中國股指期貨市場價格發現效率的實證研究

王繼瑩

(吉林大學 商學院，吉林 長春 130012)

一、引言

價格發現功能是股指期貨最基本的功能之一，也是市場其它功能實現的基礎。價格發現效率的研究對于市場投資者和監管層都具有十分重要的意義，市場上的投資者可以根據期貨市場的價格發現功能發揮情況進行相關投資決策，提高適應市場的能力；監管層也可以此作為出發點，發現期貨市場運行中存在的問題，從而進一步發展和完善股指期貨市場，提高市場整體效率。

探討股指期貨市場價格發現功能的文獻很豐富，得出的結論不盡相同。Chan[1](1992)以1984年8月—1985年6月的S&P500指數期貨、1987年1月—9月MMI指數期貨與20只成份股的5分鐘交易數據為樣本，采用Granger因果檢驗方法對期貨市場與現貨市場的關系進行研究，發現由于期貨市場相對于現貨交易成本較低，這兩個指數的期貨市場均表現出顯著的領先現貨市場的特征。Maosen[2](2004)以IPC股指現貨和期貨的日數據作為研究樣本，對墨西哥股指期貨在價格發現中的作用進行研究，發現墨西哥股指期貨具有高效率的價格發現功能。陳昭[3](2012)通過協整方法、Granger因果檢驗、誤差修正模型和脈沖響應函數等方法，檢驗了滬深300股指期貨的價格發現功能，其發現滬深300股指期貨和現貨之間存在長期均衡穩定的關系，股指期貨價格對現貨價格具有非常明顯的單向引導性，引導效應顯著，同時，股指期貨價格信息含量高于股指現貨價格信息含量，股指期貨在價格發現中處于主導地位。劉澄、胡藝銘[4](2013)基于同一時段滬深300 股指期貨及現貨的每5分鐘高頻數據、每60分鐘數據和日數據，利用VAR 模型和VECM 模型實證研究了滬深300 股指期貨的價格發現能力。結果表明：在高頻交易中，股指期貨價格的誤差修正速度約是指數現貨價格修正速度的200倍，股指期貨價格單向引導現貨價格。Brooks、Garrett和Hinich[5](1999)運用考慮了非線性和非平穩性的Hinich檢驗方法，分別對美國S&P500 指數和英國FTSE100指數的日收益率數據進行分析，發現美國S&P500 指數期貨并沒有對于現貨的價格發現能力，而英國FTSE100指數期貨價格只在幾個月的時間里領先其現貨價格。王拓、劉興萬[6](2009)以印度Nifty50股指期貨與現貨的日交易數據為研究對象，通過Granger因果檢驗和向量誤差修正模型實證研究了期貨與現貨價格的領先滯后關系。研究結果發現，印度Nifty50股指期貨缺乏價格發現的功能，現貨市場在價格發現過程中占主導地位。

從已有文獻可以看出，鮮有對于股指期貨價格發現效率動態變化的考量，本文擬運用計量模型，來實證研究我國股指期貨價格發現效率隨著市場發展而展現出來的動態變化。

二、研究方法

(一)Chan模型

Chan(1992)提出了Chan模型，其通過對不同市場價格吸收信息速度的差異來研究價格變化的關系。模型具體形式如下：

其中，Rs,t表示在t時刻的現貨收益率，Rf,t+k表示在t時刻的期貨收益率，如果方程回歸系數bk的下標k為正值且顯著不等于0，即可判斷期貨價格滯后于現貨價格，如果方程回歸系數bk的下標k為負值且顯著不等于0，即可判斷期貨價格領先于現貨價格。

(二)GS模型

Garbade和Silber[7](1983)提出Garbade-Silber (GS)模型，來進一步分析期貨和現貨在價格發現中的主導作用。該模型如下：

其中，St、Ft在t時刻的現貨價格和期貨價格，αs、βs、αf、βf為常數，εst、εft為隨機誤差項。βs表示滯后一期的期貨價格對當期現貨價格的影響程度，βf表示滯后一期的現貨價格對當期期貨價格的影響程度。由于期貨價格與現貨價格在到期日有趨同效應，βs、βf應為非負。表現成單方程形式為：

ΔSt=αs+βs(Ft-1-St-1)+εst

ΔFt=αf+βf(Ft-1-St-1)+εft

其中，-(Ft-1-St-1)為基差，上式描述了前期基差對現貨價格和期貨價格的影響程度，可利用OLS對其進行參數估計。如果βs的估計結果顯著不等于0，同時βf的估計結果不顯著，則意味著期貨市場具有價格發現，相反，如果βf的估計結果顯著不等于0，同時βs的估計結果不顯著，則意味著現貨市場具有價格發現，如果二者都顯著不等于0，則說明兩個市場都或多或少的具有價格發現功能。令GS比率：

θ可以刻畫出期貨價格和現貨價格在價格發現功能中起到的作用程度。當時0<θ<0.5，現貨價格具有具有價格發現功能，即期貨價格滯后于現貨價格；當0.5<θ<1時，期貨價格具有價格發現功能，即現貨價格滯后于期貨價格；特別的，當θ=0時，期貨價格在價格發現中完全不起作用，當θ=1時，價格發現完全由期貨價格決定。

(三)共因子模型

1.修正信息份額模型

在向量誤差修正模型VECM的基礎上，Hasbrouck[8](1995)建立了信息份額模型IS，用來測量每個市場的新息對公共因子方差的貢獻度，從而解釋該市場在價格發現方面的能力。

首先將VECM模型變成向量移動平均的協整形式VMA：

其中，P0是常向量，t是元素全部為1的列向量，ψ由ψ(1)的行向量組成，則ιψ為影響矩陣，是移動平均系數之和。L為滯后算子，ψ*(L)是滯后算子的矩陣多項式。Hasbrouck指出ψ(εt)為公共因子的新息，即兩個市場的共同有效價格，表示價格永久性的變動，其方差為Var(ψ(εt))=ψΩψ′;ψ*(L)εt為暫時性部分，源于市場的不完全性。

將公共因子新息的方差進行分解，假設n個市場的價格組成列向量Pt，εi,t為第i個市場的新息。當新息不相關時，Ω為對角陣，則其方差由n項組成，每一項表示一個特定市場對新息的貢獻。第i個市場的對應元素與總方差的比例即被定義為第i個市場的信息份額：

其中，ψi是ψ的第i個元素。當市場間的新息線性相關時，則Ω不是對角陣，此模型將不再適用，因此，必須極小化相關性，采用Cholesk Factorization方法消除新息間的當期相關性。而Cholesky Factorization方法與誤差修正模型中變量的排序有關。如果市場新息之間存在正相關，那么第一個變量的信息份額最大，最后一個變量的信息份額最小。第i個市場的信息份額為：

其中，[ψM]i為行向量ψM的第i個元素。Cholesky分解對第一個市場價格施加比較大的信息份額，需要通過改變模型中變量的排序來得到變量信息份額，即價格發現的上下限。那么如果n個市場間的價格新息高度線性相關，同一市場信息份額的上下界之間將可能存在較大差距。為了解決這一問題，Lien和Shrestha(2009)改變了新息方差分解的方法，以相關陣為基礎進行運算，建立了修正信息份額模型MIS。

假設Γ為ε的相關陣，Λ為對角陣，其角線上的元素為Γ的特征值，矩陣H的列向量為Γ的特征向量。V也為對角陣， 其對角線上的元素是新息標準差矩陣對角線上的元素，即：

其中，[ψM*]i是矩陣ψM*的第i個元素。以這種方法求得的MIS模型保留了IS模型的基本原理，但通過改變因子分解的方法使得同一市場的信息份額不隨市場排序變化而變化，且求得唯一的信息份額便于判斷每一個市場的價格發現功能。

2.因子份額模型

Gonzalo和Granger[9](1995)在VECM基礎上提出了永久—暫時模型(PT模型)，其關注VECM模型中的誤差修正機制，通過定義誤差修正系數函數，來測量每個市場對價格的貢獻。貢獻度大的市場在價格發現過程中影響其他市場，對最終的市場認可價有較大的影響。市場價格可被認為是永久部分與瞬時部分的總和。在該模型中，價格Pt的分解形式為：

Pt=C1f+C2zt

其中，f為永久因子，C1f為市場的長期效應，zt是暫時因子，C2zt是短期效應。以此為基礎，Booth[10](1999)、Chu[11](1999)和Harris[12](2002)提出使用如下因子份額模型(CS模型)度量第i個市場的價格發現能力：

如果CSi相對較小，則說明第i個市場對PT模型中的永久因子f貢獻較小。那么在系統中只有期貨市場與現貨市場兩個市場的情況下，因子份額模型的衡量價格發現效率的CS項為：

CS模型有優于IS模型的一面，對于某個特定的市場，CS模型可以求出唯一的市場價格發現貢獻率。

三、我國股指期貨價格發現效率實證研究

(一)數據的選取與處理

由于期貨合約的具有時間期限，任一交割月份的期貨合約在合約到期以后，該合約將不復存在，所以期貨價格具有不連續的特點。而同一期貨品種在同一交易日會同時有若干個不同交割月份的期貨合約存在。為研究需要，克服期貨價格不連續的缺點，必須產生連續的期貨價格序列，由此，我們選用滬深300股指期貨當月連續合約(IF00)為研究對象，研究區間為股指期貨上市日2010年4月16日—2014年4月14日。為探究價格發現功能隨著我國股指期貨市場的發展的動態變化，我們按照市場發展進程將研究區間均勻劃分為四個子樣本區間，見表1。

表1 研究區間劃分

子樣本區間 起止日期 Ⅰ 2010年4月16日—2011年4月18日 Ⅱ 2011年4月19日—2012年4月13日 Ⅲ 2012年4月16日—2013年4月12日 Ⅳ 2013年4月15日—2014年4月14日

鑒于股指期貨和現貨市場的高流動性和信息傳遞的有效性，使二者之間的價格引導會在較短的時間內實現，因此數據頻率選取高頻5分鐘交易數據。同時，由于我國股指期貨的開盤與收盤時間與股票市場不同，為保持數據一一對應，剔除所有不匹配數據和缺失數據。我們對滬深300股指期貨和滬深300指數價格作對數處理以排除異方差的干擾，分別記作Pf、Ps。

(二)單位根檢驗

時間序列的平穩性是進行建模分析的基礎，運用ADF方法對所研究的變量進行平穩性檢驗，檢驗結果見表2。

表2 滬深300股指期貨與滬深300指數對數價格序列的平穩性檢驗

研究區間變量檢驗值P值1% level5% level10% levelⅠPfPs-1.562 -1.4720.5020.548-3.431-2.862-2.567ⅡPfPs-2.063-2.0310.2600.274-3.431-2.862-2.567 ⅢPfPs-1.386-1.4150.5910.577 -3.431-2.862-2.567ⅣPfPs-1.897-1.8220.3340.370-3.431-2.862-2.567

由表2可以看出，在10%的顯著性水平下，各子樣本區間中Pf和Ps均不能拒絕存在單位根假設，即在我國股指期貨市場發展的四個階段二者均為非平穩序列。為得到平穩序列，分別對Pf和Ps取一階差分，得到新的時間序列Rf、Rs。Rf的經濟意義為滬深300股指期貨價格5分鐘對數收益率，Rs的經濟意義為滬深300指數的5分鐘對數收益率。繼續對Rf、進行ADF檢驗，檢驗結果見表3。

結果顯示：各個子樣本區間中Rf與Rs均在1%的顯著性水平下拒絕存在單位根假設，皆為平穩序列。

(三)價格發現效率的定性分析

1.Chan模型檢驗

Chan模型所估計變量為收益率，因此，對Rf和Rs進行回歸分析，參數估計結果見表4。

表3 滬深300股指期貨與滬深300指數收益率序列的平穩性檢驗

研究區間變量檢驗值P值1% level5% level10% levelⅠPfPs-111.128-110.1890.0000.000-3.431-2.862-2.567ⅡPfPs-108.886-103.1480.0000.000-3.431-2.862-2.567 ⅢPfPs-110.769-102.5280.0000.000-3.431-2.862-2.567ⅣPfPs-112.592-73.9960.0000.000-3.431-2.862-2.567

表4 Chan模型估計結果

參數ⅠⅡⅢⅣ系數t統計量P值系數t統計量P值系數t統計量P值系數t統計量P值C0.0000.1640.8900.0000.0230.9770.0000.0030.9980.0000.0220.797Rf,t-30.0050.7430.458-0.009-1.6650.0960.0010.2180.8280.0050.6640.947Rf,t-2-0.017▲-2.7220.007-0.009-1.6520.099-0.007-1.2610.2070.020*1.7110.069Rf,t-10.250▲40.8010.0000.214▲39.8520.0000.247▲45.4960.0000.225▲29.8190.000Rf,t0.654▲106.8970.0000.786△146.0900.0000.738△135.6980.000-0.017-1.2810.107Rf,t+1-0.012*-1.9720.049-0.011-1.9550.051-0.010-1.7380.082-0.016-1.1500.121Rf,t+20.0010.1450.885-0.004-0.6770.4990.0040.7850.4320.027*1.6770.071Rf,t+30.0081.3780.1680.0071.2940.196-0.002-0.3410.7340.117△15.8340.013

注： *，△和▲分別表示10% 、5%和1%的顯著性水平。

由模型的估計結果可知，在子區間Ⅰ，參數系數b-1、b-2能夠在1%的顯著水平下拒絕等于0的原假設，說明二者顯著不等于0，同時，在其它三個樣本區間，參數系數b-1也均顯著不等于0。根據Chan模型的原理，如果方程回歸系數bk的下標k為負值且顯著不等于0，可判斷期貨價格能夠領先于現貨價格，因此，在滬深300股指期貨上市發展的各個階段，其價格能夠領先于滬深300指數，滯后一期的滬深300股指期貨價格顯著影響著滬深300指數的價格水平。Chan模型的實證結果表明滬深300股指期貨在上市發展的四年中，各個發展階段均存在著一定的價格發現功能。

2.GS模型

通過Chan模型得出，滬深300股指期貨和滬深300指數存在著領先滯后效應，下面我們對這種關聯程度進行分析，回歸結果見表5。

表5 GS模型估計結果

參數ⅠⅡⅢⅣ系數t統計量P值系數t統計量P值系數t統計量P值系數t統計量P值βs0.014△4.3150.0000.060*3.7450.0060.043*8.9380.0370.012△3.8110.000βf0.021▲7.1900.0000.093△13.8950.0000.059△12.7250.0000.004▲2.8080.041

注：*，△和▲分別表示10% 、5%和1% 的顯著性水平。

由表5可知，在兩個樣本區間，βs和βf均在1%的顯著水平下拒絕等于0的原假設，二者均顯著不等于0，則意味著我國的股指期貨市場價格與股票現貨市場價格是互相影響的，均具備著一定的價格發現功能。而根據公式求得GS比率θⅠ=0.390、θⅡ=0.392、θⅢ=0.422、θⅣ=0.726，我們發現在前三個子樣本區間，GS指數均小于0.5，說明在滬深300股指期貨上市后的前三個年頭，股指期貨在價格發現中處于弱勢，而在股指期貨上市后的第四年，GS指數大于0.5，說明此時滬深300股指期貨市場在價格發現中已經能夠起主導作用。

(三)價格發現效率度量

前文從定性的角度檢驗了滬深300股指期貨與滬深300指數價格的相互作用關系，發現我國股指期貨在不同的發展時期均表現出一定的價格發現能力，同時，股票現貨價格也在一定程度上影響著股指期貨價格。那么股指期貨市場與現貨市場對價格發現的貢獻度如何？市場發展過程中股指期貨的價格發現效率發生了怎樣的變化？將是下文研究的重點。

國外學者通過實證研究發現，單獨使用修正信息份額模型或因子份額模型時，無法區分不同市場間的價格發現功能。其中，修正信息份額模型反映的是市場對于新息的反應程度和反應速度，容易被市場瞬時摩擦所曲解；因子份額模型反映了市場對噪音交易和流動性沖擊的相對阻力，雖然能夠衡量市場的瞬時摩擦，但無法完全體現出一個市場的價格對于新息的完全反應。因此，我們結合修正信息份額模型和因子份額模型，以期能更加準確全面地度量我國股指期貨市場價格發現效率。

表6 價格發現貢獻度測量結果

研究區間修正信息份額模型(%)因子份額模型(%)期貨市場現貨市場期貨市場現貨市場Ⅰ39.82160.18420.93279.066Ⅱ47.19252.81238.12461.861Ⅲ45.51354.49137.21162.788Ⅳ59.26240.73552.87447.128

我們從測量結果發現：在股指期貨上市初期的一年內，修正信息份額模型所測量出的期貨市場對價格發現的貢獻度為39.821%，因子份額模型所測量出的期貨市場對價格發現的貢獻度為20.932%，均遠遠低于現貨市場對價格發現的貢獻度。說明在價格發現過程中，現貨市場起主導作用，股指期貨市場的價格發現效率并不理想。出現這種情況的原因可能是市場中理性投資者缺乏，日內投機盛行，使得股指期貨套期保值等相關的組合投資策略無法有效實施，在一定程度上影響股指期貨價格發現功能的發揮。而隨著股指期貨市場的不斷發展成熟，兩種模型所測量出的期貨市場對價格發現的貢獻度整體均呈現不斷增加的趨勢，其中，在子樣本區間Ⅲ時貢獻略有下降。但從具體數值可以看出，前三個子樣本區間即股指期貨市場上市發展的前三年中，股指期貨對價格發現的貢獻度均小于50%，意味著股指期貨的價格發現效率低于股票現貨市場的價格發現效率。而進入股指期貨市場發展的第四個年頭后，修正信息份額模型所測量出的期貨市場對價格發現的貢獻度為59.262%，因子份額模型所測量出的期貨市場對價格發現的貢獻度為52.874%，開始超過了股票現貨市場對價格發現的貢獻度，逐漸顯示出股指期貨在價格發現方面的優勢。這說明隨著機構投資者的逐步進入，個人投資者經驗不斷增加以及市場的逐漸成熟，股指期貨市場的價格發現效率不斷提高，其逐漸成為了價格發現的主導者。

四、結論及政策建議

實證研究表明，雖然股指期貨上市交易后的三年中，其在價格發現功能中并沒有占據主導地位，但其價格對于現貨指數仍或多或少的具有一定領先作用。為使我國股指期貨進一步提升價格發現效率，結合其他功能共同促進市場平穩運行，本文對我國股指期貨市場的發展給出如下建議：

1.適時降低股指期貨交易限制

隨著市場的不斷成熟，加強市場流動性、促進股指期貨功能的有效發揮將有助于我國資本市場運行保持平穩，適時適當地降低交易限制，采取適當降低套利交易保證金比例等措施，可以吸引更多資金參與到股指期貨套利中來，從而使期貨價格與現貨價格保持在一定的合理區間，實現風險轉移和分散。

2.改善我國股指期貨的投資主體

目前我國股指期貨市場仍以中小投資者為主導，雖然證券投資基金、證券公司、信托公司以及保險資金已被獲批以套期保值為目的參與到股指期貨當中，但企業年金、社保基金等機構投資者還沒有完全入市。應鼓勵更多的機構投資者參與股指期貨的交易，引導股指期貨市場進行理性投資，同時也應鼓勵套利交易，促進股指期貨的價格發現功能得到更有效的發揮。

3.強化市場監管功能

由于股指期貨價格可看作現貨價格的先行指標，兩個市場價格的差異可能會造成操縱市場獲利行為的產生，因此應該借鑒成熟市場的先進經驗，加強對市場的監督管理，以減少內幕交易和市場的操縱行為，從而對股指期貨市場與股票現貨市場的風險進行更有效的防范。

參考文獻：

〔1〕 CHAN K.A Further Analysis of the Lead-Lag Relationship between the Cash Market and Stock Index Futures Market[J].ReviewofFinancialStudies,1992(5):123-151.

〔2〕 MAOSEN ZHONG,ALI F DARRAT,RAFAEL OTERO.Price discovery and volatility spillovers in index futures markets.Some evidence from Mexico[J].JournalofBanking&Finance,2004,28(12): 3037-3054.

〔3〕 陳昭.滬深300股指期貨價格發現功能研究[D].上海：華東交通大學，2012.

〔4〕 劉澄，胡藝銘.基于多采樣頻率的滬深300股指期貨價格發現能力研究[J].財會月刊,2013(8):68-71.

〔5〕 CHRIS BROOKS,IAN GARRETT, MELVIN HINICH.An alternative approach to investigating lead-lag relationships between stock and stock index futures markets[J].AppliedFinancialEconomics,1999,9(6): 605-613.

〔6〕 王拓，劉興萬.股指期貨價格發現功能研究——基于印度Nifty50股指期貨的實證分析[J].南昌航空大學學報(社會科學版)，2008(3):33-37.

〔7〕 GARBADE K D,SILBER W L.Cash Settlement of Futures Contracts:An Economic Analysis[J].JournalofFuturesMarkets,1983,3(4):451-472.

〔8〕 HASBROUCK J.One Security,Many Markets: Determining the Contributions to Price Discovery[J].TheJournalofFinance,1995,50(4): 1175-1199.

〔9〕 GONZALO J,GRANGER C W J.Estimation of Common Long-Memory Components in Cointegrated Systems[J].JournalofBusiness&EconomicStatistics,1995,13(1):27-35.

〔10〕 BOOTH G G,SO R W,TSE Y.Price discovery in the German equity index derivatives markets[J].JournalofFuturesMarkets,1999,19(6):619-643.

〔11〕 CHU Q C,HSICH W G,TSE Y.Price Discovery on the S&P500 Index Markets:An Analysis of Spot Index,Index Futures and SPDRs[J].InternationalReviewofFinancialAnalysis，1999(8)：21-34.

〔12〕 HARRIS F H,MCINISH T H，WOOD R A.Common Factor Components versus Information Shares:A Reply[J].JournalofFinancialMarkets,2002(5):341-348.