摘 要：本文基于2022年7月—2024年12月中證1000股指期貨、ETF（IOPV）及現(xiàn)貨的5分鐘高頻數(shù)據(jù)，通過協(xié)整檢驗、VECM模型和永久短暫模型（PT）對比分析三者的價格發(fā)現(xiàn)功能。結果顯示：期貨、ETF與現(xiàn)貨存在長期協(xié)整關系，且三個市場中每兩個市場之間存在雙向引導，短期價格偏離由期貨主導修正，調整速度略高于現(xiàn)貨，顯著高于ETF；價格發(fā)現(xiàn)貢獻度排序為期貨（41.55%）、現(xiàn)貨（39.33%）和ETF（19.12%），期貨與現(xiàn)貨共同承擔主要信息傳遞功能，ETF貢獻較弱。研究表明中證1000股指期貨在價格發(fā)現(xiàn)中占據(jù)核心地位，而ETF市場效率有待提升。

關鍵詞：中證1000股指期貨；中證1000ETF；VECM模型；Johansen協(xié)整檢驗

一、引言

價格發(fā)現(xiàn)功能是衡量金融市場運行效率的核心維度，反映了市場信息融入資產價格的動態(tài)過程。作為重要的風險管理與投資工具，股指期貨與ETF的價格發(fā)現(xiàn)功能直接影響市場定價效率及資源配置效果。現(xiàn)有研究多聚焦成熟市場或大盤指數(shù)（滬深300），對中小盤指數(shù)衍生品的價格發(fā)現(xiàn)機理探討不足。中證1000指數(shù)作為中國中小盤股票的代表性寬基指數(shù)，其期貨與ETF產品于2022年同步上市，為檢驗新興衍生品市場的價格發(fā)現(xiàn)功能提供了獨特樣本。

盡管已有文獻證實期貨市場在價格發(fā)現(xiàn)中常具有領先優(yōu)勢，但ETF通過套利機制在理論上應與現(xiàn)貨緊密聯(lián)動。然而，針對中小盤指數(shù)，特別是期貨、ETF與現(xiàn)貨三者的動態(tài)交互關系尚缺乏高頻數(shù)據(jù)層面的系統(tǒng)論證。本文基于2022年7月—2024年12月的5分鐘高頻數(shù)據(jù)，運用Johansen協(xié)整檢驗、VECM模型和永久短暫模型，首次對中證1000股指期貨、ETF的實時參考凈值（IOPV）及現(xiàn)貨市場的價格發(fā)現(xiàn)貢獻進行多維度比較。研究發(fā)現(xiàn)，期貨市場在修正價格偏離與信息傳遞效率方面略優(yōu)于現(xiàn)貨市場，顯著優(yōu)于ETF，揭示了衍生品市場結構差異對價格形成機制的關鍵影響。本文深入探究了中證1000股指期貨、中證1000ETF及中證1000指數(shù)在價格發(fā)現(xiàn)機制上的傳遞效率，旨在為投資者及政策制定者提供理論依據(jù)，以準確識別多市場間的長期均衡機制與短期波動關聯(lián)。

二、文獻綜述

國外的股指期貨市場和交易所交易基金市場相對成熟，因此對股指期貨市場和基金市場價格發(fā)現(xiàn)的研究較早。Chu等（1999）對Samp;P500及其相關期貨和ETF基金之間的價格關聯(lián)展開研究，發(fā)現(xiàn)期貨在價格發(fā)現(xiàn)進程中表現(xiàn)顯著。Mahmod Qadan等（2012）對波動時期 ETF 基金及其標的指數(shù)的長期關聯(lián)性進行實證分析，證實二者存在長期均衡聯(lián)系。Ivanov等（2013）分析DJIA、Samp;P500等指數(shù)及其期貨與 ETF 的價格發(fā)現(xiàn)關系，發(fā)現(xiàn)指數(shù)現(xiàn)貨處于引領地位，且 ETF 也具有價格發(fā)現(xiàn)功能。Amrit Judge等（2014）對泰國股指期貨和現(xiàn)貨的日數(shù)據(jù)間價格關系進行分析，發(fā)現(xiàn)股指期貨價格能夠發(fā)揮價格發(fā)現(xiàn)作用。Kharbanda V等（2017）對印度期貨和現(xiàn)貨外匯（FX）市場之間的領先滯后關系進行研究，發(fā)現(xiàn)兩者存在長期均衡關系且期貨市場引領價格發(fā)現(xiàn)。

盡管我國股指期貨市場起步較晚，但學界已針對股指期現(xiàn)價格發(fā)現(xiàn)機制展開多維度研究。受市場環(huán)境異質性影響，國內外相關結論存在顯著差異。華仁海和劉慶富（2010）基于高頻數(shù)據(jù)的實證分析表明，我國股指期貨與現(xiàn)貨市場存在長期均衡關系及雙向引導機制，其中期貨市場在價格發(fā)現(xiàn)效率上具有顯著優(yōu)勢。YANG等（2012）基于滬深300股指期貨上市初期數(shù)據(jù)，發(fā)現(xiàn)期貨價格和現(xiàn)貨價格存在相互引導關系，但現(xiàn)貨市場價格發(fā)現(xiàn)能力優(yōu)于期貨市場。蔣勇等（2014）等基于結構變點分析，發(fā)現(xiàn)中國股指期貨推出初期，期貨引導現(xiàn)貨，變點后現(xiàn)貨主導。李政等（2016）采用動態(tài)遞歸樣本和全樣本分別研究，發(fā)現(xiàn)滬深300、上證50和中證500股指期貨市場在價格發(fā)現(xiàn)中均占主導地位。孫欣欣（2018）研究發(fā)現(xiàn)滬深300股指期貨市場的波動和跳躍幅度均較現(xiàn)貨市場大，且期現(xiàn)市場間聯(lián)動性強，期貨市場在一定程度上驅動現(xiàn)貨市場波動。黃金波等（2019）認為滬深300股指期貨市場在上漲和下跌過程中都具備價格發(fā)現(xiàn)功能，且在價格發(fā)現(xiàn)中處于主導地位。研究結果普遍認為，期貨市場的信息含量更豐富，并在信息傳遞上發(fā)揮主導作用；在價格發(fā)現(xiàn)機制中，期貨相對于現(xiàn)貨展示出更加顯著的作用，體現(xiàn)了其顯著的價格發(fā)現(xiàn)功能。

由上述可知，相較于國內學者，國外學者研究范疇更為寬泛，內容更為多元，對三類市場均展開探討并得出差異化結論；國內學者則主要聚焦期貨與現(xiàn)貨價格關聯(lián)或現(xiàn)貨與基金價格關系的研究，結論亦呈現(xiàn)多樣性，這或許是源于早期研究數(shù)據(jù)樣本有限或信息含量匱乏等因素。現(xiàn)有文獻較少將三類市場納入統(tǒng)一分析框架以考察其價格發(fā)現(xiàn)功能。鑒于此，本文采用計量模型構建三市場聯(lián)立分析體系，對股指期貨、ETF基金及指數(shù)現(xiàn)貨市場的價格發(fā)現(xiàn)功能展開實證研究，旨在分析市場間的聯(lián)動效應，為政策制定者提供參考依據(jù)，助力其制定更加合理的調控舉措，同時協(xié)助投資者把握市場間相互作用，做出適合自身的投資決策。

三、實證研究

（一）樣本及數(shù)據(jù)選取

本文采用了中證1000期貨、ETF基金和現(xiàn)貨價格的5分鐘高頻數(shù)據(jù)，數(shù)據(jù)來自新浪財經。其中，期貨價格基于主力合約形成的連續(xù)合約指數(shù)，ETF基金選用的是場內ETF（南方中證1000ETF）的IOPV作為研究對象。中證1000股指期貨于2022年7月22日上市，本研究選取2022年7月22日—2024年12月31日作為樣本周期，涵蓋600個交易日。鑒于股指期貨、ETF與現(xiàn)貨指數(shù)在交易時段存在差異（9：15～9：30及15：00～15：15為非重疊交易窗口），為確保數(shù)據(jù)時序的一致性，對上述非同步交易區(qū)間進行過濾處理。保留的時間段為9∶30～11∶30與13∶00～15∶00，每個價格序列包含28461個5分鐘觀測數(shù)據(jù)，并將中證1000股指期貨、ETF基金和現(xiàn)貨價格序列均進行了自然對數(shù)化處理以減少異方差性，三個市場的價格的對數(shù)分別以LNIM、LNE和LNC代替，DLNIM、DLNE和DLNC分別表示對數(shù)價格收益率，即價格的一階差分。

（二）ADF平穩(wěn)性檢驗

為防止時間序列數(shù)據(jù)出現(xiàn)“偽回歸”現(xiàn)象而對后期的數(shù)據(jù)研究造成影響，本文對所選的股指期貨、ETF基金和指數(shù)現(xiàn)貨價格的時間序列LNIM、LNE和LNC及股指期貨、ETF基金和指數(shù)現(xiàn)貨價格時間序列的一階差分序列DLNIM、DLNE和DLNC運用單位根檢驗方法對數(shù)據(jù)進行檢驗，以此判斷序列間是否存在長期均衡關系。

由表1可知，原始對數(shù)價格序列的ADF檢驗統(tǒng)計量在1%與5%顯著性水平下均未拒絕單位根原假設，表明LNIM、LNE和LNC三組序列均呈現(xiàn)非平穩(wěn)特征。經一階差分處理后，ADF統(tǒng)計量顯著小于臨界值，且P值均小于0.01，表明差分序列達到弱平穩(wěn)狀態(tài)并消除單位根效應。盡管原始序列在水平值層面存在非平穩(wěn)性，但其一階差分序列的平穩(wěn)性特征為構建三組變量間的長期均衡關系提供了統(tǒng)計基礎。

（三）Johansen協(xié)整檢驗

經前文驗證，DLNIM、DLNE和DLNC序列滿足同階單整條件，具備構建長期均衡關系的前提。但需通過計量經濟模型進一步檢驗協(xié)整穩(wěn)定性，本研究采用VAR框架下的Johansen協(xié)整檢驗方法。Johansen協(xié)整檢驗是一種基于向量自回歸（VAR）模型的統(tǒng)計方法，用于檢驗多個非平穩(wěn)時間序列之間是否存在長期均衡關系（即協(xié)整關系），并確定這種協(xié)整關系的數(shù)量（秩）。該方法由Soren Johansen提出，通過計算特征根和特征向量來檢驗協(xié)整向量的顯著性（通常使用跡檢驗Trace Test或最大特征值檢驗Max-Eigenvalue Test）。具體檢驗步驟如下：首先建立VAR模型，其次運用LR、FPE、AIC、SC及HQ五大信息準則

LR、FPE、AIC、SC及HQ是用于模型選擇和評價的幾種重要準則。其中，LR是基于似然函數(shù)的檢驗方法；FPE是一種用于模型選擇的準則，它考慮了模型的預測誤差和模型復雜度之間的權衡；AIC是一種廣泛使用的模型選擇準則，它在模型擬合優(yōu)度和模型復雜度之間進行權衡；SC準則考慮了樣本量對模型復雜度的影響，適用于樣本量較大的情況；HQ準則在模型選擇時提供了一種折中的方法，適用于樣本量中等大小的情況。

進行初步判斷，同時輔以向下檢驗法綜合確定最優(yōu)滯后參數(shù)，最終選定的滯后階數(shù)依據(jù)如下檢驗標準確定。

依據(jù)表2中信息準則的判別結果，各標準均指向4階滯后為最優(yōu)選擇。但考慮到Johansen協(xié)整檢驗相比VAR模型減少一個自由度約束，最終選定3階滯后作為檢驗參數(shù)，具體檢驗結果如表3所示。

基于協(xié)整分析結果，當原假設設定為至多存在單一協(xié)整關系時，在5%顯著性水平下未能拒絕原假設（P=0.0530），表明三變量間存在長期均衡關系。據(jù)此可構建向量誤差修正模型（Vector Error Correction Model，簡稱VECM模型）以開展動態(tài)關聯(lián)分析。

（四）VECM模型

前文分析證實了三變量系統(tǒng)滿足長期均衡關系的前提，但其短期動態(tài)調整機制仍需深入探討。具體而言，當LNIM、LNE、LNC受外部沖擊偏離長期均衡時，系統(tǒng)如何通過偏差修正機制實現(xiàn)均衡恢復，成為理解其價格發(fā)現(xiàn)功能的關鍵點。這一過程不僅能反映市場有效性，還是構建誤差修正模型的理論支撐。向量誤差修正模型（VECM）通過整合協(xié)整關系與誤差修正機制，針對LNIM、LNE和LNC構建的VECM表達式如下：

ΔLNIMt=α1ecmt-1+∑p-1i=1β1iΔLNIMt-i+

∑p-1i=1γ1iΔLNEt-i+

∑p-1i=1μ1iΔLNCt-i+ε1t

ΔLNEt=α2ecmt-1+∑p-1i=1β2iΔLNIMt-i+∑p-1i=1γ2iΔLNEt-i+∑p-1i=1μ2iΔLNCt-i+ε2t

ΔLNCt=α3ecm

t-1+∑p-1i=1β3iΔLNIMt-i+∑p-1i=1γ3iΔLNEt-i+∑p-1i=1μ3iΔLNCt-i+ε3t

式中Δ為一階差分，ecmt-1為誤差修正項，α1、α2、α3分別為各變量的誤差修正項的系數(shù)，ε1t、ε2t、ε3t為隨機擾動項；p-1為滯后階數(shù)；β、γ、μ分別為各變量滯后項的系數(shù)，基于變量滯后項的t統(tǒng)計量檢驗結果，可評估LNIM、LNE、LNC三者間的短期動態(tài)引導關系。

在向量誤差修正模型中，LNIM、LNE、LNC的均衡關系通過系數(shù)體現(xiàn)：系數(shù)絕對值反映系統(tǒng)對均衡偏離的修正速率，值越大表明修正強度越高，顯示變量在短期內具有更快的均衡恢復效率，這體現(xiàn)其吸收新信息的敏捷性及價格引導能力；系數(shù)正負指示調整方向，正號表示同向修正機制，負號代表反向修正機制，共同推動系統(tǒng)向長期均衡收斂。根據(jù)AIC、SC、LR準則，選擇3階作為最優(yōu)滯后階數(shù)，建立VECM模型，結果如表4所示。表4中第一列變量依次為：誤差修正項（ecm），反映系統(tǒng)偏離長期均衡狀態(tài)后的回調速度；滯后收益率項，包含中證1000股指期貨（DLNIM（-k））、ETF基金（DLNE（-k））及指數(shù)現(xiàn)貨（DLNC（-k））的1至3階滯后項（k=1，2，3），用于捕捉短期價格波動的動態(tài)傳導；常數(shù)項（C），模型中的截距項。

根據(jù)VECM模型估計結果，長期均衡關系中LNIM與LNE的誤差修正系數(shù)顯著為負，LNC的誤差修正系數(shù)顯著為正。這表明股指期貨及ETF對長期偏離存在微弱的負向修正效應，現(xiàn)貨指數(shù)則表現(xiàn)出小幅正向修正特征。按誤差修正系數(shù)絕對值排序|α1|gt;

|α3|gt;|α2|可知，當市場價格偏離均衡時，股指期貨的修正效率最高，現(xiàn)貨次之，ETF最弱，顯示期貨市場在價格調整中起主導作用。此外，α1與α3絕對值接近且統(tǒng)計顯著，表明期貨與現(xiàn)貨市場共同承擔價格發(fā)現(xiàn)功能，但期貨市場的價格引導能力略強于現(xiàn)貨市場。

從滯后差分項的系數(shù)來看，以5%顯著性水平為判斷標準，各方程滯后變量系數(shù)表現(xiàn)出顯著差異：中證1000股指期貨方程中，現(xiàn)貨收益率滯后二期與ETF收益率滯后三期系數(shù)顯著；中證1000ETF方程則顯示期貨收益率滯后三期及現(xiàn)貨收益率滯后二期顯著；中證1000指數(shù)方程內，期貨收益率滯后二期與ETF收益率滯后三期具有顯著性。從系數(shù)強度與統(tǒng)計顯著性綜合判斷，現(xiàn)貨方程中DLNIM二期滯后項的貢獻度高于期貨方程中DLNC二期滯后項，表明期貨對現(xiàn)貨的價格引導能力更為突出。進一步分析顯示，中證1000期貨與ETF存在雙向價格影響機制，但期貨價格變動領先于ETF；中證1000ETF與指數(shù)現(xiàn)貨間亦存在雙向引導關系，其中ETF價格變動較現(xiàn)貨提前5分鐘。

（五）價格貢獻度

在測度價格發(fā)現(xiàn)機制貢獻度的研究框架中，Gonzalo與Granger（1995）運用永久-短暫模型（Permanent-Transitory Model，以下簡稱PT模型）展開實證分析。PT模型基于共同因子理論框架，其核心觀點認為：由于股指現(xiàn)貨、期貨及ETF價格序列存在協(xié)整關系，其波動可視為由同一隨機驅動因子即隱含有效價格所主導。研究者指出，該公共因子反映了市場有效信息的集合，因此可通過測算各市場對公共因子的貢獻權重來評估其價格發(fā)現(xiàn)能力。在PT模型中，公共因子由三個市場價格序列的線性組合構成，各市場權重系數(shù)直接體現(xiàn)其對價格發(fā)現(xiàn)的貢獻程度。基于VECM模型的參數(shù)估計結果，可用PT模型量化三大市場的價格發(fā)現(xiàn)貢獻度：

PT1=α1α1+α2+α3

PT2=α2α1+α2+α3

PT3=α3α1+α2+α3

由表5可知PT1gt;PT3gt;PT2，即中證1000股指期貨的價格發(fā)現(xiàn)貢獻度最高，現(xiàn)貨次之，ETF基金最弱。

（六）格蘭杰因果檢驗

向量誤差修正模型（VECM）對三市場間的短期動態(tài)調整及長期均衡狀態(tài)進行了系統(tǒng)分析。在收益率序列滿足平穩(wěn)性條件的基礎上，本文進一步采用格蘭杰因果檢驗方法對其引導關系進行驗證，具體檢驗結果如表6所示。各檢驗方程P值均顯著小于0.05，在給定顯著性水平下均拒絕“不存在因果關聯(lián)”的原假設，表明DLNIM、DLNE、DLNC三變量間存在顯著的雙向因果關聯(lián)，即股指期貨、ETF基金與指數(shù)現(xiàn)貨互為格蘭杰意義上的因果關系。該結論與VECM模型短期分析結果相互印證，進一步證實了三者間存在相互引導的領先-滯后關系。

四、結論

本文基于5分鐘高頻數(shù)據(jù)構建計量模型，對中證1000股指期貨、ETF基金及現(xiàn)貨指數(shù)的價格引導效率進行研究，得出以下結論。其一，三市場間存在顯著的協(xié)整關系，表明其價格變動具有長期均衡特征。當市場價格偏離均衡時，股指期貨的均衡恢復效率最高，現(xiàn)貨市場次之，ETF基金調整最慢。其二，三市場中任意兩個市場間均存在雙向價格引導機制，其中期貨市場定價主導權明顯優(yōu)于基準指數(shù)，而現(xiàn)貨市場對ETF基金的價格引導效應相對有限。以上研究表明，中證1000股指期貨在價格發(fā)現(xiàn)中占主導地位，因此投資者可優(yōu)先通過關注中證1000股指期貨的市場信號進行風險管理與資產配置。

參考文獻

［1］CHU QC， HSIEH WG， TSE Y.Price discovery on the Samp;P500 index markets： An analysis of spot index， index futures and SPDRs ［J］.International Review of Financial Analysis，1999，8（1）：21-34.

［2］QADAN M，YAGIL J.On the dynamics of tracking indices by exchange traded funds in the presence of high volatility［J］.Managerial Finance，2012，38（9）：804-832.

［3］IVANOVS I，JONES F J，ZAIMA J K.Analysis of DJIA， Samp;P 500， Samp;P 400， NASDAQ 100 and Russell 2000 ETFs and their influence on price discovery［J］.Journal of International Financial Markets，Institutions amp; Money，2013，24（3）：171-187.

［4］JUDGE A，REANCHAROEN T.An empirical examination of the lead-lag relationship between spot and futures markets： Evidence from Thailand［J］.Pacific-Basin Finance Journal，2014，29：335-358.

［5］KHARBANDA V，SINGH A.Lead-lag relationship between futures and spot FX market in India［J］.International Journal of Managerial Finance，2017，13（5）：560-577.

［6］華仁海，劉慶富.股指期貨與股指現(xiàn)貨市場間的價格發(fā)現(xiàn)能力探究［J］.數(shù)量經濟技術經濟研究，2010，27（10）：90-100.

［7］YANG J，YANG Z，ZHOU Y.Intraday price discovery and Volatility Transmission in Stock Index and Stock［J］.The Journal of Futures Markets，2012，32（2）：99-121.

［8］蔣勇，王國長，吳武清.股指期貨的價格發(fā)現(xiàn)機制：基于結構變點分析框架［J］.財經科學，2014（6）：52-62.

［9］李政，卜林，郝毅.我國股指期貨價格發(fā)現(xiàn)功能的再探討——來自三個上市品種的經驗證據(jù)［J］.財貿經濟，2016（7）：79-93.

［10］孫欣欣.滬深300股指期貨和現(xiàn)貨市場關系研究——基于滬深日內高頻數(shù)據(jù)的視角［J］.上海經濟研究，2018（5）：81-92.

［11］黃金波，吳莉莉，胡蓉.滬深300股指期貨價格發(fā)現(xiàn)能力研究［J］.運籌與管理，2019，28（12）：144-152.

A Comparative Study on the Price Discovery Function of CSI 1000 Stock Index

Futures and ETFs——A Dynamic Analysis Based on High Frequency Data

CHEN Yingnan ZHANG Ming

（College of Economics and Management， Qinghai Nationalities University， Xining 810000， China）

Abstract：Based on the 5-minute high-frequency data of CSI 1000 stock index futures， ETF （IOPV） and spot from July 2022 to December 2024， this paper compares and analyses the price discovery function of the three through cointegration test， VECM model and permanent transient model （PT）.The results show that： （1） there is a long-term cointegration relationship between futures， ETFs and spot， and there is a two-way guidance between each two of the three markets， with short-term price deviations being corrected by futures-led correction， with a slightly higher speed of adjustment than that of spot， and significantly higher than that of ETFs; （2） price discovery contribution is ranked as futures （41.55%）， spot （39.33%） and ETFs （19.12%）， with futures and spot Futures and spot share the main information transfer function， and the contribution of ETF is weaker.The study shows that CSI 1000 index futures occupy a central position in price discovery， while ETF market efficiency needs to be improved.

Keywords：CSI 1000 Stock Index Futures; CSI 1000 ETF; VECM Model; Johansen Cointegration Test