限制股指期货对股市波动性影响的实证研究8400字

1、限制股指期货对股市波动性影响的实证研究8400字 摘 要：本文利用20222022年沪深300指数收盘价的日收益率数据，首先采用GARCH1，1模型，分析了在剔除融资融券变量之后，限制股指期货的政策对股市的波动影响，然后使用EGARCH1，1模型分析股指期货限制对股市非对称效应的影响，最后通过中证500、上证50股指期货收盘价数据和调整数据周期进展了稳健性检验。研究结果说明：限制股指期货的政策降低了股市的波动性，但加剧了股市的非对称效应。 /3/view-13009312.htm 关键词：股指期货；股票市场；波动性；GARCH模型中图分类号：F830.91 文献标识码：A 文章编号：1674-

2、2265202206-0048-06一、引言和文献综述2022年4月16日，我国第一个股指期货上市交易，推出股指期货的目的在于稳定股票市场，丰富投资工具，国内学术界也对推出股指期货与股票市场波动性进展了大量的研究，大局部都得出我国股指期货的上市交易可以起到稳定股票市场的作用。2022年6月8月，我国股票市场经历了严重的股价下跌，中金所随后出台了限制股指期货交易的政策，在此背景下，本文研究的目的是实证分析限制股指期货交易的政策?股市波动性和非对称性的影响。针对股指期货交易对现货市场波动性影响的问题，学术界仍存在较大的分歧，主要观点包括以下三种：一股指期货市场降低了股票市场波动性Lee和Ohk19

3、92通过对香港恒生指数期货的研究，得出恒生指数期货有利于降低香港地区股票市场的波动性。Pilar和Rafael2022通过对西班牙引入股指期货后的股票市场进展研究，结果显示股指期货的引入显著降低了西班牙股市的波动性。Antoniou、Koutmos和Pericli2022选取英国FTA指数、法国CAC指数、美国SP500指数、德国FC指数、日本Nikkei指数及加拿大T300组合指数，分析了六个国家的股票市场，结果显示股指期货都有效降低了六个国家股票市场的波动性。Drimbetas2022选取了富时指数日收盘价数据对英国的股票市场进展研究，EGARCH模型结果显示股指期货的推出不仅显著降低了现

4、货市场波动性，还进步了市场效率。Kasman2022同样采用EGARCH模型研究了土耳其20022022年间的股票市场，结果也显示股指期货降低了股市波动性。宗计川和李先玉2022在剔除国内经济形势、国际经济形势、投资者情绪及周内效应后，以沪深300指数期货为研究对象，结果说明股指期货的推出减少了现货市场的波动性。Zhang和Lv2022采用ARCH、GARCH模型及格兰杰因果关系检验研究了印度的股票市场，结果说明，印度推出股指期货降低了股市波动，同时也增强了股市价格发现功能。许硕2022同时采用GARCH和VAR模型，研究了中国股票市场在限制投机政策下的表现，结果说明限制投机交易制度的推出减少

5、了现货市场的波动性，可以起到市场维稳的作用。曹栋和张佳2022选取20222022年沪深300指数收盘价数据，采用GARCH-M模型研究了中国股票市场推出股指期货的表现，结果显示股指期货可以显著降低现货市场波动性。二股指期货市场对股票市场波动性无影响Baldauf和Santoni1991采用ARCH模型对SP500指数进展研究，发现SP500股指期货对现货市场波动性影响不显著。Shenbagaraman2002通过对印度SP CNX Nifty期货、期权和现货市场的研究，未发现股指期货市场与现货市场波动之间的相关性。吴佩渝2000对台湾地区股指期货市场的研究得出，台湾地区股指期货上市后对现货市

6、场的波动性并没有显著影响。Darrat和Rahman2002、Sibani和Shankar2022的研究显示期货市场的交易对现货市场的波动影响不显著。盛浙湘、顾天慧2022选取了处于不同开展阶段的八个国家和地区，发现除日本外，推出股指期货对现货市场的影响都不显著。Hu和Yiwen2022选取沪深300指数日收盘价数据进展研究，结果显示股指期货价格变化对股市波动性没有显著影响。三股指期货市场增加了股票市场的波动性Antoniou和Holmes1995对FTSE100指数进展了实证研究，发现股指期货交易加大了现货市场的波动性，但也改善了现货市场的信息传播速度和质量。俞卫1995对具有不同到期日的8

7、种股指期货与现货市场关系的研究发现，指数套利改变了股指期货价格和股票价格的波动形态，股指期货的价格波动有时是由股票市场的冲击引起的。Bac2022、Kang2022研究了日本、韩国等五个亚洲国家的股票市场，GARCH及扩展的GJR-GARCH、APGARCH模型结果显示，五个国家股票市场的波动性与非对称性在引入股指期货后都有不同程度的增加。刘凤根和王晓芳2022选取N225指数、韩国KOSPI200指数和台湾证交所加权指数分析了日本、韩国和台湾地区的股票市场，GARCH模型结果显示股指期货的推出对台湾地区股市波动性影响不显著，但显著加剧了日本和韩国股市的波动性。Kittiakarasakun、

8、Tse和Wang2022选取20022022年的Nasdaq-100股指期货数据，研究了知情交易者和不知情交易者在不对称波动下的影响，结果显示不知情交易者的交易行为更显著地导致了市场的不对称波动。Yang Jian2022选取了2022年4月16日到2022年7月30日沪深300指数收盘价数据，研究了股指期货推出之初现货市场的表现，发现推出之初，股市出现很大跌幅，股指期货价格发现的作用不显著。需要指出的是，首先，绝大局部学者对股指期货与现货市场波动的关系研究都未剔除可能引起股市波动的其他经济变量，本文较严谨地剔除了融资融券变量，参考宗计川和李先玉2022的方法，把融资融券变量参加到GARCH模

9、型的均值方程进展分析；其次，大局部学者研究的是股指期货上市对现货市场的波动影响，而本文更进一步地分析股指期货的限制政策对现货市场的波动影响；最后，通过使用中证500、上证50股指期货数据和调整样本区间三种方法进展了稳健性检验，使结果更具可靠性。 二、数据与模型选取一数据和变量说明本文选取2022年10月28日2022年10月26日沪深300指数日收盘价数据，融资融券变量用融资融券余额表示，利用收盘价数据计算出日收益率数据，计算公式为：ret=100lnptpt-1，其中pt表示t期沪深300指数收盘价，pt-1表示上一期收盘价；利用融资融券余额日数据，使用同样的计算公式得到融资融券变动率数据。

10、除去节假日，共有732个样本，数据均来源于万得资讯。为了分析股指期货的限制政策对股市波动性的影响，将数据以2022年9月7日为节点分成两个子样本：限制政策出台前的2022年10月28日2022年9月7日和限制政策出台后的2022年9月8日2022年10月26日。二计量经济学模型广义自回归条件异方差GARCH模型是由T.Bollerslev提出，经ARCH模型开展而来，是专门针对金融时间序列数据使用的回归模型，很合适分析带有波动聚集性的金融时间序列。基于AIC和SC准那么，本文选择GARCH1，1模型?矸治龉芍钙诨醯南拗普?策对股市的波动影响，GARCHp，q由均值方程和方差方程构成，原始形式如

11、下：xt=0+1xt-1+2xt-2+pxt-p+ut 1ut=htt 2ht=0+i=1qiu2t-1+i=1pih2t-1 3其中，p和q分别为GARCH项和ARCH项阶数，当p=1、q=1时就得到GARCH1，1模型；1式为ARp形式的条件均值方程，ut为误差项；3式为条件方差方程，0代表原先的不确定性，u2t-1表示外部的波动冲击，h2t-1表示过去的波动性，i和i分别表示外部波动冲击与过去波动性对当期波动性的影响程度，数值越大，那么代表对当期波动性影响越大。为了剔除融资融券变量对股市波动的影响，本文把融资融券余额参加均值方程，设定如下：hs300t=c+rzrqt+ut 4其中，hs

12、300t表示沪深300指数收益率，rzrqt表示融资融券余额变动率，ut为随机误差项。三、实证分析本文首先采用GARCH1，1模型分析限制股指期货对股市的波动性影响，然后使用EGARCH1，1模型分析限制股指期货对股市的非对称效应影响，分析之前，进展了描绘性统计和充分的实证检验。一描绘性统计本文分别对沪深300指数收益率和融资融券余额变动率进展全样本和子样本描绘性统计，见表1。由表1可知，沪深300指数收益率hs300t全样本的偏度为-1.0170，左偏，峰度为7.9093，J-B统计量为861，说明沪深300指数收益率序列是具有顶峰厚尾，且分布显著异于正态分布的序列，采用GARCH模型是适宜

13、的。观察沪深300指数收益率序列限制前和限制后的偏度和峰度值也可得出结论，hs300t限制前样本的标准差为1.9301，限制后的标准差为1.6135，限制后标准差小于限制前的标准差，据此可以初步判断，限制沪深300指数期货交易后，降低了股市波动。融资融券余额变动率rzrqt限制前样本的偏度为-3.8476，峰度为27.1561，说明融资融券变动率也是一种带有左拖尾顶峰的非正态分布的时间序列；限制后样本的偏度为-0.3980，峰度为4.9192，J-B统计量为49，较限制前的数值都有明显下降，说明限制后的样本更趋近于正态分布；比拟rzrqt限制前后的标准差可以看出，限制后的标准差下降了0.47，

14、说明限制股指期货交易政策出台后的时间范围内，融资融券余额变动率的波动下降很大。二实证检验1. 平稳性检验。使用ADF检验来测度沪深300指数收益率和融资融券余额变动率序列是否为平稳序列，结果如表2所示。表2：ADF检验结果样本期变量 全样本ADF值 限制前ADF值 限制后ADF值 hs300t -25.4117p=0.0000 -8.9596p=0.0000 -18.4719p=0.0000 rzrqt -6.8179p=0.0000 -9.5054p=0.0000 -7.0252p=0.0000 从表2 可以看出，沪深300指数收益率序列在全样本和子样本时期的p值都趋向0，所以该序列是平稳序

15、列；同样可得出融资融券余额变动率序列也是平稳的。2. 自相关检验及模型识别。对4式进展OLS回归，再利用LM自相关检验，在滞后5阶的情况下，显示残差存在自相关，见表3。表3：LM自相关检验结果基于AIC和SC准那么，本文选定AR2MA2来拟合模型，拟合后的结果显示，除了常量C的系数不显著以外，其他系数都很显著，且从滞后1阶到10阶都没检测到自相关，说明用AR2MA2拟合模型效果良好，且消除了自相关。3. ARCH效应检验。假如残差不具有ARCH效应，即不具备波动聚集性，那么不能使用GARCH模型来分析，因此，在使用GARCH模型分析前，必需要进展ARCH效应检验。本文采用ARCH-LM滞后8阶

16、来检验残差是否存在ARCH效应，检验结果如表4所示。表4：ARCH效应检验结果由表4可以断定，残差具有高阶ARCH效应，可以用GARCH模型来分析。三回归结果分析 1. GARCH模型对股市波动性的分析。为了检验股指期货限制政策对股市波动性的影响，本文参加虚拟变量dmt来表示股指期货限制这个事件，将dmt参加方差方程，股指期货限制前dmt等于0，限制后dmt等于1；基于AIC和SC准那么，本文建立GARCH1，1模型，经AR2MA2拟合后的均值方程，参加了虚拟变量的方差方程如下：hs300t=0+1hs300t-1+2hs300t-2+3rzrqt+4ut-1+5ut-2 5ht=0+1u2t

17、-1+1h2t-1+dmt 6其中dmt的系数可以用来解释股指期货限制政策对股市波动性的影响，假如显著小于0，说明股指期货限制政策减少了股市波动；显著大于0，说明股指期货限制政策增加了股市波动；显著等于0就表示股指期货限制政策对股市没有影响；另外，1+1需满足小于1以保证模型的稳定性。使用Eviews8.0回归，结果如表5所示。表5：GARCH1，1模型回归结果 Coefficient Std.Error Z-statistic Prob. 0 -0.0731 0.0483 -1.5138 0.1301 1 -1.8525 0.0155 -119.3324 0.0000 2 -0.9569 0

18、.0138 -69.2699 0.0000 3 0.6351 0.0492 12.9019 0.0000 4 1.8570 0.0114 162.5115 0.0000 5 0.9703 0.0120 81.0914 0.0000 0 0.0310 0.0095 3.2807 0.0010 1 0.0633 0.0109 5.7864 0.0000 1 0.9276 0.0101 92.0262 0.0000 -0.0191 0.0083 -2.3044 0.0212 R-squared 0.1616 Mean dependent var 0.0460 Adjusted R-squared 0

19、.1558 S.D.dependent var 1.8184 S.E of regression 1.6707 Akaike info criterion 3.5093 Sum squared resid 2022.971 Schwarz criterion 3.5722 Log likelihood -1270.886 Durbin-Watson stat 1.9609 由表5可得，除了常数项不显著以外，其他变量都在5%的程度下显著；的系数为-0.0191，显著小于0，因此，可以得到：推出股指期货限制政策减少了股市的波动；另外1+1=0.991也满足模型稳定性要求；本文还对使用GARCH1，

20、1模型回归后的结果进展了ARCH-LM检验，见表6。表6：GARCH模型回归后ARCH效应检验由表6可得，在滞后8阶的情况下，经GARCH1，1模型回归后的残差消除了ARCH效应。2. EGARCH模型对股市非对称性的分析。股市不仅存在股票价格的波动聚集性，还存在信息的非对称性，即投资者对利空消息和利好消息的反响程度不一样，本文用EGARCH模型来分析股指期货限制政策对这一现象的影响。 EGARCH模型的一个特征是模型系数不存在非负性约束，防止了条件方差出现负值，因此选用EGARCH模型来分析股指期货限制政策对股市的非对称影响。同样基于AIC和SC原那么，使用经MA1拟合后的EGARCH1，1

21、模型来分析，条件均值方程如7式，条件方差方程如8式：hs300t=0+1rzrqt+2ut-1 7Lnht=0+1Lnht-1+1ut-1ht-1+ut-1ht-1 87式中，ut-1/ht-1为标准化信息，ut-1/ht-10表示利空消息，ut-1/ht-10那么表示利好消息，ut-1/ht-1是非对称效应项，通过观察其系数来确定是否存在非对称效应，假如显著不等于零，那么说明存在非对称性，用1+和1-来分别表示股票市场对利好消息和利空消息的反响程度。回归结果如表7所示。表7：EGARCH1，1模型股市非对称回归结果估计系数 总体 限制前 限制后 0 -0.08010.0996 -0.0357

22、0.6111 0.04430.2022 1 0.66880.0000 0.38210.0000 0.92040.000 2 -0.00890.8144 0.02300.6433 -0.12620.0417 0 -0.10190.0000 -0.09400.0002 0.01860.4048 1 0.98900.0000 0.99920.0000 1.00700.0000 1 0.14550.0000 0.13070.0001 -0.04470.1430 -0.01860.2100 0.02220.1555 -0.08310.0013 1+ 0.1269 0.1529 -0.1278 1- 0.

23、1641 0.1084 0.0383 注：括?中的数值为P值。由表7可以发现，总体样本回归结果中非对称效应项的系数为-0.0186，但不显著，这说明在总体样本区间未检测到股市的非对称性，限制前样本回归结果的为0.0222，也不显著，说明在限制股指期货前，股市不存在非对称效应，即利好消息和利空消息对股市的冲击是无差异的。但是，限制后的样本回归结果为-0.0831，在1%的程度下显著不为零，说明在限制股指期货后股市存在非对称效应，1+的值为-0.1278，即利好消息对股市的冲击为 -0.1278倍，1-的值?0.0383，即利空消息对股市有0.0383倍的冲击，投资者对利空消息的反响程度明显大于对

24、利好消息的反响程度，显示出市场的非理性特征，说明限制股指期货的措施加剧了股市的非对称性。四、稳健性检验前文实证得出沪深300指数期货的限制政策降低了现货市场的波动性，但加剧了股市的非对称性效应，股市呈现出更多的非理性特征。国内已上市的股指期货还有中证500和上证50股指期货，为了检验结果的稳健性，在样本区间一致的情况下，分别使用中证500和上证50指数日收盘价数据来替代沪深300指数日收盘价，并采用一样的实证方法进展回归，又把沪深300日收盘价数据样本区间设置为2022年4月16日2022年10月19日，得到回归结果如表8、表9所示。表8显示，无论是选用中证500、上证50指数的数据还是扩大样

25、本区间，代表股指期货限制事件的虚拟变量dmt的系数都为负值，且非常接近，中证500指数和调整样本区间的方法在1%程度下显著，上证50指数的系数在10%程度下显著，和前文得到的结果是一致的。从表9可以看出，用中证500指数数据回归的结果显示，从总体来看未检测到股市的非对称效应，但是限制前和限制后都存在非对称效应，且非常显著，进一步地从1+和1-的值来看，限制前的1+为0.0355，而限制后的1+为-0.1117，这说明在限制股指期货后，股市对利好消息更不敏感；再比拟限制前后1-的值可以得出，限制股指期货后股市对利空消息更加敏感了。同样的分析，上证50和调整样本区间的结果都显示在限制股指期货后股市

26、显著存在非对称效应，并且限制股指期货后股市对利空消息的反响程度更大了，股市呈现出更多的非理性特征。这和前文得到的结论一致。五、结论2022年9月7日，中金所出台了对股指期货的限制政策，本文的研究目的是实证分析限制政策对股市波动性和对称性的影响，考虑到融资融券对股市波动的重要影响，本文剔除了融资融券变量。选取沪深300指数日收益率数据，参加虚拟变量表示限制事件，采用GARCH1，1模型分析限制政策对股市波动的影响，得到的回归结果显示，中金所限制股指期货交易的政策显著地减少了股市的波动；然后使用EGARCH1，1模型分析限制政策对股市非对称性的影响，结果显示限制股指期货的政策加剧了股市的非对称效应

27、；最后还通过调整变量和调整数据选取的时间区间进展了稳健性检验，结果均显示结果是稳健的。综上可得，限制股指期货的政策虽然在一定程度上到达了降低股市波动的作用，但却加剧了股市的非对称效应，股市对利空消息的反响程度远大于对利好消息的反响程度，市场呈现更多的非理性特征。参考文献：1Antoniou，A. and Holmes，P. 1995. Futures trading，information and spot price volatility： Evidence for the FTSE-100 stock index futures contract using GARCH. Journal

28、Of Banking And Finance，Vol.19，No.1.2Pilar C.，afael S. 2002. Does Derivatives Trading Destabilize the Underlying Assets？ Evidence from the Spanish Stock MarketJ.Applied Economics Letters，2.3Damodaran，A. 1990. Index futures and stock market volatility.Review Of Futures Markets，Vol.9，No.2.4Antoniou A，K

29、outmos G，Pericli A. 2022. Index futures and positive feedback trading：evidence from major stock exchangesJ.Journal of Empirical Finance，122.5Drimbetas E，Sariannidis N，Porfiris N. 2022. The effect of derivatives trading on volatility of the underlying asset：evidence from the Greek stock marketJ.Appli

30、ed Financial Economics，172.6Kasman A，Kasman S. 2022. The impact of futures trading on volatility of the underlying asset in the Turkish stock marketJ.Physica A：Statistical Mechanics and its Applications，38712.7Lee，S.B. and Ohk，K.Y. 1992. Stock index futures listing and structural change in time-vary

31、ing volatility. Journal Of Futures Markets，Vol.12，No.5.8Baldauf B，Santoni，G J. 1991. Stock price volatility：Some evident from an ARCH modelJ.The Journal of Future Markets，112 9Darrat，Rahman. 2002. On the role of futures trading in spot markets fluctuations： Perpetrator of volatility or victim or reg

32、ret ？J.The Journal of Financial Research，253.10Sibani Prasad Sarangi，K. 2022. Uma Shankar Patnaik.Impact of futures and options on the underlying market volatility：an empirical study on Sp CNX Nifty IndexJ.SSRN working paper series，Nov.11Hu，Yiwen. 2022. Study on effects of CSI 300 index futures on C

33、hinese Stock Market volatilityC.International Forum on Management，Education and Information Technology Application.12Sang Hoon Kang，Seonb-Min Yoon. 2022. Index Futures Trading and Asymmetric Volatility：Evidence from Asian Stock MarketsJ.Journal of the Korean Economy，82.13Bae S C，Kwon T H，Park J W. 2

34、022. Futures trading，spot market volatility，and market efficiency：the case of the Korean index futures marketsJ.Journal of Futures Markets，2412.14Kittiakarasakun J，Tse Y，Wang G H K. 2022. The impact od trades by traders on asymmetric volatility for Nasdaq-100 index futuresJ.Managerial Finance，388.15Yang Jian，Yang Zihui，Zhou Yinggang. 2022. Intraday price d