一、引言
《联合国气候变化框架公约》（UNFCCC）第三次
缔约国大会于 1997 年 12 月通过了以实现量化减排
指标为标志的联合国气候变化框架公约 《京都议定
书》， 规定工业化国家 （附件 I 国家） 在 2008 年至
2012 年间将温室气体排放量在 1990 年的排放水平
上平均削减 %。 为了有效实现减排标准，《京都议
定书 》 引入了三种合作机制 ， 即联合履约 （Joint
Implementation，简称 JI）、排放贸易（Emission Trade，
简称 ET） 和清洁发展机制 （Clean Development
Mechanism，简称 CDM），其中清洁发展机制（CDM）
是针对工业化国家和发展中国家之间的合作所设计
的合作机制， 其核心内容是工业化国家通过提供资
金和技术的方式与发展中国家进行合作， 将项目所
产生的温室气体核证减排量 （Certification Emission
Reductions，简称 CERs）用于完成在《京都协议书》中
的减排承诺[1]。 CDM被看作是一种双赢机制，一方面
工业化国家可以降低其在国内实现减排义务所需的
高额费用，另一方面发展中国家可以通过实施 CDM
项目获得额外资金和先进技术， 有助于实现自身的
可持续发展。
CDM项目所产生的 CERs大多通过签订远期合
约进行交易， 许多情况下在项目开发准备阶段就签
订 CERs交易合同，此时产生的 CERs 即一级 CERs。
CERs 一级市场十分复杂、流动性差，而且对外界是
不透明的，主要表现在不同类型的 CDM 项目所具有
的风险属性不同，并且买卖双方分担的风险不同，所
以一级 CERs 价格可能会有很大的差异 [2]。 另外，由
于 CDM 项目的特定风险，使得一级 CERs 的定价问
题难以找到明确和统一的标准。
二级市场上的 CERs 交易是指远期合同签订后
而 CERs尚未产出时又发生的交易，或者在 CERs 已
由联合国执行理事会（Executive Board，简称 EB）签
发后又发生的交易。 世界银行的统计数据显示，自
2004 年起，全球以二氧化碳排放权为标的的交易总
额从最初的不到 10 亿美元增长到 2007 年的 600 亿
美元，四年时间增长了 60 倍。 交易量也由 亿吨
迅速攀升至 27亿吨[3]。 作为全球碳市场第二大组成
部分的 CDM市场也在迅速发展。据碳点公司（Point
Carbon）统计，2006 年 CDM 市场交易量为 亿吨
CO2，交易总额为 39亿欧元。2007年增加到 亿
吨 CO2 和 120 亿欧元 ， 增长速度分别为 68%和
200%[4]。 欧洲、美国等发达国家已经形成了碳排放交
易中心，并出现了相应的金融衍生产品。碳排放交易
中心的出现促进了碳排放交易的发展， 为碳排放交
易提供了更为透明的信息披露渠道， 更重要的是发
达国家由此掌握了碳排放交易价格的话语权[5]。另据
碳点公司发布的《CDM 及 JI 追踪》显示，2008 年初
时工业化国家在收购一级 CERs 的价格维持在 7-14
欧元之间，但进入欧美的交易所后包装成 2008 年到
2012年到期的 CERs期货合约， 价格升至 13-19 欧
元，由此可见 CERs 交易市场的盈利空间巨大 [4]。 目
前，芝加哥气候交易所、北欧电力交易所、欧洲气候
交易所都陆续推出了 CERs 期货合约， 其中欧洲气
候交易所在 2008 年 3 月 14 日推出 CERs 期货合约
核证减排量现货市场与期货市场的价格发现
戚婷婷， 鲁炜
（中国科学技术大学 管理学院， 合肥 230026）
摘 要：作为全球碳市场第二大组成部分的 CDM市场正在迅速发展。由于 CERs 交易市场仍是新兴的碳排放权交易
市场，目前尚未发现对该资产现货市场和期货市场的价格发现的相关研究。 使用向量误差修正模型和公共因子模型
对 CERs 现货市场和期货市场的价格发现功能进行了分析，并使用脉冲响应函数和方差分解对公共因子模型的实证
结果进行了验证。 研究结果表明：CERs 现货价格和期货价格之间存在长期稳定的均衡关系，期货价格是现货价格的
Granger原因，并且目前数据表明 CERs 现货市场的价格发现功能较弱,而期货市场的价格发现功能较强，即期货市场
在价格发现中起主导作用。
关键词： 核证减排量（CERs）；价格发现；向量误差修正模型；公共因子模型
中图分类号： 文献标识码： A 文章编号： 1009-3370（2009）06-0071-07
收稿日期： 2009-06-22
作者简介： 戚婷婷 （1985—）， 女， 管理科学与工程硕士。 E-mail： tt7@； 鲁炜 （1957—）， 男， 副教授。
第 11 卷第 6 期 北 京 理 工 大 学 学 报 （社 会 科 学 版 ）
2009 年 12 月 JOURNAL OF BEIJING INSTITUTE OF TECHNOLOGY （SOCIAL SCIENCES EDITION）
71- -
后，仅一个月交易量就高达 1600万吨 CO2。 此外，加
拿大、 新加坡和东京也先后建立了二氧化碳排放权
的交易机制。
二、价格发现的文献综述
到目前为止, 关于价格发现的实证研究成果很
多， 大多集中在对同一资产在不同交易所上市的证
券， 或是对于同一资产的现货价格和其衍生产品价
格的价格发现研究。 普遍采用的研究方法是通过各
市场的领先滞后关系（lead-lag relationship）来研究
它们的价格发现问题。 但是由于领先滞后关系无法
将各市场对价格发现的贡献进行量化， 故学者们提
出了两种公共因子模型 ： 永久短暂 （Permanent
Transitory，简写为 PT）模型和信息份额（Information
Share，简写为 IS）模型，来量化不同市场对价格发现
的贡献。 Gronzala和 Granger（1995）[6]所提出的 PT模
型在误差修正模型的基础上， 把价格的变化划分为
永久冲击和短暂冲击， 通过永久冲击的误差修正模
型来研究每个市场对公共因子的贡献。 Hasbrouck
（1995）[7]提出的 IS 模型按照公共因子的信息对新息
方差进行定义，他提出的 IS 模型测量了每个市场的
信息对公共因子方差的贡献， 并把这种贡献的大小
定义为价格发现的大小。
国外学者使用 PT 模型和 IS 模型来研究现货市
场与期货市场，以及不同期货市场对于同一标的物的
价格发现功能的文献较多。 Harries等（1995）[8]在误差
修正模型的基础上， 利用 IBM股票交易数据分析了
纽约证券交易所、太平洋证券交易所和中西证券交易
所的价格发现功能。 G. Geoffrey Booth 等（1999）[9]采
用 DAX指数证券的日度交易数据， 基于 PT 模型和
IS模型研究了德国的股票指数、 股指期货和股指期
权之间的价格发现功能。 Frank de Jong（2002）[10]分
析了 PT 模型和 IS 模型对价格发现的贡献， 结论表
明这两种方法联系紧密， 但是只有信息份额模型考
虑了每个市场价格中信息的波动性 。 Richard T.
Baillie 等（2002）[11]在进行 PT 模型和 IS 模型的对比
研究中发现，如果市场之间存在显著的相关性，那么
使用这两个模型将得到不同的结果。 Eva Benz 和
Jordis Klar（2008）[12]采用协整检验和误差向量模型，
并在此基础上使用 PT 模型和 IS 模型对欧洲二氧化
碳期货市场的价格发现功能进行了分析。
国内使用此类方法对价格发现的研究相对较
少。 肖辉等（2004）[13]利用公共因子模型计算了伦敦
金属交易所（LME）和上海期货交易所（SHFE）的期
铜对价格的长记忆成分。 王群勇、张晓峒（2005）[14]利
用 IS 模型研究了原油期货市场对原油价格的价格
发现功能。 李帅、熊熊等（2007）[15]利用 PT 模型和 IS
模型分析了上证指数与 H 股指数、H 股指数期货之
间的价格发现机制。方毅（2008）[16]利用 PT模型和 IS
模型分析了国内外期铜市场对隐含有效价格的贡献
度。
由于核证减排量（CERs）交易市场仍是新兴的
碳排放权交易市场， 目前尚未发现对该资产现货市
场和期货市场的价格发现功能的相关研究。 本文借
助已有的方法论， 在协整检验和向量误差修正模型
的基础上， 利用 PT 模型和 IS 模型对 CERs 现货市
场和期货市场的价格发现功能进行了进一步分析。
三、研究方法与数据来源
1. 向量误差修正 (Vector Error Correction,
VEC)模型
向量误差修正模型可以从长期和短期两个方面
来刻画现货价格和期货价格之间的动态关系。 设 St，
Ft 分别表示 CERs 现货市场和期货市场的价格，如
果 Yt=（St，Ft）′存在一阶协整关系，根据格兰杰定理，
Yt=（St，Ft）′可以表示为如下向量误差修正模型的形
式：
ΔYt=μ+
K
k = 1
ΣΓkΔYt-k+αβ′Yt-1+εt （1）
其中，μ和 α是（2×1）阶常数向量，Γk是（2×2）维
矩阵，K 是滞后阶数，β 是（2×1）阶协整向量，这里假
设 β＝（1，-1）′，εt＝（εSt，εFt）′是均值为零的 2×1 阶误
差列向量,其协方差矩阵为
Ω＝
σ
2
S ρσSσF
ρσSσF σ
2
S
Σ
Σ
Σ
Σ
Σ
Σ
ΣΣ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
ΣΣ
Σ
，σ
2
S ，σ
2
F分别为 εSt，εFt的方
差，ρ为相关系数。
为表述方便,将以向量描述的 VEC模型（1）变换
为如下方程组的形式:
ΔSt=μSt+
K
k = 1
Στ11,kΔSt-k+
K
k = 1
Στ12,kΔFt-k+αS（St-1-Ft-1）+εSt （2）
ΔFt=μFt+
K
k = 1
Στ21,kΔSt-k+
K
k = 1
Στ22,kΔFt-k+αF（St-1-Ft-1）+εFt （3）
其中，αS 和 αF 为误差修正系数，（St-1-Ft-1）为误
差修正项，τij，k为短期调整系数，k 为滞后阶数，εSt和
εFt为残差项。VEC模型的优点在于可以从长期和短
期两方面来刻画现货价格和期货价格之间的动态关
系。从长期来看，误差修正系数的正负和大小描述了
当系统偏离长期均衡状态时， 现货价格和期货价格
的调整方向和调整速度，即如果系数 αS（或 αF）的
绝对值较小,那么现货价格（或期货价格）回到均衡
状态的速度较慢， 而主要通过期货价格 （或现货价
北 京 理 工 大 学 学 报 （社 会 科 学 版 ） 2009 年 第 6 期
72- -
格）的调整来回到均衡状态。另外根据误差修正模型
的推导原理可知， 误差修正机制应该是一个负反馈
过程，因此从理论上讲 αS 应当为负值，而 αF 应当
为正值。 从短期来看，如果式（2）中的 ΔFt-k的系数显
著不全为零，则说明 FtGranger 引导 St，即期货价格
领先现货价格；如果式（3）中的 ΔSt-k 的系数显著不
全为零，则说明 StGranger 引导 Ft，即现货价格领先
期货价格。
2．公共因子(Common Factor，CF)模型
在 VEC 模型基础上进行公共因子分析可以进
一步从数量上确定每个市场的价格发现优势。 公共
因子模型认为， 由于现货市场价格与期货市场价格
之间存在一个共同的变化趋势，因此可以将 St，Ft分
解为两部分，一部分是两个市场的共同有效价格（即
公共因子 Ct），代表了现货市场价格与期货市场价格
的共同变化趋势, 是两个市场中的共同有效信息永
久融入价格中的成分； 另一部分是各个市场的噪声
εt，代表了各个市场中特定的变化，是两个市场中噪
声信息暂时融入价格中的成分， 即可以表示成：St=
Ct+εSt，Ft=Ct+εFt。
（1）永久短暂（Permanent Transitory，简写为 PT）
模型
在上述思想的基础上 ，Gonzalor 和 Granger
(1995)[6]所提出的 PT 模型关注公共因子本身和误差
修正过程， 将每个市场对价格发现的贡献度定义为
误差修正系数的函数。 他们将公共因子 Ct 定义为
（St，Ft）的一个线性组合 Ct=δSSt+δFFt，即公共因子是由
现货价格与期货价格组成的一种资产价格组合。 δ＝
（δS，δF）为公共因子系数向量，或者说是资产价格组
合的权重。 Gonzalo和 Granger证明，δ同向量误差修
正模型（1）中的误差修正系数向量 α 正交，并且满足
δS+δF＝1。 Schwarz和 Szakmary（1994）[17]认为误差修正
系数向量 α＝（αS，αF） 代表了该系统中某个变量的冲
击所具有的永久效应， 因此他们提出使用该系数的
大小来评估两个交易系统对价格发现的贡献， 并使
用公共因子权重 （Common Factor Weights，CFW）的
概念对其进行定量描述：
CFW
S
＝ -αFαS -αF
，CFW
F
＝ αSαS -αF
（4）
（2）信息份额（Information Share，简写为 IS）模型
Hasbrouck（1995）将式（1）变换成向量移动平均
形式（Vector Moving Average，VMA）：
Yt=Y0+J（φ
t
s = 1
ΣεS）+Φ*（L）εt （5）
其中 Yt=（St，Ft）′为（2×1）的列向量，J＝（1，1）′为
（2×1）的单位列向量，φ＝（φ1，φ2）为（1×2）的行向量，
Φ*（L）为带滞后算子的矩阵多项式，εt=（εSt，εFt）′[7]。
Stock和 Watson（1988）提出如式（6）的公共因子表达
式：
Yt=Ct+Gt （6）
其中 Ct是公共因子，Gt为不对 Yt产生持久影响
的短暂成分[18]。 将式（5）与（6）对照起来，可以看出 J
（φΣts=1εS） 为公共因子部分，Φ* （L）εt 则为短暂成
分。
Hasbrouck（1995）认为，增量 φεt 是由于新息引
起价格变动的长期作用部分，而该部分的方差为 var
（φεt）＝φΩφ′， 其中 Ω为残差 εt＝（εSt，εFt）′的方差-协
方差矩阵。 Hasbrouck（1995）提出，如果残差序列 εSt
和 εFt 同步相关 , 则需要使用 Cholesky 分解来消除
二者的同步相关性。 由于本文中现货价格的变动与
期货价格的变动不是相互独立的，导致 Ω 为非对角
阵, 因此需要对矩阵 Ω 进行 Cholesky 分解， 即 Ω＝
MM′ ， 其中 M 为 （2 ×2） 维的下三角矩阵 ，M ＝
m11 0
m12 m22
2 2= σS 0
ρσF σF （1-ρ
2
）
1
2
2
2
2
2
2
2
22
2
2
2
2
2
2
2
22
2
。 Hasbrouck（1995）
将市场所占的信息份额 Si定义为如下形式：
Si=
（[φM]i ）
2
φΩφ′
（7）
其中[φM]i为行向量 φM的第 i个元素。 Cholesky
分解的结果依赖于变量顺序， 变换变量的顺序进行
分解就可以得到每个市场信息份额的上限和下限，
即每个市场对价格发现贡献度的上限和下限[7]。
在 VEC 模型 （1） 和以上研究结论的基础上，
Richard T. Baillie 等（2002）推导出如下计算公式：
现货市场的信息份额的上限
IS
U
S ＝
（δSm11 +δFm12 ）
2
（δSm11 +δFm12 ）
2
+（δFm22 ）
2 （8）
期货市场的信息份额的下限
IS
L
F＝
（δFm22）
2
（δSm11 +δFm12 ）
2
+（δFm22 ）
2 （9）
变换 VEC 模型(1)中方程的先后顺序，重复以上
步骤，可以得出现货市场信息份额的下限 IS
L
S和期货
市场信息份额的上限 IS
U
F 。将每个市场信息份额上限
和下限的均值作为市场信息份额的有效估计， 由于
价格变动反映了市场对信息的反应，因此，如果一个
市场所占的信息份额均值相对较大， 则说明这个市
场吸收了更多的信息， 也即在价格发现功能中发挥
了更为重要的作用[11]。
3．数据来源及数据处理
核 证 减 排 量 现 货 市 场 与 期 货 市 场 的 价 格 发 现
73- -
本文所采用的样本数据取自 2008 年 3 月 14 日
至 9月 4日，共有 104条有效日交易数据。 其中二级
市场 CERs 现货价格日度数据源自碳经纪机构坎特
CO2 的公司网站 （
的历史数据；CERs 期货合约价格日度数据源自芝
加哥气候期货交易所 （Chicago Climate Futures
Exchange）的公司网站（
历史数据; 欧元对美元的汇率数据源自国家外汇管
理局（
数据处理过程主要包括：第一，为了克服期货价
格不连续的缺点，必须产生连续的期货价格序列，本
文选取最近期月份的期货合约作为代表， 在最近期
期货合约进入交割月后， 选取下一个最近期期货合
约，这样就得到一个连续的期货合约序列，利用连续
期货合约序列每个交易日的收盘价格数据产生一个
连续的期货数据。 这样选取数据的优点在于能够产
生一个连续期货数据， 并且由于距离最后交易日比
较接近，期货价格与现货价格比较贴近，同时还可以
克服交割月交易量较小、数据不稳定的缺点。由于某
些交易日没有实际期货交易发生， 故剔除无交易的
交易日。 第二，为了保证数据的一致性，将以欧元表
示的二级市场 CERs 现货价格日数据用当日的汇率
换算为以美元为单位的价格数据。第三，为了使模型
的设定更合理并减少或消除潜在的异方差问题，对
以上时间序列分别取自然对数， 以该对数值作为实
证检验的基础， 记现货市场价格序列的自然对数为
St=ln（spt），现货市场的价格收益率为 ΔSt=ln（spt）-*ln
（spt-1）， 期货市场价格序列的自然对数为 Ft=ln（fpt），
期货市场的价格收益率为 ΔFt=ln（fpt）-ln（fpt-1），其中
第 t期的现货价格和期货价格分别为 spt，fpt。
四、实证结果与分析
1．平稳性检验
对现货价格和期货价格时间序列的对数值 St和
Ft及其一阶差分 ΔSt和 ΔFt做平稳性检验，结果如表
1所示。通过观察可以发现 St和 Ft在 1%的显著性水
平下不拒绝单位根假设，是非平稳的。而其一阶差分
序列在 1%的显著性水平下拒绝了单位根假设，这说
表 1 平稳性检验结果
变量 ADF 检验值 临界值(a=1%) 临界值(a=5%) 临界值(a=10%) 是否平稳
St 否
Ft 否
ΔSt 是
ΔFt 是
明两个时间序列满足 St~I（1），Ft~I（1）。
2．协整检验
根据协整理论， 如果两个序列满足单整阶数相
同的条件， 就有可能通过线性组合构成低阶单整变
量， 而且如果两个同阶非平稳序列之间存在协整关
系，就表明二者之间存在长期稳定的均衡关系，从而
可以避免伪回归的问题。 由对时间序列 St和 Ft的平
稳性检验可知它们都是一阶单整序列,，则有可能存
在某种平稳的线性组合[20]。这里采用 EG两步法对其
进行协整检验，以分析它们之间的协整关系。
首先，进行线性回归。 用普通最小二乘法（OLS）
估计 St和 Ft之间的方程，并计算非均衡误差。 估计
的方程为：
St＝+×Ft
（） （）
Adjusted R2=, . =
其次，检验残差 et是否是平稳序列。ADF检验的
结果如表 2所示，其中滞后期的选择基于 AIC 准则。
由表 2看出 ADF值为，小于显著性水平为 1%
的临界值，可以认为残差序列 et 是平稳序列，
这说明存在 St和 Ft的平稳线性组合，也就是说 CERs
的现货价格和期货价格之间存在协整关系。
3. 向量误差修正模型（VECM）
（1）VEC模型滞后阶数 K的确定
VEC 模型实际上是对无约束 VAR 模型进行协
整约束后的 VAR 模型， 因此 VEC 模型的最优滞后
期可以通过确定对应的无约束 VAR 模型的最优滞
后期来确定。 在建立 VAR（p）模型过程中首先要确
定最优滞后期 p，p 值的选择一方面不能太小， 否则
模型不能够全面有效地反映变量间的相互影响，另
一方面也不宜过大，否则会导致自由度减少，影响模
型参数估计量的有效性[19]。 这里依据 LR统计量、FPE
（最终预测误差）、AIC 信息准则、SC 信息准则和 HQ
信息准则作为选择指标所确定的 VAR模型的最优滞
后阶数 k为 1， 如表 3所示。 由于 VEC模型是相应
VAR模型的一阶差分，因此理论上来讲 VEC模型的
最优滞后阶数应为 0。 但是实证结果发现，最优滞后
阶数为 0 时，VEC 模型的误差修正系数不符合反向
修正机制，故本文取滞后期 k为 1来建立 VEC模型。
表 2 残差序列 et 的平稳性检验结果
St和 Ft
ADF 值 临界值(a=1%)临界值(a=5%)临界值(a=10%)
北 京 理 工 大 学 学 报 （社 会 科 学 版 ） 2009 年 第 6 期
74- -
（2）VEC模型的实证结果与分析
由于现货价格和期货价格的对数时间序列 St和
Ft之间存在协整关系，因而可以将其表示成 VEC 模
型的形式来研究二者的相互引导关系。 基于式（2）
（3） 所表述的VEC模型得到各个参数的统计结果如
表 4所示。
可以看出在等式（2）中，误差修正项系数 αS 显
著， 说明误差修正项对现货价格的均值具有解释能
力，当系统偏离均衡状态时，误差修正项对下一期价
格调整有直接影响。αS的估计值为负数，符合反向修
正机制， 说明误差修正项对现货价格的变动具有负
向调整作用，如果误差修正项为正，即现货价格相对
于期货价格偏高， 平均来说下一期的期货价格将上
升,而现货价格将下降；相反，如果误差修正项为负，
即现货价格相对于期货价格偏低， 那么平均来说下
一期的现货价格将上升，而期货价格将下降。前一天
的非均衡误差会以 的比率对 CERs 现货价格
做出修正。 从短期来看，式（2）中 ΔFt-k的系数在 5%
的置信水平下显著， 说明期货价格是现货价格的
Granger原因。
在等式（3）中，误差修正项系数 αF 的估计值为
正数,，说明当系统偏离均衡状态时，误差修正项对
期货价格的变动具有正向调整作用。 如果误差修正
项为正，即现货价格相对于期货价格偏高，平均来说
下一期的现货价格将下降， 而期货价格将上升；相
反，如果误差修正项为负，那么平均来说下一期的期
货价格将下降，而现货价格将上升。前一天的非均衡
误差会以 的比率对 CERs 现货价格做出修正。
但是,，此时误差修正系数不显著，说明误差修正项
对期货价格的均值的解释能力较差。从短期来看，式
（3）中 ΔSt-k的系数在 5%的置信水平下不显著，说明
现货价格不是期货价格的 Granger原因。 另外，由于
αS ＞ αF ，说明现货市场对非均衡状态反应相比于
期货市场更为敏感，调整速度更快。
为进一步刻画现货价格变动与期货价格变动之
间的相互影响， 使用脉冲响应函数和方差分解对其
进行进一步研究。 脉冲响应函数的主要思想是分析
VEC模型中残差项一个标准误差的冲击对现货价格
和期货价格变动的影响作用的大小 [19]。 通过脉冲响
应函数得到的结果如图 1，2所示。 （实线 LNSP表示
现货价格对数值的脉冲响应函数， 实线 LNFP 表示
期货价格对数值的脉冲响应函数。 ）
由图 1 可知， 现货价格对来自期货价格的一个
标准差新息冲击，在滞后 1 期时的反应为 0，而滞后
3期时现货价格的反应迅速达到最大值 %，随后
有下降趋势，在滞后 5 期时达到最小值 %，随后
略有上升，并且具有持续影响，滞后 10 期时维持在
%；由图 2 可知，期货价格对来自现货价格的一
个标准差新息冲击，滞后 1 期时的反应为 %，随
后上升并具有持续影响 ， 滞后 10 期时维持在
%；由此可以看出，期货价格的变动对现货价格
的影响较为强烈， 这说明期货市场在价格发现中起
主导作用。
由于脉冲响应函数描述的是 VEC 模型中的一
个内生变量的冲击给其他内生变量所带来的影响，
而方差分解是通过分析每一个结构冲击对内生变
表 3 VAR 最优滞后阶数 K 的选择
滞后期 LogL LR FPE AIC SC HQ
0 NA
1 * * * * *
2
3
表 4 VEC 模型参数的估计结果
系数 μt αt ΔSt-1（τi1,k） ΔFt-1（τi2,k）
ΔSt
()
**
()
()
**
()
ΔFt
()
()
()
**
()
注：表中为标准差；*（**）表示在 10%（5%）置信水平下
t-统计量显著。
核 证 减 排 量 现 货 市 场 与 期 货 市 场 的 价 格 发 现
75- -
量变化（通常用方差来度量）的贡献度，进一步评价
不同结构冲击的重要性。 因此方差分解给出对 VEC
模型中的变量产生影响的每个随机扰动的相对重
要性的信息 [19]。 通过方差分解得到的结果如表 5 所
示。
从表 5 中给出的方差分解结果可知， 对现货价
格变动长期作用部分的方差，当滞后 1 期时，总方差
%来自现货市场，随后呈下降趋势，最终在滞后
10期时趋于 %， 而总方差中来自于期货市场的
部分则呈上升趋势，从滞后 1 期时的 %最终趋
于 %； 对期货价格变动长期作用部分的方差，
总方差中来自现货市场的部分当滞后 1 期时总方差
为 0， 随后呈上升趋势， 最终在滞后 10 期时趋于
%，而总方差中来自于期货市场的部分则呈下降
趋势，从滞后 1 期时的 100%最终趋于 %。 平均
来看，滞后 10 期时，来自于现货市场的方差贡献为
%，小于来自期货市场的方差贡献 %，这也
说明期货市场在价格发现中起主导作用。
4．公共因子模型的实证结果与分析
基于以上 VEC 模型参数的估计结果， 使用 PT
模型和 IS 模型对现货市场和期货市场在价格发现
中的贡献度进行量化，得到如表 6的结果。可以看出
两个模型得到的结论基本一致：相比于现货市场，期
货市场在价格发现中的贡献度较大， 即期货市场在
价格发现中起主导作用。 这与本文在使用 VEC模型
进行实证分析后得到的结论一致。
五、结论
本文使用 VEC模型和公共因子模型对 CERs现
货市场和期货市场之间的价格发现功能进行了实证
研究。 研究发现： 现货价格和期货价格之间
存在长期稳定的均衡关系； 从短期来看，CERs 期货
价格是现货价格的 Granger 原因；2.误差修正项对于
现货市场以及期货市场的均值和条件方差具有一定
的解释作用。 误差修正项的系数均符合反向修正机
制，当价格偏离均衡状态时，误差修正项将使价格向
长期均衡状态收敛；3. 从实证结果来看，CERs 期货
市场在价格发现中起主导作用。
我国于 2008 年 8 月 5 日成立的国内首家环境
权益交易机构： 北京环境交易所可以借鉴芝加哥气
候期货交易所的成功运作经验， 以建立具有完备市
场结构的 CERs市场交易体系， 形成价格发现机制,
并进行相应衍生产品的金融创新和金融服务， 逐步
在国际碳交易市场上掌握主动权， 从而提高我国在
国际上的 CERs 定价权，增加我国实施 CDM 项目的
企业的国际竞争力。
表 5 VEC 模型方差分解结果
滞后期
现货市场 期货市场
现货市场 期货市场 现货市场 期货市场
1
2
3
4
5
6
7
8
9
10
表 6 价格发现的贡献度量化
持久短暂模型（PT） 信息份额模型（IS）
现货市场 期货市场 现货市场 期货市场
（，）
（, ）
说明：() 中左侧和右侧的值分别对应该市场信息份额的
下限值和上限值
参考文献：
[1] Myung-Kyoon information and guidebook[R]. June 2004.
[2] 郑爽. 碳市场的经济分析[J]. 能源与环境.2007,29（9）：5-10
[3] Karan Capoor，Philippe and trends of the carbon market 2008[R]. USA:The World 2008.
[4] Point Carbon. CDM&JI monitor[R].
[5] 郑爽.提高我国在国际碳市场竞争力的研究[J]. 能源与环境.2008,30（5）：11-16.
[6] Gronzalo kol J, Granger C W J. Estimation of common long-memory components in cointegrated system[J]. Journal of Business &
Economics Statistics, 1995(13):27-35.
[7] Hasbrouck J. One security, many markets: determining the contributions to price discovery [J]. Journal of Finance, 1995（50）：
1 175-1 199.
[8] Harris, Frederick H deB, McInish Thomas H, Shoesmith Gary L， Wood Robert A. Cointegration, error correction, and price
discovery on informationally linked security markets[J]. Journal of Financial and Quantitative Analysis, 1995（30）：563-579.
[9] G Geoffrey Booth, So RW, Tse Y. Price discovery in the German equity index derivatives markets [J]. The Journal of Futures
Markets, 1999, 19(6):619-643.
北 京 理 工 大 学 学 报 （社 会 科 学 版 ） 2009 年 第 6 期
76- -
[10] Frank de Jong. Measures of contributions to price discovery: a comparison. Journal of Financial Markets[J]. 2002(7), 323-327.
[11] Richard T Baillie, G Geoffrey Booth, Yiuman Tse, Tatyana Zabotina. Price discovery and common factor models [J]. Journal of
Financial Markets, 2002 （5）：309-321.
[12] Eva Benz, Jordis Klar. Liquidity and price discovery in the european CO2 futures market: an intraday analysis [C]. 21st
Australasian Finance and Banking Conference，July，2008.
[13] 肖辉. 伦敦金融交易所与上海期货交易所铜价格发现过程[J]. 系统工程理论方法应用. 2004,13(6):481-489.
[14] 王群勇，张晓峒. 原油期货市场的价格发现功能—基于信息份额模型的分析[J]. 工业技术经济,2005,24(3),72-74.
[15] 李帅，熊熊. 我国股票市场共因子的价格发现 [J]. 系统工程, 2007,25（8）：21-27.
[16] 方毅. 国内外期铜价格之间的长期记忆成分和短期波动溢出效应[J]. 数理统计与管理.2008(3): 204-312.
[17] Schwarz, T.; Szakmary, A. Price Discovery in Petroleum Markets: Arbitrage, Cointegration, and the Time Interval of Analysis.
Journal of Futures Markets, 1994(14): 146-167.
[18] Stock，J. H.,Watson ,Variable Trends in Economic Time Series. Journal of Economic Perspectives, 1988(2):147-174.
[19] 高铁梅. 计量经济分析方法与建模: Eviews 应用及实例[M]. 清华大学出版社. 2006:276-297.
[20] 张晓峒. 计量经济学基础[M]. 南开大学出版社.2007:325-334.
An Empirical Research on Price Discovery of CERs Spot Market and Futures
Market
QI Ting-ting， LU Wei
（Management School, University of Science and Technology of China, Hefei, 230026）
Abstract： The market of Clean Development Mechanism （CDM），as the second biggest integral part of world’s carbon market, is
developing rapidly. Since CERs （Certified Emission Reductions）trading market is still a burgeoning carbon emission trading market,
the related research about price discovery of CERs spot market and futures market has not yet been found. The price discovery
mechanism of CERs futures market and spot market is analyzed by applying vector error correction model and common factor model,
and the results are validated through applying impulse response function and variance decomposition. The results indicate that there
is a long-run cointegration relationship between CERs futures price and spot price; CERs futures price is Granger cause of spot price
in the short-run. Based on present data, this paper also draws the conclusion that CERs futures market makes primary contribution
to the price discovery, while CERs spot market just makes subsidiary contribution to the price discovery.
Key words： CERs；price discovery；vector error correction model；common factor model
[责任编辑：箫姚]
核 证 减 排 量 现 货 市 场 与 期 货 市 场 的 价 格 发 现
77- -
