沪深300股指期货价格影响因素及价格预测

周大朋 穆月英（通讯作者）

（中国农业大学经济管理学院 北京 100083）

随着我国经济与金融的飞速发展，近几年期货市场成交量持续上升。2021年底我国共计期货期权品种94个，期货市场资金量突破一万亿元。我国期货市场通过近年来的改革创新大幅提升了综合实力，期货在我国经济活动中的作用越来越凸显。沪深300股指期货的出现可以帮助投资者分散价格风险，规避来自外部的不确定性，从而提高资金的使用效率。

本文所研究的内容重要意义在于两个方面。一方面，通过探究沪深300股指期货相关的影响因素，与价格分析相结合，从而对价格判断更加符合实际。另一方面，选择合适的模型来对价格进行预测，帮助投资者采取合理的投资策略进而规避风险，使得收益最大化，具有较强的应用性和实践价值。

1 文献综述

关于沪深300股指期货价格的影响因素和价格预测的已有研究，主要概括为以下几点：

第一，股指期货价格市场关系的研究，王蓓(2019)研究表明沪深300期现货的价格发现功能不明显。闵豫南(2020)发现在岸市场暂停无法显著制约离岸市场的价格发现能力。

第二，影响因素的研究，唐志武等(2020)研究发现，股指期货政策会使其他指数对沪深300股指期货收益率的预测产生影响。熊熊等(2020)发现投资者情绪对沪深300股指期货产生一定的负面影响。李延军(2021)发现沪深300股指期货市场主要影响因素是股票市场流动性和股票市场不确定性。

第三，价格预测的研究，有学者运用GARCH族模型研究发现股指期货降低了市场波动，且GARCH(1,1)模型预测精度更高。蔡泽栋(2020)发现用机器学习对沪深300股指价格进行预测精度更高。赵新蕾(2021)利用ARMA模型对沪深300股指价格进行预测的相对平均误差为0.84%。

综上所述，对于股指期货价格波动性的分析，目前学者更侧重于分析宏观经济指标的影响，现有的文献主要采用格兰杰因果检验或VAR模型来进行分析。沪深300股指期货的价格预测中，大部分学者会使用时间序列或机器学习等来提高预测的准确性。

2 沪深300股指期货价格影响因素实证分析

2.1 变量选取和处理

本文从能够反映宏观经济运行状况、金融市场发展情况以及投资者心理因素等方面进行分析。选取5个变量以及沪深300股指期货收盘价(p)，其中沪深300指数(x1)和汇率(x2)反映金融市场因素，社会融资规模(x3)和CPI(x4)反映宏观经济因素，消费者信心指数(x5)反映投资者心理因素。本文选取2010年4月16日至2021年12月31日的月度数据进行实证分析(数据均来源于Choice金融终端，操作软件为Eviews10.0)。

2.2 平稳性检验

建立VAR模型前，要求时间序列是平稳的。以下采取ADF单位根检验，原序列都是非平稳的，一阶差分后的序列变得平稳，如表1所示。

表1 各变量平稳性检验结果

2.3 协整检验

如果原序列不是平稳的，经过差分之后变得平稳，需要协整检验来判断序列之间是否存在长期的均衡关系。如表2所示，在None的情形下值为0，说明序列之间存在多个协整关系。

表2 变量之间协整检验结果

2.4 建立VAR模型

建模之前首先要选择最优的滞后阶数，如表3所示。通过信息准则值最小原则确定滞后阶数为2，由此建立VAR(2)模型，并且模型通过稳定性检验。

表3 VAR模型滞后阶数的确定

2.5 脉冲响应及方差分解

脉冲响应分析的结果如图1所示，股指期货价格对自身的冲击效应最大，前两期为正向的冲击，之后转为负向冲击再趋于平稳；指数对股指期货价格的冲击不明显，说明股指期货和指数之间关联性较小，价格发现功能不明显；汇率对股指期货价格的冲击先由负转正，持续时间较长，说明汇率的变动会对期货价格产生持续性的影响；社会融资规模对股指期货价格的冲击前四期为负向，后两期转为正向之后趋于平稳；CPI指数对股指期货价格的冲击主要是负向冲击，随后趋于平稳；消费者信心指数对股指期货价格前四期正向冲击较强，之后趋于平稳。

图1 脉冲响应结果

方差分解可以解释一个因素在总体影响中的贡献程度，贡献度越高说明影响程度越大。由表4方差分解的结果可以看出，股指期货价格对于股指期货价格本身的影响最大，贡献度稳定在94%左右；沪深300指数对股指期货价格的影响较小，贡献度仅达到了0.18%；汇率和社会融资规模对股指期货价格的贡献度最后稳定在1.2%，且反应滞后期较长；CPI指数对股指期货的贡献度很快稳定在0.82%，说明冲击的时间较短；消费者的信心指数对股指期货价格的贡献度最终在1.53%，说明影响程度较大。

表4 方差分解结果

3 沪深300股指期货价格预测

3.1 数据选择及处理

本文的价格预测实证分析所选取的统计数据是2010年4月16日到2021年12月31日期间沪深300股指期货的主力合约日收盘价，共2850个交易日数据。其中，前2805个数据用作建模，后45个数据用作预测。本文选取对数收益率作为因变量，对数收益率能够反映证券市场的波动情况，其变动与投资量大小无关。对数收益率的公式如(1)所示，r是对数收益率，p是日的收盘价。

3.2 描述性统计

对数收益率序列的时序图和直方图表明，序列波动特征明显，分布是尖峰厚尾形状且明显左偏，不服从正态分布。在后续分析中，为避免产生较大误差，则需要选取分布和GED分布进行检验(因篇幅所限，本文所有未列示的实证结果由作者留存备查)。

3.3 基础性检验

基础性检验包括方差比检验、平稳性检验、序列自相关检验以及异方差效应检验。由检验结果可知，方差比检验P值为0，说明序列是可分析的；平稳性检验表明对数收益率序列在99%置信水平下是平稳的；自相关检验发现序列之间存在自相关性，但是可以通过建立ARMA模型消除；ARCH-LM检验表明序列存在ARCH效应，可以建立GARCH族模型。

3.4 建立GARCH族模型

采用信息准则最小的原则确定GARCH模型的阶数，结果如表5所示，本文选择的是服从GED分布的EGARCH(1,1)模型。在前文的假设检验，序列不服从正态分布，因此只考虑分布和GED分布。为了保证模型的简洁性和有效性，不考虑阶数大于1的情况。建立的EGARCH模型的均值方程和方差方程如式(2)和式(3)所示，其GED的系数为1.0327。非对称效应项系数为-0.0159，P值为0.118大于0.1拒绝原假设，说明沪深300股指期货的非对称效应不明显。

表5 GARCH族模型阶数表

3.5 预测结果分析

本文采用静态预测方法，根据之前建立的EGARCH(1,1)模型来预测2021年11月1日至2021年12月31日的数据。所得的预测结果如图2所示，预测值稳定的分布在置信区间中央，没有过大的波动，且预测的方差最大值为0.00014，说明没有明显的离群点。

图2 预测值和预测方差

预测效果采用的评价指标如表6所示，EGARCH(1,1)模型的预测误差统计量中的平均绝对百分比误差为0.5923以及希尔不等系数为0.0039，说明误差很小。偏差率和方差率分别为0.0008和0.00001，说明预测值的偏离程度很低。平均相对误差为0.0002，说明模型预测精度很高，具有较强的应用价值。

表6 EGARCH(1,1)模型预测误差统计表

4 结论和建议

4.1 结论

本文通过影响因素和价格预测实证分析，得出以下结论：

第一，金融市场状况会对期货价格产生较大影响，因为沪深300指数关联性较高，汇率的波动冲击影响大。宏观经济状况会对期货价格产生持续性的影响，社会融资规模和CPI等指标在一定程度上有滞后性。消费者心理因素对价格影响最大，说明消费者心理因素不可忽视。

第二，价格预测最合适的模型为EGARCH(1,1)，并且股指期货非对称效应不明显，说明股指期货很好的消除股市原先的波动，再使用样本内的数据进行预测，结果表明建立的EGARCH(1,1)模型有效且预测精度较高。同时价格预测过程中不确定因素众多，需要进行综合考量。

4.2 建议

第一，优化投资者结构，降低期货市场投资门槛。引导机构投资者参与市场，重塑投资文化与氛围。让更多的中小投资者能够参与进来，对新手投资者开展必要的宣传培训。

第二，加快期货市场改革与建设，增加期货市场综合实力。加快期货市场产品的创新，满足各类投资者的需求。同时借鉴国外先进的案例，积极参与国际竞争。