大涨大跌时股指期货交易活跃程度与关注度

刘慕涵熊 熊

(1.天津大学管理与经济学部,天津 300072;2.天津大学中国社会计算研究中心,天津 300072)

1 引 言

为了增加金融市场深度、丰富金融产品种类,进而更好地稳定股票市场和避免大幅波动,中国期货市场于2010年4月16日推出了以沪深300 指数为标的的股指期货产品,为投资者基于整体股票市场环境进行操作提供了工具.然而,沪深300 股指期货推出以来,中国经历了多个市场环境异常的时期(尽管股指期货并不是造成市场异常的主要原因),其中以2015年“股灾”最具代表性.为了缓解股市异常波动、抑制过度投机行为,中国金融期货交易所(简称中金所)于2015年9月7日开始限制股指期货的交易—–规定客户在单个产品、单日开仓的交易量不得超过10手,否则构成“日内开仓交易量较大”的异常交易行为.尽管如此,近年来股市的大涨或大跌依然屡次发生.

交易限制导致股指期货市场无法正常发挥应有的其功能.一方面,投资者在股指期货市场“有心无力”,活跃程度严重不足(最直观的体现为股指期货成交量的大幅度下跌);另一方面,不论是媒体还是投资者本身对于股指期货的关注度均大不如前,造成了信息传播的迟缓甚至缺失、信息不对称性加剧.然而,放松交易限制可能导致股票市场大涨或大跌时,大量投资者进入期货市场盲目地进行交易、部分投资者凭借自身的信息和资本优势进行恶意投机.这些行为均可能加剧股票市场的异常波动.那么,为了更好地发挥股指期货在股票市场大涨或大跌时稳定市场的作用,监管者是否应进一步放松交易限制以吸引投资者进入市场? 若放松交易限制,应如何防止恶意投机和盲目交易带来的负面影响?为了做出解答,本文在限制交易这一政策背景下研究了市场大涨或大跌时股指期货市场上投资者的活跃程度与关注度之间的关系.具体包括三个研究问题:1)股票市场大涨或大跌时,投资者是否切实利用了股指期货市场.2)投资者对股指期货市场的关注度与活跃程度之间存在何种关系.3)能否利用投资者关注度减少信息不对称性的作用来抑制大涨或大跌时的恶意投机和盲目交易.

已有研究表明,股指期货不但具有套期保值或投机、价格发现、稳定市场供需和价格等期货的基本功能,由于其以股票市场指数为现货,对于整体市场存在比普通的商品期货更加深远的影响.具体来说,第一,Grossman等[1]、Grossman[2]、Froot等[3]的研究均表明,股指期货交易可以使现货市场的深度增加,市场整体的流动性也因股指期货交易带来的资金流入和资本流通而提高.第二,Bessembinder等[4]、Robinson[5]、McKenzie[6]、Drimbetas等[7]的研究均证明了股指期货交易对市场上的信息传递过程具有促进作用,因信息不对称所带来的不良影响能够由此减少.第三,股指期货为投资者提供了管理或利用风险的途径.风险规避者可以利用股指期货的套期保值功能进行风险转移,风险追求者能够通过股指期货投机交易谋取收益;同时,投资者也可以利用股指期货产品对来自国际金融市场的风险冲击进行一定的缓解或利用[8].总体来说,股指期货交易可以有效地起到抑制市场风险、平稳市场波动的作用[9−12].而股票市场大涨或大跌时,由于可以通过股指期货进行套期保值或投机交易,投资者会更有欲望和需求进入股指期货市场.然而,关于这方面的证明较为有限.已有研究说明了大涨或大跌时投资者的交易行为会较平时更为活跃.例如,Seasholes 等[13]指出以涨停为代表的特殊事件会成为投资者的关注焦点,吸引投资者更多地进入市场;Alsayed等[14]发现价格下跌是造成投资者异常高频率地进行股指期货套利交易的最关键因素之一.基于此,本文提出了假设1: 现货市场大涨或大跌时,投资者会更多地进入股指期货市场寻求套期保值或投机,市场较平时更为活跃.

为了验证这一假设,势必需要对投资者在股指期货市场进行交易的活跃程度进行量化.早在上世纪90年代,Becketti等[15]、Darrat 等[16]在研究股指期货交易与股价波动之间的关系时,使用了持仓量和成交量作为股指期货交易活跃程度的代表.Lucia等[17]在综合了前人的量化方法的基础上,基于股指期货成交量、持仓量和持仓量变化量,通过计算比值构建了三种指标,分别衡量投资者在股指期货市场上的长期交易(即套期保值交易)的活跃程度和隔夜交易(即投机交易)的活跃程度,并对三种指标的优劣进行了对比和分析.也有其他研究者通过类似的方法构建活跃程度指标,如Garcia等[18]、Ap Gwilym等[19].可见,以Lucia等[17]为代表的方法是行之有效的.此外,董珊珊等[20]出于对股指期货市场与股票市场的联动作用和中国市场现状的考虑,使用沪深300股指期货的成交量与沪深300现货的成交量的比值构建活跃度指标,以此来反映股指期货市场整体的活跃程度.在综合考虑已有指标优劣的基础上,本文借鉴Lucia等[17]和董珊珊等[20]的方法,分别构建了反映投资者套期保值和投机交易活跃程度的指标,以及反映股指期货市场总体交易活跃程度的指标.之后,本文依据沪深300指数收益率的大小定义了市场暴涨、暴跌的虚拟变量,并构建回归模型检验了在当前的政策环境下,股票市场大涨或大跌时投资者在股指期货市场的活跃程度是否切实增加(即假设1).

另一方面,学术界对于投资者关注度的研究由来已久.关注是一种主观的信息输入行为,个体的关注能力可以使人们的信息需求得到满足[21].出于以下三种原因:1)资本市场的信息不完全,使得投资者无法了解市场上所有的信息[22];2)不同投资者掌握的信息存在差异,即信息分布在投资者之中是不对称的[23];3)信息的收集和处理需要成本[24],且投资者会受到各方面条件的制约,对信息的获取和分析是无法完全做到的[24,25],在进行投资决策时投资者往往会部分或完全依赖市场上的信息中介(如媒体报道)或其他投资者(如股票论坛)来获取相关的信息和建议.这也为度量投资者关注度提供了思路.归纳前人的研究发现,投资者的关注行为分为被动接受和主动参与两种.一方面,投资者会被动接受他们易于获知的信息,在一定程度上,媒体发布的信息的数量越多,投资者的关注程度也越高.Fang等[26]使用权威报纸上的文章数量来衡量投资者的被动关注行为,发现新闻报道作为投资者的关注焦点能够吸引投资者进行交易.另一方面,越来越多的投资者可以便捷地利用手机、电脑等设备随时随地地在社交媒体上获取信息和发表观点.来源于互联网的非结构化数据可以为衡量投资者主动关注行为提供良好的工具,并利用其进行深入研究[27].其中,一部分研究者基于投资者的互联网搜索情况,例如Guzman[28]使用了谷歌趋势中关键词的搜索指数;另一部分研究者基于投资者在股票论坛的行为,例如Das 等[29]、Henry等[30]均基于论坛数据构建了投资者情绪指数,发现投资者关注行为与股票市场活动有一定的相关关系.然而,国内基于网络数据进行投资者关注行为的研究尚处于摸索阶段,且并未形成受到广泛认同的方法.参考上述研究,本文从投资者在论坛上的主动参与行为和通过媒体报道被动接收信息两个角度构建了投资者关注度指标,以对投资者两类关注行为进行更有针对性地刻画.

归纳前人对于投资者关注度作用的研究可以看出:第一,关注度可以提升投资者参与交易的意愿[13,31].Amihud等[32]指出,投资者关注度越高,参与交易的投资者数量越多,流动性越高.第二,关注度的提高可以改善信息不对称带来的不良影响.信息不对称导致了知情交易发生,进而使得股价波动增大、流动性变差[33−35].投资者关注度的增加可以带来信息不透明程度的下降[33,34,36,37]、知情交易者的信息优势的逐步减少[38,39]、市场信息环境的改善[40]和投资者处理信息所需个人成本的降低[41],这些都有助于提升投资者进入市场进行交易的信心.综合上述研究可以看出,投资者关注度与投资者交易活跃程度之间存在一定的关系.Merton[22]的“投资者有限注意理论”认为由于投资者的注意力有限,在金融市场中只有对个体有足够刺激的信息才会受到关注.因市场活跃程度不足而带来的媒体相关报道数量减少、投资者对于相关信息的主动讨论和传播频率降低会导致缺少引起投资者足够关注的刺激因素,进而加剧投资者关注度的不足;同时,若投资者不关注市场,其交易的活跃程度势必会降低.

综上所述,第一,投资者关注度有机会转化为具体的买卖行为.第二,关注度的上升对于降低信息不对称性造成的不良影响有积极的作用.然而,在我国处于特殊政策背景下的股指期货市场上,这两点结论是否成立,依然存在一定的研究空白.在现实层面,为了恢复股指期货市场的正常功能,监管者已经开始尝试逐渐放开交易限制,然而放开交易限制后可能发生的部分投资者利用信息优势进行恶意投机这一事实,依然令解除交易限制存在顾虑.于是,本文基于已有文献提出了假设2.1: 投资者对股指期货市场的关注程度与股指期货市场的活跃程度之间存在着显著的相互关系.并进一步提出了假设2.2: 投资者关注度的增加可以显著抑制股指期货市场上的投机和过度交易.之后,本文通过协整检验和格兰杰因果检验来研究交易限制这一背景下,股指期货市场上投资者关注度与活跃程度之间是否存在、存在何种关系(即假设2.1).之后依据沪深300收益率的大小对样本进行分组回归来分析不同市场环境下这一关系是否有所差异(即假设2.2).

与已有的研究相比,本文的研究结果表明与股指期货相关的信息传播越广泛,投资者关注度越高,股指期货市场上的交易行为越谨慎.这一发现丰富了前人关于投资者关注度的研究[33,34,36,37],将前人的研究结果推广至股指期货市场上.本文基于限制股指期货交易这一政策背景,为特定政策下投资者行为的研究做出了一定的贡献.考虑到2015年9月7日后实行股指期货交易限制造成的前后市场环境极大的不同这一事实,与现有的研究相比,更加贴近中国市场监管的现状.对于政策出台前后市场环境的对比,为本文的研究结论找到了现实原因,并为监管者之后为改善市场环境可以采取的政策提出了建议.已有的研究对市场大涨时的情形有一定的关注,而对市场大跌时的研究较少.然而,从股指期货推出以来中国金融市场的发展历程来看,大涨与大跌都应该引起监管者的关注.因此,本文的研究同时分别考虑了这两种情形,丰富了现有的研究空白.本文基于中国股票论坛的大数据构建了投资者关注度的指标,将投资者在社交媒体上的现实行为与在市场上的交易行为之间的关联和反映程度做了研究.这部分工作丰富了前人[29,30]基于大数据背景进行投资者行为研究的已有成果.第五,国内目前关于股指期货的研究主要集中于股指期货跨市场价格发现这一功能,而对于在我国的金融环境下股指期货的风险管理功能的研究寥寥无几.本文的研究关注了当市场环境异常时投资者对股指期货套期保值或投机功能的利用程度,填补了国内现有研究的空白.

2 数据说明与指标构建

利用以沪深300指数(交易代码为‘000300’)为标的的、当月连续的股指期货产品(交易代码为‘IF0Y00’)作为研究对象,一方面是由于‘IF0Y00’的现货标的沪深300指数以沪深两市中最具代表性的300只大盘股为成分股,是中国证券市场环境最直观的体现;另一方面是由于中国的股指期货产品起步较晚,‘IF0Y00’作为最先推出的股指期货产品数据最为齐全.之后,构建了反映投资者在股指期货市场上活跃程度的指标和反映投资者对股指期货市场关注程度的指标,并依据沪深300收益率分别定义了股票市场暴涨、暴跌虚拟变量.变量及符号见于表1.

表1 变量说明Table 1 Variable description

2.1 股指期货市场活跃程度指标

尽管成交量可以最直观地反映出股指期货市场的交易数量,然而期货交易中交割日的存在,造成了投资者的持仓量具有在临近交割日时急剧下跌、在交割日过后急剧上涨的特点,进而对成交量的变化造成了巨大的影响.因此,直接使用成交量进行研究存在一定的局限性.参考Lucia等[17]的做法,利用股指期货成交量(记为VOLt)和持仓量(记为OIt)的日数据,构建了如下的指标1

指标1的构建参考了股票换手率的计算方法(=股票成交量/股票市值),通过计算成交量相对于持仓量的大小,更准确地反映了投资者在股指期货上的活跃程度.由于交割日当天的持仓量为0,此时指标1等于正无穷,因此需要对交割日数据进行处理.另外Lucia 等[17]指出,由于持仓量不但与当日的交易情况有关,也不排除会受到历史数据的影响(如交割日的问题),指标1可能无法确切反映出样本观测日当天的情况.为此,构建了如下的指标2’

指标2’利用持仓量变化量的绝对值,更倾向于反映短期投机者的活跃程度.然而,指标2’存在两个问题:第一,绝对值的使用忽视了持仓量的增加和减少所包含的不同意义,即投资者隔夜新持有的仓位和结算掉的仓位哪个更大[17].第二,|∆OIt|可能会很小,甚至等于0,这会造成指标2’无量纲(有可能非常大),而利用实际数据进行计算后的结果证明了这一问题的存在.因此,构建了如下的指标2

理论上,∆OIt的值在−VOLt到VOLt之间,故该指标的大小在−1到1之间;当VOLt和∆OIt都等于0时,该指标无定义[17](在本文的研究区间内未发现这一情形).指标2 给出了一个方向,负值说明持仓量减小,投资者结算行为更活跃;正值说明投资者持有行为更活跃.实际的研究中发现,该指标总是为负(因为交割日的存在,投资者总体来说是在逐步进行平仓的).

同时,期货与现货市场之间存在联动作用,投资者在期货市场的交易行为会对现货市场造成影响,反之亦然.例如,何枫等[42]研究发现沪深300股指期货与其现货市场存在联动关系,现货市场的波动冲击对现货和期货市场的影响更为显著.考虑到股指期货交易的活跃程度与股票市场整体活跃程度的相关性,参考董珊珊等[20]的研究构建了如下的指标

其中VOLHSt表示当日沪深300指数全体成分股的成交量.指标3反映了股指期货市场相对于现货市场的活跃程度.

所构建的三个活跃程度指标各有侧重.具体来说,指标1和指标2作为投资者在股指期货市场上进行套期保值(投机)交易的活跃程度的指标,而指标3反映了股指期货市场整体层面上的活跃程度.由于投机头寸(短期交易,很少隔夜持有)与对冲头寸(长期交易)的区别在于头寸持有时间的长短[19],指标2使用持仓量的变化量进行计算,更加侧重于反映非隔夜持有者的行为,因此更多的衡量了投资者进行投机交易的活跃程度.指标1越大,指标2越小,说明投资者进行套期保值(投机)交易的活跃程度越大[17];指标3越大,说明总体来说投资者更加活跃.需要说明的是,虽然三个指标均反映了投资者的活跃程度,但是三者的性质和特点并不必须相同.

2.2 投资者关注度指标

随着大数据时代的到来,计算机技术和文本挖掘技术的发展为个人投资者行为难以量化研究这一难题提供了大量行之有效的解决方法.作为投资者意见积聚、传播的平台,股票论坛具备匿名性、互动性、草根性的传媒特征.参考前人的研究(Das等[29]、Henry等[30]),利用其中的大数据资源,构建了投资者对股指期货的关注度的代理变量.具体来说,本文基于中国最具代表性的股票论坛-东方财富网下属的股票论坛“股吧”中股指期货吧的大量的发帖及相关数据,爬取并计算了每一日的总发帖量(记为POSTt)、所有发帖的总阅读量(记为READt)和总评论量(记为COMMENTt),以此从主动参与的角度衡量投资者关注度.同时,参考Fang等[26]的研究,我们使用每一日新闻数量从被动接收的角度衡量投资者关注度.新闻数量越多,投资者接触到新信息的可能性越大,相应地投资者的关注程度越高.因此本文同时引入每一日与股指期货相关的新闻数量(记为NEWSt)反映与股指期货相关的信息的曝光程度,新闻来源为官方认证的媒体(如新华社、中国证券报等).

本文使用的关注度指标反映了投资者关注度不同角度的特点.其中,每日的发帖量和新闻数量衡量了与股指期货相关的信息的曝光程度,即投资者接触到信息的可能性.新闻数量反映了较为可信的官方信息的曝光水平,而发帖量反映了投资者对自己拥有的信息进行自发传播或发起讨论等行为的活跃程度.虽然阅读量和评论量均反映了投资者对于特定发帖的内容“有兴趣”,但是投资者阅读帖子并不代表会对其进行评论.评论量体现了投资者对发帖内容(其中的信息)是否存在自己的看法和意见,与阅读量相比,反映了更加具体的投资者人群的关注度.需要说明的是,发帖量直接反映了投资者当日的关注程度;由于热门帖子发布后的几天依然会有人阅读或评论,因此阅读量和评论量不仅包含了发布当天的关注度信息,可能也包含了发布后一两日的信息;新闻的发布者为主流报刊、网站等,因此可能会领先于论坛中的投资者,反映的投资者群体存在一定的差别.

2.3 暴涨、暴跌虚拟变量

为了对暴涨暴跌时投资者在股指期货市场的活跃程度和投资者关注度进行研究,需要依据沪深300指数收益率定义暴涨暴跌虚拟变量.首先计算研究窗口期内沪深300 指数收益率和股指期货收益率的各分位数,如下图1(横轴表示分位数,纵轴为收益率,实线为沪深300收益率,虚线为股指期货收益率):

观察图中走势可以看出,沪深300指数的收益率和股指期货的收益率均在10%(90%)分位数附近呈现出一定程度的偏离,在5%(95%)分位数附近开始变得陡峭;同时考虑到回归模型对样本数量的要求,以10%(90%)分位数为标准各计算一组虚拟变量.具体来说,后文中暴涨、暴跌虚拟变量定义为

2.4 数据说明

首先收集自沪深300当月连续期货合约上市以来,2010年4月16日至2018年9月28日共2 058个交易日的行情数据、新闻数据和论坛发帖情况数据.之后对原始数据进行了以下的筛选和处理.具体地

第一,本文的研究对象为股指期货市场,不同于股票市场的研究,在数据的选取和处理上需要考虑交割日(到期日)的存在.Samuelson[43]首次研究了金融衍生品的到期日效应,提出了著名的“萨缪尔森假设”(Samuelson hypothesis): 越临近到期日,期货合约价格的波动率越大.为了避免股票市场上“月末效应”的影响,不同于其他国家通常在月末进行期货交割,根据《沪深300股指期货合约》(征求意见稿)中规定,中国期货市场的交割日为”合约到期月份的第三个周五,遇国家法定假日顺延”.根据计算,每月的交割日大多在当月的中旬.具体到本文,交割日会带来以下的负面影响:1)交割日当天的持仓量为0,相应地活跃程度指标1会出现正无穷.2)交割日的前后,持仓量的变化幅度比平时大,经过对实际数据的考察,这一现象在交割日前后各一个交易日最为明显.3)已有研究表明,临近交割日时股票现货市场的成交量会显著高于平时[44−46],这会导致本文构建的活跃度指标3出现异常变化.出于上述的原因,本文删除了每个月交割日及其前后各一个交易日的数据,以减轻因到期日带来的不良影响.

第二,由于自2015年9月7日开始实行的限制交易,造成当日前后中国股指期货市场环境迥异.股指期货的交易量数据以2015年9月7日为界,呈现出了断崖式的下跌,直接导致了活跃程度指标出现巨大的波动.另一方面,政策出台后,迅速引发了激烈的讨论和大量的报道,随后不久各个关注度指标均出现了巨大的下滑(如图2,绘图所使用的数据均经过标准化处理).为了避免因特殊事件造成的数据异常剧烈变动带来的影响,同时考虑到交割日的问题,因果关系研究中使用的数据为从2015年9月7日的下一个交割日(2015年9月18日)的后两个交易日(即2015年9月22日)开始,至2018年9月28日结束,共631个交易日的有效数据.

所使用的数据来源分为两部分,沪深300指数行情数据、股指期货行情数据以及股指期货新闻数据来源于锐思数据库,投资者在论坛的发帖情况数据通过编写爬虫代码获取.

3 大涨大跌时投资者活跃程度的研究

自中国期货市场于2010年4月16日第一次推出股指期货产品至今,在不足九年的时间里中国股市经历了数次大涨或大跌.尽管推出股指期货的初衷在于减少股市的大幅波动,由于市场政策依然存在有待于优化之处,加之自2015年9月7日后中金所开始限制股指期货交易,投资者对于股指期货交易的参与程度不足,进而导致中国股指期货市场并未充分发挥其控制风险的作用.

本节主要针对假设1,基于实证检验来量化研究市场暴涨暴跌时,投资者在股指期货市场上的活跃程度.为此,构建如下回归模型

其中ACT为投资者在股指期货市场的活跃程度指标(2.1部分构建的指标1～指标3),Dummy为市场暴涨/暴跌虚拟变量(2.3部分构建的指标AbUPt和AbDOWNt).同时,选择如下类型的变量,一方面作为方程的控制变量CONTROLi,另一方面作为描述市场环境特点的指标:

首先,参考Bessembinder等[47]对期货市场活跃程度的研究,在控制变量中加入如下两种变量: 1) 沪深300的成交量(记为VOLHSt),另外以沪深300 的成交额(记为TVOLHSt)作为稳健性检验.2)沪深300的流通市值(记为CMVHSt),作为股票市场深度的代表.

之后,为了控制股票市场交易的活跃程度,参考股票换手率的计算方法,在控制变量中加入沪深300交易的活跃度指标=沪深300的成交额/沪深300的流通市值,另外考虑到沪深300指数反映了A股主板部分的情形,使用整体A股市场的换手率作为稳健性检验.

最后,参考陈梦根等[48],构建如下变量来反映股票市场的风险和投资者的获利空间: 第一,将市场风险定义为沪深300收益率在一月内的标准差,记为RISKHSt.另外,投资者的获利空间利用股价的波动幅度(记为AMPLITUDEHSt)来表示,具体定义为一月内沪深300指数的最高价与最低价之差除以当月沪深300指数的平均价.对于每一个交易日来说,滚动计算上一个月的该日至当日之间的沪深300价格的标准差和波动幅度.若上月的该日为非交易日,则向前顺延至最近的交易日.由此可以得到现货市场风险和投资者获利空间的日频数据.

在完成变量计算和模型构建的基础上,为了验证假设1,主要进行如下的实证检验,结果如表2至表4所示.首先对所有变量进行了描述性统计,结果见表2.根据描述性统计可以看出:一方面,活跃度指标3的均值为1.539 1×10−6,最小值和最大值分别为4.080 0×10−6和5.310 0×10−6,说明现阶段我国股指期货市场的总体活跃程度非常低(以现货市场为基准来看),这一结果与限制交易政策的施行是分不开的.另一方面,不同的变量之间存在数量级差异,为了使回归结果更加可信,在回归时将变量进行标准化处理.

表2 全体变量的描述性统计Table 2 Descriptive statistics of all variables

表3 活跃程度指标和市场收益按照沪深300收益率排序分组后的描述性统计Table 3 Descriptive statistics of activity indexes and market returns sorted by the HS300 return

表4 暴涨暴跌虚拟变量的回归结果Table 4 The regression results of surge and crash dummies

续表4Table 4 Continues

之后,为了对不同市场环境下股指期货市场活跃程度的特点有一个初步的认识,按照沪深300收益率的大小进行排序,将所有的样本分为十组后分别做描述性统计,结果见表3.分析表3中的结果,可以看出:第一,ACT1t和ACT3t在分组1和分组10的均值明显大于其他分组,说明市场大涨或大跌时投资者在股指期货市场上的总体层面下的和套期保值交易的活跃程度高于平时;ACT2t在分组2、3、10的均值比其他分组更大,

说明投资者利用股指期货进行的隔夜投机的活跃程度在市场跌至谷底和将近峰顶时不如平时活跃.第二,除了分组10中股指期货收益率的标准差略小于沪深300 收益率的标准差外,其他分组中股指期货收益率的标准差均明显大于沪深300收益率的标准差,说明股指期货的风险通常大于现货市场风险.分组1、分组10中股指期货收益率的均值为0.023 1、−0.024 9,沪深300收益率的均值为0.020 1、−0.023 8,说明股票市场大涨或大跌时,股指期货市场的涨跌幅度更为剧烈.

最后,为了从因果的角度验证假设1,根据式(7)的形式进行回归检验,结果如表4所示.根据表4中的结果可以看出:第一,以ACT1t为被解释变量的回归方程中,AbUPt和AbDOWNt的回归系数均显著为正(见表4第2列～第4列),AbUPt的系数大于AbDOWNt的系数,且加入控制变量后并不影响总体结果.该结果说明市场大涨或大跌时投资者套期保值行为的活跃程度均会显著增加,且市场大涨对套期保值活跃程度的正向影响更大.第二,以ACT2t为被解释变量的回归方程中,未加入控制变量RISKHSt和AMPLITUDEHSt时AbDOWNt的回归系数显著为正,但是AbUPt的回归系数均不显著(见表4第5 列～第7 列),该结果说明反映投资者短期(隔夜)投机活跃程度的指标只受到市场大跌的显著影响,且投机活跃程度会降低.第三,以ACT3t为被解释变量的回归方程中,AbUPt和AbDOWNt的回归系数均显著为正(见表4第8列～第10列),且加入控制变量后AbUPt的系数大于AbDOWNt的系数.该结果说明投资者在股指期货市场的总体活跃程度会因为市场大涨和大跌而显著提高,且与市场大跌时相比大涨时投资者更为活跃.第四,总体来看,加入控制变量并未对结论造成实质的影响.

综合上述结果说明,当股票市场大涨或大跌时投资者会更多地进入股指期货市场,且大涨和大跌对投资者不同类型活跃程度的影响具有一定的不对称性.然而,由于交易限制的存在,股指期货市场的总体活跃程度依然很低,势必难以发挥对现货市场的影响作用.

4 股指期货市场活跃程度与投资者关注度关系的研究

尽管现货市场的大涨或大跌会显著增加投资者在股指期货市场的活跃程度,由于交易限制的存在,股指期货市场不足以在大涨或大跌时起到足够令人满意的控制风险的作用.通过描述性统计对交易限制前后市场的情况做出对比(结果见表5).可以看出股指期货市场和现货市场上的各方面指标均有所下降,这些下降势必会带来不良的影响.具体来说: 关注度方面,由于缺少信息的披露(2010年推出股指期货开始,共230家媒体发布过相关新闻,而限制交易推行后仅有55家媒体进行过新闻的发布),势必会增加信息不对称的程度,使内幕交易、盲目交易更容易发生,造成交易成本的增加,令投机者有利可图[33−35,49];股指期货市场活跃程度方面,由于可操作空间受到限制,必然令期货市场套期保值的功能大打折扣;尽管现货市场的风险因政策出台下降了,投资者的获利空间也受到了一定的影响.总之,限制交易的政策确实有效地抵制了投机者的恶意操作、在一定程度上降低了股票市场风险,但是也令股指期货市场失去了对投资者的吸引力(投资者有心而无力也是客观事实).

结合上一部分的结果,事实上,在当前的政策环境下,大涨或大跌会显著造成投资者在股指期货市场上的活跃程度的增加,投资者较平常更多地利用股指期货进行套期保值.那么,这一现象的发生与投资者关注度的改变之间是否存在因果关系?结合前人的研究(如Seasholes等[13]、Barber 等[31]),作者提出了假设2.1,之后对该假设进行实证检验的结果见表6至表9.需要说明的是,一方面,中国的股指期货交易自2010年开始,至今仍处于起步阶段,而已有的研究表明在新兴的期货市场中,短期的期现套利是有效的,而长期套利无效(Bialkowski等[50]);另一方面,Huberman等[51]的研究表明,即使是一则轰动性的报道,对市场的冲击也是短期的.结合本节的研究目的,过长的时间窗口不利于考察投资者关注度和投资者在股指期货市场活跃程度之间真实的相互影响,因此在研究过程中涉及到滞后项选取的部分,均最多取到五阶滞后项(考虑到五个交易日至少涵盖一周的时间).

首先对投资者关注度指标与投资者活跃程度指标之间的相关性进行了检验,结果见表6.通过计算关注度与活跃度指标的偏度和峰度可以看出两类指标无法严格服从标准的正态分布,故在进行检验时同时计算了皮尔逊相关系数和斯皮尔曼相关系数.结合两种方法所得结果的共同之处可以看出:第一,不同的投资者关注度指标之间存在显著的正相关性.第二,活跃度ACT1t与ACT2t显著负相关、与ACT3t显著正相关,ACT2t和ACT3t显著正相关.结合ACT1t、ACT3t越大,ACT2t越小,投资者越活跃,可以看出套期保值活跃程度越大,隔夜投机程度和总体活跃程度均越大;市场总体越活跃,隔夜投机程度越低,这一结果可能是因为更多的投资者进入市场所带来的关注度增加减少了短期投机的可能性.第三,ACT1t与新闻数量显著负相关,ACT2t与发帖量、阅读量显著正相关,初步说明了投资者的关注度增加可以带来股指期货市场投机程度减少.ACT3t与新闻数量显著负相关,说明相关信息的曝光可能会造成投资者总体活跃程度的减少,可能是因为新闻的增加造成了投资者的犹豫和观望态度.

表6.1 皮尔逊相关性检验Table 6.1 Pearson correlation test

表6.2 斯皮尔曼相关性检验Table 6.2 Spearman correlation test

之后从协整检验和格兰杰因果检验两个角度对投资者关注度与投资者活跃程度之间的相互关系进行研究.具体来说,在进行协整检验之前首先需要对变量的平稳性进行检验,结果见表7.这里的平稳性检验使用ADF检验.检验结果表明,除了ACT3t以外,所有序列均为平稳序列,服从零阶单整;而ACT3t的差分序列平稳,服从一阶单整.故可以直接对ACT1t、ACT2t与关注度指标之间的协整关系进行检验,同时检验ACT3t的差分序列与关注度指标之间协整关系.

表7 平稳性检验Table 7 Stationarity test

基于平稳性检验的结果,我们对投资者关注度和投资者交易活跃程度之间的协整关系进行研究,结果如表8所示.通过分析表8中的结果可以看出:第一,对于ACT1t,ACT1t与新闻数量之间存在显著的反向相互影响,说明与股指期货相关新闻的曝光程度越高,投资者的总体投机(套期保值)活跃程度越低,信息不对称程度越低(与Kutsuna等[40]相一致).四组均值方程的残差序列均平稳,说明ACT1t与关注度指标之间存在长期稳定的协整关系.第二,对于ACT2t,ACT2t与发帖量、阅读量之间存在显著的正向相互影响,说明相关信息的曝光和传播越多、投资者对于信息的了解越多,可以显著抑制投资者在股指期货市场的短期投机行为.四组均值方程的残差序列均平稳,说明ACT2t与关注度指标之间存在长期稳定的协整关系.第三,对于ACT3t,ACT3t与阅读量、评论量和新闻数量之间均存在显著的反向相互影响,说明投资者对于信息的了解和讨论越多,参与股指期货交易的活跃程度越低,更多的关注可能会令投资者进入市场时更加谨慎.第四,ACT3t的变化量与关注度之前存在长期稳定的协整关系.

表8 协整检验和误差修正模型结果Table 8 Results of cointegration test and error correction model

续表8Table 8 Continues

另一方面,表9给出了投资者关注度和投资者交易活跃程度之间的格兰杰因果检验结果.由表9可以看出投资者关注度与活跃程度之间互为持续的格兰杰原因.在股指期货市场上,投资者不同的交易行为会影响媒体对股指期货相关信息的曝光量以及投资者主动参与讨论、传播等行为的积极程度;而投资者关注度的变化会进而影响之后投资者进行股指期货交易和利用股指期货进行投机的活跃程度.

表9 格兰杰因果检验结果Table 9 Results of Granger causality test

已完成的研究在一定程度上验证了假设2.1,即投资者关注度与股指期货市场活跃程度之间存在着显著的相互关联.那么,在不同的市场环境下,特别是股票市场大涨或大跌时,二者之间的关系有何特点? 为了解答这一问题,进而对假设2.2进行验证,基于沪深300收益率对样本数据进行了分组研究,结果见表10至表12.

表10 关注度指标按照沪深300收益率排序分组后的描述性统计Table 10 Descriptive statistics of attention indexes sorted by the HS300 return

表11 大涨时关注度指标与活跃度指标的回归结果Table 11 The regression results between attention index and activity index when surges

表12 大跌时关注度指标与活跃度指标的回归结果Table 12 The regression results between attention index and activity index when crashes

表10沿用表3中的方法,对于按照沪深300收益率分组后的关注度指标进行了描述性统计.根据表10可以看出,在分组1和分组10中四种关注度指标的均值和标准差均明显大于其他分组,且较全体样本的均值为大.这一结果表明市场大涨或大跌时,投资者的关注程度明显高于平时,与市场相关的信息会得到更多的曝光和传播,投资者也会更多地进行信息的收集和讨论.

在此基础上,在大涨组(分组1)和大跌组(分组10)中以投资者活跃度指标为被解释变量,分别以投资者关注度指标及其1至5阶滞后项为解释变量进行回归,结果如表11 和表12所示.根据表11中的回归结果可以看出,市场大涨时,新闻数量的1、3、5阶滞后项对ACT1t具有显著的反向作用,发帖量、阅读量和评论量及其部分滞后项对ACT2t的大小具有显著的正向作用,所有关注度指标及其滞后项均对ACT3t具体显著的反向作用.根据表12 中的回归结果可以看出,市场大跌时,关注度指标及其大部分滞后项均对ACT1t有显著的反向作用,所有关注度指标及其滞后项均对ACT3t具有显著的反向作用,除了新闻数的3阶滞后项外,关注度指标及其滞后项对ACT2t均不存在显著影响.对比表11和表12 中回归系数的大小和显著性可以发现,第一,市场大跌时投资者主动参与和被动接收两个层面的关注度增加均对套期保值的活跃程度产生显著的影响,而市场大涨时仅被动接收层面的关注度指标(新闻数量)系数显著.第二,市场大涨时关注度的提高对投机行为的抑制作用比大跌时更显著.

综合上述结果,当股票市场大涨或大跌时,与股指期货相关的新闻曝光越多、投资者的关注程度越高,投资者在股指期货市场进行投资越谨慎,投机交易的活跃程度越低.结合前人的研究[33,34,36,37],之所以出现这一结果是因为投资者关注度的增加有效地促进了信息的传播、减少信息不对称性的不良影响.因此,监管者应加大市场异常时股指期货相关信息的曝光程度,鼓励更多投资者对其进行关注并参与讨论,以此来消除信息不对称带来的不良影响,降低恶意投机行为发生的可能性.

5 稳健性检验

本节主要对前文的研究过程做出一定的补充.考虑到篇幅问题和可读性,稳健性检验的结果表在附录中给出.

5.1 按照沪深300收益率排序分组的描述性统计

表3和表10中,按照沪深300收益率的大小将样本分为10组分别进行描述性统计,以研究不同市场环境下投资者在股指期货市场上的活跃程度和关注度的特点.本节首先根据沪深300收益率的正负将全体样本分为两部分,之后分别在每一部分中按照沪深300 收益率的大小分成5组,共得到10组样本进行描述性统计.根据统计结果可以看出市场大涨或大跌时: 第一,投资者在总体层面下的和套期保值交易的活跃程度高于平时;第二,投资者利用股指期货进行的隔夜投机的活跃程度在市场跌至谷底和将近峰顶时较平时活跃;第三,投资者的关注程度明显增加.上述结果与前文的结论是相符的.

5.2 交易限制前后市场对比

在表5中,通过描述性统计对交易限制前后市场的情况做出对比.结果发现,限制交易后股票市场风险得到了降低,然而投资者对股指期货市场的关注程度、在股指期货市场上的可操作空间以及投资者的获利空间均受到了不良的影响.为了提高结果的可信程度,稳健性检验中使用表5中各个变量的月度数据进行描述性统计.需要说明的是,与表5中的匹配方法相同,选择了限制交易前后的有效月度数据各36条;考虑到交割日的问题,2015年9月7日前最近的交割日为2015年8月21日,遵循之前删除数据的原则,从2015年8月向前截取数据.结合描述性统计的结果可以发现上述的结论依然成立.

5.3 大涨或大跌对投资者活跃程度的影响

前文限于篇幅限制对于式(7)的回归结果只给出了有代表性的一部分(见表4).稳健性检验中将控制变量中的沪深300成交量替换为沪深300成交额.考虑到控制变量中的沪深300现货交易的活跃程度指标等于沪深300成交额除以沪深300流通市值,进行控制变量替换后势必会出现共线性的问题.由于沪深300 指数包含了A 股市场的主要大盘股,故使用A股市场总市值加权的换手率代替沪深300现货交易的活跃程度指标作为控制变量.结果依然支持由表4得到的结论,即当股票市场大涨或大跌时,投资者在股指期货市场的交易行为会更为活跃,且大涨和大跌对投资者不同类型活跃程度的影响具有一定的不对称性.

6 结束语

本文基于股指期货交易限制这一政策背景,利用交易数据、新闻数据和投资者在“股吧”中的行为数据研究了股票市场大涨或大跌时股指期货市场上投资者的活跃程度与关注度之间的关系.综合本文的研究结果,提出如下建议:1)监管者应适当地放开交易限制,吸引更多资金进入股指期货市场,增加市场流动性.2)监管者应鼓励官方媒体加强对于股指期货相关信息的披露以增加信息透明度,同时严格把控信息质量,避免“以讹传讹”.3)监管者应鼓励和帮助以网络论坛为代表的社交媒体的健康发展,为投资者提供主动参与信息分析和交流的平台,通过发挥其主观能动性更好地进行投资者教育.

后续的研究中,作者继续跟踪股指期货交易限制逐步放开的过程中投资者行为的演变,也将更为具体地对投资者关注度与信息不对称性之间的因果关系进行量化分析.

附录 稳健性检验结果

表13对应5.1部分，表14对应5.2部分，表15对应5.3部分.

表13 按照沪深300收益率排序分组后的描述性统计（根据涨跌各分五组）Table 13 Descriptive statistics of observations sorted by the HS300 return(surge and crash respectively in five groups)

表13(续) 按照沪深300收益率排序分组后的描述性统计（根据涨跌各分五组）Table 13(continued) Descriptive statistics of observations sorted by the HS300 return(surge and crash respectively in five groups)

表14 限制交易前后的描述性统计(基于月度数据)Table 14 Descriptive statistics before and after the trading restriction(based on monthly data)

表15 暴涨暴跌虚拟变量的回归结果补充Table 15 The supplementary regression results of surge and crash dummies