股票与股指期货风险关联性及跨市场稳定机制设计研究

股票与股指期货风险关联性及跨市场稳定机制设计研究课题研究人：房振明选送 单位：渤海证券有限责任公司 天津大学金融工程中心致谢：本研究受2006年第16届上海证券交易所联合课题计划：“股指期货市场风险关联性及跨市场监管研究”资助，本文为其中部分研究成果，特此向上海证券交易所研究部陆一、刘逖和张卫东表示感谢。内容摘要股指期货是以股票现货为标的的金融衍生品，二者的价格形成过程具有显著的相关性，股票与股指期货市场必将表现出明显的风险关联特征。在这一背景下，本研究努力揭示股票市场与股指期货市场风险关联关系，提出符合我国市场实际情况的跨市场稳定机制框架建议。本研究共分三部分内容：首先，本文实证研究了我国大盘股和股票指数风险的关联程度和模式，分析了证券市场出现利好行情和极端风险事件时大盘股和股票指数的风险关联关系，为进一步跨市场稳定机制设计奠定基础。研究结果表明：(1)我国大盘股和股票指数收益的变动趋势大致相同，并且具有非常强的相关关系。 (2)采用低频数据研究的大盘股和指数收益序列可使用Clayton Copula函数进行连接，表明大盘股风险和指数风险处于熊市下跌的过程中相关性加强，即大盘股的持续下跌将更加加剧指数的风险。而工商银行和中国银行的高频收益序列与指数序列可以使用Gumbel Coupla函数连接，即该大盘股的持续上涨加剧指数风险，但是上涨的风险只有在下跌过程中才能真正的表现。因此，在我国股票市场存在着大盘股对指数风险存在显著的下跌风险关联关系。其次，本文将上述结论引入到跨市场稳定机制分析中。由于稳定机制的跨市场效应，单一市场稳定机制的触发在一定程度上限制了该市场具有稳定市场作用的流动性供给者转向其它市场，却未能限制增大市场波动压力的流动性需求者的转移。这样，未受稳定机制保护的市场则会因承受过多市场压力，而价格下跌更快，波动幅度增大。反过来，未受保护市场剧烈价格波动会影响受稳定机制保护市场的重新开盘，从而两市场陷入风险和波动交叉影响、互相强化的恶性循坏。进一步，本研究以美国1989年10月股灾为案例进行了详细分析，提出了协同跨市场稳定机制的思路。该思路认为，可以通过协同市场稳定机制，使两个市场的稳定机制近似同时触发，阻止所有交易者从先关闭的市场转移到未关闭的市场，这样就不存在因交易者转换市场带来的巨大市场压力导致的剧烈价格波动，有效地防止了风险在两个市场上交叉影响、互相强化的恶性循坏。最后，综合上述实证研究与理论分析，我们提出了建立我国股票市场与股指期货市场协同稳定机制的建议和措施。目 录一、研究背景与问题提出21、研究背景22、问题提出3二、风险关联性分析的理论模型建立41、DCC-GARCH模型52、Copula函数6三、我国股票市场与股指期货标的指数间风险关联性实证研究91、样本数据的整理及初步分析92、关于我国大盘股和股票指数风险相关程度分析103、关于我国大盘股和股票指数风险相关模式分析124. 风险关联性实证研究对建立我国股指期货市场的启示17四、基于跨市场风险关联的跨市场协同稳定机制分析181、稳定机制的跨市场效应分析182、股票与股指期货跨市协同稳定机制的思考223、我国现货市场和股指期货市场特殊性25五、我国跨市场协同稳定机制设计建议261、我国股票及股指期货跨市场协同稳定机制设计262、我国跨市场稳定机制有效运行的相关建议27参考文献28一、研究背景与问题提出1、研究背景一般认为，股指期货具有套期保值、套利和投机的功能，然而此三种功能发挥作用的同时也正体现了股指期货工具更深层次的价格发现和风险管理功能。由于股指期货的强大价格发现和风险管理能力，目前股指期货作为国际资本市场成熟的风险管理工具，发挥着日益重要的作用。在我国，随着股权分置改革的顺利进行，市场结构发生根本性的变化，投资者对规避风险和投资工具多元化的需求越来越大，金融衍生工具的发展成为迫切之需。由于股指期货的重要功能以及金融创新的内在要求，我国资本市场推出股指期货等金融衍生产品的举措已势在必行。然而，股指期货等金融衍生产品所内生的跨市场风险将远远超出传统的证券业和银行业，金融机构同时参与多个金融市场活动所带来的风险也必将进一步迭加和放大。因此，对金融衍生品市场的合理的监管和风险防范是必须的。当前，我国的资本市场主要包括股票市场，债券市场和商品期货市场等，虽然这些市场之间存在着千丝万缕的联系，但由于相互间并没无直接关联变量，这些市场之间的关联性并不十分强烈，监管部门对这些市场的监管主要是分立进行。然而，随着股指期货的推出和金融衍生品市场的建立，这种格局势必将被打破。以股票指数为标的的股指期货之所以能够实现套期保值和套利功能，其基本原理在于股票价格和股指期货价格的变动具有相关性，因此股票市场的价格行为和风险特征必将不可避免的直接或者间接影响到股指期货的风险特征，对这种相互关系的研究和探讨是建立合理市场微观结构的基础。另外，股指期货市场的建立必将涉及到股票市场和金融衍生品市场两个不同市场结构，对整个市场的风险防范和监管行为也只有通过横跨两个市场来完成。因此，对股市和期市的风险关联研究以及股指期货市场风险监管机制设计具有重要现实意义。2、问题提出目前学术界和实务界对股市和期市的风险关联大都从定性的角度展开分析，而对我国股市和期市风险关联的定量研究相对比较匮乏。同时，已公布的股指期货交易细则（征求意见稿）缺乏针对跨市场风险关联影响的市场稳定机制，其涨跌停板制度和熔断制度并未考虑跨市场协同问题。随着我国股指期货上市的日益临近，各方人士对股票与股指期货市场的讨论持续升温。但在各种热议的问题中，股票与股指期货的风险关系及风险防范始终是核心问题之一。那么，我国的股票与股指期货市场究竟将具有何种价格及风险的关联关系，这种关联关系将对我国证券市场产生何种影响，市场将如何在微观机制上防范跨市场的极端风险？进一步，如果股票市场发生极端事件引起股指期货“追涨杀跌”，股票与股指期货市场的稳定机制又将如何设计和配合？ 为了回答上述问题，本研究将从两方面进行：首先，从定量角度考察我国股票市场和即将运行的股指期货市场之间可能存在的风险关联性，为进一步的跨市场监管机制设计奠定基础；进而，采用理论和案例分析相结合的方法研究跨市场稳定机制的原理和设计原则，提出建立我国股票市场与股指期货市场协同稳定机制和监管框架。二、风险关联性分析的理论模型建立股票与股指期货市场的风险关联性研究应该从两市场的价格行为和风险特征出发进行定量分析，但是，由于国内股指期货尚未正式开始交易，并未存在这方面的数据，而选择其他国家的数据进行实证研究又对我国市场不具有真正的指导意义。为此，本文退而求其次的研究了股票市场大盘股收益率的变化对股指期货市场可能的影响，即大盘股收益率变化与即将作为股指期货标的沪深300指数及很有代表性的上证180指数之间的风险关联性。与中、小盘股相比，大盘股与股指期货的风险关联程度强，能够比较精确的描述股市和期市的风险特征，因此研究中并未考虑了中、小盘股。对于股票价格和股票指数相关程度的研究最早是从CAPM模型开始的，通过计算某种股票与指数之间的系数，就能够揭示两者之间的趋势相关程度。然而，系数是从静态角度探讨股票价格和股票指数的相关关系，而股票价格和股票指数的相关关系是时变的，该具有一定的局限性。为了解决这一问题，我们使用DCC-GARCH模型从动态角度研究了大盘股和股票指数的相关关系，全面揭示了条件相关系数随时间变动的信息。股指期货的推出不但要求对大盘股和股票指数的动态相关关系进行描述，而且要求还应考虑证券市场发生极端事件时，大盘股和股票指数的相关关系。但是，DCC-GARCH模型无法刻画这一关系，为此，我们使用了金融时间序列相关性分析的另一个重要工具Copula函数，来描述市场发生极端事件时大盘股和股票指数的相关关系。Copula之所以能够刻画金融随机变量间的相关关系，主要是因为当对变量作非线性的单调递增变换时由copula 函数导出的一致性和相关性测度不变。1、DCC-GARCH模型Engle(2002）的DCC-GARCH模型，是在Bollerslev(1990)提出的常相关（Constant Conditional Correlation）模型的基础上发展出来的。设为具有零均值的收益序列，则DCC-GARCH的具体模型为： （1）其中是一个对角矩阵，对角线的元素即为各变量的条件方差，为标准化残差的条件协方差矩阵，S为标准化残差的无条件协方差矩阵，为条件相关系数矩阵，符号“。”代表Hadamard乘积，即两矩阵对应元素相乘， ， 为所要估计的参数。收益服从多元正态分布是使用极大似然估计的前提，若此前提假设不成立，只能使用拟极大似然估计(Quasi-Maximum Likelihood)。估计过程分为两阶段估计：(1)使用一元GARCH模型对各变量进行估计；(2)使用前一步骤所得的标准化残差来估计条件相关系数（条件协方差）。2、Copula函数Juri(2002)提出的Copula函数包含了变量尾部相关的全部信息，可以使分析者更加全面的了解变量之间的尾部相关关系。我们在对中国股市和期市风险关联的研究中使用了3种Copula函数对二者之间的尾部相关关系进行建模，这3种Copula函数分别是Gumbel、Clayton和Frank函数。下面首先对这三种函数的分布形式和经济含义进行介绍，然后给出了估计和检验方法。(1)常用二元Copula函数Gumbel Copula函数Gumbel Copula 函数的分布函数和密度函数分别为： （2） （3）其中。当时，随机变量、独立，即；当时，随机变量、趋向于完全相关，且，即当时，Gumbel Copula函数趋向于Frchet上界。Gumbel Copula的密度函数具有非对称性，其密度分布呈“J”字型，即上尾高下尾低。Gumbel Copula 函数上尾的相关性较强，可用于描述在上尾处具有较强相关关系的现象。如果股市和期市风险关联的相关结构以Gumbel Copula函数描述，表明当证券市场出现利好行情时，大盘股和股票指数的上尾相关性相互加强。Clayton Copula函数Clayton Copula函数的分布函数与密度函数分别为： （4） （5）其中。当时，随机变量、趋向于独立，即；当时，随机变量、趋向于完全相关，且，即当时，Clayton Copula函数趋向于Frchet上界。Clayton Copula的密度函数同样具有非对称性，其密度分布呈“L”字型即上尾低下尾高。Clayton Copula 函数下尾的相关性较强，可用于描述在下尾处具有较强相关关系的现象。如果股市和期市风险关联的相关结构以Clayton Copula函数描述，表明当证券市场出现极端风险事件时，大盘股和股票指数的下尾相关性相互加强。Frank Copula函数Frank Copula函数的分布函数和密度函数分别为： （6） （7）其中。时，随机变量、正相关，时随机变量、趋向于独立，时随机变量、负相关。Gumbel Copula函数和Clayton Copula函数只能用于描述变量间的非负相关关系，而Frank Copula函数还可以用于描述变量间的负相关关系。Frank Copula的密度函数具有对称性，其密度分布呈“U”型。Frank copula 函数在上尾和下尾具有相同的相关模式，可用于描述具有对称相关模式的金融市场间的相关关系。如果股市和期市风险关联的相关结构可以由Frank Copula函数来描述，表明证券市场处于牛市和熊市时，大盘股和股票指数间具有对称的双尾相关性。(2) Copula模型的估计Copula模型的参数估计采用两阶段的极大似然估计方法。极大似然方程为： (8)其中，。第一步，对一维的边缘分布函数参数进行估计：第二步，在已知第一步参数的情况下，对进行估计：(3) Copula模型的检验我们使用Hu(2002)基于传统检验的方法来对Copula的拟合情况进行检验。设，是由观测序列进行概率积分变换之后得到的服从独立同分布序列，将0,1等分为k份。k的选择基于以下因素进行权衡：首先，在每个区域内有足够多的观测点；其次，需要有足够多的观测组，以便能够检验到可能存在的相关关系。令G表示单元格的表格，表示第i行第j列的元素，令和分别表示的下边界，则观测值属于，当且。设和分别表示落在中的实际观测数量和预期的理论数量，则Pearson统计量M可表示为： (9)统计量M服从自由度为的分布。三、我国股票市场与未来股指期货标的指数间风险关联性实证研究1、样本数据的整理及初步分析综合考虑总股本和流通股本两方面因素，本研究首先选择了上证180指数中五只典型大盘股，包括：中国石化（600028）、中国联通（600050）、宝钢股份（600019）、长江电力（600900）和中信证券（600030）。同时，在研究沪深300指数时加入了深交所上市的万科A（000002）。根据股票上市时间不同，研究样本的采样起始时间不同，最早为2001年1月2日，最晚至2003年11月18日，终止时间均为2006年8月31日。2006年7月，中国银行上市，这是我国全流通条件下第一只上市的超级大盘股，此后工商银行、中国人寿相继上市。伴随着这些超级大盘股向证券市场进军的步伐，中国股市发生了一系列变化，这些变化将对即将推出的股指期货产生巨大的影响。例如，作为沪市最大的权重股，工商银行的涨跌对股指运行具有重大影响。因此，除了上述样本股票外，我们又对中国银行和工商银行这两只超级大盘股与股票指数收益之间的风险关联进行了实证研究。鉴于中国银行和工商银行上市时间较短、数据有限，我们采用了5分钟高频价格数据作为研究样本，采样时间从上市之日起至2007年1月12日结束。本研究目的在于大盘股和股票指数的风险关联关系，而股票指数收益包含所研究个股的成分，为了更加精确的衡量大盘股与股票指数之间的相关关系，我们剔除了当前所研究样本，重新构造了仅考虑其它179只或者299只股票的指数收益率。同样，采用类似的办法构造了研究中所需高频的指数收益率。由于篇幅限制，研究样本的日间收益率和高频收益率的统计特征并未附表列出，这里只给出统计性描述结论。第一，研究样本和对应的两个指数的日间收益和高频收益都呈现尖峰厚尾的特征，我国大盘股和指数的日间收益和高频收益并不服从正态分布；第二，对于日间收益而言，无论是个股还是指数，Q统计量并未拒绝日间收益序列独立的假设，这表明日间收益序列并不存在自相关；第三，高频收益的Q统计量拒绝了序列独立的假设，高频收益序列存在自相关。由于选择的大盘股样本和指数收益率的统计特征与采样频率相关，所以在下面的研究中我们使用不同的模型对日间收益率和高频收益率分别进行拟合。2、关于我国大盘股和股票指数风险相关程度分析采用DCC-GARCH模型对研究样本和上证180指数及沪深300指数收益序列进行拟合，图1和2为中国石化与两个指数收益序列动态相关的特征示例，其中纵坐标为动态时变相关系数。中国石化与两指数收益序列动态相关性非常强，其中与上证180指数相关系数最高为0.9818，平均为0.6420，而与沪深300指数相关系数最高为0.9851，平均为0.6923。表1和2给出了全部动态相关系数的统计性描述，结果显示出我国股市大盘股和股指之间存在极强的动态相关关系。 图1 中国石化和上证180 图2 中国石化和沪深300 指数收益的相关系数 指数收益的相关系数表1 大盘股与上证180指数收益的动态相关系数特征统计量股票名称MaxMinMedianMean中国银行0.97920.14430.50900.5296工商银行0.93070.54630.55890.5596中国石化0.98180.52080.62260.6420中国联通0.96490.37030.47760.4994宝钢股份0.99680.43710.54910.5692长江电力0.91970.23710.42130.4386中信证券0.99100.47910.59750.6182表2 大盘股与沪深300指数收益的动态相关系数特征统计量股票名称MaxMinMedianMean中国银行0.97590.11200.41040.4274工商银行0.97960.13560.50160.5232中国石化0.98500.50310.63570.6923中国联通0.97420.36630.45320.5781万科0.89850.24590.43860.4695我国大盘股和股票指数收益的变动趋势大致相同，并且具有非常强的动态相关关系，这对于投资者和监管者具有不同的意义。投资者可以使用大盘股和股票指数收益波动的相关性进行有效的套期保值，规避系统性风险；而监管者需要更加密切的关注证券市场的动态变化，防止股指期货推出后市场的恶意操纵。3、关于我国大盘股和股票指数风险相关模式分析为了考察股票市场极端风险事件发生或者利好行情出现时大盘股和股票指数的风险相关度，本文分别采用Gumbel、Clayton和Frank三种不同的Copula函数对大盘股和两指数收益波动的尾部相关性进行研究。 图3 中国银行和指数收益 图4 工商银行和指数收益相关系数的日内特征 相关系数的日内特征（注：横坐标代表1天48个5分钟的时段，纵坐标为样本期内每个5分钟的相关系数的均值。）由于工商银行和中国银行采用日内高频数据，在研究中本文考虑了“日内效应”的影响。根据Andersen (1997)的研究，金融高频收益的波动具有“日内效应”，即当证券市场开、收盘时收益的波动性较其它时段高，金融高频收益的波动性通常呈现“L”或“U”形。图3和4给出了中国银行、工商银行与指数收益波动相关系数的日内特征，结果表明两银行和指数收益波动的相关性并不具有“日内效应”，因此在下面的研究中无须对高频金融收益数据进行剔除。根据前文描述性统计结果，证券市场日间收益率序列不存在自相关，而日内收益率序列存在自相关，并且日间和日内收益序列都具有厚尾的特征，所以本文分别使用AR(1)-GARCH模型和AR(0)-GARCH模型对日内和日间收益序列建模。我们分别运用 GARCH-Normal、GARCH-t和 GARCH-GED 模型拟合样本数据发现，GARCH-t(1,1)模型可以较好地描述各收益序列的波动，而且就所选样本数据而言，其刻画能力强于GARCH-GED(1,1)模型，因此最终本文选用二元 Copula-GARCH-t(1,1)模型考察大盘股与指数的风险相关性： （10） （11）其中，分别表示均值为 0、方差为 1，自由度参数分别为和的正规化t-分布函数，即。由于篇幅的原因，本文并未列出各研究样本和两指数收益序列的边缘分布结果，这里只给出结论：根据 GARCH-t(1,1)模型估计得到的边缘分布，对原序列做概率积分变换后得到的序列均服从 i.i.d(0,1)均匀分布，说明 GARCH-t(1,1)模型可以较好的拟合各序列的边缘分布，用它来描述各收益序列的边缘分布是有效的。根据估计得到的 GARCH-t(1,1)模型可以确定各研究样本与上证180指数收益序列的边缘分布，然后在已得到边缘分布的基础上对原序列进行概率积分变换后得到两个新序列，分别用 Gumbel、Clayton和Frank Copula 函数来描述新序列间的相关结构，得到表3和4所示的参数估计结果。根据理论模型，Gumbel Copula 参数的定义域为（0,1）, 超过这一范围的参数没有分析意义，故表中采用斜线表示。表3 大盘股和上证180指数收益序列Copula函数的参数估计结果股票名称名称参数统计量M中国银行-上证180指数Gumbel0.7162(0.039)80.3423Clayton0.5613(0.032)339.4277Frank0.9818(0.043)234.7846工商银行-上证180指数Gumbel0.5167 (0.023)90.6425Clayton0.6533 (0.037)148.2403Frank1.1430 (0.045)562.0711中国石化-上证180指数Gumbel0.5167(0.033)130.2812Clayton0.8448 (0.047)52.3230Frank1.4051(0.038)123.2269中国联通-上证180指数Gumbel0.7156 (0.027)136.0389Clayton0.9252 (0.032)36.6789Frank1.4984 (0.053)132.0370宝钢股份-上证180指数Gumbel1.2316 (0.047)Clayton0.7974 (0.028)57.6854Frank1.3562 (0.032)223.3014长江电力-上证180指数Gumbel0.4693 (0.027)210.0273Clayton0.7195 (0.034)59.2215Frank1.2814 (0.049)26.6350中信证券-上证180指数Gumbel0.6988 (0.039)165.3429Clayton0.9404 (0.043)76.2572Frank1.5103 (0.057)27.4139表4 大盘股和沪深300指数收益序列Copula函数的参数估计结果股票名称名称参数统计量M中国银行-沪深300指数Gumbel0.7296(0.037)96.4344Clayton0.5526 (0.028)325.9670Frank0.9831(0.041)235.8292工商银行-沪深300指数Gumbel0.6297 (0.029)79.3246Clayton0.6558 (0.031)122.5727Frank1.1542 (0.046)188.0233中国石化-沪深300指数Gumbel1.5093 (0.043)Clayton0.3230 (0.024)55.8239Frank0.3877 (0.033)180.6734中国联通-沪深300指数Gumbel1.5167 (0.031)Clayton0.9426 (0.022)35.1953Frank1.5141 (0.017)93.2601万科A-沪深300指数Gumbel1.5000 (0.028)Clayton0.9173 (0.019)64.7404Frank1.4816 (0.013)86.9595从表3和4中我们可以得到如下结论：第一，大盘股与股指收益序列的尾部相关结构均不能用Frank函数进行描述，即大盘股与股票指数之间不存在着无论市场疯狂上涨还是急剧下跌过程中同时相互影响、相互加强的双边风险关联关系。第二，中国银行、工商银行这两只超级大盘股与沪深300指数及上证180指数收益序列的尾部相关结构可以使用Gumbel函数进行刻画。这表明当证券市场出现上涨行情时，这两只股票与股指的风险相关性加强。大盘股在上涨的过程中虽然促进了股指风险的加大，但是这种相互正反馈的风险只有在下跌过程中才能体现出来。因此，国外成熟股指期货市场几乎没有对标的股指上涨过程设置风险防范机制。第三，在采用日间数据进行研究的结果中，中国石化、中国联通、宝钢股份、长江电力和中信证券与上证180指数收益率尾部风险的相关性以及中国石化和沪深300指数收益序列尾部相关性都可以使用Clayton Copula函数很好的描述，中国联通和深圳万科与沪深300指数收益序列尾部相关性采用Clayton Copula函数进行拟合的效果显著强于Frank Copula函数。虽然本文选取样本数目有限，其他大盘股也有可能存在着上尾相关关系，但当市场面临极端事件急剧下跌过程中，具有上尾风险关联关系的大盘股对下尾风险关联性并无影响。这一结果意味着当我国证券市场出现处于持续下跌、剧烈波动等极端风险事件时，大盘股和股票指数的风险关联性相互加强。由于大盘股和股票指数的风险关联关系将会导致股指期货市场风险的进一步加强，此时为了稳定市场，保护中小投资者利益，监管者应该着重加强大盘股的监管，防止恶意操纵。4. 风险关联性实证研究对建立我国股指期货市场的启示上述实证结论为我国建立股指期货市场的风险控制机制提供了一定的实证数据，对监管者建立完善的跨市场监管机制具有重要的指导意义。实证结果揭示我国股市大盘股对指数风险存在着下尾风险关联关系，当市场发生灾难事件时，大盘股和股指的风险关联性具有加强的趋势。那么，如何设计恰当的市场稳定机制和风险防范机制来减小两个市场大幅波动、最小化突发事件带来的损失，从而达到稳定股市和期市的目的，这是建立我国股指期货市场必须考虑的问题之一。股市和期市信息披露的透明程度对投资者控制风险具有非常重要的作用。当市场发生不利事件时，大盘股和股指的相关性加强，如果证券市场和期货市场的信息披露不全，透明度不足，那么这势必会引起股市和期市市场操纵等风险事件的发生。对于市场监管者而言，当市场下跌时应该对市场中披露的信息进行更为精准的核实和监控，从而避免大规模市场风险的发生。四、基于跨市场风险关联的跨市场协同稳定机制分析由于我国股票市场与股指期货市场必将存在着跨市场的风险关联性，因此两市场的稳定机制也必须建立在跨市场的基础上。在上述研究的基础上，本文进一步讨论我国股票市场与股指期货市场基于跨市场风险关联的跨市场协同稳定机制问题。国内外理论与实证研究认为，虽然价格稳定机制延缓了价格发现过程，并造成了流动性干扰，但是其对价格稳定和降低风险的作用依然十分重要。因此，设定恰当的稳定机制，尽可能不干扰市场正常波动和交易情况，那么稳定机制是利大于弊的。特别是它对于预防股灾等极端股市危机时，更是极其必要。本部分内容将对市场发生急剧下跌情况跨市场稳定机制进行理论分析和案例分析，并进一步揭示我国跨市场稳定机制设计原则。1、稳定机制的跨市场效应分析从两个市场的参与者角度分析，跨市场交易的参与者主要包括：套期保值者、套利者、投机者和做市商。在多个市场的条件下，由于现货和衍生品市场的关联性，稳定机制对相互关联资产价格的影响必然是跨越市场的，这种稳定机制的“跨市场效应”从本质上揭示了稳定机制跨市场作用的机理。 (1)正常交易情况下股票市场与股指期货市场影响关系分析在交易机制完备的市场环境下，假定市场处于下跌中，套期保值者会在股票市场抛出头寸或在股指期货市场卖出指数期货头寸。这种卖出行为促使股价下跌，但股指期货市场的做市商仍须提供流动性，买入投资者的卖单。当卖出使股价跌到真实价值以下，投机者认为未来价格会回升，此时投机者将会买入股指期货；而指数套利者将买入指数期货，卖出现货获利。于是，套利者跨市场操作即把卖出压力从期货市场传到现货市场。在跨市场的参与者中，做市商作为流动性提供者，暂时吸收了部分卖出压力。而指数套利者和投机者虽然都是买入股指期货，但是他们扮演的角色却是不同的：指数套利者把卖出压力转移到现货市场，而投机者吸收卖出压力。在这几种市场参与者的投资者股票市场套利者买入60个单位投机者买入40个单位卖出100单位股指期货做市商股指期货市场卖出60单位股票投资者股票市场套利者买入60个单位投机者买入40个单位卖出100单位股指期货做市商股指期货市场卖出60单位股票卖出100单位股票共同作用下，现货和股指期货市场的价格保持紧密的关系，且两市场一起承受市场变化（下跌或上升）的压力。整个交易过程如图5所示。 图5：跨市场投资者交易 图6：单一市场稳定机制触发 下的跨市场投资者交易 （2）稳定机制的跨市场效应分析当股指期货市场下跌触发稳定机制导致该市场交易被限制，而此时股票市场尚未触发稳定机制继续保持交易时，股指期货市场的流动性需求者会转移到股票现货市场进行交易。但是，期货市场的做市商和其它流动性供给者却不一定转换到股票现货市场提供流动性：做市商随着期货市场交易的限制而不再提供流动性；另外提供流动性的投机者鉴于转换市场成本过高，也不会转到现货市场提供流动性。鉴于期货的流动性供给者均不能吸收任何市场卖出压力，全部的卖出压力都会通过卖空行为转移到现货市场。如图6所示。在交易转换带来的这种剧增压力下，股票现货市场会比期货市场没有触发稳定机制时下跌的更多。且当期货市场重新恢复交易时，现货市场更剧烈的价格波动反过来会影响股指期货市场重新开盘的价格发现，股指期货的价格会跟随股票指数的下跌出现大幅下跌，并很可能造成恐慌性的“超跌”。从而两个市场陷入风险和波动交叉影响、互相强化的恶性循环。1989年10月13日的“黑色星期五”就是这种未能协同配合的跨市场稳定机制产生严重后果的最佳案例。该日纽约股市道琼斯工业平均指数猛跌190点，当日跌幅达6.91，由此也触发世界性的股票价格下跌。危机发生当天，下午2：07，标普500指数较前一日下跌12点，股票和期货市场的断路器被同时触发。但是由于两个市场中的断路器对于交易限制的方式不同，因而导致了两个市场价格行为的差异。期货市场对标普500指数下跌12点的稳定机制是：价格限制在下跌至12点的点数，直到2：30价格被打开；而股票市场触发的稳定机制仅是限定程序交易被延迟5分钟。在2：07分期货市场触发稳定机时，股票指数出现了一个拐点式的下跌，这表明期货市场受限造成的恐慌对现货市场的价格产生了很大压力。当2：30，期货市场恢复交易时，期货价格出现了一个巨幅的下跌，这个下跌比同期的现货市场下跌还大的多。这说明承受巨大压力而加速下跌的股票指数对期货价格重开后的走势产生了重要影响。虽然随后期货价格有回升，但仍以超出现货下跌的速度加速下跌。图7 美国1989年10月13日股灾现货和期货市场指数走势图 下午2：45，标普500期货价格较前一日下跌30点，再次触发断路器。这次触发断路器，两个市场的价格行为表现依然不同，原因在于与CME标普指数下跌30点对应的NYSE市场道琼斯指数下跌250点的断路器并没有被触发。期货市场价格始终不变直到该日收盘。而股票市场中，由于断路器没有被触发，价格在此时段内不断下跌。从图7中可以看到，在期货市场2：45第二次触发断路器关闭时，股票指数又出现拐点下跌。本案例中，期货与现货的市场稳定机制缺乏协同触发，当期货市场关闭，加剧了现货市场下跌，并阻碍了期货市场价格发现，而当期货市场重新开盘时产生了严重超出同期现货市场的跌幅。如果两个市场稳定机制能协同运行，同时限制交易，给出时间让投资者去正确评估市场，则不太可能出现期货市场巨幅下跌而后又回升的恐慌性交易情况。因此，我们认为此案例的本质原因在于：股指期货市场的某些断路机制在股票市场并没有设置对应的断路机制；股指期货的稳定机制与对应的NYSE中的稳定机制没有协同触发。这一案例也恰好准确的诠释了跨市场稳定机制协同的重要性。2、股票与股指期货跨市协同稳定机制的思考（1）稳定机制跨市效应的应对协同的跨市稳定机制在稳定机制的跨市效应及随后的价格关联变化中，最核心的问题在于稳定机制在一定程度上限制了具有稳定市场作用的流动性供给者转向其它市场，却没有限制加剧市场波动压力的流动性需求者转向其它市场。为解决这个问题，可以通过协同市场稳定机制，使两个市场的稳定机制近似同时触发，不论它是流动性需求者还是供给者，从根本上截断投资者的市场转向。这个过程如图8所示：协同的稳定机制阻断了交易转向，投资者不能卖出任何单位的现货或期货。在协同的跨市场稳定机制下，各个市场近似同时受到限制，从而能阻止所有交易者从先关闭的市场转移到后关闭的市场，这个时候也就不存在因交易者转换市场造成巨大市场压力所导致的剧烈价格波动。所有交易者不得不去搜索整个市场的相关信息，对市场进行重新评估。当两个市场重新开盘时，如果交易暂停前的市场波动源于恐慌或投机等，则重新认识市场后的投资者会理性对待当前市场的价格和交易，从而整个市场会逐步稳定下来，有效地防止风险在两个市场上交叉影响、互相强化的恶性循坏。股指期货市场投资者股票市场套利者买入60个单位投机者买入40个单位卖出60单位股票做市商卖出100单位股票卖出100单位股指期货图8：协同的稳定机制限定下的市场状态（2）关于协同跨市稳定机制含义与实施的讨论综合相关的理论分析与案例启示，我们认为协同的跨市场稳定机制必须包含以下含义：一个市场的稳定机制必须在另外的市场有对应机制，且对应的稳定机制对证券必须有一致的触发条件和约束程度。即若现货市场对大盘有断路器或者涨跌幅限制，则在期货市场必须有与其对应的稳定机制，并且稳定机制的触发的条件必须协同，即对市场的限制，如限制的时间、方式必须保持一致。 鉴于股票指数作为股指期货标的物，而股票市场的大盘股风险又影响股票指数风险，协同的跨市场稳定机制的实施应该同时考虑股票指数（市场层面）和成分股（大盘股层面）两个层面因素。市场层面的跨市场稳定机制的设定是为预防系统性风险，它的触发则表明整个证券市场遇到了严重的系统性问题，因此大盘断路器一旦触发，所有市场均应同时交易暂停。跨市场稳定机制应以现货市场的大盘指数为判定基础，应重点关注两方面内容：其一，在现货市场选用何种指数作为跨市场稳定机制的基准来干涉多个市场，特别是针对我国这种具有两个股票现货市场的证券市场情况；其二，判断两个市场在何种条件下启动跨市场协同稳定机制。大多数国家和地区的市场层面的跨市场稳定机制均是选用一个指数，如美国选择道琼斯工业平均指数，韩国选择Kospi指数，它们的选用均是选择具有一定历史、受到市场检验过的指数。也有国家和地区分别采用两个现货市场的指数作为触发基准，如印度，大盘断路器采用的两个不同的指数：孟买交易所的SENSEX指数和印度国家证券交易所的S&P CNX Nifty指数。只要有一个市场触发稳定机制触发，则另外一个市场就必须跟随触发。这个时候为保证跨市场的真正协同，则还需考虑两个指数体系的相关性和等价程度。考虑一般情况，股指期货的所有成分股不可能全部同时达到稳定机制的触发条件，所以，股指期货的触发条件肯定要比个股现货的价格变化幅度限制要小，如果此时为股指期货设定等同现货稳定机制的触发幅度就会形同虚设。以上海、深圳综合股票指数为例，1997年1月2日至2007年1月12日股票指数变化在6%以内的概率为99.13%，指数涨跌幅超过9仅有三次，从来达到过10%。因此，股指期货交易细则中设置等同现货10的涨跌幅触发条件是不可取的，必须设定低于现货涨跌幅限制，可行的办法是应研究整个股票指数和股指期货的波动特性来确定。对于股指期货等衍生品市场的稳定机制来说，因牵涉到成分股和指数问题，因而要考虑当成分股触发稳定机制时股指期货的应对情况。根据上文的实证结论和理论分析可以将成分股与协同跨市场稳定机制实施中的相关关系表述为：当有多少比例的成份股触发稳定机制后，其对应的股指期货需要启动稳定机制进行交易限制。美国CME的处理方法是：只有当股指期货合约有50%的成分股（市值加权）正常交易时，该股指期货才能交易。法国市场的处理方法是：若65%的成分股不能交易报价，则指数停止计算，而使用一个趋势指标替代；若有75%的成份股现货触发稳定机制不能交易，则该股指期货则需要暂停交易半小时或一小时。3、我国现货市场和股指期货市场特殊性影响要使跨市稳定机制发挥其应有的作用，现货市场和衍生品市场之间有效的关联是必不可少的。虽然在理论上，若现货和衍生品市场价格存在套利空间，套利者就会在两个市场间进行套利，维系两个市场应有的价格关系。但是在实务操作中，套利空间的大小与现货市场和衍生品市场的套利成本和障碍（如卖空机制得缺失）直接相关；且套利操作涉及的资金一般巨大，如果不能完成这些操作或者完成的成本很大，即使理论上存在套利空间，套利者也不会进入市场套利。这样的结果会使跨市场的价格关联性减弱，两市场的价格出现扭曲。在我国当前条件下，股指期货运行过程中对套利成本影响较大的因素包括跨市场程序交易和组合交易的成本及卖空机制的缺失。关于程序交易和组合交易，国外发展迅猛，已成为机构投资者最常用的交易方式。但是在当前我国，由于受到规则和其他限制，程序交易、组合交易未能很好地发展。更严重的是，我国现货市场没有卖空机制，而即将推出的股指期货市场存在卖空功能。与缺失卖空机制的现货市场相比，在市场下跌期间具有卖空机制的股指期货市场具有更好的价格发现能力。当因跨市场程序交易、组合交易的成本及卖空机制的限定导致两个市场的套利及关联受影响后，会促使现货价格和股指期货价格之间关系的扭曲，最终影响跨市场稳定机制运行的效果。即使我们设定了协同的跨市场稳定机制，期货市场往往会在价格扭曲的现货市场之前触发稳定机制。此时，虽然现货市场卖空机制的缺失限制了股指期货市场流动性需求者的交易转向，但这只能减缓现货市场的暂时下跌，期货市场触发稳定机制关闭的信息传递会导致现货市场的恐慌（这一点在1987年美国股灾中得到深刻体现），从而致使现货市场大幅下挫。只不过这个市场下挫不是因为交易传递，而是因为信息传递及市场关闭导致的恐慌。 因此，在股