融資融券對中國A股市場波動的影響
——基于事件研究法下滬深兩市的比較研究

劉光彥,侯佳楠,于 達

(山東工商學院 金融學院,山東 煙臺 264005)

一、引言

2010年3月31日,我國融資融券開始公開交易,由此我國股市結束了“單邊市”的局面，融資融券交易使得我國股票投資有了新的方向,而以融券交易為代表的賣空機制的引入也在一定程度上豐富了我國股票交易方式。我國從2010年開始,至2014年9月22日,共經歷了4次融資融券標的股票的擴容,先后有900多只股票被納入到融資融券名單中。而在2015年,中國股市爆發(fā)了史無前例的“股災”,這次股災可以說和兩融交易有著不可分割的聯系,很多學者研究之后也同樣發(fā)現了兩融交易有助漲助跌的作用,因此一時間關于融資融券交易引起股市大幅波動繼而引發(fā)“股災”的言論甚囂塵上[1]。從理論上講,股票的價格由股票的供求決定,當引入融資融券交易之后,投資者對于股票的需求便被無限放大,在股票總供給量不變的的情況下,當投資者對某只股票的需求增加時,該股票的價格便會上漲,從某種程度上說,兩融交易正是通過增大或者減小投資者需求來達到助漲助跌的效果。2014年擴容完成之后,我國沒有繼續(xù)進行兩融標的股票的擴容,因此將2014年9月22作為研究時間點,通過建立模型分析第四次擴容前的我國股市波動受融資融券交易擴容的影響就顯得尤為必要了,如果研究結果表明擴容前后股市的波動沒有特別大的差別則說明融資融券不會助漲助跌,反之則說明融資融券會助漲助跌。本文將2014年9月22日作為研究事件,將2014年1月1日至2016年12月31日分成兩個時間段,利用深市和滬市的相關數據,借助VAR模型,探究了融資融券對滬深兩市擴容前后波動性的影響。最終證明,兩融交易對深市和滬市均有助漲助跌的作用,而且深圳市場波動受融資融券交易的影響更大。

二、文獻綜述

劉光彥、郝芳靜通過構建VAR模型、AR根檢驗和脈沖分析來檢驗融資融券和股市波動之間的關系,通過研究發(fā)現,融資融券交易和股市波動二者相互影響,且融資交易對股市波動的影響更大[2]。劉光彥、郝芳靜、羅閣一利用GARCH模型進行轉融通前后融資融券交易對我國股票市場的研究,實證結果證明,融資交易使得股市波動更加劇烈,融券交易則起到了平抑股市波動的影響[3]。廖士光利用事件研究法研究了融資融券和股價波動的關系,發(fā)現我賣空交易額能夠影響股票價格[4]。倪偉佳利用TGARCH模型對相關數據進行研究后發(fā)現,融資交易會加重股市的波動[5]。龔玉霞、笪元元利用事件研究法,將滬深300作為研究指標,通過設立VAR模型,以兩融交易第四次擴容為時間節(jié)點,將相關數據分成擴容前和擴容后兩個樣本進行研究,最終發(fā)現,融資交易可以有效地平抑我國股票市場價格波動,而融券交易則會加劇我國股票市場的股價波動[6]。王婉婉利用事件研究法,借助var模型、脈沖響應分析、格蘭杰因果檢驗、方差分解等方法對融資融券交易對我國股票市場股價波動的影響進行了研究,并最終得出結論:融資交易對股市波動的影響并非一成不變,而融券交易則僅僅會在短期內對股價波動產生較為明顯的平抑作用[7]。陳海強和范云菲利用面板數據政策效應法,通過構造反事實波動率路徑來反映預測波動率,并將其與真實波動率進行比較分析,最后發(fā)現兩融業(yè)務可以有效地降低故事的波動性,其中融資交易可以平抑股價波動,融券業(yè)務加劇了股價波動[8]。黃小琴利用事件研究法、VAR模型和GARCH回歸,通過分組的方法對不同行情下標的股票擴容對融資融券交易和股價波動之間的關系進行了相應的研究,并最終證明融資交易相對融券交易而言對股市的平抑作用更大,并且兩融交易對市值較大的公司[9]。Angel在利用紐約證券交易所相關數據進行融資融券研究后發(fā)現,融券交易可以起到抑制股票波動的作用[10]。Charoenrook和Daouk通過對全球88個新興市場和23個發(fā)達市場進行放開賣空約束的研究發(fā)現,證券市場允許賣空之后股市波動率顯著性下降,但放開賣空約束的情況下,股市波動性不升反降。Bogen和Kross提出了著名的“金字塔和倒金字塔”理論,同時發(fā)現買空交易推高股價,賣空交易促使股價繼續(xù)下跌。

三、實證設計

1.數據來源及選取

本文的數據來自于上海證券交易所和深圳證券交易所的網站,所使用的數據均是日度交易數據。本文在選取交易數據時,將2014年9月22日作為一個時間點,將上海市場和深圳市場的數據分成2014年1月1日至2014年9月22日和2014年9月23日至2016年12月31日兩個時間段,對兩個市場的兩個階段做出相應的研究,其中2014年1月1日至2014年9月22日共179個樣本,2014年9月23日至2016年12月31日共554個樣本,實證過程采用stata13.0軟件進行操作。

2.實證設計

本文的實證設計思路是利用事件研究法,借助var模型,對融資融券和股市波動率之間的關系進行相應的研究,本文主要涉及三個主要的變量:股市波動率、融資變量、融券變量,三個變量的設定如下文所示:

3. 實證目的及方法

本文將分四個樣本進行研究,樣本一是深圳市場2014年1月1日至2014年9月22日的市場數據,樣本二為上海市場2014年1月1日至2014年9月22日的市場數據,樣本三為深圳市場2014年9月22日至2016年12月31日的市場數據,樣本四為上海市場2014年9月22日至2016年12月31日的市場數據。寫作過程中將采用向量自回歸分析法,即VAR模型分析法。

4. 實證檢驗結果

(1)各變量的平穩(wěn)性檢驗

平穩(wěn)性檢驗采用ADF檢驗,ADF檢驗的階數采用AIC準則進行選擇。

首先,進行樣本一和樣本二的平穩(wěn)性檢驗,相關實驗結果如表1所示。

表1 樣本一和樣本二平穩(wěn)性檢驗表

由表1可知,樣本一和樣本二的ms變量和bf變量在95%的置信水平上均不平穩(wěn),但是其一階差分在99%的置信水平上平穩(wěn),vol變量及其一階差分D(vol)在99%置信水平上平穩(wěn)。在此情況下,樣本一和樣本二還需要進行Johansen檢驗,以檢驗變量之間有無協整關系。

其次,進行樣本三和樣本四的平穩(wěn)性檢驗,相關結果如表2所示,由表2可以看出,對于樣本三和樣本四而言,ADF檢驗結果顯示,vol序列、bf序列及其一階差分D(bf)序列、ms序列及D(ms)序列均為平穩(wěn)序列,因此可以直接建立VAR模型。

(2)VAR模型估計

樣本一和樣本二并不能夠直接建立模型,需要進行Johansen檢驗,相關的檢驗結果如表3所示。

從表3可知,由于第三行兩個樣本的跡統(tǒng)計量分別為89.587 1和102.792 5,均大于5%的臨界值,因此可以斷定,vol、bf和ms三個向量具有協整關系;同時,第四行的統(tǒng)計數據同樣顯示兩個樣本的跡統(tǒng)計量均大于其5%的臨界值,因而可以斷定三個變量之間存在一個協積向量;由于第五行的兩個樣本的數據均小于5%的臨界值,因而可以斷定三個向量只存在一個協積向量,則可以對這三個變量建立如下文所示的誤差修正模型,即VECM模型。

表2 樣本三和樣本四平穩(wěn)性檢驗表

表3 樣本一和樣本二Johansen檢驗表

樣本一的VECM模型

vol=-0.019-0.85lecm-1-0.164vol-1-0.012 4vol-2-0.000 015 4bf-1-0.000 021 7-1-0.001lms-1+0.006 3ms-2

(0.001 4)(0.11③)(0.926①) (0.654 732) (0.000 028) (0.000 028) (0.000 69) (0.000 67)

R2=0.520 2，

(1)

bf=0.079 6-267.29ecm-1+168.14vol-1+15.52vol-2+0.272 6bf-1-0.259 7bf-2+1.529ms-1+3.982ms-2

(233.47) (205.022) (145.04) (0.062) (0.062③) (1.522③) (1.486) (0.001 4③)

R2=0.212 1，

(2)

ms=0.539 9+39.39cm-1-23.9vol-1-3.866vol-2-0.002 7bf-1+0.000 97bf-2-0.063ms-1-0.185ms-2

(0.129③)(9.62③) (8.45③) (5.978) (0.002 56) (0.002 55) (0.062 8) (0.061③)

R2=0.123 8，

(3)

樣本二的VECM模型

vol=-0.012-0.643ecm-1-0.290 4vol-1-0.085vol-2-0.000 002bf-1-0.000 005 03bf-2-0.000 32ms-1+0.000 2ms-2

(0.002③)(0.094 2③)(0.086 4③)(0.064 1)(0.000 016)(0.000 016)(0.000 24)(0.000 24)

R2=0.475 9，

(4)

(6.608 3)(363.828)(333.571)(247.641③)(0.060 4③)(0.060 5③)(0.922 2)(0.919 4②)

R2=0.301 8，

(5)

ms=-1.245-74.112ecm-1+7.04vol-1-29.76vol-2-0.004 1bf-1+0.001 8bf-2-0.104 5ms-1-0.222 7ms-2

(0.44③)(24.130 4③)(22.123 7)(16.424 5①) (0.004) (0.004) (0.061 2①) (0.061③)

R2=0.156 4.

(6)

如上文所示為經過協整檢驗之后建立的樣本一的誤差修正模型,其中,ecm代表誤差修正項,表示對整個公式的誤差修正,三個公式分別代表了變量vol、變量bf和變量ms的差分和其自身以及其余變量的之后一階和之后兩階的差分之間的關系。

由上文可知樣本三和樣本四可以直接建立VAR模型,具體模型如下文所示。

樣本三的VAR模型：

vol=0.007 17-0.001 04vol-1-0.001 97vol-2-0.000 011 9bf-1+0.000 014 1bf-2-0.000 039ms-1-0.000 012 8ms-2

(3.1③) (-0.02) (-0.05) (-2.07①) (2.46①) (-1.48) (-0.48)

R2=0.049 4，

(7)

bf=35.28+0.944bf-1+0.048 5bf-2+181.0vol-1-826.5vol-2+0.420ms-1+0.355ms-1

(2.13①)(22.31③) (1.15) (0.58) (2.65②) (2.16①) (1.82)

R2=0.032 0，

(8)

ms=1.912+0.101ms-1+0.098 8ms-2-62.91vol-1+26.68vol-2+0.0137bf-1-0.011 4bf-2

(0.53) (2.39①) (2.32①) (-0.92) (0.39) (1.48) (-1.25)

R2=0. 974 8，

(9)

樣本四的VAR模型：

vol=-0.000 678+0.324vol-1+0.054 6vol-2-0.000 117bf-1-0.000 129bf-2-0.000 040 2ms-1+0.000 043 2ms-2

(-0.38) (6.87③) (1.15) (-0.40) (-0.45) (-6.80③) (7.28③)

R2=0.564 2

(10)

bf=0.920+100 5bf-1-0.004 86bf-2-14.84vol-1+13.56vol-2+0.000 544ms-1-0.000 716ms-2

(2.44①)(16.21③) (-0.08) (-1.47) (1.33) (0.43) (-0.56)

R2=0. 9310，

(11)

ms=-11.37+1.557ms-1-0.564ms-2-645.0vol-1-449.5vol-2+1.553bf-1+0.105bf-2

(-0.96) (39.02())(-14.08()) (2.03()) (-1.40) (0.79) (0.05)

R2=0. 9947.

(12)

注:本文的公式中下角標-1表示滯后一階,-2代表滯后二階,①代表10%水平下顯著,②代表5%水平下顯著,③代表1%水平下顯著。

(3)穩(wěn)定性檢驗

在建立了相關模型之后,為了檢驗相關模型是否能夠較為穩(wěn)定的反應相關變量之間的關系,還需要對已經建立的四個模型進行穩(wěn)定性檢驗。具體的檢驗結果如下文所示。

圖1 樣本一穩(wěn)定性檢驗圖

圖2 樣本二穩(wěn)定性檢驗圖

如上文圖1和圖2所示為樣本一和樣本二的穩(wěn)定性檢驗圖。從圖一可以看出,樣本一的樣本大部分分布于單位圓內,只有一個點位于圓外并且緊貼單位圓,由此印證了上文Johansen檢驗的結論,即樣本一至少有一個協積向量;同樣,對于樣本二,從圖中可以看出,樣本二和樣本一類似,都有一個點位于單位圓外并且緊貼單位圓,從而也同樣證明了Johansen檢驗中樣本二存在一個協積向量的結論。由于樣本一和樣本二中都存在著協積向量,因此樣本一盒樣本二中的點并非全部位于圖中單位圓內,由此可以證明樣本一和樣本二的VECM不穩(wěn)定。

對于樣本三和樣本四,由于其并沒有進行相應的Johansen檢驗,因此可以在ADF檢驗結束,建立相關VAR模型之后,直接對已經建立的VAR模型進行穩(wěn)定性檢驗,具體結果如圖3、4所示。

圖3 樣本三穩(wěn)定性檢驗圖

從圖3可知,擴容后的深圳市場上的所有樣本點均在單位圓內,同時擴容后的深圳市場各變量序列均平穩(wěn),圖3中也并沒有出現內切與單位圓內的點,因此樣本中的點對樣本本身不存在相應的沖擊,因此,樣本3的VAR模型是穩(wěn)定模型;圖4中的點是擴容之后的上海市場的相關樣本點,從圖中可以看出,樣本點較為均勻的分布于樣本四的單位圓中,并且沒有出現在樣本單位圓邊緣和樣本單位圓內切的樣本點,證明樣本中對樣本有巨大沖擊的點不存在,加上前文已經證明樣本四的ADF檢驗中各變量序列為穩(wěn)定序列,因此,可以得出樣本四的VAR模型是穩(wěn)定模型的結論。

(4)Granger因果檢驗

在檢驗了各個樣本的穩(wěn)定性之后,為了能夠更好的反映擴容前后滬深兩市的變化,以及各個變量之間的因果關系,還需要對相關變量進行Granger因果檢驗。

表4 樣本一和樣本二的格蘭杰因果檢驗表

如表4所示為樣本一和樣本二的格蘭杰因果檢驗結果,其中樣本一檢驗結果顯示,在10%的置信水平上，ms是vol的格蘭杰原因，bf不是vol的格蘭杰原因樣本二檢驗結果顯示，10%置信水平上，ms與bf皆是vol的格蘭杰原因則擴容前深市融券交易引起深市波動且滬市融資融券交易均對滬市波動有影響。

擴容后上海市場和深圳市場的Granger因果檢驗結如圖5所示。

從表5中可以看出,第四次擴容之后,在10%置信水平下，深市bf是vol的Granger原因，ms不是vol的格蘭杰原因；滬市bf及ms是vol的格蘭杰原因。則擴容前后兩融對滬市波動皆有影響。擴容后的深市波動更多地受融資交易影響。

(5)脈沖響應關系檢驗

表5 樣本三和樣本四格蘭杰因果檢驗表

為了能夠進一步的探究融資融券對市場的影響,進一步的對bf和ms兩個變量進行脈沖響應的檢驗,脈沖檢驗的期數都是20期,結果如圖1至圖8所示。下圖中的橫軸代表脈沖響應函數的作用期數,縱軸代表脈沖響應程度的大小,圖中的橫線代表基準線“0”,在紅線之上的部分代表ms或者bf對vol有正向影響,即兩融交易推動股市波動,在紅線之下代表ms或bf對vol有負向影響,即兩融交易可以平抑股市波動。

由圖5所示,樣本一的bf脈沖響應圖中,bf對vol的影響先負后正,即融券交易對股市波動起著先平抑后促進的作用。而對于ms變量來說,其對股市波動的影響則始終為正。從0期開始到5期,正向影響逐漸增大,至5期達到最高點,隨后正向效應開始下降,并一直趨向于0。同時,融資對股市波動的影響遠大于融券對股市波動的影響。

圖5 樣本一bf脈沖響應圖

圖6 樣本一ms脈沖響應圖

圖7樣本二bf脈沖響應圖

由圖7和圖8可知,bf對上海市場的脈沖響應一直為正,并且正向脈沖越來越大,即對擴容前的上海市場來說,融資交易對股市的推動作用逐步加大。而擴容前的上海市場上ms對vol的脈沖響應結果卻顯示,雖然ms對vol也是正向影響,但是其正向影響卻出現先上升后下降的情形,即融券交易對股市波動起推動作用且起推動作用先增大后減小。

圖8 樣本二ms脈沖響應圖

圖9 樣本三bf脈沖響應圖

圖10 樣本三ms脈沖響應圖

從圖9中可以看出,擴容后的深圳市場上,bf對vol整體上說是正向影響,但是正向影響波動下降,即在擴容后的深圳市場,融資交易整體上仍然在推動股市波動,但是作用力在波動減小。同時,第四次擴容之后,深圳市場ms對vol不再是先上升后下降的正向作用,此時的ms對vol呈現出正負波動最終趨近于“0”的情形,即此時的深圳市場上,融券交易對股市波動存在一定的推動作用,同時也存在一定的平抑股市波動的作用。

最后,從上面兩圖可以看出,擴容之后bf和ms對市場波動均是正向且bf的絕對值大于ms的絕對值,即擴容后的兩融交易對上海市場來說仍然是正向影響,這也進一步的驗證了Granger檢驗的結論——擴容后的上海市場上,兩融交易均推動市場波動。

圖11 樣本四bf脈沖響應圖

圖12 樣本四ms脈沖響應圖

四、結論及政策建議

Granger檢驗表明,橫向來看,擴容前,無論滬市還是深市,兩融交易對市場波動均有一定程度的推動作用?？v向來看,對深圳市場而言,擴容前融券交易和融資交易均影響市場波動,擴容后融資交易對市場波動的影響較融券交易更為明顯;對上海市場而言,擴容前后市場表現比較一致,擴容前后兩融交易對上海市場波動均有推動作用,但融資交易對市場波動的推動作用更為明顯。

總的來說,脈沖響應檢驗表明,兩融交易對我國股票市場確實存在助漲助跌的作用,并且深圳市場受影響的程度更大。擴容前的深圳市場,融資交易長期呈現出較為穩(wěn)定的助漲助跌的正向作用,融券交易則呈現出先增大后減小,最終接近于“0”的趨勢,這種趨勢表明擴容前的深圳市場上,融券交易可以助漲助跌,只是助漲助跌的效力在逐漸減小;擴容后的深圳市場,融資交易對股市波動仍然具有很大程度的推動作用,但是這種助漲助跌的正向作用一直在波動下降,而融券交易對市場的助漲助跌作用則呈現出圍繞著“0”上下波動的情形,說明擴容后的深圳市場上融券交易的助漲助跌性有一定范圍的波動;擴容前后,兩融交易對上海市場波動的推動趨勢大體一致,大體上都是逐漸增大的推動作用,并且擴容后的推動作用大于擴容前,說明兩融交易確實引起了上海市場的波動。

從滬深兩市本身來看,深圳市場在擴容前后的表現并不像上海市場那樣相對穩(wěn)定,和上海市場相比,深圳市場在擴容前后的表現具有一定的波動。從滬深兩市本身的角度上來說,深市除了包含主板之外,還包含著中小板和創(chuàng)業(yè)板,因此深市本身就比滬市具有更高的風險,在這種情況下,深市也就更容易受到融資融券交易的影響，介于以上情形，本文建議：

第一，強化投資者教育,引導投資者正確認識融資融券。和其他國家相比,我國開展融資融券交易的時間較短,投資者對融資融券交易整體了解不足,因此對投資者進行相應的培訓和教育意義重大而且必要[11]。進行投資者教育時可以利用中國證券業(yè)協會官方網站,采用類似從業(yè)人員教育的方式進行投資者教育,或者在證監(jiān)會的監(jiān)督下,由全國130家券商定期開展融資融券投資者教育,使投資者正確認識融資融券交易,從而真正做到價值投資。

第二，引導券商出讓手中持有的證券,增加市場融券額度。我國目前融券業(yè)務對股市波動的并不明顯,其中一個重要原因是國內券商在開展證券自營業(yè)務的過程中握有大量的證券,但是卻不愿意將手中的證券出借給投資者,特別是股價上升太多或牛市末期。如果要改善這種情況,就需要政府相關部門如證監(jiān)會等對相關券商進行相應的政策說明和道義勸告,以保證券商愿意出借相關標的證券,從而使得投資者能夠擁有足夠證券進行融券交易。

第三，加強對深圳市場異常波動的監(jiān)督管理。深圳市場由于包含著中小板和創(chuàng)業(yè)板,因而其本身和就包含著更大的風險,這種風險在具體操作過程中又比較容易產生一定的波動。為此可以為深圳市場單獨建立一個風險監(jiān)控系統(tǒng),在這個系統(tǒng)中實時監(jiān)控深圳市場個股的股價,以防止中小創(chuàng)的股價偏離正常股價過多,若發(fā)現中小創(chuàng)出現股價異常波動,則可以立馬對整個市場進行停市交易,待整頓過后重新開市,以防止深圳市場風險過高。