交易制度變動對股指期貨日內模式的影響

許桐桐，王蘇生，彭 珂，余 臻

(1.哈爾濱工業大學 深圳研究生院，廣東 深圳 518055； 2.前海金融控股有限公司博士后創新實踐基地，廣東 深圳 518052； 3.中山大學 嶺南(大學)學院，廣東 深圳 518052)

一、引 言

隨著計算機技術的發展，先進算法、軟件等在交易系統中的部署和應用使得交易所處理數據的速度大大提高；而通信技術的發明，改變了信息傳播的媒介，加快了信息的傳播速度，使得市場中的參與者通過網絡形成互聯，大大提高了交易的效率。信息傳播速度的加快和數據頻率的提高，使得研究領域逐漸由市場宏觀拓展到市場微觀層面。

微觀結構特征變量的日內效應和微觀結構變量之間的相互關系一直是市場微觀結構的重點研究內容。日內效應通常指結構變量在日內的交易中呈現出的有規律的特征，微觀結構變量關系主要指結構變量之間信息的傳播機制和過程。國外學者對股票和期貨市場的日內微觀結構進行了廣泛的研究，加深了人們對相關市場的了解。國內學者對A股市場和滬深300股指期貨市場也進行了大量的實證分析，但對新推出的股指期貨的相關研究還較少。

上證50股指期貨是繼滬深300股指期貨推出后，我國推出的第二批股指期貨。然而，在其推出后不久，我國股市就出現了大幅下跌行情。為了維護市場穩定，抑制期貨市場的過度投機行為，中金所先后出臺多項政策來限制股指期貨的交易活動，特別是在2015年9月2日當天，中金所陸續公布了一系列的嚴格管控措施：將股指期貨非套期保值的持倉保證金提高至40%；平倉手續費提高至0.23%；單個產品單日開倉交易量超過10手認定為異常交易行為。以上措施中以限倉政策的條件最為苛刻，其后的股指期貨交易量出現了顯著下降。另外，為了與現貨股票市場同步，并配合股票市場熔斷機制的實施，2016年1月1日，中金所將股指期貨的交易時間由原先的9:15—11:30(第一節)和13:00—15:15(第二節)調整到9:30—11:30(第一節)和13:00—15:00(第二節)，明顯縮短了股指期貨的交易時間。

考慮到上證50股指期貨上市時間較晚，其日內微觀結構還有待分析，多次重大交易政策的變動可能會使市場微觀結構和信息傳播出現較大改變，因此，本文重點研究上證50股指期貨這一新期貨品種的日內微觀結構，并探究股指期貨交易制度變動對日內微觀結構的影響。

二、文獻回顧

(一)微觀結構變量日內效應

國外學者對收益率、交易量、波動率和價差等微觀結構變量的日內效應進行了廣泛研究。如在早期的研究中，Harris(1986)[1]發現美股收益率呈現U型的日內走勢，Ekman(1992)[2]發現S&P 500指數期貨的絕對收益率和交易量大體呈現U型的日內效應。近年來，關于日內效應的研究仍是層出不窮。如在日本市場的研究中，Andersen等(2000)[3]發現日本股票市場的日內絕對收益率呈現UU型；Tsuchida等(2016)[4]研究日本國債期貨的微觀變量，發現交易量和絕對收益率呈現W型日內特征。在美國市場的研究中，Tannous等(2013)[5]分析紐交所上市股票的日內效應，發現交易量呈U型，價差呈L型；Upson等(2017)[6]進一步分析了市場報價競爭和算法交易對紐交所上市股票日內特征的影響，結果發現買賣價差的日內效應由U型變為S型，交易量的日內效應依然維持U型。另外，歐洲市場的研究也較多，如Zwergel等(2014)[7]研究德國期貨市場，發現波動率呈現W型，交易量呈現橫臥J型；Uctum等(2017)[8]研究四家法國公司5分鐘平均絕對收益率，發現日內效應呈現U型特征；Sita(2017)[9]研究英國脫歐公投事件對FTSE100日內波動模式的影響，結果發現日內波動加劇，但是波動率U型的日內效應未改變。

國內學者對日內微觀結構也進行了大量研究，主要集中在股票、商品期貨和滬深300股指期貨等市場。如在A股市場的日內效應研究中，房振明等(2004)[10]發現收益率呈U型；韓冬等(2006)[11]發現價差呈L型，交易量呈反L型；劉衡郁(2008)[12]發現日內價格變動呈仰臥F型，交易量呈仰臥E型；魯萬波等(2011)[13]發現波動率呈倒J型，成交量呈U型，買賣價差呈J型；王春峰等(2014)[14]發現不同市值的股票交易量的日內效應不同，中、小市值呈現W型，大市值呈現U型，不同的市場環境模式也不同，牛市呈現U型，熊市呈現W型；苑瑩等(2016)[15]發現上證指數和深成指數交易量的日內效應都呈現U型特征。在商品期貨的研究中，劉向麗等(2008)[16]采用1分鐘數據分析發現，絕對收益率和交易量的日內效應呈現L型；瞿慧等(2016)[17]發現塑料期貨日內平方收益均值呈現L型。關于滬深300股指期貨的研究相對豐富。如孫便霞等(2012)[18]發現日內波動呈現出3V型特征；余臻等(2014)[19]發現收益率呈L型，波動率呈LM型，日內交易量呈3V型，日內持倉量呈M型；趙秀娟等(2015)[20]發現絕對收益率呈LM型、日內成交量呈WV型、持倉量呈倒U型和價差呈LM型日內特征；郭建峰等(2016)[21]發現交易持續時間和市場彈性呈向右上傾斜的W型，相對差價、已實現波動率和交易量呈向右下傾斜的M型，市場深度呈向右上傾斜的倒S型，持倉量呈向右下傾斜的閃電型；西村友作等(2016)[22]發現滬深300指數的交易量呈U型，波動率大致為S型，股指期貨的交易量和波動率大致呈3V(VVV)型。

(二)變量之間的動態關系

微觀結構變量間的動態關系研究相對日內效應的研究較少，但也有不少成果出現。如華仁海等(2003)[23]研究我國商品期貨市場收益率、交易量和波動性的動態關系，通過格蘭杰因果檢驗方法發現，只有銅期貨存在從絕對收益率到交易量的原因；劉向麗等(2008)[16]采用格蘭杰因果檢驗、方差分解和脈沖響應函數等方法分析變量之間的動態關系，發現絕對收益率、交易量和持倉量之間存在雙向的格蘭杰因果關系，持倉量對絕對收益率和交易量的影響較弱，而絕對收益率和交易量之間有較強的互動關系；仲偉俊等(2008)[24]研究波動性與收益率、交易量和持倉量的關系，通過回歸分析發現，正收益率和交易量對波動率有正向影響，負收益率和持倉量對波動率有負向影響；Kumar等(2010)[25]建立VAR模型，結合格蘭杰因果檢驗、方差分解和脈沖響應函數分析印度商品期貨市場中的波動率、交易量和持倉量之間的動態關系，發現波動率和交易量之間有較強的關系，持倉量與前兩者的關系較弱；張蘇林(2012)[26]研究發現滬深300股指期貨的交易量和波動率沒有明顯的格蘭杰因果關系；Liu等(2015)[27]研究發現收益率、交易量和持倉量之間存在雙向的格蘭杰因果關系，通過脈沖響應方法和方差分解方法發現持倉量與絕對收益率和交易量的關系較弱，絕對收益率和交易量有較強的相關性。

(三)文獻綜述簡析

通過分析以上研究成果發現：國內外的研究主要集中在股票市場和期貨市場；微觀結構變量主要包括收益率、波動率、交易量和相對價差等；收益率和交易量的日內效應大部分呈U型，波動率和相對價差在不同的市場呈現不同的日內特征；收益率、波動率和交易量之間具有較強的動態相關性，持倉量與其他變量的關系較弱。

同時，也發現了以往研究的局限性：首先，國內市場主要研究了股票市場和滬深300股指期貨市場，對于剛上市的上證50股指期貨的研究還相對較少；其次，較少的研究考慮到微觀結構變量日內效應的變化情況，幾乎沒有探討過交易制度變化對日內效應和動態關系的影響。

三、研究模型與方法

1.GK模型

參考Garman等(1980)[28]的做法，采用GK模型來衡量分鐘波動率，表達式如下：

2.Wilcoxon秩和檢驗方法

Wilcoxon(1945)[29]提出Wilcoxon秩和檢驗方法，該方法是基于樣本數據秩和的一種非參數檢驗方法，不需要預先知道樣本的分布情況，相比參數化檢驗方法適用性更大。由于高頻數據通常拒絕正態分布假設，且存在序列相關和條件異方差性，用帶虛擬變量的線性回歸將是有偏的，因此，本文選用Wilcoxon秩和檢驗方法分析序列的差異。

3.格蘭杰因果檢驗方法

Granger(1969)[30]提出了一個判斷因果關系的檢驗方法，用于分析變量之間的相關關系，即格蘭杰因果檢驗。關于x是否為y的格蘭杰原因的問題，主要是看過去的x能夠在多大程度上解釋現在的y，加入x的滯后值之后是否使解釋程度提高。如果x在y的預測中有幫助，或者x與y在統計上的相關系數顯著，可表述為x是y的格蘭杰原因。

4.廣義脈沖響應函數方法

對于VAR模型的動態過程分析，通常不考慮變量的變化對其他變量的影響，而是研究誤差項變化，或者模型受到某種沖擊時對整個系統的動態影響，稱為脈沖響應函數方法。傳統的脈沖響應函數一般需要應用Cholesky分解方法實現正交化，但是Cholesky分解的結果與變量的順序有關，使得結果的唯一性不能保證。Koop等(1996)[31]提出廣義脈沖響應函數，解決了上述問題。

四、研究數據

本文選用上證50股指期貨當月連續合約，采用上市交易滿一周年的1分鐘高頻數據進行實證研究。研究的微觀結構特征變量包括：價格(p_ih)、收益率(r_ih)、波動率(gk_ih)、交易量(volume_ih)和持倉量(oi_ih)。

(一)區間劃分

總樣本區間為2015.04.16—2016.04.15。根據交易制度的變化，將總樣本區間分為三個子區間：

(1)區間1(2015.04.16—2015.09.02)：首個交易日到嚴格限倉政策推出前。采用1分鐘的時間間隔把一天的交易時間分割成271份，即分成D1(9:15)，D2(9:16)，……，D270(15:14)，D271(15:15)，共計271個時段。

(2)區間2(2015.09.07—2015.12.31)：嚴格限倉政策推出后到交易時間同步指數政策推出前。時段的劃分同區間1。

(3)區間3(2016.01.04—2016.04.15)：交易時間同步指數政策推出后到上市交易滿一周年。采用1分鐘的時間間隔把一天的交易時間分割成241份，即分成D16(9:30)，D17(9:31)，……，D255(14:59)，D256(15:00)，共計241個時段。

(二)描述性統計

在分析日內效應及動態關系前，先對微觀結構變量的日頻數據進行簡要的統計分析，如圖1和表1所示。

圖1 微觀結構變量的日頻走勢

由圖1可見，價格序列在區間1有較長時間且較大幅度的下跌，在區間2先漲后跌，在區間3有小幅上漲；收益率序列和絕對收益率序列在區間1有較大波動，在區間2和區間3的波動較小；波動率在區間1的波動幅度較大，在區間2和區間3的波動幅度較小；交易量在區間1的規模較大，在區間2和區間3的規模很??；持倉量在區間1的規模較大，在區間2和區間3的規模較小。

由表1發現，價格序列在區間1的平均值最大，區間2次之，區間3最小，三個區間都左偏，都未出現尖峰特征，J-B統計量顯示三個區間都近似服從正態分布；收益率序列在區間1和區間3的平均值為負，區間2的平均值為正，區間1和區間3左偏，區間2右偏，峰度值都大于3，呈現尖峰特征，J-B統計量顯著，拒絕服從正態分布；絕對收益率在區間1的平均值最大，區間3次之，區間2最小，三個區間都右偏，呈現尖峰特征，拒絕服從正態分布；波動率在區間1的平均值最大，區間2次之，區間3最小，三個區間都右偏，呈現尖峰特征，拒絕服從正態分布；交易量在區間1的平均值大小是區間2和區間3平均值的5倍以上，差距明顯；持倉量在區間1的平均值大小是區間2和區間3平均值的3倍以上，差距也比較明顯。

通過分析圖1和表1發現，限倉政策使得價格序列有短暫的上漲，明顯降低了收益率波動，大幅降低了波動率、交易量和持倉量；交易時間與指數同步制度也使得價格序列有短暫的上漲，但是對收益率、波動率、交易量和持倉量沒有明顯的影響。

五、實證分析

(一)日內效應分析

為了分析變量的日內效應，選取期貨上午開盤后5分鐘(D1—D5)，股市上午開盤后5分鐘(D16—D20)、上午收盤前5分鐘(D132—D136)、下午開盤后5分鐘(D137—D141)、下午收盤前5分鐘(D252—D256)和期貨下午收盤前5分鐘(D267—D271)的時段進行研究。考慮到每天市場對信息的消化需要一定時間，因此本文選D61(10:15)作為對照組。

1.收益率

平均收益率的日內分布如圖2所示。

圖2 平均收益率分布

對比圖2中的三個區間，發現三個區間的平均收益率沒有太大差別，都是圍繞0上下波動，開盤和收盤時段的平均收益率也沒有出現較大變化。

所選時段平均收益率與D61的Wilcoxon秩和非參數檢驗結果如表2所示。

表2不同小區間分鐘收益率的非參數檢驗結果

觀察表2中的P值發現，區間1的對照組D252-D61和D268-D61，區間2的對照組D1-D61和D270-61，以及區間3的對照組D139-D61和D254-D61的顯著性較大。

結合圖2和表2可以發現，平均收益率并未呈現明顯的日內效應，與Harris(1986)[1]、房振明等(2004)[10]以及余臻等(2014)[19]等研究存在較大差別，交易制度的變化也未引起平均收益率日內效應的較大變化。

為了進一步分析收益率的特征，參考Ekman(1992)[2]、Andersen等(2000)[3]和Tsuchida等(2016)[4]等的研究方法，采用絕對收益率的平均值進行研究。平均絕對收益率的分布如圖3所示。

圖3 平均絕對收益率分布

對比圖3中的三個區間，發現三個區間的平均絕對收益率在上午開盤時段和下午開盤時段都顯著高于其他時段，在下午收盤時段又都小于其他時段。以區間1為例：平均絕對收益率圍繞0.0015上下波動；上午開盤時段在0.0038左右，明顯大于0.0015；下午開盤時段在0.0025左右，也明顯大于0.0015；下午收盤時段在0附近，明顯小于0.0015。

所選時段平均絕對收益率與D61的Wilcoxon秩和非參數檢驗結果如表3所示。

表3不同區間分鐘絕對收益率的非參數檢驗結果

觀察表3發現，區間1的對照組D1-D61、D2-D61、D136-D61和D271-D61，區間2的對照組D1-D61和D271-D61，以及區間3的對照組D16-D61和D256-D61的系數絕對值和顯著性都比其他對照組大。結合圖3和表3可以發現，平均絕對收益率呈現明顯的日內效應：區間1大體呈現L+橫向S型模式；區間2和區間3也呈現L+橫向S型模式，不過下午開盤前后的峰值出現小幅下降。因此，限倉政策和交易時間同步政策對于絕對收益率的日內效應影響不大，絕對收益率的日內效應并未改變。

2.波動率

平均波動率的日內分布如圖4所示。對比圖4中的三個區間，發現三個區間的平均波動率都在上午開盤時段顯著高于其他時段，其中區間2和區間3存在明顯的日內跳躍。

所選時段平均波動率與D61的Wilcoxon秩和非參數檢驗結果如表4所示。

圖4 平均波動率分布

觀察表4發現，區間1的對照組D1-D61和D271-D61，區間2的對照組D1-D61和D271-D61，以及區間3的對照組D16-D61、D17-D61和D256-D61的系數絕對值和顯著性都比其他對照組大。

結合圖4和表4可以發現，平均波動率呈現明顯的日內效應：區間1呈現L型模式；區間2和區間3也大體呈現L型模式，不過日內出現較多的跳躍。因此，限倉政策和交易時間同步政策沒有大幅改變平均波動率的日內效應。

3.交易量

平均交易量的日內分布如圖5所示。

圖5 平均交易量分布

對比圖5中的三個區間，發現三個區間的平均交易量都在上午開盤時段顯著高于其他時段，在下午收盤時段的平均交易量顯著低于其他時段；區間1的平均交易量在下午開盤時段也相對較大，但是區間2和區間3并不明顯。

所選時段平均交易量與D61的Wilcoxon秩和非參數檢驗結果如表5所示。

表5不同區間分鐘交易量的非參數檢驗結果

觀察表5發現，區間1的對照組D1-D61、D140-D61、D254-D61、D267-D61、D268-D61、D269-D61和D271-D61，區間2的對照組D1-D61、D2-D61、D3-D61、D139-D61、D140-D61、D270-D61和D271-D61，以及區間3的對照組D16-D61、D17-D61、D18-D61、D19-D61、D20-D61、D139-D61、D253-D61、D254-D61、D255-D61和D256-D61的系數絕對值和顯著性都比其他對照組大。

結合圖5和表5可以發現，平均交易量呈現明顯的日內效應：區間1呈現LM型模式；區間2和區間3呈現L型模式。因此，限倉政策使得平均交易量的日內效應出現了明顯改變，而交易時間同步指數政策并未對平均交易量的日內效應產生較大影響。

4.持倉量

平均持倉量的日內分布如圖6所示。

圖6 平均持倉量分布

對比圖6中的三個區間，發現區間1的平均持倉量分布明顯區別于區間2和區間3，而區間2和區間3的平均持倉量分布相似。

所選時段平均持倉量與D61的Wilcoxon秩和非參數檢驗結果如表6所示。

表6不同區間分鐘持倉量的非參數檢驗結果

觀察表6發現，區間1和區間3的所有對照組的系數絕對值和顯著性都比較大，區間2的大部分對照組的系數絕對值和顯著性比較大。

結合圖6和表6可以發現，平均持倉量呈現明顯的日內效應：區間1呈現M型模式；區間2和區間3呈現U型模式。因此，限倉政策使得平均持倉量的日內效應出現了顯著改變，而交易時間同步指數政策并未對平均持倉量的日內效應產生較大影響。

(二)動態關系分析

本部分探討交易制度改變對微觀結構變量之間關系的影響。通過ADF檢驗發現，r_ih、gk_ih和volume_ih是平穩序列，oi_ih是單整序列I(1)，因此可以建立VAR模型。

1.引導關系檢驗

通過格蘭杰因果檢驗方法分析微觀結構變量之間的引導關系，結果如表7所示。

表7格蘭杰因果檢驗

觀察表7發現，交易量和絕對收益率、波動率和絕對收益率在三個區間都是互為格蘭杰因果關系，說明限倉政策和交易時間同步指數政策沒有改變交易量與絕對收益率、波動率與絕對收益率的引導關系。

持倉量和交易量、波動率和交易量在區間2和區間3都是互為格蘭杰因果關系。在區間1中，持倉量是交易量的格蘭杰原因，而交易量不是持倉量的格蘭杰原因；交易量是波動率的格蘭杰原因，而波動率不是交易量的格蘭杰原因。說明限倉政策改變了持倉量與交易量、波動率與交易量的引導關系，而交易時間同步指數政策沒有改變持倉量與交易量、波動率與交易量的引導關系。

持倉量和絕對收益率在三個區間的引導關系存在較大差別。在區間1中，持倉量是絕對收益率的格蘭杰原因，而絕對收益率不是持倉量的格蘭杰原因；在區間2中，持倉量是絕對收益率的格蘭杰原因在1%水平顯著，絕對收益率是持倉量的格蘭杰原因在5%水平顯著；在區間3中，持倉量是絕對收益率的格蘭杰原因在10%水平顯著，絕對收益率不是持倉量的格蘭杰原因。說明限倉政策和交易時間同步指數政策都改變了持倉量和絕對收益率的引導關系。

波動率和持倉量在三個區間的引導關系也有顯著差異。在區間1中，波動率不是持倉量的格蘭杰原因，持倉量也不是波動率的格蘭杰原因；在區間2中，波動率不是持倉量的格蘭杰原因，而持倉量是波動率的格蘭杰原因；在區間3中，波動率不是持倉量的格蘭杰原因，持倉量也不是波動率的格蘭杰原因。說明限倉政策和交易時間同步指數政策都改變了波動率和持倉量的引導關系。

2.廣義脈沖響應分析

采用廣義脈沖響應函數分析微觀結構變量之間的沖擊響應。

(1)區間1。區間1中的微觀結構變量之間的脈沖響應，結果如圖7所示。

圖7 區間1變量脈沖響應

絕對收益率受到自身一個標準差信息的沖擊后，第1期的響應達到最大值0.0015左右，第2期降為0.0002左右；受到交易量一個標準差信息的沖擊后，第1期的響應達到最大值0.0008左右，第2期降為0.0001左右；受到波動率一個標準差信息的沖擊后，第1期的響應達到最大值0.0002左右，第2期降為0.000 05左右；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

波動率受到自身一個標準差信息的沖擊后，第1期的響應達到最大值550左右，第2期降為20左右，第3期又升到100左右，第4期降為0；受到絕對收益率一個標準差信息的沖擊后，第1期的響應達到最大值100左右，第2期降為10左右，第3期降到0附近；受到交易量一個標準差信息的沖擊后，第1期的響應達到最大值50左右，第2期降到0附近；受到持倉量一個標準差信息的沖擊后，基本沒有反應。

交易量受到自身一個標準差信息的沖擊后，第1期的響應達到最大值450左右，第2期降為200左右，第3期以后維持在100左右；受到絕對收益率一個標準差信息的沖擊后，第1期的響應達到最大值250左右，第2期降為150左右，第3期以后維持在50左右；受到波動率一個標準差信息的沖擊后，第1期的響應達到最大值50左右，第2期降到0附近；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

持倉量受到自身一個標準差信息的沖擊后，一直維持在500左右；受到絕對收益率、波動率和交易量的一個標準差信息的沖擊后，基本沒有反應。

(2)區間2。區間2中的微觀結構變量之間的脈沖響應，結果如圖8所示。

圖8 區間2變量脈沖響應

絕對收益率受到自身一個標準差信息的沖擊后，第1期的響應達到最大值0.0008左右，第2期降為0.0001左右；受到交易量一個標準差信息的沖擊后，第1期的響應達到最大值0.0003左右，第2期降為0.0001左右；受到波動率一個標準差信息的沖擊后，第1期的響應達到最大值0.0002左右，第2期降為0.0001左右；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

波動率受到自身一個標準差信息的沖擊后，第1期的響應達到最大值15左右，第2期降為4左右，第3期降為1左右；受到交易量一個標準差信息的沖擊后，第1期的響應達到最大值7左右，第2期降為2.5左右；受到絕對收益率一個標準差信息的沖擊后，第1期的響應達到最大值5左右，第2期降到2.5左右；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

交易量受到自身一個標準差信息的沖擊后，第1期的響應達到最大值15左右，第2期降為6左右；受到絕對收益率一個標準差信息的沖擊后，第1期的響應達到最大值7左右，第2期降為3左右；受到波動率一個標準差信息的沖擊后，第1期的響應達到最大值7左右，第2期降到2.5左右；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

持倉量受到自身一個標準差信息的沖擊后，一直維持在120附近；受到絕對收益率、波動率和交易量的一個標準差信息的沖擊后，反應較弱，基本趨于0。

(3)區間3。區間3中的微觀結構變量之間的脈沖響應，結果如圖9所示。

圖9 區間3變量脈沖響應

絕對收益率受到自身一個標準差信息的沖擊后，第1期的響應達到最大值0.000 75左右，第2期降為0.0001左右；受到交易量一個標準差信息的沖擊后，第1期的響應達到最大值0.0003左右，第2期降為0.0001左右；受到波動率一個標準差信息的沖擊后，第1期的響應達到最大值0.0002左右，第2期降為0.0001左右；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

波動率受到自身一個標準差信息的沖擊后，第1期的響應達到最大值11左右，第2期降為2左右，第3期降為1左右；受到交易量一個標準差信息的沖擊后，第1期的響應達到最大值4左右，第2期降為1左右；受到絕對收益率一個標準差信息的沖擊后，第1期的響應達到最大值3左右，第2期降到1左右；受到持倉量一個標準差信息的沖擊后，反應較弱，基本趨于0。

交易量受到自身一個標準差信息的沖擊后，第1期的響應達到最大值19左右，第2期降為6左右；受到絕對收益率一個標準差信息的沖擊后，第1期的響應達到最大值8左右，第2期降為4左右；受到波動率一個標準差信息的沖擊后，第1期的響應達到最大值7左右，第2期降到3左右；受到持倉量一個標準差信息的沖擊后，第1期的響應達到最大值3左右，第2期降到1左右。

持倉量受到自身一個標準差信息的沖擊后，一直維持在140附近；受到交易量一個標準差信息的沖擊后，一直維持在20附近；受到絕對收益率和波動率的一個標準差信息的沖擊后，反應較弱，基本趨于0。

六、結 語

本文主要討論上證50股指期貨日內微觀結構，以及受到限倉政策和交易時間同步指數政策變動的影響，選取1分鐘高頻數據進行實證分析。采用Wilcoxon秩和檢驗非參數方法檢驗不同時段各變量的差異，對比變量日內效應的變化。在VAR模型的基礎上，借助格蘭杰因果檢驗方法和廣義脈沖響應方法分析變量之間的動態關系變化。研究結果如下：

(1)平均收益率并未呈現明顯的日內效應，而平均絕對收益率呈現明顯的日內效應：三個區間都呈現L+橫向S型。限倉政策和交易時間同步政策對于收益率的日內效應影響不大，收益率的日內效應并未改變。

(2)平均波動率呈現明顯的日內效應：三個區間的日內效應都呈現L型。限倉政策和交易時間同步政策沒有大幅改變波動率的日內效應。

(3)平均交易量呈現明顯的日內效應：區間1呈現LM型；區間2和區間3呈現L型。限倉政策使得交易量的日內效應出現了明顯改變，而交易時間同步指數政策并未對交易量的日內效應產生較大影響。

(4)平均持倉量呈現明顯的日內效應：區間1呈現M型；區間2和區間3呈現U型。限倉政策使得持倉量的日內效應出現了顯著改變，而交易時間同步指數政策并未對持倉量的日內效應產生較大影響。

(5)格蘭杰因果關系檢驗發現：限倉政策和交易時間同步指數政策沒有改變交易量與絕對收益率、波動率與絕對收益率的引導關系；限倉政策改變了持倉量與交易量、波動率與交易量的引導關系，而交易時間同步指數政策沒有改變持倉量與交易量、波動率與交易量的引導關系；限倉政策和交易時間同步指數政策都改變了持倉量和絕對收益率、波動率和持倉量的引導關系。

(6)廣義脈沖響應函數分析發現：絕對收益率、波動率和交易量三者之間有較強的動態關系，持倉量與其他變量的動態關系較弱；四個變量的沖擊響應順序在三個區間沒有發生明顯的變化，都是受到自身沖擊的響應最大；而沖擊響應強度區間1明顯大于區間2和區間3，區間2和區間3相差不大。限倉政策明顯改變了各個變量之間的沖擊響應強度，而交易時間同步指數政策的影響較小。

綜上所示，上證50股指期貨的微觀結構變量呈現出了明顯的日內效應，絕對收益率、波動率和交易量三者之間有較強的動態關系，而持倉量與其他變量的動態關系較弱。限倉政策對日內微觀結構的影響較大，顯著改變了部分變量的日內效應和變量之間的動態關系，而交易時間同步指數政策對日內微觀結構的影響較小。為了檢驗研究的穩健性，本文進一步對比分析了滬深300股指期貨和中證500股指期貨的日內微觀結構及受到政策變動的影響，也得出了與上證50股指期貨相似的結論。本研究具有一定的現實意義：首先，對于市場監管者檢驗政策實施效果、維護市場穩定具有借鑒意義；其次，投資者可以依據微觀結構變量的日內效應及變化，選擇并調整響應的投資策略。