金融監管政策對股市波動的影響研究

| 朱濤 黃蕾 熊檢 陶桅

一、引言

中國股市動蕩通常伴隨著重大政策事件的發生。股價的劇烈波動不僅會讓金融風險迅速集聚，還可能導致金融亂象的頻繁出現。長此以往，不僅會阻礙金融資源流向實體經濟部門，也會在一定程度上威脅整個社會的穩定發展和百姓的正常生活?，F有研究指出中國股市尚不屬于成熟的股票市場，其股價易受政策因素影響而產生結構性突變，無法真正發揮實體經濟“晴雨表”的作用。對此，楊繼平等（2012）發現影響中國股市結構波動的政策性因素主要包含央行存貸款基準利率和存款準備金率的調整、國有股的減持、機構投資者買賣證券投資基金的權限、印花稅的調整等。齊岳和廖科智（2018）提出政策因素的變化會改變市場參與者的投資預期，影響股票交易的供求關系，甚至會在一定程度上沖擊市場現有的交易模式，其中，宏觀經濟政策和官方預期性文件是較為典型的政策因素。袁鯤等（2014）選擇股權分置改革作為分界線，研究了股改前后股市調控政策對中國股市波動性突變的影響，指出股權分置改革前，股市調控政策是造成波動的主要因素；而在改革后，股市調控政策的影響相對較弱。周盈南和金涵旻（2016）指出央行降準降息能在一定程度上刺激股價大幅上漲。王琳（2020）將政策制度因子作為協變量引入Joe-Clayton Copula模型，同樣發現即使是在相同的金融市場內，不同時期的金融風險傳染路徑和因素也會存在顯著差異。整體而言，學者普遍認同中國股市波動受重大政策事件的沖擊影響較為顯著。

在重大政策事件中，金融監管政策事件很可能是導致股市劇烈波動的主要政策因素。郝旭光等（2010）計算了三個特殊的金融監管政策出臺前后的股市波動率，經對比發現所選的三個金融監管政策都會對中國股市波動產生顯著影響。賈德奎和李瑞海（2018）通過構建政策風險指數，實證發現股市波動性與政策風險之間具有顯著正相關關系，各種政策干預是造成股市波動的主要原因，其中金融監管政策的作用效果最為突出。劉沛佩（2021）進一步指出對證券市場異常交易實施金融監管，能在一定程度上防范明顯不符合市場供需情況的價格波動，進而維護證券交易的既有秩序，保障證券市場運行的公平與效率。不難發現，金融監管政策事件會對股價波動造成較為明顯的沖擊影響，且其影響程度或高于其他重大政策事件。

綜上所述，有必要深入研究政策因素對股市波動的沖擊影響，這對保障我國的金融安全和社會安全穩定具有非常重要的理論與現實意義。本文研究思路如下：首先，分類定義可能影響股市波動的重大政策事件，用修正的ICSS算法檢測上證綜指的結構性變點，進而尋找與之相匹配的重大政策事件；然后，利用ARMAEGARCH模型進行回歸分析，實證研究各類政策事件對股市波動的沖擊影響；最后，采用事件研究法著重分析金融監管政策對股市波動的影響方向與影響程度。區別于已有研究，本文在以下兩方面有所創新：第一，現有研究在選取重大政策事件時通常帶有較強的主觀色彩，本文嘗試借助修正的ICSS算法測度方差結構性變點，據此匹配重大政策事件，方法相對客觀；第二，鮮有文獻會將不同類型的重大政策事件分類定義并進行對比研究，本文則在分類定義的基礎上，構建了“未考慮政策事件影響”的基準模型與“考慮政策事件影響”的改進模型，有利于進一步解析不同政策事件對股市波動的異質性影響。

二、模型理論基礎

（一）修正的ICSS算法

Inclan和Tiao（1994）最早提出迭代累積平方和算法，即ICSS算法。假設序列最初保持某一恒定的方差，在受到突發事件沖擊后，如果序列方差先不斷波動，后在一個新的水平上趨于穩定，那么這種序列方差變化可稱作方差結構性突變。

ICSS算法會涉及IT檢驗統計量，其表達式為：

公式1中，D 是對C/C進行中心化處理的統計量，其表達式為：

公式2中，C 是時間序列從1時刻開始到k時刻為止的累積平方和，其表達式為：

公式3中，統計量是a時間序列的迭代殘差序列。

考慮到ICSS算法假定時間序列的迭代殘差序列服從獨立同分布的正態過程，但金融時間序列往往具有條件異方差和尖峰厚尾的特點，直接使用ICSS算法檢測所得到的結構性變點存在被高估的可能，進而導致最終結果偏離預期目標。鑒于此，Sansó等在2004年修正了ICSS算法，彌補了原有算法的不足。

修正后的ICSS算法所涉及的檢驗統計量表達式為：公式4中G 的表達式為：

（二）ARMA模型

自回歸移動平均模型ARMA(p,q)最早由Box等人于1994年提出，是自回歸模型AR(p)和移動平均模型MA(q)的組合形式。當p=0時，ARMA(p,q)=MA(q)；當q=0時，ARMA(p,q)=AR(p)。ARMA(p,q)常用于追蹤時間序列的動態變化，其表達式為：

（三）EGARCH模型

海外金融分析師最先發現股價預測的誤差因時而異，即誤差項的條件異方差會隨時間推移而不斷變化，且在很大程度上依賴以往誤差的大小。為詮釋股價波動的這種特征，Engle（1982）提出了自回歸條件異方差模型，即ARCH模型，后由Bollerslev（1986）發展為廣義自回歸條件異方差模型，即GARCH模型。

為進一步解釋資本市場的非對稱效應，Nelson（1991）提出了指數條件異方差模型，即EGARCH模型，其表達式詳見公式9。

在實證分析中，EViews軟件指定的條件方差詳見公式10。

（四）事件研究法

事件研究法(Event Study)是分析政策事件對股市波動的沖擊的常用方法，核心是統計股價異常收益率(Abnormal Return)，具體步驟如下：

1.確定政策事件日、估計期與事件期。本文界定的政策事件日是某項金融監管政策公布或施行的第一個交易日，又名0時刻。如圖1所示，T至T段為估計期，T至0段為事前檢驗期，0至T段為事后檢驗期，后兩段統稱為事件期。

圖1 事件研究法時間軸示意圖

2.確定模型與計算收益。固定均值收益模型（Constant-Mean-Retorn Model）是事件研究法中用于確定正常收益的常用模型，適用于研究宏觀政策事件對市場價格的沖擊影響。

繼而對CAR進行顯著性檢驗，檢驗統計量見公式19。

3.分析政策事件的影響。重點關注兩方面的內容：一是厘清政策事件沖擊對股市波動的影響方向，判斷是正向影響還是負向影響；二是鑒別股票市場對政策事件的反應程度，判斷是否反應充分并給出合理解釋。

三、研究設計

（一）數據來源

本文以1996年12月16日至2018年12月28日的上證綜指為研究對象，數據來源于Wind數據庫。之所以選取1996年12月16日為研究起點，主要是因為中國自1996年12月16日起開始實行漲跌停板制度，該項制度不僅限制了股票的漲跌停幅度，也降低了滬市股票的波動性，對中國股市發展具有劃時代的里程碑意義。經數據清理后，共得到5342個有效數據。

（二）描述性統計分析

將上證綜指收盤價的自然對數進行一階差分處理，可以得到上證綜指日對數收益率。此收益率序列在2001年至2002年、2007年至2009年、2015年至2016年這三個時間段內波動較大，在1999年和2005年這兩個時點上波幅劇烈，表明序列的波動呈現一定的聚集性。經統計，上證綜指日對數收益率序列的峰度值為8.064，高于標準正態分布的峰度值；偏度值為-0.431，表明序列呈左偏分布；Jarque-Bera 統計量為5872.447，P值為0.000。這些數據說明所研究序列不服從正態分布且具有尖峰厚尾的特點。

（三）篩選結構性變點

首先，借助修正的ICSS算法檢測上證綜指日對數收益率序列，可以得到26個方差結構性變點。接著，本文從權威媒體的公開信息中，搜尋可能造成上證綜指結構性突變的重大政策事件，并將其與結構性變點逐一匹配。在匹配的過程中，剔除起始日期和終止日期對應的變點（2個）；剔除無法找到政策事件與之相匹配的變點（2個）；剔除多個政策事件共同導致的變點（1個），以便排除其他交易制度對所研究變點的交叉干擾。最終，可得到21個可供計量的有效變點。

（四）界定重大政策事件

表1界定了所研究的主要重大政策事件，分別是國內重大政策事件和國際重大政策事件。其中，國內重大政策事件包含金融監管政策、經濟政策和國內資訊，國際重大政策事件則統稱為國際事件。

表1 重大政策事件的分類、定義與說明

與現有研究不同，本文所界定的金融監管政策獨立于經濟政策和國內資訊，是后續研究的重點；經濟政策僅包含貨幣政策和財政政策；國內資訊指其他對股價影響較大的市場訊息。因此，本文界定的重大政策事件之間彼此不存在概念交叉或者分類不明的問題。

（五）匹配結構性變點和重大政策事件

表2匯總了結構性變點與重大政策事件的匹配結果。在所有的結構性變點中，金融監管政策對應的變點有11個，經濟政策對應的變點有5個，國內資訊對應的變點有2個，國際事件對應的變點有3個，分別占總樣本的52.38%、23.81%、9.52%和14.29%。不難發現，金融監管政策對應的變點占總變點的一半以上，明顯多于其他政策事件所導致的變點數，據此，初步推斷金融監管政策可能是導致上證綜指結構性突變的主要原因，也是造成滬市波動的關鍵因素。

表2 結構性變點與政策事件的匹配表

四、基于ARMA-EGARCH模型的實證研究

（一）平穩性檢驗

建模前需要先檢驗時間序列的平穩性。本文使用EViews10.0軟件進行ADF檢驗。如表3所示，ADF統計量在1%顯著性水平下拒絕原假設，說明序列不存在單位根，上證綜指日對數收益率序列即為平穩序列。

表3 ADF檢驗結果

（二）自相關檢驗

設置滯后階數為12，由自相關檢驗結果可知，序列的AC值和PAC值趨近于0，P值在滯后期大于2時均小于0.05，即在5%顯著水平上拒絕原假設，說明序列存在一定程度的自相關。

（三）ARMA模型定階

經檢驗，本文所研究序列的ACF值和PACF值具有拖尾性，選用ARMA(p,q)模型較為合理。同時，根據AIC準則與變量的顯著性，可以判斷ARMA(3,3)模型的擬合效果優于其他模型。

（四）ARCH效應檢驗

如表4所示，對ARMA(3,3) 模型的殘差序列進行ARCH效應檢驗，選取方法為拉格朗日乘數檢驗，即ARCH LM檢驗，設置滯后期為12，ARCH效應檢驗結果顯示：當滯后階數大于等于1時，F統計量和LM統計量對應的P值均為0.000，拒絕不存在異方差的原假設，說明該殘差序列存在一定的異方差性。

表4 ARCH LM檢驗結果

（五）基準模型：未考慮政策事件沖擊

綜合分析GARCH 模型、TARCH模型、EGARCH模型、ARMA-GARCH模型、ARMATARCH模型、ARMA-EGARCH模型的回歸結果可知，擾動項服從t分布的ARMA(3,3)-EGARCH(1,1)模型的擬合效果最好，其表達式詳見公式20和公式21。

均值方程：

方差方程：

（六）改進模型：考慮政策事件沖擊

為將重大政策事件的沖擊影響納入計量范圍，本部分增設四類重大政策事件變點的虛擬變量，簡稱為金融監管政策變點、經濟政策變點、國內資訊變點、國際事件變點。

改進后的ARMA(3,3)-EGARCH(1,1)模型詳見公式22和公式23。

均值方程：

方差方程：

將四類政策事件的虛擬變量引入模型后，會發現金融監管政策2、金融監管政策10、經濟政策3和國際事件1對應的虛擬變量均不顯著。

表5 改進后模型的擬合結果

（七）結果解析

改進模型的擬合結果表明重大政策事件是造成股價大幅波動的主要原因，金融監管政策的影響或強于其他重大政策事件。具體解析如下：

1.股市21次結構性突變中有17次與政策事件密切相關，即80.95%股市結構性突變可以用政策事件加以解釋，表明中國股市具有“政策市”的典型特征。進一步分析可知，17次政策事件中52.94%是金融監管政策，加之金融監管政策變點系數的絕對值相對較大，說明金融監管政策對股市的沖擊影響或高于經濟政策、國內資訊和國際事件，是造成上證綜指收益波動結構性突變的關鍵因素。

2.金融監管政策對股市波動的影響既有正向影響也有負向影響。如表6所示，金融監管政策3、6、8和9會加劇股市波動，金融監管政策1、4、5、7和11會降低股市波動，而金融監管政策2和10對股市波動無顯著影響。這說明并非所有金融監管政策都能達到預期的效果，股票市場反饋與政策預期效果間存在一定程度的背離。結合有效市場假說可知，目前中國股市不是成熟的資本市場，股市無法及時反映公開信息的全部影響，且金融監管政策在股票市場上的傳達或存在一定程度的低效率問題。

表6 金融監管政策沖擊對股市波動的影響

五、基于事件研究法的實證研究

（一）重新界定金融監管政策類型

基于前文解析結果，本部分將金融監管政策重新歸納為“促進政策”和“抑制政策”。如果金融監管政策事件預期會促使投資者參與股市的積極性，則視同“促進政策”；反之，視同“抑制政策”，詳見表7。這樣分類是為了探究不同金融監管政策對股市波動的異質性影響，從而評估金融監管政策的頒布與實施是否具有效率。

表7 金融監管政策類型

（二）設定政策事件日、估計期與事件期

本文所選政策事件日是政策事件發生當日，但有2個除外。金融監管政策9和10分別發生于2015年6月13日（星期六）和2016年1月1日（元旦），故對應的政策事件日選取事件發生日后的第一個交易日。

就事件期而言，選取事件發生日前20個交易日為事前檢驗期，后20個交易日為事后檢驗期。

就估計期而言，考慮到金融監管政策發生的時間間隔不盡相同，故金融監管政策1、2、3、4、5和10的估計期取事前檢驗期前40個交易日，金融監管政策11的估計期取事前檢驗期前90個交易日，金融監管政策7的估計期取事前檢驗期前150個交易日，金融監管政策6、8和9的估計期取事前檢驗期前180個交易日。

（三）結果解析

本部分將滬市波動對金融監管政策的反應程度總結為無明顯反應、反應不足、充分反應和反應過度等四種類型。如表8所示，當面對促進政策的沖擊時，股票市場會表現為反應不足、充分反應或反應過度；當面對抑制政策的沖擊時，股票市場會表現為無明顯反應、反應不足和反應過度。囿于篇幅有限，在此選取四個典型案例進行簡要分析。

表8 事件研究法結果概覽

1.無明顯反應。滬市波動對金融監管政策無明顯反應，以金融監管政策2為例。該政策屬于抑制政策，具體內容為“加強證券投資基金監管”。政策事件日為1998年9月23日，估計期為1998年7月2日至1998年8月25日，事件期為1998年8月26日至1998年10月23日。

如圖2所示，CAR在事前檢驗期內呈上升趨勢，當該抑制政策事件發生時，CAR依舊延續上漲趨勢，未出現預期的回落態勢。事件窗口的CAR為16.26%，SCAR為7.86，檢驗統計量在5%水平上顯著。因此，滬市波動對“加強證券投資基金監管”無明顯反應。

圖2 無明顯反應的案例：金融監管政策事件2

2.反應不足。滬市波動對金融監管政策反應不足，以金融監管政策1為例。該政策屬于促進政策，具體內容為“召開全國證券監管工作會議”。政策事件日取1998年1月13日，估計期為1997年10月20日至1997年12月11日，事件期為1997年12月12日至1998年2月24日。

如圖3所示，CAR在事前檢驗期內于波動中上升，說明市場在會議召開前已經開始預熱。CAR在政策事件日當日急劇下跌，在事后檢驗期內波動上升，直至第12日才開始呈現回落趨勢，事件窗口的CAR為3.36%，SCAR為2.27，檢驗統計量在5%水平上顯著。在會議召開后，市場的累積異常收益率顯著不為0。如果中國股市是半強有效市場，理應在促進政策發生后就能消化該政策的影響，但事實并非如此，該項政策的促進作用維持了至少12日，說明股票市場并沒有及時消化促進政策的沖擊影響，市場上存在明顯的超額收益，尚未達到半強有效。因此，滬市波動對“召開全國證券監管工作會議”反應不足。

圖3 反應不足的案例：金融監管政策事件1

3.充分反應。滬市波動對金融監管政策充分反應，以金融監管政策7為例。該政策屬于促進政策，具體內容為“停止國有股減持”。政策事件日為2002年6月24日，估計期為2001年9月27日至2002年5月24日，事件期為2002年5月27日至2002年7月22日。

如圖4所示，CAR在事前檢驗期內先下跌后回升至0，并保持小幅震蕩，在政策事件日當日跳躍式上漲至高位，在事后檢驗期內持續高位波動。事件窗口的CAR為12.15%，SCAR為6.30，檢驗統計量在5%顯著性水平上顯著。一方面說明金融監管政策7對股票價格起到了促進作用，另一方面也表明資本市場及時消化了金融監管政策7的正向影響。換而言之，資本市場已經對金融監管政策7做出了充分反應。借鑒Fama在1970年的研究可知，市場對公開政策做出充分反應，說明市場在一定程度上具有政策效率。

圖4 充分反應的案例：金融監管政策事件7

4.反應過度。滬市波動對金融政策事件反應過度，以金融監管政策4為例。該政策屬于促進政策，具體內容為“批準險資入市和國有股減持方案”。政策事件日為1999年10月27日，估計期為1999年7月29日至1999年9月21日，事件期為1999年9月22日至1999年11月24日。

如圖5所示，CAR在事前檢驗期內呈現明顯下降趨勢，在政策事件日當日跳躍式上漲至高位，在事后檢驗期內繼續保持下降趨勢。事件窗口的CAR為-13.34%，CAR為-9.23，檢驗統計量在5%顯著性水平上顯著。這說明股票市場受到該促進政策沖擊后，累積異常收益率并沒有出現預期的上漲趨勢，反而在促進政策發生后進行反向修正，表明股票市場對該項政策事件反應過度。

圖5 反應過度的案例：金融監管政策事件4

綜上所述，上證綜指能對金融監管政策事件做出較為明顯的反應，具有“政策市”的典型特征；但并非所有的金融監管政策都能達到預期的效果，這也意味著滬市存在一定程度的金融監管低效率的問題。

六、結論

本文針對中國股市是否為“政策市”的問題展開實證研究。實證結果表明：（1）上證綜指的波動具有一定的集聚性和非對稱性；（2）滬市易受政策事件的影響，具有較強的“政策市”特點；（3）金融監管政策事件對滬市波動的沖擊影響明顯大于其他政策事件，是導致滬市波動的關鍵因素；（4）滬市受到金融監管政策沖擊時基本體現為無明顯反應、反應不足、充分反應或反應過度，但會對“停止國有股減持”這一促進政策充分反應。這意味著金融監管政策干預并沒有達到預期的效果，中國股市或存在金融監管低效率的問題?；诖耍ㄗh當局不斷完善金融市場制度建設，謹防系統性金融風險的發生。