融資融券交易與市場穩(wěn)定性：基于動態(tài)視角的證據(jù)

劉 燁, 方立兵, 李冬昕, 李心丹

(南京大學(xué)工程管理學(xué)院, 南京 210093)

融資融券交易與市場穩(wěn)定性：基于動態(tài)視角的證據(jù)

劉 燁, 方立兵*, 李冬昕, 李心丹

(南京大學(xué)工程管理學(xué)院, 南京 210093)

通過構(gòu)建“外生信息沖擊的門限自回歸條件密度(TARCD-X)”模型，進而從動態(tài)的視角考察了融資融券實施前后，市場漲跌和交易量增減4種重要的信息沖擊對下一期市場穩(wěn)定性的影響具有怎樣的差異，以及融資融券實施后，融資融券余額變動作為新的信息沖擊如何影響下一期市場的穩(wěn)定性.以波動性、暴漲暴跌的不對稱性和暴漲暴跌的頻繁性3個指標衡量市場的穩(wěn)定性，研究發(fā)現(xiàn)：(1)12種影響關(guān)系中，除交易量減小對市場波動性的沖擊作用在融資融券實施后有所放大之外，其他11種影響關(guān)系均未出現(xiàn)不利變化；(2)融資融券余額的變動沒有顯著增加市場的波動性和暴漲暴跌的頻繁性，但其與暴漲暴跌的不對稱性存在顯著的相關(guān)關(guān)系.后者為構(gòu)建股市暴漲暴跌的預(yù)警指標提供了實證依據(jù).

融資融券； 市場穩(wěn)定； 賣空； 條件密度

0 引 言

2010年3月31日，我國正式啟動融資融券試點，允許符合條件的投資者向經(jīng)紀公司借入資金(融資)并買入證券，或者借入證券(融券)并賣出.作為一項機制創(chuàng)新，融資融券交易的現(xiàn)實意義在于結(jié)束了我國股市成立20多年來沒有賣空機制的歷史.在經(jīng)典的金融理論中，允許賣空交易被視為減小市場摩擦、平抑暴漲暴跌的一項必要舉措.然而，在實務(wù)界，人們常常懷疑賣空機制會加劇市場動蕩、破壞穩(wěn)定性.那么，融資融券的實施到底如何影響市場穩(wěn)定性呢？這顯然是實務(wù)界尤其是監(jiān)管層十分關(guān)心的問題.

本文認為，對這一問題的回答至少應(yīng)從如下兩個視角進行深入剖析，一是靜態(tài)的視角，二是動態(tài)的視角.前者是較為傳統(tǒng)的研究視角，相關(guān)文獻十分豐富，如Bris等[1]、Fotak等[2]、Saffi和Sigurdsson[3]、Maggi和Fantazzini[4]以及Beber和Pagano[5]等；國內(nèi)學(xué)者如廖士光[6]、楊德勇和吳瓊[7]、王旻等[8]以及許紅偉和陳欣[9]等.這類研究通常比較融資融券實施前后或賣空約束放松(收緊)前后市場穩(wěn)定性指標的均值具有怎樣的差異.動態(tài)視角則有所不同，其更加強調(diào)于描述市場穩(wěn)定性指標的時變特征，進而考察融資融券這一機制創(chuàng)新前后，市場穩(wěn)定性的動態(tài)過程具有怎樣的差異.以波動性這一常見的穩(wěn)定性指標為例，基于靜態(tài)視角的研究通常比較融資融券前后兩個樣本期的平均波動性，而基于動態(tài)視角的考察通常是在刻畫時變波動性的基礎(chǔ)上，討論其時變過程在融資融券實施前后是否發(fā)生變化.可見，動態(tài)視角與靜態(tài)視角相比，其顯著優(yōu)勢在于強調(diào)了市場穩(wěn)定性的時變特征.具體說來，市場穩(wěn)定性指標的動態(tài)變化往往與信息沖擊的隨機到達緊密相關(guān)，信息沖擊的隨機性決定了相關(guān)穩(wěn)定性指標的時變性.基于動態(tài)視角的研究，可以深入考察上述信息沖擊如何影響市場的穩(wěn)定性，以及這種影響關(guān)系在融資融券實施前后是否發(fā)生變化、怎樣變化.基于靜態(tài)視角的研究則無法達到這一目的.

然而，令人遺憾的是，目前動態(tài)視角的研究還很不全面，相關(guān)認識有待深入.在同類文獻中，萬迪昉等[10]的研究比較具有代表性，他們以波動性作為市場穩(wěn)定性指標，采用GARCH-M模型考察了融資融券交易由“試點”轉(zhuǎn)為“常規(guī)”的一年半時間內(nèi)，市場漲跌對波動性的影響出現(xiàn)了怎樣的變化.但是，對市場的穩(wěn)定性的評價僅僅用波動性評價還不夠，還應(yīng)包括暴漲暴跌的不對稱性以及頻繁性.另外，融資融券實施后，融資融券余額的變化作為市場披露的重要信息受到密切關(guān)注.那么，這一新生的信息沖擊將對市場的穩(wěn)定性產(chǎn)生怎樣的影響呢？這是另一個十分重要但基于現(xiàn)有研究結(jié)果難以回答的問題.

鑒于此，本文構(gòu)建了“引入外生信息沖擊的門限自回歸條件密度(TARCD-X)”模型，進而刻畫了前期市場漲跌、交易量增減以及融資融券余額的變化等信息沖擊與市場穩(wěn)定性指標之間的動態(tài)關(guān)系.為了較為全面地衡量市場的穩(wěn)定性，本文除了采用常見的波動性指標外，還用偏度衡量市場暴漲暴跌的不對稱性，以及峰度衡量暴漲暴跌的頻繁性.TARCD-X模型的關(guān)鍵優(yōu)勢在于，可以將市場漲跌、交易量增減和融資融券余額的變化等信息沖擊變量，引入收益率的波動、偏度和峰度的動態(tài)過程，進而實現(xiàn)從動態(tài)角度考察市場穩(wěn)定性的時變過程在融資融券實施前后具有怎樣的特征.

1 文獻回顧

關(guān)于實施融資融券或放松賣空限制是否會加劇市場動蕩、損害市場的穩(wěn)定性一直在實務(wù)界和學(xué)術(shù)界引起廣泛爭議.特別是在2007年—2009年的全球金融危機期間，市場一度懷疑賣空交易是導(dǎo)致股市急劇下跌和金融機構(gòu)大面積倒閉的重要原因.因此，包括歐美等成熟市場在內(nèi)的各國監(jiān)管者相繼推出各種不同程度的賣空禁令(short-selling bans)[1].然而，F(xiàn)otak等[2]在對金融危機期間美國遭受“重創(chuàng)”的金融機構(gòu)進行研究后發(fā)現(xiàn)，這些公司的股價暴跌跟賣空交易并無顯著關(guān)系.國際貨幣基金組織(IMF)在其2010年發(fā)布的報告[11]中也指出，歐元區(qū)國家的賣空禁令不僅沒有對危機期間金融機構(gòu)的股價起到支撐作用，反而增加了價格的波動，損害了市場的穩(wěn)定性.

事實上，除了波動性之外，市場收益率的偏度和峰度也是市場穩(wěn)定性的兩個重要衡量指標.其中，偏度描述了價格發(fā)生暴漲暴跌的不對稱性；峰度通常用于描述資產(chǎn)價格發(fā)生暴漲暴跌的可能性是否高于正態(tài)分布給出的累積概率，即發(fā)生暴漲暴跌的頻繁性.理論上，Miller[12]以及Diamond和Verrecchia[13]的研究認為，賣空約束會抑制利空信息的揭示過程而導(dǎo)致股價容易被高估，增加暴漲的可能性.Hong和Stein[14]則進一步指出，被抑制的利空信息往往會在積累一段時間后，在未來市場下跌時集中釋放，從而導(dǎo)致市場在沒有任何重大利空信息的驅(qū)動下“崩盤(crashes)”，暴跌的可能性因此而增加.Bai等[15]認為賣空約束不利于知情交易者的信息揭示，從而降低了資產(chǎn)價格的信息含量.不知情交易者因此面臨較大的逆向選擇風(fēng)險，價格的波動性也就內(nèi)生地增加了.可見，理論研究大多認為，放松賣空限制有助于提高市場的穩(wěn)定性，至少無損于穩(wěn)定性.

實證研究中，Bris等[1]對全球46個市場的賣空限制情況進行對比后指出，限制賣空無助于削弱暴跌高于暴漲的可能性，即難以緩解收益率的負偏風(fēng)險.Saffi和Sigurdsson[3]以借貸余額作為賣空約束程度的代理變量，以收益率的波動、偏度和峰度作為衡量市場穩(wěn)定性的指標，對全球26個國家和地區(qū)的股票市場進行研究后發(fā)現(xiàn)，放松賣空約束與價格的穩(wěn)定性并無顯著關(guān)系.Maggi和Fantazzini[4]對全球31個新興市場進行比較后指出，允許賣空的市場比禁止賣空的市場具有更低的波動性和峰度，而收益率的偏度在不同的禁止賣空市場中各有不同，有的比允許賣空的市場低，有的則比較高.Chang等[16]對香港市場股市中允許賣空的個股和不允許賣空的個股進行比較后研究發(fā)現(xiàn)，前者收益率具有較高的波動和較低的正偏度.王旻等[8]利用臺灣證券市場的融資融券交易數(shù)據(jù)進行研究后指出，融資買空與融券賣空交易并未顯著影響整個市場的波動性水平.廖士光和楊朝軍[17]利用香港股票市場的數(shù)據(jù)研究表明，對于整個股票市場而言，賣空機制推出后，市場波動性加大，但Granger因果檢驗結(jié)果證實市場波動性的增加并非由賣空交易引發(fā).廖士光和楊朝軍[18]對臺灣股市研究指出，賣空機制的引入不僅沒有加劇市場的波動，反而可以對市場的波動起到平抑作用.許紅偉和陳欣[9]對中國股市的研究則指出，融資融券機制的推出能夠顯著減少股價發(fā)生大幅下跌的概率，卻無助于減少收益率的峰度.究其原因，他們認為出現(xiàn)上述結(jié)果的原因可能是融資業(yè)務(wù)和融券業(yè)務(wù)發(fā)展的極端不對稱導(dǎo)致的*從滬深兩市的融資融券余額來看，融資交易的占比長期居于95%以上，而融券交易的占比在絕大部分情況下不足5%(參見本文的樣本描述)..這類研究大多靜態(tài)地比較市場的穩(wěn)定性指標——波動、偏度和峰度在賣空約束放松或收緊前后具有怎樣的差異.

基于動態(tài)視角的研究如Bohl等[19]采用GARCH、機制轉(zhuǎn)換GARCH等模型考察了賣空約束收緊前后市場的波動性具有怎樣的差異，并發(fā)現(xiàn)賣空約束收緊后，市場的波動性顯著增加了.Devaney[20]也采用GARCH類模型對美國證監(jiān)會(SEC)宣布納入賣空禁令的房地產(chǎn)信托公司(REIT)股價的波動性進行了比較，結(jié)果也拒絕了賣空禁令會緩解波動性.萬迪昉等[10]基于GARCH-M、EGARCH-M模型考察了融資融券業(yè)務(wù)推出前后，市場漲跌對股市波動性的影響具有怎樣的差異，并指出金融創(chuàng)新能夠促進交易所自律監(jiān)管功能的發(fā)揮.由此可見，這些研究雖然進行了動態(tài)建模但很少分析賣空約束放松或收緊前后，相關(guān)信息沖擊對波動性的影響關(guān)系發(fā)生了怎樣的變化.而這才是基于動態(tài)視角進行研究的關(guān)鍵所在.當然，除了收益率波動過程具有顯著的時變性之外，近年來也有不少研究指出，收益率的偏度(暴漲暴跌的非對稱性)和峰度(暴漲暴跌的頻繁性)也存在顯著的時變性[21-25].因此，要更加深入、全面地考察融資融券這一機制創(chuàng)新對市場穩(wěn)定性的影響，應(yīng)綜合考察波動性、偏度和峰度等穩(wěn)定性指標的動態(tài)過程發(fā)生了怎樣的變化.

縱觀現(xiàn)有文獻，基于靜態(tài)視角的研究，無論是“橫向”比較，即在不同賣空約束程度的市場間比較，或是“縱向”比較，即對同一市場在賣空約束放松(收緊)前后進行比較，其研究結(jié)果均難以回答市場穩(wěn)定性的動態(tài)過程是否發(fā)生改變、怎樣改變.基于動態(tài)視角的研究往往沒有考慮收益率的偏度和峰度等兩個重要的穩(wěn)定性指標，因而不夠全面.此外，基于現(xiàn)有研究的結(jié)果還難以回答融資融券余額的變化如何影響市場的穩(wěn)定性.眾所周知，融資融券余額是反映投資者買空、賣空行為的重要變量，其變動情況較為細致地跟蹤了市場買空、賣空交易的運動軌跡.因此，研究融資融券余額的變化與市場穩(wěn)定性的關(guān)系可以進一步考察投資者買空、賣空行為對市場的穩(wěn)定性會產(chǎn)生怎樣的沖擊作用.

2 TARCD-X模型的構(gòu)建與估計

設(shè)市場的收益率為rt，其條件均值為μt，條件波動、條件偏度和條件峰度分別為σt、λt和ηt.這三個指標構(gòu)成了本文用于衡量市場穩(wěn)定性的主要指標，下標t表示這三個指標具有時變性.于是，市場收益率rt可以表示為如下隨機過程

(1)

其中Ψt-1表示第t期可以獲得的信息集.

關(guān)于條件均值μt，考慮如下模型

μt=u0+u1rt-1

(2)

對于金融市場的收益率來講，其價格的效率性確保了一階自回歸足以刻畫收益率之間的自相關(guān)關(guān)系.這是因為即便是一個弱勢有效的市場，過去的收益率已經(jīng)不具有對未來收益率的預(yù)測能力.因此，選擇一階自回歸描述收益率自相關(guān)特征是合理的.

關(guān)于條件波動過程σt，考慮到收益率的波動過程具有“聚集性”和“杠桿效應(yīng)”等典型事實，以及為了規(guī)避模型參數(shù)的非負性約束，這里選擇Nelson[26]提出的指數(shù)GARCH(EGARCH)模型

(3)

(4)

(5)

(6)

(7)

由上述設(shè)定可以看出，式(1)中關(guān)于收益率分布形態(tài)的設(shè)定需要同時引入均值、波動、偏度和峰度等參數(shù).為此，本文選擇Hansen[21]提出的有偏學(xué)生-t(SkewT)分布.其概率密度函數(shù)如下

(8)

其中x定義為標準化收益率(rt-μt)/σt；γ和κ分別是偏度系數(shù)和自由度；sgn(·)是符號函數(shù)；A、B和C都是γ和κ的函數(shù)

γ>0和γ<0分別表示概率分布為正偏和負偏，而且|γ|越大，偏斜程度越嚴重；當γ=0時，分布是對稱的，退化為傳統(tǒng)的學(xué)生-t分布；自由度κ刻畫了分布的尖峰、厚尾程度.與傳統(tǒng)的學(xué)生-t分布類似，對于SkewT分布來講，“尖峰”和“厚尾”也是一致的，即κ越小，“峰”越“尖”，“尾”越“厚”，價格發(fā)生暴漲暴跌的頻繁性越高，峰度越大，反之亦反之.因此，SkewT分布足夠靈活，可以較好地反映收益率的條件高階矩特征.更為重要的是，與三階和四階中心矩等偏度和峰度的統(tǒng)計定義相比，SkewT分布的偏度系數(shù)γ和自由度κ更為直接地刻畫了收益率分布的不對稱程度和尖峰、厚尾程度，因此，更加符合本文關(guān)注于價格暴漲暴跌的對稱性和頻繁性特征的研究主旨.根據(jù)SkewT分布的定義，偏度系數(shù)γ應(yīng)具有如下取值范圍-1<γ<1，而自由度κ應(yīng)滿足3<κ<30.為使式(6)和式(7)產(chǎn)生的偏度和自由度系數(shù)符合此范圍，Hansen[21]建議用Logistic函數(shù)Λ(l,u)(x)=l+(u-l)/(1+e-x)將λt和ηt分別映射到(-1, 1)和(3, 30)的區(qū)間內(nèi).考慮到γ和κ的時變性，記

γt=Λ(-1,1)(λt)，κt=Λ(3,30)(-ηt)顯然，λt越大，γt越大，收益率越傾向于正偏，暴漲高于暴跌的可能性越高；ηt越大，κt越小，尖峰、厚尾程度越嚴重，暴漲暴跌頻繁性越高.

綜合式(1)—式(8)，需要估計的參數(shù)來自四個方程，即均值方程(2)的θ1=(u0,u1)，條件波動方程式(3)的θ2=(a0,a1,a2,…,a9)，條件偏度方程(6)的θ3=(b0,b1,b2,…,b9)以及條件峰度方程(7)的θ4=(c0,c1,c2,…,c9).在Ψt-1給定的情況下，可以通過極大化如下對數(shù)似然函數(shù)得到上述參數(shù)的估計值

(9)

其中θ=(θ1,θ2,θ3,θ4).

為進一步考察融資融券實施后，融資融券余額的變化對市場穩(wěn)定性的影響，考慮將相關(guān)變量引入穩(wěn)定性指標的動態(tài)過程.記Mt和St分別表示第t期市場的融資余額和融券余額，二者的對數(shù)變化mt和st分別按如下方法計算

mt=lnMt-lnMt-1,st=lnSt-lnSt-1

(10)

當觀測值為融資融券后樣本時，式(5)、式(6)和式(7)可改寫為

(11)

(12)

(13)

無論是將收益率的波動、偏度和峰度的動態(tài)過程設(shè)定為式(5)、式(6)和式(7)，亦或式(11)、式(12)和式(13)，兩種設(shè)定都刻畫了前期價格漲跌、前期交易量增減、融資融券余額變化等外生信息變量(記作“X”)對三種穩(wěn)定性指標的沖擊作用.此外，兩種設(shè)定中也都考慮了外生信息以“0”為門限值(threshold)的非對稱沖擊.因此，本文將其稱為“外生沖擊的門限自回歸條件密度(TARCD-X)模型”.為了便于表述，在本文接下來的內(nèi)容里，將式(5)、式(6)和式(7)設(shè)定下的模型記為“TARCD-X1”模型，將式(11)、式(12)和式(13)設(shè)定下的模型記為“TARCD-X2”模型.這兩個模型的參數(shù)估計均采用極大似然方法，估計過程使用Eviews編程實現(xiàn).由于模型的待估參數(shù)較多，實際估計時，參數(shù)的初值對似然函數(shù)的極大化過程影響較大.因此，本文采用從簡單到復(fù)雜的過程，將各個變量逐個加入模型中，并以前一個模型估計的結(jié)果作為下一個模型的初值，從而完成最終的模型估計.

3 樣本描述及一些初步的結(jié)果

自2010年3月31日融資融券試點正式啟動至2013年1月25日擴容以前，納入融資融券范圍的股票主要來自滬深300指數(shù)的部分成分股.因此，本文的實證研究以滬深300指數(shù)(HS300)的日百分比對數(shù)收益率為樣本，進而從市場的層面考察融資融券的實施如何影響穩(wěn)定性.與現(xiàn)有研究僅考察納入融資融券范圍的股票相比，其必要性在于，沒有納入融資融券范圍的股票不可避免地會受到前者價格變化的影響.因此，僅僅以融資融券標的股票為研究對象并不能較為全面地評價這一機制創(chuàng)新對整個市場的影響.

本文的樣本期間選擇2009年1月5日至2013年3月29日.其中，2009年1月5日至2010年3月30日為融資融券前樣本；2010年3月31日～2013年3月29日為融資融券后樣本.融資融券交易前樣本以2009年1月5日作為起點的原因在于，2006年至2008年的中國股市經(jīng)歷了長達兩年的牛市和一年的熊市.在此期間，滬深300指數(shù)從2006年初的937點一路上漲，直到2007年10月16日達到5 875點的最高位置，然后又持續(xù)下跌，并于2008年11月4日跌至1 627點的最低水平.這一“過山車式”的暴漲暴跌過程如果不從樣本中剔除，可能使研究結(jié)果難以令人信服.當然，作為一個補充的檢驗，本文的穩(wěn)健性檢驗部分仍然將其納入研究樣本.

如此取樣可能帶來的一個新的問題是，融資融券前后樣本容量差距較大.前者共包括300個觀測值，而后者約為前者的2.4倍，共728個觀測值.但本文認為后者容量相對較大是必要的.首先，融資融券交易作為一項機制創(chuàng)新，投資者需要一個適應(yīng)過程，監(jiān)管者也需要對市場的運行情況觀察一段時間后才能全面推行.事實上，融資融券交易由“試點”轉(zhuǎn)為“常規(guī)”是以2011年11月25日《上海證券交易所融資融券交易實施細則》正式施行為標志的.2010年3月31日至2011年11月24日期間的樣本僅為試運行期間的樣本.其次，在上述樣本中，融資融券作為“常規(guī)”業(yè)務(wù)的樣本量(2011年11月25日至2013年3月29日)共計324個交易日，與融資融券前的樣本量是比較接近的.當然，由于本文著眼于市場穩(wěn)定性的動態(tài)過程，為了保持其時間序列上的連續(xù)性，不再剔除2010年3月31日至2011年11月24日這段試點期間的樣本.

圖1 滬深300指數(shù)的對數(shù)收盤價及收益率(百分比)

Fig.1 Logarithmic close price and returns (in percent) of HS300 index

圖1描繪了整個樣本期間滬深300指數(shù)的對數(shù)收盤價和百分比對數(shù)收益率的折線圖.從圖中可以看出，滬深300指數(shù)在整個樣本期的走勢是比較平穩(wěn)的.表1對融資融券前后滬深300指數(shù)的收益率(rt)、交易量的對數(shù)變化(vt)以及融資融券后融資融券余額的對數(shù)變化(mt和st)進行了描述性統(tǒng)計.

從表1可以看出，融資融券后，滬深300指數(shù)收益率的標準誤比融資融券前有所下降.這就意味著，收益率的波動程度比融資融券前有所改善.從收益率的偏度來看，雖然兩個樣本期均為負值，但絕對值從0.541 7下降到0.137 3，即融資融券交易實施后，收益率的負偏度也削弱了，暴漲暴跌的不對稱性有所緩解.

相比之下，刻畫暴漲暴跌頻繁性的峰度在融資融券后相對較大，這與前述理論預(yù)示不盡一致.但是，從滬深300指數(shù)暴漲暴跌的次數(shù)和頻率來看，融資融券實施前，漲幅大于5%的次數(shù)為3次，頻率約為1%(≈3/300)，跌幅大于5%的次數(shù)為5次，頻率約為1.67%(≈5/300)；相比之下，融資融券實施后，漲幅大于5%的次數(shù)和頻率為0，而跌幅大于5%的次數(shù)和頻率分別為3和0.41%(≈3/728).由此可見，融資融券實施后，市場發(fā)生暴漲暴跌的頻繁性大幅減小，特別是暴跌的頻率減小為原來的1/4左右.這些結(jié)果表明，暴漲暴跌的頻繁性和幅度相對于融資融券前均有所改善.另外，從收益率的極端值來看，融資融券實施前的最大漲幅和跌幅分別為6.46%和7.37%，而融資融券實施后的最大漲幅和跌幅分別為4.93%和6.42%.從收益率暴漲暴跌的分布(樣本分位數(shù))來看，融資融券實施后，95%和85%水平上的分位數(shù)均小于融資融券實施前相應(yīng)水平上的分位數(shù)，而5%和15%水平上的分位數(shù)均大于融資融券實施前的分位數(shù).這就從暴漲暴跌的分布情況反映了融資融券實施后市場的穩(wěn)定性相對較好.綜合上述描述性統(tǒng)計結(jié)果可以看出，大部分市場穩(wěn)定性指標均反映了融資融券的實施提升了市場的穩(wěn)定性.這與現(xiàn)有的基于靜態(tài)視角的研究結(jié)果是一致的.

表1 融資融券前后樣本的描述性統(tǒng)計

從交易量對數(shù)變化(vt)的分布情況來看，無論是極端值還是四種分位數(shù)值，融資融券后的絕對值均大于融資融券前的結(jié)果.這說明，融資融券實施后交易量的大幅增加和減少均比融資融券前變化的較為劇烈.這與融資融券這一機制創(chuàng)新所帶來的杠桿交易是有關(guān)的.除此之外，從vt的偏度和峰度而言，融資融券后的偏度和峰度均高于融資融券前的樣本.這說明融資融券實施后，市場的交易量比融資融券前更加易于出現(xiàn)大幅增減，且大幅增加的可能性相對更高.這些結(jié)果也都與融資融券給市場帶來的杠桿交易是一致的.

圖2給出了融資融券實施后，各交易日融資余額的對數(shù)(lnMt)、融券余額的對數(shù)(lnSt)以及融資余額占融資融券余額比重(Mt/(Mt+St))的折線圖.從圖2可以看出，融資余額和融券余額均成增長趨勢.結(jié)合表1對融資融券余額的對數(shù)變化給出的描述性統(tǒng)計結(jié)果來看，融資融券余額的日平均增幅為1.3%～1.4%.從圖2還可以看出，融資余額增長趨勢相對較為穩(wěn)定，而融券余額的增長過程具有較大的變異.這也可以從表1給出的相關(guān)描述性統(tǒng)計結(jié)果得到支持.首先，從標準誤來看，融資余額對數(shù)變化(mt)的標準誤不到融券余額對數(shù)變化(st)標準誤的1/3.其次，從mt和st的極端值以及六種水平的分位數(shù)也可以得出類似的結(jié)論.融資余額的日最大漲幅為92.50%，最大跌幅為4.80%，但融券余額的日最大漲幅為249.10%，而最大跌幅為187.44%.最后，從分位數(shù)來看，mt的50%以上的三種分位數(shù)均小于st相應(yīng)水平上的分位數(shù)，而mt在50%以下的三種水平上的分位數(shù)均大于st相應(yīng)水平上的分位數(shù).另外，值得注意的是，從融資余額在融資融券余額中的占比(圖2)來看，融資余額長期占據(jù)絕對優(yōu)勢，占比一直維持在95%以上.這再次應(yīng)證了現(xiàn)有研究給出的結(jié)果，即我國的融資融券交易存在嚴重的“跛足”現(xiàn)象.

綜上所述，相關(guān)描述性統(tǒng)計結(jié)果已經(jīng)初步說明了，融資融券交易實施后，滬深300指數(shù)的價格變化比融資融券前更加穩(wěn)定，而交易量則比融資融券前變化得更加強烈.另外，融資融券實施后，市場的融資余額呈現(xiàn)較為穩(wěn)定的增長趨勢；融券余額雖然在總體上也呈增長趨勢，但其變化相對較為劇烈.

圖2 融資融券余額日折線圖

Fig.2 Line chart of daily account of margin trading

4 實證結(jié)果

本文的實證結(jié)果包括如下兩個部分：一是基于全樣本估計式(5)、式(6)和式(7)設(shè)定下的TARCD-X1模型，進而考察前期的價格和交易量的變化如何影響市場波動性、暴漲暴跌的不對稱性(偏度)和頻繁性(峰度)等穩(wěn)定性指標，以及這種影響關(guān)系在融資融券實施前后是否發(fā)生變化；二是基于融資融券后的樣本估計式(11)、式(12)和式(13)設(shè)定下的TARCD-X2模型，從而考察前期的價格、交易量、融資融券余額的變化等信息沖擊如何影響市場的波動性、偏度和峰度等穩(wěn)定性指標.

4.1 市場穩(wěn)定性的動態(tài)過程： 融資融券前后的比較

從TARCD-X1模型的設(shè)定可以看出，式(5)、式(6)和式(7)總共刻畫了12種影響關(guān)系，即市場的上漲和下跌、交易量的增大和減小4種信息沖擊與波動性、暴漲暴跌的不對稱性和頻繁性3種穩(wěn)定性指標間的動態(tài)關(guān)系.三個方程的參數(shù)估計結(jié)果如表2所示.

表2 信息沖擊與市場的穩(wěn)定性： TARCD-X1模型的估計結(jié)果

注：1)TARCD-X1模型設(shè)定為式(5)、式(6)和式(7)，估計的樣本期為2009年1月5日至2013年3月29日；2)虛擬變量Dt-1用于控制融資融券后各信息沖擊對收益率條件波動的影響.3)以粗體顯示的數(shù)值表示其p-值小于顯著性水平10%.

圖3 融資融券前后信息沖擊對市場穩(wěn)定性指標的影響比較

4.2 融資融券后相關(guān)信息沖擊對市場穩(wěn)定性的影響

表3 信息沖擊與市場的穩(wěn)定性： TARCD-X2模型的估計結(jié)

注：1)TARCD-X2模型設(shè)定為式(11)、式(12)和式(13)，估計的樣本期為2010年3月31日至2013年3月29日；2)以粗體顯示的數(shù)值表示其p-值小于顯著性水平10%.

圖4 融資融券余額變化與市場的穩(wěn)定性

Fig. 4 The impact of changes of margin account on market stability

綜上所述，在TARCD-X2模型中，價格和交易量的變化與三個市場穩(wěn)定性指標的關(guān)系與TARCD-X1模型是一致的.除此之外，在控制了前期價格漲跌和交易量增減后，融資融券余額的變化并未顯著增加市場的波動性和峰度(暴漲暴跌的頻繁性)，且其對預(yù)期偏度(暴漲暴跌的不對稱性)具有一定的短期預(yù)測能力.具體來說，當融資余額減少或融券余額增加時，市場暴跌的可能性增加，而暴漲的可能性減小，即需要注意防范負偏風(fēng)險.

5 穩(wěn)健性檢驗

為了檢驗上述結(jié)果的穩(wěn)健性，本文進行兩個方面的穩(wěn)健性檢驗.首先，考慮將樣本的起始時間調(diào)整為滬深300指數(shù)的掛牌日期，即利用2005年4月8日至2013年3月29日共1 939個觀測值重新估計TARCD-X1模型.雖然2006年～2008年中國股市經(jīng)歷了一次前所未有的“牛轉(zhuǎn)熊”行情，但不能排除這種行情的出現(xiàn)本身也可能是因為市場缺乏做空機制.因此，本文前面的研究中，將樣本的起點選為2009年1月5日實際上是一種保守的做法，即提高了拒絕原假設(shè)的可能性.作為穩(wěn)健性檢驗，進一步將樣本期提前到2005年4月8日也是有益的嘗試.

圖5 融資融券前后信息沖擊對市場穩(wěn)定性指標的影響比較： 替代樣本

Fig. 5 Comparison of the impact of information shock on market stability around margin trading: Based on the alternative sample

如圖5所示*限于篇幅，穩(wěn)健性檢驗的詳細數(shù)據(jù)這里從略，但歡迎感興趣的同仁來信索取.，雖然模型系數(shù)的顯著性與圖3的結(jié)果有一定差異，但從比較的結(jié)論來看，4種信息沖擊對3種穩(wěn)定性指標的12種影響關(guān)系中，也只有交易量的負向沖擊與收益率波動性之間的關(guān)系在融資融券后顯著增加，其他11種影響關(guān)系均未產(chǎn)生不利變化.因此，總體來說，市場穩(wěn)定性指標的動態(tài)變化在融資融券實施后并未發(fā)生較大的不利變化.

本文進行的第二個穩(wěn)健性檢驗是考慮到投資者大多存在風(fēng)險規(guī)避心理，故而將“收益-風(fēng)險”關(guān)系引入模型的均值方程并重新估計模型.這是因為，在前述研究中，TARCD-X1和TARCD-X2模型的均值方程均被設(shè)定為AR(1)的形式.這種設(shè)定形式忽略了信息沖擊所引起的波動性風(fēng)險與預(yù)期收益之間的關(guān)系，而這種“收益-風(fēng)險”關(guān)系反映了投資者的風(fēng)險規(guī)避心理對市場穩(wěn)定性可能產(chǎn)生的影響.鑒于此，考慮將式(2)調(diào)整為

μt=u0+u1rt-1+φσt

(14)

其中σt反映了預(yù)期的波動性，系數(shù)φ刻畫了收益率的期望值μt與預(yù)期的波動性風(fēng)險之間的相關(guān)性.將式(14)與式(5)、式(6)和式(7)聯(lián)合亦或與式(11)、式(12)和式(13)聯(lián)合即可得到兩種新的模型，這里分別記為TARCD-X3和TARCD-X4模型.

圖6 融資融券前后信息沖擊對市場穩(wěn)定性指標的影響比較： 基于TARCD-X3模型

進一步比較圖4和圖7的結(jié)果可以發(fā)現(xiàn)，融資融券實施后，TARCD-X4模型所給出的融資融券余額的變化對市場穩(wěn)定性的12種影響關(guān)系中，10種結(jié)果與TARCD-X2的結(jié)果是類似的.不同的是，在控制了“收益-風(fēng)險”關(guān)系后，TARCD-X4模型的結(jié)果顯示，融資余額和融券余額的增加對暴漲暴跌頻繁性沖擊作用顯著減弱.這就進一步說明了，TARCD-X2模型所給出的融資融券余額對市場穩(wěn)定性的影響中，有部分影響效果被投資者所要求的波動性風(fēng)險補償?shù)窒?

圖7 融資融券余額變化與市場的穩(wěn)定性： 基于TARCD-X4模型

Fig. 7 The impact of margin account changes on market stability: Based on TARCD-X4 model

綜合上述穩(wěn)健性檢驗的結(jié)果可以看出，市場漲跌和交易量增減4種信息沖擊對市場穩(wěn)定性的影響，在控制了“收益-風(fēng)險”關(guān)系后，并未出現(xiàn)顯著的不利變化.另一方面，從融資融券余額的變化作為新的信息沖擊，對市場穩(wěn)定性的影響也不會因為控制了“收益-風(fēng)險”關(guān)系而惡化.因此，總的來說，在對投資者的風(fēng)險規(guī)避心理所造成的影響加以控制后，本文實證研究部分所給出的結(jié)果均未出現(xiàn)不利變化.

6 結(jié)束語

為較為全面地考察融資融券交易對市場穩(wěn)定性的影響，有必要從靜態(tài)和動態(tài)兩個視角進行深入研究.從已有文獻來看，相關(guān)研究大多著眼于前者，即考察市場在不同程度的賣空約束條件下，其穩(wěn)定性具有怎樣的差異.這就忽略了市場穩(wěn)定性指標應(yīng)當具有的時變性特征.相比之下，動態(tài)視角著眼于市場穩(wěn)定性時變過程在融資融券實施(放松賣空約束)前后是否發(fā)生變化、怎樣變化.具體說來，基于動態(tài)視角的研究，可以將市場漲跌、交易量增減和融資融券余額的變化等重要的信息沖擊引入市場穩(wěn)定性指標的時變過程，進而更加深入地回答如下兩個問題：一是市場漲跌和交易量增減等重要的信息沖擊如何影響市場的穩(wěn)定性，以及這種影響關(guān)系在融資融券前后具有怎樣的差異；二是融資融券余額作為新的信息沖擊會對市場的穩(wěn)定性產(chǎn)生怎樣的影響.此二者顯然是十分重要而基于靜態(tài)視角往往難以回答的問題.

鑒于此，本文提出了“外生信息沖擊的門限自回歸條件密度(TARCD-X)”模型，進而從動態(tài)的視角考察了前期市場漲跌和交易量增減等4種信息沖擊對市場穩(wěn)定性的影響在融資融券實施前后發(fā)生了怎樣的變化.TARCD-X模型的顯著優(yōu)勢在于可以將這4種信息沖擊同時引入市場的波動性、暴漲暴跌的不對稱性和暴漲暴跌的頻繁性3個穩(wěn)定性指標的時變過程，從而考察這12種影響關(guān)系在融資融券實施前后是否存在差異.此外，基于TARCD-X模型還可以考察融資融券余額的變化作為新的信息沖擊如何影響市場的穩(wěn)定性.以滬深300指數(shù)為樣本，研究發(fā)現(xiàn)：首先，12種影響關(guān)系中，除了交易量減小對市場波動性的沖擊作用有所放大之外，其他11種影響關(guān)系均未出現(xiàn)不利變化；其次，融資融券余額的變動作為新的信息沖擊沒有顯著增加市場的波動性和暴漲暴跌的頻繁性；最后，融資融券余額的變動與暴漲暴跌的不對稱性存在顯著的相關(guān)關(guān)系.具體說來，融資余額增加和融券余額減少預(yù)示著市場出現(xiàn)暴漲的可能性增加，而融資余額減少和融券余額增加預(yù)示著市場出現(xiàn)暴跌的可能性增加.因此，融資融券余額的變化對市場暴漲暴跌的不對稱性具有一定的預(yù)測能力，這就為構(gòu)造預(yù)警指標、防范市場的暴漲暴跌風(fēng)險提供了有益的參考.

融資融券機制的實施結(jié)束了我國股市沒有賣空機制的歷史，但賣空機制的引入究竟能否減小市場摩擦、提升市場效率、促進市場穩(wěn)定一直頗受關(guān)注.本文的研究只是經(jīng)驗地從動態(tài)的視角考察了融資融券實施前后市場穩(wěn)定性發(fā)生了怎樣的變化.但如何解釋上述結(jié)果還有待于構(gòu)建理論模型進行深入分析.例如，通過構(gòu)建理論模型，研究賣空限制的市場環(huán)境下，價格的波動性、暴漲暴跌的非對稱性和頻繁性是如何形成的將是重要的研究內(nèi)容.另外，對資產(chǎn)價格形成過程的深入考察，一種新興的金融學(xué)分支——計算實驗金融學(xué)(agent-based computational finance, ACF)廣受青睞.與經(jīng)典的金融理論與實證研究的范式不同，計算實驗金融研究遵循相應(yīng)的市場制度安排，賦予微觀主體特定的行為模式以及相應(yīng)的學(xué)習(xí)機制，強調(diào)市場(理性的或有限理性的)主體間的微觀交互，進而揭示市場的運行特征與規(guī)律.基于計算實驗環(huán)境，更為細致地研究放松賣空限制如何影響市場的穩(wěn)定性將是未來極具創(chuàng)新性和實踐價值的研究方向.

[1]Bris A, Goetzmann W N, Zhu N. Efficiency and the bear: Short sales and markets around the world[J]. Journal of Finance, 2007, 62(3): 1029-1079.

[2]Fotak V, Raman V, Yadav P K. Naked short selling: The emperor’s new clothes?[R]. Working Paper, Oklahoma: University of Oklahoma, 2009.

[3]Saffi P A C, Sigurdsson K. Price efficiency and short selling[J]. Review of Financial Studies, 2011, 24(3): 821-852.

[4]Maggi M, Fantazzini D. Chapter 23: Short Selling in Emerging Markets: A Comparison of Market Performance During The Global Financial Crisis[M]. Handbook of Short Selling, Waltham: Elsevier, 2012： 339-352.

[5]Beber A, Pagano M. Short-selling bans around the world: Evidence from the 2007-2009 crisis[J]. Journal of Finance, 2013, 68(1): 343-381.

[6]廖士光. 融資融券交易價格發(fā)現(xiàn)功能研究——基于標的證券確定與調(diào)整的視角[J]. 上海立信會計學(xué)院學(xué)報, 2011, (1): 67-76. Liao Shiguang. Study on the price discovery function of margin purchase and short sale transaction: From the aspect of underlying securities determination and adjustment[J]. Journal of Shanghai Lixin University of Commerce, 2011, (1): 67-76. (in Chinese)

[7]楊德勇, 吳 瓊. 融資融券對上海證券市場影響的實證分析——基于流動性和波動性的視角[J]. 中央財經(jīng)大學(xué)學(xué)報, 2011, (5): 28-34. Yang Deyong, Wu Qiong. Empirical research on the impact of margin trading on liquidity and volatility of Shanghai security market[J]. Journal of Central University of Finance & Economics, 2011, (5): 28-34. (In Chinese)

[8]王 旻, 廖士光, 吳淑琨. 融資融券交易的市場沖擊效應(yīng)研究——基于中國臺灣證券市場的經(jīng)驗與啟示[J]. 財經(jīng)研究, 2008, (10): 99-109. Wang Min, Liao Shiguang, Wu Shukun. The study on the impact effects of margin trading on stock market: Evidence and enlightenments from Taiwan stock market in China[J]. Journal of Finance and Economics, 2008, (10): 99-109. (in Chinese)

[9]許紅偉, 陳 欣. 我國推出融資融券交易促進了標的股票的定價效率嗎?——基于雙重差分模型的實證研究[J]. 管理世界, 2012, (5): 52-61. Xu Hongwei, Chen Xin. Does the pricing of underlying stocks are more efficient after margin trading in Chinese stock market [J]. Management World, 2012, (5): 52-61. (in Chinese)

[10]萬迪昉, 李佳嵐, 葛 星. 融資融券能否提高交易所自律監(jiān)管效率?[J]. 證券市場導(dǎo)報, 2012, (8): 66-71. Wan Difang, Li Jialan, Ge Xing. Can margin trading increase the efficiency of self-regulation of stock market exchange?[J]. Securities Market Herald, 2012, (8): 66-71. (in Chinese)

[11]International Monetary Fund. EU commission consultation on short selling[R]. http://www .imf.org/external/np/eur/2010/pdf/080510.pdf, 2010.8.

[12]Miller E M. Risk, uncertainty, and divergence of opinion[J]. Journal of Finance, 1977, 32(4): 1151-1168.

[13]Diamond D W, Verrecchia R E. Constraints on short-selling and asset price adjustment to private information[J]. Journal of Financial Economics, 1987, 18(2): 277-311.

[14]Hong H, Stein J C. Differences of opinion, short-sales constraints, and market crashes[J]. Review of Financial Studies, 2003, 16(2): 487-525.

[15]Bai Y, Chang E C, Wang J. Asset prices under short-sale constraints[R]. Working Paper, Cambriolge: MIT, 2006.

[16]Chang E C, Cheng J W, Yu Y. Short-sales constraints and price discovery: Evidence from the Hong Kong market[J]. Journal of Finance, 2007, 62(5): 2097-2121.

[17]廖士光, 楊朝軍. 賣空交易機制、 波動性和流動性——一個基于香港股市的經(jīng)驗研究[J]. 管理世界, 2005, (12): 6-13. Liao Shiguang, Yang Chaojun. The short selling mechanism, the market fluctuation, and the market fluidity[J]. Management World, 2005, (12): 6-13. (in Chinese)

[18]廖士光, 楊朝軍. 賣空交易機制對股價的影響——來自臺灣股市的經(jīng)驗證據(jù)[J]. 金融研究, 2005, (10): 131-140. Liao Shiguang, Yang Chaojun. The impact of short-selling mechanism on stock price: Evidence from Taiwan stock market[J]. Journal of Financial Research, 2005, (10): 131-140. (in Chinese)

[19]Bohl M T, Essid B, Siklos P L. Do short selling restrictions destabilize stock markets? Lessons from Taiwan[J]. The Quarterly Review of Economics and Finance, 2012, 52(2): 198-206.

[20]Devaney M. Financial crisis, REIT short-sell restrictions and event induced volatility[J]. The Quarterly Review of Economics and Finance, 2012, 52(2): 219-226.

[21]Hansen B E. Autoregressive conditional density estimation[J]. International Economic Review, 1994, 35(3): 705-730.

[22]Harvey C R, Siddique A. Autoregressive conditional skewness[J]. Journal of Financial & Quantitative Analysis, 1999, 34(4): 465-487.

[23]Leon A, Rubio G, Serna G. Autoregressive conditional volatility, skewness and kurtosis[J]. The Quarterly Review of Economics and Finance, 2005, 45(4-5): 599-618.

[24]許啟發(fā), 張世英. 多元條件高階矩波動性建模[J]. 系統(tǒng)工程學(xué)報, 2007, 22(1): 1-8. Xu Qifa, Zhang Shiying. Multivariate conditional higher moments volatility modeling[J]. Journal of Systems Engineering, 2007, 22(1): 1-8. (in Chinese)

[25]王 鵬. 基于時變高階矩波動模型的VaR與ES度量[J]. 管理科學(xué)學(xué)報, 2013, 16(2): 33-45. Wang Peng. Calculating VaR and ES based on volatility models with time-varying higher-moments[J]. Journal of Management Sciences in China, 2013, 16(2): 33-45. (in Chinese)

[26]Nelson D B. Conditional heteroskedasticity in asset returns: A new approach[J]. Econometrica, 1991, 59(2): 347-370.

[27]Engle R F, Ng V K. Measuring and testing the impact of news on volatility[J]. Journal of Finance, 1993, 48(5): 1749-1778.

Margin trading and the stability of stock market: A dynamic perspective

LIUYe,FANGLi-bing*,LIDong-xin,LIXin-dan

School of Management and Engineering, Nanjing University, Nanjing 210093, China

A new model called Threshold Auto-Regressive Conditional Density model with exogenous shocks (abbreviated to be TARCD-X) is developed in the present work. The advantage of this model is that it accommodates all twelve relationships between the four types of information shocks and three indicators of market stability. Therefore, the model can be well employed to investigate the impact of margin trading on the stability of stock market from a dynamic perspective. The shocks include the increase and decrease of stock market price, and trading volume. The indicators of market stability involve volatility, the asymmetry of large up and down movements, and the frequency of large movements of the stock market. The empirical results documented that: (1) eleven of the twelve relationships do not worsen except for the decreasing of trading volume hasa larger effect on conditional volatility after the execution of margin trading; (2) the changes in the margin trading account, as a new information shock, do not increase the volatility or the frequency of large movements, but are significantly correlated to the asymmetry of large up or down movement. This evidence is beneficial to building early warning indicators to identify large movement of stock market.

margin trading; market stability; short sale; conditional density

2013-07-31；

2015-10-28.

國家自然科學(xué)基金重點資助項目(70932003)； 國家自然科學(xué)基金資助項目(71173098)； 國家自然科學(xué)基金青年資助項目(71203091； 71401071)； 教育部人文社會科學(xué)研究青年項目(14YJC790025)； 江蘇省自然科學(xué)基金青年資助項目(BK20130589).

方立兵(1980—)， 男， 安徽舒城人， 博士， 講師. Email： lbfang@nju.edu.cn

F830.91

A

1007-9807(2016)01-0102-15