Lunds UniversitetC-uppsats, 15 hp
Hur påverkar handeln med derivatinstrument priset på den underliggande varan?
En underökning om finansiell spekulation är en starkt bidragande orsak till den abnorma prisökningen på stapelvaror av mat 2006-2008
Författare: Anders Aldvin
Handledare: Lundtofte Frederik
Does the financialization of commodities markets affect the spot price of the underlying commodity?
An empirical study of the affect of increased volume of trade in wheat futures on the wheat spot price
Writer Anders Aldvin
Abstract
The purpose of this paper is to examine the food commodity price spike of
2008 and to what extent financial speculation was a contributing factor. I will
try to determine this in two ways, first by a review of the fundamentals factors
that is behind supply and demand in the agricultural commodities markets.
Second by an empirical study of the correlation and Granger causation of
volume of futures contracts traded with wheat as the underling asset and the
wheat spot price. To preform this empirical study I will first use a Johansen
Cointegration test and then a vector error correction model. My key result is
that it is unlikely that the price spike of 2008 was the result of financial
speculation.
Key words: VAR, vector autoregressive analysis, food prices, volume, wheat,
agricultural commodities,
Nyckelord: Vete, pris, stapelvaror, jordbruks råvaror, volym, finansiell handel,
Vektor autoregressive analys, VAR.
2
Innehållsförteckning
InnehållAbstract...........................................................................................................................................21. Inledning......................................................................................................................................5
1.1 Bakgrund......................................................................................................................51.2 Frågeställning....................................................................................................................71.3 Syfte..................................................................................................................................71.4 Disposition........................................................................................................................7
2. Begrepp........................................................................................................................................82.1 översättningar....................................................................................................................82.2 Förklaringar av ord, ekonomiska termer...........................................................................9
3. Teoretiska perspektiv och fakta...............................................................................................103.1 Disposition teoretiska perspektiv och fakta....................................................................103.2 Prissättning av råvaror samt futures med råvaror som underliggande tillgång...............113.2.1 Prissättningen av råvaror..............................................................................................113.2.2 Prissättning av derivat instrument teori.......................................................................123.3 Mekanismen för prissambandet futurespris spotpris......................................................143.3.1 Bubblor........................................................................................................................143.4 Marknadens aktörer........................................................................................................163.5. Variabler och storheter som kan påverka priset.............................................................17
3.5.1 Ränta........................................................................................................................173.5.2 Växelkursen.............................................................................................................173.5.3 Produktionskostnader...............................................................................................183.5.4 Makroekonomiska fundament som påverkar efterfrågan........................................183.5.5 Substitutvaror och samvariationer i pris..................................................................203.5.8 Lager........................................................................................................................213.5.9 Statlig policy, Handels policy..................................................................................23
3.6 Biobränsle.......................................................................................................................263.7 Väder...............................................................................................................................29
4. Metod.........................................................................................................................................304.1 Modell kriterium.............................................................................................................304.2 Stationäritet.....................................................................................................................31
4.2.1 Dickey Fuller test.....................................................................................................314.3 Kointegration..................................................................................................................324.5 VECM.............................................................................................................................354.6 Granger Kausalitet..........................................................................................................36
5 Emperi datan.............................................................................................................................365.1 var min data kommer ifrån..............................................................................................36
6. Resultat......................................................................................................................................376.1 Stationäritet, Dickey Fuller test......................................................................................376.2 Kointegration..................................................................................................................386.3 VECM.............................................................................................................................396.4 Granger kausalitet...........................................................................................................39
7. Analys.........................................................................................................................................40
3
8. Slutdiskussion...........................................................................................................................438.1 Resultatdiskussion...........................................................................................................438.2 Metoddiskussion.............................................................................................................438.3 Slutsats............................................................................................................................448.4 Förslag på vidare forskning............................................................................................44
9. Referenser..................................................................................................................................459.2 Artiklar............................................................................................................................459.3 Internetkällor...................................................................................................................48
10. Appendix 1 Dicky fuller test..................................................................................................4910.1 Appendix 2 VECM........................................................................................................5410.2 Appendix 3 Johnssons kointegrationstest.....................................................................5910.3 Appendix 4 Granger kausalitet......................................................................................61
4
1. Inledning
1.1 Bakgrund
Priset på basmatstapelvaror ökade med åttio procent mellan Januari 2006 och April 2008.1
För vissa matstapelvaror var prisuppgången till och med mer markant, priset på majs ökade
med 180 procent medan priset på ris nästan tredubblades.2 Dessa prisuppgångar har haft störst
effekt för de som har minst resurser i utvecklingsländer. De som klassas som fattiga i
utvecklingsländer lägger i genomsnitt hälften av hushållets totala inkomster på matvaror.3
Världsbanken beräknar att den senaste prisuppgången på matstapelvaror har lett till att 44
miljoner fler människor blivit tvungna att leva under extremt svåra förhållanden som extremt
fattiga.4 Sedan den senaste extrema prisuppgången på matstapelvaror på 1970 talet har det
reella priset fallit stadigt fram till ca 2002 då de bara var en fjärdedel av vad det var 1980.5
Den kraftiga prisstegringen 2006-2008 ledde också till upplopp i flera länder samt en väldig
debatt om de bakomliggande anledningarna.6
2000M01 2001M03 2002M05 2003M07 2004M09 2005M11 2007M01 2008M03 2009M05 2010M0750
100
150
200
250
300
Vetepriset vid mexikanska golfen i USA, $ per ton
7
1 Adam C, & Ajakaiye O, (2011), s. 22 Ibid3 Mitchell D, (2008), s. 14 http://siteresources.worldbank.org/EXTPOVERTY/Resources/336991-1311966520397/Food-Price-Watch-August-2012.pdf 5 http://www.imf.org/external/np/res/commod/index.aspx och Adam C, & Ajakaiye O, (2011), s. 16 Mitchell D, (2008), s. 17 http://www.indexmundi.com/commodities/?commodity=wheat&months=300
5
I en debatt i Europaparlamentet hävdade flertalet ledamöter att det var ökad spekulation av
riskkapitalister som låg bakom marknadens ökade volatilitet. En av dessa Aldo Patriciello från
Italienska PPE menar att,
”De stora prissvängningarna för livsmedelsprodukter är knutna till spekulation och förvärrar
problemet med hungersnöd på ett dramatiskt sätt.”8
Svaret från EU kommissionen9 var att hänvisar till en utredning COM(2009) 591 som
visserligen är intressant men som avhandlar problemen i livsmedelsförsörjningskedjan inom
EU. Vilket inte kan ses som en dementi på Patriciellos påstående. Detta väckte mitt intresse
och fortsatta sökande efter en pålitlig dementi eller bekräftande av Patriciellos påstående. När
jag läste på mer hittar jag fortfarande inget övertygande bevis eller någon argumentation som
är tillräckligt övertygande, varken för eller emot att spekulanter skulle orsaka prisuppgången.
Förespråkare för spekulanter är ansvariga teorin lyfter fram att investeringar i futures med
råvaror som underliggande tillgång har ökat från fem miljarder år 2000 till mer än 375
miljarder 2011.10 Och att korrelationen mellan prisutvecklingen på råvaror och ökningen i
handel med finansiella derivatinstrument inte bara är ett konstigt sammanträffande.
Standard & Poors GSCI råvaruindex, svarta linjen, skala på vänstra lodräta axeln. De röda staplarna är totala värdet på långa positioner i derivatinstrument på råvaror skala på högra lodräta axeln, miljarder dollar
Den motsatta sidan i debatten har en betydligt större variation i sin argumentation. Finansiell
handel med derivatinstrument som har råvaror som underliggande tillgång påverkar inte priset
på den underliggande varan då det kan ges ut ett oändligt antal derivatinstrument.12 Att det är
8 http://www.europarl.europa.eu/sides/getDoc.do?pubRef=-//EP//TEXT+WQ+E-2009-4633+0+DOC+XML+V0//SV9 http://www.europarl.europa.eu/sides/getAllAnswers.do?reference=E-2009-4633&language=SV 10 FTI, (2011), s.1511 Jarecki H, (2011), s. 912 Jarecki H, (2011)
6
tillgång och efterfråga alltså marknadsfundament som påverkar priset på spotmarknaden.13
Samt att priset på råvaror som det inte finns någon futurmarknad för har gått upp lika mycket
som för de där det finns en futurmarknad.14
1.2 Frågeställning
Vilka är de orsaker som har lett till den extraordinära prisuppgången på matstapelvaror?
Är den ökade finansiella spekulationen i derivatinstrument en bidragande orsak till
prisuppgången på matstapelvaror?
Finns det en prispåverkan mellan volymen på finansiell handel med en råvara och denna
råvaras pris?
1.3 Syfte
Syftet med denna uppsats är att utreda om finansiell spekulation låg bakom den stora
prisstegringen i matstapelvaror mellan 2006 och 2008. Om det finns något orsakssamband
mellan spekulation i en vara i form av handel med derivatinstrument, och priset på den varan.
Samt att till viss del undersöka de faktorer som låg bakom pristoppen i jordbruksråvaror 2006
till 2008 och om hur sannolikt de är att spekulation är en av dessa.
1.4 Disposition
Uppsatsen är uppdelat i nio delar. I del ett, inledningen, har vi först bakgrundsinformation om
ämnet i sig och varför jag blev intresserad av ämnet. Detta för att kontextualisera
frågeställningen samt förhoppningsvis väcka ett intresse. Fortsättningsvis definieras syftet
samt vissa avgränsningar för att kunna göra arbetet mer hanterbart. I del två går jag igenom de
begrepp som inte kan anses höra till allmän ekonomisk allmänbildning men som läsaren ändå
bör ha en förståelse för att kunna tillgodogöra sig uppsatsen. Samt hur jag har valt att tolka,
13 FTI, (2011)14 Korniotis G, (2009)
7
översätta vissa engelska termer där det mig veterligen inte finns ett allmänt accepterad
alternativ. I del tre kommer en någorlunda omfattande genomgång av teorier, fakta och
tidigare forskning. Detta av två anledningar. Ett, då jag i mitt sökande efter om någon klart
hade kunnat påvisa ett sådant samband fann en väldig blandad litteratur i ämnet med många
sidospår som ändå inte kändes helt ovidkommande. Och två, sätta spekulation som
prispåverkan i ett bredare kontext och skapa en känsla för om spekulation är en av de större
faktorerna bakom prisutvecklingen. Vidare tror jag att detta är en nödvändighet för att kunna
få en helhetsbild av problematiken som rör frågan, samt förståelse för varför frågan ännu inte
kan ses som helt utredd. I del fyra går jag igenom vilka dataanalysmetoder som krävs för att
kunna analysera data på ett tillfredställande sätt samt dessas för och nackdelar. För att sedan
visa rent konkret hur dessa fungerar. I del fem går jag igenom den data jag har använt, var den
kommer ifrån samt de problem man oundvikligen möts av gällande data. Del sex består av en
kort presentation av resultaten i siffror varpå jag i del sju analyserar vad innebörden av dessa
är. I del åtta har jag en slutdiskussion som omspänner hela uppsatsen, och sist i del nio
presenteras mina referenser.
2. Begrepp
2.1 översättningar
Cereal – spannmål, sädesprodukter.
Hedge/Hedgare – marknadsaktör som vill bli av med risk, minimera sin risk av ett fysiskt
innehav. Ofta genom att ingå ett futures eller forwards kontrakt som vid prissvängningar
skulle få motsatt finansiell effekt mot aktörens fysiska innehav.15
Grains – jag har valt att översätta och använda mig av spannmål och sädesprodukter medan
den engelska termen också innefattar ris och majs.
Convenience yield - behändighetspremium, fördelen som ett fysisk innehav av en råvara ger
till skillnad från innehav av ett futures kontrakt.
15 http://www.cftc.gov/ConsumerProtection/EducationCenter/CFTCGlossary/glossary_s
8
Equilibrium- jag kommer använda mig av denna engelska term då jag anser att svenskans
jämnvikt inte är tillämpbar på samma sett och ger samma information om ett förhållande.
Futures – ett engelskt låneord som betecknar ett kontrakt om en framtida obligation att
antingen köpa eller att sälja en vara till ett pris fastställt i kontraktet.
Heard mentality – Flockmentalitet när en individ rör sig (rusar) åt ett håll och en hel hjord
följer efter möjligen av den enda anledningen att en individ gjorde det.
Hoarding - hamstra, att köpa upp lager eller att spara, engelska termen innebär ofta också att
det är något nytt beteende eller att det sker mer en vanligt.
2.2 Förklaringar av ord, ekonomiska termer
Lagg, är en tidsförskjutning. Används ofta om tidsserie data, y t−4 är ett laggat värde av y t
Matstapelvaror
Spekulant, kommer i denna uppsats bara avse de aktörer som på finansiella marknader
försöker göra en vinst genom att förutse marknadens svängningar.
Spotpris, priset på dagsmarknaden, vad du skulle få betala om du köpte något nu.
3. Teoretiska perspektiv och fakta
3.1 Disposition teoretiska perspektiv och fakta
Frågan om spekulations påverkan på en marknad är och har varit en hett omdebatterad fråga
sen de första futureskontrakten började handlas, om inte tidigare. Med inlägg i debatten av
ekonomiska celebriteter så som Keynes.16 Därför finns det också ganska vid och omfattande
forskning på området. Trots detta så har det så vitt jag kunnat utröna inte kommit till något
slags konsensus om spekulationen i derivatinstrument på en marknad kan påverka den
långsiktiga prisutvecklingen på den underliggande varan. Det finns flera svårigheter med att
16 Keynes J, (1936)
9
bedöma om spekulation påverkar priset på en vara. Vissa problem som gäller råvaror
generellt, andra som specifikt berör handeln med derivatinstrument. I denna del tänker jag gå
igenom de fundament som tidigare forskning har visat och tagit upp som faktorer som driver
basmatsråvarupriserna. Dessa faktorer har visat sig vara ett av huvudproblemen med att
konstruera effektiva prissättningsmodeller samt att utröna till vilken grad spekulation bidrar
till prissvängningar.17 Det finns så många faktorer som kan tänkas påverka priset, så hur är det
möjligt att vara säker på om det är just spekulation som driver priset åt det ena eller andra
hållet? Det skulle ju också kunna vara en faktor som utelämnades ur modellen. De
prispåverkande faktorerna som jag ämnar gå igenom är statlig policy samt förväntan av statlig
policy. Då många råvaror är antingen substitut eller komplement till varandra så finns det en
prispåverkan mellan varugrupper. Ett nytt användningsområde för en vara som leder till ökad
efterfråga. De finansiella marknaderna där råvaror kan användas som hedge mot
konjunkturcykeln. Makroekonomiskt lågränteläge där investerare söker sig till alternativa
investeringar. Lagerhållning av en vara samt nivåerna på befintliga lager. Olika
utbudschocker tillexempel vädret. Makroekonomiska faktorer som påverkar efterfrågan, samt
faktorer som påverkar produktionskostnaderna.
För att visa hur dessa faktorer påverkar prissättningen går jag igenom grundläggande
prissättningsteori samt de mekanismer som verkar mellan spotpriset och futurespriset
Jag presenterar också en del fakta om magnituden av de fundament som ses som prisdrivande.
Även om det inte direkt visar på en prispåverkan så ger det enligt mig i alla fall en antydan
om åt vilket håll en eventuell prispåverkan skulle vara. Detta då alternativet, att samla data om
samtliga av dessa variabler och chocker och skapa en omfattande makroekonomisk modell
ligger utanför ramarna för denna uppsats.
3.2 Prissättning av råvaror samt futures med råvaror som underliggande tillgång
Prissättningen av råvaror och futures är ett extremt komplext ämne där väldigt mycket
forskning har gjorts. Jag kan här inte göra en komplett litteratur genomgång eller ta upp de
senast utvecklade prissättningsmetoderna då det ständigt utvecklas nya. Det jag ämnar göra är
att ge en förståelse för grundläggande teori samt de samband som är relevanta för denna
uppsats. Vidare att hänvisa till andra prissättningsmetoder som jag stötte på och fann
intressanta under mina efterforskningar.
17 FTI, (2011), s. 42
10
3.2.1 Prissättningen av råvaror
Innebörden av effektiva marknadshypotesen kan formuleras på en rad olika sätt. Att all ny
information eller förväntningar på de faktorer som påverkar priset omedelbart inkorporeras i
priset.18 Eller att priset på en vara reflekterar all tillgänglig information om de faktorer som
ligger bakom utbud och efterfrågan på varan.19 Det finns en rad olika prissättningsmodeller
och teorier. Vissa är generella och är inte specifikt utvecklade för råvaruprissättning såsom
CAMP20, som jag inte ämnar gå igenom här. Medan andra är specifikt framtagna för
råvaruprissättning generellt eller för en speciell råvara.
En av huvudteorierna för råvaruprissättning är teorin om lager (the theory of storage) som just
förklarar råvarupriset med reala faktorer.21 Med reala menar jag bara att det är fysiskt
kvantifierbara variabler, till skillnad från psykologin bakom marknadsaktörers beteende.
Problematiken ligger ofta i att identifiera och kvantifiera dessa faktorer. Speciellt då det inte
bara är faktorerna i sig som har en prispåverkan utan också framtida förväntningar på
faktorerna. Två andra problem områden är korspriselasticiteten som gör att en hel del av de
förklarande variablerna bör behandlas som endogena i modellen samt de otaliga tänkbara
chocker, både inom i modellen inkluderade variabler, samt exkluderade, så som väder.
Som följd av komplexiteten i prissättningen är många studier och modeller inriktade på en
viss vara eller vissa förhållanden vilket leder till att de blir relativt komplexa och inte generellt
tillämpbara.22
3.2.2 Prissättning av derivat instrument teori
Grundläggande ekonomisk teori säger oss att futurespriset borde vara detsamma som
spotpriset, plus lagerhållningskostnaden och ränta.
F0=(S0+U )erT 1.
18 United Nations, (2011), s. 419 Somoye R, Akintoye I, & Oseni J, (2009), s. 120 Somoye R, Akintoye I, & Oseni J, (2009), s. 221 Symeonidis L, Prokopczuk M, Brooks C, & Lazar E, (2012), sid 1, 322 Garcı´a A, Poblacio´ n J, & Serna G, (2008), s. 1
11
Där F0 är future priset som ges av spotpriset S0, räntan r, U som är beräknade nuvärdet av
samtliga nuvarande och framtida lagerkostnader (negativ), samt T tiden som är tiden kvar tills
futureskontraktets lösen23.
Ett stort problemen med denna prissättnings ekvation är att den inte stämmer överens med
observationer av verkliga prissvängningar. I verkligheten rör sig inte futures- och spotpriset
parallellt och även om det finns en tydlig korrelation så är skillnaden så pass stort att
ekvationen ovan blir otillräckligt som förklaring.24
I syftet att få fram mer exakta prissättningsmodeller kan råvaror delas in i olika kategorier, de
två kategorier som brukar användas på grundnivå är investeringsråvaror samt
konsumtionsråvaror.25 Där skillnaden ligger i hur majoriteten av marknadsaktörerna ser på
varan. Investeringsråvaror är sådana som av en majoritet av köparna ser som en investering
och inte köper upp i syfte att använda i någon produktionsprocess. Konsumtionsråvaror är
raka motsatsen, det är råvaror som främst handlas på spotmarknaden för att användas av
industrin i produktionen. Prissättningsformulan för konsumtionsråvaror är i stort sätt samma
som för investeringsråvaror, den enda skillnaden är y, som är ett behändighetspremium.
F0=S0 e (r+u− y ) T 2.
Innebörden av behändighetspremium är att producenter troligen inte ser likadant på att inneha
futureskontrakt motsvarande 100 ton vete som att ha 100 ton vete i sina lager färdigt att direkt
användas i produktionsprocessen.26 Detta kan vara en del av orsaken i prisskillnaden men
behändighetspremium är till sin natur svårt att mäta. Förutsatt att du inte utgår från att
all observerad prisskillnad kan tillskrivas denna variabel.
Kamara(1982)27 menar på att prisskillnaden beror på tre faktorer; Tidsdimensionen,
intertemporala priser för identiska varor, geografiska skillnader samt skillnader i kvalitet på
varorna. Alla dessa faktorer är relativt svåra att kvantifiera vilket skulle kunna vara en
förklaring till varför ingen ny grundläggande prissättningsmetod har blivit allmänt accepterad.
En till anledning till att ekvationen inte räcker till för prisförutsägelser är risk. Risk
argumentet fördes först fram av Keynes(1936)28 i sin teori om Normal Backwardation. Teorin
23 Hull J, (2012)24 Kamara A, (1982), s. 425 Hull J, (2012)26 Garcı´a A, Poblacio´ n J, & Serna G, (2008), s. 327 Kamara (1982) s. 428 Keynes J, (1936)
12
går ut på att de marknadsaktörer som hedgar försöker undvika risk. Medan spekulanter vill ha
extra avkastning i form av riskpremium för att ta på sig risk. Detta får som konsekvens att
futurespriset borde ligga strax under det förväntade spotpriset, annars skulle spekulanterna
inte ta långa positioner, (ta på sig risk).
Exempel på mer komplexa försök till prissättning kan ses hos (Andersen 2010),29 eller (Garcia
2008)30 som modifierar Black-Scholes analysen för att bättre passa råvaror.
Trots dessa prissättningsproblem så reflekterar futurespriset relativt väl det framtida
förväntade spotpriset.
Priset på futures har oftast en högre volatilitet än spotpriset. Förespråkare av
futuresmarknaderna argumenterar att detta beror på futures marknadens snabbare respons på
ny marknadsinformation.31 Detta skulle kunna få som konsekvens att det ser ut som om
futurespriserna påverkar spotpriserna då marknadsinformation inkorporeras där först.
3.3 Mekanismen för prissambandet futurespris spotpris
Hur prispåverkan fungerar från den underliggande råvaran till priset på futures är relativt
intuitivt och visas i prisavsnittet ovan. Hur prispåverkan går från futures till den
underliggande råvaran känns däremot ofta inte fullt lika självklart. Därför tar jag och går
igenom det lite mer noggrant. Det finns huvudsakligen två mekanismer för prispåverkan från
futuresmarknaden till spotmarknaden, jag går igenom båda här nedan.
Vid en fungerande marknad kan det inte finnas några möjligheter till arbitrage som består
över någon längre tid. Om således priset på futures devierar för mycket över spotpriset kan en
arbitrör gå kort i ett futureskontrakt, köpa upp råvaran på spotmarknaden för att sedan lagra
den till kontraktets lösendag och göra en arbitrage vinst på mellanskillnaden. Således är
prispåverkan från värdepappershandeln till den underliggande råvaran möjlig.
Många böcker och teorier gör skillnad på konsumtions- och investeringsråvaror. Viss skillnad
i hur dessa prissätts föreligger32 men detta är ingenting som ändrar den huvudsakliga
mekanismen, varpå jag väljer att inte gå in mer på dessa här.
29 Andersen L, (2010)30 Garcı´a A, Poblacio´ n J, & Serna G, (2008)31 Kawaller I, Koch P, & Peterson J, (2001)32 Hull J, (2012)
13
Som jag går igenom i 3.2.1 prissättningen av råvaror är en av de faktorer som påverkar
spotpriset förväntningar på framtida utbud och efterfråga. Alltså förväntningar på vad priset
kommer att vara i framtiden. Futurespriset speglar till stor del just dessa förväntningar och är
därför i sig en prissignal till aktörerna på spotmarknaden.33
3.3.1 Bubblor
Prisbubblor i sig kan tyckas inte riktigt relatera till ämnet för denna uppsats. Men mycket av
den forskning och många av de teorier som har framkomit inom detta forskningsfält är intimt
förknippade med finansiellspekulation och hur priset på en vara kan avvika från dess
equilibrium trend. Samt en till viss del ännu pågående diskussion om prisuppgången 2007-08
var en prisbubbla eller reflekterade marknads fundament gör att ämnet bör ges visst utrymme.
Det finns flera teorier och mekanismer för hur prisbubblor uppstår och hur priset kan fås att
devierar från dess equilibrium trend. De flesta går ut på att förklara psykologin bakom
människors agerande, och varför något som kan tyckas vara irrationellt kan vara rationellt.
Hur prissambandet hänger ihop mellan spot- samt futurespris går jag igenom i 3.3 här ovan.
Samma mekanismer kan tillämpas när det kommer till prisbubblors uppkomst.
Ett av de mest kända citaten om marknads mentalitet, flockmentalitet samt indirekt om
bubblors uppkomst är från Keynes ”The General Theory of Employment, Interest, and
Money”. Där han beskriver hur bedömningen av skönhet går till när målet är att från ett antal
bilder gissa vilken som en majoritet kommer tycka är vackrast.
“It is not a case of choosing those that, to the best of one’s judgment,are really the prettiest, nor even those that average opinion genuinely thinksthe prettiest. We have reached the third degree where we devote ourintelligences to anticipating what average opinion expects the averageopinion to be. And there are some, I believe, who practice the fourth, fifthand higher degrees.34
I min mening ger detta en väl målande bild som är lätt intuitivt förstålig om vad
”flockmentalitet” innebär. Något som i FNs rapport Price formation in financialized
33 FTI, (2011), s. 3334 Keynes J, (1936) sid 79
14
commoditie markets beskylls för prisökningen på råvaror.35 FNs rapport bygger upp ett
ganska omfattande ekonomisk samt psykologisk resonemang om varför spekulanter kan
tänkas handla på detta sätt. Bland annat om hur investerare tror de kan utvinna
marknadsinformation genom att iaktta andra marknadsaktörer. Vilket i sin tur leder till att
priset lockas bort från sitt equilibrium.
Adam och Marcet går i artikeln ”Booms and Busts in Asset Prices”36 igenom hur Bayesian
lärande som teori kan tillämpas på investerare. Bayesian lärande går in på psykologin bakom
investerares beteende.
Vissa av dessa teorier kan tillämpas väldigt allmänt medan vissa har restriktioner och
antagande som inte passar in på råvarumarknaden med sina speciella särdrag så som
lagerhållning samt att varan används i en produktionsprocess.
Generellt kan sägas att det finns väldigt mycket forskning som visar på att i alla fall
kortsiktigt så håller inte the efficient market hypothesis och att spekulanter kan driva priser så
att prissättningen inte endast reflekterar de fundamentala variablerna.37
3.4 Marknadens aktörer
Aktörerna på futuresmarknaden brukar delas in i olika kategorier beroende på beteende och
syfte. Alla aktörer på futuresmarknaden är ju inte spekulanter och eftersom det är just
spekulanterna som beskylls för den negativa inverkan är det av vist intresse att försöka
särskilja dessa.
Vanligtvis delas futuresmarknadens aktörer in i tre huvudkategorier med flera olika
underkategorier.38 Den första kategorin är Hedgare, syftet med att hedga är att reducera din
risk. Det kan vara en bonde som vill skydda sig mot risken av prisvariationer vid tillfället för
skörden och därför går kort i ett futureskontrakt. Det kan vara förädlingsindustrin som går
långt i ett futureskontrakt för att eliminera risken av prissvängningar på insatsvarorna i
produktionsprosessen. Det kan teoretisk också vara en spekulant som har tagit en högrisks
position och väljer att ta en motsatt position i samma vara eller någon annan med högpris
korrelation. Även om den senare ofta inte ses som eller behandlas som en hegare och inte
heller passerar under definitionen som tillämpas i denna uppsats.
35 United Nations, (2011)36 Adam Marcet(2011)37 Bland annat, Karpoff J, (1987), Eaves J, Valero M, (2009), Ghosh J, Heintz J & Pollin R, (2011), United Nations, (2011)38 Hull J, (2012)
15
Spekulanter som kategori är det nästan möjligt att utläsa en definition av namnet i sig. På
råvaromarknaden spekuleras det väldigt sällan genom att köpa råvaran direkt, placera den i ett
lager för att sedan invänta en prisuppgång. Det vanliga tillvägagångssättet är att köpa futures
eller optioner. Det kan finnas flera anledningar till detta men det känns ganska intuitivt att om
du ska köpa varan ordna med transport, hyra ett lager, ordna med försäkring för varan i lager
samt sätta dig in i de olika kvalitéerna som finns av varan. Eller ringa din bankman och be hen
köpa ett standariserat kontrakt så är det mindre ansträngande att ringa ett samtal. Spekulanter
som sådana kan sedan delas in i subkategorier; Daytraders som bara tar en position under en
dag eller några timmar för att tjäna på prissvängningarna och sen säljer innan dagens slut.
Indexinvesterarna som ofta har en betydligt längre investeringshorisont och spekulerar i en
prisuppgång på upp till fem års sikt och i extrema fall mer. En annan uppdelning är mellan
spekulanter som handlar efter information om de variabler som sägs ha en inverkan på priset.
Och de som handlar genom att försöka känna av marknadens ”humör” vilken riktning den kan
tänkas ta beroende på hur olika psykologiska faktorer påverkar dess aktörer.39
Dessa är långt ifrån de enda subkategorier som spekulanter kan delas in i, men det räcker för
att skapa viss förståelse för problematiken runt att dekonstruera samt kvantifiera vilka av
marknadsaktörerna som är spekulanter. Samt vilket av dessa beteenden som är skadligt för
marknaden.
Arbitrörer satsar på att göra en risklös vinst genom att samtidigt göra transaktioner på två eller
fler marknader.40
3.5. Variabler och storheter som kan påverka priset
3.5.1 Ränta
Sambandet mellan räntekursen och råvarupriset känns kanske inte helt självklart och att gå
igenom det grundligt skulle kräva en uppsats i sig. Förutom själva prissättningsekvationen
finns två kanaler för påverkan som kan vara värda att nämnas. Produktionsprocessen för flera
råvaror är väldigt kapitalintensiv, och för sädodlande bönder är räntekostnader en av de fem
39 Ghosh J, Heintz J & Pollin R, (2011)40 Hull J, (2012)
16
största utgifterna.41 Och den andra är lagerhållningen av varor innan försäljning samt av
grossister.42 För en mer utförlig genomgång av räntans inverkan på priset se Kamar (1982)43
3.5.2 Växelkursen
Växelkurser har inverkan på globala handelsmönster vilket ligger utanför avgränsningarna för
denna uppsats. Men världsbanken uppskattar att deprecieringen av Amerikanska dollarn
resulterade i tio procent högre vetepris.44 En annan anledning till växelkursens indirekta
verkan är att världspriserna oftast citeras i dollar, således leder en depreciering av dollarn till
högre priser mätt i dollar.
3.5.3 Produktionskostnader
Något som självklart påverkar utbudet är produktionskostnaden. De fem största utgifterna I
produktionsprocessen för sädesvaror i USA är gödningsmedel, hyra/räntekostnader, utsädet,
kemikalier/bekämpningsmedel och bensin/bränsle.45 I tabellen nedan visas aggregerade siffror
för samtliga sädes och oljefrö odlande bönder i USA samt kostnadsskillnaderna för dessa
mellan 2002 och 2007 i procent.
Prisökning i insatsvaror 2002 2007 %
Bensin/brännsle 1,96 4,41
1,2
5
Gödningsmedel 4,68 10,4
1,2
2
Utsäde 3,46 6,19
0,7
9
Arbetskraft 22 26,4 0,2
46 Siffror från United States Department of Agriculture, (miljarder dollar)
41 http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/Production/grain.pdf42 Colin A. Carter, Gordon C, Rausser, & Aaron Smith, (2011)43 Kamara A, (1982)44 Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011), s. 5245 http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/Production/grain.pdf 46 http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/Production/grain.pdf http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/Economics/economics.pdf
17
Att en sådan prisökning på insatserna i produktionsprocessen leder till ett högre pris är ganska
naturligt, men hur mycket? När Hochman, Rajagopal, Timilsina och Zilberman undersöker
detta i Världsbankens rapport “The Role of Inventory Adjustments in Quantifying Factors
Causing Food Price Inflation”47 visar deras modell att prisökning på bensin och bränsle borde
bidra till minst en 8,6 procentig prisökning.
3.5.4 Makroekonomiska fundament som påverkar efterfrågan
Den ekonomiska tillväxten i världen har varit i genomsnitt 3,5% de senaste 10 åren, trots
finanskrisen 2008.48 Det ligger utanför det här arbetets avgränsningar att exakt försöka avgöra
hur detta har påverkat efterfrågekurvan men då det teoretisk borde ha en långsiktig effekt på
efterfrågan förtjänar det ändå en genomgång.
1999 2000 2001 2003 2004 2005 2006 2007 2008 2009 2010 2011-2-10123456
Real BNP förändring från föregående år
49
Den största delen av denna tillväxt har skett i Afrika, Asien och Sydamerika där
inkomstelasticiteten för matkonsumtion fortfarande är väldigt hög. Inkomstelasticiteten för
spannmål ligger i Afrika oftast mellan 0,5 och 0,6 och ibland till och med högre. För Asien
ligger den strax över 0,5 och för Kina som har varit en relativt stor del av ökade efterfråga på
spannmål ligger den på 0,53. Sydamerikanska länder ligger generellt mellan 0,2 och 0,35
medan inkomstelasticiteten för industri länder ligger runt noll för att i vissa fall till och med
vara negativ.
47 Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011), s. 5048 Egna beräkningar utifrån CIA factbook https://www.cia.gov/library/publications/the-world-factbook/rankorder/rankorderguide.html 49 Data från CIA factbook https://www.cia.gov/library/publications/the-world-factbook/rankorder/rankorderguide.html
18
Ekonomisk tillväxt leder inte bara till en ökad efterfråga av spannmål för direkt konsumtion
när välståndet ökar, det ökar även efterfrågan på kött och kött konsumtionen. För
produktionen av ett kg kyckling krävs ca 2,6 kg spannmål, för fläskkött ca 6,5 kg och för nöt
kött ca 7 kg.50
Som kan ses i tabellen nedan så är inkomstelasticiteten högre för kött än spannmål och den är
relativt hög även för industriländer.
Land spannmål KöttBurundi 0,661 0,832
Zimbabwe 0,637 0,824Burkina Faso 0,573 0,801
Indien 0,535 0,775Mongoliet 0,513 0,773Vietnam 0,537 0,774
Iraq 0,519 0,771China 0,531 0,768Peru 0,359 0,709
Tunisien 0,346 0,712Ukraina 0,347 0,699
Ryssland 0,254 0,665Argentina 0,248 0,663Sverige 0,103 0,498Italien -0,009 0,508
Spanien -0,246 0,511Irland 0,051 0,504Japan 0,077 0,488USA -0,085 0,343
51Inkomst elasticiteter för valda länder
Det är svårt att kvantifiera hur stor effekt världens ekonomiska tillväxt har på efterfrågan av
spannmål. Men att det har en inverkan är nästan alla de artiklar jag har gått igenom överens
om.52 Denna tillväxt tillsammans med biobränsle policyer har lett till att konsumtionen av
spannmål och oljefrön har varit större än produktionen under sju av åtta år mellan år 2000 och
2008.53
50Trostle R, (2008), s. 12, United Nations, (2011), s. 1051 http://www.imf.org/external/pubs/ft/weo/2008/02/pdf/c3.pdf52 Bland annat FTI, (2011), Jarecki H, (2011), Ghosh J, Heintz J & Pollin R, (2011), Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011)53 Trostle R, (2008), s. 13
19
3.5.5 Substitutvaror och samvariationer i pris
Grundläggande ekonomisk teori lär oss om substitutvaror och korspriselasticiteter. När det
kommer till spannmål är det ganska intuitivt att dessa i varierande grad är substitut.
De tre största spannmålsvarorna vete, ris och majs har väldigt hög korspriselasticitet.54 Ytan
åkersareal som sås är också begränsad, mer yta sådd med majs innebär mindre åkersareal för
någon annan gröda.55 Detta får som effekt att någon slags chock på en marknad snabbt märks
av i priset på de andra spannmålsmarknaderna.
Det har också på senare tid observerats en större priskorrelation mellan olika råvaror, och då
inte bara råvaror inom samma kategori.56 Vissa hävdar att detta beror på investerare och
spekulanter men ingen mig veterligen har kunnat verifiera detta.
3.5.8 Lager
Lagernivåer är en viktig faktor i att bestämma råvarupriser, därför har också mycket forskning
ägnats åt detta samband. Den mest centrala teorin är ”theory of storage” från 1939, som
mycket av det teoretiska arbetet bygger på och utgår ifrån.57 Jag ämnar inte gå igenom alla
dessa teorier eller deras användningsområden och tillämpningar, utan i stället sammanfatta
några av de centrala slutsatserna. För en bra genomgång rekommenderar jag (Gorton,
Hayashi, 2007)58 vilket hjälpte mig i min förståelse för ämnet.
Det finns flera olika marknadsaktörer som håller lager, dessas agerande skiljer sig åt en aning
vilket måste tas hänsyn till för att korrekt modellera lagers effekt på pris. Producenterna av
råvaror har generellt sett möjlighet att hålla vissa lager, vilket de kan göra om de förväntar sig
att priset ska gå upp.59 Marknadsaktörerna som använder råvarorna som insats i
produktionsprocessen håller också vissa lager. De som håller lager för egen produktion är inte
lika benägna att sälja ut sina lager vid prisuppgångar som producenterna.60 Spekulanter kan
hålla fysiska lager av en vara i förhoppning om att priset ska gå upp. Detta är i alla fall en
teoretisk möjlighet, (jag har inte lyckats hitta någon uppskattning på i vilken utsträckning 54 Wright B, (2011), s. 5555 Colin A. Carter, Gordon C, Rausser, & Aaron Smith, (2011), s. 2256 Garett I, Taylor N, (2001)57 NG S, & Ruge-Murcia F, (2000), Deaton A, & Laroque G, (1996), Gorton G, Hayashi F, Rouwenhorst K, (2007)58 Gorton G, Hayashi F, Rouwenhorst K, (2007)59 Ghosh J, Heintz J & Pollin R, (2011)60 Symeonidis L, Prokopczuk M, Brooks C, & Lazar E, (2012)
20
detta sker). Och vissa råvaror håller stater förråd av, mestadels stapelvaror på mat i
säkerhetssynpunkt.
När priser på råvaror citeras uppmärksammas det sällan att priset variera både beroende på
var geografiskt varan befinner sig samt vilken kvalitet den har. Ofta är det någon väl etablerat
standard som uppges till exempel ”Cash price, Kansas city, hard red winter wheat”61 Detta i
kombination med dålig kvalitet på tillgänglig data och svårigheten att definiera relevanta lager
gör att väldigt få forskare har försökt kvantifiera lagerhållningens effekter.62
Diagrammet visar världens totala lagernivåer på vete (rosa) samt priset på vete (blå)63
Vad de flesta ändå kommer fram till är att lägre lager nivåer leder till större volatilitet på
marknaden.64 Det verkar också finnas ett samband mellan möjligheten att hålla en vara i lager
och spotpris volatiliteten. Jordbruksprodukter har alla en tidsgräns på hur länge de kan
lagerhållas utan att de förstörs eller att värdet på lagret minskar. I en jämförelse mellan
spotpriset på olika marknader är det möjligt att observera att elpriset är det mest volatila (i
stort sett omöjligt att lagerhålla) medan priset på guld och platina har låg volatilitet. I samma
jämförelse hamnar majs och vete ungefär i mitten.65 Deaton och Laroque66 kommer i sin
undersökning fram till att det skulle vara 57 procents större volatilitet i spotpriset på majs utan
lager.
61 Gorton G, Hayashi F, Rouwenhorst K, (2007), s. 1362 Gorton G, Hayashi F, Rouwenhorst K, (2007), s. 463 Mitchell D, (2008), s. 1364 Gorton G, Hayashi F, Rouwenhorst K, (2007), Geman H, Ohana S,(2009)65 FTI, (2011), s. 2966 Deaton A, & Laroque G, (1996)
21
Sambandet mellan lagernivåer priser och volatilitet är inte heller linjärt. Det vill säga att när
lagernivåerna är höga så leder inte en lagerminskning till mer än moderata prisökningar och
volatilitetsökningar. Men om lagernivåerna är låga så kan en lika stor lagerminskning leda till
pristoppar.67 Sambandet mellan futurespris och lager vid låga lagernivåer liknar mer ett
kvadratiskt samband där en lager minskning leder till en exponentiell prisstegring i
futurespris.68
Under åren fram till pristoppen 2007 har det funnits anledningar för stater och företag att
minska sin lagerhållning. Liberaliseringen av internationell handel samt en mer likvid
marknad i kombination med att stater efter tjugo år av relativt låga stabila priser har lett till att
stater inte sätt samma behov av chock dämpande lager. För den privata sektorn har det alltid
varit en extra kostnad att hålla lager och i takt med bättre teknik för transporthantering och
lagerövervakning har lager nivåerna dragits ner.69 Detta har lett till att lagerna 2007 och 2008
låg på minimumnivå.70 Med en minskning i det aggregerade måttet för spannmål och oljefrön
från trettio till femton procent i nivån på lager i förhållande till användning från 1999 fram till
2007.71 Detta var den lägsta noterade nivån sen 197072
Både prissvängningar samt prisökningar kan alltså minskas genom att hålla högre lagernivåer.
Även om beteendet hos de olika aktörerna som håller lager skiljer sig åt så visar Deaton och
Laroque73 att lager som hålls i spekulativa syften också mildrar prissvängningar.
3.5.9 Statlig policy, Handels policy
“The presence of government in many commodity markets is so ubiquitous andheavy-handed that it is impossible to understand the behaviour of those markets without giving some thought to commodity policy.”74
Forskares försök att modellera policy har givit upphov till flera olika modeller som har lite
olika ansatser och antaganden. Enligt McLaren(1997)75 kan två huvudgrenar urskiljas, en där
67 Wright B, (2011), s. 5568 Gorton G, Hayashi F, Rouwenhorst K, (2007), s. 4. Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011), s. 17, 2969 Trostle R, (2008), s. 1370 Wright B, (2011), s. 5671 Trostle R, (2008)72 Ibid s. 1373 Deaton A, & Laroque G, (1996)74 McLaren J, (1998)75 Ibid
22
statlig policy behandlas som en exogen variabel där kausaliteten går från policy till
marknaden. Inom den andra går kausalitet från marknaden till policy beslutsfattarna som
agerar för att optimera utkomsten i förhållande till något från början fastställt kriterium.
Det som är intressant för mitt syfte är de modeller där kausaliteten går från statlig policy till
marknaden. Jag kommer inte gå igenom de matematiska specifikationerna för dessa modeller
eller de mekanismer då detta sker. Detta då det både faller utanför ramarna för detta arbeta
samt i många fall är ganska intuitivt. Jag nöjer mig med att det finns en väldokumenterad
sådan kausalitet samt hänvisar till McLaren(1997).
Lagarna som reglerar handel skiljer sig åt från land till land och de lagar som reglerar handeln
med finansiella derivatinstrument brukar vara både omfattande och komplexa. Det som kan
vara signifikant att notera är att USA har väldigt strikta regler för hur stor position du får ta i
förhållande till marknadens storlek.76 Detta gäller både den faktiska fysiska råvarumarknaden
och i en ännu högre grad futuresmarknaden. Det som regleras på futuresmarknaden är främst
andelen kontrakt som samma individ eller institution får inneha i samma leverans period.77 De
flesta länder har någon liknande lagstiftning för att förhindra att någon via marknadsandel ska
kunna påverka marknaden åt endera hållet.
Internationell handelspolicy samt import/exportpolicy är ett väldigt brett ämne som jag inte
kan sträva efter att uttömma. Det jag ämnar att försöka göra är att visa på vilken generell
riktning denna har rört sig mot i världen och citera forskare om vad detta kan tänkas ha för
effekt. Samt att lyfta fram policy åtgärder som kan ses som något utöver det vanliga i relation
till prisutvecklingen 2007.
Det finns många problem när det kommer till att kvantifiera internationell jordbruks policy
samt export/importpolicy. Ett är genom de många kanaler den kan verka, direkt
subventionering av bönder, export stöd, tullar, import/export kvoter, skatter, med flera. OECD
har försökt lösa detta genom olika aggregat. Single Commodity Transfers (SCT) är stöd
riktade för att bara påverka en ensam råvara. PSE som är det årliga bruttovärdet av monetära
överföringar från konsumenter och skattebetalare till jordbruksproducenter som är en följd av
76 Jarecki H, (2011)77 Ibid
23
policy. NPC är en nominell skydds koefficient78 vilket fungerar som ett index på hur skyddade
OECDs ländernas jordbruksmarknader är, medan MPS är ett index för jordbruksprodukter79
Under perioden 1999 till 2009 minskade NPC för MPS från 1,7 till 1,15, SCT minskade med
mer än 60% medan PSE minskade med 40%.80 För en sammanställning (om en något
utdaterad över) över tullar subventioner och andra policys som påverkar marknaderna se
Gomez-Plana och Devadoss.81
Vad blir då effekten av mer frihandel och minskade jordbrukssubventioner? Fabiosa med
flera82 menar på att priset på de flesta jordbruksvaror de undersökte skulle öka i och med
avskaffandet av nämnda policys, undantaget är oljefrön vars pris skulle öka.
En annan policy som inte direkt märks i de mått jag har tagit upp ovan är de som tar
jordbruksland ur produktion. EUs CAP policy går ut på att minska åker arealen för
jordbruksproduktion.83 Medan USAs har sitt ”Conservation Reserve Program”84 som använder
1,8 miljarder dollar till att ta bort jordbruksland som anses ha känslig påverkan på miljön och
ekosystemet ur produktion.
I och med den häftiga prisökningen i spannmål och andra jordbruksprodukter år 2006 och
2007 vidtog en rad länder olika åtgärder. Jag ska nedan försöka ge en sammanställning av
dessa nya policys.
Argentina Kvot på hur mycket vete som får exporteras, Höjd export skatt på vete, majs, sojabönor, sojaböns mjöl, sojaböns olja.
Bolivia Minskade import tullar på sädesprodukter.Egypten Förbud mot ris export.Etiopien Export restriktioner på veteEU Minskade import tullar på sädesprodukter.
78 Fritt översatt av mig från (nominal protection coefficient)79 Indexet innefattar vete, korn, ris, socker, mjölk, nötkött, gris foder, ägg, äpplen, kål, gurka, vindruvor, mandariner, päron, spenat, jordgubbar, och lök. För att se hur det beräknas se Butault J, (2011) s. 1680 Butault J, (2011)81 Mez-plana A, & Devadoss S, (2004)82 J, Beghin J, Cara S, Elobeid A, Fang C, MuratIsik, Matthey H, Saak A, Westhoff P, Brown D, Willott B, Madison D, Meyer S, & Kruse J, (2013).83 Fabiosa J, Beghin J, Cara S, Elobeid A, Fang C, MuratIsik, Matthey H, Saak A, Westhoff P, Brown D, Willott B, Madison D, Meyer S, & Kruse J, (2013) sid 333 (18)84 http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/Economics/economics.pdf
24
Indonesien Förbud mot ris export, minskade import tullar på sojabönor och vete.Indien Kvot för ris export, förbud mot vete export, efter ett tag förbud mot all ris export förutom
basmatiris, minskade export tullar på vete och mjöl.Kambodja Förbud mot ris export.Kazakstan Höjd exportskatt på vete, förbud mot export på oljefrön, vegetabiliska oljor efter ett tag
även på vete.Kina Förbjuder ris och majs export, tar bort export moms rabatt på spannmålsprodukter, ny
export skatt på spannmålsprodukter.Korea Minskade import tullar på en rad basmat varorMalaysia Exportskatt på palmolja.Marocko Minskad importskatt från 130% till 2,5%Mexiko Lägre importtullar för spannmålMongoliet Minskade importtullar på en rad basmatvaror.Ryssland Höjd exportskatt på vete.Serbien Förbud mot vete export, minskade import tullar vete.Thailand Minskade importtullar på fläskköttUkraina Först kvot för vete export följt av exportförbudUSA USA Importtull på sockerrörs etanol från Brasilien får till konsekvens att en större del av
USAs etanol efterfråga måste tillgodoses med inhemsk etanol produktion av majsVenezuela Pris subventioner på vissa basmats produkterVietnam Först kvot på risexport senare förbud mot risexport.
85
Tabellen innehåller alla policyer som jag har hittat, IMF uppskattar dock att minst trettio
länder införde förbud eller restriktioner mot export av mat råvaror.86 Att spekulera i
magnituden av effekten av dessa policyer är förstås svårt, men litteraturen är överens om att
det har lätt till ökade priser samt att tvära policy skift oftast leder till högre pris volatilitet.
Utformningen av ett lands skattesystem kan också ha en påverkan på bönders agerande.
Inkomsten för jordbrukare är generellt volatile samtidigt som de ofta har möjlighet att hålla
viss del av sin produktion i egna lager.87 Samtidigt som generell lagerhållning av grossister
också skulle kunna beskattas. Min bedömning är dock att skattepolicy knappast har haft
någon större inverkan på råvarupriset. Detta då utformningen av skattesystem är en
trögflytande process där det mig veterligen inte skett något stort paradigmskifte.
3.6 Biobränsle
Användningen av biobränsle har varit ett vanligt förekommande diskussionsämne både i
media och bland politiker.88 Många har hävdat att produktionen av biobränsle driver upp
85 Mitchell D, (2008), Trostle R, (2008), Colin A. Carter, Gordon C, Rausser, & Aaron Smith, (2011), s. 25, Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011), s. 1286 Colin A. Carter, Gordon C, Rausser, & Aaron Smith, (2011), s. 2587 McNew K, & Gardner B, (2013)88 Demirer R, Kutan A, & Shen F, (2012), s. 1
25
priset på mat, därför ämnar jag göra en relativt kort sammanfattning av vad olika
undersökningar har kommit fram till.
I och med nya policyer i USA och EU har produktionen av biobränsle ökat explosionsartat
med en trettio procentig produktionsökning per år mellan 2006 och 2008. USA antog 2005
The U.S. Energy Policy Act som stipulerar att sju och en halv miljarder gallons biobränsle ska
användas i bensin till 2012. EU har antagit en policy som säger att tio procent av allt
transportbränsle ska vara biobränsle år 2020.89 Förutom detta har mer än 40 länder satt mål för
ökad användning av biobränsle.90
2000 2001 2002 2003 2004 2005 2006 2007 2008 20090
200400600800
10001200140016001800
Världens totala produktion av biobränsle
enhet, tusen tunnor per dag
91
Det förekommer mindre skillnader mellan biodisel och etanol i produktionsprocessen av vad
som används och åtgång av råvaran för produktion av en liter. Dessa skillnader är försumbara
när syftet bara är att ge en bred överskådlig bild varpå jag inte ämnar särskilja dem utan
referera till allt som biobränsle.
Vad som används i produktionen av biobränsle är olika i olika länder. Inom Eu och Kanada
används mestadels rapsolja, USA majs, Brasilien sockerrör och Argentina sojaböns olja.92
Självklart används även andra grödor till produktion men en absolut majoritet av biobränsle
produktionen sker med dessa grödor. Jag kommer inte vidare gå in på Brasilien, då Brasiliens
biobränsle produktion inte antas ha påverkat världsmarknadspriset nämnvärt. Detta då
produktionsökningen i Brasilien har varit så pass stor att trots en ökning av biobränsle
89 Mitchell D, (2008), s. 1090 Cororaton C, Timilsina G, (2012), s. 3291 United Nations, (2011), s. 5792 Trostle R, (2008), s. 15
26
produktion från 7.7 miljoner ton år 2000 till 20.6 miljoner ton 2007 så har sockerproduktionen
nästan fördubblats under samma årtal.93
Tabellen nedan innehåller en översikt gjord av världsbanken över några artiklar där
författarna har undersökt inverkan av biobränsle produktion på råvarupriset. FN har också
gjort en mindre sammanställning över uppskattningar av effekten av biobränsle produktion.
Den kommer fram till att det har bidragit till prisökningen på matpriser men att det är oklart
hur mycket.94
Source Estimate Commodity Time periodMitchell [47] 75% global food index Jan 2002 to Feb 2008IFPRI [59] 39% corn 2000 to 2007
21-22% rice and wheat 2000 to 2007OECD-FAO [51] 42% coarse grains 2008 to 2017
34% vegetable oils 2008 to 201724% wheat 2008 to 2017
Collins [15] 25-60% corn 2006 to 200819-26% U.S. retail food 2006 to 2008
Glauber [25] 23-31% commodities Apr 2007 to Apr 200810% global food index Apr 2007 to Apr 20084-5% U.S. retail food Jan to April 2008
CEA [42] 35% corn Mar 2007 to Mar 20083% global food index Mar 2007 to Mar 2008
Rajagopal et al. [54] 15-28% global corn price 2007 to 200810-20% global soy price 2007 to 2008
Hoyos andMedvedev[16]
6% global food index 2005 to 2007
95
Det är huvudsakligen på tre sätt som den ökade produktionen av biobränsle påverkar priset på
matstapelvaror. Ökad efterfrågan, omprioriteringar av jordbrukare, hur stor åkers areal som
ska användas till olika grödor, och substituts effekt, prispåverkan på andra liknande råvaror.
Som tabellen ovan visar är det svårt att mäta priseffekten av ökad efterfråga men det kan
nämnas att 24 procent av USA majsproduktion numera används till biobränsle.96
Olika klimat och olika jordförhållanden gör att jordbrukare inte kan välja helt fritt vilka
grödor de vill odla. De som trivs under ungefär samma förhållanden är majs och sojabönor,
93 Mitchell D, (2008), s. 1094 United Nations, (2011), s. 1295 Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011), s. 996 Trostle R, (2008), s. 17
27
samt vete, korn, solrosor och raps. Amerikanska bönders sådda areal för majs ökade med 23
procent 2007, detta samtidigt som arealen för sojabönor minskade med 16 procent.97
Medan världens åtta största veteproducerande länder ökade den sådda arealen av raps och
solrosor med 36 procent mellan 2001 och 2007. Under samma period minskade den totala
sådda arealen med vete med en procent.98
IMF har uppskattat priseffekten på olika jordbruks varor av än en procentig prisökning på
majs eller raps olja. Enligt dessa uppskattningar skulle en procents prisökning på majs leda till
0,23 procents prisökning på ris, 0,19 procent på vete och 0,78 procent prisökning på
sojabönolja. En procents prisökning på rapsolja skulle leda till 0,62 procent prisökning på vete
och 1,19 procents prisökning på sojabönolja.99
3.7 Väder
Väder har en stor påverkan på avkastningen av bönders utsäde. Plantor som inte får lagom
mängd sol och vatten får minskad avkastning eller ingen alls. Nedan följer en
sammanställning av länder med ogynnsamma väderförhållanden som påverkade
produktiviteten för odling år 2006 och 2007.
2006Ryssland Torka, minskad veteskörd
Ukraina Torka, minskad veteskörd
Australien Andra året i rad med torka, minskad veteskörd
Sydafrika Torka minskad skörd
Thailand Torka minskad sockerrörs skörd
Brasilien Torka minskad sockerrörs skörd
2007
Nord Europa Torr vår samt översvämningar vid skördetid
Sydöst Europa Torka, minskad skörd
Ryssland och Ukraina Andra året i rad med torka, minskad skörd
97 Mitchell D, (2008), s. 1198 Mitchell D, (2008), s. 1299 http://www.imf.org/external/pubs/ft/weo/2008/02/pdf/c3.pdf
28
Delar av USA Vintervete skörden delvis förstörd av flera dagars svår frost
Canada Varm och torr sommar, minskad avkastning
Nord västra Afrika Torka i huvudområdena för vete och korn
Turkiet Torka som påverkade de icke konst bevattnade områdena
Australien Tredje året av århundradets värsta torka
Argentina Sen frost som minskad majs och korn avkastningen100
4. Metod
Här kommer jag gå igenom de kriterier som är viktiga i mitt val av ekonomisk/ekonometrisk
modell, samt vilka tester av data som är nödvändiga för att jag ska kunna dra korrekta
slutsatser. Jag börjar med att gå igenom mitt modell val varpå jag går igenom vanliga problem
med tidsseriedata. Därefter kommer en genomgång av modellen, samt varför en liten
modifikation till den visade sig nödvändig.
4.1 Modell kriterium
Mitt empiriska arbete går ut på att undersöka korrelation mellan tidsserier gällande volymen
på handeln med en vara och priset på densamma. Det som är avgörande för beslutet om vilken
ekonometrisk modell jag ska använda är främst två saker. Ett, att modellen ska klara av flera
variabler samt dessa variablers laggade värden, och två, att modellen inte gör några
restriktioner om vilka variabler som behandlas som exogena eller endogena. Dessa kriterier
stämmer överens med en vektor auto regressions modell eller VAR.
4.2 Stationäritet
Stationäritet är ett begrepp som beskriver en egenskap hos data, och är speciellt relevant för
tidsseriedata. Med Stationäritet menas att tidsserievariabelns medelvärde, varians och
kovarians är oberoende från tids prefixet.101 Ett annat sätt att förklara det är att en tidsserie är
100 Trostle R, (2008), http://www.imf.org/external/pubs/ft/weo/2008/02/pdf/c3.pdf, Mitchell D, (2008), s. 10101 Westerlund (2005) s. 202
29
stationär om distributionen av dess värden är detsamma över tiden. Vilket innebär att
sannolikheten att y hamnar inom ett specifikt intervall är densamma över hela tidsserien.102
Om variabelns medelvärde, varians och kovarians inte är oberoende av tidsprefixet så råder
icke-stationäritet. I tidsseriedata är detta ofta i formen av en tidstrend.
Om tidsseriedata är icke-stationär kan det visas att varken t-fördelningen eller f-fördelningen
är giltiga. Medan R² värdet kan bli högt även för orelaterade variabler. Om två oberoende
variabler regresseras på varandra medan de är icke-stationära och innehåller liknande
tidstrender så kommer således R² värdet bli högt trots att de är orelaterade.103 Icke-stationäritet
kan också ändra hur tidsserien beter sig vid test. Som att chocker inte dör ut, om en chock
inträffar vid en viss tidpunkt så minskar den med tiden om tidsserien är stationär. Om den
däremot är icke-stationär så kan effekten av chocken vid tidpunkt ett leva kvar vid tidpunkt
två med samma styrka, och så vidare vid tidpunkt tre, fyra och så vidare.
4.2.1 Dickey Fuller test
Dickey Fuller testet är ett test för icke-stationäritet som undersöker förekomsten av
enhetsrötter.104 En enhetsrot är när en av de autoregressiva parametrarna (β1) i modellen är
lika med ett. För att illustrera hur testet går till se AR(1) modellen nedan.
y i=β0+β1 y i−1+e i
y i− y i−1=β0+β1 y i−1− y i−1+ei
∆ yi=β0+β1 y i−1− y i−1+ei
¿ β0+( β1−1 ) y i−1+ei
¿ β0+γy i−1+e i105
Först drar vi från y i−1 från båda sidor, för att sedan faktorera ( β1−1 ) som vi sedan skapar en
ny variabel av γ=β1−1. Vilket innebär att om β1är lika med ett blir γ lika med noll, alltså
förekomst av en enhetsrot därför icke-stationäritet. Detta test kan lätt generaliseras för att
102 Brooks C (2008) s. 207103 Ibid s 319104 Westerlund, (2005) s. 207105 Ibid s. 207
30
gälla tidsseriemodeller med flera laggade värden. En vanligt förekommande metod för att
göra icke-stationära tidsserier stationära är att ta första differensen av tidsserien. Första
differensen av en tidsserie är när andra observationen subtraheras från första observationen,
tredje observationen subtraheras från den andra och så vidare.
ys= y t− y t−1
Där ys är första differensen av tidsserien y.
4.3 Kointegration
Kointegration är ett specialfall som uppstår när två eller flera variabler innehåller samma
stokastiska trend (enhetsrot). Ett annat sätt att uttrycka det är att det finns en linjär
kombination av de icke-stationära variablerna som är stationär.106 Om det bör finnas en
equilibrium relation mellan några icke-stationära variabler antyder det att deras stokastiska
trend borde vara sammanlänkade på något sätt. 107 För att variablerna ska vara integrerade
krävs det dock att de är integrerade av samma ordning.108
4.3.1 Johnsons Kointegrations test
Då teorin säger att det borde finnas något sorts jämviktssamband mellan de variabler som ska
skattas är det troligt att de är kointegrerade. Då det i alla fall bör finnas ett jämviktssamband
mellan de pristidsserier som jag skattar bör ett kointegrationstest göras. Då Johnsons
kointegrationstest förekommer i några av de artiklar jag har gått igenom samt i ekonometri
böcker väljer jag detta test.109
Mattematiken som ligger bakom kointegrationstest då också Johnsons kointegrations test
ligger tyvärr över min mattematiska förmåga, då jag bara har en elementär förståelse av
matriser och vektorer. Därför får jag hänvisa till ekonometriska läroböcker så som Enders W,
(2010) Applied Econometric Time Series, s. 420 för en genomgång av hur testet går till rent
konkret. Men som Christofer Sims skrev i sin artikel (Macroeconomics and Reality
1980)”Since the argument gets technical, readers with powerful intuition may wish to skip it.”
106 Brooks C, (2008), s. 335107 Enders W, (2010), s. 356108 Enders W, (2010), s. 360109Brooks C, (2008),, McKenzie A & Holt M, (2002), s. 3
31
4.4 Vektor Auto Regression (VAR)
För att lättare förstå den modell jag använder, Vektor Error Correction Model (VECM) ämnar
jag först gå igenom Vektor Auto Regression (VAR) då VECM kan sägas vara en
vidareutveckling av VAR för att hantera kointegration.110
Vektor Auto Regression (VAR) är en ekonometrisk modell som gjordes populär av Christofer
A Sims(1980).111 Modellen kan anses vara en hybrid mellan univariata tidsseriemodeller och
simultana ekvationsmodeller.112 Därför ämnar jag lite snabbt gå igenom vad en univariat
tidsseriemodell är, samt vad en simultan ekvationsmodell innebär, för att sedan gå vidare med
varför VAR kan anses vara en hybrid av de två.
Univariata tidsseriemodeller är modeller där en variabel modelleras utifrån endast historisk
information om dess egna värden samt tidigare och nuvarande värden hos slumptermen.113
Vad simultana ekvationsmodeller innebär kan delvis uttydas av själva benämningen. Det finns
två eller flera ekvationer och vissa av de förklarande variablerna är icke stokastiska.
Som hybrid mellan dessa två är VAR analys anpassad för att hantera både när en variabel
beror på tidigare värden av sig själv och slumptermen. Samt flera ekvationer där även
variablerna i högerled betraktas som endogena.
För att gå igenom hur VAR fungerar används ofta ett ekvationssystem med endast två
variabler samt ett laggat värde.
y t=b10−b12 z t+γ11 y t−1+γ12 zt−1+ε yt 3.
z t=b20−b21 y t+γ21 y t−1+γ 22 zt−1+ε zt 4.
Detta kan dock expanderas för att innefatta fler variabler och fler laggade värden. För en genomgång av hur se Enders (2010) sid 315.
Att ha fler variabler samt fler laggade värden gör dock det mer otympligt att förklara
modellen, varpå det för förståelse är bättre att använda det bivariata systemet.
Ekvationssystemet kan omskrivas på matris form varpå det blir.
[1b12
b211] [ yt
zt ]=[b10
b20 ]+[ y11 y12
y21 y22] [ y t−1
zt−1 ]+[ε yt
ε zt ] 5.
110 Brooks C, (2008), s. 350111Brooks C, (2008) 112 Brooks C, (2008)113 Dougherty C, (2011), s. 423
32
För att sedan skriva om det i mer kompakt form.
Bxt=Γ0+Γ 1 χ t−1+εt 6.
Där de nya variablerna representerar matriserna.
B=[1b12
b211] , ×t=[ y t
zt ] , Γ0=[b10
b20 ] Γ1=[ y11 y12
y21 y22 ] , εt=[ε yt
ε zt ]Sen multipliceras ekvation 4 med B−1 för att få fram.
x t=A0+A1 χ t−1+e t 7.
Där A0=B−1 Γ 0 A1= B−1 Γ 1 och e t= B−1 εt
Ekvation fem kan sedan skrivas om för att få VAR i dess standardform. Där a10 och a20 är två
element i vektorn A0, a11, a12, a21 och a22 är element i matrisen A1 och e1 t och e2 t är element i
vektorn e t .
y t=a10+a11 yt−1+a12 zt−1+e1 t 8.z t=a20+a21 y t−1+a22 zt−1+e2 t 9.
Ekvation sex och sju är en VAR i standardform, till skillnad från ekvation ett och två som är
en VAR i strukturell form.114 Denna transformation görs för att se till att det inte förekommer
variabler i höger- och vänsterled samtidigt med samma tids prefix. Vilket får som följd att
ekvationerna kan skattas var för sig med OLS115
116
4.5 VECM
När icke-stationäritetens komplikationer började övervägas på sjuttitalet var första intuitionen
att ta första differensen av tidsserierna och på så sätt göra tidsserierna stationära.117 Metoden
som sådan är det inget ekonometriskt fel på, och de resultat som fås är statistiskt signifikant
114 Enders (2010) s. 298115 Brooks C, (2008), s. 296116 Samtliga ekvationer i VAR avsnittet är tagna från Enders (2010) s. 297-301117 Brooks C, (2008), s. 337
33
men då relationen mellan variablerna är viktig kan information om denna relation falla bort.118
Därför utvecklades VECM som skulle kunna sägas vara en VAR med icke-stationära
variabler.
VECM använder första differensen (delta betäckningen) samt laggade nivåer av kointegrerade
variabler ( y t−1−γxt−1 ).119
∆ y t=β1 ∆ xt +β2 ( y t−1−γxt−1 )+ut
I ekvationen ovan är γ kointegrations koefficienten och ( y t−1−γxt−1 ) fel korrektionstermen. Så
länge y och x är kointegrerade med kointegrations koefficienten γ kommer fel
korrektionstermen vara stationär120 Vilket kan generaliseras för fler variabler.
∆ y t=β1 ∆ xt +β2∆ wt+β3 ( y t−1− y1 x t−1− y2 w t−1 )+ut
4.6 Granger Kausalitet
Granger kausalitet får inte mistas för ”äkta kausalitet” då den inte bevisar eller visar på ett
äkta orsakssamband. Metoden använder tidigare värden i den ena tidsserien för att se om det
är möjligt att med hjälp av dessa förutsäga utvecklingen av värdena i en annan tidsserie.121
5 Emperi datan
5.1 var min data kommer ifrån
Den data jag har använt kommer antingen från Minneapolis Grain Exchange (MGEX)122
(volym) eller från Amerikanska jordbruksdepartementet (USDA)123. Anledningen till att jag
har använt volym data från MGEX är att de är den enda större futuresmarknad som publicerar
118 Ibid s. 338119 Ibid s. 338120 Ibid s. 338121 Brooks C, (2008), s.298122 http://www.mgex.com/download.html 123 http://www.ers.usda.gov/data-products/wheat-data.aspx#price
34
statistik över volym på sin hemsida. Jag har varit i e-mail kontakt med de sju största
marknaderna för futures på vete. Svaren jag har fått på mina förfrågningar om volym data har
varit varierande men kan delas in i två kategorier. De som säger att de inte har eller inte ger ut
den sortens data, och de som skickar en prislista. Mitt resonemang bakom valet att använda all
annan data från USDA är att de är den bästa och mest tillförlitliga källa gällande data om
Amerikanskt jordbruk.124
Den data jag har tagit från USDA är tre prisserier, majs125 som är ett viktat index för
majspriset i USA. Ett viktat index för vete, samt en prisserie för en specifik vetetyp, ”hard red
spring wheat”.126 Volym data är ursprungligen dags data över kontrakt handlade med hard red
spring wheat som underliggande tillgång. Anledningen att jag har valt just vetesorten hard red
spring wheat är att MGEX är marknadsledande på handeln med denna vetesort.127 Jag har valt
att använda landsspecifikt prisdata för USA då mitt syfte varit att finna ett samband. Om det
inte finns något samband mellan volymen på fututreshandel med en specifik vetesort och den
vetesortens nationella pris eller det nationella indexpriset på vete är sannolikheten låg att det
finns ett sådant samband med världsmarknadspriset.
5.2 Tabeller, Diagram
Jag har i största möjliga mån försökt att göra egna tabeller och diagram när detta varit möjligt.
De diagram och tabeller som är direkt kopierade från någon annans artikel är det för att deras
källhänvisningar eller min förmåga att finna den data de refererar till varit bristfällig. Jag har i
dessa fall gjort en bedömning att den artikel jag har tagit diagrammet eller tabellen från varit
pålitlig och hänvisat till artikeln som jag tog diagrammet från.
6. Resultat
6.1 Stationäritet, Dickey Fuller test
Null Hypothesis: CORN has a unit root t-Statistic Prob.*
124 United Nations, (2011), s. 5125 http://www.ers.usda.gov/data-products/agricultural-baseline-database/custom-queries.aspx 126 http://www.ers.usda.gov/data-products/wheat-data.aspx#price 127 United Nations (2011) s. 8
35
Augmented Dickey-Fuller test statistic -0.689348 0.8446Test critical values: 1% level -3.484198
5% level -2.88505110% level -2.579386
Null Hypothesis: PRICE_ALL_WHEAT has a unit root t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.718944 0.4193Test critical values: 1% level -3.483751
5% level -2.88485610% level -2.579282
Null Hypothesis: PRICE_HARD_RED has a unit root t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.205244 0.6708Test critical values: 1% level -3.483751
5% level -2.88485610% level -2.579282
Null Hypothesis: VOLYM has a unit roott-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.788721 0.3844Test critical values: 1% level -3.489117
5% level -2.88719010% level -2.580525
Dickey Fuller test på samma tidsserier efter första differentieringen.
Null Hypothesis: CORN has a unit root t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.718596 0.0001Test critical values: 1% level -3.483751
5% level -2.88485610% level -2.579282
Null Hypothesis: PRICE_ALL_WHEAT_S has a unit root t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.525340 0.0091Test critical values: 1% level -3.491928
5% level -2.88841110% level -2.581176
36
Null Hypothesis: PRICE_HARD_RED has a unit roott-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.077118 0.0309Test critical values: 1% level -3.483312
5% level -2.88466510% level -2.579180
Null Hypothesis: VOLYM_S has a unit root t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.720849 0.0000Test critical values: 1% level -3.489117
5% level -2.88719010% level -2.580525
6.2 Kointegration
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.363904 96.15533 47.85613 0.0000At most 1 * 0.230351 41.41427 29.79707 0.0015At most 2 0.077184 9.733904 15.49471 0.3018At most 3 0.000120 0.014495 3.841466 0.9040
6.3 VECM
Vector Error Correction EstimatesCointegrating Eq: CointEq1
CORN(-1) 1.000000
PRICE_ALL_WHEAT(-1) 0.052607 (1.28061)[ 0.04108]
PRICE_HAR_RED(-1) -0.365608 (1.11892)[-0.32675]
VOLYM(-1) -0.000181 (2.2E-05)[-8.05298]
C 3.359222
37
R-squared 0.491471 0.508053 0.474635 0.608788 Adj. R-squared 0.354770 0.375809 0.333408 0.503623 Sum sq. resids 2.323556 8.237670 11.14353 1.77E+10 S.E. equation 0.158065 0.297619 0.346154 13779.27 F-statistic 3.595221 3.841784 3.360794 5.788906 Log likelihood 65.33977 -9.964534 -27.94195 -1288.365 Akaike AIC -0.661173 0.604446 0.906587 22.09017 Schwarz SC -0.053969 1.211649 1.513791 22.69737 Mean dependent 0.037899 0.043866 0.049244 -236.9328 S.D. dependent 0.196779 0.376705 0.423975 19557.82
Determinant resid covariance (dof adj.) 10644.28 Determinant resid covariance 3970.638 Log likelihood -1168.472 Akaike information criterion 21.45332 Schwarz criterion 23.97555
6.4 Granger kausalitet.
VEC Granger Causality/Block Exogeneity Wald TestsDependent variable: D(CORN)
Excluded Chi-sq Df Prob.
D(PRICE_ALL_WHEAT) 17.74310 6 0.0069
D(PRICE_HAR_RED) 14.99629 6 0.0203
D(VOLYM) 5.377769 6 0.4964
All 43.69191 18 0.0006
Dependent variable: D(PRICE_ALL_WHEAT)
Excluded Chi-sq Df Prob.
D(CORN) 10.88767 6 0.0919D(PRICE_HAR
_RED) 15.92137 6 0.0142D(VOLYM) 7.866718 6 0.2480
All 33.13375 18 0.0161
Dependent variable: D(PRICE_HAR_RED)
Excluded Chi-sq Df Prob.
D(CORN) 8.748320 6 0.1882D(PRICE_ALL_
WHEAT) 33.88287 6 0.0000 D(VOLYM) 6.102815 6 0.4118
All 48.84489 18 0.0001
Dependent variable: D(VOLYM)
38
Excluded Chi-sq Df Prob.
D(CORN) 8.665592 6 0.1933D(PRICE_ALL_
WHEAT) 11.12850 6 0.0845D(PRICE_HAR
_RED) 9.430752 6 0.1508
All 36.43755 18 0.0062
7. Analys
7.1 Resultat analysResultaten av Dickey Fuller testen visar att samtliga tidsserier är icke-stationära och alltså
innehåller en enhetsrot. Efter att ha tagit första differensen på samtliga serier förkastas
hypotesen om en enhetsrot i samtliga tidsserier utom price_hard_red vid en procents
signifikansnivå. Nollhypotesen om en enhetsrot förkastas i price_hard_red vid fem procents
signifikans nivå men inte vid en procents signifikansnivå.
Kontegrations testet förkastar nollhypotesen att det inte förekommer någon kointegrations
vektor vid fem procents signifikansnivå. Johansens kointegrationstest förkastar också att det
endast förekommer en kointegrerande vektor vid fem procents signifikansnivå. Testet
förkastar ej hypotesen att det finns två eller fler kointegrerande vektorer på fem procents
signifikansnivå.
VECM skattar den kointegrerade ekvationsen parametrar som återges i resultatdelen ovan.
Det kointegrerade sambandet synes vara starkare för pristidsserierna än för tidsserien över
volym. För ett tydligare samband om hur olika laggar påverkar varandra se appendix två.
Grangers kausalitetstest har som nollhypotes att y inte Granger-orsakar x, det är alltså när
hypotesen förkastas som en variabel Granger-orsakar en annan. I testet ovan är de siffror som
är signifikanta vid tio procent i fet stil medan de som är signifikanta vid fem procent är i fet
stil samt understrukna. Kausalitet testet förkastar nollhypotesen att pristidsserierna på vete
inte har en prispåverkan på pristidsserien på majs vid fem procents signifikans nivå. Medan
testet inte förkastar nollhypotesen om påverkan mellan volym och majs tidsserierna vid fem
procent. De övriga fallen då nollhypotesen förkastas på fem procents signifikansnivå är
mellan prisserien på hard red spring wheat och indexprisserien på vetet och omvänt att
indexprisserien Granger-orsakar hard red spring wheat. På tio procents signifikansnivå
förkastas nollhypotesen att prisserien på majs inte Granger-orsakar prisserien för veteindex
samt att veteindexserien inte orsakar volym.
39
7.2 Analys av litteratur och fakta
De grundläggande teorierna om prissambandet mellan spot- och futurespris visar upp
sambandet i ekvationer (ekvation 1 och 2) där de förklarande variablerna för sambandet är
räntan, lagerkostnader, tiden samt behändighetspremium.
De mekanismer som oftast framförs för prispåverkan från futurespriset till spotpriset är
arbitrage sambandet, samt att futurespriset fungerar som en prissignal om framtida spotpriser.
Hur väl futurespriset fungerar som prissignal har visat sig svårt att testa empiriskt, mestadels
på grund av den mängd faktorer som kan fungera som prissignaler samt otillräcklig allmän
information om vissa av faktorerna. Arbitrage sambandet bygger på att när priset mellan
futures- och spotmarknaden devierar köper arbitrörer upp varan på spotmarknaden samtidigt
som de går långt i ett futureskontrakt. Sedan lagerhåller de varan tills futureskontraktets
lösendag då de gör en riskfri vinst. Marknadskrafterna skulle på så sätt utjämna priserna tills
att prissambandet än en gång höll. Om denna mekanism för prissambandet skulle verka under
pristoppen som är av intresse mellan år 2006 och 2008 borde lagerhållningen av råvaran öka.
Detta då marknadsaktörer köper på sig råvaran för att bära med sig in i nästa tidsperiod. Vad
som har observerats är istället en lagerminskning. Vilket tyder på att om fututrespriset
påverkar och driver spotpriset så är det i alla fall inte via denna mekanism. Att futurespriset
fungerat som en prissignal och en katalysator för flockmetalitet fenomenet och på sett spätt på
prisstegringen finner jag som fullt möjligt. Jag finner det relativt troligt att marknadsaktörer
karakteriserade som flocken hade blivit lite skrämda vilket satte fart på priserna uppåt. Något
som stödjer detta är att trots rekordhöga priser köpte många importländer mer och inte
mindre. Länder som vanligtvis importerade för att täcka sina behov i tre till fyra månader
hamstrar nu på sig kvantiteter som skulle kunna täcka deras behov för fem till tio månader.128
Även om det i detta läge, när flocken är i rörelse är det möjligt att spekulation i futures (via
påverkan som prissignal) lett till högre priser finner jag det troligare att andra faktorer haft
större påverkan. Vad jag redan nämnt är det inte min mening att analysera psykologin bakom
flockmentaliteten hos marknadens aktörer. Men intuitivt känner jag att många länders tvära
policyskift gällande exportkvoter och förbud och nyheterna om extrem torka och minskade
skördar påverkat mer. Men när det kommer till att analysera psykologi hos marknadsaktörer
befinner jag mig utanför ramarna för den här uppsatsen och dessutom på djupt vatten. FNs
128 Butault J, (2011), s. 13, 22
40
rapport (Price formation in financialized commodity markets) kommer också fram till att
under rådande marknadsförhållanden (att priset på matstapelvaror inte har stor påverkan på
efterfrågan) leder en jämförelsevis liten ökning i efterfråga till stora prisuppgångar.129
Ändringar i utbudet anses också ha en oproportionerlig effekt på priset.
8. Slutdiskussion
8.1 Resultatdiskussion
Hur prispåverkan går från futurespriset till spotpriset eller tvärtom är komplext och
omdebatterat. Mina resultat tyder dock på att det inte finns någon påverkan mellan volymen
på finansiell handel mätt i futureskontrakt handlade per månad och priset på den
underliggande varan. Mitt resultat visar också på en stark prispåverkan från vetepriset till
majspriset samt en prispåverkan från majspriset till vetepriset på tio procents signifikansnivå.
Detta är att vänta då majs och vete till stor del är substitut.
Resultatet jag har fått kan dock inte anses som helt tillförlitligt då det finns brister i
omfattningen på den data jag har använt.
Min undersökning av de variabler som ligger bakom prisformationen för jordbruksråvaror har
inte resulterat i något resultat annat än en insikt i vilka variabler och vad för data som borde
inkluderas i en undersökning med en expanderad modell.
8.2 Metoddiskussion
Det finns flera tillvägagångssätt för att visa på sambandet mellan finansiellspekulation i
derivatinstrument och priset på den underliggande varan. Korniotis (2009)130 väljer att jämföra
råvarumarknader med och utan futureshandel. Jag valde att undersöka korrelationen mellan
olika tidsserier och se om det var möjligt att via dessa samband dra någon slutsats.
129 United Nations, (2011), s. 4130 Korniotis G, (2009)
41
De första resultaten av min dataanalys var att det fanns enhetsrötter i samtliga tidsserier. Detta
gjorde att jag hade att välja på att differentiera tidsserierna och använda första differensen i
mitt ursprungliga modellval vektor autoregressionsanalysen. Eller att använda en annan
dataanalysmodell (VECM) som utnyttjar kointegrerande vektorer för att få ett samband
mellan variablerna som blir stationärt. Då en del av informationen om den inbördes relationen
mellan variablerna kunde gå förlorad vid en differentiering valde jag att använda VECM.
Modellen och de tester jag har gjort på data jag använt tror jag är det korrekta
tillvägagångssättet för analys av den här sortens variabler. Vad som saknas är en
säsongsjustering av data då tidsserier över jordbruksråvaror borde uppvisa ett en stark
säsongsbetoning. Valet att ej säsongsjustera data baserar sig i en brist på förståelse för de
komplexa metoder som krävs samt otillräckliga mattematikkunskaper. Som slutsats kan sägas
att jag anser att metodologin för analysen av data och de tester som utförts har varit adekvat
för syftet medan den data dessa metoder har använts på varit otillräcklig.
8.3 Slutsats
Det är svårt att dra en konkret slutsats utifrån min empiriska studie då den data jag har
analyserat har klara brister. Resultatet tyder på att det inte finns någon prispåverkan från
volymen på finansiell handel med futureskontrak och priset på den underliggande varan. Det
är däremot möjligt att det råder omvänd kausalitet, innebärande att ett stigande pris leder till
mer finansiell spekulation i form av större volym i handeln med futureskontrakt.
Genomgången av de faktorer som påverkar utbud och efterfråga är inte fullständig men ger i
min mening en stark indikation att prisutvecklingen fram till och pristoppen år 2008 inte
primärt orsakades av finansiella spekulanter så som de har definierats i denna uppsats. Min
slutsats är att prisutveckling på råvarumarknaderna mellan år 2006 och 2008 till största del
speglar marknadens fundament. Om det finns en liten del i prisutvecklingen som inte speglar
marknadsfundament tillskriver jag denna påverkan till flockmentalitet hos spotmarknadens
aktörer.
8.4 Förslag på vidare forskning
Det är väldigt svårt att ge förslag på vidare forskning när fältet är så omfattande att jag inte
har haft möjlighet att läsa in mig på all forskning som har gjorts. Det jag får göra är att utgå
42
från de cirka sextio artiklar jag läst samt försöka dra någon slutstat baserat på mina försök att
hitta artiklar om specifika ämnen i bibliotekets databaser.
Något som skulle underlätta är en sammanställning av de olika metoder som används för att
skatta påverkan av olika variabler. Vidare en diskussion om allmän praxis i metodologin som
förhoppningsvis kan leda fram till just en allmän metod praxis så att resultaten artiklar
emellan blir lättare att jämföra.
Rent sammanfattande arbeten som går igenom de empiriska studier som görs samt deras
tillförlitlighet. Detta finns till viss del men då är det endast tio till tjugo artiklar som
sammanfattas och valet av artiklar verkar vara anpassat för något syfte. Är författarna mot
spekulation är det betydligt fler artiklar som finner att det är skadligt som sammanfattas och
om desamma beteende gäller de som är för spekulation och gör sammanfattningar. Så
objektiva mer omfattande sammanfattningar av befintlig litteratur.
Bättre databaser med rådata på de variabler som anses kunna påverka samt internationellt
samarbete för att inte bara få nationella databaser.
9. Referenser
9.1 Litteratur
Brooks C, (2008). Introductory Econometrics for Finance. Second edition. Cambridge University Press
Dougherty C, (2011). Introduction to Econometrics. Fourth edition. Oxford University Press
Enders W, (2010). Applied Econometric Time Series. Third edition. University of Alabama
Hull J, (2012). Options, futures, and other derivatives. Eight edition, Pearson edication limited
Westerlund J (2005), Introduktion till Ekonometri, studentlitteratur
9.2 Artiklar
Adam C, & Ajakaiye O, (2011). Causes, Consequences and Policy Implications of Global Food Price Shocks: Introduction and Overview. Vol 20, Journal of African Economies
43
Adam K & Marcet A, (2011). Booms and Busts in Asset Prices. CEP Discussion Paper No 1059
Albulescu C, & Goyeau D, Financial volatility and derivatives products: a bidirectional relationships. Politehnica University of Timişoara, University of Poitiers
Andersen L, (2010). Markov models for commodity futures: theory and practice. Vol 10, Quantitative Finance
Butault J, (2011). Evolution of Agricultural Support in Real Terms in OECD Countries and Emerging Economies. OECD Food, Agriculture and Fisheries Working Papers No. 37
Colin A. Carter, Gordon C, Rausser, & Aaron Smith, (2011). Commodity Booms and Busts. Annual Reviews
Cororaton C, Timilsina G, (2012). Impacts of Large-Scale Expansion of Biofuels on Global Poverty and Income Distribution. The World Bank Development Research Group Environment and Energy Team
Deaton A, & Laroque G, (1996). Competitive storage and commodity price dynamics. Institut National de la statistique et des etudes economiques
Demirer R, Kutan A, & Shen F, (2012). The effect of ethanol listing on corn prices: Evidence from spot and futures markets. Energy Economics
Eaves J, Valero M, (2009). Differences in opinions and the volatility-volume relationship on the Tokyo Grain Exchange. Vol. 69. Agricultural Finance Review
Fabiosa J, Beghin J, Cara S, Elobeid A, Fang C, MuratIsik, Matthey H, Saak A, Westhoff P, Brown D, Willott B, Madison D, Meyer S, & Kruse J, (2013). Agricultural & Applied Economics Association. Oxford Journals, Oxford University press
FTI, (2011). The impact of speculative trading in commodity markets – a review of the evidence. FTI UK Holdings Limited
Garcı´a A, Poblacio´ n J, & Serna G, (2008). A note on commodity contingent valuation. Volume 13, Journal of Derivatives & Hedge Funds
Garett I, Taylor N, (2001). Portfolio diversification and excess comovement in commodity prices. Vol 69, The Manchester School
Geman H, Ohana S, (2009). Forward curves, scarcity and price volatility in oil and natural gas markets. Energy Economics
Ghosh J, Heintz J & Pollin R, (2011). Speculation on Commodities Futures Markets and Destabilization Of Global Food Prices: Exploring the Connections. Workingpaper Series
44
Gorton G, Hayashi F, Rouwenhorst K, (2007). The fundamentals of commodity futures returns. Working Paper 13249, National Bureau of economic
Gray R, & Rutledge D . The economics of commodity futures markets: a survey. Review of marketing and agricultural economics
Hochman G, Rajagopal D, Timilsina G, & Zilberman D, (2011). The Role of Inventory Adjustments in Quantifying Factors Causing Food Price Inflation. The World Bank Development Research Group Environment and Energy Team
Jarecki H, (2011). The Relationship Between Commodity Futures Trading and Physical Commodity Prices. Gresham investment management LLC
Kamara A, (1982). Issues in Futures Markets: A Survey. Vol. 2, The Journal of Futures Markets
Keynes J, (1936). The General Theory of Employment, Interest, and Money. International relations and security network.
Karpoff J, (1987). The relation between price changes and trading volume: A survey. Vol. 22, The journal of financial and quantitative analysis
Kawaller I, Koch P, & Peterson J, (2001). Volume and volatility surroundingQuarterly redesignation of the lead s&p 500 futures contract. Vol 21, The Journal of Futures Markets
Korniotis G, (2009). Does Speculation Affect Spot Price Levels? The Case of Metals with and without Futures Markets. Finance and Economics Discussion Series Divisions of Research & Statistics and Monetary Affairs Federal Reserve Board, Washington, D.C.
McKenzie A & Holt M, (2002). Market efficiency in agricultural futures markets.Applied Economics
McNew K, & Gardner B, (2013). Income taxes and price variability in storable commodity markets. Oxford Journals Oxford University press
McLaren J, (1998). Consequences of discretion in the formation of commodities policy. Journal of Public Economics
Mez-plana A, & Devadoss S, (2004). A spatial equilibrium analysis of trade policy reforms on the world wheat market. Applied Economics
Mitchell D, (2008). A Note on Rising Food Prices. The World Bank Development Prospects Group
45
NG S, & Ruge-Murcia F, (2000). Explaining the Persistence of Commodity Prices. Computational Economics
Sims C, (1980). Macroeconomics and Reality. Vol. 40, Econometrica
United Nations, (2011). Price Formation in Financialized Commodity Markets: The Role of Information. UNITED NATIONS New York and Geneva
Somoye R, Akintoye I, & Oseni J, (2009). Determinants of Equity Prices in the Stock Markets. International Research Journal of Finance and Economics
Symeonidis L, Prokopczuk M, Brooks C, & Lazar E, (2012). Futures basis, inventory and commodity price volatility: An empirical analysis. Economic Modelling
Trostle R, (2008). Global Agricultural Supply and Demand: Factors Contributing to the Recent Increase in Food Commodity Prices. United States Department of Agriculture
Wright B, (2011). The Economics of Grain Price Volatility. Volume 33, Applied Economic Perspectives and Policy
9.3 Internetkällor
Census of agriculture, United States Department of Agriculture
- http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/ Production/grain.pdf 2013-03-14
- http://www.agcensus.usda.gov/Publications/2007/Online_Highlights/Fact_Sheets/ Economics/economics.pdf 2013-03-14
Central intelligence agency
- https://www.cia.gov/library/publications/the-world-factbook/rankorder/ rankorderguide.html 2013-03-02
cftc.gov- http://www.cftc.gov/ConsumerProtection/EducationCenter/CFTCGlossary/glossary_s
2012-05-23
Europaparlamentet
- http://www.europarl.europa.eu/sides/getDoc.do?pubRef=-//EP//TEXT+WQ+E-2009- 4633+0+DOC+XML+V0//SV 2012-04-13
- http://www.europarl.europa.eu/sides/getAllAnswers.do?reference=E-2009- 4633&language=SV 2012-04-13
46
IMF- http://www.imf.org/external/pubs/ft/weo/2008/02/pdf/c3.pdf 2013-05-16- http://www.imf.org/external/np/res/commod/index.aspx 2013-05-16
Indexmundi.com
- http://www.indexmundi.com/commodities/?commodity=wheat&months=300 2012-04-02
MGEX Historical Data Download
- http://www.mgex.com/download.html 2012-06-02
USDA, Economic research service, United States department of agriculture
- http://www.ers.usda.gov/data-products/wheat-data.aspx#price 2013-05-18- http://www.ers.usda.gov/data-products/agricultural-baseline-database/custom-
queries.aspx 2013-05-18
Världsbanken
- http://siteresources.worldbank.org/EXTPOVERTY/Resources/336991- 1311966520397/Food-Price-Watch-August-2012.pdf 2013-05-02
10. Appendix 1 Dicky fuller test
Null Hypothesis: CORN has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.689348 0.8446Test critical values: 1% level -3.484198
5% level -2.88505110% level -2.579386
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(CORN)Method: Least SquaresDate: 05/22/13 Time: 15:56Sample (adjusted): 2001M04 2011M06Included observations: 123 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CORN(-1) -0.010725 0.015558 -0.689348 0.4919
47
D(CORN(-1)) 0.168655 0.087826 1.920332 0.0572D(CORN(-2)) 0.364629 0.089405 4.078411 0.0001
C 0.049220 0.048160 1.022009 0.3088
R-squared 0.174149 Mean dependent var 0.035935Adjusted R-squared 0.153329 S.D. dependent var 0.194320S.E. of regression 0.178803 Akaike info criterion -0.573081Sum squared resid 3.804504 Schwarz criterion -0.481628Log likelihood 39.24447 Hannan-Quinn criter. -0.535933F-statistic 8.364585 Durbin-Watson stat 1.949036Prob(F-statistic) 0.000043
Null Hypothesis: PRICE_ALL_WHEAT has a unit rootExogenous: ConstantLag Length: 1 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.718944 0.4193Test critical values: 1% level -3.483751
5% level -2.88485610% level -2.579282
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(PRICE_ALL_WHEAT)Method: Least SquaresDate: 05/22/13 Time: 15:56Sample (adjusted): 2001M03 2011M06Included observations: 124 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
PRICE_ALL_WHEAT(-1) -0.029587 0.017212 -1.718944 0.0882D(PRICE_ALL_WHEAT(-1)) 0.475294 0.081622 5.823111 0.0000
C 0.156648 0.084364 1.856816 0.0658
R-squared 0.221818 Mean dependent var 0.040323Adjusted R-squared 0.208955 S.D. dependent var 0.369623S.E. of regression 0.328745 Akaike info criterion 0.636828Sum squared resid 13.07688 Schwarz criterion 0.705061Log likelihood -36.48335 Hannan-Quinn criter. 0.664546F-statistic 17.24527 Durbin-Watson stat 1.882811Prob(F-statistic) 0.000000
Null Hypothesis: PRICE_HARD_RED has a unit rootExogenous: ConstantLag Length: 1 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.205244 0.6708Test critical values: 1% level -3.483751
5% level -2.88485610% level -2.579282
48
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(PRICE_HARD_RED)Method: Least SquaresDate: 05/22/13 Time: 15:57Sample (adjusted): 2001M03 2011M06Included observations: 124 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
PRICE_HARD_RED(-1) -0.022374 0.018564 -1.205244 0.2305D(PRICE_HARD_RED(-1)) 0.301108 0.088216 3.413298 0.0009
C 0.140757 0.097409 1.445010 0.1510
R-squared 0.090596 Mean dependent var 0.045323Adjusted R-squared 0.075565 S.D. dependent var 0.416453S.E. of regression 0.400409 Akaike info criterion 1.031238Sum squared resid 19.39966 Schwarz criterion 1.099471Log likelihood -60.93676 Hannan-Quinn criter. 1.058956F-statistic 6.027119 Durbin-Watson stat 2.074933Prob(F-statistic) 0.003197
Null Hypothesis: VOLYM has a unit rootExogenous: ConstantLag Length: 12 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.788721 0.3844Test critical values: 1% level -3.489117
5% level -2.88719010% level -2.580525
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(VOLYM)Method: Least SquaresDate: 05/22/13 Time: 15:57Sample (adjusted): 2002M02 2011M06Included observations: 113 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
VOLYM(-1) -0.431921 0.241469 -1.788721 0.0767D(VOLYM(-1)) 0.058889 0.248331 0.237137 0.8130D(VOLYM(-2)) 0.045014 0.236911 0.190004 0.8497D(VOLYM(-3)) 0.046895 0.215787 0.217320 0.8284D(VOLYM(-4)) -0.187209 0.206678 -0.905800 0.3672D(VOLYM(-5)) -0.116227 0.189601 -0.613008 0.5413D(VOLYM(-6)) -0.137265 0.176768 -0.776527 0.4393D(VOLYM(-7)) -0.143595 0.156966 -0.914818 0.3625D(VOLYM(-8)) -0.252399 0.141816 -1.779763 0.0782D(VOLYM(-9)) -0.289381 0.122844 -2.355691 0.0205
49
D(VOLYM(-10)) -0.247447 0.118293 -2.091816 0.0390D(VOLYM(-11)) -0.176736 0.106433 -1.660546 0.1000D(VOLYM(-12)) 0.371799 0.099235 3.746634 0.0003
C 11585.10 6319.786 1.833148 0.0698
R-squared 0.656956 Mean dependent var -238.6903Adjusted R-squared 0.611910 S.D. dependent var 19346.23S.E. of regression 12052.09 Akaike info criterion 21.74738Sum squared resid 1.44E+10 Schwarz criterion 22.08529Log likelihood -1214.727 Hannan-Quinn criter. 21.88450F-statistic 14.58406 Durbin-Watson stat 2.046239Prob(F-statistic) 0.000000
Dickey Fuller test efter första differentieringen
Null Hypothesis: CORN has a unit rootExogenous: ConstantLag Length: 1 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.718596 0.0001Test critical values: 1% level -3.483751
5% level -2.88485610% level -2.579282
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(CORN)Method: Least SquaresDate: 05/22/13 Time: 18:33Sample (adjusted): 2001M04 2011M07Included observations: 124 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CORN(-1) -0.496305 0.105181 -4.718596 0.0000D(CORN(-1)) -0.348562 0.085270 -4.087768 0.0001
C 0.017513 0.016391 1.068454 0.2874
R-squared 0.455554 Mean dependent var -0.000403Adjusted R-squared 0.446555 S.D. dependent var 0.238952S.E. of regression 0.177766 Akaike info criterion -0.592802Sum squared resid 3.823689 Schwarz criterion -0.524569Log likelihood 39.75370 Hannan-Quinn criter. -0.565084F-statistic 50.62209 Durbin-Watson stat 1.945329Prob(F-statistic) 0.000000
Null Hypothesis: PRICE_ALL_WHEAT_S has a unit rootExogenous: ConstantLag Length: 5 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
50
Augmented Dickey-Fuller test statistic -3.525340 0.0091Test critical values: 1% level -3.491928
5% level -2.88841110% level -2.581176
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(PRICE_ALL_WHEAT_S)Method: Least SquaresDate: 05/22/13 Time: 15:59Sample (adjusted): 2001M07 2010M06Included observations: 108 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
PRICE_ALL_WHEAT_S(-1) -0.099185 0.028135 -3.525340 0.0006D(PRICE_ALL_WHEAT_S(-1)) 0.464877 0.091693 5.069951 0.0000D(PRICE_ALL_WHEAT_S(-2)) 0.137048 0.102523 1.336750 0.1843D(PRICE_ALL_WHEAT_S(-3)) -0.219383 0.098325 -2.231196 0.0279D(PRICE_ALL_WHEAT_S(-4)) 0.160997 0.101609 1.584468 0.1162D(PRICE_ALL_WHEAT_S(-5)) 0.332947 0.097276 3.422684 0.0009
C -0.046324 0.044685 -1.036695 0.3024
R-squared 0.385053 Mean dependent var -0.032500Adjusted R-squared 0.348522 S.D. dependent var 0.561419S.E. of regression 0.453145 Akaike info criterion 1.317408Sum squared resid 20.73935 Schwarz criterion 1.491250Log likelihood -64.14004 Hannan-Quinn criter. 1.387895F-statistic 10.54030 Durbin-Watson stat 1.969572Prob(F-statistic) 0.000000
Null Hypothesis: PRICE_HARD_RED has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.077118 0.0309Test critical values: 1% level -3.483312
5% level -2.88466510% level -2.579180
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(PRICE_HARD_RED)Method: Least SquaresDate: 05/22/13 Time: 18:34Sample (adjusted): 2001M03 2011M07Included observations: 125 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
PRICE_HARD_RED(-1) -0.577854 0.187791 -3.077118 0.0026
51
C -0.043287 0.078040 -0.554678 0.5801
R-squared 0.071478 Mean dependent var -0.069360Adjusted R-squared 0.063930 S.D. dependent var 0.896488S.E. of regression 0.867359 Akaike info criterion 2.569143Sum squared resid 92.53437 Schwarz criterion 2.614396Log likelihood -158.5715 Hannan-Quinn criter. 2.587527F-statistic 9.468655 Durbin-Watson stat 1.223063Prob(F-statistic) 0.002577
Null Hypothesis: VOLYM_S has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.720849 0.0000Test critical values: 1% level -3.489117
5% level -2.88719010% level -2.580525
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(VOLYM_S)Method: Least SquaresDate: 05/22/13 Time: 16:00Sample (adjusted): 2001M02 2010M06Included observations: 113 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
VOLYM_S(-1) -0.425733 0.074418 -5.720849 0.0000C -394.5767 1208.178 -0.326588 0.7446
R-squared 0.227709 Mean dependent var 333.0619Adjusted R-squared 0.220751 S.D. dependent var 14468.11S.E. of regression 12771.74 Akaike info criterion 21.76540Sum squared resid 1.81E+10 Schwarz criterion 21.81367Log likelihood -1227.745 Hannan-Quinn criter. 21.78499F-statistic 32.72811 Durbin-Watson stat 2.031066Prob(F-statistic) 0.000000
10.1 Appendix 2 VECM
VECM med två laggar
Vector Error Correction Estimates Date: 05/22/13 Time: 20:00 Sample (adjusted): 2001M04 2011M06 Included observations: 123 after adjustments Standard errors in ( ) & t-statistics in [ ]
52
Cointegrating Eq: CointEq1
CORN(-1) 1.000000
PRICE_ALL_WHEAT(-1) -4.192315 (9.56218)[-0.43843]
PRICE_HAR_RED(-1) 1.993536 (8.29275)[ 0.24040]
VOLYM(-1) 0.000801 (0.00010)[ 7.65050]
C -14.52031
Error Correction: D(CORN)D(PRICE_ALL_
WHEAT)D(PRICE_HAR
_RED) D(VOLYM)
CointEq1 0.002176 0.003808 0.004807 -679.6053 (0.00103) (0.00195) (0.00235) (96.7681)[ 2.11005] [ 1.95192] [ 2.04857] [-7.02303]
D(CORN(-1)) 0.039331 -0.391849 0.234976 6370.686 (0.10129) (0.19166) (0.23051) (9505.84)[ 0.38830] [-2.04453] [ 1.01938] [ 0.67019]
D(CORN(-2)) 0.171124 0.154423 -0.032681 -6658.467 (0.10020) (0.18960) (0.22803) (9403.74)[ 1.70779] [ 0.81448] [-0.14332] [-0.70807]
D(PRICE_ALL_WHEAT(-1)) -0.063258 0.541048 0.133489 -120.3685
(0.07015) (0.13274) (0.15965) (6583.54)[-0.90173] [ 4.07607] [ 0.83616] [-0.01828]
D(PRICE_ALL_WHEAT(-2)) 0.063955 -0.327458 0.279265 14440.68
(0.06769) (0.12807) (0.15404) (6352.29)[ 0.94486] [-2.55677] [ 1.81297] [ 2.27330]
D(PRICE_HAR_RED(-1)) 0.092245 0.054435 0.061197 -2667.400 (0.05908) (0.11179) (0.13445) (5544.35)[ 1.56141] [ 0.48696] [ 0.45518] [-0.48110]
D(PRICE_HAR_RED(-2)) 0.064937 0.161406 -0.107802 -6648.840 (0.05821) (0.11014) (0.13246) (5462.59)[ 1.11562] [ 1.46551] [-0.81383] [-1.21716]
D(VOLYM(-1)) -1.58E-06 -9.35E-08 -1.73E-07 0.360942 (9.1E-07) (1.7E-06) (2.1E-06) (0.08504)[-1.74268] [-0.05452] [-0.08403] [ 4.24455]
D(VOLYM(-2)) -1.13E-07 -6.00E-07 -1.98E-06 0.334238 (9.8E-07) (1.9E-06) (2.2E-06) (0.09230)[-0.11469] [-0.32216] [-0.88495] [ 3.62133]
C 0.021089 0.029231 0.023323 -83.88085 (0.01600) (0.03027) (0.03641) (1501.47)[ 1.31813] [ 0.96560] [ 0.64057] [-0.05587]
53
R-squared 0.274636 0.288017 0.188587 0.357151 Adj. R-squared 0.216864 0.231310 0.123961 0.305951 Sum sq. resids 3.341581 11.96378 17.30580 2.94E+10 S.E. equation 0.171964 0.325383 0.391342 16138.42 F-statistic 4.753771 5.079064 2.918138 6.975565 Log likelihood 47.22358 -31.21597 -53.91918 -1361.056 Akaike AIC -0.605261 0.670178 1.039336 22.29360 Schwarz SC -0.376629 0.898811 1.267969 22.52223 Mean dependent 0.035935 0.040569 0.045854 90.39837 S.D. dependent 0.194320 0.371124 0.418114 19371.62
Determinant resid covariance (dof adj.) 33890.69 Determinant resid covariance 24142.02 Log likelihood -1318.758 Akaike information criterion 22.15866 Schwarz criterion 23.16465
VECM med 6 laggar
Vector Error Correction Estimates Date: 05/22/13 Time: 20:05 Sample (adjusted): 2001M08 2011M06 Included observations: 119 after adjustments Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
CORN(-1) 1.000000
PRICE_ALL_WHEAT(-1) 0.052607 (1.28061)[ 0.04108]
PRICE_HAR_RED(-1) -0.365608 (1.11892)[-0.32675]
VOLYM(-1) -0.000181 (2.2E-05)[-8.05298]
C 3.359222
Error Correction: D(CORN)D(PRICE_ALL_
WHEAT)D(PRICE_HAR
_RED) D(VOLYM)
CointEq1 0.003869 0.011794 -0.025605 8043.366 (0.01151) (0.02167) (0.02521) (1003.50)[ 0.33608] [ 0.54413] [-1.01571] [ 8.01534]
D(CORN(-1)) 0.104509 -0.225230 0.103022 194.3808 (0.11153) (0.21001) (0.24425) (9722.92)[ 0.93702] [-1.07249] [ 0.42179] [ 0.01999]
D(CORN(-2)) 0.121717 0.196034 0.346792 7186.136 (0.11452) (0.21564) (0.25080) (9983.68)[ 1.06280] [ 0.90909] [ 1.38272] [ 0.71979]
D(CORN(-3)) 0.035097 0.333421 0.169826 -683.5699 (0.12029) (0.22650) (0.26344) (10486.6)
54
[ 0.29176] [ 1.47205] [ 0.64465] [-0.06519]
D(CORN(-4)) -0.117482 -0.272960 -0.584347 -13925.27 (0.12240) (0.23046) (0.26804) (10669.8)[-0.95986] [-1.18443] [-2.18008] [-1.30511]
D(CORN(-5)) 0.163762 0.113402 0.069484 10358.32 (0.13001) (0.24480) (0.28472) (11333.9)[ 1.25958] [ 0.46324] [ 0.24404] [ 0.91393]
D(CORN(-6)) -0.316503 -0.558990 -0.344643 -26750.64 (0.12328) (0.23213) (0.26998) (10747.1)[-2.56731] [-2.40813] [-1.27654] [-2.48911]
D(PRICE_ALL_WHEAT(-1)) 0.023762 0.555556 0.632749 9339.941
(0.09587) (0.18052) (0.20996) (8357.75)[ 0.24785] [ 3.07754] [ 3.01369] [ 1.11752]
D(PRICE_ALL_WHEAT(-2)) 0.284776 0.453291 0.849487 15024.16
(0.10400) (0.19583) (0.22776) (9066.48)[ 2.73814] [ 2.31475] [ 3.72970] [ 1.65711]
D(PRICE_ALL_WHEAT(-3)) -0.062214 -0.079973 0.070362 10002.95
(0.11117) (0.20933) (0.24346) (9691.41)[-0.55961] [-0.38205] [ 0.28901] [ 1.03215]
D(PRICE_ALL_WHEAT(-4)) 0.299099 0.631105 0.763167 26998.46
(0.10307) (0.19407) (0.22572) (8985.25)[ 2.90185] [ 3.25190] [ 3.38100] [ 3.00475]
D(PRICE_ALL_WHEAT(-5)) 0.135536 0.480124 0.604943 104.4686
(0.10094) (0.19005) (0.22104) (8799.00)[ 1.34281] [ 2.52630] [ 2.73676] [ 0.01187]
D(PRICE_ALL_WHEAT(-6)) -0.010729 0.221306 -0.129829 14742.26
(0.10438) (0.19655) (0.22860) (9099.71)[-0.10278] [ 1.12598] [-0.56794] [ 1.62008]
D(PRICE_HAR_RED(-1)) -0.006187 -0.082700 -0.351455 -8762.081 (0.07992) (0.15048) (0.17502) (6966.82)[-0.07741] [-0.54959] [-2.00813] [-1.25769]
D(PRICE_HAR_RED(-2)) -0.115468 -0.407326 -0.686286 -14407.16 (0.08571) (0.16139) (0.18771) (7471.96)[-1.34716] [-2.52391] [-3.65617] [-1.92816]
D(PRICE_HAR_RED(-3)) -0.049478 -0.278638 -0.318151 977.8725 (0.08702) (0.16384) (0.19056) (7585.60)[-0.56860] [-1.70066] [-1.66955] [ 0.12891]
D(PRICE_HAR_RED(-4)) -0.076562 -0.428637 -0.355783 -12645.31 (0.07781) (0.14650) (0.17039) (6782.77)[-0.98400] [-2.92582] [-2.08802] [-1.86433]
D(PRICE_HAR_RED(-5)) -0.119698 -0.234710 -0.093001 -3051.899 (0.06398) (0.12047) (0.14012) (5577.55)[-1.87084] [-1.94829] [-0.66374] [-0.54718]
55
D(PRICE_HAR_RED(-6)) 0.158389 0.093535 -0.029371 4647.235 (0.06424) (0.12095) (0.14068) (5599.87)[ 2.46568] [ 0.77332] [-0.20879] [ 0.82988]
D(VOLYM(-1)) -4.29E-07 1.84E-06 -3.46E-06 0.973627 (1.7E-06) (3.2E-06) (3.7E-06) (0.14727)[-0.25389] [ 0.57812] [-0.93640] [ 6.61130]
D(VOLYM(-2)) 7.26E-07 -8.72E-07 -7.34E-06 0.823576 (1.6E-06) (3.0E-06) (3.5E-06) (0.13977)[ 0.45278] [-0.28893] [-2.09166] [ 5.89224]
D(VOLYM(-3)) -2.58E-07 2.83E-06 -2.36E-06 0.700612 (1.4E-06) (2.5E-06) (3.0E-06) (0.11780)[-0.19078] [ 1.11181] [-0.79906] [ 5.94751]
D(VOLYM(-4)) 1.63E-06 1.03E-06 -2.14E-06 0.292731 (1.4E-06) (2.7E-06) (3.2E-06) (0.12621)[ 1.12622] [ 0.37644] [-0.67395] [ 2.31936]
D(VOLYM(-5)) 8.84E-07 -1.38E-06 -2.20E-06 0.431095 (1.3E-06) (2.5E-06) (2.9E-06) (0.11456)[ 0.67299] [-0.55585] [-0.76602] [ 3.76310]
D(VOLYM(-6)) -4.05E-07 -2.81E-06 -5.30E-06 0.288461 (1.3E-06) (2.4E-06) (2.8E-06) (0.11050)[-0.31946] [-1.17732] [-1.91012] [ 2.61061]
C 0.017729 0.026056 0.025038 -1412.112 (0.01550) (0.02918) (0.03394) (1351.15)[ 1.14383] [ 0.89284] [ 0.73765] [-1.04512]
R-squared 0.491471 0.508053 0.474635 0.608788 Adj. R-squared 0.354770 0.375809 0.333408 0.503623 Sum sq. resids 2.323556 8.237670 11.14353 1.77E+10 S.E. equation 0.158065 0.297619 0.346154 13779.27 F-statistic 3.595221 3.841784 3.360794 5.788906 Log likelihood 65.33977 -9.964534 -27.94195 -1288.365 Akaike AIC -0.661173 0.604446 0.906587 22.09017 Schwarz SC -0.053969 1.211649 1.513791 22.69737 Mean dependent 0.037899 0.043866 0.049244 -236.9328 S.D. dependent 0.196779 0.376705 0.423975 19557.82
Determinant resid covariance (dof adj.) 10644.28 Determinant resid covariance 3970.638 Log likelihood -1168.472 Akaike information criterion 21.45332 Schwarz criterion 23.97555
10.2 Appendix 3 Johnssons kointegrationstest
Date: 05/22/13 Time: 19:50Sample (adjusted): 2001M06 2011M06Included observations: 121 after adjustmentsTrend assumption: Linear deterministic trend
56
Series: CORN PRICE_ALL_WHEAT PRICE_HAR_RED VOLYM Lags interval (in first differences): 1 to 4
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.363904 96.15533 47.85613 0.0000At most 1 * 0.230351 41.41427 29.79707 0.0015At most 2 0.077184 9.733904 15.49471 0.3018At most 3 0.000120 0.014495 3.841466 0.9040
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.363904 54.74106 27.58434 0.0000At most 1 * 0.230351 31.68036 21.13162 0.0012At most 2 0.077184 9.719409 14.26460 0.2310At most 3 0.000120 0.014495 3.841466 0.9040
Max-eigenvalue test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
CORNPRICE_ALL_WH
EATPRICE_HAR_RE
D VOLYM-0.560902 -1.263103 1.313883 9.55E-05-1.178525 -6.439220 6.351457 6.09E-06 1.573638 -2.994915 1.372849 1.26E-05 1.953899 -0.790058 0.061262 9.39E-06
Unrestricted Adjustment Coefficients (alpha):
D(CORN) -0.000467 -0.013949 -0.005176 0.001646D(PRICE_ALL_
WHEAT) -0.048832 -0.119637 0.018045 0.001126D(PRICE_HAR_
RED) -0.015230 -0.150779 -0.028997 0.000654D(VOLYM) -9420.495 1925.288 -802.8276 35.24887
1 Cointegrating Equation(s): Log likelihood -1239.789
Normalized cointegrating coefficients (standard error in parentheses)
CORNPRICE_ALL_WH
EATPRICE_HAR_RE
D VOLYM 1.000000 2.251916 -2.342448 -0.000170
(1.67693) (1.46044) (2.2E-05)
Adjustment coefficients (standard error in parentheses)D(CORN) 0.000262
(0.00853)
57
D(PRICE_ALL_WHEAT) 0.027390
(0.01574)D(PRICE_HAR_
RED) 0.008543 (0.01862)
D(VOLYM) 5283.971 (761.688)
2 Cointegrating Equation(s): Log likelihood -1223.948
Normalized cointegrating coefficients (standard error in parentheses)
CORNPRICE_ALL_WH
EATPRICE_HAR_RE
D VOLYM 1.000000 0.000000 -0.206216 -0.000286
(0.24144) (3.8E-05) 0.000000 1.000000 -0.948628 5.14E-05
(0.05105) (8.0E-06)
Adjustment coefficients (standard error in parentheses)D(CORN) 0.016701 0.090408
(0.01976) (0.09936)D(PRICE_ALL_
WHEAT) 0.168385 0.832049 (0.03324) (0.16709)
D(PRICE_HAR_RED) 0.186240 0.990137
(0.03876) (0.19486)D(VOLYM) 3014.971 -498.2904
(1755.04) (8823.53)
3 Cointegrating Equation(s): Log likelihood -1219.089
Normalized cointegrating coefficients (standard error in parentheses)
CORNPRICE_ALL_WH
EATPRICE_HAR_RE
D VOLYM 1.000000 0.000000 0.000000 -0.000397
(5.3E-05) 0.000000 1.000000 0.000000 -0.000460
(6.6E-05) 0.000000 0.000000 1.000000 -0.000539
(7.7E-05)
Adjustment coefficients (standard error in parentheses)D(CORN) 0.008555 0.105910 -0.096314
(0.03094) (0.10916) (0.10033)D(PRICE_ALL_
WHEAT) 0.196782 0.778005 -0.799256 (0.05193) (0.18322) (0.16840)
D(PRICE_HAR_RED) 0.140609 1.076981 -1.017486
(0.06043) (0.21320) (0.19596)D(VOLYM) 1751.611 1906.110 -1251.205
(2744.35) (9682.30) (8899.12)
10.3 Appendix 4 Granger kausalitet
58
VEC Granger Causality/Block Exogeneity Wald TestsDate: 05/22/13 Time: 20:06Sample: 2001M01 2011M06Included observations: 119
Dependent variable: D(CORN)
Excluded Chi-sq df Prob.
D(PRICE_ALL_WHEAT) 17.74310 6 0.0069
D(PRICE_HAR_RED) 14.99629 6 0.0203
D(VOLYM) 5.377769 6 0.4964
All 43.69191 18 0.0006
Dependent variable: D(PRICE_ALL_WHEAT)
Excluded Chi-sq df Prob.
D(CORN) 10.88767 6 0.0919D(PRICE_HAR
_RED) 15.92137 6 0.0142D(VOLYM) 7.866718 6 0.2480
All 33.13375 18 0.0161
Dependent variable: D(PRICE_HAR_RED)
Excluded Chi-sq df Prob.
D(CORN) 8.748320 6 0.1882D(PRICE_ALL_
WHEAT) 33.88287 6 0.0000D(VOLYM) 6.102815 6 0.4118
All 48.84489 18 0.0001
Dependent variable: D(VOLYM)
Excluded Chi-sq df Prob.
D(CORN) 8.665592 6 0.1933D(PRICE_ALL_
WHEAT) 11.12850 6 0.0845D(PRICE_HAR
_RED) 9.430752 6 0.1508
All 36.43755 18 0.0062
59
