中国股市融资融券标的股票 “异质性波动率之谜”研究

刘莹 肖欣荣 王铎

摘   要：本文研究了中国A股市场融资融券标的股票的“异质性波动率之谜”，分别在我国融资融券制度推行初期和后期，构建了两阶段的双重差分回归模型，比较融资融券制度的政策效果。实证结果表明，在融资融券制度推行初期，两融标的股票“异质性波动率之谜”现象未能得到有效抑制。融资融券制度推行后期，A股市场融券交易总量快速增长，融资融券标的股票的“异质性波动率之谜”现象相对非融资融券股票得到明显抑制，这一抑制效应对于融券交易活跃的股票更为显著，说明融券交易的活跃程度对于抑制融资融券标的股票“异质性波动率之谜”现象起主要作用。

关键词：融资融券;异质性波动率之谜;双重差分模型

中图分类号：F830.91   文献标识码：A  文章编号：1674-2265（2019）11-0003-13

DOI：10.19647/j.cnki.37-1462/f.2019.11.001

一、引言

经典的CAPM理论认为，只有系统性风险可以被定价，而个别公司本身的异质性风险可以通过合理的组合配置充分分散，从而不具有风险补偿。Merton（1987）的研究则认为由于投资者获得信息的片面性和局限性，他们构建组合时会更多持有熟悉的股票，因此异质性风险没有得到充分分散，在这样的情况下，股票的异质性波动率与收益率间应具有一定的正相关关系。但是，Ang等（2009）通过对20个发达国家和地区的股票交易数据进行研究，发现异质性波动率较高的股票收益率反而较低，当在添加了更多控制变量后，上述结果仍显著。左浩苗等（2011）利用中国股票市场数据的实证研究，最终也证明了这种现象的存在。由于传统的CAPM模型无法解释异质性波动率与股票收益率的负相关关系，从而此现象被称为“异质性波动率之谜”。

Miller（1977）的异质信念理论认为，股票市场上充斥着持悲观信念以及乐观信念的交易者，两者分别在不同的情绪驱动下，产生卖出、买入股票的行为。但由于卖空限制的存在，对于价格高估的股票持悲观信念的投资者无法有效卖空，因此拉低股票的收益率。在学界，异质信念被认为是“异质性波动率之谜”的重要成因。国内学者虞文微和张兵（2017）的研究发现，在A股市场，套利限制较高的股票“异质性波动率之谜”更为显著。

2010年融资融券制度的引入，减少了A股市场两融股票的卖空限制，当投资者认为个股当期股价高估时，可以通过借入证券的形式进行卖空。2014—2015年间，A股市场融券交易总量超过1万亿，卖空交易在A股市场空前活跃。参与融券交易的多为专业投资者，同时这些投资者可能基于非公开的信息源进行交易，因此融资融券交易亦有价格发现、信息发现的功能（Karpoff，2010），这有助于减弱市场参与者的异质信念。

在此基础上，我们认为我国融资融券标的股票的“异质性波动率之谜”现象应得到抑制。在实证研究上，本文分别在融资融券初期和后期构建了两阶段的双重差分模型，以验证融资融券制度的政策效果。同时，本文在第二阶段的双重差分模型中，还提取了融券交易最活跃的前30%的股票样本，对所得到的结论进行了稳健性检验。

二、文献综述

（一）“异质性波动率之谜”相关研究

Campbell、Lettau、Malkiel和Xu（2001）最早将研究的目光从全市场系统性风险转向个股层面的异质性波动。他们在研究中尝试将美股市场的股价波动在市场、行业、个股层面剥离。在一个较长的时间窗口下，实证研究表明个股层面的波动有显著的上升趋势，而其余两个层面则没有这一特征，且个股层面波动对整体股价的波动影响最大。Campell等 （2001）的研究引起了众多学者的关注，进而推动部分学者开始进行个股层面异质性波动率与收益率相关关系的研究。比较经典且有影响力的是Ang等（2006、2009）使用全球多个发达地区股票市场数据，并利用Fama-French三因素模型回歸残差项的月度化标准差作为个股异质性波动率的测度变量，研究发现这一指标与个股的收益率呈显著的负相关关系。Zhi Su等（2018）则在研究中尝试构建了卖空高异质性波动率股票、买入低异质性波动率股票的套利策略，并发现这种策略长期可获得5%—7%的年化收益，验证了已有的结论。由于这一发现违背了传统资产定价模型“风险补偿”的概念，因此被称为“异质性波动率之谜”。

继Ang等（2006、2009）的研究之后，Han和Kumar（2008）同样利用传统的资产定价模型对个股层面的异质性风险进行了分离，并利用全球股票市场的交易数据验证了“异质性波动率之谜”的存在。Shengnan Liu等（2019）则通过构建GARCH模型研究了新兴股票市场的数据，并验证了异质性波动率和股票收益率的负相关关系长期稳定存在。其后也有部分学者并不认同“异质性波动率之谜”的存在，如Fu（2009）利用美国股票市场1963—2006年的交易数据，采用EGARCH模型计算股票的异质性波动率并发现所选取样本异质性波动率与截面收益率在长期表现为稳定的正相关关系。学界通过在全球更广泛市场、更长时间跨度的验证以及理论研究，普遍认可“异质性波动率之谜”的存在，并因此转而展开对其成因的研究。

针对“异质性波动率之谜”，Hou和K. Loh（2012）在研究中从投资者对彩票性股票的偏好、股票短期反转效应、公司未预期盈余等角度探寻其成因。通过实证检验，以上变量对“异质性波动率之谜”解释力达到了60%—85%，远高于以前的解释理论。他们认为这些解释因子也适用于更广泛的资产定价问题。Stambaugh 等（2014）则从另一个角度，利用估值指标对股票进行了分组，研究发现高估值组股票收益率与个股异质性风险成负相关关系，低估值组则正好相反，在市场整体角度看，由于卖空限制的约束，高估值组异质性风险与个股预期收益率的负相关性更强，因此整个市场股票的个股收益风险关系仍表现为负相关。且当市场情绪越高涨，这种负相关关系表现得越为显著。对于“异质性波动率之谜”，Ming Gu等（2018）从交易限制以及构建套利限制指数两个方面展开研究，并发现为了保护投资者的交易限制措施实际上加剧了市场异象、降低了市场有效性。亦有部分学者认为，以VIX指数为代表的市场恐慌情绪对“异质性波动率之谜”现象有显著影响，如Mahmoud Qadan等（2019）通过研究发现当VIX指数处于上行趋势时，美国股票市场的“异质性波动率之谜”现象更为显著。

对于“异质性波动率之谜”这一市场异象近年国内学者亦做了广泛而深入的研究。杨华蔚等（2009）采取了与Ang等（2006、2009）相似的方法，利用Fama-French三因素模型提取了个股层面的异质性波动率，并以我国A股市场股票交易数据为样本，验证了“异质性波动率之谜”现象的存在。此后还进一步使用EGARCH模型分离异质性波动率，同样发现了异质性波动率与个股收益率之间的负相关关系。国内的学者亦尝试对“异质性波动率之谜”的成因进行研究，如王小华等（2015）在已有研究的基础上，利用日股票最大收益率、反转效应、股票的偏度等对异质性波动率之谜做出了解释，并发现以上因素均有一定解释力。参考Stambaugh等（2014）对“异质性波动率之谜”方面的研究，赵胜民等（2017）利用股票的超额收益率作为股票估值标准，并进行打分分组，其实证研究的结果表明我国股票市场高估股票的异质性波动率与预期收益率的负相关性更强。虞文薇等（2017）则从套利限制的角度，选取价格涨跌限制、融资融券指标、股指期货指数等变量构建了套利限制指数，通过投资组合研究分析发现，套利限制较高的股票，其异质性波动率与预期收益的负相关更强，整体上与理论研究和经济直觉相符合。

（二）“异质性波动率之谜”成因相关研究

对于“异质性波动率之谜”现象，之前的学者从多个角度提出了解释。如从信息披露的角度而言，Jiang、Xu和Yao （2009）的研究认为，具有高异质性波动率的上市公司往往倾向于选择性地披露信息，有时会刻意隐瞒负面信息，这种行为拉低了该股票未来的收益。Boehme、Danielson、Kumar和Sorescu （2009）则通过研究发现，机构投资者或成熟投资者的持股比例，可能会影响个股“异质性波动率之谜”的程度，如机构投资者持股占比较高的个股，其股票收益与异质性波动率之谜的相关关系会由负转正，卖空交易量也会减小。Bali、Cakici和Whitelaw （2011）的研究则认为，“异质性波动率之谜”现象的主要成因是投资者对“彩票性股票”的偏好，在研究中他们使用股票过往最大收益作为代理变量，亦发现了其与股票收益率之间的负相关关系。对于这一观点，周皓等（2018）亦利用了中国市场的数据进行了检验。Berrada和Hugonnier（2013）则构建了信息不完备条件下的股票收益模型，并在研究中发现，当上市公司披露信息不够完善时，其“异质性波动率之谜”现象更明显。George J.Jiang（2019）的研究则发现，在新興股票市场，分析师覆盖较少的“股票异质性波动率之谜”现象更严重，分析师在上市公司信息披露中起到重要作用。

从行为金融学的视角，Miller（1977）在研究中提出，市场中的投资者同时存在乐观和悲观的预期，其中，悲观的投资者由于缺乏卖空的手段，因此无法消除股价高估的现象，由此导致了市场整体异质性波动率和股票收益率表现为显著的负相关关系。在此后Figlewski（1981），Lamont和Stein（2004），Chordia、Jostova和Philipov （2012）等人的研究中，上述观点亦被证实。对于“异质性波动率之谜”这一市场异象，Stambaugh、Jianfeng Yu和Yu Yuan（2013）则认为除了卖空限制导致的套利不对称性外，股票较高的异质性波动率还提高了套利的风险，因此市场的错误定价难以被校正。套利风险是市场异象产生的重要成因这一观点，并非由Stambaugh等（2013）首次提出，在此之前，学界对此已有充分研究，例如，套利风险是市账率异象的重要成因（Ali 等，2003）、套利风险增强了动量效应（Nagel，2005）、套利风险使得应计异象无法被消除（Mashruwala等，2006）等等。

（三）融资融券与异质性波动率相关研究

本文直接聚焦于研究融资融券制度对“异质性波动率之谜”这一股票市场异象是否有一定的抑制作用。之前的学者在相关研究中，指出了我国融资融券制度推行中涵盖标的多次扩容、多次调整的特征并广泛采用双重差分模型研究融资融券政策的效果，这均对本文的研究具有重要的参考意义。

如许红伟等（2012）就通过双重差分模型（Difference In Difference Model）对融资融券制度能否提高股市定价效率展开了研究，实证结果表明，融资融券制度对抑制市场单边快速下跌有较好的效果，但在单边上涨的市场中政策效果不显著。在融资融券对于我国股市定价效率的影响上，陈晨和林秉旋（2015）的研究更具有典型意义。该研究构建的定价效率指标包含信息含量（股票的异质性波动）和信息反应速度两个方面，同时相对于已有的文献扩大了样本的覆盖范围。通过构建双重差分模型，该研究发现融资融券的确改善了A股市场的定价效率，且改善效果体现在提高流动性、降低信息不完备程度等多个方面。同年，陈海强和范云菲（2015）就融资融券制度与股票波动率的关系展开了研究，该研究选取了首批试点的86只两融标的作为实验组，并通过DID模型发现融资融券政策正式推出后，实验组整体的波动率得到了有效的削弱。其中，融券制度对两融标的波动率有正向影响，但在实证期间内，融资交易占比过大，因而整体表现为负影响效应。

国内亦有部分文献，聚焦于研究融资融券制度对于股票异质性波动率关系的研究，但是鲜有文献尝试对于融资融券制度和“异质性波动率之谜”关系进行实证研究。例如肖浩等（2014）同样采取了DID模型，在实验组样本上选择了当期纳入融资融券范围的标的股票，同时将下一期纳入两融范围的标的股票作为控制组。因该研究所选择的时间窗口涉及多次扩容，故文章中建立了两个DID模型以检验政策效果。该研究发现融资融券制度有效降低了股票本身的异质性波动。与肖浩（2014）研究相似，虞文薇等（2017）选取两融第二次扩容标的为实验组，第三次扩容标的为控制组，研究发现两融政策使得处理组标的的异质性波动率以及异质信念代理变量——换手率明显降低，由此得出了政策有效的结论。

通过以上归纳整理，我们可以发现，目前国内大部分研究都并非直接讨论融资融券制度对“异质性波动率之谜”这一市场异象的直接影响，而是间接性地讨论了异质性波动率、换手率等代理指标在政策前后的变化。同时，大部分研究将样本选择集中在了一到两次扩容跨度内，很少有贯穿多次扩容的，因此研究结论可能有一定的局限性和片面性。本文充分借鉴了這两方面的经验。

三、数据及研究方法

（一）数据及处理方法

本文第一阶段双重差分模型（DID model）使用数据的时间窗口为：2008年12月到2011年6月。样本选择上实验组为首批纳入融资融券交易的90只股票，最终实证样本不包括金融行业和该时间跨度内被移入或移出融资融券范围的股票。对照组为2011年12月5日融资融券标的第一次扩容添加的股票，其中同样不包括金融行业以及在第一次到第二次扩容之间被移入或移出融资融券范围的股票。围绕融资融券制度在2010年3月正式落地推行，本文将实验期选为2010年4月至2011年6月，共15个月度;非实验对比期为自2008年12月至2010年2月，共15个月度。

本文第二个双重差分模型（DID model）使用数据的时间窗口为：2013年6月到2015年12月。实验组为2014年9月第四次扩容纳入融资融券交易的205只股票，参照第一阶段双重差分模型的数据处理方法，样本中剔除金融行业以及在该时间跨度内被移入或移出融资融券标的范围的相关股票。第二阶段双重差分模型对照组为2016年12月12日第五次扩容纳入融资融券范围的股票，同样不包括金融行业以及在时间窗口内有变动调整的股票。实验期为2014年10月至2015年12月①;非实验对比期为2013年6月至2014年8月。

本文实证部分涉及的融资融券个股交易数据及相关扩容名单来自万得金融证券数据库。在计算个股异质性波动率方面，需要的数据包括个股日度收益率、日度无风险收益率、交易所日度三因子数据等，以上数据均来自锐思数据库;日度数据需经清洗、去缺失值、合并等过程并经分组回归计算，得到月度化残差项标准差，即个股异质性波动率（IVOL）。在完成两个双重差分模型（DID Model）的过程中，作为控制变量的个股公司特征数据也来自锐思数据库。双重差分模型面板数据回归及相关检验在SAS和Stata中完成。

（二）研究方法及模型建立

1.  异质性波动率相关计算。本文采用了国内外研究“异质性波动率之谜”问题时被广泛使用的，提取Fama-French三因子模型中残差月度标准差的方法，以获得两阶段双重差分模型实验组、对照组股票的异质性波动率（IVOL）：

[Rit-rft=αit+βiMRmt-rft+siMSMBt+hiMHMLt+εit] （1）

其中，[Rit]表示第[i]只股票的日度收益率，[rft]表示日度的无风险收益，[Rmt-rft]表示日度的流通市值加权市场风险溢价因子，[SMBt]和[HMLt]表示日度的流通市值加权规模因子和账面市值比因子。[βiM]、 [siM]、[hiM]是第[i]只股票的月度三因子贝塔值，[εit]是第[i]只股票通过Fama-French三因子回归得到的日度残差项，按月度求标准差即可得到第[i]只股票的月度异质性波动率[IVOLiM]，即[IVOLiM]=[Std（εit）]。参考已有文献，一般认为异质性波动率满足随机游走过程假设。因此个股第m月的预期异质性波动率即其m-1月的异质性波动率，即[EIVOLiM]=[IVOLi，  M-1]。由于计算异质性波动率是完成后续实证工作的关键步骤，故展示样本分年度统计数据如下：

2. 双重差分模型。已有文献运用双重差分模型研究融资融券开通前后以及扩容的政策效果多有先例，如肖浩（2014）、虞文薇等（2017）的研究。融资融券业务开通运行以及渐次的扩容为本文使用双重差分模型检验其对两融标的“异质性波动率之谜”的影响提供了很好的实验条件。对于融资融券制度与“异质性波动率之谜”的研究，多次扩容为采用双重差分模型提供了独特的优越条件。

第一，两融业务正式开通以及多次扩容的具体时间点有绝对的外生性。第二，如果在扩容中被纳入融资融券标的范围，意味着此类股票与之前参与融资融券的股票并无本质差异，而仅仅是受到政策影响。因此，两融标的范围的多次扩大，使我们拥有了多组天然的实验组和控制组。在每一个双重差分模型中即期被纳入融资融券标的的股票被设置为实验组，下一期通过扩容进入两融范围的股票作为控制组。在此基础上，我们可以在不同的政策节点构建双重差分模型，以验证两融业务对“异质性波动率之谜”的影响，基本的DID模型如下：

[RiM-rft=α+β1Treatedi×EIVOLiM+β2Posti×EIVOLiM+β3Treatedi×Posti×EIVOLiM+Firmfixed+β4ControliM+εiM] （2）

其中[RiM-rft]表示对应股票样本在M月对应的月度超额收益。如果相关股票当期在融资融券标的范围内，那么被纳入实验组，[Treatedi]=1，否则为0。如果相关样本在实验期中，那么[Posti]=1，如果在非实验对比期为0。

[EIVOLiM]为个股[i]第[M]月预期异质性波动率。在利用面板数据进行双重差分回归的基础上，本文将考虑纳入个股的固定效应（需通过Hausman检验），并在模型中加入更多可能影响个股收益率的控制变量[ControliM];这些变量在已有对“异质性波动率之谜”的研究中被广泛采用，如虞文微等（2017）的研究，包括：（1）市净率（[PBiM]）：即Price-To-Book ratio，定义为股票当期每股价格与每股净资产的比值。（2）换手率（[TURNiM]）：在研究异质性波动率相关问题时，常用的指标有换手率和交易量，但由于交易量容易产生偏误，本文选择月度换手率作为控制变量（Boehme，2006;林虎和孙博等，2013）。（3）上一期的月度收益（[MOMiM]）：选取前一个月月度收益率作为控制变量，考虑到了中国股市的反转效应与动量效应（鲁臻和邹恒甫，2007）。

四、实证结果分析

（一）融资融券制度初期双重差分研究（2008—2011年）

1. 描述性统计。本文第一个双重差分模型的观测点样本总量为4862个，涉及股票总量达195只，实验期以及空白对比期时间跨度共30个月。通过观察表3的描述性统计数据可以发现，实验组股票市净率（PB）在非实验对比期最小值为0.88，最大值为19.84，平均值为4.58;在实验期最小值为0.87，最大值为22.04，平均值为4.01，这与首批纳入融资融券交易范围的股票以低估值蓝筹股为主的特征是相符的。同时，表3中对照组股票非实验对比期市净率均值为4.61，实验期均值为5.28，与实验组市净率取值水平较为接近。这说明选取第一次扩容的股票作为实验组的对照，具有合理性。

在双重差分模型中被选为控制变量的股票月度换手率（TURN），在已有文献中也被用作异质信念的替代指标。在表3的统计数据中，我们可以观察到实验组股票月度换手率最大值、平均值在实验期分别为2.38、0.29，相较于非实验对比期2.92、0.50的水平有明显下降。这说明融资融券制度的推行，在一定程度上削弱了市场上异质信念的存在。这与已有文献提供的研究结果是相符的。

进一步观察表3的描述性统计数据，我们可以发现，实验组预期异质性波动率（EIVOL）在实验期的最小值为0.004、最大值为0.053、平均值為0.016;在非实验对比期的最小值为0.005、最大值为0.049、平均值为0.019。实验组EIVOL平均值在融资融券政策退出后，有减小的趋势，这与已有文献研究的结果是相符的。另一方面，对照组异质性波动率（EIVOL）在实验期的最小值为0.004、最大值为0.053、平均值为0.019，整体水平上与实验组非常接近，非实验对比期均值水平为0.021，与实验组亦非常接近。这说明了该双重差分模型实验组、对照组的选取有一定的科学性，笔者在股票筛选和数据清洗过程中采取的处理方法是适当的。

在以上的描述性统计基础上，本文还进一步计算了实验组、对照组标的，在实验期、非实验对比期各月度等权重的异质性波动率平均值，该指标统计结果在图1中展示。整体而言，本文所选择样本的描述性统计结果基本验证了已有的研究结论，即融资融券的推出抑制了两融标的股票的异质性波动率水平，使得融资融券标的的定价效率有所提高。就图1展示的统计结果而言，该结论主要体现在以下两点上：

第一，实验组股票的异质性波动率等权重平均值在融资融券政策正式落地启用后的15个月中，除2010年8月外，其余14个月均稳定在0.01—0.018之间，这一数值区间显著低于融资融券开通前的水平。而且，自融资融券开通后，实验组股票的异质性波动率整体延续了下行趋势，可见两融业务在一定程度上平抑了波动性。

第二，从图1的统计结果中，我们可以观察到实验组与对照组股票的异质性波动率平均值差异在两融业务开通后明显拉大，且实验组股票异质性波动率整体水平始终低于对照组。可见，融资融券制度对实验组股票的异质性波动率的确产生了直接影响。

总体而言，本文描述性统计部分的实证结果与已有文献的研究结论相符合。但是融资融券制度与异质性波动率相关关系的研究，并不能直接说明融资融券制度对融资融券标的股票“异质性波动率之谜”现象的影响是如何的，因此本文将进一步利用双重差分模型研究这一问题。

2. 第一阶段双重差分模型。在进行双重差分模型实证研究之前，本文首先统计了模型中将使用的被解释变量个股月度超额收益（Rim-rf）与股票月度预期异质性波动率（EIVOL）以及相关控制变量的Pearson相关系数。

从表4的统计结果可以看出，在实验期，实验组与对照组个股月度超额收益（Rim-rf）与月度预期异质性波动率（EIVOL）成稳定的负相关关系，相关系数为-0.055，“异质性波动率之谜”现象比较显著;在非实验对比期，两者相关系数为0.117，“异质性波动率之谜”现象并不显著。因为实验期和非实验期同时涉及实验组和对照组股票，我们无法从表4相关系数的变化判断，融资融券制度对两融股票异质性波动率与个股收益率相关关系的影响。接下来将进一步构建双重差分模型对这一问题做出探讨分析。

表5主要汇总了本文构建的第一阶段双重差分模型，其中实验组为2010年3月首批纳入两融范围的股票，对照组为2011年12月第一次扩容进入融资融券范围的股票。因为第一阶段双重差分模型采取面板数据回归，且通过Hausman检验，P值<0.001，因此除模型M1外，M2—M5均考虑固定效应。

观察表5中双重差分模型的汇总结果，可以发现M1中双重差分交互项[（Treatedi×Posti×EIVOLiM）]系数为-1.41。从行为金融学含义上解释，这意味着融资融券的开通并没有抑制两融股票异质性波动率和股票收益率之间的负相关关系，同时这种负相关性相对对照组有所扩大。简单而言，两融标的在融资融券开通后，其“异质性波动率之谜”现象并没有得到抑制。

在M2—M5中，我们逐渐引入固定效应及市净率（[PBiM]）、换手率（[TURNiM]）、上一期月度收益率（[MOMiM]）等控制变量，可以发现双重差分交互项（[Treatedi×Posti×EIVOLiM]）系数的显著性明显下降，在考虑固定效应及全变量的模型M5中并不显著。这4个模型中，市净率、换手率、上一期月度收益率等控制变量回归系数始终在1%的显著性水平下显著，证明控制变量本身是有效的。因此总体而言，在第一阶段双重差分模型中，融资融券对于实验组标的“异质性波动率之谜”现象并没有产生显著的作用。实验组标的异质性波动率和股票收益率之间的负相关性在两融业务开通后，有一定扩大趋势。

纵观模型M1—M5，第二交互项[Posti×EIVOLiM]的回归系数始终保持了负值，且在1%的显著性水平下显著，这表明在融资融券开通后，实验组和对照组所有标的组成的样本整体异质性波动率和股票收益率之间的负相关性显著加剧，以上实证结果也意味着实验期内“异质性波动率之谜”现象是更加显著的。综合我们对第二交互项和双重差分交互项的分析，本文认为在2010年3月融资融券制度正式推行的实验期内，融资融券业务并没有显著抑制两融标的股票的“异质性波动率之谜”现象。

我们认为融资融券制度在第一阶段实验期内政策效果不好的原因是，融资融券制度并没有从实质上降低“卖空限制”，因此无法有效抑制融资融券标的股票的“异质性波动率之谜”现象。

根据本文从万得金融数据库获得的数据，2010年、2011年融券交易全年卖出额②分别为12.35亿元和272.23亿元，占当年融资融券交易总量的1.7%和8.5%。由此可见，在融资融券政策落地后的两年中，融资融券制度处于初期，融券交易本身也受制于证券公司“券源”③不足、融券利率较高、未被市场投资者普遍接受等问题，因此融券卖出量未能大幅增长。在两融落地初期，无论是融券交易总量还是在融资融券交易中的占比，都处于低水平，因此无法有效降低“卖空限制”，以缓解两融股票的“异质性波动率之谜”现象。

图2展示了2010—2015年间，我国股票市场年度融券卖出额总量的增长情况。到2014年我国A股市场年度融券卖出额达1.12万亿元，占当年两融交易总量的10.5%;到2015年，年度融券卖出额进一步膨胀至2.8万亿元，占当年两融交易总量的8.1%。相对于融资融券制度推行初期，融券卖出额总量扩大了近100倍，在融资融券交易中占比亦显著提升。而同期融资融券标的数量只扩大了10倍，这说明每只融资融券标的股票的融券交易活跃度大幅提升。因此，在第二阶段的双重差分模型中，本文将聚焦于被选入融资融券標的股票第四次扩容和第五次扩容的股票，并将实证检验的时间窗口设定在2013—2015年之间，以检验融券交易活跃度大幅提升并在实质上减小了“卖空限制”后，融资融券标的股票的“异质性波动率之谜”现象是否得到了抑制。

（二）融资融券制度后期双重差分研究（2013—2015年）

1. 描述性统计。从表6我们可以观察到在第二阶段的双重差分模型中，涉及样本总量达到6020个，实验组、对照组股票共207只，时间跨度为30个月。通过表6的描述性统计数据，还可以发现实验组在非实验对比期市净率（PB）最小值为0.4、最大值为14.43、平均值为2.8，说明两融第四次扩容在标的选择上，整体仍延续了此前以高流动性、低估值白马股为主的标准。在实验期，实验组标的股票市净率（PB）均值扩大至4.61，这与当时A股全面性牛市的市场环境是相符的。另一方面，对照组标的在非实验对比期、实验期市净率（PB）平均值分别为2.29、3.20，整体比较接近实验组的均值水平，这说明我们选取的样本是适当的。

进一步观察表6的数据，我们还可以发现，第四次扩容纳入融资融券交易范围的实验组标的，预期异质性波动率（EIVOL）在实验期的最小值为0.001、最大值为0.080、平均值为0.027，相对其非实验对比期的取值水平有明显的增加。观察对照组数据，也可以发现，预期异质性波动率（EIVOL）在实验期的最小值为0.074、最大值为0.025、平均值为0.016，相对非实验对比期亦明显增大。本文认为，在实验期中，A股市场经历了全面性牛市和崩盘式下跌，在这个过程中，个股的波动性以及自身的异质性风险不断加剧，由此导致异质性波动率水平显著增加。综合而言，我们认为观察到这样的变化是符合金融常识的。

在图3中，本文进一步统计和绘制了实验组、对照组预期异质性波动率月度等权重平均值变化趋势。观察图3可以发现，在2014年10月融资融券第四次扩容发生前，实验组标的股票的异质性波动率水平是高于对照组股票的。但是当被纳入融资融券范围后，两者异质性波动率水平的差距明显缩小。在2015年5月牛市进入末期后，实验组的异质性波动率水平非常接近于对照组，这说明融资融券制度的推行显著抑制了实验组的异质性波动率，与已有结论相符;没有纳入融资融券范围的对照组标的，在2014年10月之后，其异质性波动率增大的程度远高于实验组，这也说明了融资融券交易的确抑制了实验组标的股票异质性波动率的提升。当然，实验组的异质性波动率受到融资融券交易的抑制，仍然只是融资融券政策效果的间接证据，下面本文将建立第二阶段双重差分模型，以验证融资融券制度对实验组标的“异质性波动率之谜”现象的直接影响。

2. 第二阶段双重差分模型。与第一阶段DID模型类似，在建立双重差分模型之前，我们首先统计了模型中被解释变量和解释变量以及相关控制变量的Pearson相关系数，统计结果展示在表7中。

从表7中可以观察到，在实验期和非实验对比期，模型所有样本月度超额收益率（Rim-rf）与股票月度预期异质性波动率（EIVOL）始终表现为显著的负相关关系，在实验期和空白对比期相关系数分别为-0.158、-0.072。这说明，在2013—2015年间，我国A股市场的“异质性波动率之谜”现象是持续存在的。且在2015年的牛市环境下，模型选取的样本总体异质性波动率和收益率之间的负相关关系有所扩大。然而，仅通过观察表7的统计结果，我们无法观察到融资融券政策对实验组标的“异质性波动率之谜”现象究竟产生了何种影响，因此，本文进一步建立第二阶段的双重差分模型以对此问题进行研究。

表8主要汇总了第二阶段的双重差分模型，实验期为2014年10月至2015年12月，共15个月;非实验空白对比期为2013年6月至2014年8月，同样为15个月。表8中汇总的面板数据回归模型均通过Hausman检验，P值小于0.01，因此模型M6—M9中均考虑了采用固定效应面板数据回归模型。

与上文变量相关性的分析一致，通过表8中的数据可以观察到，模型M6—M9中，第二交互项[Posti×EIVOLiM]的回归系数始终为负值，且在1%的显著性水平下显著。这意味着从整体来看，2014年10月两融标的第四次扩容后，实验组和对照组全样本预期异质性波动率（[EIVOLiM]）和个股超额收益率（[RiM-rft]）的负相关有所加大，即“异质性波动率之谜”现象有所加剧。然而，在这样的背景下，我们观察到在考虑了固定效应但未添加控制变量的模型M6中，双重差分交互项（[Treatedi×Posti×EIVOLiM]）的回归系数为0.87，且在5%的显著性水平下显著。这说明，在实验期内相较于对照组，第四次扩容进入融资融券交易范围的股票的“异质性波动率之谜”现象被显著抑制了。

在模型M7—M9中，本文逐渐引入了市净率（[PBiM]）、换手率（[TURNiM]）、上一期月度收益率（[MOMiM]）等控制变量。可以明显观察到的是，模型M7—M9中双重差分交互项[（Treatedi×Posti×EIVOLiM）]

的回归系数分别为1.25、1.32、1.34，且均在1%的显著性水平下显著。双重差分交互项的回归系数渐次增大意味着，在充分考虑了控制变量对个股超额收益的影响后，融资融券制度对于实验组“异质性波动率之谜”的削弱作用仍然能被显著观察到，这也证明了这种平抑作用是伴随融资融券交易而独立存在的，而并非受到其他因素的影响。同时，模型M7—M9均在1%的显著水平下通过了F检验，并且随着控制变量的加入，R2也有了显著提升。这说明第二阶段双重差分模型的构建是有效的。

为了更加明晰地阐述第二阶段双重差分模型中，融资融券制度对于实验组“异质性波动率之谜”的影响，我们将第一阶段的双重差分模型M5也列置在表8的最后一列。M5中，双重差分交互项（[Treatedi×Posti×EIVOLiM]）的回归系数为-0.34，但在统计学下并不显著，这意味着在融资融券制度对首批融资融券标的“异质性波动率之谜”现象并没有产生直接作用。而在M9中，双重差分交互项的回归系数为1.34，且在1%的显著性水平下显著。这样的变化有力地证明了本文的核心观点，即在2014年10月之后，随着融券卖出总交易额以及融券交易在两融总交易额中占比的不断扩大，融资融券股票的“卖空限制”得到有效缓解，因此，相比于未进行融资融券交易的对照组，其“异质性波动率之谜”现象被有效抑制。

五、稳健性检验

承接上文的讨论，在稳健性检验中，本文一方面致力于为上文结论提供更多验证;另一方面，也希望为融资融券制度降低了两融标的“卖空限制”，进而抑制其“异质性波动率之谜”现象寻找更直接的实证证据。结合已有文献研究，融券交易是降低卖空限制的核心机制，因此本文筛选了两融第四次扩容标的中实验期融券卖出额与股票期间成交量比值排名前30%的股票，共43只。其中，在上交所、深交所流通交易的股票分别为22只、21只，整体分布较为平均。本文将这43只股票编制为融券活跃组，作为稳健性检验新的实验组标的，对照组股票仍为2016年12月融资融券第五次扩容进入融资融券交易范围的股票，共62只。

在图4中，本文首先统计了融券活跃组、对照组预期异质性波动率在2014年10月融资融券第四次扩容前后的变化情况。观察图4可以发现，在融资融券第四次扩容前，融券活跃组股票的异质性波动率高于对照组，且差距较大;融资融券第四次扩容后，两组标的异质性波动率差异快速缩小。值得注意的是，在2015年4月至8月，A股市场进入牛市末期，市场情绪极为亢奋，此时融券活跃组股票的异质性波动率相比对照组明显受到抑制。根据已有文献的研究，这样的实证结果表明融券活跃组股票异质信念得到了减弱。为了进一步寻求融券交易降低两融标的“卖空限制”，进而抑制其“异质性波动率之谜”现象的直接证据，本文围绕融券活跃组、对照组标的构建了新的双重差分模型。

由融券活跃组和对照组在2013—2015年间组成的面板数据可以通过Hausman检验，因此在构建双重差分模型时，本文采用了固定效应模型。模型M10—M13均为融券活跃组双重差分模型。对于表9的实证回归数据，我们从以下三个角度分析：

在考虑了控制变量的模型M10—M13中，双重差分交互项[（Treatedi×Posti×EIVOLiM）]的回归系数分别为1.34、1.58、1.58，且均在1%的显著性水平下显著。该系数为正值，说明相对于对照组，融券活跃组预期异质性波动率与收益率的负相关关系得到抑制，即“异质性波动率之谜”得到减弱。

对比模型M13和M9的回归结果可以发现，M13双重差分交互项回归系数为1.58，M9为1.34，且两个模型均可以通过F检验，在1%的显著性水平下显著。M13双重差分交互项的回归系数更大且显著，说明第二阶段实验组标的中，融券交易越活跃的，其“异质性波动率之谜”现象受抑制的程度越高，定价也更为有效。纵览M10—M13，双重差分交互项回归系数的整体水平均高于表8中的M6—M9的水平。因此M10—M13的回归结果可以作为融券交易降低两融标的“卖空限制”，进而抑制“异质性波动率之谜”现象的直接证明。

从模型M5—M9，变化体现在时间维度上，反映的是融资融券制度从导入期到成熟期的过程，融券交易也逐渐走向活跃，因此在M9中我们可以观察到双重差分交互项的回归系数显著为正值。从M9—M13，我们进一步精炼样本的选择，将研究聚焦到融券活跃标的上，并观察到双重差分交互项回归系数进一步扩大，进而验证了本文的核心观点。

六、结论与政策建议

纵观本文两个阶段的双重差分研究，在融资融券制度推行初期，融券交易还未被市场上的投资者普遍接受，2011年全年的融券交易额仅为272亿，融资融券标的股票的“卖空限制”并未有效减弱。在实证结果上，我们也观察到，相对非融资融券股票，两融标的股票异质性波动率和收益率间的负相关性未能得到抑制。2013—2015年间，融资融券标的扩大到900只，融券交易蓬勃发展，2014年全年融券交易量超過万亿，在融资融券交易总量中的占比亦超过10%。在这一阶段，融资融券标的股票的“异质性波动率之谜”现象相对非融资融券股票得到有效抑制，这一抑制效应对于融券交易活跃的股票更为显著。第二阶段双重差分模型的实证数据也对这一结论提供了有效的支持。对比融资融券初期、后期的实证结果，我们不难看出融券交易的活跃程度对抑制“异质性波动率之谜”现象的重要性。

本质上“异质性波动率之谜”现象属于市场异象的一种，同时也是市场定价效率低、信息不够完备的体现。本文的研究发现，在融资融券制度推行的后期，虽然融资融券标的股票的“异质性波动率之谜”现象有所抑制，但是这种异象在市场上仍然是普遍存在的。这意味着我国股票市场整体的定价效率仍然处在较低水平，同时信息完备程度也需进一步提高。

隨着2019年6月13日科创板在我国上海证券交易所正式开板，一批处在发展初期的新兴科技公司获得了公开发行股票融资的机会。在科创板上市的公司，大多来自互联网、高端装备、新材料、新能源、生物医药等潜力巨大的高新产业。由于发展初期需要巨大的研发投入，这一类公司往往并不能实现盈利，如美国的科技巨头亚马逊曾连续20年亏损。对此类公司的估值和定价，往往具有一定的复杂性和多样性。在这样的情况下，如何提高市场定价效率以及信息完备程度，重新成为投资者和学界关注的焦点问题。

本文的实证结果说明，活跃的融券交易可以减少市场“卖空限制”，以此消除股票市场异象、提高市场定价效率。在科创板的制度设计上，管理层也尤为注意发挥融资融券促进市场充分博弈、提高市场有效性的作用。在科创板股票上市首日就可以作为融券标的、券商保荐跟投股票以进一步丰富券源等制度的支持下，科创板市场的融券交易日益活跃。但就我国股票市场的整体情况而言，2016—2019年间，融券交易总量重新滑落至2000亿以下的水平，在融资融券年交易总量中占比也暴降至2%以下。券源不足、融券利率过高等现象亦始终存在，在融资融券制度相对宽松的科创板，目前平均的融券利率仍然高达15%，个别股票的融券年化利率甚至达到60%。因此，本文认为，为了进一步提高市场定价效率，促进我国股票市场尽快从核准制向注册制转型，监管层应适度放松对融券交易的政策限制，鼓励证券公司积极参与融券交易;在降低融券拆借成本、放松担保品要求等方面，亦应提出更有效的制度安排;同时，交易所和证券公司也应努力做好投资者教育，引导有经验的专业投资者、机构客户正确认识“卖空交易”，并积极参与融资融券交易，以此来提高我国股票市场的定价效率和信息完备程度。

注：

①两阶段双重差分回归模型的实验期分别对应融资融券制度初期和后期。

②融券卖出额对应的是融券交易卖出量与成交价格的乘积，此处取年度区间累积值。

③券源指证券公司可用于融券拆借的股票，一般来源于券商自营、证金公司或大股东质押。

参考文献：

[1]Ali，A.，Hwang，L.，Trombley，M.A. 2003. Arbitrage risk and the Book-to-Market Anomaly[J].Journal of Financial Economics，69（2）.

[2]Ang，A.，Hodrick，R. J.，Xing Y.，and Zhang X. 2006. The Cross-section of Volatility and Expected Return[J]. The Journal of Finance，61（1）.

[3]Ang，A.，Hodrick，R. J.，Xing Y.，and Zhang X. 2009. High Idiosyncratic Volatility and Low Returns：International and Further US Evidence[J].Journal of Financial Economics，91（1）.

[4]Bali T G，Cakici N，Whitelaw R F. 2011. Maxing Out：Stocks as Lotteries and the Cross-Section of Expected Returns[J]. Journal of Financial Economics，99（2）.

[5]Berrada T，Hugonnier J. 2013. Incomplete Information，Idiosyncratic Volatility and Stock Returns[J].Journal of Banking and Finance，37（2）.

[6]Bhootra A. 2011. Are Momentum Profits Driven by the Cross-sectional Dispersion in Expected Stock Returns？[J]. Journal of Financial Markets，14（3）.

[7]Boehme，R. D.，Danielsen，B. R.，and Sorescu，S. M. 2006. Short-sale Constraints，Differences of Opinion，and Overvaluation[J].Journal of Financial and Quantitative Analysis ，41（2）

[8]Campbell J Y，Lettau M，Malkiel B G，et al. 2001. Have Individual Stocks Become More Volatile？ An empirical Exploration of Idiosyncratic Risk[J]. The Journal of Finance，56（1）.

[9]D Avramov，T Chordia，G Jostova. 2007. Momentum and Credit Rating[J]. The Journal of Finance，62（5）.

[10]Fama，E. F.，and French，K. R. 1992. The Cross-section of Expected Stock Returns[J].The Journal of Finance，47（2）.

[11]Fama，E. F.，and MacBeth，J. D. 1973. Risk，Return，and Equilibrium：Empirical Tests[J] The Journal of Political Economy，81（3）.

[12]Fu F. 1973. Idiosyncratic Risk and the Cross-section of Expected Stock Returns[J].Journal of Financial Economics，91（1）.

[13]Figlewski Stephen. 1981. The Informational Effects of Restrictions on Short Sales：Some Empirical Evidence[J].Journal of Financial and Quantitative Analysis，16（4）.

[14]Han B，A. Kumar. 2008. Retail Clienteles and the Idiosyncratic Volatility Puzzle[R]. McComs Research Paper Series.

[15]Hou K，Loh R K. 2016. Have We Solved the Idiosyncratic Volatility Puzzle[J].Journal of Financial Economics，121（1）.

[16]Jonathan Karpoff，Xiao Xia Lou. 2010. Short Sellers and Financial Misconduct[J]. Social Science Electronic Publishing，65（5）.

[17]Jiang，G. J.，Xu，D.，and Yao，T. 2009. The Information Content of Idiosyncratic Volatility[J].Journal of Financial and Quantitative Analysis 44（1）.

[18]Mahmoud Qadan，Doron Kliger，Nir Chen. 2019. Idiosyncratic Volatility，the VIX and Stock Returns[J].The North American Journal of Economics and Finance，47.

[19]Mashruwala，C.，Rajgopal，S.，Shevlin，T. 2006. Why is the Accrual Anomaly Not Ar-bitraged Away？ The Role of Idiosyncratic Risk and Transaction Costs[J].Journal of Accounting and Economics，42.

[20]Merton R C. 1987. A Simple Model of Capital Market Equilibrium with Incomplete Information[J].Journal of Finance，42（3）.

[21]Miller E M. 1977. Risk，Uncertainty and Divergence of Opinion[J]. Journal of Finance，32（4）.

[22]Ming Gu，Wenjin Kang，BuXu. 2018. Limits of Arbitrage and Idiosyncratic Volatility：Evidence from China Stock Market[J]. Journal of Banking & Finance，86.

[23]Ming Gu，George J.Jiang，Bu Xu. 2019. The Role of Analysts：An Examination of the Idiosyncratic Volatility Anomaly in the Chinese Stock Market[J]. Journal of Empirical Finance.

[24]Nagel，S. 2005. Short Sales，Institutional Investors and the Cross-section of Stock Returns[J].Journal of Financial Economics .78.

[25]Owen A. Lamont，Jeremy C. Stein. 2004. Aggregate Short Interest and Market Valuations[J]. American Economic Review，94（2）.

[26]Shengnan Liu，Ao Kong，Rongbao Gu，Wenjing Guo. 2019. Does Idiosyncratic Volatility Matter？——Evidence from Chinese Stock Market[J].Physica A：Statistical Mechanics and its Applications，516.

[27]Stambaugh，R. F.，Yu，J.，and Yuan，Y. 2014. Arbitrage Asymmetry and the Idiosyncratic Volatility Puzzle[J]. Journal of Finance，70 （5）.

[28]Zhi Su，Tengjia Shu，Libo Yin. 2018. The Pricing Effect of the Common Pattern in Firm-level Idiosyncratic Volatility：Evidence from A-Share Stocks of China[J].Physica A： Statistical Mechanics and its Applications，497.

[29]陈海强，范云菲. 融资融券交易制度对中国股市波动率的影响——基于面板数据政策评估方法的分析[J].金融研究，2015，（6）.

[30]邓雪春，郑振龙.中国股市存在 “特质波动率之谜” 吗？[J].商业经济与管理，2011，（1）.

[31]黄波，李湛，顾孟迪. 基于风险偏好资产定价模型的公司特质风险研究[J].管理世界，2016，（11）.

[32]黄卓，康辰，王小华.中国股市“特质性波动率之谜”研究[J].山东社会科学，2016，（7）.

[33]李志生，陈晨，林秉旋.卖空机制提高了中国股票市场的定价效率吗？——基于自然实验的证据[J].经济研究，2015，（4）.

[34]林虎，张博，刘力.换手率波动、转售期权与股票横截面收益率[J].金融研究，2013，（12）.

[35]刘鹏，田益祥.特质风险与股票收益——来自中国股票市场的经验证据[J].管理学家（学术版），2011，（10）.

[36]鲁臻，邹恒甫.中国股市的惯性与反转效应研究[J].经济研究，2007，（9）.

[37]施剑威.卖空失衡、异质信念与股票定价效率[J].金融发展研究，2018，（7）.

[38]苏冬蔚，倪博.转融券制度、卖空约束与股价变动[J].经济研究，2018，（3）.

[39]肖浩，孔爱国.融资融券对股价特质性波动的影响机理研究：基于双重差分模型的检验[J].管理世界，2014，（8）.

[40]许红伟，陈欣.我国推出融资融券交易促进了标的股票的定价效率吗？——基于双重差分模型的实证研究[J].管理世界，2012，（5）.

[41]杨华蔚，韩立岩.外部风险、异质信念与特质波动率风险溢价[J].管理科学学报，2012，（14）.

[42]虞文微，張兵，于琴.套利限制与中国股票市场特质波动率之谜[J].北京工商大学学报，2017，（6）.

[43]周皓，陈湘鹏，王远.A股市场的异质波动率之谜是否已被充分解释？ [J].投资研究，2018，（5）.

[44]赵胜民，刘笑天.公司特质风险、估值水平与股票收益——基于分位数Fama-MacBeth回归模型的实证分析[J].华东经济管理，2017，（9）.

[45]左浩苗，郑鸣，张翼.股票特质波动率与横截面收益：对中国股市“特质波动率之谜”的解释[J].世界经济，2011，（5）.

[46]周皓，陈湘鹏，何碧清，赵靖.中国金融市场高风险时期的形势判断与政策建议[J].清华金融评论，2019，（1）.

Research on the "Heterogeneity Volatility Puzzle" of  Securities Margin Trading Underlying Stocks in China's Stock Market

Liu Ying/Xiao Xinrong/Wang Duo

（School of Economics and Finance，University of International Business and Economics，Beijing   100029）

Abstract：This paper studies the "heterogeneity volatility puzzle" of securities margin trading underlying stocks in China's A-share market. In the early and late stages of the implementation of China's securities margin trading system，a two-stage dual difference-in-difference（DID）model was constructed to compare the policy effects of the securities margin trading system. The empirical results show that in the early stage of the implementation of the securities margin trading system，the phenomenon of the "heterogeneity volatility puzzle" of the securities margin trading underlying stocks is not effectively suppressed. While in the later stage，the total amount of securities loan in the A-share market rapidly increased to more than 1 trillion yuan. The phenomenon above is controlled effectively compared to the non-margin stocks. Such a suppressive effect plays a more dominant role in brisk securities loan trading，which illustrates that the activeness of the securities loan trading plays a leading role in suppressing the "heterogeneity volatility puzzle" of securities margin trading underlying stocks.

Key Words：securities margin trading，heterogeneity volatility puzzle，dual DID model