沪深300股指期现市场多阶段波动溢出效应研究

沪深300股指期现市场多阶段波动溢出效应研究
——基于非对称BEKK-GARCH模型

摘 要： 本文选取2010年5月—2019年6月的五分钟高频收盘数据，分阶段地考察了沪深300股指期货市场和现货市场的波动溢出效应和非对称效应。实证结果表明，沪深300股指期货和股票现货在深度贴水前和深度贴水后均存在显著的双向波动溢出效应；在深度贴水期，市场间的波动溢出效应最小，且期货市场的历史波动对现货市场的溢出效应不显著。在不同阶段内，股票现货总是主导着市场间的波动溢出效应和非对称溢出效应。同时，由于市场对负面信息敏感度的提升，负面信息的非对称溢出效应逐渐增强。
关键词： 波动溢出； 非对称效应； 股指期货； 股票市场； BEKK-GARCH
一、引言
自沪深300股指期货推出以来，因其交易成本低、流动性强等特点，迅速成为股票市场重要的风险对冲工具。业界和学界的主流观点认为，股指期货所具有的价格发现和风险管理功能，将起到稳定股票市场的作用。然而，当股票市场的杠杆资金于2015年被驱出场外时，股票市场呈现出“断崖式”下跌的惨状，股指期货市场也进入对股票市场的持续深度贴水阶段。期间，沪深300指数期货对沪深300指数的最深贴水超过400元，平均贴水超过46元。中金所虽然于2015年先后两次出台相关规定以限制股指期货市场，导致其成交量骤降，但深度贴水现象仍然没有得到改善。
从表象来看，期货市场投资者持续看空股票市场，引领着股票市场不断下跌。伴随跨市场交易行为的信息溢出效应，以及投资者基于期现市场共同信息的交易决策，都可能在期货市场和现货市场间形成较强的波动关联性。如果股票市场的连续下跌源于股指期货市场的交易，那么股指期货市场将以强势的波动溢出效应影响着股票市场，从而助力了股票市场的波动。但是，强弱定论产生于对不同样本的对比分析，投资者在不同市场形态和经济环境下的决策行为影响着资产价格的变动趋势和波动程度，表现为波动关联性的变化。所以，波动溢出效应的研究不能仅着眼于极端市态的局部现象，需根据不同的市场阶段进行对比研究。
2017年以来，股指期货对股票现货的深度贴水现象逐渐消失，期货市场的交易限制被逐步“放宽”，交易活跃度有所回升，那么期现市场会呈现出怎样的波动溢出效应呢？与“危机”阶段和“危机”之前相比如何呢？对上述问题进行解析说明，需结合不同市态的样本形成多阶段对比分析，以明确期现市场的波动关联性和影响规律，突显股指期货和股票现货波动溢出效应的强弱特征和阶段性特征，为逐步“松绑”股指期货市场提供实证依据，亦为防范化解跨市场波动风险提供量化参考。
二、文献回顾
关于股指期货市场和股票市场波动溢出效应的相关研究，国内外现有的文献主要集中在实证研究方面，利用交易数据和计量模型来揭示期现市场波动性的内在联系。国外关于波动溢出效应的研究脉络与股票、期货市场在国际间逐步发展成熟紧密相关，部分研究集中在本土市场，另有部分研究关注发达市场和新兴市场之间的交互溢出。Tse(1999)[1]通过对道琼斯工业指数和指数期货的研究，发现现货市场和期货市场的波动都能够增加对方市场的波动，但期货向现货的波动溢出更显著，且负面消息能比正面信息导致更剧烈的波动。Karagiannis(2014)[2]以相同的模型方法捕捉到FTSE/ASE-20指数和股指期货的双向波动溢出效应，信息的双向传导也影响着两个市场的波动性，且现货市场对期货市场的溢出效应更大。Tao和Green(2012)[3]以动态条件相关系数表示波动溢出效应，实证分析表明，富时100指数及其股指期货间存在双向的波动溢出效应和非对称效应，这种非对称效应因市场微观结构的变化而增强。Maio等(2017)[4]通过构建BEKK-GARCH模型，研究了沪深300指数与沪深300股指期货于2010-2015年间的溢出效应，现货市场的波动溢出效应在双向溢出关系中更为突出，而且股指期货于“股灾”期间对指数的溢出效应与“股灾”前相比更小。
随着新兴资本市场的不断发展与日趋成熟，波动溢出效应研究进一步在国际(地区)间展开。Sim和Zurbreugg(1999)[5]着重分析了日本Nikkei 300股指期现货、澳洲All-Ords指数以及SPI指数期货之间的波动溢出效应，实证分析表明Nikkei 300股指期现货和All-Ords指数对SPI股指期货的波动溢出效应显著，Nikkei 300股指期现货还存在对澳洲All-Ords指数的波动溢出效应，但澳洲市场不存在对日本市场的波动溢出效应。Yarovaya等(2016)[6]以10个发达市场和11个新兴市场为研究对象，实证分析了区域间和区域内波动溢出效应。结果证明，相比于股票市场，股指期货市场对区域间的波动溢出更为敏感，亚洲市场对外部波动溢出的敏感度较低，发达市场内部的波动溢出效应比“发达市场—新兴市场”的波动溢出效应更明显。Chaker等(2017)[7]基于小波分析框架对11个发达市场和新兴市场的波动溢出效应进行了实证分析，该研究认为，新兴市场上存在由股指期货向股票现货的单向溢出现象，而发达市场在样本期内总是表现出双向的波动溢出效应。
国内关于股指期现货波动溢出效应的研究更侧重于沪深300股指期货和现货市场。以中国2015年“股灾”为节点，股灾前的研究集中于股指期货及其标的指数之间的内在联系。郭彦峰等(2009)[8]基于我国沪深300股指期货的仿真交易数据进行实证分析，研究结果表明，沪深300股指期现市场存在双向的波动溢出效应，期货市场会加剧现货市场的波动，而现货市场则起到了稳定期货市场的作用。但仿真交易数据有失市场真实性，无法确切地代表真实情况。我国沪深300指数期货正式推出后，刘庆富和华仁海(2011)[9]的实证分析表明，期现市场之间存在双向波动溢出效应，以现货市场对期货市场的波动溢出更为突出，且现货市场的消息对股指期货市场的溢出效应也更强。吴国平和谷慎(2015)[10]认为，股指期货市场和股票现货市场具有较高水平的动态相关性，但仅存在股票现货向股指期货的单向波动溢出效应。朱莉和高鹏(2016)[11]首先对1分钟高频数据进行降噪，再通过实证分析得出：在20期以内的领先滞后检验中，沪深300期现货市场呈现出显著的双向波动溢出效应，但溢出效应的强度随期限的延长而减弱。朱莉和刘向丽(2016)[12]在后续的研究中进一步分析了沪深300股指期货和指数于转融券实施前后的波动溢出效应。结果表明，现货向期货的单向溢出现象主要存在于转融券实施前，转融券后则呈现出显著的双向波动溢出效应。
“股灾”后，国内研究尝试从波动溢出的角度来探究两个市场于“股灾”期间的内在联系。杨林和杨雅如(2017)[13]基于VAR框架的研究结果表示，沪深300指数期货于“股灾”期间存在对现货市场的单向波动溢出，不排除股指期货对现货的“助跌”效应。周佰成等(2017)[14]构造了沪深300股指期现市场的净溢出指数，实证结果显示，期货市场表现出对现货市场的净溢出现象，波动溢出效应在剧烈波动期会增大，亦会伴随期货市场交易量的增加而增大。另有部分研究持相反观点。黄嵩等(2018)[15]将2011年5月至2016年12月的样本数据分为五个阶段，实证分析表明，两个市场在盘整期和“股灾”期存在双向的波动溢出效应，但股指期货在“股灾”期间的溢出效应小于现货市场的溢出，所以不能说明股指期货是造成“股灾”的原因。于瑞安等(2019)[16]认为，在“股灾”前后，股指期货市场对现货市场的波动溢出效应基本相同，两个市场的动态条件相关系数在“股灾”前后也无明显改变。袁媛和周志中(2019)[17]利用ACD-EGARCH模型对1分钟高频数据进行建模，认为股指期货市场在市场平稳期和股灾期都能够起到抑制股票市场波动的作用。
综上所述，现有研究主要涉及两方面：一是总体样本内股指期现市场的波动溢出研究以及非对称溢出研究；二是基于不同市态背景的波动溢出研究。但既考虑总体样本的波动溢出效应，又不掩盖波动溢出效应于不同阶段内的独有特征，并对比分析整体与阶段、阶段与阶段间波动溢出效应的相关文献尚不多见，而在此基础上还能考虑到非对称溢出的研究更少。
鉴于此，本文将依据中国股票市场和股指期货市场所历经的不同市态来构造多阶段非对称BEKK-GARCH模型，以考察股指期货和股票现货在总体样本内以及不同市态下的波动溢出效应和非对称效应，并通过DCC-EGARCH模型对波动相关性做稳健性检验。本研究的贡献主要体现在以下两方面：一是综合考虑股指期现市场间的波动溢出和正负消息的非对称效应；二是基于不同市态将样本数据分段建模，以考察波动溢出和非对称溢出的整体效应及阶段效应，明确期货市场和现货市场相互溢出的强度，及其在不同市态下的演变现象。
三、模型及数据
(一)模型的选择及说明
1.非对称BEKK-GARCH模型
波动溢出效应是指自身的波动性传播至外部的现象，一维的ARCH[18]或GARCH[19]类模型主要被用来刻画单变量自身的波动性，无法测度多变量之间的波动关联。多维GARCH模型提出后，多个主体间的波动相关性研究成为可能。因此，本文选取二元BEKK-GARCH模型，同时体现双变量的波动性以及两个变量之间的交叉影响[20]。由于金融市场上经常出现非对称波动现象，即负面信息的影响比正面信息的影响更大。所以，本文在BEKK-GARCH模型中添加非对称项[21]，以考察正负信息的非对称波动。同时，鉴于期货市场和现货市场之间的互动与引导关系[22-23]，波动溢出效应研究中的条件均值方程被设定为VAR过程[9，15]，即在股指期货市场与股票市场相互影响的基础上探讨波动情况，二元非对称BEKK-GARCH模型具体如下
Rt=δ+θ1Rt-1+θ2Rt-2+…+θiRt-i+εt
(1)

(2)
所有变量均以矩阵的形式表示，式(1)和式(2)分别代表条件均值方程和条件方差方程，本文主要关注条件方差方程。为条件(协)方差矩阵。为常数项矩阵。分别为ARCH项、GARCH项和非对称项的系数矩阵，非对称项μi,t-1(i=1或2)=min{εi,t-1,0}，系数衡量了负向冲击和正向冲击的非对称性。将式(2)由矩阵形式展开后可得
2β11β12σ12,t-1+2d11d12μ1,t-1μ2,t-1
(3)
2β21β22σ12,t-1+2d21d22μ1,t-1μ2,t-1
(4)

(5)
如式(3)，在变量1的条件方差方程中，影响变量1波动率的因素由六部分组成：扰动项平方的滞后项条件方差的滞后项非对称项的滞后项条件协方差(σ12,t-1)、扰动项的交叉项(ε1,t-1ε2,t-1)和非对称项的交叉项(μ1,t-1μ2,t-1)。扰动项的平方意为新息冲击或意外冲击，即由市场上的新信息所导致的集聚性波动；条件方差的滞后项表示前期的波动率，它对当前条件方差的影响表示为波动的持续性；非对称项衡量负面消息比正面消息引致的更剧烈的波动；扰动项的交叉项表示潜在的双向冲击；非对称项的交叉项表示负面信息的双向冲击。在式(3)中，变量2的新息冲击对变量1的影响由决定；变量2的波动率对变量1条件方差的影响由决定；变量2对变量1的非对称效应由表示。如果参数α12=β12=d12=0，则变量1的波动不受到变量2的影响，即所以，及衡量了变量2对变量1的波动溢出和非对称溢出效应。在式(4)中同理如变量2。
2.DCC-EGARCH模型
DCC-EGARCH模型由Engle(2002)[24]提出，能够很好地描述变量波动性的相关关系，通过拟合动态条件相关系数序列来体现波动性的时变关联特征，由相关系数的数值大小来表示波动关联性的大小，以反映波动溢出效应的强弱变化。二元DCC-EGARCH如下所示
Ht=DtPtDt
(6)
(7)

(8)
其中，分别代表单变量EGACRH(1, 1)过程的条件方差和时变标准差。单变量EGARCH(1,1)过程如下

(9)
其中，ai、bi和di分别为ARCH项、GARCH项的系数和非对称项的系数。I为示性函数，当εi,t<0时，I=1，否则I=0。单变量EGARCH必须满足ai+bi+di<1。Pt为条件相关系数矩阵，为Qt对角元素的平方根构成的对角矩阵。所以，两个市场之间在t时刻的条件相关系数可以表示为
(二)数据的选择及说明
我国目前有三支股指期货在市交易：沪深300股指期货、中证500股指期货和上证50股指期货。其中，沪深300股指期货的交易时间最长，市场规模和成交量最大；中证500指数和上证50指数分别代表了中小盘和沪市龙头企业，沪深300指数总体反映了沪深两市的股票行情，更具代表性。因此本文在实证分析中拟以沪深300股指期货和沪深300指数分别代表股指期货市场和股票市场。实证分析将选取沪深300股指期货主力连续合约和沪深300指数的五分钟收盘价，采样区间为2010年5月4日至2019年6月28日。由于2016年之前，股指期货市场比股票市场早开盘15分钟且晚收盘15分钟，为保持数据的一致性，参考Tse(1999)[1]、刘庆富和华仁海(2011)[9]和朱莉和高鹏(2016)[11]的方法将这部分数据剔除。沪深300股指期货的收益率序列(RFt)和沪深300指数的收益率序列(RSt)由以下方法计算所得：RFt=100*ln(CFt/CFt-1)，RSt=100*ln(CSt/CSt-1)。其中，CFt和CSt分别代表期货市场和现货市场的5分钟收盘价，样本容量均为106 848。出于在不同市态下研究波动溢出效应的目的，本文根据实际市场的运行状况将样本数据分段并命名为深度贴水前(2010年5月4日至2015年6月5日)、深度贴水期(2015年6月8日至2016年12月30日)和深度贴水后(2017年1月3日至2019年6月30日)，样本容量分别为59 328、18 480和29 040。实证分析所使用的统计软件为Winrats 9.2。
四、实证分析
(一)描述性统计与相关检验
1.总体趋势
RF和RS的均值在全样本区间内均为正，但绝对值与其他三个子区间相比最小；深度贴水期内，RF和RS的均值为负，但其绝对值与全样本和其他子区间相比最大，意味着沪深300股指期货的价格和沪深300指数在该阶段内呈急速下跌趋势；虽然深度贴水前和深度贴水后的收益率均值为正，但其绝对值远小于深度贴水期。所以，正是由于沪深300股指期货和沪深300指数在深度贴水期内的严重下跌，冲抵了其他阶段内的收益。使得全样本内的平均收益率虽为正值但远远小于深度贴水前的平均收益和深度贴水后的平均收益。
表1 描述性统计与检验

注：***表示1%的显著性水平。
2.波动程度
全样本和各阶段内，RF的标准差均大于RS的标准差，则股指期货市场的波动程度大于股票市场；RF和RS在深度贴水期内的标准差最大，这表明沪深300指数及其股指期货在深度贴水期内波动程度最大；RF和RS在深度贴水后的标准差小于深度贴水前的标准差。所以，沪深300股指期货和沪深300指数总体上呈现出从“小幅波动”进入“剧烈波动”后，又恢复到波动程度更小的水平。
3.分布状态
RF和RS在深度贴水前和深度贴水后均为左偏态；在全样本和深度贴水期内，RS均呈现左偏，RF则为右偏。各序列的峰度均超过3，JB统计量也显示所有序列均拒绝正太分布的假设，具有“尖峰厚尾”特征。这一特征可能致使参数估计在多元正态分布假设下出现偏差，故在参数估计时考虑误差服从T分布。
4.基本检验
采用ADF方法分别对四组样本内的八个收益率序列进行单位根检验，所有序列都拒绝了含有单位根的假设，均为平稳时间序列。在BEKK-GARCH模型的均值方程中，根据BIC准则，VAR过程的滞后期分别为7期、7期、6期和7期。提取出四个VAR过程的八个残差序列进行ARCH效应检验，结果表明所有残差平方序列均具有显著的自回归特征，收益率序列的波动与历史波动相关，具有ARCH效应，故所有序列满足GARCH类模型的建模基础。
(二)参数估计及波动溢出效应分析
基于不同市态，本文利用全样本和三个子样本构建了多阶段非对称BEKK-GARCH模型，考虑到数据的“尖峰厚尾”特征，在模型估计时设定误差服从T分布。表2-5为非对称BEKK-GARCH条件方差方程的参数估计结果。
1.全样本波动溢出效应和非对称溢出效应
表2 全样本BEKK-GARCH模型

注：**、***分别表示5%和1%的显著性水平，括号内为t值。
表2显示了沪深300股指期货(下称期货市场)和沪深300指数(下称现货市场)于全样本内的波动溢出效应和非对称效应，全样本模型涵盖了较为完整的样本数据，表现出期货市场和现货市场波动溢出效应的整体特征。如表2，衡量波动溢出效应的参数α12、β12、α21和β21均显著不为零。和分别表示期货市场和现货市场受到另一方新息冲击的溢出效应，来自现货市场的一单位冲击使得期货市场的波动率上升0.045 2单位期货市场上的一单位冲击能够使现货市场的波动率增加0.012 0单位因为所以期货市场受到现货市场新息冲击的溢出效应大于反方向的溢出效应。同时，则期货市场自身冲击所引起的波动小于来自现货市场的波动溢出；而意味着来自期货市场的波动溢出小于现货市场自身冲击所引起的波动。
和分别衡量期货市场和现货市场受到对方前一期波动的溢出效应，表示波动溢出的持续性。现货市场的前期波动率每增加一单位将使期货市场的波动率增加0.002 3单位期货市场的前期波动率每增加一单位将使现货市场的波动率增加0.000 4单位因为所以期货市场受到现货市场前一期波动的溢出效应大于反方向的溢出效应。同时，且则说明溢出自另一方的历史波动都小于市场自身的历史波动，自身历史波动的持续性更强。总体来看，期现市场间具有显著的双向波动溢出效应，但现货市场对期货市场的波动溢出效应更大。
衡量非对称效应的参数d11、d12、d21和d22显著不为零，说明期货市场和现货市场其中一方的负面消息都比正面消息会造成更剧烈的波动。来自现货市场的一单位负面冲击将使期货市场的波动率多上升0.037 1单位来自期货市场的一单位负面冲击将使现货市场的波动率多上升0.020 7单位由于则现货市场对期货市场的非对称效应大于期货市场对现货市场的非对称效应；且意味着期现市场之间溢出的非对称效应大于自身的非对称效应。
2.深度贴水前的波动溢出效应和非对称溢出效应
表3 深度贴水前BEKK-GARCH模型

注：***表示1%的显著性水平，括号内为t值(下同)。
表4 深度贴水期BEKK-GARCH模型

表3显示了期货市场和现货市场于深度贴水前的波动溢出效应和非对称效应。衡量波动溢出效应的参数α12、α21、 β12和β21均显著不为零。就新息冲击的波动溢出效应而言，来自现货市场的一单位冲击使得期货市场的波动率上升0.054 8单位期货市场上的一单位冲击能够使现货市场的波动率增加0.016 0单位就历史波动率的溢出效应而言，现货市场的前期波动率每增加一单位将使得期货市场的波动率增加0.002 7单位期货市场的前期波动率每增加一单位将使得现货市场的波动率增加0.000 6单位0.000 6)。两个市场于深度贴水前的波动溢出效应和全样本内的总体效应具有相同的特征。
对于非对称效应而言，参数d11、d12、d21和d22显著不为零，来自现货市场的一单位负面冲击将使期货市场的波动率多上升0.015 6单位来自期货市场的一单位负面冲击将使现货市场的波动率多上升0.012 0单位表示现货市场对期货市场的非对称溢出效应大于反方向的非对称溢出效应。与全样本模型的不同之处在于，该阶段内但意味着现货市场对期货市场的非对称效应小于期货市场自身的非对称效应，而期货市场对现货市场的非对称效应大于现货市场自身的非对称效应。
3.深度贴水期的波动溢出效应和非对称溢出效应
表4为期货市场和现货市场于深度贴水期的波动溢出效应和非对称效应。就新息冲击的波动溢出效应而言，α12和α21均显著不为零，来自现货市场的一单位冲击使得期货市场的波动率上升0.019 6单位期货市场上的一单位冲击能够使现货市场的波动率增加0.005 8单位对于历史波动的溢出效应而言，β12显著不为零，但β21不显著(伴随概率等于0.104)，意味着期货市场的历史波动不存在对现货市场的持续性影响，除此之外的波动溢出效应特征与全样本和深度贴水前一致。
对于非对称效应，参数d11、d12、d21和d22显著不为零。来自现货市场的一单位负面冲击将使期货市场的波动率多上升0.086 3单位来自期货市场的一单位负面冲击将使现货市场的波动率多上升0.031 9单位因为所以现货市场对期货市场的非对称溢出效应大于反方向的非对称溢出效应。与前述模型不同的是，且这表明现货市场对期货市场的非对称溢出效应大于期货市场自身的非对称效应，但期货市场对现货市场的非对称溢出效应小于现货市场自身的非对称效应。
4.深度贴水后的波动溢出效应和非对称溢出效应
表5 深度贴水后BEKK-GARCH模型

表5为期货市场和现货市场于深度贴水后的波动溢出效应和非对称效应。衡量波动溢出效应和非对称效应的参数α12、β12、α21、β21、d11、d12、d21和d22均显著不为零。就新息冲击的波动溢出效应而言，来自现货市场的一单位冲击使得期货市场的波动率上升0.040 8单位期货市场上的一单位冲击使现货市场的波动率增加0.021 1单位就历史波动率的溢出效应而言，现货市场的前期波动率每增加一单位将使得期货市场的波动率增加0.004 6单位期货市场的前期波动率每增加一单位将使得现货市场的波动率增加0.001 3单位就非对称溢出效应而言，来自现货市场的一单位负面冲击将使期货市场的波动率多上升0.080 5单位来自期货市场的一单位负面冲击将使现货市场的波动率多上升0.031 1单位波动溢出效应的特征和非对称效应的特征与全样本模型一致，不再赘述。
(三)多阶段波动溢出效应的对比分析
第一，四组模型中，和始终显著不为零，意味着期货市场和现货市场在各阶段内都存在新息冲击所导致双向的波动溢出效应。市场面临短期新息冲击时，投资者集中对这一因素做出反应，市场产生集聚性的波动，犹如水平面受到外物冲击，在集中区域内形成波纹。期现货之间基于的双向波动溢出效应，体现了期货市场和现货市场的内在联系。
首先，期货市场的价格将形成对现货市场未来价格的预期，两者在同一时空下受相同因素的冲击时，现货的价格变动会令投资者进一步调整预期，进而带动期货市场的价格变动，期现货价格的持续变动则形成市场间的波动传递。
其次，波动的传递或溢出，主要源自与产品价格相关的信息在期现货市场间传递。市场信息包括现货市场成分股的会计报告、董事会决议和重大事项的临时报告等内在价值信息，现货市场的价格趋势、成交量、期货市场的价格趋势、合约成交量和持仓量等交易信息，以及期现市场的交易制度、交易政策等市场运行信息。众多信息在期现市场间汇聚和传递，投资者基于市场信息做出买卖决策，形成短期集聚性的价格波动并在期现市场间传递。
最后，不同于商品期货市场，股指期货及股票等金融资产的价格因参与者的实时交易而具有“易变性”，其实质为价格对市场信息的快速反应。而金属、能源以及农产品等实物资产的价格不具有实时变动的属性，与商品期货的实时联动性不强。所以，股指期现市场的价格引导和实时交易令波动在市场间实时传递，形成显著的双向波动溢出效应。波动溢出效应没有因外部环境的不同而被阻断，所以市场条件或外部环境不是促成或阻断集聚性波动溢出效应的原因。
第二，总体来看，现货市场对期货市场的波动溢出效应更大，这一特征存在于市场运行的所有阶段。同时，均大于说明来自现货市场的新息冲击比期货市场自身的新息冲击更强烈；而均远远大于则现货市场以自身的冲击为主。换言之，从股指期货上市至今，股票市场的波动溢出总体上占据着强势地位，形成这一现象的主要原因可能在于期货市场和现货市场的市场规模以及价格变动机制的不同。
首先，股票市场的市场规模更大，投资门槛较低，散户比重较高。上市交易9年的期货市场，其市场规模远小于发展了近30年的现货市场。所以，来自期货市场的冲击难以在现货市场的“大海”中激起 “浪花”。此外，由于我国股票市场的散户比重远远高于西方发达国家，因此极易产生羊群效应，将股票市场中的波动放大。
其次，期货市场和现货市场的价格变动机制不同。股指期货合约的价格波动由买卖行为直接导致，沪深300指数的变动则由其所包含的300只股票共同决定。沪深300指数的波动能够直接为沪深300指数期货的交易提供基础，从而影响到沪深300指数期货的价格。而沪深300指数期货的波动无法直接作用于沪深300指数，必须先对其成分股产生影响，进而反映到沪深300指数中。因此，现货市场对期货市场的影响更直接，致使现货市场对期货市场的波动溢出大于反方向的波动溢出。
第三，在深度贴水期内，参数 和均小于其他样本阶段，最小且不显著，意味着该阶段内两个市场的集聚性波动溢出效应最小，且现货市场对期货市场波动溢出的持续性较弱，处于市场进程中的最底端。而期货市场对现货市场的持续性波动溢出效应不显著，表现为现货市场对期货市场波动领先。实证分析的结果打破了期货市场助力现货市场波动的表象，在深度贴水期内，波动溢出效应反而最小，并小于全样本的总体水平。笔者认为，其主要原因如下。
首先，深度贴水期内的单市场交易行为居多，跨市场交易行为居少。现货市场处于剧烈波动下跌时期，对期货空头十分有利。但是市场上的多、空仓位必须一一匹配，期现市场均处于对信息和价格走势的敏感时期，所以期货市场很难建立大量空仓，而现货市场的空方也难以匹配到多方，所以通过压低现货市场价格以期获利于期货市场的行为难以实现。若套利者期望以期货空头和现货多头的方式来获利，就必须做多正在下跌的股票现货，而由于现货市场的急速下跌，存在现货市场损失超过期货市场收益的风险。所以，跨期市场交易行为较少，波动溢出效应也最弱。而期现市场更多地表现为单市场交易行为，信息的跨市场传递速度与正常市场情况下相比更迅速，跨市场间传递的滞后性被大大降低，两个市场的投资者能够更迅捷地基于期现市场的信息做出买卖决策。股指期货和股票现货市场的价格波动更多地表现为基于相同信息的“共振”，而非市场间以价格引导方式所呈现的波动传递。
其次，由于期货市场的交易受限，跨市场联动性减弱。中金所为了改善股指期货的深度贴水现象，曾于2015年多次限制股指期货市场的交易与开仓行为，导致股指期货合约的成交量下降超过90%，不仅限制了股指期货市场的流动性，还严重影响股指期货与股票市场的联动性，阻碍了市场间的价格引导。再加上股指期货和股票现货所表现的“共振”行为，导致市场间的波动溢出效应大大减弱，也导致期货市场历史波动率对现货市场影响得不显著。
第四，全样本模型的三个阶段内的非对称溢出效应也均与全样本模型一致，意味着现货市场在非对称溢出效应中占据强势地位。除了与市场规模和价格变动机制相关外，还与市场参与者有关。由于期货市场较高的准入门槛，股指期货产品的主要投资者多为专业机构投资者，其捕捉并利用现货市场信息的能力更强，对来自现货市场的负面信息更敏感。现货市场上众多散户的投资能力和相关专业素质欠缺，无法充分地发掘并利用来自期货市场的信息，对期货市场负面信息的敏感度和利用率较低。因此现货市场对期货市场的非对称溢出效应更大。
同时，期现市场之间的非对称溢出效应在深度贴水前小于全样本的总体水平，而在深度贴水期和深度贴水后骤增，远远大于全样本的总体水平。其中，以深度贴水期的非对称溢出效应最为突出。由于现货市场的“去杠杆”调整，维持股市上涨的大量资金被撤出，导致被资金追至“高位”的现货市场出现剧烈波动和“断崖式”下跌。所以期货投资者看空现货市场而出现深度贴水现象，令市场充斥着负面因素和悲观情绪，投资者对负面信息的敏感度提升，导致非对称溢出效应在该阶段处于较高的水平。深度贴水期之后，非对称溢出效应仅有略微减弱。面对国内经济增速的下行压力和国际经济条件的跌宕起伏，传递进证券、期货市场上的潜在负面信息有所增加，冲击了证券、期货市场参与者的投资信心，负面信息在市场上的存续时间也会有所延长。所以，股指期货和股票现货市场对负面信息的敏感程度仍然维持在相对较高的水平。
表6 WALD检验

(四)稳健性检验
1.参数估计检验
为确定多阶段BEKK-GARCH模型的参数估计是否准确，以保障波动溢出效应分析的稳健性，首先通过WALD方法，检验参数α12、α21、β12、β21、d12和d21是否同时为零。因为β21在深度贴水期内不显著，所以也对其估计结果的准确性进行检验。在WALD检验中施加的H0假设如下所示。
H1 α12=β12=d12=0，股票现货市场不存在对股指期货市场的溢出效应。
H2 α21=β21=d21=0，股指期货市场不存在对股票现货市场的溢出效应。
H3 α12=β12=d12=α21=β21=d21=0，股指期货市场与股票现货市场之间不存在溢出效应。
H4 深度贴水期β21=0，期货市场的历史波动不存在对现货市场的溢出效应。
如表6所示，深度贴水期内，β21服从其为零的原假设；四组模型均拒绝参数同时为零的原假设，检验结果与参数估计结果一致，证明了BEKK-GARCH模型估计的准确性。
2.波动溢出效应检验
通过构建二元DCC-EGARCH模型，并拟合出期货市场和现货市场波动的动态条件相关系数(Dynamic Conditional Correlation，DCC)，以DCC的时变特征表示期货市场和现货市场波动溢出效应的强弱变化。各阶段DCC序列的描述性统计如表7所示。
表7 动态条件相关系数描述性统计

如表7，全样本模型体现了波动相关性的总体水平，DCC的均值为0.820 4，意味着期货市场和现货市场的波动性具有较高的相关关系。深度贴水前和深度贴水后的DCC均值与全样本内相当，而深度贴水期内DCC的均值最小，意味着该阶段内期现市场的波动相关性最弱。DCC在深度贴水期内的标准差和极差显著高于其他两个阶段，表明DCC在该阶段内的波动程度最高。结合图1-4,DCC在深度贴水前和深度贴水后的波动程度较小，且基本维持在较高水平，表示期货市场和现货市场的波动溢出效应较强；而DCC在深度贴水期内难以维持较高水平并伴有剧烈波动，意味着该阶段内期货市场和现货市场的波动相关性极不稳定，波动溢出效应与其他阶段相比较弱。模型结果与多阶段BEKK-GARCH模型一致。

五、研究结论与政策建议
(一)研究结论
以股指期货市场于“股灾期间”对股票市场的持续深度贴水现象为出发点，本文旨在探索期现市场在不同市场形态下的波动溢出效应和非对称效应。基于期现市场的实际运行状况，将2010年5月至2019年6月的五分钟高频数据分为“深度贴水前”“深度贴水期”和“深度贴水后”，实证研究了沪深300股指期货与股票现货之间的多阶段波动溢出效应，得出以下结论。
(1)期货市场和现货市场的波动溢出效应表现为“双通道溢出”：新息冲击溢出和历史波动溢出。由于价格“易变”和价格关联，新息冲击的双向波动溢出效应始终存在于市场运行的所有阶段；除期货市场的历史波动对现货市场的溢出效应于深度贴水期内不显著外，历史波动的双向波动溢出效应均存在于全样本和其他阶段内。(2)我国股票现货的市场规模与股指期货市场相比较大，且期货市场的价格变动更为直观，故现货市场主导期现市场的双向波动溢出效应；除此之外，股指期货市场上更为专业的投资者能够更加敏感地捕捉来自现货市场的信息，所以现货市场对期货市场的非对称溢出效应更大。(3)深度贴水期内，不仅跨市场交易行为的难度和风险增加，还经受着股指期货的交易限制，现货市场与期货市场之间的波动溢出效应与其他阶段相比最小。(4)深度贴水期和深度贴水后，由于市场对负面信息敏感度的提升，则非对称溢出效应较强；深度贴水前的非对称溢出效应较弱，且小于全样本的总体水平。
(二)政策建议
波动溢出效应不仅让股指期货和股票现货承受来自对方市场的波动性冲击，还为跨市场风险的传染提供通道。单个市场上的风险因素通过波动溢出效应向外传递，可能在期现市场之间汇聚并被循环放大，形成市场间的内部系统性风险。鉴于此，本文提出以下建议。
对投资者而言，首先，投资能力较高的跨市场参与者需充分考虑期货市场和现货市场对彼此的影响程度，合理配置跨市场资产组合；单市场参与者不能将期货市场或现货市场看作独立个体，需重视期现市场之间的内在联系。其次，考虑到现货市场在波动溢出效应和非对称效应中的强势地位，期货市场参与者应多加关注现货市场，综合考虑两个市场的信息和交易情况并做出投资决策；虽然期货市场对现货市场的溢出效应较弱，但现货市场投资者也可以参考期货市场，特别是配置了标的指数成分股的投资者，需考虑从期货合约的成交量、价格走势等相关信息中挖掘有利于现货市场操作的决策依据。
对政策方而言，第一，由于股指期货和股票现货之间存在显著的双向波动溢出效应，任何单方面政策都为期现市场之间的波动传递提供了新的渠道。所以，政策方在干预市场时，应将股指期货和股票现货纳入统一的政策和监测框架下，从宏观审慎的角度考虑期现市场的整体性。在提高政策实施效果和监测效率的同时，防止波动溢出效应将期现市场政策不协调的负外部效应在市场间放大。
第二，鉴于股票市场对股指期货市场的影响程度更高，在逐步扩大和完善股票市场规模和建设的同时，也应进一步完善股指期货市场。我国股指期货市场与国外成熟市场相比，产品种类较为单一。鉴于股票市场在波动溢出效应中的强势地位，需进一步丰富股指期货产品，扩大股指期货市场的规模，为股市提供更丰富的风险管理工具和避险手段，全面疏导股票市场上的波动。
第三，考虑到股票市场和股指期货市场都对负面信息冲击的敏感程度逐渐增强，信息的发布与披露应审慎操作。如果信息发布不当，不仅单个市场可能因非对称性而产生更剧烈的波动，还可能因溢出效应而波及另一个市场。同时，监管方应重点监督证券、期货市场的信息披露义务，进一步促进市场信息的公开，防范信息型操纵行为所引起的异常波动在市场间传递，并通过非对称效应而放大。
第四，2015年“股灾”虽然与股指期货市场的关联性较少，但监管方仍不可对“恶意做空”或市场操纵等行为掉以轻心。在股指期货市场的交易限制被逐步放开的背景下，需加强期货市场和现货市场的实名制监管，提升对开仓和交易行为的监测效率，加强对境外资本的审核与追踪，防范和化解市场的异常波动风险。如再遇极端市态，可考虑重启期货市场的交易限制，预防“恶意”资本从中作乱，并考虑于危机后再对期货市场进行逐步“松绑”。
参考文献
[1]TSE Y. Price discovery and volatility spillovers in the DJIA index and futures markets [J]. Journal of Futures Markets, 1999, 19(8):911-930.
[2]KARAGIANNIS S. A further investigation of the lead-lag relationship in returns and volatility between the spot market and stock index futures: Early evidence from Greece [J]. Social Science Electronic Publishing, 2014.
[3]TAO J, GREEN C J. Asymmetries, causality and correlation between FTSE100 spot and futures: A DCC-TGARCH-M analysis [J]. International Review of Financial Analysis, 2012, 24:26-37.
[4]MIAO H, RAMCHANDER S, WANG T, et al. Role of index futures on China’s stock markets: evidence from price discovery and volatility spillover [J]. Pacific-Basin Finance Journal, 2017, 44: 13-26.
[5]SIM A B, ZURBREUGG R. Intertemporal volatility and price interactions between Australian and Japanese spot and futures stock index markets [J]. Journal of Futures Markets, 1999, 19(5): 523-540.
[6]YAROVAYA L, BRZESZCZYNSKI J, LAU C K M. Intra- and inter-regional return and volatility spillovers across emerging and developed markets: Evidence from stock indices and stock index futures [J]. International Review of Financial Analysis, 2016, 43:96-114.
[7]AOOUI C, HKIRI B, LAU M C K, et al. Information transmission across stock indices and stock index futures: International evidence using wavelet framework [J]. Research in International Business and Finance, 2018, 44: 411-421.
[8]郭彦峰,黄登仕,魏宇.我国指数期货与现货之间的价格发现和波动性外溢[J].管理评论,2009,21(8):13-22.
[9]刘庆富,华仁海.中国股指期货与股票现货市场之间的风险传递效应研究[J].统计研究,2011,28(11):84-90.
[10]吴国平,谷慎.中国股指期货和现货市场时变联动与波动溢出研究——基于DCC-MGARCH-VAR模型的实证分析[J].学术论坛,2015,38(10):66-70.
[11]朱莉,高鹏.高频股指期现货市场波动溢出效应研究——基于EEMD降噪和CCF检验[J].金融理论与实践,2016(3):85-88.
[12]朱莉,刘向丽.股指期现货市场间的信息溢出和相关性研究——基于ADCC-TGARCH模型和CCF检验[J].系统科学与数学,2016,36(4):487-501.
[13]杨林,杨雅如.股指期货是股灾的“幕后推手”吗——基于2015年股灾期间沪深300股指期货高频数据实证分析[J].财经理论与实践,2017,38(3):58-63.
[14]周佰成,侯丹,邵振文.我国股指期货市场与股票市场溢出效应研究[J].经济纵横,2017(8):118-123.
[15]黄嵩,肖一,金寿鹏.沪深300股指期货与现货多阶段波动溢出效应的实证研究[J].武汉金融,2018(7):15-20.
[16]于瑞安,张金林,杨小花.股指期货是否导致了2015年股灾的爆发?——基于股指期货与现货市场波动溢出效应分析[J].武汉金融,2019(4):53-56.
[17]袁媛,周志中.股指期货对现货市场微观结构影响研究[J].系统科学与数学,2019,39(3):353-364.
[18]ENGLE R F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation [J]. Econometrica, 1982, 50(4):987-1007.
[19]BOLLERSLEV T. Generalized autoregressive conditional heteroscedasticity [J]. Journal of Econometrics, 1986, 31(3):307-327.
[20]ENGLE R F, KRONER K F. Multivariate simultaneous generalized ARCH [J]. Econometric Theory, 2000, 11(1):122-150.
[21]KRONER K F, NG V K. Modeling asymmetric comovements of asset returns [J]. Review of Financial Studies, 1998, 11(4):817-844.
[22]陈焱,李萍,刘涛.股指期货与现货市场价格的互动、引导关系研究——基于沪深300股指期货的实证分析[J].中央财经大学学报,2013(2):25-30.
[23]宋科艳.我国股指期货与指数现货价格引导关系研究——基于非对称门限协整模型的分析[J].财经问题研究,2016(9):57-63.
[24]ENGLE R F. Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models [J]. Journal of Business & Economic Statistics, 2002, 20(3):339-350.