Efficiency Dynamics of the Precious Metals Market: The AMIM Approach

技术摘要：贵金属市场的效率动态：AMIM 方法

问题陈述
本研究旨在解决理解贵金属市场（黄金、白银、铂金和钯金）在重大全球经济动荡背景下随时间变化的效率需求。具体而言，本研究调查了市场效率在 COVID-19 大流行期间（2019 年 12 月 9 日 – 2023 年 5 月 5 日）以及随后的后疫情常态化时期（2023 年 5 月 8 日 – 2026 年 6 月 17 日）是如何变化的。虽然有效市场假说（EMH）认为资产价格反映了所有可用信息，但现有文献表明，市场效率并非静态的，而是受到政权更迭、金融动荡和地缘政治风险的影响。作者指出，传统的静态衡量标准往往无法捕捉这些动态的不效率现象，特别是在避险资产的背景下，投资者的行为和信息处理方式会在危机期间发生快速变化。

研究方法
本研究采用了由 Tran 和 Leirvik (2019, 2020) 开发的调整后市场不效率程度（AMIM）方法。选择该方法是因为与传统衡量标准相比，它在处理有限样本量时，能够提供更稳健、偏差更小的时变效率估计。

• 数据： 本研究利用来自 “investing.com” 的黄金、白银、铂金和钯金的每日收盘价，时间跨度从 2019 年 12 月 9 日到 2026 年 6 月 17 日。
• 收益率转换： 主要分析使用简单收益率 ($r_{i,t}$) 而非对数收益率。作者认为，对数转换可能会机械地改变收益率的分布和自相关特性，从而可能扭曲对市场不效率的估计。简单收益率被用作基准模型，而对数收益率仅用于稳健性检验。
• 估计技术： AMIM 通过重叠滚动窗口估计进行计算。该过程包括：
  1. 估计一个回归模型，并测试系数 ($\beta$) 的显著性。
  2. 基于标准化绝对自相关系数之和计算市场不效率程度（MIM）。
  3. 通过减去置信区间范围（RCI）并将 MIM 对理论最大值进行归一化处理，从而得出 AMIM。
  4. AMIM 值为 0 或负值表示有效市场，正值表示不效率。
• 稳健性： 为了确保研究结果的稳定性，研究使用对数收益率进行了重新估计。作者指出，虽然这种转换会影响序列的统计特性（特别是对于铂金和钯金等波动性较大的资产），但它旨在验证核心结论，而非与基准的简单收益率规范相竞争。

主要贡献
本文对文献做出了三个主要贡献：

1. 方法论应用： 它以细粒度的方式将 AMIM 方法应用于贵金属，提供了比传统自相关或方差比检验更稳健的框架，用于检测随时间变化的效率。
2. 比较范围： 不同于专注于单一金属或单一市场条件的研究，本研究对两种不同政权（大流行期和后疫情时代）下的四种领先贵金属进行了广泛的比较分析。
3. 对政权依赖性的实证洞察： 它产生了关于资产如何响应不断变化的宏观经济环境以实现差异化效率调整的新实证结果，深化了对高度不确定性下适应性市场行为的理解。

实证结果
研究发现，在整个样本期间，所有四种贵金属普遍遵循弱式有效市场假说，这由接近于零的 AMIM 值所证实。然而，不同资产和时期之间存在显著的异质性：

• 整体效率排名： 在整个样本周期内，钯金被确定为效率最低的金属，其次是白银。黄金和铂金通常表现出更高的效率水平。
• 大流行期 vs. 后疫情期动态：
  • 黄金： 在 COVID-19 大流行期间表现出最高的效率，但在后疫情时期经历了相对的效率下降。
  • 白银： 是唯一在从大流行到后疫情时期表现出效率提升的资产。因此，白银在后疫情时代成为了最有效的资产，超过了黄金。
  • 铂金和钯金： 两者在疫情后都经历了相对的效率下降，尽管钯金总体上仍是最不有效的。
• 稳健性检验： 对数收益率分析在很大程度上证实了主要发现：所有市场都保持了普遍的有效性，黄金在后疫情时期显示出相对效率下降，而白银则持续提升。然而，对数收益率规范表明，铂金和钯金在后疫情时期效率略有提升，作者将这一分歧归因于这些高波动性资产对收益率转换方法的敏感性。

意义与主张
作者声称，其研究结果强调了市场效率的政权依赖性。研究断言，市场效率不是一个恒定的属性，而是随着宏观金融条件的改变而在不同资产类别和时间上发生变化。

• 对投资者和政策制定者： 结果表明，投资、对冲和多元化策略必须根据不断变化的市场条件进行调整，而不是依赖于效率恒定的假设。识别出白银在后疫情时代是日益高效的资产，以及黄金的相对下降，为投资组合配置和风险管理提供了具体的启示。
• 理论意义： 研究结果强化了适应性市场假说，证明了市场效率是经济不确定性和结构性变化的函数。
• 方法论价值： 该研究将 AMIM 框架定位为一种极具前景的替代方案，能够捕捉传统方法可能错过的难以捉摸的、随时间变化的效率变化。

论文最后承认了局限性，指出分析仅限于四种金属和特定时期，并建议未来的研究可以扩展到其他大宗商品类别，或将 AMIM 与机器学习和多重分形技术相结合，以更好地理解波动率溢出和市场关联性。