限制股指期貨對股市波動性影響的實(shí)證研究

盧萬青　陳春流

摘 要：本文利用2013—2016年滬深300指數(shù)收盤價的日收益率數(shù)據(jù)，首先采用GARCH（1，1）模型，分析了在剔除融資融券變量之后，限制股指期貨的政策對股市的波動影響，然后使用EGARCH（1，1）模型分析股指期貨限制對股市非對稱效應(yīng)的影響，最后通過中證500、上證50股指期貨收盤價數(shù)據(jù)和調(diào)整數(shù)據(jù)周期進(jìn)行了穩(wěn)健性檢驗(yàn)。研究結(jié)果表明：限制股指期貨的政策降低了股市的波動性，但加劇了股市的非對稱效應(yīng)。

關(guān)鍵詞：股指期貨；股票市場；波動性；GARCH模型

中圖分類號：F830.91 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-2265（2017）06-0048-06

一、引言和文獻(xiàn)綜述

2010年4月16日，我國第一個股指期貨上市交易，推出股指期貨的目的在于穩(wěn)定股票市場，豐富投資工具，國內(nèi)學(xué)術(shù)界也對推出股指期貨與股票市場波動性進(jìn)行了大量的研究，大部分都得出我國股指期貨的上市交易可以起到穩(wěn)定股票市場的作用。2015年6月—8月，我國股票市場經(jīng)歷了嚴(yán)重的股價下跌，中金所隨后出臺了限制股指期貨交易的政策，在此背景下，本文研究的目的是實(shí)證分析限制股指期貨交易的政策對股市波動性和非對稱性的影響。

針對股指期貨交易對現(xiàn)貨市場波動性影響的問題，學(xué)術(shù)界仍存在較大的分歧，主要觀點(diǎn)包括以下三種：

（一）股指期貨市場降低了股票市場波動性

Lee和Ohk（1992）通過對香港恒生指數(shù)期貨的研究，得出恒生指數(shù)期貨有利于降低香港地區(qū)股票市場的波動性。Pilar和Rafael（2004）通過對西班牙引入股指期貨后的股票市場進(jìn)行研究，結(jié)果顯示股指期貨的引入顯著降低了西班牙股市的波動性。Antoniou、Koutmos和Pericli（2005）選取英國FTA指數(shù)、法國CAC指數(shù)、美國S&P500指數(shù)、德國FC指數(shù)、日本Nikkei指數(shù)及加拿大T300組合指數(shù)，分析了六個國家的股票市場，結(jié)果顯示股指期貨都有效降低了六個國家股票市場的波動性。Drimbetas（2007）選取了富時指數(shù)日收盤價數(shù)據(jù)對英國的股票市場進(jìn)行研究，EGARCH模型結(jié)果顯示股指期貨的推出不僅顯著降低了現(xiàn)貨市場波動性，還提高了市場效率。Kasman（2010）同樣采用EGARCH模型研究了土耳其2002—2007年間的股票市場，結(jié)果也顯示股指期貨降低了股市波動性。宗計(jì)川和李先玉（2013）在剔除國內(nèi)經(jīng)濟(jì)形勢、國際經(jīng)濟(jì)形勢、投資者情緒及周內(nèi)效應(yīng)后，以滬深300指數(shù)期貨為研究對象，結(jié)果表明股指期貨的推出減少了現(xiàn)貨市場的波動性。Zhang和Lv（2013）采用ARCH、GARCH模型及格蘭杰因果關(guān)系檢驗(yàn)研究了印度的股票市場，結(jié)果表明，印度推出股指期貨降低了股市波動，同時也增強(qiáng)了股市價格發(fā)現(xiàn)功能。許碩（2016）同時采用GARCH和VAR模型，研究了中國股票市場在限制投機(jī)政策下的表現(xiàn)，結(jié)果表明限制投機(jī)交易制度的推出減少了現(xiàn)貨市場的波動性，可以起到市場維穩(wěn)的作用。曹棟和張佳（2017）選取2007—2015年滬深300指數(shù)收盤價數(shù)據(jù)，采用GARCH-M模型研究了中國股票市場推出股指期貨的表現(xiàn)，結(jié)果顯示股指期貨可以顯著降低現(xiàn)貨市場波動性。

（二）股指期貨市場對股票市場波動性無影響

Baldauf和Santoni（1991）采用ARCH模型對S&P500指數(shù)進(jìn)行研究，發(fā)現(xiàn)S&P500股指期貨對現(xiàn)貨市場波動性影響不顯著。Shenbagaraman（2002）通過對印度S&P CNX Nifty期貨、期權(quán)和現(xiàn)貨市場的研究，未發(fā)現(xiàn)股指期貨市場與現(xiàn)貨市場波動之間的相關(guān)性。吳佩渝（2000）對臺灣地區(qū)股指期貨市場的研究得出，臺灣地區(qū)股指期貨上市后對現(xiàn)貨市場的波動性并沒有顯著影響。Darrat和Rahman（2002）、Sibani和Shankar（2007）的研究顯示期貨市場的交易對現(xiàn)貨市場的波動影響不顯著。盛浙湘、顧天慧（2011）選取了處于不同發(fā)展階段的八個國家和地區(qū)，發(fā)現(xiàn)除日本外，推出股指期貨對現(xiàn)貨市場的影響都不顯著。Hu和Yiwen（2016）選取滬深300指數(shù)日收盤價數(shù)據(jù)進(jìn)行研究，結(jié)果顯示股指期貨價格變化對股市波動性沒有顯著影響。

（三）股指期貨市場增加了股票市場的波動性

Antoniou和Holmes（1995）對FTSE100指數(shù)進(jìn)行了實(shí)證研究，發(fā)現(xiàn)股指期貨交易加大了現(xiàn)貨市場的波動性，但也改善了現(xiàn)貨市場的信息傳播速度和質(zhì)量。俞衛(wèi)（1995）對具有不同到期日的8種股指期貨與現(xiàn)貨市場關(guān)系的研究發(fā)現(xiàn)，指數(shù)套利改變了股指期貨價格和股票價格的波動形態(tài)，股指期貨的價格波動有時是由股票市場的沖擊引起的。Bac（2004）、Kang（2007）研究了日本、韓國等五個亞洲國家的股票市場，GARCH及擴(kuò)展的GJR-GARCH、APGARCH模型結(jié)果顯示，五個國家股票市場的波動性與非對稱性在引入股指期貨后都有不同程度的增加。劉鳳根和王曉芳（2008）選取N225指數(shù)、韓國KOSPI200指數(shù)和臺灣證交所加權(quán)指數(shù)分析了日本、韓國和臺灣地區(qū)的股票市場，GARCH模型結(jié)果顯示股指期貨的推出對臺灣地區(qū)股市波動性影響不顯著，但顯著加劇了日本和韓國股市的波動性。Kittiakarasakun、Tse和Wang（2012）選取2002—2004年的Nasdaq-100股指期貨數(shù)據(jù)，研究了知情交易者和不知情交易者在不對稱波動下的影響，結(jié)果顯示不知情交易者的交易行為更顯著地導(dǎo)致了市場的不對稱波動。Yang Jian（2012）選取了2010年4月16日到2010年7月30日滬深300指數(shù)收盤價數(shù)據(jù)，研究了股指期貨推出之初現(xiàn)貨市場的表現(xiàn)，發(fā)現(xiàn)推出之初，股市出現(xiàn)很大跌幅，股指期貨價格發(fā)現(xiàn)的作用不顯著。

需要指出的是，首先，絕大部分學(xué)者對股指期貨與現(xiàn)貨市場波動的關(guān)系研究都未剔除可能引起股市波動的其他經(jīng)濟(jì)變量，本文較嚴(yán)謹(jǐn)?shù)靥蕹巳谫Y融券變量，參考宗計(jì)川和李先玉（2013）的方法，把融資融券變量加入到GARCH模型的均值方程進(jìn)行分析；其次，大部分學(xué)者研究的是股指期貨上市對現(xiàn)貨市場的波動影響，而本文更進(jìn)一步地分析股指期貨的限制政策對現(xiàn)貨市場的波動影響；最后，通過使用中證500、上證50股指期貨數(shù)據(jù)和調(diào)整樣本區(qū)間三種方法進(jìn)行了穩(wěn)健性檢驗(yàn)，使結(jié)果更具可靠性。endprint

二、數(shù)據(jù)與模型選取

（一）數(shù)據(jù)和變量說明

本文選取2013年10月28日—2016年10月26日滬深300指數(shù)日收盤價數(shù)據(jù)，融資融券變量用融資融券余額表示，利用收盤價數(shù)據(jù)計(jì)算出日收益率數(shù)據(jù)，計(jì)算公式為：[ret=100ln（ptpt-1）]，其中[pt]表示t期滬深300指數(shù)收盤價，[pt-1]表示上一期收盤價；利用融資融券余額日數(shù)據(jù)，使用同樣的計(jì)算公式得到融資融券變動率數(shù)據(jù)。除去節(jié)假日，共有732個樣本，數(shù)據(jù)均來源于萬得資訊。為了分析股指期貨的限制政策對股市波動性的影響，將數(shù)據(jù)以2015年9月7日為節(jié)點(diǎn)分成兩個子樣本：限制政策出臺前的2013年10月28日—2015年9月7日和限制政策出臺后的2015年9月8日—2016年10月26日。

（二）計(jì)量經(jīng)濟(jì)學(xué)模型

廣義自回歸條件異方差GARCH模型是由T.Bollerslev提出，經(jīng)ARCH模型發(fā)展而來，是專門針對金融時間序列數(shù)據(jù)使用的回歸模型，很適合分析帶有波動聚集性的金融時間序列。基于AIC和SC準(zhǔn)則，本文選擇GARCH（1，1）模型來分析股指期貨的限制政策對股市的波動影響，GARCH（p，q）由均值方程和方差方程構(gòu)成，原始形式如下：

[xt=β0+β1xt-1+β2xt-2+…+βpxt-p+ut] （1）

[ut=htεt] （2）

[ht=α0+i=1qαiu2t-1+i=1pβih2t-1] （3）

其中，[p]和[q]分別為GARCH項(xiàng)和ARCH項(xiàng)階數(shù)，當(dāng)[p]=1、[q]=1時就得到GARCH（1，1）模型；（1）式為AR（p）形式的條件均值方程，[ut]為誤差項(xiàng)；（3）式為條件方差方程，[α0]代表原先的不確定性，[u2t-1]表示外部的波動沖擊，[h2t-1]表示過去的波動性，[αi]和[βi]分別表示外部波動沖擊與過去波動性對當(dāng)期波動性的影響程度，數(shù)值越大，則代表對當(dāng)期波動性影響越大。為了剔除融資融券變量對股市波動的影響，本文把融資融券余額加入均值方程，設(shè)定如下：

[hs300t=c+βrzrqt+ut] （4）

其中，[hs300t]表示滬深300指數(shù)收益率，[rzrqt]表示融資融券余額變動率，[ut]為隨機(jī)誤差項(xiàng)。

三、實(shí)證分析

本文首先采用GARCH（1，1）模型分析限制股指期貨對股市的波動性影響，然后使用EGARCH（1，1）模型分析限制股指期貨對股市的非對稱效應(yīng)影響，分析之前，進(jìn)行了描述性統(tǒng)計(jì)和充分的實(shí)證檢驗(yàn)。

（一）描述性統(tǒng)計(jì)

本文分別對滬深300指數(shù)收益率和融資融券余額變動率進(jìn)行全樣本和子樣本描述性統(tǒng)計(jì)，見表1。

由表1可知，滬深300指數(shù)收益率（[hs300t]）全樣本的偏度為-1.0170，左偏，峰度為7.9093，J-B統(tǒng)計(jì)量為861，說明滬深300指數(shù)收益率序列是具有高峰厚尾，且分布顯著異于正態(tài)分布的序列，采用GARCH模型是合適的。觀察滬深300指數(shù)收益率序列限制前和限制后的偏度和峰度值也可得出結(jié)論，[hs300t]限制前樣本的標(biāo)準(zhǔn)差為1.9301，限制后的標(biāo)準(zhǔn)差為1.6135，限制后標(biāo)準(zhǔn)差小于限制前的標(biāo)準(zhǔn)差，據(jù)此可以初步判斷，限制滬深300指數(shù)期貨交易后，降低了股市波動。

融資融券余額變動率（[rzrqt]）限制前樣本的偏度為-3.8476，峰度為27.1561，說明融資融券變動率也是一種帶有左拖尾高峰的非正態(tài)分布的時間序列；限制后樣本的偏度為-0.3980，峰度為4.9192，J-B統(tǒng)計(jì)量為49，較限制前的數(shù)值都有明顯下降，說明限制后的樣本更趨近于正態(tài)分布；比較[rzrqt]限制前后的標(biāo)準(zhǔn)差可以看出，限制后的標(biāo)準(zhǔn)差下降了0.47，說明限制股指期貨交易政策出臺后的時間范圍內(nèi)，融資融券余額變動率的波動下降很大。

（二）實(shí)證檢驗(yàn)

1. 平穩(wěn)性檢驗(yàn)。使用ADF檢驗(yàn)來測度滬深300指數(shù)收益率和融資融券余額變動率序列是否為平穩(wěn)序列，結(jié)果如表2所示。

表2：ADF檢驗(yàn)結(jié)果

[樣本期

變量 全樣本ADF值 限制前ADF值 限制后ADF值 [hs300t] -25.4117

（p=0.0000） -8.9596

（p=0.0000） -18.4719

（p=0.0000） [rzrqt] -6.8179

（p=0.0000） -9.5054

（p=0.0000） -7.0252

（p=0.0000） ]

從表2 可以看出，滬深300指數(shù)收益率序列在全樣本和子樣本時期的p值都趨向0，所以該序列是平穩(wěn)序列；同樣可得出融資融券余額變動率序列也是平穩(wěn)的。

2. 自相關(guān)檢驗(yàn)及模型識別。對（4）式進(jìn)行OLS回歸，再利用LM自相關(guān)檢驗(yàn)，在滯后5階的情況下，顯示殘差存在自相關(guān)，見表3。

表3：LM自相關(guān)檢驗(yàn)結(jié)果

基于AIC和SC準(zhǔn)則，本文選定AR（2）MA（2）來擬合模型，擬合后的結(jié)果顯示，除了常量C的系數(shù)不顯著以外，其他系數(shù)都很顯著，且從滯后1階到10階都沒檢測到自相關(guān)，說明用AR（2）MA（2）擬合模型效果良好，且消除了自相關(guān)。

3. ARCH效應(yīng)檢驗(yàn)。如果殘差不具有ARCH效應(yīng)，即不具備波動聚集性，則不能使用GARCH模型來分析，因此，在使用GARCH模型分析前，必須要進(jìn)行ARCH效應(yīng)檢驗(yàn)。本文采用ARCH-LM（滯后8階）來檢驗(yàn)殘差是否存在ARCH效應(yīng)，檢驗(yàn)結(jié)果如表4所示。

表4：ARCH效應(yīng)檢驗(yàn)結(jié)果

由表4可以判定，殘差具有高階ARCH效應(yīng)，可以用GARCH模型來分析。

（三）回歸結(jié)果分析endprint

1. GARCH模型對股市波動性的分析。為了檢驗(yàn)股指期貨限制政策對股市波動性的影響，本文加入虛擬變量[dmt]來表示股指期貨限制這個事件，將[dmt]加入方差方程，股指期貨限制前[dmt]等于0，限制后[dmt]等于1；基于AIC和SC準(zhǔn)則，本文建立GARCH（1，1）模型，經(jīng)AR（2）MA（2）擬合后的均值方程，加入了虛擬變量的方差方程如下：

[hs300t=φ0+φ1hs300t-1+φ2hs300t-2+φ3rzrqt+φ4ut-1+φ5ut-2] （5）

[ht=α0+α1u2t-1+β1h2t-1+γdmt] （6）

其中[dmt]的系數(shù)[γ]可以用來解釋股指期貨限制政策對股市波動性的影響，如果[γ]顯著小于0，說明股指期貨限制政策減少了股市波動；[γ]顯著大于0，說明股指期貨限制政策增加了股市波動；[γ]顯著等于0就表示股指期貨限制政策對股市沒有影響；另外，[α1+β1]需滿足小于1以保證模型的穩(wěn)定性。使用Eviews8.0回歸，結(jié)果如表5所示。

表5：GARCH（1，1）模型回歸結(jié)果

[ Coefficient Std.Error Z-statistic Prob. φ0 -0.0731 0.0483 -1.5138 0.1301 φ1 -1.8525 0.0155 -119.3324 0.0000 φ2 -0.9569 0.0138 -69.2699 0.0000 φ3 0.6351 0.0492 12.9019 0.0000 φ4 1.8570 0.0114 162.5115 0.0000 φ5 0.9703 0.0120 81.0914 0.0000 α0 0.0310 0.0095 3.2807 0.0010 α1 0.0633 0.0109 5.7864 0.0000 β1 0.9276 0.0101 92.0262 0.0000 γ -0.0191 0.0083 -2.3044 0.0212 R-squared 0.1616 Mean dependent var 0.0460 Adjusted R-squared 0.1558 S.D.dependent var 1.8184 S.E of regression 1.6707 Akaike info criterion 3.5093 Sum squared resid 2020.971 Schwarz criterion 3.5722 Log likelihood -1270.886 Durbin-Watson stat 1.9609 ]

由表5可得，除了常數(shù)項(xiàng)不顯著以外，其他變量都在5%的水平下顯著；[γ]的系數(shù)為-0.0191，顯著小于0，因此，可以得到：推出股指期貨限制政策減少了股市的波動；另外[α1+β1]=0.99<1也滿足模型穩(wěn)定性要求；本文還對使用GARCH（1，1）模型回歸后的結(jié)果進(jìn)行了ARCH-LM檢驗(yàn)，見表6。

表6：GARCH模型回歸后ARCH效應(yīng)檢驗(yàn)

由表6可得，在滯后8階的情況下，經(jīng)GARCH（1，1）模型回歸后的殘差消除了ARCH效應(yīng)。

2. EGARCH模型對股市非對稱性的分析。股市不僅存在股票價格的波動聚集性，還存在信息的非對稱性，即投資者對利空消息和利好消息的反應(yīng)程度不一樣，本文用EGARCH模型來分析股指期貨限制政策對這一現(xiàn)象的影響。 EGARCH模型的一個特征是模型系數(shù)不存在非負(fù)性約束，避免了條件方差出現(xiàn)負(fù)值，因此選用EGARCH模型來分析股指期貨限制政策對股市的非對稱影響。同樣基于AIC和SC原則，使用經(jīng)MA（1）擬合后的EGARCH（1，1）模型來分析，條件均值方程如（7）式，條件方差方程如（8）式：

[hs300t=φ0+φ1rzrqt+φ2ut-1] （7）

[Ln（ht）=α0+α1Ln（ht-1）+β1ut-1ht-1+γut-1ht-1] （8）

（7）式中，[ut-1/ht-1]為標(biāo)準(zhǔn)化信息，[ut-1/ht-1<0]表示利空消息，[ut-1/ht-1≥0]則表示利好消息，[ut-1/ht-1]是非對稱效應(yīng)項(xiàng)，通過觀察其系數(shù)[γ]來確定是否存在非對稱效應(yīng)，如果[γ]顯著不等于零，則表明存在非對稱性，用[β1+γ]和[β1-γ]來分別表示股票市場對利好消息和利空消息的反應(yīng)程度。回歸結(jié)果如表7所示。

表7：EGARCH（1，1）模型股市非對稱回歸結(jié)果

[估計(jì)系數(shù) 總體 限制前 限制后 φ0 -0.0801（0.0996） -0.0357（0.6111） 0.0443（0.2006） φ1 0.6688（0.0000） 0.3821（0.0000） 0.9204（0.000） φ2 -0.0089（0.8144） 0.0230（0.6433） -0.1262（0.0417） α0 -0.1019（0.0000） -0.0940（0.0002） 0.0186（0.4048） α1 0.9890（0.0000） 0.9992（0.0000） 1.0070（0.0000） β1 0.1455（0.0000） 0.1307（0.0001） -0.0447（0.1430） γ -0.0186（0.2100） 0.0222（0.1555） -0.0831（0.0013） β1+γ 0.1269 0.1529 -0.1278 β1-γ 0.1641 0.1084 0.0383 ]

注：括號中的數(shù)值為P值。

由表7可以發(fā)現(xiàn)，總體樣本回歸結(jié)果中非對稱效應(yīng)項(xiàng)的系數(shù)[γ]為-0.0186，但不顯著，這說明在總體樣本區(qū)間未檢測到股市的非對稱性，限制前樣本回歸結(jié)果的[γ]為0.0222，也不顯著，表明在限制股指期貨前，股市不存在非對稱效應(yīng)，即利好消息和利空消息對股市的沖擊是無差異的。但是，限制后的樣本回歸結(jié)果[γ]為-0.0831，在1%的水平下顯著不為零，表明在限制股指期貨后股市存在非對稱效應(yīng)，[β1+γ]的值為-0.1278，即利好消息對股市的沖擊為endprint

-0.1278倍，[β1-γ]的值為0.0383，即利空消息對股市有0.0383倍的沖擊，投資者對利空消息的反應(yīng)程度明顯大于對利好消息的反應(yīng)程度，顯示出市場的非理性特征，說明限制股指期貨的措施加劇了股市的非對稱性。

四、穩(wěn)健性檢驗(yàn)

前文實(shí)證得出滬深300指數(shù)期貨的限制政策降低了現(xiàn)貨市場的波動性，但加劇了股市的非對稱性效應(yīng)，股市呈現(xiàn)出更多的非理性特征。國內(nèi)已上市的股指期貨還有中證500和上證50股指期貨，為了檢驗(yàn)結(jié)果的穩(wěn)健性，在樣本區(qū)間一致的情況下，分別使用中證500和上證50指數(shù)日收盤價數(shù)據(jù)來替代滬深300指數(shù)日收盤價，并采用相同的實(shí)證方法進(jìn)行回歸，又把滬深300日收盤價數(shù)據(jù)樣本區(qū)間設(shè)置為2010年4月16日—2016年10月19日，得到回歸結(jié)果如表8、表9所示。

表8顯示，無論是選用中證500、上證50指數(shù)的數(shù)據(jù)還是擴(kuò)大樣本區(qū)間，代表股指期貨限制事件的虛擬變量dmt的系數(shù)都為負(fù)值，且非常接近，中證500指數(shù)和調(diào)整樣本區(qū)間的方法在1%水平下顯著，上證50指數(shù)的系數(shù)在10%水平下顯著，和前文得到的結(jié)果是一致的。

從表9可以看出，用中證500指數(shù)數(shù)據(jù)回歸的結(jié)果顯示，從總體來看未檢測到股市的非對稱效應(yīng)，但是限制前和限制后都存在非對稱效應(yīng)，且非常顯著，進(jìn)一步地從β1+γ和β1-γ的值來看，限制前的β1+γ為0.0355，而限制后的β1+γ為-0.1117，這說明在限制股指期貨后，股市對利好消息更不敏感；再比較限制前后β1-γ的值可以得出，限制股指期貨后股市對利空消息更加敏感了。同樣的分析，上證50和調(diào)整樣本區(qū)間的結(jié)果都顯示在限制股指期貨后股市顯著存在非對稱效應(yīng)，并且限制股指期貨后股市對利空消息的反應(yīng)程度更大了，股市呈現(xiàn)出更多的非理性特征。這和前文得到的結(jié)論一致。

五、結(jié)論

2015年9月7日，中金所出臺了對股指期貨的限制政策，本文的研究目的是實(shí)證分析限制政策對股市波動性和對稱性的影響，考慮到融資融券對股市波動的重要影響，本文剔除了融資融券變量。選取滬深300指數(shù)日收益率數(shù)據(jù)，加入虛擬變量表示限制事件，采用GARCH（1，1）模型分析限制政策對股市波動的影響，得到的回歸結(jié)果顯示，中金所限制股指期貨交易的政策顯著地減少了股市的波動；然后使用EGARCH（1，1）模型分析限制政策對股市非對稱性的影響，結(jié)果顯示限制股指期貨的政策加劇了股市的非對稱效應(yīng)；最后還通過調(diào)整變量和調(diào)整數(shù)據(jù)選取的時間區(qū)間進(jìn)行了穩(wěn)健性檢驗(yàn)，結(jié)果均顯示結(jié)果是穩(wěn)健的。綜上可得，限制股指期貨的政策雖然在一定程度上達(dá)到了降低股市波動的作用，但卻加劇了股市的非對稱效應(yīng)，股市對利空消息的反應(yīng)程度遠(yuǎn)大于對利好消息的反應(yīng)程度，市場呈現(xiàn)更多的非理性特征。

參考文獻(xiàn)：

[1]Antoniou，A. and Holmes，P. 1995. Futures trading，information and spot price volatility： Evidence for the FTSE-100 stock index futures contract using GARCH. Journal Of Banking And Finance，Vol.19，No.1.

[2]Pilar C.，afael S. 2002. Does Derivatives Trading Destabilize the Underlying Assets？ Evidence from the Spanish Stock Market[J].Applied Economics Letters，（2）.

[3]Damodaran，A. 1990. Index futures and stock market volatility.Review Of Futures Markets，Vol.9，No.2.

[4]Antoniou A，Koutmos G，Pericli A. 2005. Index futures and positive feedback trading：evidence from major stock exchanges[J].Journal of Empirical Finance，12（2）.

[5]Drimbetas E，Sariannidis N，Porfiris N. 2007. The effect of derivatives trading on volatility of the underlying asset：evidence from the Greek stock market[J].Applied Financial Economics，17（2）.

[6]Kasman A，Kasman S. 2010. The impact of futures trading on volatility of the underlying asset in the Turkish stock market[J].Physica A：Statistical Mechanics and its Applications，387（12）.

[7]Lee，S.B. and Ohk，K.Y. 1992. Stock index futures listing and structural change in time-varying volatility. Journal Of Futures Markets，Vol.12，No.5.

[8]Baldauf B，Santoni，G J. 1991. Stock price volatility：Some evident from an ARCH model[J].The Journal of Future Markets，11（2）endprint

[9]Darrat，Rahman. 2002. On the role of futures trading in spot markets fluctuations： Perpetrator of volatility or victim or regret ？[J].The Journal of Financial Research，25（3）.

[10]Sibani Prasad Sarangi，K. 2007. Uma Shankar Patnaik.Impact of futures and options on the underlying market volatility：an empirical study on S&p CNX Nifty Index[J].SSRN working paper series，Nov.

[11]Hu，Yiwen. 2016. Study on effects of CSI 300 index futures on Chinese Stock Market volatility[C].International Forum on Management，Education and Information Technology Application.

[12]Sang Hoon Kang，Seonb-Min Yoon. 2007. Index Futures Trading and Asymmetric Volatility：Evidence from Asian Stock Markets[J].Journal of the Korean Economy，8（2）.

[13]Bae S C，Kwon T H，Park J W. 2004. Futures trading，spot market volatility，and market efficiency：the case of the Korean index futures markets[J].Journal of Futures Markets，24（12）.

[14]Kittiakarasakun J，Tse Y，Wang G H K. 2012. The impact od trades by traders on asymmetric volatility for Nasdaq-100 index futures[J].Managerial Finance，38（8）.

[15]Yang Jian，Yang Zihui，Zhou Yinggang. 2012. Intraday price discovery and volatility transmission in stock index and stock index futures markets：Evident from China[J].Journal of Futures Markets，32（2）.

[16]曹棟，張佳.基于GARCH-M模型的股指期貨對股市波動影響的研究[J].中國管理科學(xué)，2017，（1）.

[17]劉鳳根，王曉芳.股指期貨與股票市場波動性關(guān)系的實(shí)證研究[J].貿(mào)易研究，2008，（19）.

[18]宗計(jì)川，李先玉.股指期貨推出對現(xiàn)貨市場影響分析——基于宏觀變量剔除的實(shí)證研究[J].宏觀經(jīng)濟(jì)研究，2013，（1）.

[19]許碩.限制投機(jī)下我國股指期貨對現(xiàn)貨波動的影響研究[D].哈爾濱工業(yè)大學(xué)，2016.

[20]盛浙湘，顧天慧.股指期貨對市場波動性影響的比較——基于非對稱性GARCH模型的探討及成因分析[J].浙江金融，2011，（6）.

Abstract：Using the Shanghai and Shenzhen 300 index closing day yield data from 2013 to 2016，and withGRACH（1，1），this paper analyzes the influence of limiting stock index futures on the volatility of stock market after getting rid of securities margin trading variable. Secondly，this paper analyzes the asymmetry of the stock market with model EGARCH（1，1） . Finally，using the closing price of ZhongZheng 500，ShangZheng 50 stock index future and adjusting the sample interval，the robustness test is conducted.The results showed that the policy restricting the use of stock index futures has significantly reduced the volatility of the stock market，but aggravated the asymmetry of the stock market.

Key Words：stock index futures，stock market，volatility，GARCH Modelendprint