股指期貨對股票價格波動影響分析

隋婷婷

摘要：股指期貨的標的是股票指數，故自股指期貨誕生之日起，國內外的學者就致力于研究股指期貨與現貨的關系。30多年來，學術界的爭論沒有一個定論。不管是想繼續深入探討、延伸有限的理論知識，還是想在實踐中加快發展我國金融衍生品市場，都需要更多的以數據為基礎的實證研究來探討股指期貨與股票現貨市場影響關系。這是研究的目的和意義，希望盡所能，有所貢獻。

關鍵詞：股票價格波動；股指期貨；影響

中圖分類號：F83

文獻標識碼：A

doi：10.19311/j.cnki.1672.3198.2016.28.046

1 緒論

1.1 選題背景及研究意義

2010年4月16日，中國金融期貨交易所籌備四年多的滬深300股指期貨終于上市。如今已安全平穩地運行了6年多的時間。股指期貨的推出彌補了金融市場沒有風險管理工具的缺陷，然而，其高風險高收益的杠桿性，令很多投資者望而卻步，稍有不慎，面臨的風險也會數倍而來。

1.2 研究方法及思路

本文實證研究借鑒了部分文獻的指導經驗。由于樣本空間是高頻金融時間序列，所以采用GARCH模型來進行實驗。同時，為更好地對比股票市場在股指期貨出現前、后的波動率變化情況，故采用事前事后研究法和引入虛擬變量來刻畫滬深300股指期貨推出事件的方法。通過觀測模型的回歸結果和虛擬變量值的情況來描述波動率變化情況。

2 滬深300股指期貨對股票價格波動影響實證分析

2.1 數據來源

本文實證部分的滬深300指數的選取時間段是從2007年1月4日到2015年12月31日，樣本選擇日收盤價數據，共2188個數據。本文之所以從2007年開始選取數據是因為2005年我國正式開始股權分置改革，到2006年股權分置改革才基本完成。為避免我國股市這段時間存在結構性變化的影響，故舍去2007年以前的數據。滬深300股指期貨選取當月合約從2010年4月16日至2015年12月31日的當天的收盤價，共1388個數據為整個樣本。

本文依據滬深300股指期貨的上市時間，以2010年4月16日為界線，將總樣本分成兩個階段。以上數據來源于Resset數據庫，中國金融期貨交易所，中信證券至信軟件等。

2.2 變量選擇

本文所運用的GARCH模型需要用到收益率數據。收益率的方差或者標準差體現了市場的波動特征和風險特征?，F代金融衍生品的研究中，普遍使用收益率的方差或者標準差來代表股票的波動率。

Rt=（LnPt-LnPt-1）×100%（1）

其中，Pt表示滬深300指數在第t日的收盤價，Pt-1表示滬深300指數在第t-1日的收盤價，Pt表示滬深300指數在第t日的對數收益率。如不做特殊說明，下文的收益率默認為滬深300收盤指數的對數收益率。

2007年至今，中國股票市場在股指期貨推出前后經歷了兩次牛市，一次熊市。且不論滬深300指數的日收盤價數據，還是滬深300股指期貨的日收盤價數據，總體上來說都有類似于隨機游走的形式，即都是非平穩的。從2010年4月16日的走勢開始，二者具有大致相同的趨勢和變化規律，說明二者可能存在協整關系。

2.3 實證方法

2.3.1 描述性統計

原始數據進行處理后，新建三個序列對象hsall、hs1、hs2分別代表了滬深300指數的日收益率總樣本，股指期貨推出前以及之后的滬深300指數的日收益率樣本。本文運用Eviews6.0軟件，分別對三個序列對象進行描述性統計。

樣本hsall、hs1、hs2序列的描述統計量柱狀圖顯示結果：三個序列的偏度（Skewness）分別為-0.487，-0.409，-0.602，均小于0，說明三個樣本數據均具有左偏的特征；三個序列的峰度（Kurtosis）分別為5.784，4.223，7.024，均大于3，說明都在均值處出現過度波峰，故均具有尖峰厚尾的特征；JB統計量分別為792.819，72.135，1020.301，其χ2值均大于臨界值，相伴概率p值均為0，說明非常顯著。綜上，三個序列都具有左偏，尖峰，厚尾的特征，且不服從正態分布。

2.3.2 ADF單位根檢驗

為避免造成虛假回歸，我們需要檢驗金融時間序列是否平穩。（最大滯后階數p=10）ADF檢驗情況顯示hsall、hs1、hs2三個序列的p值是0，ADF的值均小于1%顯著性水平下的臨界值，所以拒絕原假設，表明三個序列均沒有單位根，都是平穩的。

2.3.3 自相關檢驗

自相關檢驗結果顯示在滬深300股指期貨推出前后，滬深300指數的日收益率都存在自相關性。綜合單位根檢驗結果、自相關檢驗結果，滬深300指數在滬深300股指期貨推出之前和之后的兩個日收益率序列既是平穩的，也是自相關的，所以我們可以用ARMA模型來解釋滬深300日指數收益率序列的變化。

2.3.4 模型建立及實證分析

（1）選擇收益率自回歸的滯后階數。

利用AIC和SC準則來檢測計量模型及其滯后階數對金融時間序列數據的擬合情況，再對其殘差進行自相關性檢驗。綜合考慮AIC值和SC值最小的準則，我們可以認為最優的組合為hs1序列服從ARMA（0，1）模型，hs2序列服從ARMA（1，2）模型。相比之下，第二優的組合為hs1序列服從ARMA（2，2）模型、hs2序列服從ARMA（1，1）模型。

（2）ARCH效應檢驗。

本文利用ARCH-LM檢驗方法對hs1、hs2序列分別進行ARCH效應檢驗。將股指期貨推出前后滬深300指數日收益率hs1序列和hs2序列分別滯后1，2，3，4，5階進行回歸?；貧w結果按照AIC值和SC值較小的準則分析，發現滯后4階時，回歸方程最顯著，所以選取滯后4階的自回歸模型。我們選擇一階滯后，將四階自回歸模型的殘差進行ARCH-LM模型檢驗。hs1、hs2兩個序列的ARCH-LM統計量的相伴概率都趨向于0，在5%的顯著性水平下仍然顯著，說明hs1、hs2序列的殘差序列均存在ARCH效應。綜上，我們可以建立GARCH模型。