融資融券對股票波動程度影響的評估研究

謝婼青 朱平芳

一、引言

融資融券交易(Margin Trading & Short Selling)作為一種信用交易制度，又稱“證券信用交易”或“保證金交易”，是指投資者向具有融資融券業(yè)務(wù)資格的證券公司提供擔(dān)保物，借入資金買入證券(融資交易)或借入證券并賣出(融券交易)從而獲得收益差價(jià)的行為。融資融券交易從理論上講，能夠完善證券市場的供求機(jī)制，具有價(jià)格發(fā)現(xiàn)、平抑市場波動的作用。然而，學(xué)術(shù)界對于證券市場的實(shí)證研究和理論研究都質(zhì)疑融資融券作為市場穩(wěn)定器的作用。

融資融券制度登陸我國證券市場較晚。2008年10月5日，中國證監(jiān)會宣布啟動融資融券試點(diǎn)，按照“試點(diǎn)先行，逐步推開”的原則推行，并施行窗口指導(dǎo)，以控制風(fēng)險(xiǎn)。2010年3月31日起，上交所、深交所正式開通融資融券交易平臺，首先將90只個股作為第一批融資融券標(biāo)的證券，從此，融資融券交易成為我國證券市場的重要組成部分。2012年3月31日，中信證券、光大證券等6家券商正式開展融資融券試點(diǎn)業(yè)務(wù)。此后，融資融券余額平穩(wěn)增長，直到2014年底，出現(xiàn)井噴式增長。2015年6月，兩融余額到達(dá)歷史最高點(diǎn)，截至2016年5月31日融資融券滬深兩市余額合計(jì)達(dá)到8292.65億元，其中融資余額占99.72%(如圖1)。

截至2016年3月31日，我國融資融券標(biāo)的證券共948只，其中個股924只，個股日平均流通市值為280億元，占A股流通市值的80%左右。2014年底，兩融交易額占A股成交額比例達(dá)到20%。2015年底至2016年初穩(wěn)定在9%左右。由此可見，我國的融資融券業(yè)務(wù)已成規(guī)模(如圖2)。自2010年3月31日至2016年3月31日，我國融資融券標(biāo)的證券進(jìn)行五次規(guī)模性調(diào)整，2014年9月22日調(diào)整到915只，期間不斷地調(diào)入與調(diào)出，業(yè)務(wù)呈現(xiàn)不連續(xù)的特點(diǎn)。與此同時，隨著融資融券規(guī)模的不斷增大，股市出現(xiàn)大幅波動，市場不穩(wěn)定，這與價(jià)格發(fā)現(xiàn)機(jī)制得出的結(jié)論相悖。

圖1 融資融券截止日余額(億元)

數(shù)據(jù)來源：Wind數(shù)據(jù)庫

圖2 兩融交易額占A股成交額百分比(%)

數(shù)據(jù)來源：Wind數(shù)據(jù)庫

創(chuàng)新點(diǎn)有兩點(diǎn)：其一，波動程度的衡量窗口是日波動率。國內(nèi)A股市場為限制以投機(jī)為主的日內(nèi)交易，故采用T+1制度，因此，我們使用日收益率所估計(jì)的股票日波動率較為科學(xué)，克服移動平均的平滑性。其二，按照我國階段性推進(jìn)融資融券業(yè)務(wù)的現(xiàn)實(shí)情況分階段研究融資融券與波動程度之間的關(guān)系，對融資融券的價(jià)格發(fā)現(xiàn)機(jī)制提供更豐富的實(shí)證支持。

二、文獻(xiàn)綜述

國內(nèi)的研究起步較晚，巴曙松認(rèn)為融資融券業(yè)務(wù)對增加證券市場流動性和提升股票交易量有著正向的積極作用[注]巴曙松、楊如彥、劉孝紅：《證券公司融資渠道的比較研究》，《當(dāng)代財(cái)經(jīng)》2003年第2期。。許紅偉和陳欣基于雙重差分(DID)模型，研究我國融資融券試點(diǎn)對股票定價(jià)效率和收益率分布的影響，認(rèn)為融資融券試點(diǎn)一年內(nèi)對定價(jià)效率的改善較弱，能夠顯著減少股價(jià)暴跌概率，對抑制暴漲幾乎沒有影響[注]許紅偉、陳欣：《我國推出融資融券交易促進(jìn)了標(biāo)的股票的定價(jià)效率嗎？》，《中國金融》2012年第5期。。李志生等用自然實(shí)驗(yàn)的方法研究融資融券標(biāo)的股票和非標(biāo)的股票以及股票被列入和剔出融資融券標(biāo)的池前后的價(jià)格波動性特征，得出融資融券標(biāo)的股票的價(jià)格波動率、價(jià)格跳躍風(fēng)險(xiǎn)均顯著下降[注]李志生、杜爽、林秉旋：《賣空交易與股票價(jià)格穩(wěn)定性——來自中國融資融券市場的自然實(shí)驗(yàn)》，《金融研究》2015年第6期。。陳海強(qiáng)和范云菲用面板數(shù)據(jù)政策效應(yīng)評估方法構(gòu)造融資融券推出的反事實(shí)波動率路徑，發(fā)現(xiàn)融資融券制度能夠降低標(biāo)的個股波動率，還發(fā)現(xiàn)融資交易降低股市波動率，融券交易增加股市波動率的區(qū)別影響[注]陳海強(qiáng)、范云菲：《融資融券交易制度對中國股市波動率的影響——基于面板數(shù)據(jù)政策評估方法的分析》，《金融研究》2015年第6期。。

結(jié)構(gòu)安排如下：第一部分是前言，介紹研究背景和創(chuàng)新點(diǎn)；第二部分是文獻(xiàn)綜述，梳理國內(nèi)外融資融券業(yè)務(wù)對波動程度影響的論文；第三部分是階段性樣本的描述性統(tǒng)計(jì)；第四部分用隨機(jī)波動率模型度量個股的波動程度；第五部分用傾向得分匹配法則匹配最佳控制組；第六部分構(gòu)建回歸模型分析融資融券業(yè)務(wù)對波動程度的影響；第七部分是結(jié)論與政策建議。

三、融資融券標(biāo)的樣本篩選

使用自2009年3月31日至2015年9月22日五個時間段融資融券標(biāo)的個股，將融資融券標(biāo)的池作為實(shí)驗(yàn)組，用傾向得分法篩選非融資融券標(biāo)的證券作為控制組，調(diào)整時間前一年為事件前窗口期，調(diào)整時間后一年為事件后窗口期，樣本總量是963只個股。其中傾向得分匹配的截面數(shù)據(jù)是調(diào)整日的數(shù)據(jù)。

表1是五個樣本于調(diào)整日前后一年，除去退市、ST類股票以及調(diào)出或暫停的融資融券標(biāo)的股票，我們得到963只新增標(biāo)的股票。表2是去除停牌時間較長及數(shù)據(jù)缺失嚴(yán)重的觀測的實(shí)驗(yàn)組(融資融券新增標(biāo)的個股)及可匹配樣本(非融資融券標(biāo)的個股)，我們看到可匹配的樣本量遠(yuǎn)大于實(shí)驗(yàn)組樣本量，這是實(shí)現(xiàn)傾向得分匹配方法的前提條件。

表1融資融券標(biāo)的個股樣本

注：數(shù)據(jù)整理來源是Wind數(shù)據(jù)庫和國泰安中國股票市場交易數(shù)據(jù)庫，新增標(biāo)的股票是在調(diào)整時間事后一年內(nèi)未調(diào)出和暫停融資融券的標(biāo)的個股；新增標(biāo)的包括新增個股及ETF基金。

表2傾向得分匹配的實(shí)驗(yàn)組及相應(yīng)可匹配個體

四、度量波動程度

(一)隨機(jī)波動率模型(Stochastic Volatility Model)

簡單移動平均模型所估計(jì)的波動率是將收益率假定為正態(tài)分布，但是，眾所周知，股票收益率的分布是左偏厚尾的，因此，文章構(gòu)造類似卡方分布的收益率來估計(jì)波動程度。我們構(gòu)造以下模型：

其中，yt=log(rt2) ，收益率平方的自然對數(shù)，是可觀測的；st=log(σt2) ，波動率平方的自然對數(shù)，是不可觀測的，以上是狀態(tài)空間模型(State Space Model)。ηt是白噪聲過程，由兩個正態(tài)分布組合。即：

ηt=Itzt0+(1-It)zt1

其中It是一個idd的伯努利過程，Pr{It=0} =π0,Pr{It=1} =π1(π0+π1=1),zt0～iidN(0,σ02)和zt1～iidN(μ1,σ12)，ηt的密度函數(shù)是{f(x1)+f(x2)}/2，類似于卡方分布，我們選取兩只個股比較卡方分布和ηt概率密度分布(如圖3)。

圖3.1 股票600000樣本一調(diào)整后的ηt概率密度函數(shù) 圖3.2 股票000012樣本二調(diào)整后的ηt概率密度函數(shù)

注：實(shí)線表示{f(x1)+f(x2)}/2混合正態(tài)分布，即真實(shí)的ηt的密度函數(shù)，虛線表示卡方分布的密度函數(shù)。

(二)實(shí)驗(yàn)組波動程度的描述性統(tǒng)計(jì)

我們使用log (σt2)衡量波動程度更能夠反映市場波動情況，我們使用樣本調(diào)整前后一年的日收益率估計(jì)的波動程度作為分析對象。日收益率數(shù)據(jù)來自國泰君安數(shù)據(jù)庫，其中已剔除停牌時間。

表3是通過計(jì)算得到的實(shí)驗(yàn)組個股波動程度調(diào)整前后均值的描述性統(tǒng)計(jì)，可以得出55.5%的個股融資融券調(diào)整后股票波動程度增加，占流通市值57.88%的個股融資融券調(diào)整后波動程度增加，只有樣本四在個股調(diào)整后波動程度降低，但是樣本四的流通市值和總市值占比較低，可以得出的結(jié)論是融資融券業(yè)務(wù)總體上加劇了個股的波動程度。

表3波動程度數(shù)據(jù)描述

注：每個樣本分為調(diào)整前波動程度和調(diào)整后波動程度。

五、傾向得分匹配最佳控制組

傾向得分法能降低準(zhǔn)自然實(shí)驗(yàn)的選擇偏差，文章分別對五個樣本的實(shí)驗(yàn)組找到與其相對的控制組樣本。在Rubin(1974)提出的“反事實(shí)框架”中，以虛擬變量Di= {0,1}表示證券i是否有融資融券業(yè)務(wù)，1為是，0為否。Di為“處理變量”。令Y1i是證券i成為融資融券標(biāo)的證券，Y0i是證券i不是融資融券標(biāo)的證券，對于每個證券，都有Y1i=Y0i+Di(Y1i-Y0i), 定義E(Y1i-Y0i)為平均處理效應(yīng)(ATE)，定義E(Y1i-Y0i|Di=1)是參與者平均處理效應(yīng)(ATT)。即我們有：

ATE=E(Y1i|Di=1)-E(Y0i|Di=0)

=E(Y1i|Di=1)-E(Y0i|Di=1)+E(Y0i|Di=1)-E(Y0i|Di=0)

=ATT+選擇偏差(Selection Bias)

如果是隨機(jī)分組，則假設(shè)選擇偏差為0，此時ATT=ATE。Heckman等(1998b)認(rèn)為隨機(jī)分組所估計(jì)的平均處理效應(yīng)有偏差。Rosenbaum和Rubin(1983)提出傾向得分匹配方法用以糾正隨機(jī)分組的偏差，即假設(shè)(Y1i-Y0i)獨(dú)立于Di的問題。傾向得分匹配法將可測變量是否是融資融券標(biāo)的作為選擇依據(jù)，其中，可測變量是X向量。

我們用Logit模型對每個樣本實(shí)驗(yàn)組及其可匹配個體估計(jì)每個觀測融資融券的概率，如表4所示，其中Clpr是收盤價(jià)，Mkt是當(dāng)日流通市值(億元)，Trdsum是成交金額(億元)，Dampltd是振幅，Scale是主板、中小板和創(chuàng)業(yè)板的虛擬變量，Indus是證監(jiān)會行業(yè)分類(2012)的虛擬變量，MktRaito是當(dāng)日流通市值與當(dāng)日行業(yè)平均流通市值的比值，APE是行業(yè)平均市盈率，APB是行業(yè)平均市凈率。截面數(shù)據(jù)是樣本調(diào)整融資融券的當(dāng)日數(shù)據(jù)，如果有停牌，則順延下一個交易日的數(shù)據(jù)。

表4傾向得分匹配Logit指標(biāo)選擇

注：個股數(shù)據(jù)來自銳思數(shù)據(jù)庫，行業(yè)數(shù)據(jù)來自Choice數(shù)據(jù)庫；***表示在1%置信水平下顯著，**表示在5%置信水平下顯著，*表示在10%置信水平下顯著。

表5最佳匹配組實(shí)驗(yàn)組控制組傾向得分概率差分結(jié)果

從五個樣本的Logit模型中，我們看到不同的樣本所對應(yīng)的控制變量是不同的，五個樣本的Pseudo R2較大，且所有變量都是顯著的，因此，這些變量作為選擇依據(jù)是可以接受的(如表4)。然后我們采用可放回的1∶5匹配，得到實(shí)驗(yàn)組相對應(yīng)的5個控制組樣本，在此之上，我們選擇匹配度最高的傾向得分概率，篩選出最佳匹配組。實(shí)驗(yàn)組與控制組的傾向得分概率的差分描述性統(tǒng)計(jì)如表5所示，可以發(fā)現(xiàn)這樣的匹配組是最佳的。同時，樣本量相應(yīng)減少，得到445個最佳匹配組。下面的回歸分析我們基于此樣本進(jìn)行。

六、回歸分析

前文對波動程度進(jìn)行度量，并找到了實(shí)驗(yàn)組的最佳匹配組。然后，本節(jié)通過面板回歸模型，分析融資融券業(yè)務(wù)分別是如何影響股票市場波動程度的?；貧w模型設(shè)定如下：

Yit-Yit0=Xit′β+Cit′γ+εi

其中，Yit是實(shí)驗(yàn)組個股在調(diào)整日后的波動程度，Yit0是控制組個股在調(diào)整日后的波動程度，因此，應(yīng)變量是實(shí)驗(yàn)組的波動程度減控制組的波動程度，即融資融券業(yè)務(wù)造成的波動程度變化情況，基于傾向得分的最佳匹配組，我們可以得到波動程度變化情況的量。

Xit′是自變量，Cit′是控制變量。自變量是融資余額比率(融資余額/成交金額)和融券余額比率(融券余量/成交量)，以表示融資融券交易的變量[注]Huang Z, Wu Y, “Short-Selling, Margin-Trading, and Market Valuation”, Working Paper, Rutgers University, 2009.?？刂谱兞渴鞘毡P價(jià)(Clpr)、日振幅(%)(Dampltd)、流通股日換手率(%)(DTrdTurnR)、日收益率(Dret)、市盈率(PE)、市凈率(PB)、日流通市值(億元)(Dtmv)，數(shù)據(jù)來源于銳思數(shù)據(jù)庫。時間窗口在融資融券調(diào)整日后一年。個股的交易時間有所不同，此面板模型為非平衡面板。

用Hausman檢驗(yàn)得出五個樣本均用固定效應(yīng)模型。表6報(bào)告了分樣本面板回歸模型。

表6固定效應(yīng)面板模型

注：***表示在0.1%置信水平下顯著，**表示在1%置信水平下顯著，*表示在5%置信水平下顯著；MarginTRD是融資余額比率；ShortTRD是融券余額比率；PE是市盈率、PB是市凈率、Dampltd是日振幅(%)、Dtmv是日流通市值(億元)、DTrdTurnR是流通股日換手率(%)。

從回歸結(jié)果中我們可以得到以下結(jié)論：第一，階段性政策環(huán)境及市場環(huán)境不同，模型的控制變量是不同的；第二，在控制變量一定的情況下，融資業(yè)務(wù)和融券業(yè)務(wù)均對市場波動的變化具有顯著影響；第三，整體上，融資融券業(yè)務(wù)分別都加劇了股票市場的波動程度，從結(jié)構(gòu)上看，融券業(yè)務(wù)對股票市場波動程度的增加大于融資業(yè)務(wù)，融資業(yè)務(wù)在特定階段會減小市場波動；第四，從結(jié)果來看，融資融券對我國股票市場的作用還處于不穩(wěn)定狀態(tài)。

七、研究結(jié)論與建議

文章以隨機(jī)波動率作為衡量股票市場波動程度的指標(biāo)，在傾向得分匹配的框架下找到控制組個股，最后通過固定效應(yīng)面板模型分析融資業(yè)務(wù)和融券業(yè)務(wù)對股票市場波動程度的影響。總體上，融資融券業(yè)務(wù)都加劇了股票市場的波動程度，但是融券業(yè)務(wù)對股票市場波動程度的加劇強(qiáng)于融資業(yè)務(wù)，融資業(yè)務(wù)在不同階段中還有降低的作用。

我國的融資融券業(yè)務(wù)還處于不穩(wěn)定階段，推出融資融券業(yè)務(wù)的同時應(yīng)該提供更多的金融工具，使得投資者在杠桿操作的同時能夠有相應(yīng)的手段對沖風(fēng)險(xiǎn)。但是在推出對沖工具時需要考慮市場間的相關(guān)性影響，避免更大的波動。金融市場的發(fā)展是一個不斷進(jìn)步和完善的過程，推出金融工具切不可冒進(jìn)，需要循序漸進(jìn)，在過程中提高投資者管理風(fēng)險(xiǎn)的能力。當(dāng)機(jī)構(gòu)投資者成為金融市場的主體時，金融工具的使用趨于理性，從而真正發(fā)揮其價(jià)格發(fā)現(xiàn)和穩(wěn)定市場的功能。

面板回歸模型殘差項(xiàng)中存在著來自于市場和個股的擾動因子，未來的研究將對方法論進(jìn)行改進(jìn)，使得面板回歸模型的結(jié)果更加穩(wěn)健，同時實(shí)證研究發(fā)現(xiàn)的問題也有待在理論研究中更進(jìn)一步深化。