【优秀硕士博士论文】融资融券对我国股市波动性的影响——基于我国a股的实证检验

融资融券对我国股市波动性的影响基于我国A股的实证检验【摘要】选取沪深300指数，1134个高频的沪深融资融券日交易额数据样本，利用GRACH1,1模拟股市波动性，通过VAR模型，格兰杰因果检验，脉冲响应，方差分解实证研究融资融券交易额变动对股市波动性的影响。实证结果表明融资融券能够降低股市的波动性，有利于提高股市的有效性和稳定性。【关键词】融资融券波动性GRACH1,1VAR模型1、引言融资融券交易是指证券市场中具有融资融券业务资格的证券公司或第三方向投资者提供资金供其买入证券或者提供证券供其卖出，并收取担保物的经营活动。其中，融资交易是投资者向证券公司或者第三方借入资金用来买入证券，而融券交易则是投资者向证券公司或者第三方借入证券来卖出，然后投资者到期时再返还所借入的资金或者证券并支付相应的利息。当融资或融券对象为第三方时，分别称为转融资和转融券。融资融券交易从产生至今一直存在着争议，并且仍是金融领域研究的热点问题。国内外学者分别从理论和实证两个方面对此进行系统性研究，但尚未有明确定论。WOOLRIDGEDICKINSON1994发现，股市不会因为引入了融券交易机制而使股价下跌，融券交品不会形成超额收益，但因为其价格发现功能,融券交易能够更好地促进股票回归到其内在价值，最终起到了稳定市场的作用1。ANEHADACHAROENROOK和HAZEMDOAOUK2003搜集111个国家和地区（23个为发达资本市场，可以卖空；88个为欠发达资本市场，无卖空机制）的股市数据对比研究后发现，允许卖空的23个发达案例，其股市波动相对平稳，而无卖空机制的88个案例则正好相反，其波动率相对高些。此外，其研究还发现股市崩盘与卖空机制之间的相关系数并不高,它们之间的可能性差异在统计上也不显著2。蔡笑2010以台湾地区股票市场为研究对象，选取1999年1月至2012年1月的数据，采用GARCH模型提取月度波动率，建立VAR模型并进行格兰杰因果检验来分析融资融券与股市波动之间的关系。结果表明，融资融券增加了台湾股票市场的波动性3。于孝建2011运用VAR模型，以A股交易数据为对象，在我国推出融资融券的背景下，实证研究了融资融券交易对股市波动性和流动性的影响。结果显示融资交易是引起股市波动性变化的GRANGER原因，融券交易是引起股市波动性变化的GRANGER原因，融资交易增大了股市的波动性4。廖士光和杨朝军2005采取1998年8月至2004年2月台湾股票市场的相关数据为研究对象,通过协整检验、格兰杰因果检验，实证分析了卖空交易机制和股市之间的长期均衡正向关系，结果表明，股票市场价格上涨时，融券卖空额增加，通过调整供求关系使股价回落；股票市场价格下跌时，融券卖空额减少，股价回升。因此，卖空交易对股价的波动性起到稳定的作用5。廖士光、张宗新2005对香港证券市场1999年1月至2004年12月的月度数据进行研究，发现股市变动与交易额指明没有协整关系，卖空额与股指变动之间也没有因果关系，因此卖空额也不会引起指数的变动6。李俊文2011年采用GRANGER因果检验分析了证券市场波动性与融资融券交易的关系，结果表明卖空交易并未影响股市的波动性，反而股市的波动性可以作为投资者融资融券交易决策的依据之一7。冯玉梅、陈游2012运用了71只融资融券标的股票的面板数据，通过PANELDATA模型研究了融资融券对标的股票的价格产生的影响。发现融资融券余额对标的股股价的波动性和收益率等方面都产生了较为显著的正向影响8。本文拟选取2010年4月30日至2014年4月30日的1063个交易日数据进行研究，沪深两市每日融资融券余额总和分别代表买空、卖空交易，选取沪深300指数作为A股股市代表，采用GARCH模型拟合沪深300股市波动性，将模型估计的自回归条件异方差序列作为股市波动性的序列。建立VAR模型，利用格兰杰因果检验、脉冲响应分析和方差分解等方法具体研究融资融券对A股票市场波动性的影响。2、变量的选取及研究方法1、样本数据的选取沪深300指数样本覆盖了沪深两市约六成左右的市值，具有良好的市场代表性，并且沪深300指数是选取两市交易规模大、流动性较好的股票，因此沪深300指数也被称为是能够反映沪深两市整体股市走势的“晴雨表”。并且沪深300指数能够很好的代表沪深两市市场整体的交易情况。因此本文将选取沪深300指数作为证券市场的代理变量，实证研究其与沪深两市融资融券总额之间的关系。鉴于此，本文选取样本时间为2010年4月30日2014年12月31日，共1134个数据作为研究对象。2、变量的定义1选取沪深两市每日融资买入额之和代表买空交易，记为RZMR。2选取沪深两市每R融券卖出量之和代表卖空交易，记为RQMC3本文考虑到时间序列存在的方差时变和股市集聚性特点，采用GARCH1,1模型來拟合股票市场的波动性，记为HS300。3、GARCH1,1模型拟合股市波动性HS300序列的选取GRACH1,1是估计波动性较为常见的GRACH模型，该模型具有其他复杂模型的主要特征，并且拟合效果较好。该模型的公式为21TTTXY22212TTT其中，是1XK1维外生变量，是K1XL维系数变量。该模型表示当TX期的方差受三个因素的影响常数项，ARCH项，和项，即是通过不变21T21T方差、前一期残差的平方ARCH项和前一期的预测方差GARCH项的21TT加权平均来预测当期的方差。1正态性检验在运用GARCH1,1模型之前，本文先检验沪深300指数的波动性是否具有条件异方差性。为了减少误差，先将沪深300指数做对数处理，记为LNHS300。首先，对沪深300指数做简单的统计描述，描述结果如图21所示从图21中可知，沪深300指数日变动率的JARQUEBERA正态性检验的结果显示，偏度值S04758780，峰度值K22246933，JB统计量为7120298，从这些指标可以看出，显然沪深300指数日变动率序列不服从正态分布，而是呈右偏，尖峰厚尾的特征。02040608010778798081SERISLNHS30AMPL4/212/31/04OBRVATIONS4MEN785673DIA0XIMU14IN7639STDDEV082KWS457KURTOI2693JARQEBRA71028POBILTY图21深300指数统计描述2股市波动性的GARCH1,1拟合基于股价指数时间序列的特殊性，一般采用一种特殊的位根过程RANDOMWALK即随机游走模型来进行描述。模型的方程式为23TTTHS130先用OLS普通最小二乘估计对模型进行检验，输出结果如下24TTT10748GARCH1,1拟合结果如下图22VARIABLECOEFFICIENSTDERRORTSTATISTICPROBLNHS30011000015516E05193951000000RSQUARED0989128MEANDEPENDENTVAR7856601ADJUSTEDRSQUARED0989128SDDEPENDENTVAR0130786SEOFREGRESSION0013637AKAIKEINFOCRITERION5751185SUMSQUAREDRESID0210514SCHWARZCRITERION5746744LOGLIKELIHOOD3259047HANNANQUINNCRITER5749507DURBINWATSONSTAT1988233图22GARCH1,1拟合结果从上面的输出结果0989，AIC5751，SC5747可以看出24式的2R统计量很显著，并且调整后的为0989表明该方程的拟合程度很好。但是从该方程的残差图图23可看出，沪深300指数波动呈现出“波动集群”特征，即波动在一段时间里较平稳，而在另一段时间里波动又较剧烈，从而可以认为上述模型可能存在自回归条件异方差性。080604020020406IIIVIIIIVIIIIVIIIIVIIIIV20120120120132014LNHS30RESIDUALS图232010年4月30日2014年12月31日沪深300指数回归方程的残差鉴于此，下面对方程式24进行条件异方差的ARCHLM拉格朗日乘数检验。在滞后一阶即PL的情况下，检验结果如下所示HETEROSKEDASTICITYTESTARCHFSTATISTIC5412086PROBF3,112600011OBSRSQUARED1606233PROBCHISQUARE300011表24沪深300指数回归方程的ARCHLM检验结果如表24所示，ARCHLM检验结果F541，P00011都很显著，从而应拒绝原假设，表方程式24的残差序列存在ARCH效应，因此有必要运用GARCH1,1模型来重新估计23式，模型如下25TTTLNHSS13030262,2,2,ETRTETT对上述GARCH1，1模型进行回归，回归结果如下图25所示VARIABLECOEFFICIENSTDERRORZSTATISTICPROBLNHS30011000007491E05203808600000VARIANCEEQUATIONC394E06142E06276869800056RESID1200340800007535452285400000GARCH109440260012188774546100000RSQUARED0989128MEANDEPENDENTVAR7856601ADJUSTEDRSQUARED0989128SDDEPENDENTVAR0130786SEOFREGRESSION0013637AKAIKEINFOCRITERION5791853SUMSQUAREDRESID0210518SCHWARZCRITERION5774085LOGLIKELIHOOD3285085HANNANQUINNCRITER5785141DURBINWATSONSTAT1988179图25GARCH1，1模型回归结果均值方程结果为27TTTLNSLNHS130410723方差方程结果为282,21,2,E940689TRTETT从上面的回归结果可以看出，Z值以及P值统计量都很显著，也就是指方程ARCH项和GARCH项都是显著的，同时，与上一回归结果相比，拟合优度增加，拟合效果更好了，同时AIC值和SC值也都变小了，因而表明GARCH1,1模型的拟合效果更好。再对上述方程进行条件异方差的ARCHLM检验，其滞后一期的检验结果如下图25所示HETEROSKEDASTICITYTESTARCHFSTATISTIC2034903PROBF3,112601073OBSRSQUARED6093359PROBCHISQUARE301072图25GARCH1，1模型的ARCHLM检验从图25可以看出，此时F值和P值显示，GARCH1,1模型的残差序列已经不存在ARCH效应，从而表明GARCH1,1模型确实消除了方程式（23）中残差序列的自回归条件界方差性。因此，运用GARCH1,1模型能够更好的模拟沪深300指数的波动性，并以此来代表我国股票市场的波动性水平。根据GARCH1,1模型的估计结果，本文将模型估计得出的自回归条件异方差序列作为衡量股市波动性的序列，并记为HS300。4、研究方法本文采用GRACH1,1模型来拟合股票市场的波动性，并以此作为股市波动性的代理变量。考察沪深两市融资融券交易情况，以沪深两市每日融资买入额与沪深两市融券卖出量为自变量，利用EVIEWS80软件，在对各变量进行平稳性检验后，借助VAR变量自回归模型以及GRANGER格兰杰因果关系检验分别研究融资买空交场额的变化、融券卖空交易量的变化对股票市场波动性的影响研究。然后利用脉冲响应和方差分解方法进一步分析融资融券交易变动对股市波动性的变动的冲击效应及其解释力强度。3、实证研究1、融资买空交易对股市波动性影响的实证分析1融资买空交易与股市波动性的VAR模型估计依据理论分析，建立融资买空交易与股市波动性的VAR模型如下KTKTKTKTTRZMARZAHSHSS2112111101303331TUKTKTKTKTTHSSZMRZRZM121212122102303032T建立VAR模型时滞后阶数的选取对模型检验结果的有效性具有重要的影响，在确定滞后阶数P时，一方面滞后阶数越大，越能比较完整地反映所构建模型的动态特征；但另一方面，各变量滞后阶数越大，模型所损失的自由度也就越多，需要估计的参数也会越多。因此，往往在选择模型各变量的滞后阶数时，既要考虑有足够数目的滞后项，同时又不能损失太多的自由度。本文采用LAGLENGTHCRITERIA滞后长度规则检验，来评价建立较为合理的滞后期P的向量自回归VARP模型，该规则的检验结果将会在5个评价统计量各自的最佳滞后期上用“”号给以标注。融资买空交易和股市波动性的VAR模型滞后长度规则检验结果如下图31所示。LAGLOGLLRFPEAICSCHQ07219749NA917E09128315512822621282818111166977873385828E12198417219814921983159211303942727348653E12200781220033452006124311342837728710614E12201401420077602011651411355502514166605E12201555620075152012517511359487869802605E12201555120057232011837611360231485590608E12201497420033592010585711364879165178608E12201508820016872010024811371791362913604E12201560720004192009868INDICATESLAGORDERSELECTEDBYTHECRITERION图31融资买空交易与股市波动性VAR模型的LLC检验从表31检验结果可知，LR、FPE和AIC3个指标值在5的显著性水平下显示建立8阶的VAR模型较为合理，而SC在5显著性水平下显示建立3阶的VAR模型较为合理。考虑到自由度以及简化VAR模型问题，因而本文选取建立3阶的融资买空交易与股市波动率的VAR模型。融资买空交易RZMR与股市波动性HS300的3阶模型即VAR3的估汁结果如下表所示RSQUARED09717300982820ADJRSQUARED09715790982729SUMSQRESIDS140E075570671SEEQUATION112E050222722FSTATISTIC64335951070751LOGLIKELIHOOD11285989717731AKAIKEAIC19962800159606SCHWARZSC19931640128447MEANDEPENDENT00001862205857SDDEPENDENT662E051694727图31融资买空交易RZMR与股市波动性HS300的VAR3的估计结果从图31结果看本文重点关注方程31式，即股市波动率受其自身滞后值及融资买空交易额滞后值影响的方程，观察融资买空交易3阶滞后拟合优度097173表明方程拟合效果较好，各变量的系数值和T检验值显示都较显著，2R表明融资买入额RZMR对股市波动率HS300的影响较显著。从方程32式结果来看，即融资买空交易受股市波动率滞后值、融资买空交易额滞后值影响的方程，方程的拟合优度098282，拟合效果较好，各变量的系数值和T检验值2R显示都较显著，即表明融资买空交易受股市波动率滞后值及自身滞后值的影响都较大，总的来说，融资买空交易额对股市波动性的影响很显著，且融资买空交易额同时受其本身滞后变量及股市波动性的影响。2融资买空交易与股市波动性的GRANGER因果关系检验为进一步分析融资买空交易与股市波动性之间的相互关系，下面对融资买空交易MP与股市波动性VOL进行GRANGER因果关系检验，根据上面两变量滞后阶数的检验，选择滞后一阶作为各变量的滞后长度，检验结果如下NULLHYPOTHESISOBSFSTATISTIPROBRZMRDOESNOTGRANGERCAUSEHS30011308207735E48HS300DOESNOTGRANGERCAUSERZMR45982800033图32RZMR与HS300的GRANGER因果检验图32的GRANGER检验结果显示，在10的显著性水平下，拒绝原假设0H融资买空交易RZMR不是股市波动性HS300的格兰杰GRANGER原因；拒绝原假设股市波动性HS300不是融资买空交易RZMR的格兰杰GRANGER原因，0H即融资买空交易额与股市波动性之间存在双向的因果关系，既融资买空交易额是股市波动性变动的原因，同时股市波动性也是融资买空交场额变化的GRANGER原因。即融资买空交易对股市波动产生影响，同时股市波动的变化会带来融资交易的变化。3脉冲响应分析及方差分解效应当给予融资买空交易额RZMR个单位的正向的冲击时，得到股市波动率HS300的脉冲响应函数如图54所示。可以看出，当融资买空交易额受到一个单位的正向冲击时，将会使股市的波动率变大，并且这种正向的影响在前2个交易日内随时间的推移快速放大，由于冲击会在接下来的交易中被市场逐渐接受并消化，因而在第2个交易日影响达到最大值后开始逐渐减弱，从第3个交易日开始已被市场消化殆尽。从而表明，当融资买空交易受到冲击后，在短期内将会给股市波动带来一个同向的冲击影响。050051015202512345678910RESPONSEOFRZMTORZM050051015202512345678910RESPONSEOFRZMTOHS300400040801201612345678910RESPONSEOFHS30TORZM0400040801201612345678910RESPONSEOFHS30TOHS30ESPNETOCHLESKYONESDINOVATIN2SE图32融资买空对股市波动性的脉冲响应VARIANCEDECOMPOSITIONOFHS300PERISERZMRHS3001112E05005860899941392161E05897925291020753204E05117273988272614235E05122207487779265262E05127042087295806285E05130485286951487306E05132529986747018324E05134035286596489340E051351723864827710355E0513602598639741图33RZMR与HS300的VAR3模型的方差分解从图33的方差分解结果来看，方差分解结果来看，我国股市波动性的方差主要还是被其自身所解释，解释比例高达8639以上，但总体來说却呈逐渐减弱的趋势；被融资买空交易解释的部分比例较小，但呈逐渐增长的趋势，在第十天达到占1360的比例。从而说明，融资买空交品对股市波动性的解释力度较弱，但是就长期来看，随着融资交品规模的不断扩大，这一比例应该会不断上升，即融资买空交易对股市波动性的影响有不断加强的趋势，从而起到降低股市的波动性。2、融券卖空交易对股市波动影响的实证分析1融券卖空交易与股市波动性的VAR模型估计建立融券卖空交易额SS与股市波动率VOL的VAR方程式如下KTKTKTKTTRQMCARQCAHSHSS2112111101303333TUKTKTKTKTTHSSMRQCRQMC121212122102303034T融券卖空交易RQMC与股市波动HS300的模型的滞后长度规则LAGLENGTHCRITERIA检验结果如下LAGLOGLLRFPEAICSCHQ06656378NA250E08118300111821071182663110658337982567204E11189374818910681892735210760932042752172E11191127619068091909588310791416059326164E11191598519097311913621410839169473130151E11192376219157211920723510856773486403148E11192618019163531922467610866061837180146E11192712219155071922732710893595433121140E11193130519179041926241810899581179587140E11193165919164701925919INDICATESLAGORDERSELECTEDBYTHECRITERION图34融券卖空交与股市波动性VAR模型的滞后阶数检验从图34检验结果可知，LR、FPE和AIC3个指标值在5的显著性水平下显示建立8阶的VAR模型较为合理，而SC和HQ在5显著性水平下显示建立7阶的VAR模型较为合理。考虑到自由度以及简化VAR模型问题，因而本文选取建立7阶的融资买空交易与股市波动率的VAR模型。融券卖空交易RQMC与股市波动性HS300的7阶模型即VAR7的AR根如下图所示RSQUARED09875350965643ADJRSQUARED09873780965210SUMSQRESIDS1092854154E07SEEQUATION0313635118E05FSTATISTIC62868992230414LOGLIKELIHOOD28454761118783AKAIKEAIC05320561984516SCHWARZSC05990161977820MEANDEPENDENT17803110000185SDDEPENDENT2791604632E05图35融券卖空交易与股市波动率VAR7模型估计结果从图35结果看方程33式，即股市波动率受其自身滞后值及融资买空交易额滞后值影响的方程，观察融资买空交易阶滞后拟合优度09875352R表明方程拟合效果较好，各变量的系数值和T检验值显示都较显著，表明融券卖出额RQMC对股市波动率HS300的影响较显著。从方程34式结果来看，即融券卖空交易受股市波动率滞后值、融券卖空交易额滞后值影响的方程，方程的拟合优度0965643，拟合效果较好，各变量的系数值和T检验值显示都2R较显著，即表明融券卖空交易受股市波动率滞后值及自身滞后值的影响都较大，总的来说，融券卖空交易额对股市波动率的影响很显著，且融券卖空交易额同时受其本身滞后变量及股市波动性的影响。2融券卖空交易与股市波动性的GRANGER因果关系检验为进一步分析融券卖空交易与股市波动性之间的相互关系，下面对融券卖空交易RQMC与股市波动性HS300进行GRANGER因果关系检验，根据上面两变量滞后阶数的检验，选择滞后1阶作为各变量的滞后长度，检验结果如下NULLHYPOTHESISOBSFSTATISTIPROBHS300DOESNOTGRANGERCAUSERQMC112631831800024RQMCDOESNOTGRANGERCAUSEHS3001151963E14图36RQMC与HS300的GRANGER因果检验图36的GRANGER检验结果显示，在10的显著性水平下，拒绝原假设0H融券卖空买空交易RQMC不是股市波动性HS300的格兰杰GRANGER原因；拒绝原假设股市波动性HS300不是融券卖空买空交易RQMC的格兰杰0HGRANGER原因，即融券卖空交易额与股市波动性之叫仅存在双向的因果关系，融券卖空交易额是股市波动性变动的原因，同时股市波动性也是融资买空交场额变化的GRANGER原因。即融券卖空交易对股市波动产生影响，同时股市波动的变化也会带来融券卖空的变化。3脉冲响应分析及方差分解效应当给予融券卖空交易额RZMR个单位的正向的冲击时，得到股市波动率HS300的脉冲响应函数如图37所示。从图中可以看出,当给融券卖出量一个单位的正向冲击时,股市波动率将会更加剧烈,并且这种正向的作用在前2个交易日内会随时间的推移而加速变大,在第2个交易日达到最大值后开始逐渐减弱,从第3个交易日开始被市场逐渐消化,对比融资买空交易对股市波动性的脉冲响应效果可以看出,融券卖空交易对股市波动性的影响比融资买空交易对股市波动性的冲击来得更加剧烈同时消退的也更快。即与融资交易相比融券卖空交易对股市波动性的作用强度更大。10123412345678910RESPONSEOFRQMCTORQMC10123412345678910RESPONSEOFRQMCTOHS300040000400801201612345678910RESPONSEOFHS30TORQMC0040000400801201612345678910RESPONSEOFHS30TOHS30ESPNSETOHLESKYONESDINOVATIN2SE图37融券卖空对股市波动性的脉冲响应对融券卖空交易与股市波动率的VAR7模型的方差进行了方差分解，得到的分析结果如图38所示，从方差分解结果可知，我国股市波动性的方差主要是被其自身所解释的，解释比例甚至高达9597以上，但这一比例随着时间的推移呈逐渐下降的趋势；虽然融券卖空交易解释的力度不是很大，但是这一解释比例却呈逐渐上升的趋势，在前2个交易日内涨速度较快，以后呈缓慢上涨态势，在第十个交易日达到4