第28卷第11期2011年11月统计研究
StatisticalResearchVol．28，No.11Nov．2011
中国股指期货与股票现货市场之间的
风险传递效应研究
*
刘庆富华仁海
内容提要：为探索股指期货市场与股票现货市场之间的风险传递效应，本文从日间交易信息和隔夜信息两个角度对沪深300股指期货市场和沪深300指数现货市场进行了实证研究。实证结果显示：股指期货市场与股票现股票现货对股指期货的风险溢出要大于股指期货对股票现货的风险溢出；并且，货市场之间的风险传递是双向的，
一市场收益对另一市场收益的影响具有正向杠杆效应，一市场风险对另一市场风险的冲击却具有反向杠杆效应；此外，尽管只有股指期货市场的隔夜信息对其日间收益具有预测能力，但任一市场的隔夜信息对另一市场的日间波动均存在显著的冲击效应。
关键词：股指期货；风险传递；隔夜信息；杠杆效应中图分类号：C812
文献标识码：A
文章编号：1002－4565（2011）11－0084－07
RiskTransmissionbetweenStockIndexFuturesand
StockIndexSpotMarketsinChina
LiuQingfu
HuaRenhai
Abstract：ForinvestigatingtherisktransmissionbetweenthestockindexfuturesandstockindexspotmarketsinChina，thearticleinvestigateHS300stockindexfuturesandHS300stockindexmarketsfromintradayinformationandovernightinformationaspects．Theempiricalresultsindicatethattherearethesignificantbi-directionalrisktransmissionrelationshipsintwomarkets．Andtheriskspilloversfromspottofuturesarelargerthantheotherwayaround．Moreover，thereisapositiveleverageeffectfromonemarkettotheotherinreturns，whereasthereisanegativeleverageeffectfromonemarkettotheotherinrisk．Inaddition，thereareprominentimpactsofovernightinformationofonemarketonintradayvolatilityoftheothermarket，althoughthereisevidentforecastabilityofovernightinformationtointradayreturnsonlyinfuturesmarket．
Keywords：StockIndexFutures；RiskTransmission；OvernightInformation；LeverageEffect
一、引言
随着沪深300股指期货的推出，股票市场与期货市场相对分割的局面已被打破，股指期货与股票现货市场之间的关联性已明显加强。虽然如此，近这不能不期两市场仍出现了不同程度的大幅震荡，引起人们对两市场之间风险传递关系的关注。为本文将对我国股指期货市场与股票现货市场之此，
间的风险传递效应进行系统分析，以便对我国股票现货市场及其股指期货市场有更清晰的认识和把握。
二、文献综述
对不同股票市场之间的风险传递关系而言，French和Roll（1986）的研究显示，股票市场的波动方差是一个重要的信息源。Ross（1989）的研究发资产价格的波动与信息在竞争的资产市场里的现，
流动速率有很大的关系。Eun和Shim（1989）研究美国股票市场的价格波动将会迅速地传播到发现，
*本文受到国家自然科学基金项目（71073026，70873055）、教08JA790064）和上海哲育部人文社会科学规划项目（09YJC790044，学社会科学规划项目（2010BJB015）的资助。
其他市场，但其他市场对美国市场的价格冲击并不明显。King和Wadhwani（1990）研究了不同股票市场之间的波动溢出效应，发现不同股票市场波动之1991）研究发间存在传递效应。Hamaoetal．（1990，
现，从纽约到伦敦、伦敦到东京都存在着市场崩溃前的不对称的波动溢出效应，而其他地区没有这种溢出效应；而在市场崩溃后，波动溢出效应显著增加，特别是东京证券市场的波动溢出。Susmel和Engle（1994）采用高频数据对美国和英国股票市场之间并不支持二个市场波动溢出效应的研究结果显示，
Linetal．（1994）、之间的波动溢出效应。类似地，
Koutmos和Booth（1995）等研究了不同国家股票市场之间的波动溢出效应。
对不同期货市场之间的风险传递关系而言，King和Wadhwani（1990）的实证分析表明，当一个市场的波动性增加时，风险传递效应的规模也在增加。Boothetal．（1997）采用了MGARCH波动率估检验了国计量和VAR框架下的极值波动率估计量，际指数期货市场之间的波动溢出关系和同一个市场不同时期的波动溢出效应。Lin和Tamvakis（2001）研究了纽约商业交易所（NYMEX）与伦敦国际石油交易所（LIPE）石油期货价格之间的关联性，发现二个市场期货价格波动之间相互影响、相互作用。Zhongetal．（2004）采用EGARCH模型研究了墨西哥股指期货市场的波动溢出效应。Xu和Fung（2005）研究了日本和美国贵金属期货市场之间的波动溢出效应，发现二市场之间的波动性相互影响、Boothetal．（1998）、相互作用。Tseetal．（1996）、
Tse（1998）、Fungetal．（2001）和Holderetal．（2002）等研究了不同市场上相关期货品种期货价总的分析结果格之间的信息传递和波动溢出效应，
一个市场的波动会对另一市场的波动产生冲显示，
击，相似资产的波动会相互影响。
对期货市场与现货市场之间的风险传递关系而言，存在不一致的看法。一些学者认为期货市场和现货市场之间存在双向的波动溢出关系（Wang和Wang，2001；Tse和So，2004），而另一些学者认为仅存在期货市场到现货市场的单向波动溢出关系（Arshanapali和Doukas，1994；Kavussanosetal．，2008），但相对而言，前者的结论较多，后者的结论Kawalleretal．（1987）和Miller（1997）较少。例如，
等人利用GARCH族模型先后对S＆P500指数及
VLCI指数的现货和期货数据进行了实证研究，研究结果都证实了期货市场和现货市场之间波动溢出的存在性。Chanetal．（1991）借助双变量GARCH模型，利用5分钟价格数据，研究发现S＆P500现货市场和期货市场之间的波动性具有传递性且可以相互预见。Koutmos和Tucker（1996）研究了股票指数市场与指数期货市场之间的波动溢出，也得出了相似结论。Tse（1999）研究了股票指数市场与其指数期货市场之间的波动溢出效应，研究结果表明，一个市场的波动信息会溢出到另一市场。Tse和So（2004）利用信息共享模型和多变量M-GARCH模型等研究了香港恒生指数市场、恒生指数期货市场和盈富基结果表明三个市场之间的金市场之间的相互关系，
波动溢出程度是彼此不同的。采用每日收盘价格数Kavussanosetal．（2008）利用VECM-GARCH-X据，
20和FTSE/ATHEX模型检测了希腊FTSE/ATHEX-Mid-40股票指数期货之间的波动性关系，发现存在但并不存在期货市场到现货市场的波动溢出关系，现货市场对期货市场的波动溢出关系。
对我国股指期货市场和股票现货市场之间的风险传递关系而言，严敏、巴曙松和吴博（2009）借助于向量误差修正模型、公共因子模型和带有误差修利用日交易数据研究了正的双变量EGARCH模型，
2006年10月30日至2009年3月20日期间沪深300指数仿真交易市场与沪深300指数市场之间的价格发现与波动溢出效应，研究结果发现，指数现货市场在价格发现中起到主导作用，但两市场间不存张阁在显著的非对称双向波动溢出效应。邢天才、（2010）对沪深300指数仿真期货与沪深300指数之间的联动效应进行了研究，发现股指期货的推出对现货市场的波动性没有多大影响，但增大了现货市场的非对称效应。
总体而言，有关不同市场之间的风险传递关系但对我国股指期货市场和股票研究还是比较多的，
现货市场之间的风险传导关系研究仍比较缺乏。为此，本文将对这一问题进行系统研究。
三、研究方法
为检测股指期货市场和股票现货市场之间的风险传递效应，下文分别给出了双变量GARCH模型、基于好消息和坏消息的非对称EGARCH模型以及隔夜信息对日间交易的冲击模型，以试图刻画股指期货市场和股票现货市场之间的波动溢出关系、风
险传递的非对称性以及隔夜信息对日间交易的冲击效应。
（一）双变量GARCH模型①
令股指期货和股票现货的收盘价格分别为Pf，t
=ln（Cf，对应的期货收益和现t）和Ps，t=ln（Cs，t），货收益分别为Rf，t=100×（Pf，t－Pf，t－1）和Rs，t=100×（Ps，这里Cf，t－Ps，t－1），t和Cs，t分别为股指期货市场和股票现货市场第t时刻的收盘价格。则所构建的双变量GARCH模型为：
条件均值方程为
fRf，t=α0+
p
q
条件均值方程为
+－+－
Rf，t=a0+a1Rf，t－1+a2Rf，t－1+b1Rs，t－1+b2Rs，t－1+ef，t+－+－Rs，t=a0+a1Rs，t－1+a2Rs，t－1+b1Rf，t－1+b2Rf，t－1+es，t
（8）（9）
es，et|Ωt－1～N（0，Ht），ef，其中，et=（ef，t，t）'，t
和es，Ωt为t－1时刻t分别为式（8）和（9）的残差项，的信息集；
Rf+，t－1
=
max｛Rf，0｝t－1，
－
和Rf，t－1
=min｛Rf，0｝；Rs+，t－1，t－1矩阵：
Ht=
=max｛Rs，0｝和Rs－，t－1，t－1
=min｛Rs，0｝。Ht为2×2阶的时变条件协方差t－1，
ΣΣ
p
f
αiRf，t－i+
i=1
ΣΣ
q
ff
βjRs，t－j+γ（Pf，t－1
(
σf，tρσf，tσs，t
2
ρσf，tσs，t
σ
2
s，t
)
（10）
j=1
－Ps，t－1）+εf，t
s
Rs，t=α0+
s
αiRs，t－i+
（1）
ss
βjRf，t－j+γ（Ps，t－1
条件方差方程为
2+－
lnσ2f，t=φf，0+φf，1lnσf，t－1+κf，1zf，t－1+κf，2zf，t－1
+－
+δf，1zs，t－1+δf，2zs，t－1
（11）（12）
和z
－
t－1f，
i=1j=1
－Pf，t－1）+εs，t（2）
2+－
lnσ2s，t=φs，0+φs，1lnσs，t－1+κs，1zs，t－1+κs，2zs，t－1
+－
+δs，1zf，t－1+δs，2zf，t－1
其中，εt=（εf，εs，εt|Ωt－1～N（0，Σt）；t，t）'，εf，Ωt为t－1t和εs，t分别为式（1）和（2）的残差项，时刻的信息集，Σt为2×2阶的时变条件协方差矩阵：
tHff，
Σt=
Hsf，t
其中，z+
t－1f，
=
ef+，t－1σf，t－1
=
ef－，t－1σf，t－1
，这里ef+，t－1
－
=max{ef，0}和ef，0}；同样地，t－1=min{ef，t－1，t－1，－zs+，zs－，es+，t－1、t－1、t－1和es，t－1均可类似地得到。
Hfs，t
Hss，t
珋pf
n
（3）
那么，基于好坏消息的双变量EGARCH模型的对数似然函数可表示为
2
T21
L2（Θ2）=－ln（2π）－Σ（ln|Σt|+e'tHt－1et）（13）
22t=1
条件方差方程为
fff2f2
Hff，t=φ0+ΣφiHff，t－i+Σηjεf，t－j+Σλuεs，t－u
i=1珋qs
i=1珋ps
u=1m
s
si
sj2s，t－j
珋qf
T
（4）（5）（6）
Hss，t=φ+ΣφHss，t－i+Σηε
i=1M
j=1
M
k=1
k=1
+Σλsuε2f，t－u
u=1
其中，Θ2为待估计的参数向量，T2为观测数，et=（ef，es，Ht为式（9）和（8）的时变条件协方t，t）'，差矩阵。
（三）隔夜信息对日间交易的冲击模型
以上两个模型主要从日内交易信息出发来探讨股指期货市场和股票现货市场之间的信息传递关系
①
利用基于正态分布、学生分布的双变量GARCH模型的实
Hfs，t=ω0+Σω1，kHfs，t－k+Σω2，k（εf，t－1εs，t－1）定为
那么，双变量GARCH模型的似然函数可设
1
T11
L1（Θ1）=－ln（2π）－Σ（ln|Σt|+ε'tΣt－1εt）（7）
2t=12
T
其中，Θ1为待估计的参数向量，εt=（εf，t，T1为观测数，Σt为时变条件协方差矩阵。为εs，t）'，保持试验结果计算的精确性，根据AIC准则，本文将采用没有任何系数限制的最大似然估计BHHH1974）。算法对模型各系数进行估计（Berndtetal．，
（二）基于好坏消息的非对称EGARCH模型为进一步检测一个市场的好消息和坏消息对另一市场（或同一市场）收益的影响、波动的冲击及其非对称性②，我们构建了基于好消息和坏消息的非对称EGARCH模型：
证研究发现，基于正态分布的双变量GARCH模型的R2、残差平方AIC因素总体要好于基于学生分布的GARCH模极大似然值、和、
型。下文双变量EGARCH模型的构建过程也与此类似。为节省篇幅，具体论证过程从略。
②
Black（1976）最早讨论了杠杆效应，他认为股权价格的下降
与公司债务价值的下降幅度不相匹配。对本文而言，我们将全面讨论好消息和坏消息对收益及其波动的非对称效应。为明晰起见，本文将传统的杠杆效应（即负收益冲击比相同绝对量的正收益冲击具有更大的波动效应进行了拓展，并分别划分为“正向杠杆”和“反向：“正向杠杆”杠杆”效应效应是指来自同样大小的好消息的影响要“反向杠杆”大于坏消息的影响，而效应则相反，是指来自同样大小的坏消息的影响要大于好消息的影响。
的。然而，不可否认的是，隔夜（从当日收盘到下一个交易日开盘）信息对日间交易或多或少具有一定2008）。为检验一个市场的隔的预测作用（Tsiakas，
夜信息是否对另一市场的日间交易具有预测能力，下面将构建隔夜信息对日间交易的冲击模型。
ooc
设隔夜收益为Ri，日间t=100×（Pi，t－Pi，t－1）、cco
收益为Ri，t=100×（Pi，t－Pi，t）（i=f表示股指期货o
其中Pi，市场、i=s表示股票现货市场），t为t日开
表1给出了我国股指期货与股票现货收益的基本统计量。可以发现，沪深300指数期货与沪深300指数现货的收益均为负值，沪深300指数期货沪的方差略大于沪深300指数现货的方差。并且，深300指数期货的收益为正向偏倚的，而沪深300指数现货的收益为负向偏倚的，并均具有尖峰厚尾特征。同时，从LB（6）和LB（12）统计量看，它们均说明沪深300指数在5%的置信水平下统计显著，
2
现货及其期货的收益具有很强的自相关性。从LB
Pc盘价格序列，t为t日收盘价格序列。则刻画隔夜i，信息对日间交易冲击的双变量EGARCH模型为：
条件均值方程为
coo
Rct=ζf，0+ζf，1Rf，t－1+τfRf，t+νfRs，t+υf，tf，cooRct=ζs，0+ζs，1Rs，t－1+τsRs，t+νsRf，t+υs，ts，
（6）和LB2（12）统计量看，它们也均在1%的置信水平下显著，这意味着沪深300指数现货及其期货的收益均存在异方差性；同时，检测残差自回归条件异
22
方差的ARCHLM检验值χ6和χ12也在1%的置信水
（14）（15）
Et）；υf，其中，υt=（υf，υs，υt|Ωt－1～N（0，t，t）'，t
和υs，Ωt为t－1时t分别为式（14）和（15）的残差项，刻的信息集，Et为2×2阶的时变条件协方差矩阵。Et为2×2阶的时变条件协方差矩阵：
Et=
平下统计显著，这进一步验证了沪深300指数现货由含常数及其期货收益均具有异方差特性。此外，项的AugmentedDickey-Fuller（ADF）模型的平稳性检验可知，在1%的置信水平下，沪深300指数现货及其期货的对数价格序列均为一阶平稳过程。
表1
沪深300股指期货与沪深300指数收益的基本统计量
统计量
股指期货－0.000786
0.2139882.770425－2.4790710.72757822.24200
＊
193214.60＊［0．0］
＊＊
34.821
＊
40.078＊
＊
36.778＊
＊
124.990＊
＊
5.659＊
＊
8.830＊－1.864
＊
－113.794＊
股票现货－0.0006110.2066981.445952－2.469976－0.33613811.41694
＊
36994.12＊［0．0］
*
15.03231.085*
＊
187.45＊
＊
307.911＊
＊
25.700＊
＊
17.790＊－1.758
＊
－113.262＊
(
σf，tρσf，tσs，t
2
ρσf，tσs，t
σ
2
s，t
)
22
（16）
条件方差方程为
2o
lnσ2f，t=ψf，0+ψf，1lnσf，t－1+θfln（Rs，t）2olnσ2s，t=ψs，0+ψs，1lnσs，t－1+θsln（Rf，t）
（17）（18）
那么，隔夜信息对日间交易冲击的双变量EGARCH模型的对数似然函数可表示为
3
T31
L3（Θ3）=－ln（2π）－Σ（ln|Σt|+e'tEt－1et）（19）
22t=1
T
其中，Θ3为待估计的参数向量，T3为观测数，Et为式（14）和（15）的时变条件协υt=（υf，υs，t，t）'，方差矩阵。
四、实证结果与分析
（一）数据选择与统计特征
本文的研究对象为沪深300指数期货和沪深300指数现货，所用数据选择每5分钟的期货价格和股指价格序列作为代表①，时间跨度均为2010年4月16日至2011年5月13日②。鉴于股指期货市场与股票现货市场交易时间的非同步性（股指期货市场交易时间为9：15～15：15，股票现货市场交易在数据处理中需剔除非重叠时间为9：30～15：00），
的数据，所得样本为12454个。沪深300指数期货和沪深300指数现货数据主要来源于Wind和Bloomberg数据库。
均值
标准差最大值最小值偏度峰度
Jarque－Bera值LB（6）LB（12）LB2（6）LB2（12）
ARCHLM检验值：χ26ARCHLM检验值：χ212Pi，ADF的检验tRi，t的ADF检验
注：Jarque－Bera是一个检验序列是否为正态分布的统计量；LB（6）/LB（12）和LB2（6）/LB2（12）分别为滞后期为6/12的对数收益Q－统计量和对数收益平方Q－统计量；ARCHLM是用以检测残差自回归条件异方差（ARCH）的拉格朗日乘数检验法（Engle，1982），
2χ2这是一个对原6/χ12表示常数项的残差在滞后6/12的LM检验量，
假设：残差至6/12阶不存在ARCH效应的检验量。*表示在5%置信水平下显著，＊＊表示在1%置信水平下显著。
①序列。
②
在探讨一个市场的隔夜信息对另一市场的日内收益及其
波动的冲击效应时，本文将采用含有开盘价格和收盘价格的日数据
在我国股指期货数据的选择中，我们选择当月期的连续数
据作为研究样本，所用方法与刘庆富和华仁海（2008）所采用的数据生成方法相一致。
为描述沪深300指数期货与沪深300指数现货在交易期间的波动性状况，本文计算了沪深300指数期货与沪深300指数现货在交易期间的波动性。沪深300指数期货与沪深300指数波动的计算公式
2珔珔/N，P为：V=（Pt－P其中Pt为t时刻的价格，t）t为Pt的均值，N为样本数。股指期货与股票指数的走势图（图略）可以看出，股指期货与股票指数的波且均具有“微笑”特征。动趋势基本是一致的，
（二）沪深300股指期货与沪深300指数现货之间的波动溢出效应研究
利用双变量GARCH模型，本文对沪深300指数期货市场和沪深300指数现货市场之间的价格引导关系及波动溢出效应进行了实证分析。根据AIC准则，股指期货市场和股票现货市场的p=q=2。这样，模型的条件均值方程和条件方差方程的参数估计结果如表2所示。
表2
股指期货市场与股票现货市场之间价格引导
关系及其波动溢出参数的估计结果
参数估计条件均值方程
α·，0α·，1α·，2β·，1β·，2γ
条件方差方程φg，0φg，1
ηλ
股指期货市场参数估计值
＊
0.0066＊
*
0.0286－0.0077
＊
－0.0458＊0.0058
＊
－1.6613＊
指数期货和沪深300指数现货均具有显著的负向调节作用，并且，无论从系数绝对值大小还是从显著性的统计量上看，误差修正项对沪深300指数期货市场的调节能力要大于沪深300指数现货市场的调节能力。
同时，由表2条件方差方程的估计结果可知，期货市场的f，现货市1=0.9843（t统计量=29.60），场的s，且均在1%1=0.9812（t统计量=31.66），的置信水平下显著。这表明沪深300指数期货市场和沪深300指数现货市场的波动均具有很强的持续性。并且，反映现货市场对期货市场波动溢出关系的系数λf=0.0097（t统计量=25.90），反映期货市场对现货市场波动溢出关系的系数λs=0.0029（t统计量=20.08），且均在1%的置信水平下显著。这说明期货市场和现货市场均具有相互的波动溢出关系；并且，从系数绝对值和显著性统计量上看，后这表明现货市场对期货市场的波动者均小于前者，
溢出要大于期货市场对现货市场的波动溢出。
（三）沪深300股指期货与沪深300指数之间的非对称效应研究
为检验好消息和坏消息对股指期货市场和股票现货市场的影响及其非对称性，本文对沪深300指数期货和沪深300指数现货进行了实证研究（如表3所示）。
表3
好坏消息对股指期货市场和股票现货
市场影响的参数估计结果
参数估计条件均值方程a·，0a·，1a·，2b·，1b·，2
|b·，2/b·，1|条件方差方程φg，0φg，1κg，1κg，2δg，1δg，2
|δg，2/δ·，1|
＊
－28.21－0.1604＊＊
0.9658＊
＊
－0.0832＊＊
0.9829＊＊
0.0433＊＊
－0.0283＊
股票现货市场参数估计值－0.0025
＊
－0.3683＊
＊
－0.0912＊
＊
0.4507＊
＊
0.1200＊
＊
－0.7659＊0.0002
＊
0.9812＊
＊
0.0113＊
＊
0.0029＊
＊＊
t统计量2.90
2.02－0.55－2.810.43－6.7217.3129.6017.3225.90
t统计量－1.18－31.89－8.2547.4210.28－2.7314.5631.6620.8020.08
0.0001
＊
0.9843＊
＊
0.0046＊
＊
0.0097＊
＊＊
股指期货市场参数估计值－0.00110.01380.0356*－0.0267*－0.04401.6479
＊＊
股票现货市场参数估计值0.0008－0.2502
＊＊
＊
－0.3753＊＊
0.3482＊
t统计量－0.430.761.98－2.14－2.68
－
t统计量0.38－14.34－22.4536.7429.13－－25.2541.9310.80－9.78－7.14－9.76
－
注：*（＊＊）分别表示在5%（1%）置信水平下显著。
由表2条件均值方程的估计结果可知，期货市=－0.0458（t统计量=－2.81）、场的βf，βf，12=0.0058（t统计量=0.43）；而现货市场的βs，1=0.4507（t统计量=47.42）、βs，2=0.1200（t统计量=10.28），除βf，2外均在1%的置信水平下显著。可以发现，沪深300指数期货市场与沪深300指数现货市场之间存在双向的价格引导关系。并且，无论从滞后项系数绝对值还是从显著性的统计量上看，期货市场对现货市场的引导力度大于现货市场对期货市场的引导力度。从误差修正项来看，期货市场的γ=－1.6613（t统计量=－6.72），而现货市场γ=－0.7659（t统计量=－2.73），且均在1%的置信水平下显著。这说明误差修正项对沪深300
0.49081.4095
＊＊
31.28
＊
－21.91－0.0778＊
＊
－34.87－0.1520＊
0.14820.4777
＊＊
40.1317.44－
－0.02850.8140
＊＊
＊
0.0708＊＊
－0.0232＊
注：*（＊＊）分别表示在5%（1%）置信水平下显著。
由表3中条件均值方程的参数估计结果可知，
期货市场的bf，1=－0.0267（t统计量=－2.14）、bf，2=－0.0440（t统计量=－2.68）；而现货市场的bs，as，1=－0.3753（t统计量=36.74）、2=0.4908（t统计量=29.13），均在5%的置信水平下显著。这表明一个市场的好消息和坏消息对另一市场的收益均具有显著的引导关系，并且，从系数绝对值和显著性统计量上看，股指期货市场的好消息和坏消息对股票现货市场的引导力度均远大于股票现货市场的好消息和坏消息对股指期货市场的引导力度，这一结果与前文讨论的价格引导关系是一致的。由条件方差方程的参数估计结果可以看出，反映现货市场好消息对期货市场波动溢出关系的系数δf，1=0.1482（t统计量=40.13），反映现货市场坏消息对期货市场波动溢出关系的系数δf，2=0.0708（t统计量=17.44）；反映期货市场好消息对现货市场波=－0.0285（t统计量动溢出关系的系数δs，1=－7.14），反映期货市场坏消息对现货市场波动溢出关系的系数δs，2
=－0.0232（t统计量
=－9.76），且均在1%的置信水平下统计显著。这说明一个市场的好消息和坏消息对另一市场的波动并且，从系数绝对值和显著均具有显著的溢出关系，
性统计量上看，现货市场的好消息和坏消息对期货市场的波动溢出分别大于期货市场的好消息和坏消息对现货市场的波动溢出。这一结果也与前文的波动溢出关系相一致。
此外，在条件均值方程中，我们发现现货市场的坏消息对期货市场收益的影响系数与现货市场好消息对期货市场收益的影响系数绝对值之比|bf，期货市场的坏消息对现货市场收2/bf，1|=1.6479，益的影响系数与期货市场好消息对现货市场收益的=1.4095。这表影响系数绝对值之比|bs，2/bs，1|一个市场的好消息和坏消息对另一市场收益的明，
影响是不对称的，并具有“正向杠杆”效应。在条件方差方程中，我们发现现货市场的坏消息对期货市场波动的冲击系数与现货市场好消息对期货市场波=0.4777，动的冲击系数绝对值之比|δf，期2/δf，1|货市场的坏消息对现货市场波动的冲击系数与期货市场好消息对现货市场波动的冲击系数绝对值之比|δs，=0.8140。这表明，一个市场的好消息2/δs，1|和坏消息对另一市场波动的冲击也是不对称的，且效应。具有“反向杠杆”
（四）隔夜信息对日间交易的冲击效应研究为检验一个市场的隔夜信息对另一市场日间交易的冲击效应，表4给出了沪深300指数期货和沪深300指数现货的实证结果。
表4
隔夜信息对日内交易冲击的参数估计结果
股指期货市场参数估计值0.0143
－0.0273－0.4838*0.3618
＊
0.1445＊
＊
0.8791＊
＊
0.0494＊
参数估计条件均值方程ζg，0ζg，1τν
条件方差方程ψg，0ψg，1
θ
股票现货市场参数估计值0.0355
－0.0446－0.20260.0660
＊
0.1140＊
＊
0.9543＊
＊
0.0339＊
t统计量0.34－0.40－2.401.602.8020.893.98
t统计量0.86－0.65－0.920.273.2442.823.78
注：*（＊＊）分别表示在5%（1%）置信水平下显著。
从条件均值方程来看，在5%的置信水平下，只有期货市场的系数τf=－0.4838（t统计量=－2.40）是统计显著的，而其他系数均不显著。这说明期货市场的隔夜收益对其日间收益具有显著而现货市场的隔夜收益对其日间收益的负向影响，
则不具有显著影响；并且，现货市场隔夜收益对期货市场的日间收益与期货市场隔夜收益对现货市场的日间收益的影响也均不显著。这意味着期货市场的而现隔夜信息对其日间收益具有一定的预测能力，货市场的隔夜信息对其日间收益却不存在预测能力，这也同时表明期货市场日间交易和隔夜之间的信息效率要明显高于现货市场。
从条件方差方程来看，期货市场的ψf，1
=0.8791（t统计量=20.89），现货市场的ψs，1=0.9543（t统计量=42.82），且均在1%的置信水平下显著。这表明沪深300指数期货和沪深300指数现货的日间波动均具有较强的持续性。另外，反映现货市场隔夜信息对期货市场日间波动溢出关系的系数θf=0.0494（t统计量=3.98），反映期货市场隔夜信息对现货市场日间波动溢出关系的系数θs=0.0339（t统计量=3.78），且均在1%的置信水平下统计显著。这说明期货市场的隔夜信息对现货市场的日间波动与现货市场的隔夜信息对期货市场的日间波动均具有显著的冲击效应。从系数绝对值和显著性统计量上看，后者均小于前者，这表明现货市场的隔夜信息对期货市场波动的冲击能力要大于期货市场的隔夜信息对现货市场波动的冲击能力。
五、结论
本文利用双变量GARCH、基于好坏消息的非对称EGARCH以及隔夜信息对日间交易冲击等模型对沪深300指数期货市场与沪深300指数现货市场进行了实证分析。研究结果显示：
第一，股指期货市场与股票现货市场之间存在双向的价格引导关系，且股指期货市场对股票现货市场的引导力度均大于股票现货市场对股指期货市这表明期货市场的价格引导能力在场的引导力度，
期货市场和现货市场中占据主导地位。
第二，股指期货市场与股票现货市场之间存在现货市场对期货市场的双向的波动溢出关系；并且，
波动溢出要大于期货市场对现货市场的波动溢出。这意味着股指期货市场与股票现货市场之间的风险传递是双向的，相对而言，股票现货市场向股指期货市场的风险传导力度要大于股指期货市场向股票现货市场的风险传导力度。
第三，一个市场的好消息和坏消息对另一市场的收益及其波动均具有显著影响，相对而言，股票现货市场的好消息和坏消息对股指期货市场的波动溢出能力分别大于股指期货市场的好消息和坏消息对股票现货市场的波动溢出能力。
第四，一个市场的好消息和坏消息对另一市场任收益及其波动的影响均具有不对称性。具体地，一市场的好消息和坏消息对另一市场收益的影响均效应，而一个市场的好消息和坏消存在“正向杠杆”
息对另一市场波动的冲击却存在“反向杠杆”效应。
第五，股指期货市场的隔夜信息对其日间收益具有预测能力，而股票现货市场的隔夜信息对其日间收益却不存在预测能力；此外，一个市场的隔夜信息对另一市场的日间波动具有显著的冲击效应，且股票现货市场的隔夜信息对股指期货市场波动的冲击能力要大于股指期货市场的隔夜信息对股票现货市场波动的冲击能力。
参考文献
［1］华仁海、刘庆富．国内外期货市场之间的波动溢出效应研究
［J］，世界经济，2007（6）：64－74．
［2］方毅、张屹山．国内外金属期货市场“风险传染”的实证研究
［J］，金融研究，2007（5）：133－146．
［3］刘庆富、华仁海．基于非同步交易的国内外期货市场价格发现
贡献度研究［J］．统计研究，2008（12）：59－65.
［4］严敏、巴曙松、吴博．我国股指期货市场的价格发现与波动溢出
，效应［J］系统工程，2009，27（10）：32－38．
［5］Arshanapalli，B．andDoukas，J．（1994）．Commonvolatilityin
S＆P500stockindexandS＆P500indexfuturespricesduringOctober1987，JournalofFuturesMarkets，14：915－925.［6］Booth，G．G．，Chowdhury，M．，Martikainen，T．，andTse，Y．
（1997）．IntradayVolatilityinInternationalStockIndexFuturesMarkets：MeteorShowersorHeatWaves？ManagementScience，43：1564－1576.
［7］Chan，K．（1992）．AFurtherAnalysisoftheLead-lagRelationship
betweentheCashMarketandStockIndexFuturesMarket，ReviewofFinancialStudies，5：123－152.
［8］KavussanosMG，VisvikisID，andAlexakisPD．（2008）．The
Lead-LagRelationshipBetweenCashandStockIndexFuturesinaNewMarket，EuropeanFinancialManagement，14（5）：1007－1025.
［9］Kawaller，I．G．，Koch，P．D．，andKoch，T．W．（1987）．The
TemporalPriceRelationshipbetweenS＆P500FuturesandtheS＆P500Index，JournalofFinance，42：1309－1329.
［10］Koutmos，G．andTucker，M．，“TemporalRelationshipsand
，DynamicInteractionsbetweenSpotandFuturesStockMarkets”JournalofFuturesMarkets，1996，16：55－69．
［11］MillerM．J．，andGallowayT．M．（1997）．IndexFuturesTrading
andStockReturnVolatility：EvidenceFromTheIntroductionofMidCap400IndexFutures，TheFinancialReview，32：845－866．［12］Liu，Q．andAn，Y．（2011）．InformationTransmissionin
InformationallyLinkedMarkets：EvidencefromUSandChineseCommodityFuturesMarkets，JournalofInternationalMoneyandFinance，30：778－795.
［13］So，R．W．，andTse，Y．（2004）．PriceDiscoveryintheHang-SangIndexMarkets：Index，Futures，andtheTrackerFund．JournalofFuturesMarkets，24：887－907.
［14］Stoll，H．R．andWhaley，R．E．（1990）．TheDynamicsofStock
IndexandStockIndexFuturesReturns”，JournalofFinancialandQuantitativeAnalysis，25：441－68.
［15］Tse，Y．（1999）．PriceDiscoveryandVolatilitySpilloversinthe
DJIAIndexandtheFuturesMarket，JournalofFuturesMarkets，19：911－930.
作者简介
1973年生，刘庆富，男，山东人，复旦大学金融研究院副教授。研究方向为期货与期权、金融风险管理与金融工程。
1964年生，华仁海，男，江苏扬州人，博士，南京财经大2002—2003年度赴美国南学金融学院教授，研究生处处长，加州大学马歇尔商学院做访问学者。研究方向为衍生品市场。
（责任编辑：程晞）
第28卷第11期2011年11月统计研究
StatisticalResearchVol．28，No.11Nov．2011
中国股指期货与股票现货市场之间的
风险传递效应研究
*
刘庆富华仁海
内容提要：为探索股指期货市场与股票现货市场之间的风险传递效应，本文从日间交易信息和隔夜信息两个角度对沪深300股指期货市场和沪深300指数现货市场进行了实证研究。实证结果显示：股指期货市场与股票现股票现货对股指期货的风险溢出要大于股指期货对股票现货的风险溢出；并且，货市场之间的风险传递是双向的，
一市场收益对另一市场收益的影响具有正向杠杆效应，一市场风险对另一市场风险的冲击却具有反向杠杆效应；此外，尽管只有股指期货市场的隔夜信息对其日间收益具有预测能力，但任一市场的隔夜信息对另一市场的日间波动均存在显著的冲击效应。
关键词：股指期货；风险传递；隔夜信息；杠杆效应中图分类号：C812
文献标识码：A
文章编号：1002－4565（2011）11－0084－07
RiskTransmissionbetweenStockIndexFuturesand
StockIndexSpotMarketsinChina
LiuQingfu
HuaRenhai
Abstract：ForinvestigatingtherisktransmissionbetweenthestockindexfuturesandstockindexspotmarketsinChina，thearticleinvestigateHS300stockindexfuturesandHS300stockindexmarketsfromintradayinformationandovernightinformationaspects．Theempiricalresultsindicatethattherearethesignificantbi-directionalrisktransmissionrelationshipsintwomarkets．Andtheriskspilloversfromspottofuturesarelargerthantheotherwayaround．Moreover，thereisapositiveleverageeffectfromonemarkettotheotherinreturns，whereasthereisanegativeleverageeffectfromonemarkettotheotherinrisk．Inaddition，thereareprominentimpactsofovernightinformationofonemarketonintradayvolatilityoftheothermarket，althoughthereisevidentforecastabilityofovernightinformationtointradayreturnsonlyinfuturesmarket．
Keywords：StockIndexFutures；RiskTransmission；OvernightInformation；LeverageEffect
一、引言
随着沪深300股指期货的推出，股票市场与期货市场相对分割的局面已被打破，股指期货与股票现货市场之间的关联性已明显加强。虽然如此，近这不能不期两市场仍出现了不同程度的大幅震荡，引起人们对两市场之间风险传递关系的关注。为本文将对我国股指期货市场与股票现货市场之此，
间的风险传递效应进行系统分析，以便对我国股票现货市场及其股指期货市场有更清晰的认识和把握。
二、文献综述
对不同股票市场之间的风险传递关系而言，French和Roll（1986）的研究显示，股票市场的波动方差是一个重要的信息源。Ross（1989）的研究发资产价格的波动与信息在竞争的资产市场里的现，
流动速率有很大的关系。Eun和Shim（1989）研究美国股票市场的价格波动将会迅速地传播到发现，
*本文受到国家自然科学基金项目（71073026，70873055）、教08JA790064）和上海哲育部人文社会科学规划项目（09YJC790044，学社会科学规划项目（2010BJB015）的资助。
其他市场，但其他市场对美国市场的价格冲击并不明显。King和Wadhwani（1990）研究了不同股票市场之间的波动溢出效应，发现不同股票市场波动之1991）研究发间存在传递效应。Hamaoetal．（1990，
现，从纽约到伦敦、伦敦到东京都存在着市场崩溃前的不对称的波动溢出效应，而其他地区没有这种溢出效应；而在市场崩溃后，波动溢出效应显著增加，特别是东京证券市场的波动溢出。Susmel和Engle（1994）采用高频数据对美国和英国股票市场之间并不支持二个市场波动溢出效应的研究结果显示，
Linetal．（1994）、之间的波动溢出效应。类似地，
Koutmos和Booth（1995）等研究了不同国家股票市场之间的波动溢出效应。
对不同期货市场之间的风险传递关系而言，King和Wadhwani（1990）的实证分析表明，当一个市场的波动性增加时，风险传递效应的规模也在增加。Boothetal．（1997）采用了MGARCH波动率估检验了国计量和VAR框架下的极值波动率估计量，际指数期货市场之间的波动溢出关系和同一个市场不同时期的波动溢出效应。Lin和Tamvakis（2001）研究了纽约商业交易所（NYMEX）与伦敦国际石油交易所（LIPE）石油期货价格之间的关联性，发现二个市场期货价格波动之间相互影响、相互作用。Zhongetal．（2004）采用EGARCH模型研究了墨西哥股指期货市场的波动溢出效应。Xu和Fung（2005）研究了日本和美国贵金属期货市场之间的波动溢出效应，发现二市场之间的波动性相互影响、Boothetal．（1998）、相互作用。Tseetal．（1996）、
Tse（1998）、Fungetal．（2001）和Holderetal．（2002）等研究了不同市场上相关期货品种期货价总的分析结果格之间的信息传递和波动溢出效应，
一个市场的波动会对另一市场的波动产生冲显示，
击，相似资产的波动会相互影响。
对期货市场与现货市场之间的风险传递关系而言，存在不一致的看法。一些学者认为期货市场和现货市场之间存在双向的波动溢出关系（Wang和Wang，2001；Tse和So，2004），而另一些学者认为仅存在期货市场到现货市场的单向波动溢出关系（Arshanapali和Doukas，1994；Kavussanosetal．，2008），但相对而言，前者的结论较多，后者的结论Kawalleretal．（1987）和Miller（1997）较少。例如，
等人利用GARCH族模型先后对S＆P500指数及
VLCI指数的现货和期货数据进行了实证研究，研究结果都证实了期货市场和现货市场之间波动溢出的存在性。Chanetal．（1991）借助双变量GARCH模型，利用5分钟价格数据，研究发现S＆P500现货市场和期货市场之间的波动性具有传递性且可以相互预见。Koutmos和Tucker（1996）研究了股票指数市场与指数期货市场之间的波动溢出，也得出了相似结论。Tse（1999）研究了股票指数市场与其指数期货市场之间的波动溢出效应，研究结果表明，一个市场的波动信息会溢出到另一市场。Tse和So（2004）利用信息共享模型和多变量M-GARCH模型等研究了香港恒生指数市场、恒生指数期货市场和盈富基结果表明三个市场之间的金市场之间的相互关系，
波动溢出程度是彼此不同的。采用每日收盘价格数Kavussanosetal．（2008）利用VECM-GARCH-X据，
20和FTSE/ATHEX模型检测了希腊FTSE/ATHEX-Mid-40股票指数期货之间的波动性关系，发现存在但并不存在期货市场到现货市场的波动溢出关系，现货市场对期货市场的波动溢出关系。
对我国股指期货市场和股票现货市场之间的风险传递关系而言，严敏、巴曙松和吴博（2009）借助于向量误差修正模型、公共因子模型和带有误差修利用日交易数据研究了正的双变量EGARCH模型，
2006年10月30日至2009年3月20日期间沪深300指数仿真交易市场与沪深300指数市场之间的价格发现与波动溢出效应，研究结果发现，指数现货市场在价格发现中起到主导作用，但两市场间不存张阁在显著的非对称双向波动溢出效应。邢天才、（2010）对沪深300指数仿真期货与沪深300指数之间的联动效应进行了研究，发现股指期货的推出对现货市场的波动性没有多大影响，但增大了现货市场的非对称效应。
总体而言，有关不同市场之间的风险传递关系但对我国股指期货市场和股票研究还是比较多的，
现货市场之间的风险传导关系研究仍比较缺乏。为此，本文将对这一问题进行系统研究。
三、研究方法
为检测股指期货市场和股票现货市场之间的风险传递效应，下文分别给出了双变量GARCH模型、基于好消息和坏消息的非对称EGARCH模型以及隔夜信息对日间交易的冲击模型，以试图刻画股指期货市场和股票现货市场之间的波动溢出关系、风
险传递的非对称性以及隔夜信息对日间交易的冲击效应。
（一）双变量GARCH模型①
令股指期货和股票现货的收盘价格分别为Pf，t
=ln（Cf，对应的期货收益和现t）和Ps，t=ln（Cs，t），货收益分别为Rf，t=100×（Pf，t－Pf，t－1）和Rs，t=100×（Ps，这里Cf，t－Ps，t－1），t和Cs，t分别为股指期货市场和股票现货市场第t时刻的收盘价格。则所构建的双变量GARCH模型为：
条件均值方程为
fRf，t=α0+
p
q
条件均值方程为
+－+－
Rf，t=a0+a1Rf，t－1+a2Rf，t－1+b1Rs，t－1+b2Rs，t－1+ef，t+－+－Rs，t=a0+a1Rs，t－1+a2Rs，t－1+b1Rf，t－1+b2Rf，t－1+es，t
（8）（9）
es，et|Ωt－1～N（0，Ht），ef，其中，et=（ef，t，t）'，t
和es，Ωt为t－1时刻t分别为式（8）和（9）的残差项，的信息集；
Rf+，t－1
=
max｛Rf，0｝t－1，
－
和Rf，t－1
=min｛Rf，0｝；Rs+，t－1，t－1矩阵：
Ht=
=max｛Rs，0｝和Rs－，t－1，t－1
=min｛Rs，0｝。Ht为2×2阶的时变条件协方差t－1，
ΣΣ
p
f
αiRf，t－i+
i=1
ΣΣ
q
ff
βjRs，t－j+γ（Pf，t－1
(
σf，tρσf，tσs，t
2
ρσf，tσs，t
σ
2
s，t
)
（10）
j=1
－Ps，t－1）+εf，t
s
Rs，t=α0+
s
αiRs，t－i+
（1）
ss
βjRf，t－j+γ（Ps，t－1
条件方差方程为
2+－
lnσ2f，t=φf，0+φf，1lnσf，t－1+κf，1zf，t－1+κf，2zf，t－1
+－
+δf，1zs，t－1+δf，2zs，t－1
（11）（12）
和z
－
t－1f，
i=1j=1
－Pf，t－1）+εs，t（2）
2+－
lnσ2s，t=φs，0+φs，1lnσs，t－1+κs，1zs，t－1+κs，2zs，t－1
+－
+δs，1zf，t－1+δs，2zf，t－1
其中，εt=（εf，εs，εt|Ωt－1～N（0，Σt）；t，t）'，εf，Ωt为t－1t和εs，t分别为式（1）和（2）的残差项，时刻的信息集，Σt为2×2阶的时变条件协方差矩阵：
tHff，
Σt=
Hsf，t
其中，z+
t－1f，
=
ef+，t－1σf，t－1
=
ef－，t－1σf，t－1
，这里ef+，t－1
－
=max{ef，0}和ef，0}；同样地，t－1=min{ef，t－1，t－1，－zs+，zs－，es+，t－1、t－1、t－1和es，t－1均可类似地得到。
Hfs，t
Hss，t
珋pf
n
（3）
那么，基于好坏消息的双变量EGARCH模型的对数似然函数可表示为
2
T21
L2（Θ2）=－ln（2π）－Σ（ln|Σt|+e'tHt－1et）（13）
22t=1
条件方差方程为
fff2f2
Hff，t=φ0+ΣφiHff，t－i+Σηjεf，t－j+Σλuεs，t－u
i=1珋qs
i=1珋ps
u=1m
s
si
sj2s，t－j
珋qf
T
（4）（5）（6）
Hss，t=φ+ΣφHss，t－i+Σηε
i=1M
j=1
M
k=1
k=1
+Σλsuε2f，t－u
u=1
其中，Θ2为待估计的参数向量，T2为观测数，et=（ef，es，Ht为式（9）和（8）的时变条件协方t，t）'，差矩阵。
（三）隔夜信息对日间交易的冲击模型
以上两个模型主要从日内交易信息出发来探讨股指期货市场和股票现货市场之间的信息传递关系
①
利用基于正态分布、学生分布的双变量GARCH模型的实
Hfs，t=ω0+Σω1，kHfs，t－k+Σω2，k（εf，t－1εs，t－1）定为
那么，双变量GARCH模型的似然函数可设
1
T11
L1（Θ1）=－ln（2π）－Σ（ln|Σt|+ε'tΣt－1εt）（7）
2t=12
T
其中，Θ1为待估计的参数向量，εt=（εf，t，T1为观测数，Σt为时变条件协方差矩阵。为εs，t）'，保持试验结果计算的精确性，根据AIC准则，本文将采用没有任何系数限制的最大似然估计BHHH1974）。算法对模型各系数进行估计（Berndtetal．，
（二）基于好坏消息的非对称EGARCH模型为进一步检测一个市场的好消息和坏消息对另一市场（或同一市场）收益的影响、波动的冲击及其非对称性②，我们构建了基于好消息和坏消息的非对称EGARCH模型：
证研究发现，基于正态分布的双变量GARCH模型的R2、残差平方AIC因素总体要好于基于学生分布的GARCH模极大似然值、和、
型。下文双变量EGARCH模型的构建过程也与此类似。为节省篇幅，具体论证过程从略。
②
Black（1976）最早讨论了杠杆效应，他认为股权价格的下降
与公司债务价值的下降幅度不相匹配。对本文而言，我们将全面讨论好消息和坏消息对收益及其波动的非对称效应。为明晰起见，本文将传统的杠杆效应（即负收益冲击比相同绝对量的正收益冲击具有更大的波动效应进行了拓展，并分别划分为“正向杠杆”和“反向：“正向杠杆”杠杆”效应效应是指来自同样大小的好消息的影响要“反向杠杆”大于坏消息的影响，而效应则相反，是指来自同样大小的坏消息的影响要大于好消息的影响。
的。然而，不可否认的是，隔夜（从当日收盘到下一个交易日开盘）信息对日间交易或多或少具有一定2008）。为检验一个市场的隔的预测作用（Tsiakas，
夜信息是否对另一市场的日间交易具有预测能力，下面将构建隔夜信息对日间交易的冲击模型。
ooc
设隔夜收益为Ri，日间t=100×（Pi，t－Pi，t－1）、cco
收益为Ri，t=100×（Pi，t－Pi，t）（i=f表示股指期货o
其中Pi，市场、i=s表示股票现货市场），t为t日开
表1给出了我国股指期货与股票现货收益的基本统计量。可以发现，沪深300指数期货与沪深300指数现货的收益均为负值，沪深300指数期货沪的方差略大于沪深300指数现货的方差。并且，深300指数期货的收益为正向偏倚的，而沪深300指数现货的收益为负向偏倚的，并均具有尖峰厚尾特征。同时，从LB（6）和LB（12）统计量看，它们均说明沪深300指数在5%的置信水平下统计显著，
2
现货及其期货的收益具有很强的自相关性。从LB
Pc盘价格序列，t为t日收盘价格序列。则刻画隔夜i，信息对日间交易冲击的双变量EGARCH模型为：
条件均值方程为
coo
Rct=ζf，0+ζf，1Rf，t－1+τfRf，t+νfRs，t+υf，tf，cooRct=ζs，0+ζs，1Rs，t－1+τsRs，t+νsRf，t+υs，ts，
（6）和LB2（12）统计量看，它们也均在1%的置信水平下显著，这意味着沪深300指数现货及其期货的收益均存在异方差性；同时，检测残差自回归条件异
22
方差的ARCHLM检验值χ6和χ12也在1%的置信水
（14）（15）
Et）；υf，其中，υt=（υf，υs，υt|Ωt－1～N（0，t，t）'，t
和υs，Ωt为t－1时t分别为式（14）和（15）的残差项，刻的信息集，Et为2×2阶的时变条件协方差矩阵。Et为2×2阶的时变条件协方差矩阵：
Et=
平下统计显著，这进一步验证了沪深300指数现货由含常数及其期货收益均具有异方差特性。此外，项的AugmentedDickey-Fuller（ADF）模型的平稳性检验可知，在1%的置信水平下，沪深300指数现货及其期货的对数价格序列均为一阶平稳过程。
表1
沪深300股指期货与沪深300指数收益的基本统计量
统计量
股指期货－0.000786
0.2139882.770425－2.4790710.72757822.24200
＊
193214.60＊［0．0］
＊＊
34.821
＊
40.078＊
＊
36.778＊
＊
124.990＊
＊
5.659＊
＊
8.830＊－1.864
＊
－113.794＊
股票现货－0.0006110.2066981.445952－2.469976－0.33613811.41694
＊
36994.12＊［0．0］
*
15.03231.085*
＊
187.45＊
＊
307.911＊
＊
25.700＊
＊
17.790＊－1.758
＊
－113.262＊
(
σf，tρσf，tσs，t
2
ρσf，tσs，t
σ
2
s，t
)
22
（16）
条件方差方程为
2o
lnσ2f，t=ψf，0+ψf，1lnσf，t－1+θfln（Rs，t）2olnσ2s，t=ψs，0+ψs，1lnσs，t－1+θsln（Rf，t）
（17）（18）
那么，隔夜信息对日间交易冲击的双变量EGARCH模型的对数似然函数可表示为
3
T31
L3（Θ3）=－ln（2π）－Σ（ln|Σt|+e'tEt－1et）（19）
22t=1
T
其中，Θ3为待估计的参数向量，T3为观测数，Et为式（14）和（15）的时变条件协υt=（υf，υs，t，t）'，方差矩阵。
四、实证结果与分析
（一）数据选择与统计特征
本文的研究对象为沪深300指数期货和沪深300指数现货，所用数据选择每5分钟的期货价格和股指价格序列作为代表①，时间跨度均为2010年4月16日至2011年5月13日②。鉴于股指期货市场与股票现货市场交易时间的非同步性（股指期货市场交易时间为9：15～15：15，股票现货市场交易在数据处理中需剔除非重叠时间为9：30～15：00），
的数据，所得样本为12454个。沪深300指数期货和沪深300指数现货数据主要来源于Wind和Bloomberg数据库。
均值
标准差最大值最小值偏度峰度
Jarque－Bera值LB（6）LB（12）LB2（6）LB2（12）
ARCHLM检验值：χ26ARCHLM检验值：χ212Pi，ADF的检验tRi，t的ADF检验
注：Jarque－Bera是一个检验序列是否为正态分布的统计量；LB（6）/LB（12）和LB2（6）/LB2（12）分别为滞后期为6/12的对数收益Q－统计量和对数收益平方Q－统计量；ARCHLM是用以检测残差自回归条件异方差（ARCH）的拉格朗日乘数检验法（Engle，1982），
2χ2这是一个对原6/χ12表示常数项的残差在滞后6/12的LM检验量，
假设：残差至6/12阶不存在ARCH效应的检验量。*表示在5%置信水平下显著，＊＊表示在1%置信水平下显著。
①序列。
②
在探讨一个市场的隔夜信息对另一市场的日内收益及其
波动的冲击效应时，本文将采用含有开盘价格和收盘价格的日数据
在我国股指期货数据的选择中，我们选择当月期的连续数
据作为研究样本，所用方法与刘庆富和华仁海（2008）所采用的数据生成方法相一致。
为描述沪深300指数期货与沪深300指数现货在交易期间的波动性状况，本文计算了沪深300指数期货与沪深300指数现货在交易期间的波动性。沪深300指数期货与沪深300指数波动的计算公式
2珔珔/N，P为：V=（Pt－P其中Pt为t时刻的价格，t）t为Pt的均值，N为样本数。股指期货与股票指数的走势图（图略）可以看出，股指期货与股票指数的波且均具有“微笑”特征。动趋势基本是一致的，
（二）沪深300股指期货与沪深300指数现货之间的波动溢出效应研究
利用双变量GARCH模型，本文对沪深300指数期货市场和沪深300指数现货市场之间的价格引导关系及波动溢出效应进行了实证分析。根据AIC准则，股指期货市场和股票现货市场的p=q=2。这样，模型的条件均值方程和条件方差方程的参数估计结果如表2所示。
表2
股指期货市场与股票现货市场之间价格引导
关系及其波动溢出参数的估计结果
参数估计条件均值方程
α·，0α·，1α·，2β·，1β·，2γ
条件方差方程φg，0φg，1
ηλ
股指期货市场参数估计值
＊
0.0066＊
*
0.0286－0.0077
＊
－0.0458＊0.0058
＊
－1.6613＊
指数期货和沪深300指数现货均具有显著的负向调节作用，并且，无论从系数绝对值大小还是从显著性的统计量上看，误差修正项对沪深300指数期货市场的调节能力要大于沪深300指数现货市场的调节能力。
同时，由表2条件方差方程的估计结果可知，期货市场的f，现货市1=0.9843（t统计量=29.60），场的s，且均在1%1=0.9812（t统计量=31.66），的置信水平下显著。这表明沪深300指数期货市场和沪深300指数现货市场的波动均具有很强的持续性。并且，反映现货市场对期货市场波动溢出关系的系数λf=0.0097（t统计量=25.90），反映期货市场对现货市场波动溢出关系的系数λs=0.0029（t统计量=20.08），且均在1%的置信水平下显著。这说明期货市场和现货市场均具有相互的波动溢出关系；并且，从系数绝对值和显著性统计量上看，后这表明现货市场对期货市场的波动者均小于前者，
溢出要大于期货市场对现货市场的波动溢出。
（三）沪深300股指期货与沪深300指数之间的非对称效应研究
为检验好消息和坏消息对股指期货市场和股票现货市场的影响及其非对称性，本文对沪深300指数期货和沪深300指数现货进行了实证研究（如表3所示）。
表3
好坏消息对股指期货市场和股票现货
市场影响的参数估计结果
参数估计条件均值方程a·，0a·，1a·，2b·，1b·，2
|b·，2/b·，1|条件方差方程φg，0φg，1κg，1κg，2δg，1δg，2
|δg，2/δ·，1|
＊
－28.21－0.1604＊＊
0.9658＊
＊
－0.0832＊＊
0.9829＊＊
0.0433＊＊
－0.0283＊
股票现货市场参数估计值－0.0025
＊
－0.3683＊
＊
－0.0912＊
＊
0.4507＊
＊
0.1200＊
＊
－0.7659＊0.0002
＊
0.9812＊
＊
0.0113＊
＊
0.0029＊
＊＊
t统计量2.90
2.02－0.55－2.810.43－6.7217.3129.6017.3225.90
t统计量－1.18－31.89－8.2547.4210.28－2.7314.5631.6620.8020.08
0.0001
＊
0.9843＊
＊
0.0046＊
＊
0.0097＊
＊＊
股指期货市场参数估计值－0.00110.01380.0356*－0.0267*－0.04401.6479
＊＊
股票现货市场参数估计值0.0008－0.2502
＊＊
＊
－0.3753＊＊
0.3482＊
t统计量－0.430.761.98－2.14－2.68
－
t统计量0.38－14.34－22.4536.7429.13－－25.2541.9310.80－9.78－7.14－9.76
－
注：*（＊＊）分别表示在5%（1%）置信水平下显著。
由表2条件均值方程的估计结果可知，期货市=－0.0458（t统计量=－2.81）、场的βf，βf，12=0.0058（t统计量=0.43）；而现货市场的βs，1=0.4507（t统计量=47.42）、βs，2=0.1200（t统计量=10.28），除βf，2外均在1%的置信水平下显著。可以发现，沪深300指数期货市场与沪深300指数现货市场之间存在双向的价格引导关系。并且，无论从滞后项系数绝对值还是从显著性的统计量上看，期货市场对现货市场的引导力度大于现货市场对期货市场的引导力度。从误差修正项来看，期货市场的γ=－1.6613（t统计量=－6.72），而现货市场γ=－0.7659（t统计量=－2.73），且均在1%的置信水平下显著。这说明误差修正项对沪深300
0.49081.4095
＊＊
31.28
＊
－21.91－0.0778＊
＊
－34.87－0.1520＊
0.14820.4777
＊＊
40.1317.44－
－0.02850.8140
＊＊
＊
0.0708＊＊
－0.0232＊
注：*（＊＊）分别表示在5%（1%）置信水平下显著。
由表3中条件均值方程的参数估计结果可知，
期货市场的bf，1=－0.0267（t统计量=－2.14）、bf，2=－0.0440（t统计量=－2.68）；而现货市场的bs，as，1=－0.3753（t统计量=36.74）、2=0.4908（t统计量=29.13），均在5%的置信水平下显著。这表明一个市场的好消息和坏消息对另一市场的收益均具有显著的引导关系，并且，从系数绝对值和显著性统计量上看，股指期货市场的好消息和坏消息对股票现货市场的引导力度均远大于股票现货市场的好消息和坏消息对股指期货市场的引导力度，这一结果与前文讨论的价格引导关系是一致的。由条件方差方程的参数估计结果可以看出，反映现货市场好消息对期货市场波动溢出关系的系数δf，1=0.1482（t统计量=40.13），反映现货市场坏消息对期货市场波动溢出关系的系数δf，2=0.0708（t统计量=17.44）；反映期货市场好消息对现货市场波=－0.0285（t统计量动溢出关系的系数δs，1=－7.14），反映期货市场坏消息对现货市场波动溢出关系的系数δs，2
=－0.0232（t统计量
=－9.76），且均在1%的置信水平下统计显著。这说明一个市场的好消息和坏消息对另一市场的波动并且，从系数绝对值和显著均具有显著的溢出关系，
性统计量上看，现货市场的好消息和坏消息对期货市场的波动溢出分别大于期货市场的好消息和坏消息对现货市场的波动溢出。这一结果也与前文的波动溢出关系相一致。
此外，在条件均值方程中，我们发现现货市场的坏消息对期货市场收益的影响系数与现货市场好消息对期货市场收益的影响系数绝对值之比|bf，期货市场的坏消息对现货市场收2/bf，1|=1.6479，益的影响系数与期货市场好消息对现货市场收益的=1.4095。这表影响系数绝对值之比|bs，2/bs，1|一个市场的好消息和坏消息对另一市场收益的明，
影响是不对称的，并具有“正向杠杆”效应。在条件方差方程中，我们发现现货市场的坏消息对期货市场波动的冲击系数与现货市场好消息对期货市场波=0.4777，动的冲击系数绝对值之比|δf，期2/δf，1|货市场的坏消息对现货市场波动的冲击系数与期货市场好消息对现货市场波动的冲击系数绝对值之比|δs，=0.8140。这表明，一个市场的好消息2/δs，1|和坏消息对另一市场波动的冲击也是不对称的，且效应。具有“反向杠杆”
（四）隔夜信息对日间交易的冲击效应研究为检验一个市场的隔夜信息对另一市场日间交易的冲击效应，表4给出了沪深300指数期货和沪深300指数现货的实证结果。
表4
隔夜信息对日内交易冲击的参数估计结果
股指期货市场参数估计值0.0143
－0.0273－0.4838*0.3618
＊
0.1445＊
＊
0.8791＊
＊
0.0494＊
参数估计条件均值方程ζg，0ζg，1τν
条件方差方程ψg，0ψg，1
θ
股票现货市场参数估计值0.0355
－0.0446－0.20260.0660
＊
0.1140＊
＊
0.9543＊
＊
0.0339＊
t统计量0.34－0.40－2.401.602.8020.893.98
t统计量0.86－0.65－0.920.273.2442.823.78
注：*（＊＊）分别表示在5%（1%）置信水平下显著。
从条件均值方程来看，在5%的置信水平下，只有期货市场的系数τf=－0.4838（t统计量=－2.40）是统计显著的，而其他系数均不显著。这说明期货市场的隔夜收益对其日间收益具有显著而现货市场的隔夜收益对其日间收益的负向影响，
则不具有显著影响；并且，现货市场隔夜收益对期货市场的日间收益与期货市场隔夜收益对现货市场的日间收益的影响也均不显著。这意味着期货市场的而现隔夜信息对其日间收益具有一定的预测能力，货市场的隔夜信息对其日间收益却不存在预测能力，这也同时表明期货市场日间交易和隔夜之间的信息效率要明显高于现货市场。
从条件方差方程来看，期货市场的ψf，1
=0.8791（t统计量=20.89），现货市场的ψs，1=0.9543（t统计量=42.82），且均在1%的置信水平下显著。这表明沪深300指数期货和沪深300指数现货的日间波动均具有较强的持续性。另外，反映现货市场隔夜信息对期货市场日间波动溢出关系的系数θf=0.0494（t统计量=3.98），反映期货市场隔夜信息对现货市场日间波动溢出关系的系数θs=0.0339（t统计量=3.78），且均在1%的置信水平下统计显著。这说明期货市场的隔夜信息对现货市场的日间波动与现货市场的隔夜信息对期货市场的日间波动均具有显著的冲击效应。从系数绝对值和显著性统计量上看，后者均小于前者，这表明现货市场的隔夜信息对期货市场波动的冲击能力要大于期货市场的隔夜信息对现货市场波动的冲击能力。
五、结论
本文利用双变量GARCH、基于好坏消息的非对称EGARCH以及隔夜信息对日间交易冲击等模型对沪深300指数期货市场与沪深300指数现货市场进行了实证分析。研究结果显示：
第一，股指期货市场与股票现货市场之间存在双向的价格引导关系，且股指期货市场对股票现货市场的引导力度均大于股票现货市场对股指期货市这表明期货市场的价格引导能力在场的引导力度，
期货市场和现货市场中占据主导地位。
第二，股指期货市场与股票现货市场之间存在现货市场对期货市场的双向的波动溢出关系；并且，
波动溢出要大于期货市场对现货市场的波动溢出。这意味着股指期货市场与股票现货市场之间的风险传递是双向的，相对而言，股票现货市场向股指期货市场的风险传导力度要大于股指期货市场向股票现货市场的风险传导力度。
第三，一个市场的好消息和坏消息对另一市场的收益及其波动均具有显著影响，相对而言，股票现货市场的好消息和坏消息对股指期货市场的波动溢出能力分别大于股指期货市场的好消息和坏消息对股票现货市场的波动溢出能力。
第四，一个市场的好消息和坏消息对另一市场任收益及其波动的影响均具有不对称性。具体地，一市场的好消息和坏消息对另一市场收益的影响均效应，而一个市场的好消息和坏消存在“正向杠杆”
息对另一市场波动的冲击却存在“反向杠杆”效应。
第五，股指期货市场的隔夜信息对其日间收益具有预测能力，而股票现货市场的隔夜信息对其日间收益却不存在预测能力；此外，一个市场的隔夜信息对另一市场的日间波动具有显著的冲击效应，且股票现货市场的隔夜信息对股指期货市场波动的冲击能力要大于股指期货市场的隔夜信息对股票现货市场波动的冲击能力。
参考文献
［1］华仁海、刘庆富．国内外期货市场之间的波动溢出效应研究
［J］，世界经济，2007（6）：64－74．
［2］方毅、张屹山．国内外金属期货市场“风险传染”的实证研究
［J］，金融研究，2007（5）：133－146．
［3］刘庆富、华仁海．基于非同步交易的国内外期货市场价格发现
贡献度研究［J］．统计研究，2008（12）：59－65.
［4］严敏、巴曙松、吴博．我国股指期货市场的价格发现与波动溢出
，效应［J］系统工程，2009，27（10）：32－38．
［5］Arshanapalli，B．andDoukas，J．（1994）．Commonvolatilityin
S＆P500stockindexandS＆P500indexfuturespricesduringOctober1987，JournalofFuturesMarkets，14：915－925.［6］Booth，G．G．，Chowdhury，M．，Martikainen，T．，andTse，Y．
（1997）．IntradayVolatilityinInternationalStockIndexFuturesMarkets：MeteorShowersorHeatWaves？ManagementScience，43：1564－1576.
［7］Chan，K．（1992）．AFurtherAnalysisoftheLead-lagRelationship
betweentheCashMarketandStockIndexFuturesMarket，ReviewofFinancialStudies，5：123－152.
［8］KavussanosMG，VisvikisID，andAlexakisPD．（2008）．The
Lead-LagRelationshipBetweenCashandStockIndexFuturesinaNewMarket，EuropeanFinancialManagement，14（5）：1007－1025.
［9］Kawaller，I．G．，Koch，P．D．，andKoch，T．W．（1987）．The
TemporalPriceRelationshipbetweenS＆P500FuturesandtheS＆P500Index，JournalofFinance，42：1309－1329.
［10］Koutmos，G．andTucker，M．，“TemporalRelationshipsand
，DynamicInteractionsbetweenSpotandFuturesStockMarkets”JournalofFuturesMarkets，1996，16：55－69．
［11］MillerM．J．，andGallowayT．M．（1997）．IndexFuturesTrading
andStockReturnVolatility：EvidenceFromTheIntroductionofMidCap400IndexFutures，TheFinancialReview，32：845－866．［12］Liu，Q．andAn，Y．（2011）．InformationTransmissionin
InformationallyLinkedMarkets：EvidencefromUSandChineseCommodityFuturesMarkets，JournalofInternationalMoneyandFinance，30：778－795.
［13］So，R．W．，andTse，Y．（2004）．PriceDiscoveryintheHang-SangIndexMarkets：Index，Futures，andtheTrackerFund．JournalofFuturesMarkets，24：887－907.
［14］Stoll，H．R．andWhaley，R．E．（1990）．TheDynamicsofStock
IndexandStockIndexFuturesReturns”，JournalofFinancialandQuantitativeAnalysis，25：441－68.
［15］Tse，Y．（1999）．PriceDiscoveryandVolatilitySpilloversinthe
DJIAIndexandtheFuturesMarket，JournalofFuturesMarkets，19：911－930.
作者简介
1973年生，刘庆富，男，山东人，复旦大学金融研究院副教授。研究方向为期货与期权、金融风险管理与金融工程。
1964年生，华仁海，男，江苏扬州人，博士，南京财经大2002—2003年度赴美国南学金融学院教授，研究生处处长，加州大学马歇尔商学院做访问学者。研究方向为衍生品市场。
（责任编辑：程晞）