投资者情绪对股指期现货市场关系影响研究
2020-06-22刘晨王演如
刘晨 王演如
摘 要:国内尚缺乏有关投资者情绪对期现货市场间相关性及价格发现关系的研究,基于情绪因素对股指期货市场效率展开分析,已经成为推动资本市场发展的重要研究内容。通过DCC-GARCH、分位数回归和分位信息份额模型(Quantile-IS)定量分析投资者情绪对我国股指期现货市场间动态相关性和价格发现功能的影响。结果表明我国股指期货市场整体上存在一定的价格发现功能,投资者情绪能够降低期现货市场信息传递效率。分位信息份额模型和动态Granger因果检验结果表明,在市场平稳状态下投资者情绪能够抑制期货市场价格发现功能,但在市场极端行情下具有增强市场价格发现效率的作用。研究结论解读了投资者情绪对我国期现货市场关系影响取决于市场行情走向,也从投资者情绪视角为监管思路调整提供实证依据,以全面增强股指期货市场整体运行效率。
关键词:股指期货 投资者情绪 价格发现 分位信息份额模型
一、引言
股票市场作为资本市场的核心,经过二十多年的发展已具备较大的市场规模。股指期货作为国内重要的金融衍生品之一,不仅可以为投资者提供丰富的投资对象选择和风险管理策略,有助于提升我国资本市场的规模和结构,其价格发现和套期保值功能还是我国资本市场运行效率的直接体现,对资本市场的创新和深化具有重要的指示意义。然而期现货市场间的联动关系是期货市场价格发现功能发挥的理论基础,处于快速成长期的中国期货市场,由于受到政策调整、投机因素等信息冲击,期、现货市场的联动性以及引导关系也会经常发生改变。此外,我国股市制度尚不完善、发展结构失衡、投资者结构不完善且存在机构散户化现象,使得我国资本市场投机氛围较重,两个市场间的联动关系势必也随之变化。情绪因素产生的交易行为将如何影响期货市场价格发现功能及两个市场间的联动关系,是建设高质量发展的期货市场,推动资本市场发展必须深入研究的重要内容。
二、文献回顾
随着国内外学者对投资者情绪以及行为偏差研究的不断深入,一些文献开始逐渐关注投资者情绪对股票和股指期货市场的影响。投资者作为资本市场的参与主体,投资者情绪反映了其对市场未来的预期。因此情绪变化会引导投资意愿及投资决策的改变,通过交易行为改变股指期货、现货市场收益率和波动率,进而影响期现货市场间的联动关系和股指期货市场的价格发现功能。
国内外学者就股指期货与现货市场关系做过很多深入的研究,由于研究对象和研究阶段存在差异,所得结论也各不相同。例如,华仁海(2010)、方匡南(2012)等研究认为,股指期货与股指现货之间存在双向引导关系,在股指现货市场具有较强的涨跌幅时,现货市场的价格发现功能会相应增强,甚至可能超过期货市场。陶立斌等(2014)的结果表明,沪深300股指期货在信息传递中居于主导地位。也有学者研究发现投资者结构会改变股指期货与现货间的引导关系。这些研究均是解释样本期间内股指期貨和股指现货整体的价格发现效率。从文献来看,无论国内还是国外,对于期货市场价格发现功能强于现货市场的结论取决于研究样本及其区间的选取。
大多数国内外学者集中于研究情绪与资产价格的关系,有关投资者情绪与期、现货市场关系的研究虽然较多,但学者们得到的结论并不一致,当投资者情绪高涨时,现货市场与期货市场的信息传递效率降低,波动性溢出效应会减弱,也有学者表明,情绪的高涨会使期现货市场间的波动性溢出效应显著增强(刘文文等,2019)。有关投资者情绪对价格发现功能的研究较少,在影响价格发现功能的因素中,国内学者们发现投机性和投资者情绪因素对价格发现功能的影响并不显著,但国外学者从情绪对波动率、期现货市场价差和交易成本等角度,证明较高涨的情绪具有削弱价格发现功能的作用。对于价格发现能力的研究,通常基于Granger因果分析或使用VECM(VECM-DCC-GARCH)模型等,从情绪影响价格发现能力的研究,则多利用共有因子模型(Common Factor Model)来度量价格发现效率,该模型能够分析多个市场的共同影响因素中各自的贡献部分,可比较多个市场的价格发现能力。刘晨等(2020)使用分位信息份额模型(Quantile information share)研究中美玉米期货市场,发现其价格发现功能随市场环境的变化而改变。
综合以上文献,无论国外还是国内均缺乏投资者情绪对股指期现货市场间关系的综合研究,基于市场行情变化的情绪对期现货市场价格发现功能影响的相关研究也十分不足。本文十分有必要以沪深300指数为研究对象,使用前沿Quantile-IS分位信息份额模型(Quantile-IS),全面衡量期现货市场所处行情不同时,情绪对期现货市场相关性、价格发现功能的影响,使研究结论更加全面科学的同时,也对以往相关研究结论不一致的原因作出更合理的解释。
三、理论框架与研究假设
(一)基于情绪影响股指期现货关系的理论框架
以往基于DSSW模型(噪声交易模型)主要论述了情绪对资产价格的影响,并且说明市场具有噪声交易者的生存空间。首先,这里仍然沿用DSSW模型的设定,认为理性交易者往往对后市的预期是基于基本面信息的理性预期。其次,考虑到模型中两类交易者比例的不同,即假设噪声交易者占比为φ,那么理性交易者占比为1-φ。投资者在第一期的时候选择资产组合,在第二期时追求期望效用最大化。通常情况下,机构投资者往往具备更加专业的投资技术,因此假定理性投资者中更多是机构投资者,并且具有理性情绪;而噪声交易者则依赖于市场上的噪声,以个人投资者为主。不妨假设理性投资者和噪声交易者的情绪满足:
其中,假设ρξ,t代表理性投资者情绪,ρε,t表示噪声交易者情绪。在分析机构和个人投资者情绪时,假设两者之间存在引导关系,因此市场整体情绪可以表示为两类投资者情绪的总和:
与此同时,市场整体情绪的均值ρ*和方差σ2ρ分别由式(4)和式(5)所示:
其中,Cov(ρξ,ρε)表示理性和非理性投资者情绪之间的协方差,当理性和非理性投资者情绪存在正相关关系时,即Covρξ,ρε>0,则根据式(5),市场噪声交易者整体情绪的方差会增大。反之,市场噪声交易者整体情绪的方差会减小。
为了讨论情绪对期现货市场关系的影响,需将风险资产分为股票指数与股指期货,将股票指数两类,在第t期的价格分别记为St和Ft。其中,投资组合中股指现货占比为ωs,股指期货的占比为ωf,并假设股票指数和股指期货的收益率均服从标准正态分布:
其中,rs是股票指数价格的收益率,rf是股指期货价格的收益率,且满足:
考虑到组合中的股指现货和期货比例分别为ωs和ωf,为了实现其效用最大化。其理性投资者的期望目标效用函数可以表示为:
其中,ωrs和ωrf分别是理性投资者持有股指现货与股指期货的比例,(ωs+ωf)ρξ表示由于理性投资者的情绪所带来的收益。在给定其关于风险资产收益预期的情况下,青年时期的投资主体分配在风险资产u(股指现货,股指期货)和无风险资产s中。同理,非理性投资者均值方差期望目标效用函数可以表示为:
通过比较式(11)和式(12),可以发现无论是噪声交易者还是理性投资者,都需要分配资金在股指期货、现货市场(ωs和ωf)和无风险资产s中。进一步对式(10)和式(11)的极大值,需要令其一阶导数为0,可以求出两类投资者(理性投资者和噪声交易者)对风险资产的需求函数:
通常情况下,股指现货与股指期货收益率间具有正向相关关系。当σfCorr(rs,rf)<σs<σf/ρ时,投资者对股指期货、现货的需求随情绪同向增加或减少。而当σs>σf/ρ或σs<σfCorr(rs,rf)时,即现货市场与期货市场风险波动差别较大时,理性投资者和非理性投资者对期、现货资产持有需求会出现相反方向的变化。考虑在第一期时,噪声交易者和理性交易者对股指期货、现货市场的需求量加总为1。由式(12)和式(13)可得:
由于假设投资者可以投资市场中两种风险资产,因此式(14)中需要估计两个参数,即μs和μf。考虑期货与现货之间存在协整关系如下所示:
其中,δ为常数,根据式(15)、式(8)和式(9)式可以得出:
从式(17)中可以看出只有投资者情绪ρε和ρξ是变量,所以根据
这样式(17)就是一个只包含情绪的参数,通过式(17)可以看出投资者情绪能够对风险资产预期收益率的影响与两个市场的相关性以及波动率有关。由于Corrrs,rf小于1,并且假设δ理论上等于1,分母1+δσsσfCorrrs,rf-δσ2s-σ2f是不大于0的。因此,乐观的投资者情绪与当期收益率成正比,悲觀投资者情绪与当期收益率成反比,与理论上情绪与预期收益率成反比的结论是吻合的。进一步地,可以得到投资者情绪对风险资产波动率的影响:
由式(19)可以类似得出,由于φ>0且δ>1,期、现货市场波动率与投资者情绪(理性或非理性)波动呈同方向变动。此外,情绪对期货市场的波动率的影响也与协整系数有关,因此虽然情绪对风险资产波动率的影响是同向的,但影响幅度不一致,这取决于协整系数的动态变化。当市场有越来越多的噪声交易者倾向于投机行为时,套利交易者的比例会降低,从而使得股指现货市场和股指期货市场之间的长期协整关系被打破,会偏离两个市场间的均衡关系,降低两个市场间的传递效率。
我国股市成长过程中尚有较多的不确定性影响着股市价格的走势,当市态变化时,投资者在不同市场环境下的心理不同,直接带来交易行为的差异。在情绪的作用下对股指期、现货交易需求的不同,导致市场间联动关系经常发生改变。股指期货的价格发现功能也未必是一定的,而是随着市场环境的变化发生改变。通常而言,当处于牛市时,投资者情绪偏乐观,投资者情绪中的非理性情绪会增加交易者的交易行为,在牛市行情中投资者容易对市场未来上涨的预期形成过度反应,形成不同市态下情绪对价格发现功能影响的非对称性。因此,通过考察股指期货与现货收益率处于不同分位点处时(即不同行情时),期货市场的价格发现功能的变化,能够更加全面准确地度量情绪对期货价格发现能力的影响。综合以上分析给出假设1和假设2如下。
假设1:投资者情绪会影响股指期货、现货市场间的动态相关性,并且具有非对称性。
假设2:股指期货价格发现功能会受到投资者情绪的影响,尤其是当期货市场与现货市场处于极端行情时,其价格发现功能受到情绪影响的程度更大。
(二)分析方法与模型建立
1投资者情绪指标构建
以往学者大部分采用主成分分析法构建情绪指数,但Huang et al(2015)提出的偏最小二乘法(PLS)也在构建投资者情绪指数时得到了广泛的使用。本文借鉴Liu and An(2018)的文献,采用PLS方法对投资者情绪源指标进行合成,构建基于PLS法下的投资者情绪指数。PLS回归法可以通过两步OLS回归实现,第一步是对每一个投资者情绪代理变量xi,t-1和一个常数及股票收益率序列Rt做一个OLS回归,第二步是对估计股票收益率序列的载荷πi︿对xi,t-1进行横截面回归。当πi︿已知时,我们可以利用每一时刻的xi,t和πi︿使用偏回归方法得到SPLSt。而当πi︿未知时,我们利用完整的样本信息得到的投资者情绪综合指数的T×1向量SPLS=(SPLS1,SPLS2,…SPLST)′来完成第一步回归,xi,t对SPLSt的回归,得到πi的估计值用于t+1时刻的投资者情绪的预测。SPLSt是投资者情绪指标的线性组合:
其中,R是沪深300股票指数现货收益的T×1向量,X=(x′1,x′2,…,x′T)′是由单个代理投资者情绪指标变量组成的T×N阶矩阵,其中N代表所选择的投资者情绪代理指标的数量。然后对于矩阵JT=IT-(1/N)τTτT′, JN=IN-(1/N)τNτN′,其中IT和IN是T维和N维单位矩阵τT和τN是 1的T维和N维向量。
在此基础上,增加了iVIX作为投资者情绪源指标,基于当期近月合约的50ETF收盘价筛选执行价格最为接近的看涨期权合约与看跌期权合约作为两个平值期权,并且采用BS模型反推出当月平值看涨期权的隐含波动率σ21和当月平值看跌期权的隐含波动率σ22,并以两个合约的波动率通过加权的方式来得出最终中国波指的代理变量。
2 VAR-DCC-GARCH模型
为了分析投资者情绪对股指期、现货市场间动态相关性的影响,首先利用经典VAR-DCC-GARCH模型分析期现货市场动态相关性(Yue,Liu and Shan,2015),具体模型如下:
其中,Rs,t和Rf,t分别表示股指现货和股指期货市场的价格收益率,ξt=(εst,εft)Τ为残差向量,满足ξtΩt-1~N(0,Ht),且DCC-GARCH模型假定Rs,t和Rf,t之间的相关系数是动态的,因此可以首先使用该模型得到样本期间两个市场之间的联动关系。同时将条件协方差矩阵Ht的结构设定为:
在上述模型中,Dt中的hii,t仍假定为一元GARCH过程,Q-代表非条件相关系数,Q*t能够确保Rt是相关系数矩阵,其中,qii,t(i=1,2,…,k)是Qt的对角元素,Rt=ρsft。ηt是标准化残差序列,ηt=D-1tEt且Dt=diag(σ1t,σ2t,…,σkt)。
3分位信息份额模型
基于向量误差修正模型,分别使用传统Hasbrouck的IS模型衡量股指期货、现货市场的信息份额,进而分析其价格发现功能。
假设某个资产在n个不同的资本市场上进行交易,Yt=y1t,y1t,…ynt=[ln(p1t),ln(p1t),…ln(p1t)]为n个价格序列,且均为单位根I1过程,且这n个价格之间具有n-1个协整向量,整个交易系统内有一个单一的共同的随机波动因子,可用向量误差修正模型(VECM)表示:
其中,α为误差修正系数向量(短期调整系数);β的列向量是n-1个协整向量,VECM=βTYt,et为序列不相关的随机扰动项,均值为0,协方差矩阵为:Ω=EeeT,σ2i为新息eit的方差,ρ为相关系数。IS模型是将VECM以向量移动平均单整的形式表出为:
其中L是滞后算子,Ψ1为移动平均系数之和,是影响矩阵。Ψ*Lεt代表了短暂影响成分,而Ψ(L)et则表示不同市场价格的长期趋势。如果令ι=1,1′,且Ψ(L)中的某一行为Ψ=Ψ1,Ψ2,那么方程(2)可以表示为:
其中,Gonzalo and Granger将Ψet定义为永久成分,是两个市场价格的共有因子,永久成分的方差为:VarΨet=ΨΩΨ′。
当不同市场间的新息不存在当期相关,那么第j个市场的价格发现为:
当不同市场间的新息存在当期相关时,令F为Ω的Cholesky分解,满足Ω=FFT,F=mijn×n,通过Cholesky分解消除两个市场间的相关性,因此计算出的信息份额(价格发现)是有上下限的。
第i个市场信息份额可以表示为:
其中,j表示第i个市场在协方差矩阵中市场的顺序。对股指期、现货两个市场而言,当期货市场作为方差ΨΩΨ′的第一个变量时,得到期货的信息份额是上限,反之則是下限。最终以上限和下限的均值作为该市场的信息份额值,其值越大,表明价格发现功能越强。
对基础IS模型结合分位数回归法进行改进,具体对式(27)进行分位误差修正项回归,此时令ΔYt为因变量,右边的变量记为xt,且对应的参数向量记为θ,那么τ分位点处的VECM模型(Quantile-VECM)回归如下:
其中,F-1()是累积分布函数的逆函数,τ1Δ(0,1),为了估计参数θτ1,对不对称的加权绝对值总和进行最小化:ωτ1(Δyt,x′tθτ1)Δyt-x′tθτ1,其中权重为:
此时损失函数可以写成:Δyt-x′tθτ1+(2τ1-1)(Δyt-x′tθτ1),当τ1=05时,分位数回归与普通均值回归一致。此时线性VECM的分位数回归可以写成:
其中,τ=(τ1,τ2)∈(0,1)×(0,1),其中τ1=01,025,05,075,09;τ2=01,025,05,075,09。传统的信息份额模型(IS)所得到的在均值水平上两个市场对信息冲击的反应程度,而分位信息份额模型则可以把不同分位点处的价格发现能力表现出来。这样可以全面地观察到股指期货市场的价格发现功能是否随着期、现货市场收益率的联合分布发生变化。比如,当期货市场(Δy1,t)的收益率水平在10%(τ1=01),而现货市场(Δy2,t)的收益率水平在90%(τ2=09)时,我们可以得到期货市场的在期货市场低尾部收益率和现货市场高尾部收益率时的价格发现信息份额。值得注意的是,由于两个因变量的相关性,二元分位数回归估计的系数通常不同于单变量模型。进一步通过对以下函数式子取最小值来估计参数:
其中,两个分位点向量分别代表农产品期货市场和现货市场,记为(τ1,τ2), 记为欧几里得范数,向量u是一个开球且单位球内(B2={uu∈R2,u<1})的一个元素。在实际应用中,我们遵循不直接选择u的方法,而是遵循Pedersen(2015)的方法,对分位数矢量τ进行以下转换,使得:
这里g=(2τ-t)并且t是一个(2×1)的单位向量,g
=max (g1,g2)。最后我们可以估计在不同分位水平下的误差修正模型,通过将VECM转换为VMA模型计算具体的参数及信息份额值。
四、样本选取与实证分析
(一)样本选择与描述性统计分析
投资者情绪指标采用合成的SPLS指标。参考LiuandAn(2018)对情绪源指标的选取及计算方法,最终选取期货市场成交量(TV)、期末新增A股参与交易的投资者数量(num),以及封闭式基金折溢价率(prem)、市场换手率(turnover)、A股平均市盈率(PE)和现货市场主买率(buyrate)、中国波指(iVIX)、融资融券比例八个指标作为投资者情绪复合指数的源指标。鉴于中国50ETF期权上市时间为2015年2月9日,所采用的样本数据为沪深300股指期货从2015年3月2日至2018年12月28日近4年的日交易数据。由于投资者情绪代理变量大部分为日数据,因此具体选取使用940个日度数据进行研究。以上数据均来自Wind数据库。
从基本描述统计来看,投资者情绪中的主买率和市盈率指标波动率较大。表1也表明大部分投资者情绪之间具有显著的相关性,并且呈现正相关关系。但封闭式基金折溢价率和主买率两个指标与其他投资者情绪指标相关性较低,这些指标都从不同的角度反映了投资者情绪。股指期现货收益率作为待研究变量,它们之间的静态相关系数为09209,说明两个市场的关联性非常紧密。进一步检验容易看出,股指期、现货市场价格序列是服从I(1)过程的,并且具有协整关系。
(二)投资者情绪与股指期现货市场联动性关系分析
使用DCC-GARCH模型估计股指期、现货市场间的动态相关系数,从表2中可以看出,β是显著大于0的,并且满足α+β小于1的约束条件,说明在滞后期内动态相关系数受前1期标准化均值残差的影响显著。就我国股指现货和股指期货价格联动而言,α1=00657,β1=09333,α2=00627,β2=09347,我国股指期、现货市场之间的动态相关系数受条件异方差的影响很大,并且吸收了由前期均值方差所引起的波动。由于α+β的数值非常接近于1,对股指期货市场与现货市场还同时建立的GJR-DCC-GARCH模型,该模型同时考虑了两个市场联动中的杠杆效应,从系数的显著性来看,对于期货市场而言,杠杆的效应使得波动加大,但只通过了10%的显著水平。因此可以使用DCC-GARCH模型结果得到股指期现货市场间的动态相关系数,如图1所示,股指期现货市场之间的动态相关系数稳定在093~098,其间虽有较大幅度的波动,但总体呈现出高度正相关关系。
基于分位数方法可以考察投资者情绪对股指期、现货市场动态相关性的影响,回归结果见表2的Panel C,可以得到以下结论:①投资者情绪对股指期、现货市场间动态相关性影响是显著的,且具有非对称性。②当市场相关性较低时,投资者情绪对相关性的影响是正向的,而在相关性处于中等或较高水平时,投资者情绪对相关性的影响是负向的。③从系数图中可以发现在相关系数处于较高或较低水平时,投资者情绪对其的影响差异较大。这个结论表明,當市场处于较为平稳的状态,即股指期、现货市场处于长期协整状态时,投资者会对资本市场有相对理性和准确的判断,在套利机制和投资者追求盈利的交易操作下,股指期、现货市场间关系不易在情绪的作用下出现较大偏离。而只有在处于期、现货市场较低相关性时,往往是由于投资者情绪对市场走势的误判。投资者情绪的增加会降低股指期货市场与现货市场的信息传递效率,会降低两个市场间的相关性。而在极端情况,两个市场间的相关性非常低时,期、现货市场价格出现大幅度偏离。此时在套利交易者的作用下,使得两个市场的价格出现回归均衡的局面。从具体的实证结果容易看出,投资者情绪对股指期货、现货市场动态相关性的影响与样本期内市场状态有关,总体上看,投资者情绪对动态相关性存在显著的负向影响。
(三)投资者情绪与股指期货价格发现功能关系分析
在VECM模型的基础上,利用传统信息份额模型对股指期货市场价格发现功能加以度量,基于IS模型得到期货市场和现货市场的信息份额,以分析股指期货市场是否在价格发现中起主导作用。容易得出股指期货市场信息份额上界为9661%,下界为1207%,均值为5434%(取上下界的平均值),股指现货市场上界为8793%,下界为339%,均值为4566%,可见期货市场价格发现功能比现货强。
进一步使用分位信息份额模型计算不同分位点处期货市场与现货市场的信息份额,比较期现货市场收益率处于不同水平时,价格发现功能是否受投资者情绪的影响。此时需在VECM模型中引入投资者情绪指数作为外生变量,并分别对不考虑和考虑情绪下的分位信息份额进行对比。从表3呈现的结果来看,期货、现货市场收益率处于不同分位点时,期货市场的价格发现能力并不相同。其中当现货收益率水平一定时,随着期货收益率分位点τ1由01到09的变化,价格发现能力是逐渐增强的,且当现货市场收益率处于较低分位点时,期货价格发现能力更强;而当期货市场收益率水平较低时,随着现货收益率分位点的提高,更容易表现为现货市场引导期货市场。通过对比考虑情绪影响后的分位信息份额,容易得出情绪加剧了期、现货市场处于不同收益率分布下的信息份额波动,尤其是当期、现货市场收益率处于尾部分布时,即市场处于极端行情时,情绪对价格发现功能的影响更显著。当τ1和τ2都在05附近时,投资者情绪会降低价格发现功能,这也与以往学者得到的结论基本一致,即在大多数市场行情下,情绪会降低市场间信息传递效率,减少市场间相关性的同时也会降低股指期货市场的价格发现功能。但在极端市场行情下则会出现差别,由于投资者情绪会通过大量买入卖出交易行为影响期、现收益率和联动性,当在期货市场出现大量购买行为时,投资者情绪会提高期货市场价格发现功能,反之则出现现货市场引导期货市场的情形,即投资者情绪也会提高现货市场的价格发现能力。
五、稳健性检验与进一步分析
(一)股指期货价格发现动态过程
实证部分使用IS模型得到了基于全样本的股指期货与股指现货的信息份额,虽然从整体上解释了股指期货具有引导现货的作用,并且也通过分位信息份额模型证明价格发现功能与期、现货市场所处的状态有关。通过全面检验不同分位点处的价格发现效率(τ1,τ2=01,02,03,04,05,06,07,08,09),提高稳健性。其优势是能够检验期货市场的价格发现功能在不同行情时的变化。当期货(现货)市场收益率分位点一定时,随着另一个市场收益率分位点的提高,价格发现功能会逐渐下降。同时也能够进一步证明股指期、现货市场之间并不是期货市场一直处于主导地位。总体而言,通过稳健性分析不仅可以证明股指期货市场仅在一定程度上具有价格发现功能,也对以往学者有关期现货引导关系研究结论不一致的原因给出合理解释(见图2)。
(二)动态Granger因果检验
为了验证投资者情绪对期、现货市场联动关系的实证结果,尤其是投资者情绪对价格发现功能的影响,可以通过研究两个市场间的引导关系进行稳健性分析。使用静态Granger因果分析发现股指期货与股指现货具有相互引导关系,难以看出投资者情绪能够影响股指期货市场价格发现功能。因此进一步将样本数据分段,并使用动态滚动Granger因果检验分析,窗口期设定为180个观测数据,对多个窗口都进行Granger因果滚动分析,其中滞后期的选择根据当期180个观测数据的SC准则确定。最终根据市场状态的变化,使用t时刻前后三个月的波动率区分市场态势。当t时刻及以后的波动率持续超过t时刻前波动率的20%,即认为市场仍处于动荡阶段。将市场分成市场动荡阶段(2015年3月2日—2016年10月17日)和市场平稳阶段(2016年10月18日—2018年12月28日)。其中第一阶段、第二阶段共分别进行了220次和360次的Granger因果检验分析,第二阶段比第一阶段股指期货市场累计1%,5%,10%置信水平下显著次数占比分别减少了2377%、5025%和2699%,股指现货市场的累计显著次数占比分别减少了2901%、3579%和3889%。通过动态Granger因果检验,当市场处于较极端情况时,股指期、现货市场间的相互引导关系会增强。而当市场平稳状态时,期、现货市场对信息的反应效率是比较接近的,与期货市場的分位信息份额结果一致,也说明了我国股指期货市场尚未充分发挥价格发现功能(见表4)。
六、结论与启示
通过基于DSSW模型理论建立研究假设,结合DCC-GARCH与分位信息份额模型进行实证检验,分析投资者情绪对股指期现货市场间联动关系的影响,可以得出以下若干结论。
首先,从行为金融学视角对投资者情绪进行阐释,并通过合理的PLS方法构建投资者情绪指数。通过改变对DSSW模型原假设条件的设定,从理论角度给出投资者情绪对期、现货市场波动率及联动关系的影响,为投资者情绪影响期货市场功能发挥提供理论依据。
其次,投资者情绪的增加会降低股指期货市场与现货市场的信息传递效率,会降低两个市场间的相关性。这是由于期货市场和现货市场拥有不同的投资者结构,“创造空间效应”也会对期货市场和现货市场产生不同程度的影响。当投资者情绪高涨时,机构投资者和个人投资者的非理性行为将会显著增加。噪声交易者变得比套利者更活跃,特别是在现货市场,在过度乐观和过度自信的情况下,噪声交易者忽视了外部信息的冲击并继续交易,从而降低了信息对波动率的影响并且降低了市场效率。
最后,我国股指期货市场具有一定的价格发现功能,但价格发现作用有限。实证结果显示,股指期货对现货市场存在双向Granger因果关系,且期货市场的信息份额仅比现货市场高868%。出现这种情况的原因与样本期间股指期货市场限制交易政策有关,因股指期货价格发现功能的“交易成本假说”,限制了投资者情绪在股指期货市场的作用发挥。但通过分位信息份额模型的检验,在稳定的行情下,情绪会具有抑制期货市场价格发现功能的作用,而在极端行情下,情绪具有提高单个市场价格发现功能的作用。这不仅论证了期货市场价格发现功能会受到情绪因素的影响;也从市场状态角度阐释了情绪对价格发现能力的影响存在区别,在一定程度上解释了以往学者相关研究结论不一致的原因。
尽管有效金融市场理论认为,期现货市场对信息的反应是同步的(信息份额分别为50%)。但通常情况下,期货市场的交易成本优势能够更快融入价格信息,具有天然的价格发现条件。通常情况下,情绪因素往往降低了期现货市场间的信息传递效率,抑制期货市场的价格发现功能,但并不排除極端行情情绪会带来相反的作用。通过本文的研究不仅有助于分析我国股指期货市场价格发现功能现状,也在充分科学地利用计量模型实证检验过程中挖掘影响股指期货市场效率动态变化的情绪因素,从而为投资者的投资策略制定及监管决策提供理论支持与参考依据。
参考文献
[1]BAKER M,WURGLER J, YUAN Y Global, local and contagious investor sentiment[J]. Journal of Financial Economics, 2012,104(2SI):272-287
[2]Bohl M T, Salm C A, Schuppli M Price Discovery and Investor Structure in Stock Index Futures[J]. Journal of Futures Markets, 2011,31(3).
[3]CORREDOR P, FERRER E, SANTAMARIA R Sentiment-prone investors and volatility dynamics between spot and futures markets[J]. International Review of Economics & Finance, 2015(35):180-196
[4]COULTON J J, DINH T, JACKSON A B The impact of sentiment on price discovery[J]. Accounting & Finance, 2016, 56(3):669-694
[5]DING W J,MAZOUZ K, WANG Q W Investor sentiment and the cross-section of stock returns: new theory and evidence[J]. Review of Quantitative Finance and Accounting, 2019, 53(2):493-525
[6]GONZALO J,GRANGER C Estimation of Common Long-Memory Components in Cointegrated Systems[J]. Journal of Business and Economic Statistics,1995, 13(1):27-35
[7]HASBROUCK J One security, Many Markets: Determining the Contributions to PriceDiscovery[J]. Journal of Finance, 1995,50(4).
[8]HUANG D, JIANG F,TU J, et al Investor sentiment aligned: A powerful predictor of stock returns[J]. Review of Financial Studies, 2015,28(3):791-837
[9]LIEN D, WANG Z J Quantile informationshare[J]. Journal of Futures Markets, 2019, 39(1):38-55
[10]LIN C B, CHOU R K, WANG G H K Investor sentiment and price discovery: Evidence from the pricing dynamics between the futures and spot markets[J]. Journal of Banking & Finance, 2018(90):17-31
[11]LIU C, AN Y CACACE F, Investor sentiment and the basis of CSI 300 stock index futures: An Empirical Study Based on QVAR Model and Quantile Regression[J]. Discrete Dynamics in Nature and Society, 2018
[12]PEDERSEN T Q Predictable return distributions[J]. Journal of Forecasting, 2015,34(2).
[13]SHU HC Investor mood and financialmarkets[J]. Journal of Economic Behavior & Organization, 2010,76(2):267-282
[14]STAMBAUGH R F, YU JF, YUAN Y The short of it: Investor sentiment and anomalies[J]. Journal of Financial Economics, 2012,104(2).
[15]YANG CP, LI JF Investor sentiment, information and asset pricingmodel[J]. Economic Modelling, 2013(35):436-442
[16]YUE YD, LIU DC, SHAN X U Price linkage between Chinese and international nonferrous metals commodity markets based on VAR-DCC-GARCH models[J]. Transactions of Nonferrous Metals Society of China, 2015,25(3):1020-1026
[17]崔麗媛, 洪永淼 投资者对经济基本面的认知偏差会影响证券价格吗?——中美证券市场对比分析[J]. 经济研究, 2017 (8):94
[18]方匡南,蔡振忠我国股指期货价格发现功能研究[J].统计研究,2012,29(5):73-78
[19]华仁海,刘庆富股指期货与股指现货市场间的价格发现能力探究[J].数量经济技术经济研究,2010,27 (10):90-100
[20]刘晨,张锐,王宝森中美玉米期货市场功能效率比较[J].中国流通经济,2020,34(4):56-66
[21]刘文文, 周远慧, 郭宗梦 投资者情绪与动态波动溢出效应——基于上证 50 指数期现货研究[J]. 武汉金融, 2019 (6):33-38
[22]陶立斌,潘婉彬,黄筠哲沪深300股指期货价格发现能力的变化及其决定因素[J].金融研究,2014(4):128-142
[23]王美今,孙建军 中国股市收益、收益波动与投资者情绪[J]. 经济研究, 2004(10):75-83
[24]许荣, 刘成立 限制交易政策如何影响期现关系?——对股指期货价格发现功能的实证检验[J]. 金融研究, 2019(2):154-168