摘要:股指期货和股票市场是金融市场的两个重要组成部分。股指期货以股票价格指数为标的,因此二者在价格变动上有密切的联系。本文通过建立向量自回归模型、脉冲响应模型,对股指期货市场和股票现货市场价格波动之间的关系进行了分析。模型结果说明沪深300股指期货收益率的增加在短期内对沪深300股票现货收益率的提高有一定的正面影响,而沪深300股票现货市场收益率对沪深300股指期货收益率的影响比较微弱。 1.研究背景
我国沪深300指数期货合约于2010年4月16日正式登陆中国金融期货交易所,2015年5月又推出了上证50和中证500股指期货合约。股指期货合约逐渐成为我国期货市场中的重要组成部分。股指期货以股票指数为标的,因此股指期货与现货市场的价格具有一定的关联性。二者的互相影响关系中,探讨哪一方起主导作用,具有重要的研究价值。
关于期货市场与现货市场之间的相互关系,国内外学者已经做了一些研究工作。Yiuman (1999)建立了双变量EGARCH模型,对美国道琼斯工业平均指数和道琼斯股指期货进行了
route命令波动性溢出效应的检验,分析结果表明两市场间存在双向的信息传递,而且从期货市场向现货市场的波动性溢出效应比较显著。Brooks和Ritson(2001)建立误差修正模型对FTSE-100指数现货价格和期货价格之间的关系进行了分析,研究表明期货价格的滞后变化对预测现货价格的变化有一定的积极作用Zhong,Darrat,Otero(2004)应用EGARCH和协整分析模型对墨西哥股票指数期货进行了分析,模型计算结果表明墨西哥金融市场存在从股指期货市场向股票现货市场的波动性溢出现象,股指期货市场具有价格发现功能。Wang和Ke(2005)运用Johansen极大似然估计法对大豆与小麦期货合约与同期现货市场做了协整分析,分析得出大豆期货市场与大豆现货市场具有协整关系,而小麦期货对现货市场的价格发现能力不强。仲伟俊,戴杨(2007)运用双变量EGARCH模型,分析了我国大豆期货与现货市场之间的波动性溢出效应。实证分析结果表明波动性溢出效应在两市场之间是对称的。刘庆富,仲伟俊(2007)运用波动性溢出效应模型对我国铜、铝期货市场进行了分析。模型结果表明,铜、铝的期货市场与现货市场之间存在双向的波动性溢出关系,而且期货市场对现货市场的波动性溢出效应要强一些。夏天(2007)对日经股指期货进行了深入研究,结果表明日经股指与国内外期货市场有良好的关联性和长期均衡关系。
自从2010年4月沪深300股指期货推出以来,股指期货与股票市场都得到了快速发展。本文
拟建立向量自回归模型,对我国股指期货与股票市场价格波动的关联性进行分析。
2..数据来源与描述性统计分析
2.1数据来源与选取
本文以沪深300现货指数和沪深300期货指数为研究对象,分析的数据范围为2010年4月16日至2015年3月31日,共计1201个样本点,数据来源于wind数据库。本节对沪深300现货指数和沪深300期货指数做如下处理:
(1)首先,无政府主义对得到原始沪深300现货指数(收盘价)任秀娟和沪深300期货指数
(收盘价)进行对数化处理,得到现货指数对数值和期货指数对数值;
(2)其次,将现货市场的日收益率和期货市场定义为股指对数值的
一阶差分:
2.2 描述性统计
如图1所示,通过对沪深300现货指数(收盘价)和沪深300期货指数(收盘价)进行观察可以发现,股票指数和股指期货趋势有相当大的部分重合。但尚不清楚期货指数变动是否领先于现货指数变动。
图1 股指期货与股票指数市场走势分布图
图2给出了沪深300现货指数收益率和沪深300期货指数收益率10期移动平均。数据描述结果说明,股指期货收益率和股票指数收益率的变动大多数情况下是一致的。图2的结果尚不能明确反映期货指数收益率变动是否领先于现货指数收益率,探究二者的变动关系需要进一步的统计检验。
图2 股指期货收益率与股票指数收益率走势分布图
3.变量的平稳性检验与格兰杰因果关系检验
时间序列经常会发生伪回归现象,因此有必要对研究的时间序列进行单位根的平稳性检验。在平稳性检验的方法中,ADF(拓展的Dicky-Fuller)单位根检验是最常用的一种检验方法。本文利用Eviews6.0,分别计算了沪深300股指期货收益率()和沪深300现货收益率()的ADF统计量。
表1 ADF单位根检验结果
变量名称 | 检验类型 | ADF值 | 5%临界值 | 1%临界值 | P值 | 结论 |
| (0,0,0) | -35.40724 | -1.941088 | -2.566892 | 0.0000 | 平稳 |
| (0,0,0) | -34.59512 | -1.941088 | -2.566892 | 0.0000 | 平稳 |
| | | | | | |
沪深300股指期货收益率()和沪深300现货收益率ADF单位根检验结果说明,在1%的显著性水平下,时间序列和均拒绝存在单位根的原假设,因此两者都是平稳的。
在平稳性的基础上,对沪深300股指期货收益率和沪深300现货收益率的动态关系进行格兰杰因果关系检验。它可以通过确定一个变量的滞后项包是否含在另一个变量的方程中,来判定一个变量的变化是否是另一个变量变化的原因。格兰杰检验模型为:
格兰杰因果检验的滞后阶数分别设定为1、2和3期,检验结果如表3.2所示:
表2 格兰杰因果检验
滞后期 | 因果关系假设 | 观测值 | F值 | P值 | 结论 |
1 | 不是的Granger原因 | 1199 | 0.01828 | 0.8925 | 接受 |
不是的Granger原因 | 13.2231 | 0.0003 | 拒绝 |
2 | 不是的Granger原因 | 1198 | 0.39538 | 0.6735 | 接受 |
不是的Granger原因 | 7.32403 | 0.0007 | 拒绝 |
3 | 不是的Granger原因 | 1197 | 2.57568 | 0.0525 | 接受 |
不是的Granger原因 | 4.76551 | 0.0026 | 拒绝 |
| | | | | |
表2 中的格兰杰因果关系检验数据显示,滞后期为1、2和3时,均在1%的显著性水平下拒绝“不是的Granger原因”的原假设;接受“不是的Granger原因”的原假设。因而,可以得到的结论:沪深300股指期货收益率变动是沪深300现货收益率变动的原因;而沪深300现货收益率变动不是沪深300股指期货收益率变动的原因。
4.向量自回归模型
4.1. VAR模型最优滞后阶数选择
在建立VAR模型之前要确定VAR模型的结构。确定合适的滞后阶数,需要从较大的滞后阶数(lag)开始,比较对应的LR值、AIC值、SC值。表3给出了从1到3阶的VAR模型估计结果的信息准则,最小信息准则用*标注。
表3 VAR模型滞后阶数选择表
Lag | LogL | LR | FPE | AIC | 行政审批制度SC | HQ |
0 | 8137.662 | NA | 4.28E-09 | -13.59342 | -13.58492 | -13.59022 |
1 | 8217.556 | 159.387 | 3.77E-09 | -13.72023 | -13.69473 | -13.71062 |
2 | 8240.19 | 缅铃45.07899 | 3.66E-09 | -13.75136 | -13.70886 | -13.73535 |
3 | 8263.59 | 46.52604* | 3.54e-09* | -13.78378* | -13.72427* | -13.76136* |
| | | | | | |
根据最小信息准则,无约束VAR模型的最佳滞后阶为3。
4.2. VAR模型的估计
向量自回归模型的的估计结果如表4所示:
表4 VAR模型估计
| RIF | RHS |
RIF(-1) | -0.093739 (-0.96239) | 0.332796 ( 3.60772) |
RIF(-2) | -0.150163 (-1.44727) | 0.100994 ( 1.02780) |
RIF(-3) | 刘震云百度百科-0.235869 (-2.41288) | -0.045480 (-0.49127) |
RHS(-1) | 0.085370 ( 0.82867) | -0.328422 (-3.36617) |
RHS(-2) | 0.182481 ( 1.68555) | -0.093677 (-0.91366) |
RHS(-3) | 0.271383 ( 2.66509) | 0.067764 ( 0.70268) |
C | 0.000163 ( 0.38543) | 0.000182 ( 0.45431) |
R-squared | 0.007286 | 0.012807 |
Adj. R-squared | 0.002280 | 0.007829 |
| | |