AC,PAC系数(xsh)都很靠近0，而且Q统计量不显著，P 值都较大，说明接受原假设，即残差序列不存在条件异方差性。从这两个检验结果可以看出，ARCH 效应被 GARCH（1,1）模型消除了。R-squared（拟合优度）越接近1，说明套期保值的效果越好，利用套期保值操作来规避风险的程度越高。表6广义回归条件异方差模型结果表明运用GARCH（1,1）模型计算得到的最优套期保值比率为0.966173，得到回归拟合优度=0.980138即是套期保值的效果。这也说明沪深300指数期货进行套期保值可以有效地规避沪深300指数现货的系统性风险。（三）不同模型套期保值的绩效分析运用上面所列的公式，对三种(sn zhn)不同模型所估计的套期保值比率的绩效分析结果统计如表8所示：表8 三种模型套期保值绩效分析(fnx)结果模型套期保值绩效天真套保0.846503107OLS模型0.866771687Garch模型0.855539496从表8中不同模型中的绩效比较结果中我们(w men)可以看出，完全套期保值即天真套保模型的绩效