论文部分内容阅读
作者简介：仲平，男，仰恩大学经济学院讲师。研究方向：经济统计。学 术 问 题 研 究 （综 合 版）
摘要：股指期货推出后对股价的波动性影响到底如何呢？根据实证研究，可以发现虽然短期内股指期货加剧了现货市场的波动性，这可能是交易初期存在大量非理性的投机行为所致；但股指推出之后的一年左右，现货市场的波动性已经没有明显的变化了。这说明从长期来看，股指期货对于现货市场波动性没有负面的影响。
关键词：股指期货；沪深300股指期货；GARCH模型；波动性
中图分类号：F8309文献标识码：A 文章编号：0000-0129/K（2014）01-0073-06
引言
股指期货是交易双方通过对股票指数变动趋势的预测，约定在未来某一时间按照一定条件进行交易的合约。1982年2月24日，全球第一份股票指数期货合约价值线综合指数期货合约，由美国堪萨斯期货交易所推出。在所有的金融期货中，股指期货虽然历史最短，但发展最快。自20世纪90年代以来，股指期货的数量快速增长，至1999年底，全球已有一百四十多种股指期货合约在各国交易。
目前，全球主要的股指期货包括：标普500期指、金融时报100期指、恒生指数期货、日经225期指、德国DAX期指等，它们于1982年至1990年期间先后被推出。2010年4月16日，沪深300股指期货合约正式上市交易。
国内外大多数的实证研究表明，股指期货推出前后，股市并没有出现显著性的波动。如Sean Becketti, Dan JRoberts（1990）① 研究分析，得出香港恒生指数期货推出前后股票市场波动没有受到影响。Ｅｄｗａｒｄｓ（１９８８）②在对标准普尔500指数和价值线指数在期货市场推出前后的波动性进行研究后得出，股价指数的波动加大不是由于股指期货引起的，而且期货市场能够使得现货市场更为稳定和完善。封思贤、张兵、李心丹、汪慧建（2010）③研究发现:香港H股指数期货是大陆主要股指的Granger原因,其波动也会溢出到A股市场。刘元（2011）④研究表明：股指期货的推出使沪深300指数的非对称性效果增强,但是波动率有所降低。
笔者结合前人的研究成果，选取了部分沪深300指数的交易数据，进行实证研究。
1基于沪深300指数的实证分析
11数据的选取
本文选取两组数据进行分析，第一组用于分析短期波动，选取股指期货推出前后各50天的沪深300指数（SH000300）日内15分钟高频数据，即从2010年1月28日到2010年6月30日，对数据取对数和一阶差分处理以保证数据平稳，计算出对数收益率共1600个数据。第二组用于分析长期波动，选取从2007年1月16日至2011年4月20日的日收盘价作为原始数据，对数据取对数和一阶差分处理以保证数据平稳，计算出对数收益率1035个(数据来源：国泰安CSMAR金融数据库)，同时选取不包含沪深300指数成分股的中证500指数和上证A股指数日收盘价的对数收益率作为参照组。
12短期波动性的实证分析
121数据的描述和平稳性检测
表1-1：sh300短期数据的描述性统计数据
MeanMedianMaximumMinimum-000014-000020001748-002358SkewnessKurtosisJarque-BeraProbability-0477927852021630383000从表1-1可以看出，序列的偏度s=-047792，峰度k=7852019，与标准正态分布（s=0，k=3）相比，呈左偏、尖峰的形态，Jarque-Bera统计值是用以检验序列是否服从正态分布的，在序列为正态分布的原假设下，JB统计值是自由度为2的χ2分布，根据JB统计值的相伴概率p值为0，可以拒绝原假设。
此外，利用ADF单位根检验，测试数据的平稳性。数据表明序列的ADF值明显小于1%显著性水平下的临界值，序列不存在单位根效应，即该短期时间序列是平稳的。
表1-2：sh300短期数据的ADF平稳性检验
t-StatisticProb*Augmented Dickey-Fuller test statistic-4004530Test critical values:1%-3434235%-28631410%-256767122ARCH模型的选择和建立
该序列具有典型金融时间数列尖峰厚尾的特征⑤，可以考虑对其构建ARCH模型。同时对其条件方差引入虚拟变量DV，设定该值在沪深300股指期货推出前为0，推出后为1，以反映短期内我国股指期货上市对市场价格波动产生的影响。
在此，需要确定AR模型的阶数。由于发现无法根据序列的自相关和偏相关图表，直接读出滞后的阶数，因此通过建立不同阶数下的回归模型，汇总该序列的赤池信息（AIC）和施瓦茨信息（SC）数据，以选择使这两者最小的阶数建立模型。
表1-3：AIC和SC信息值汇总
滞后阶数AR（p）123AIC-8381164-8381892-8381778 SC-8374438-8371798-8368313经比较选择使二者都最小的AR(1)建立模型，并对AR(1)的残差进行检查。
首先检验残差的自相关性，可以发现滞后阶数从1到15的自相关系数（AC）和偏自相关系数（PAC）的绝对值都小于01，统计量Q（15）=2693小于显著水平为005的临界值314104，这表明不能拒绝残差序列相互独立的原假设，即残差序列不存在自相关性。
表1-4：残差的自相关和偏相关数据
序号ACPACQ-StatProb100800E-062005100514124500423003900396513500394002900267832800505-0068-0073153620004600070003154500009700160021158660014800290034172440016900440046203170009100004-000620346001611-0006-00142041300261200490046242310012130003000724249001914003200342590200181500250020269300020对方程的残差进行ARCH-LM检验，以检验是否存在ARCH效应。结果表明不存在明显的高阶ARCH效应，对此应建立低阶的ARCH模型。
表1-5：残差的ARCH-LM检验
ARCH Test:F-statistic1551342 ProbF(5,1588)0170853Obs*R-squared7748169ProbChi-Square(5)0170672对比AIC和SC的数值，选择ARCH(3)建立模型，同时考虑虚拟变量DV的存在，具体回归结果如下：
表1-6：ARCH(3)模型的回归数据
CoefficientStd Errorz-StatisticProbC-194E-05880E-05-022072082530AR(1)-00032580025871-012593089980Variance EquationC659E-06342E-0719243300RESID(-1)^200204240016801121562022410RESID(-2)^200588790019632299911000270RESID(-3)^200791190024749319689000140DV998E-06567E-0717600440R-squared-0001033Mean dependent var-000014Adjusted
R-squared-0004806SD dependent var000366SE of
regression0003668Akaike info criterion-847023Sum squared
resid0021421Schwarz criterion-844669Log likelihood67789450Durbin-Watson stat199492再次对残差进行ARCH-LM检验，以检验模型对数据的拟合程度。从表1-7可以看出，ARCH效应已经消除，模型充分拟合了数据。
表1-7：残差的ARCH-LM检验
ARCH Test:F-statistic0070554Prob F(5,1588)0996524Obs*R-squared0354025ProbChi-Square(5)0996502模型的具体形式如下：
Rt=-00000194-00003258Rt-1+εt
ht=000000659+0020424ε2t-1+0058879ε2t-2+0079119ε2t-3+000000998DV
13长期波动性的实证分析
131数据的描述和平稳性检测
从图1-1可以看出，序列的偏度s=-0317311，峰度k=4572234，与标准正态分布（s=0，k=3）相比，呈左偏、尖峰的形态，根据JB统计值的相伴概率p值为0，可以拒绝原假设。另外，与短期数据序列的数据（偏度s=-047792，峰度k=7852019）相比，长期数据的图形比较扁平。
图1-1：sh300长期数据的统计性描述图
同样，与短期数据类似，利用ADF单位根检验的结果，表明该长期时间序列是平稳的。
表1-8：指数收益率的ADF平稳性检验
t-StatisticProb*Augmented Dickey-Fuller test statistic-31490700Test critical values:1%-343646 5%-286412 10% -256820 132GARCH模型的选择和构建
该序列同时具有以下两个特征：典型金融时间数列的尖峰厚尾、波动的集群性，可以考虑对其构建GARCH模型。同时我们对其条件方差引入虚拟变量DV，设定该值在沪深300股指期货推出前为0，推出后为1，以反映我国股指期货上市对市场价格波动产生的影响。
为此，需要确定AR模型的阶数。由于发现无法根据序列的自相关和偏相关图表，直接读出滞后的阶数，因此通过建立不同阶数下的回归模型，汇总该序列的赤池信息（AIC）和施瓦茨信息（SC）数据，以选择使这二者都最小的阶数建立模型。
表1-9：AIC和SC信息值汇总
滞后阶数AR（p）123AIC-4724369-4722026-4707679 SC-4714812-4707679-4703717 经比较选择使二者都最小的AR(1)建立模型，并对AR(1)的残差进行检查。
首先检验残差的自相关性，可以发现滞后阶数从1到15的自相关系数（AC）和偏自相关系数（PAC）的绝对值都小于01，统计量Q（15）=25159小于显著水平为005的临界值314104，这表明不能拒绝残差序列相互独立的原假设，即残差序列不存在自相关性。
表1-10：残差的自相关和偏相关数据
ACPACQ-Stat Prob10001000100004 2-0023-00230545204630041004122899031840062 00616247801005-0021-00196710601526-0053-00529592800887003400281076600968-0031-00351176501099-0037-0029131790106100012001513335014811004700431563101111200410047173700097130048005619813007114-0014-0023200110095150070063251590033对方程的残差进行ARCH-LM检验，以检验是否存在ARCH效应。从表1-11中可以看到相伴概率都低于显著水平005，残差存在高阶ARCH效应，应对此建立GARCH模型。
表1-11：残差的ARCH-LM检验
ARCH Test:F-statistic6707822Prob F(5,1023)0000004Obs*R-squared32664900Prob Chi-Square(5)0000004对比AIC和SC的数值，选择GARCH（1,1）建立模型，同时考虑虚拟变量DV的存在，具体回归结果如下：
表1-12：GARCH（1,1）模型的回归数据
CoefficientStd Errorz-StatisticProbC00008600000628136889701710AR(1)00216870032019067732804982Variance EquationC951E-06351E-06270814400068RESID(-1)^20049783001063546809980GARCH(-1)09332230013981667475700DV-522E-06221E-06-236035000183R-squared0000290Mean dependent var00006Adjusted
R-squared-0004572SD dependent var00228SE of
regression0022821Akaike info criterion-48406Sum squared
resid0535367Schwarz criterion-48119Log likelihood2508583F-statistic00597Durbin-
Watson stat2001273Prob(F-statistic)09978再次对残差进行ARCH-LM检验，以检验模型对数据的拟合程度。从表1-13可以看出，ARCH效应已经消除，模型充分拟合了数据。
表1-13：残差的ARCH-LM检验
ARCH Test:F-statistic0109266Prob F(5,1023)0990302Obs*R-squared0549240ProbChi-Square(5)0990209根据表1-12，模型的具体形式如下：
Rt=-00086+0021687Rt-1+εt
ht=000000951+0049783ε2t-1+0933223ht-1-000000522DV
133参照组的模型建立
选取中证500指数和上证A股指数的2007年1月16日至2011年4月20日的日收盘价作为参照数据建立模型。同样通过上述的步骤，最终得出模型的具体形式如下。
对中证500指数数据建立GARCH(1,1)模型：
Rt=0001075+0050081Rt-1+εt
ht=00000191+0088436ε2t-1+0888166ht-1-00000108DV
对上证A股指数数据建立GARCH(1,1)模型：
Rt=000085+00001469Rt-1+εt
ht=00000078+0051293ε2t-1+0933457ht-1-000000499DV
2实证结果分析及政策性建议
21实证结果分析
首先观察对沪深300指数推出前后50天日内高频数据建立的模型，可以看出虚拟变量DV的系数为000000998，这说明股价的波动性增加了，这段时期较短，其它基本面的变化也较少，可以基本认为这种波动是由股指期货引起的。
表2-1：系数汇总表（2007年1月16日至2011年4月20日）
α1(ε2t-1)β1(ht-1)φ（dv）α1+β1沪深300指数00497830933223-00000050983006中证500指数00884360888166-00000110976602上证A股指数00512930933457-00000050984750接着对长期数据和两个参照组模型的相关系数进行汇总以便分析。为了排除基本面对股价长期波动的影响，笔者选取的两个对照组，一个是排除了沪深300指数的中证500指数，它主要代表了中小盘股的股价波动；一个是A股的综合指数，它概括了整个盘势的波动。由于要进行套期保值，就需要购入沪深300指数的成分股或者股票组合，而非成分股则没有这个功能，所以通过建立参照组，就能比较同样基本面条件下，无股指期货影响的股价波动，以及有股指期货影响的股价波动和整个盘势的波动情况。
比较引入的虚拟变量DV的系数，可以看出几个指数中包含的股价波动性都有不同程度的降低，建立了股指期货的沪深300指数DV的系数为-000000522，降低的程度略高于上证A股指数，但比没有股指期货影响的中证500指数低，这说明股指期货的引入增加了沪深300指数股价的波动，但是这个数量级非常小，也就是说，长期来看股指期货的引入对股价的波动几乎没有影响。
此外，从α1的系数可以看出，沪深300指数的α1系数低于中证500指数和上证A股指数，这说明近期消息重要性对沪深300指数影响最弱，引起的波动最小。从β1的系数可以看出，沪深300指数的系数高于中证500指数，并与上证A股指数持平，这说明以前各期信息对股价的持续性影响较大。同时对比α1+β1的和，发现沪深300指数的系数低于后两者，这说明信息对其股价总体影响最小。由于该模型包含了股指期货推出前的数据，所以这些现象一方面可能是沪深300指数大盘蓝筹股的特点；另一方面可以推断，由于股指期货的套期保值功能，减少了近期消息对股价的波动影响，同时其低成本高收益的特点，吸引了大量的“噪声交易者”，大量的非理性投机行为减少了股价中包含的信息。
22现阶段股指期货存在的主要问题及相关建议
221市场信息透明度不高加强信息披露
虽然股指期货在一定程度上能推动股票市场的发展，但是必须建立在成熟的股票现货市场的基础上。与发达国家相比，我国资本市场的透明度不高,不利于我国资本市场的健康发展。⑥
股指期货作为一种金融衍生品，只能对市场起辅助性的调节作用，改善公司治理，尽快做到与国际会计制度的接轨，完善市场信息的披露，才是股市长期健康发展的保障，才能促进股指期货的不断发展与完善。
222市场监管不足完善相关法律法规
由于我国金融市场信用体系不健全，没有良好的监管体系来防范市场操作，雄厚实力的机构投资者可以通过强大的资金实力逐步建仓，抬高或打压指数，或通过其获取信息的优势或“话语权”来变相操控价格。⑦
在完善相关法律法规的基础上，通过实施立法监管、交易所监管、行业协会监管的三级监管体系，可以有效发挥监管的职能，规范市场行为，保护中小投资者的合法利益，降低市场风险。⑧
223存在过度投机的现象加强投资教育
比较沪深300股指期货IF1105作为主力合约的每日平均成交量和持仓量，可以发现两者基本呈5:1的比例，这说明近八成成交量是用于投机，中小投资者对期货市场的抵御风险有限。
因此，应加强对投资者的风险教育，引导投资方向，使交易向着正确的方向前进。可以借鉴股票交易的成熟经验，采用当日无负债结算制度、限仓制度、大户报告制度、涨跌停板制度、分级结算制度等多种方式，抑制投机。
224品种单一继续创新
目前中国国内股指期货只有沪深300一种，且准入门槛较高，中小投资者套期保值的需求得不到满足，中小投资者的投机也被拒之门外。虽然股指期货本身是更适宜于机构投资的金融衍生品， 但推出小型的股指期货品种也是很有必要的。
3结论
通过实证分析，可以发现虽然短期内股指期货加剧了现货市场的波动性，但股指期货推出之后的一年左右，现货市场的波动性已经没有明显的变化了。这说明从长期来看,股指期货对于现货市场波动性没有负面的影响。
当然，除了研究股指期货交易价格的波动对股票市场的影响之外，从股指期货的成交量及持仓量变化来分析股指期货对现货市场规模的影响，也具有一定的研究价值。⑨
注释：
① Sean Becketti,Dan J.Roberts.Will Increased Regulation of Stock Index Futures Reduce Stock Market Volatility［J］.Economic Review，1990，(11)
② Franklin R. Edwards. Dose Futures Trading Increase Stock Market Volatility［J］Financial Analysts Journal，1988.44， (1)
③ 封思贤，张兵，李心丹，汪慧建.从中国股指期货境外的联动看我国股市定价权［J］金融研究，2010，(4)
④ 刘元.中国股指期货上市后股票市场波动性分析［J］合作经济与科技，2011，(4)
⑤ 赵家敏，沈一.股指期货最优套期保值比率——基于Copula-Garch模型的实证研究［J］武汉金融，2008，(7)
⑥ 曾海晖.中国股指期货的特有风险［J］南方金融，2007，(6)
⑦ 孙群.关于我国适时推出股指期货的思考［J］新疆农垦经济，2008，(8)
⑧ 陈资灿.中国股指期货若干问题讨论［J］价格月刊，2006，(1)
⑨ 刘显昌.国内外股指期货研究进展、方法与前景［J］.学术界，2009，(6)
A Study on the Influence of Stock Index Futures on Chinese Stock Prices:
An Empirical Analysis of the Shanghai and Shenzhen 300 Index Futures data
ZHONG Ping
(Yang-En University，362014 Quanzhou, Fujian, China)
Abstract:This paper mainly studies the volatility on the stock price after the introduction of stock index futures. According to the empirical research, it can be found the stock index futures exacerbate the volatility of the spot market in the short term, which may be the result of a large number of irrational speculation at the beginning of trade; but with one year after the introduction of stock index, no significant changes in the volatility of the spot market, which shows that the stock index futures have no negative impact on the stock market volatility in the long run.
Key words:stock index futures; stock index futures in Shanghai and Shenzhen 300; GARCH model; volatility
【责任编辑刘祖琼】
摘要：股指期货推出后对股价的波动性影响到底如何呢？根据实证研究，可以发现虽然短期内股指期货加剧了现货市场的波动性，这可能是交易初期存在大量非理性的投机行为所致；但股指推出之后的一年左右，现货市场的波动性已经没有明显的变化了。这说明从长期来看，股指期货对于现货市场波动性没有负面的影响。
关键词：股指期货；沪深300股指期货；GARCH模型；波动性
中图分类号：F8309文献标识码：A 文章编号：0000-0129/K（2014）01-0073-06
引言
股指期货是交易双方通过对股票指数变动趋势的预测，约定在未来某一时间按照一定条件进行交易的合约。1982年2月24日，全球第一份股票指数期货合约价值线综合指数期货合约，由美国堪萨斯期货交易所推出。在所有的金融期货中，股指期货虽然历史最短，但发展最快。自20世纪90年代以来，股指期货的数量快速增长，至1999年底，全球已有一百四十多种股指期货合约在各国交易。
目前，全球主要的股指期货包括：标普500期指、金融时报100期指、恒生指数期货、日经225期指、德国DAX期指等，它们于1982年至1990年期间先后被推出。2010年4月16日，沪深300股指期货合约正式上市交易。
国内外大多数的实证研究表明，股指期货推出前后，股市并没有出现显著性的波动。如Sean Becketti, Dan JRoberts（1990）① 研究分析，得出香港恒生指数期货推出前后股票市场波动没有受到影响。Ｅｄｗａｒｄｓ（１９８８）②在对标准普尔500指数和价值线指数在期货市场推出前后的波动性进行研究后得出，股价指数的波动加大不是由于股指期货引起的，而且期货市场能够使得现货市场更为稳定和完善。封思贤、张兵、李心丹、汪慧建（2010）③研究发现:香港H股指数期货是大陆主要股指的Granger原因,其波动也会溢出到A股市场。刘元（2011）④研究表明：股指期货的推出使沪深300指数的非对称性效果增强,但是波动率有所降低。
笔者结合前人的研究成果，选取了部分沪深300指数的交易数据，进行实证研究。
1基于沪深300指数的实证分析
11数据的选取
本文选取两组数据进行分析，第一组用于分析短期波动，选取股指期货推出前后各50天的沪深300指数（SH000300）日内15分钟高频数据，即从2010年1月28日到2010年6月30日，对数据取对数和一阶差分处理以保证数据平稳，计算出对数收益率共1600个数据。第二组用于分析长期波动，选取从2007年1月16日至2011年4月20日的日收盘价作为原始数据，对数据取对数和一阶差分处理以保证数据平稳，计算出对数收益率1035个(数据来源：国泰安CSMAR金融数据库)，同时选取不包含沪深300指数成分股的中证500指数和上证A股指数日收盘价的对数收益率作为参照组。
12短期波动性的实证分析
121数据的描述和平稳性检测
表1-1：sh300短期数据的描述性统计数据
MeanMedianMaximumMinimum-000014-000020001748-002358SkewnessKurtosisJarque-BeraProbability-0477927852021630383000从表1-1可以看出，序列的偏度s=-047792，峰度k=7852019，与标准正态分布（s=0，k=3）相比，呈左偏、尖峰的形态，Jarque-Bera统计值是用以检验序列是否服从正态分布的，在序列为正态分布的原假设下，JB统计值是自由度为2的χ2分布，根据JB统计值的相伴概率p值为0，可以拒绝原假设。
此外，利用ADF单位根检验，测试数据的平稳性。数据表明序列的ADF值明显小于1%显著性水平下的临界值，序列不存在单位根效应，即该短期时间序列是平稳的。
表1-2：sh300短期数据的ADF平稳性检验
t-StatisticProb*Augmented Dickey-Fuller test statistic-4004530Test critical values:1%-3434235%-28631410%-256767122ARCH模型的选择和建立
该序列具有典型金融时间数列尖峰厚尾的特征⑤，可以考虑对其构建ARCH模型。同时对其条件方差引入虚拟变量DV，设定该值在沪深300股指期货推出前为0，推出后为1，以反映短期内我国股指期货上市对市场价格波动产生的影响。
在此，需要确定AR模型的阶数。由于发现无法根据序列的自相关和偏相关图表，直接读出滞后的阶数，因此通过建立不同阶数下的回归模型，汇总该序列的赤池信息（AIC）和施瓦茨信息（SC）数据，以选择使这两者最小的阶数建立模型。
表1-3：AIC和SC信息值汇总
滞后阶数AR（p）123AIC-8381164-8381892-8381778 SC-8374438-8371798-8368313经比较选择使二者都最小的AR(1)建立模型，并对AR(1)的残差进行检查。
首先检验残差的自相关性，可以发现滞后阶数从1到15的自相关系数（AC）和偏自相关系数（PAC）的绝对值都小于01，统计量Q（15）=2693小于显著水平为005的临界值314104，这表明不能拒绝残差序列相互独立的原假设，即残差序列不存在自相关性。
表1-4：残差的自相关和偏相关数据
序号ACPACQ-StatProb100800E-062005100514124500423003900396513500394002900267832800505-0068-0073153620004600070003154500009700160021158660014800290034172440016900440046203170009100004-000620346001611-0006-00142041300261200490046242310012130003000724249001914003200342590200181500250020269300020对方程的残差进行ARCH-LM检验，以检验是否存在ARCH效应。结果表明不存在明显的高阶ARCH效应，对此应建立低阶的ARCH模型。
表1-5：残差的ARCH-LM检验
ARCH Test:F-statistic1551342 ProbF(5,1588)0170853Obs*R-squared7748169ProbChi-Square(5)0170672对比AIC和SC的数值，选择ARCH(3)建立模型，同时考虑虚拟变量DV的存在，具体回归结果如下：
表1-6：ARCH(3)模型的回归数据
CoefficientStd Errorz-StatisticProbC-194E-05880E-05-022072082530AR(1)-00032580025871-012593089980Variance EquationC659E-06342E-0719243300RESID(-1)^200204240016801121562022410RESID(-2)^200588790019632299911000270RESID(-3)^200791190024749319689000140DV998E-06567E-0717600440R-squared-0001033Mean dependent var-000014Adjusted
R-squared-0004806SD dependent var000366SE of
regression0003668Akaike info criterion-847023Sum squared
resid0021421Schwarz criterion-844669Log likelihood67789450Durbin-Watson stat199492再次对残差进行ARCH-LM检验，以检验模型对数据的拟合程度。从表1-7可以看出，ARCH效应已经消除，模型充分拟合了数据。
表1-7：残差的ARCH-LM检验
ARCH Test:F-statistic0070554Prob F(5,1588)0996524Obs*R-squared0354025ProbChi-Square(5)0996502模型的具体形式如下：
Rt=-00000194-00003258Rt-1+εt
ht=000000659+0020424ε2t-1+0058879ε2t-2+0079119ε2t-3+000000998DV
13长期波动性的实证分析
131数据的描述和平稳性检测
从图1-1可以看出，序列的偏度s=-0317311，峰度k=4572234，与标准正态分布（s=0，k=3）相比，呈左偏、尖峰的形态，根据JB统计值的相伴概率p值为0，可以拒绝原假设。另外，与短期数据序列的数据（偏度s=-047792，峰度k=7852019）相比，长期数据的图形比较扁平。
图1-1：sh300长期数据的统计性描述图
同样，与短期数据类似，利用ADF单位根检验的结果，表明该长期时间序列是平稳的。
表1-8：指数收益率的ADF平稳性检验
t-StatisticProb*Augmented Dickey-Fuller test statistic-31490700Test critical values:1%-343646 5%-286412 10% -256820 132GARCH模型的选择和构建
该序列同时具有以下两个特征：典型金融时间数列的尖峰厚尾、波动的集群性，可以考虑对其构建GARCH模型。同时我们对其条件方差引入虚拟变量DV，设定该值在沪深300股指期货推出前为0，推出后为1，以反映我国股指期货上市对市场价格波动产生的影响。
为此，需要确定AR模型的阶数。由于发现无法根据序列的自相关和偏相关图表，直接读出滞后的阶数，因此通过建立不同阶数下的回归模型，汇总该序列的赤池信息（AIC）和施瓦茨信息（SC）数据，以选择使这二者都最小的阶数建立模型。
表1-9：AIC和SC信息值汇总
滞后阶数AR（p）123AIC-4724369-4722026-4707679 SC-4714812-4707679-4703717 经比较选择使二者都最小的AR(1)建立模型，并对AR(1)的残差进行检查。
首先检验残差的自相关性，可以发现滞后阶数从1到15的自相关系数（AC）和偏自相关系数（PAC）的绝对值都小于01，统计量Q（15）=25159小于显著水平为005的临界值314104，这表明不能拒绝残差序列相互独立的原假设，即残差序列不存在自相关性。
表1-10：残差的自相关和偏相关数据
ACPACQ-Stat Prob10001000100004 2-0023-00230545204630041004122899031840062 00616247801005-0021-00196710601526-0053-00529592800887003400281076600968-0031-00351176501099-0037-0029131790106100012001513335014811004700431563101111200410047173700097130048005619813007114-0014-0023200110095150070063251590033对方程的残差进行ARCH-LM检验，以检验是否存在ARCH效应。从表1-11中可以看到相伴概率都低于显著水平005，残差存在高阶ARCH效应，应对此建立GARCH模型。
表1-11：残差的ARCH-LM检验
ARCH Test:F-statistic6707822Prob F(5,1023)0000004Obs*R-squared32664900Prob Chi-Square(5)0000004对比AIC和SC的数值，选择GARCH（1,1）建立模型，同时考虑虚拟变量DV的存在，具体回归结果如下：
表1-12：GARCH（1,1）模型的回归数据
CoefficientStd Errorz-StatisticProbC00008600000628136889701710AR(1)00216870032019067732804982Variance EquationC951E-06351E-06270814400068RESID(-1)^20049783001063546809980GARCH(-1)09332230013981667475700DV-522E-06221E-06-236035000183R-squared0000290Mean dependent var00006Adjusted
R-squared-0004572SD dependent var00228SE of
regression0022821Akaike info criterion-48406Sum squared
resid0535367Schwarz criterion-48119Log likelihood2508583F-statistic00597Durbin-
Watson stat2001273Prob(F-statistic)09978再次对残差进行ARCH-LM检验，以检验模型对数据的拟合程度。从表1-13可以看出，ARCH效应已经消除，模型充分拟合了数据。
表1-13：残差的ARCH-LM检验
ARCH Test:F-statistic0109266Prob F(5,1023)0990302Obs*R-squared0549240ProbChi-Square(5)0990209根据表1-12，模型的具体形式如下：
Rt=-00086+0021687Rt-1+εt
ht=000000951+0049783ε2t-1+0933223ht-1-000000522DV
133参照组的模型建立
选取中证500指数和上证A股指数的2007年1月16日至2011年4月20日的日收盘价作为参照数据建立模型。同样通过上述的步骤，最终得出模型的具体形式如下。
对中证500指数数据建立GARCH(1,1)模型：
Rt=0001075+0050081Rt-1+εt
ht=00000191+0088436ε2t-1+0888166ht-1-00000108DV
对上证A股指数数据建立GARCH(1,1)模型：
Rt=000085+00001469Rt-1+εt
ht=00000078+0051293ε2t-1+0933457ht-1-000000499DV
2实证结果分析及政策性建议
21实证结果分析
首先观察对沪深300指数推出前后50天日内高频数据建立的模型，可以看出虚拟变量DV的系数为000000998，这说明股价的波动性增加了，这段时期较短，其它基本面的变化也较少，可以基本认为这种波动是由股指期货引起的。
表2-1：系数汇总表（2007年1月16日至2011年4月20日）
α1(ε2t-1)β1(ht-1)φ（dv）α1+β1沪深300指数00497830933223-00000050983006中证500指数00884360888166-00000110976602上证A股指数00512930933457-00000050984750接着对长期数据和两个参照组模型的相关系数进行汇总以便分析。为了排除基本面对股价长期波动的影响，笔者选取的两个对照组，一个是排除了沪深300指数的中证500指数，它主要代表了中小盘股的股价波动；一个是A股的综合指数，它概括了整个盘势的波动。由于要进行套期保值，就需要购入沪深300指数的成分股或者股票组合，而非成分股则没有这个功能，所以通过建立参照组，就能比较同样基本面条件下，无股指期货影响的股价波动，以及有股指期货影响的股价波动和整个盘势的波动情况。
比较引入的虚拟变量DV的系数，可以看出几个指数中包含的股价波动性都有不同程度的降低，建立了股指期货的沪深300指数DV的系数为-000000522，降低的程度略高于上证A股指数，但比没有股指期货影响的中证500指数低，这说明股指期货的引入增加了沪深300指数股价的波动，但是这个数量级非常小，也就是说，长期来看股指期货的引入对股价的波动几乎没有影响。
此外，从α1的系数可以看出，沪深300指数的α1系数低于中证500指数和上证A股指数，这说明近期消息重要性对沪深300指数影响最弱，引起的波动最小。从β1的系数可以看出，沪深300指数的系数高于中证500指数，并与上证A股指数持平，这说明以前各期信息对股价的持续性影响较大。同时对比α1+β1的和，发现沪深300指数的系数低于后两者，这说明信息对其股价总体影响最小。由于该模型包含了股指期货推出前的数据，所以这些现象一方面可能是沪深300指数大盘蓝筹股的特点；另一方面可以推断，由于股指期货的套期保值功能，减少了近期消息对股价的波动影响，同时其低成本高收益的特点，吸引了大量的“噪声交易者”，大量的非理性投机行为减少了股价中包含的信息。
22现阶段股指期货存在的主要问题及相关建议
221市场信息透明度不高加强信息披露
虽然股指期货在一定程度上能推动股票市场的发展，但是必须建立在成熟的股票现货市场的基础上。与发达国家相比，我国资本市场的透明度不高,不利于我国资本市场的健康发展。⑥
股指期货作为一种金融衍生品，只能对市场起辅助性的调节作用，改善公司治理，尽快做到与国际会计制度的接轨，完善市场信息的披露，才是股市长期健康发展的保障，才能促进股指期货的不断发展与完善。
222市场监管不足完善相关法律法规
由于我国金融市场信用体系不健全，没有良好的监管体系来防范市场操作，雄厚实力的机构投资者可以通过强大的资金实力逐步建仓，抬高或打压指数，或通过其获取信息的优势或“话语权”来变相操控价格。⑦
在完善相关法律法规的基础上，通过实施立法监管、交易所监管、行业协会监管的三级监管体系，可以有效发挥监管的职能，规范市场行为，保护中小投资者的合法利益，降低市场风险。⑧
223存在过度投机的现象加强投资教育
比较沪深300股指期货IF1105作为主力合约的每日平均成交量和持仓量，可以发现两者基本呈5:1的比例，这说明近八成成交量是用于投机，中小投资者对期货市场的抵御风险有限。
因此，应加强对投资者的风险教育，引导投资方向，使交易向着正确的方向前进。可以借鉴股票交易的成熟经验，采用当日无负债结算制度、限仓制度、大户报告制度、涨跌停板制度、分级结算制度等多种方式，抑制投机。
224品种单一继续创新
目前中国国内股指期货只有沪深300一种，且准入门槛较高，中小投资者套期保值的需求得不到满足，中小投资者的投机也被拒之门外。虽然股指期货本身是更适宜于机构投资的金融衍生品， 但推出小型的股指期货品种也是很有必要的。
3结论
通过实证分析，可以发现虽然短期内股指期货加剧了现货市场的波动性，但股指期货推出之后的一年左右，现货市场的波动性已经没有明显的变化了。这说明从长期来看,股指期货对于现货市场波动性没有负面的影响。
当然，除了研究股指期货交易价格的波动对股票市场的影响之外，从股指期货的成交量及持仓量变化来分析股指期货对现货市场规模的影响，也具有一定的研究价值。⑨
注释：
① Sean Becketti,Dan J.Roberts.Will Increased Regulation of Stock Index Futures Reduce Stock Market Volatility［J］.Economic Review，1990，(11)
② Franklin R. Edwards. Dose Futures Trading Increase Stock Market Volatility［J］Financial Analysts Journal，1988.44， (1)
③ 封思贤，张兵，李心丹，汪慧建.从中国股指期货境外的联动看我国股市定价权［J］金融研究，2010，(4)
④ 刘元.中国股指期货上市后股票市场波动性分析［J］合作经济与科技，2011，(4)
⑤ 赵家敏，沈一.股指期货最优套期保值比率——基于Copula-Garch模型的实证研究［J］武汉金融，2008，(7)
⑥ 曾海晖.中国股指期货的特有风险［J］南方金融，2007，(6)
⑦ 孙群.关于我国适时推出股指期货的思考［J］新疆农垦经济，2008，(8)
⑧ 陈资灿.中国股指期货若干问题讨论［J］价格月刊，2006，(1)
⑨ 刘显昌.国内外股指期货研究进展、方法与前景［J］.学术界，2009，(6)
A Study on the Influence of Stock Index Futures on Chinese Stock Prices:
An Empirical Analysis of the Shanghai and Shenzhen 300 Index Futures data
ZHONG Ping
(Yang-En University，362014 Quanzhou, Fujian, China)
Abstract:This paper mainly studies the volatility on the stock price after the introduction of stock index futures. According to the empirical research, it can be found the stock index futures exacerbate the volatility of the spot market in the short term, which may be the result of a large number of irrational speculation at the beginning of trade; but with one year after the introduction of stock index, no significant changes in the volatility of the spot market, which shows that the stock index futures have no negative impact on the stock market volatility in the long run.
Key words:stock index futures; stock index futures in Shanghai and Shenzhen 300; GARCH model; volatility
【责任编辑刘祖琼】