基于小波CCC—GARCH模型的融資融券交易與證券市場波動率關系研究

王帥+謝赤

摘要：為判斷融資融券交易對證券市場波動率的影響，以2010年4月2日至2016年7月21日的中國證券市場交易數據為樣本，運用小波CCC-GARCH模型進行了實證研究。實證研究表明融資交易行為對證券市場收益率和成交量的波動均有較顯著的影響，而融券交易對市場波動率的影響則不顯著，同時，融資交易行為對市場的影響主要由高頻信號所驅動，投資者短期非理性行為或噪音交易對市場波動的影響較大。為促進市場的健康發展，應均衡融資融券業務的發展、培養理性機構投資者、加強投資者風險警示以及加快融資融券數據庫的建設。

關鍵詞：融資融券；市場波動率；CCC-GARCH； 條件相關系數；小波分析

1. 引言

融資融券交易又稱為保證金交易，是指投資者向具有融資融券業務資格的證券公司提供擔保物，借入資金買入證券或借入證券并賣出的行為。在國內證券市場，上海和深圳證券交易所于2010年3月30日向6家試點券商發出通知，在2010年3月31日起接受融資融券交易申報，融資融券交易進入實質性的操作階段。2015年5月6日，轉融通標的證券擴大到893只股票。截至2016年6月17日，滬深兩市融資余額和融券余額分別達到了8340.84億元和8363.83億元，隨著融資融券業務規模的擴大，其對市場的影響也越來愈大。在2014和2015年，國內A股市場發生了較大的波動，上證指數一度從2014年7月22日的2173點上漲至2015年6月12日的5410點，上漲幅度達到149%。在隨后的幾個月內，指數一路下行至2015年8月26日的3066點，下跌幅度高達43%。市場巨幅波動雖然與政策導向和經濟環境等因素有一定的關系，一些學者認為融資融券業務也在一定程度上加劇了市場的暴漲暴跌，但也有學者認為融資融券作為投資和風險管理工具，有助于提高市場定價效率，降低市場的波動率。融資融群提高了市場波動率，還是降低了市場的波動率？目前相關研究還沒有得到一致的結論。回答這一問題有助于更好地理解國內證券市場的波動特點以及規范融資融券業務的發展。

一些學者對融資融券業務與市場波動的關系展開了一系列研究，其中不少文獻認為，融資融券業務會有利于股票的價值發現，提高股票定價效率，從而降低市場波動。Zhao， Li 和Xiong （2014）運用事件研究法，觀察了2010年2月-2013年8月中國融資融券對市場波動的影響，他們發現融資交易容易導致個股泡沫出現，融券交易能夠使得證券價格趨于穩定[1]。肖浩和孔愛國（2014）的研究結果表明融資融券交易降低了標的股票的特質波動率[2]。李科，徐龍炳和朱偉驊（2014）認為賣空限制導致了股價高估，融資融券制度等做空機制有助于矯正高估的股價，提高市場定價效率[3]。陳海強和范云菲（2015）通過對比真實波動率與構造的反事實波動率路徑，發現融資融券制度的推出有效地降低了融資融券標的個股波動率[4]。李志生， 杜爽和林秉旋（2015）認為融資融券交易顯著降低了股票價格的跳躍風險，有利于防止股票價格的暴漲暴跌和過度投機[5]。佟孟華，孟照康（2015）認為融資融券交易能夠顯著降低股票市場的波動性[6]。也有文獻認為融資融券業務可能會誘發金融風險，加劇市場的波動，如劉志洋和宋玉穎（2015）指出融資融券交易會給金融體系穩定帶來威脅，可能引發系統性的金融風險[7]。吳國平和谷慎（2015）融資融券業務在整體上加劇了股市的波動[8]。此外，部分學者認為，融資融券業務對市場的影響并不明顯。鄭曉亞，閆慧和劉飛（2015）結合收益率波動特征，將融資融券業務作為虛擬變量引入GARCH與EGARCH模型進行定量分析，其結果表明融資融券業務對我國股票市場長期波動性影響并不顯著[9]。吳國平和谷慎（2015）發現融資交易加劇了股市波動，而融券交易則減小了股市波動[8]。劉燁等（2016）構建了外生信息沖擊的門限自回歸條件密度（TARCD-X）模型，發現融資融券余額的變動沒有顯著增加市場的波動性和暴漲暴跌的頻繁性[10]。黃虹等（2016）利用TARCH模型著重分析“兩融”是否為投資者情緒影響股指波動的放大器，他們的研究結果表明“兩融”并不會加大投資者情緒對股指波動的影響[11]。

從以上研究可知，目前有關融資融券與證券市場波動率的關系已有了一定的討論，但由于已有研究在研究方法和研究樣本等方面不一致，所得到的結論也有較大的差異。大多數現有研究在對融資融券與證券市場關系進行研究時忽略了原始交易信息中的噪音成分，由非理性交易者產生噪音信息會擾亂融資融券與證券市場波動率之間的關系，針對已有研究的這一局限，本文擬從新的角度來展開研究，具體來說：一是將證券市場和融資融券交易信息進行分解，從原始信息中分離出高頻成分和低頻成分，對原始數據進行去噪處理，在多尺度下探尋融資融券與證券市場波動率的關系；二是將融資融券交易行為與證券市場的量價變化綜合考慮，從而得到更全面和準確的結論。

2. 融資融券交易對證券市場波動率影響的理論分析

一方面，融資融券通過價格發現機制會降低市場波動率。證券價格隨著供求關系變化而動態調整，當股票價格被低估時候，市場理性投資者會預期股票價格會上漲到均衡價格，他們將通過融資交易買入被價值被低估的股票，而股票價格的上升會使得投機交易者跟風買入，此時股票需求上升，在供給不變的情況下，股票價格將不斷上升，直到理性投資者預期股票價格已接近或等于內在價值。而當股票價格被高估時，理性投資者預期股票價格會下跌，他們會進行融券交易，股票價格因為供給的增加而出現下跌，而市場上的投機交易者看到交易機會，也會賣出股票，從而導致價格的進一步下跌。不同類型的投資者根據市場信息不斷調整交易行為，而交易行為的調整又直接引起了證券供求關系的變化，使得證券價格圍繞價值動態調整，不至于使股票價格大幅度偏離其基本價值，因此，存在融資融券交易制度的市場，證券價格出現大幅波動的概率相對較小，市場穩定性也對較強。此外，如Hong和Stein （2003）提出的異質經濟人模型所指出，在市場缺乏融資融券的交易機制的條件下，賣空交易者所擁有的壞消息將不能有效釋放，他們不能運用掌握的信息進行交易，而必須等到市場下跌時才能進行交易，此時利空消息的釋放會加大市場下跌的幅度，甚至會導致股災的出現[12]。

另一方面，融資融券交易可能通過杠桿交易提高市場波動率。在市場繁榮初期，杠桿交易往往能帶來財富效應，隨著資產價格的進一步上漲，越來越多的投資者參與杠桿交易，從而推動證券價格出現新高。在此過程中，即使是相對理性的機構投資者也會因為業績壓力和聲譽效應等因素而參與杠桿交易，從而加快市場泡沫的形成。當政策面趨緊，或基本面有所惡化時，市場恐懼情緒會上升，投資者會賣出資產，此時市場壓力進一步增大，一部分投資者選擇進行賣空交易獲取利潤，另一部分前期看多的杠桿投資者可能會被強制平倉，多種因素的綜合作用下，市場會對壞消息過度反應，因此融資融券交易行為可能通過杠桿交易機制導致市場波動率提高。

中國證券市場尚不成熟，市場受政策影響較大，投資者結構以散戶為主，市場投機氛圍較重，在這樣的市場環境下，融資融券交易對證券市場波動率的影響是以價格發現功能為主，還是以杠桿交易機制為主，目前還沒有一致的結論，本文將以小波CCC-GARCH模型為基礎，運用國內證券市場的數據，對融資融券與市場波動率的關系進行實證檢驗，從而為判定融資融券對市場波動率影響的主導作用機制。

3. 時間序列的小波分解及分析

3.1 實證研究樣本

2010年3月31日起接受融資融券交易申報，融資融券交易進入實質性的操作階段，本文以此時間作為研究樣本的起始時間，樣本結束時間為2016年7月21日，數據粒度為周數據。樣本數據來源于WIND數據庫。圖1中，a，b，e，d，e和f分別代表了上證指數、深圳指數、上海證券交易所周成交量（元）、深圳證券交易所周成交量（元）、市場融資買入額（億元）和融資賣出額（億元）的時序變化情況。圖2中，ra，rb，rc，rd，re和rf分別代表了序列a，b，e，d，e和f的對數變化率。

從圖1和圖2可以發現，融資融券交易量與市場指數和交易量的變化軌跡相似程度較高，可以初步判定融資融券交易與市場波動可能存在某種程度的關聯。

3.2 市場信息和融資融券交易時間序列的小波分解及分析

在經濟金融信號的分析過程中，有些信號表現為低頻信號或是比較平穩的信號，而噪聲信號通常表現為高頻信號。在中國證券市場，由于投資者投機氛圍較嚴重，投資者情緒引發的證券收益率存在較大的波動，使得證券價格常常偏離基本價值，價格與內在價值的偏差通常通過噪音信息或高頻信息表現出來，因此本文將市場信息以及融資融券交易信息進行分解，將這些原始的時間序列數據分解為高頻成分和低頻成分，以更準確地判斷各事件序列之間的關系。由于小波變換具有時頻局部化特性和多分辨率特性，使得小波消噪能夠在去噪同時保留信號的突變部分，因而可以保留原始信號的特征，因此本文通過小波分析來對信號進行去噪處理，通過在信號的噪聲部分進行高頻信號的分解，得到融資融券和市場收益信號的高頻和低頻成分。

（1）

其中yi為含噪的原始信號，為上證指數、深圳指數、市場成交量以及融資融券交易額的原始序列變化率數據，它們分別為ra， rb， rc， rd， re和rf。zi為獨立同分布的高斯白噪聲，zi～iidN（0，1），σ為噪聲水平，信號長度為n。本文將小波分解層數設定為5，用門限閾值對小波系數進行處理，得到原始信號的高頻成分和低頻成分如圖3所示。

圖3中，第1-6幅小圖分別為ra， rb， rc， rd， re和rf的小波分解結果，原始信號為序列ra， rb， rc， rd ，re和rf的變化軌跡，而低頻信號和高頻信號分別為小波分解后的低頻成分和高頻成分。高頻信號與原始信號的波動軌跡較為一致，反映出市場收益和成交量以及融資融券交易行為的變化主要由短期因素所驅動，而反映中長期趨勢的低頻信號則波動較小，表明市場的中長期波動率相對較為穩定。

4. CCC-GARCH模型的參數估計及條件相關系數分析

CCC-GARCH模型不僅涵蓋了單變量模型的波動特性，而且可以刻畫不同變量間的相關系數，變量間的協方差由常相關系數乘以變量的條件標準偏差形成，在描述變量間相關關系時，CCC-GARCH模型還可以較容易保證正定方差矩陣。設定條件協方差矩陣（Conditional correlation matrix）：

從表1中可以發現，針對原始信號和高頻信號的時間序列，CCC-GARCH模型的參數大多在99%的置信水平下顯著，模型較好的擬合了原始數據，可以運用構建的CCC-GARCH模型判斷融資融券交易與股票市場波動率之間的關系。而對于低頻信號，模型的擬合不甚理想。根據CCC-GARCH模型，得到融資融券交易與市場波動之間的相關系數如表2所示。表2第1列中的數字1-6分別代表了上證指數、深圳指數、上海證券市場交易量、深圳證券市場交易量、融資額、融券額的波動率，ρ（i，j）代表了時間序列i和j的條件相關系數。從表2中可以發現，對于不同原始信號、低頻信號和高頻信號，融資交易和市場信息的相關系數均顯著，值得注意的是，雖然一部分基于低頻信號數據的CCC-GARCH模型參數不顯著，但融資交易與市場波動的相關系數仍然顯著。總體來看，融資交易行為與市場收益率的波動和成交量的波動均存在緊密的聯系。而融券交易與市場信息的相關系數則有所差異，融券交易與上證指數和深圳指數波動率的關系不顯著，而與兩個市場成交量的波動率顯著相關。國內證券市場的融資融券交易制度雖然已實施，但是多年賣空限制條件下形成的多頭（牛市）思維還比較明顯，融資交易與融券交易一直呈不對稱發展，在樣本期，融券周平均交易額為146.47億元，而融資周平均交易額為1615.88億元，融券交易額只占到融資交易額的9%，雖然存在制度等客觀因素，但投資者對于賣空交易思維的培養還應加強。同時，CCC-GARCH模型的結果還表明：對于不同頻率的信號，相關系數的大小也有一定的差異，其中，高頻信號之間的相關系數相對更大，且更顯著，如對于高頻信號，上證指數與融資交易波動率之間的相關系數為0.3299（5.0133），大于原始信號相關系數0.3207（4.9349），也大于低頻信號之間的相關系數，同時，基于低頻信號的CCC-GARCH模型擬合效果欠佳，實證結論表明融資交易與市場波動之間的相關系數主要由高頻信號所驅動，而非反映中長期市場波動狀況的低頻信息驅動。高頻信息通常由市場噪音所產生，這與投資者的非理性交易行為或投資者情緒緊密相連，國內證券市場經過多年的發展已逐漸成熟，但散戶比例仍然過高，在融資融券市場，截至2015年6月底，融資融券個人賬戶高達375.5萬戶，而機構賬戶為6464戶，在散戶占主導的市場中，散戶的非理性行為容易導致市場偏差，使得價格偏離證券內在價值，集聚市場情緒因素，導致價格的非理性和大幅波動。此外，在互聯網和即時通信工具飛速發展的背景下，投資者更容易受短期短息的驅動，投資者心理變化更趨敏感，這也在一定程度上加劇了融資融券隱含的高頻信息對市場波動的影響。

5. 結論及啟示

本文運用小波CCC-GARCH模型對融資融券交易與證券市場波動率之間的關系進行了實證檢驗，研究結果表明融資交易行為對證券市場收益率和成交量的波動均有較顯著的影響，而融券交易對市場波動率的影響則不顯著，同時，融資交易行為對市場的影響主要由高頻信號所驅動，投資者短期非理性行為或噪音交易對市場波動的影響較大。有鑒于此，為了促進證券市場的健康發展，首先應均衡融資融券業務的發展，只有融資融券業務同時發展，其價格發現功能才能更好地發揮，融資或融券業務一類發展過快，可能會導致市場暴漲或暴跌，從而不利于證券市場的穩定。其二，應加快機構投資者的發展，培養理性投資者，理性機構投資者的發展有利于更合理的使用融資融券進行交易，在運用融資融券交易過程中防范風險，降低噪音交易，提高市場定價的準確性，提高市場效率。其三，監管部門應加強投資者風險警示，管理部門應大力加強融資融券業務知識的普及，并對投資者進行充分的風險提示，促使投資者形成正確的投資思維，減少市場的非理性投機行為，從而維護市場穩定。其四，應加強融資融券交易行為數據庫的建設，運用大數據分析技術，將市場上融資融券交易的相關數據進行分析，及時掌握市場運行的動態，為市場波動率降低以及市場穩定提供及時準確地決策參考信息。

參考文獻

[1] Zhao Zhongkuang， Li Shuqi， Xiong Heping. Short Sale Constraints， Disperse Pessimistic Beliefs and Market Efficiency Evidence from the Chinese Stock Market[J]. Economic Modelling， 2014， 42： 333-342

[2] 肖浩， 孔愛國. 融資融券對股價特質性波動的影響機理研究： 基于雙重差分模型的檢驗[J]. 管理世界， 2014， （8）： 30-43， 187-188.

[3] 李科， 徐龍炳， 朱偉驊. 賣空限制與股票錯誤定價——融資融券制度的證據[J]. 經濟研究， 2014， 10：165-178.

[4] 陳海強， 范云菲. 融資融券交易制度對中國股市波動率的影響——基于面板數據政策評估方法的分析[J]. 金融研究， 2015， （6）：159-172.

[5] 李志生， 杜爽， 林秉旋. 賣空交易與股票價格穩定性——來自中國融資融券市場的自然實驗[J]. 金融研究， 2015， （6）： 173-188

[6] 佟孟華， 孟照康. 融資融券交易對我國股市波動性影響的實證研究[J]. 數學的實踐與認識， 2015， （24）： 96-107.

[7] 劉志洋， 宋玉穎. 融資融券的系統性風險管理研究.上海經濟研究， 2015， （7）： 3-8， 71.

[8] 吳國平， 谷慎. 融資融券交易對我國股市波動性影響的實證研究. 價格理論與實踐， 2015， （10）： 105-107

[9] 鄭曉亞， 閆慧， 劉飛. 融資融券業務與我國股票市場長期波動性[J]. 經濟與管理評論， 2015， （2）： 87-93.

[10] 劉燁， 方立兵， 李冬昕， 李心丹. 融資融券交易與市場穩定性：基于動態視角的證據[J].管理科學學報， 2016， （1）： 102-116.

[11] 黃虹， 張恩煥， 孫紅梅， 劉江會. 融資融券會加大投資者情緒對股指波動的影響嗎？[J].中國軟科學， 2016， （3）： 151-161

[12] Hong H， Stein J. Differences of opinion， short-sales constraints， and market crashes [J]. Review of Financial Studies， 2003， （16）： 487 - 525.

An Empirical Study on the Relationship between Margin Trading Business and Volatility of Security Market based on Wavelet CCC-GARCH Models

Abstract：For understanding the impact of margin trading business on the security market volatility， we use the wavelet CCC-GARCH models to conduct an empirical research by taking the market trading data from April 2， 2010 to July 21， 2016 as the samples. The results show that the margin financing has the significant positive relationship with the return and trading volume volatility of security market， while the influence of short selling is not significant. Meanwhile， the influence of margin trading on market volatility is mostly driven by the high frequency signal， and the irrational behavior or noise trading from investors may cause the high volatility of the security market. For the health development of the security market， the supervisors should balance the development of the margin trading， cultivate the institutional investors， strength the risk warning to investors and construct the database of the margin trading.

Keywords：Margin trading； Market volatility； CCC-GARCH； Conditional correlation； wavelet analysis