金融科技对股指期货流动性的影响

摘要：本文研究了金融科技对沪深300股指期货流动性的影响，基于2017—2022年沪深300股指期货的交易数据，通过分位数回归方法分析并得到以下结论：金融科技能够显著影响股指期货市场的流动性水平；金融科技对期货市场流动性的影响是动态变化的，并且可能由于效果和时间层面的不同而产生变化。

关键词：金融科技；股指期货；流动性

一、引言

近年来，全球经济的复杂性和不确定性日益凸显，实体经济面临前所未有的挑战。在此背景下，金融体制的持续优化、金融工具的创新和金融科技的迅速发展成为各国政府和学术界关注的焦点。在党的二十大报告中，习近平总书记从全面建设社会主义现代化国家和推动中华民族伟大复兴的高度，强调了深化金融体制改革和健全资本市场功能的重要性，为新时代的金融事业发展指明了方向。《中华人民共和国国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》明确指出，要提升金融服务实体经济的能力，创新直达实体经济的金融产品和服务，并在审慎监管的前提下，有序推进金融创新和金融科技的发展。

股指期货是以股价指数为标的物的标准化期货合约，自推出以来便在风险管理方面发挥了关键作用。然而，2015年的股市骤跌反映出市场在流动性管理和风险对冲等方面依旧存在着脆弱性，尽管后续经历了多次政策调整，市场依旧存在流动性不足和交易成本过高的问题。作为金融体系稳健运作的地基和订单匹配机制的媒介，市场活跃与否直接影响市场的资金流动情况，成为影响经济长期稳定发展的关键因素。

鉴于以上因素，本文将致力于股指期货市场的流动性问题，通过实证研究方法探索金融科技是否具备优化衍生品市场运行机制的潜能。研究结果将有助于理解金融科技如何能在维护市场稳健性和提升交易效率方面发挥作用，进而推动实体经济的高质量发展。

二、文献综述

（一）金融科技对期货市场的影响

由于期货市场价格具有非线性、高噪声等特性，传统的统计模型难以挖掘复杂的输入特征，从而大大降低预测的精度，故多数学者将目光转移到机器学习和深度学习技术上，来研究金融时间序列，如对期货和期权价格进行预测。例如，Wang（2013）引入信号分解技术，对玉米和大豆期货价格序列进行了频域分析，通过提取关键模态分量，并结合多种预测模型进行优化组合权重预测，有效降低了序列噪声，简化了预测过程。Liu与Zhao（2022）则采用AR-Net模型和CNN方法对鸡蛋的期货价格进行了更为精确的预测，这有助于提高鸡蛋期货的价格风险管理水平。Kakade等（2022）结合了GARCH模型和深度学习技术，为优化套保方案提供了新的思路，从而提高了套保效率。

（二）期货市场流动性的影响因素

对于期货市场流动性影响因素的研究主要集中在市场交易机制、期货合约设计、交易者特征以及现货市场环境四个方面。王文虎等（2017）以沪深300股指期货真实交易数据为研究对象，以买卖价差、活跃性以及真实价格与成交价格之间的偏差为衡量指标，研究了连续竞价、做市商报价和混合交易三种不同的交易机制对市场质量的影响，得出构建混合交易机制，能够有效缩小股指期货合约的买卖价差，从而降低投资者的交易成本，提高股指期货市场的流动性的研究结果。韦立坚等（2012）研究了最小报价单位对沪深300股指期货市场波动性及流动性的影响，分析发现降低最小报价单位会对期货市场流动性产生积极的正向影响。张东明和魏先华（2013）基于标普500股指期货进行实证检验，发现保证金门槛设置水平越高，标普500股指期货的市场流动性越差。熊熊等（2020）以沪深300股指期货1分钟高频数据为自然研究样本，发现投资者情绪会对市场的风险管理能力和短期价格发现功能有显著影响。周强龙等（2015）使用VPIN模型验证了中国股指期货的运行情况，发现知情交易概率与流动性呈现反向变动。

（三）文献述评

通过上述文献的梳理我们发现：一方面，国内外鲜有文献从期货市场流动性的角度出发研究金融科技对金融衍生品市场运行效率的影响，本文搭建“金融科技—股指期货流动性”的研究框架，深入讨论金融科技手段的应用是否正向反馈给期货市场，为进一步明确金融科技价值开拓新思路并添加新的实证证据；另一方面，现有文献鲜有利用大数据等数字化手段对股指期货流动性展开深入研究，本文也为股指期货流动性影响因素的研究提供新方向。

三、数据来源、模型设定与变量说明

（一）变量定义与描述性统计

1被解释变量

大多数文献采用Amihud非流动性指标的倒数来衡量市场流动性，Wang（2013）提出在Amihud非流动指标的基础上，利用日最高价和最低价的比值代替收益率，并对其采取对数变换来减轻低波动率下极高比率的影响。本文采取Wang（2013）的方法构建股指期货市场的流动性指标，该指标越大意味着股指期货的流动性越高。

LDt=ln1+VoltVt（1）

其中，Volt表示在第t日的交易量；Vt表示第t日的波动率，Vt=lnPhigh，tPlow，t。

2核心解释变量

采用郭琲楠和魏成龙（2023）的金融科技指数编制方法，从供给端、需求端同时出发，综合考虑金融科技关注度、金融科技公司数量和金融科技政策支撑力度三方面因素。具体而言：首先，利用Python技术对24个金融科技关键词在2017—2022年的百度搜索指数日度数据进行循环爬取，统计出每日新闻关注度，以捕捉金融科技在搜索引擎上的时间趋势与变化特征，表1反映金融科技关键词的词汇构成情况。其次，从国泰安数据库获取截至2022年的金融科技公司的详细信息，根据成立时间统计出2017—2022年金融科技公司数量。再次，利用中国法律检索系统（北大法宝）的中央及地方法规规章数据库，以“金融科技”为关键词对2022年及之前年份的政策法规进行检索，在剔除了批复、函和领导讲话等非正式决策文件后，根据公布日期统计出每日发布的法规数量。接着将3个维度的数据以日期为条件进行匹配并对分别对其缺失值进行线性插值处理。最后，将金融科技关注度、金融科技公司数量和金融科技政策文本数量取对数并赋均等权重，综合生成中国金融科技发展水平指标。

3控制变量

借鉴王允等（2023）对期货市场流动性影响因素的研究，在回归模型中选取以下控制变量：①期货和现货价格之差，即基差（Basis）反映风险情况，异常的波动率会降低市场流动性，预计符号为负；②换手率（Turnover_ratet）体现买卖双方的交易行为，换手率越高说明市场交易越频繁，市场流动性越大，预计符号为正；③现货市场波动率（Spot_volatilityt），价格数据体现现货市场信息。投资者更倾向于根据历史价格走势对未来市场进行有效预测，价格波动率越大市场主体参与意愿越低，预计符号为负（见表2）。

表3反映了经标准化处理后股指期货流动性、金融科技发展水平以及其他控制变量的描述性统计结果。从描述性统计分析中可以观察到，金融科技水平的均值为14986，这一数值显著地反映了我国金融科技行业的蓬勃发展。金融科技不仅在推动经济转型和创新驱动发展中扮演着核心角色，其稳定性和均衡性也得到了数据的支持。具体来说，较小的标准差和变异系数（0049）表明，金融科技水平在样本中的分布相对集中，显示出高度的稳定性。然而，偏度为-0554的数据揭示了金融科技领域内存在一些表现不佳的企业或产品，这可能指向了行业内部分企业面临的挑战，例如技术瓶颈、市场适应性不足或监管环境的不确定性。

进一步观察股指期货流动性的统计数据，均值为8668，这表明市场的平均流动性水平较高，为投资者提供了较为活跃的交易环境。标准差为0247，这显示了市场流动性的波动性较小，流动性水平在不同时间点保持相对稳定，有助于降低交易成本，提高市场效率。然而，偏度为-0377，轻微的左偏可能指示市场在某些情况下面临流动性风险，这需要市场参与者和监管机构保持警觉，以便及时应对可能的市场压力。

（二）相关性检验

对各变量数据进行相关性分析，本文通过stata软件对数据进行分析，其结果如表4所示。

从表4结果可以看到，金融科技（Fintecht）与沪深300股指期货市场流动性（LDt）的相关系数为0703，呈正相关关系，这表明金融科技的发展促进股指期货市场流动性，吸引更多的投资者参与市场交易。对于其他几个控制变量，股指期货换手率与期货市场流动性呈正相关，相关系数为0358，更高的交易量意味着大量的交易活动，买卖双方的匹配效率提升，交易更容易执行；现货市场的波动情况与期货市场流动性呈负相关，说明降低对应标的资产现货市场的波动情况有助于提升期货市场流动性。

对于基差与期货市场流动性而言，两个变量之间相关系数呈正值且不显著，然而在回归分析中，得到了截然不同的结果：股指期货流动性与基差之间的系数为负数且显著。这种看似矛盾的结果可能源于多种因素的综合影响。一方面，回归分析考虑了多个变量之间的复杂关系，可能存在某些控制变量或交互作用对结果的影响，而这些在简单的相关分析中未被充分考虑。另一方面，数据特征和样本特性也可能在回归分析中扮演了重要角色，可能存在与基差相关的未探索因素。变量之间的相关性分析只能作为初步检验，后续需要对相关控制变量进一步进行实证检验才能确定对期货市场流动性的具体影响。

（三）平稳性检验

为了避免模型出现伪回归，因此在回归分析前对各指标进行了平稳性试验。本文中采用DF检验法对原始数据进行了检验，比较DF检验值与5%的临界值，若DF检验值小于5%的临界水平，则说明在5%的显著水平下拒绝原假设，变量平稳。从表5中可以看到，检验结果均表现平稳。

（四）模型的构建

分位数回归模型是一种通过对数据的不同分位点进行建模，探索自变量对因变量各分位数的影响的统计方法。与OLS不同，它不仅关注均值（即中位数），还能提供关于条件分布的更多信息。该模型被广泛应用于金融、经济学、社会科学等领域，以探究变量之间的非对称性影响和异常情况下的统计分析。

为更加全面描述解释变量对被解释变量的关系，对数据变量进行分位数回归，本文构建分位数回归模型如下：

LDt=0+1Fintecht+2Basist+3Turnover_ratet+

4Spot_volatilityt+μt（2）

QqLDt|Fintecht=a0，q+a1，qFintecht+a2，qBasist+a3，qTurnover_ratet+a4，qSpot_volatilityt（3）

公式中，LDt值代表沪深300股指期货流动性，为被解释变量；金融科技指数Fintecht为解释变量；t为时间，单位是日；0、1、2、3、4为基础回归模型下的待估参数；μi为随机变量；q表示分位数；QqLDt|Fintecht为LDt的q条件分位数；a1，q、a2，q、a3，q、a4，q为分位数模型下的待估参数。本文通过stata软件对模型进行回归分析。

四、回归结果分析

（一）基础回归结果分析

通过数据进行实证分析，证实金融科技对股指期货流动性的具体影响。其基础回归结果如表6所示。

从基础回归结果可以看到，拟合优度为6740%，表明被解释变量股指期货流动性（LDt）有6740%的可能性被金融科技指数（Fintecht）解释，说明模型回归效果良好。从各变量上看，金融科技指数（Fintecht）回归系数为1973，且在1%的水平上高度显著，说明金融科技发展水平与中国股指期货市场的流动性成正相关，金融科技的发展将有助于增强股指期货的流动性，这一结果也和本文的假设保持一致。金融科技的应用，对期货市场交易效率、用户交易体验及产品创新等诸多方面起到了关键的作用。通过高速交易系统和智能算法，缩短了交易时延；借助大数据分析和人工智能，精准评估风险，增强市场主体参与意愿；技术创新带来了新的金融产品和交易策略，优化资源配置。如表6所示，在控制变量中，期货市场的换手率与流动性成正相关，意味着高换手率带来高流动性；基差的回归系数在1%的水平上显著为负，可能是因为期现基差的增大会造成套利交易的增多和订单非平衡性增加，从而削弱了流动性（Chordia，2000）。现货市场波动情况的回归系数为-46865，说明现货市场的高波动性在短期内会带来更多的不确定性，使投资者更加保守，从而降低期货市场流动性。

（二）分位数回归结果分析

如表7所示，从金融科技的10%分位点到90%分位点，回归系数分别为2318、2179、2060、1932、1878、1913、1901、1841、1794，说明在分位数较低的情况下，金融科技的发展对期货市场流动性有更强的正向影响，但随着分位数提高，这种影响逐渐减弱（见图1）。这反映市场刚进入起步阶段，金融科技的引入有效解决了传统市场的交易壁垒，提高平台交易效率和市场流动性水平，但随着金融科技发展带来的初始改善趋于饱和，其对流动性的影响程度逐渐减弱。对于其他控制变量而言，在大多数分位数下基差的系数为负，但在某些情况下为正，且在一些情况下结果不显著。这表明基差对期货市场流动性的影响不是十分稳定或显著；在所有分位数下，期货市场换手率系数都为正值，且随着分位数增加而增加，表明交易频率的增加与期货市场流动性呈现稳定正相关关系。

（三）稳健性检验

1考虑遗漏变量的稳健性检验

谢镭和柏雪银（2021）发现沪深300股指期货与现货市场之间存在价格引导关系，故为保证实证结果的稳健性，本文通过添加现货市场的交易量（Spot_volumnt）为遗漏变量，进行稳健性检验，以验证研究结果在面对潜在的变量遗漏时的稳定性和可靠性。

QqLDt|Fintecht=a0，q+a1，qFintecht+

a2，qBasist+a3，qTurnover_ratet+

a4，qSpot_volatilityt+a5，qSpot_volumnt（4）

表8展示了增加遗漏变量后的分位数回归结果，将现货市场成交量作为遗漏变量纳入模型后，模型的R2上升，说明新变量的加入增加了模型的解释能力。进一步分析显示，即使在控制其他变量后，金融科技指标在期货市场流动性10%分位点到90%分位点上的回归系数分别为2259、2059、1942、1806、1878、1790、1828、1764，且在1%的水平显著，说明随着分位数提升，系数呈现递减趋势并未发生变化，见图2。这一结果表明，即使考虑了其他变量，该核心变量仍然有独立的解释能力，对因变量流动性指标的变化仍有显著的促进作用。

2考虑滞后相关变量的稳健性检验

参考高杰英等（2021）的研究将解释变量（Fintech）滞后一期来缓解双向因果问题。如表9所示，滞后一期的解释变量（LFintech）系数在期货市场流动性的10%分位点到90%分位点的系数分别为2329、2213、2075、1932、1899、1922、1911、1822、1769，且依旧在1%水平下显著为正，说明金融科技对期货市场流动性的正向作用并未因替换滞后项而改变，图3进一步展示其系数变化趋势未发生变化，随着流动性的提高，金融科技的促进程度在减弱。

QqLDt|Fintecht=a0，q+a1，qLFintecht+

a2，qBasist+a3，qTurnover_ratet

+

a4，qSpot_volatilityt（5）

五、结论与启示

为分析金融科技的发展对股指期货流动性的影响，本文先从经济学的视角分析金融科技与流动性之间的相关理论，探讨了金融科技对股指期货流动性水平的影响机制，在此基础上选取2017—2022年中国沪深300股指期货及相关标的公司数据构建流动性指标及相关控制变量，从社会、企业、政府三个层面构建金融科技发展指标进行实证检验，结果表明：一方面，金融科技能够显著影响股指期货市场的流动性水平；另一方面，金融科技对期货市场流动性的影响是动态变化的，并且可能由于效果和时间层面的不同而产生变化。

从影响效果来看，在分位数较低的情况下，金融科技的发展对期货市场流动性有着更为显著和积极的影响。这可能是因为在市场较为落后或者起步阶段，金融科技的引入和应用可以更有效地改善流动性，解决传统市场的问题，提高交易效率和流动性水平；从影响作用的时间上看：随着分位数提高，金融科技的影响逐渐减弱。这可能暗示着随着时间的推移，金融科技对期货市场流动性的改善效果逐渐减弱。这种现象可能反映出金融科技发展带来的初始改善作用逐渐饱和，市场趋于成熟并且对金融科技的影响力逐渐减弱。

结合以上研究结果，本文提出如下建议：

（一）期货交易所层面

1引进智能化交易系统

鼓励期货交易所与金融科技公司合作研发更为先进的智能化交易系统，一方面，投资者可通过实时化数据分析快速识别市场趋势，减轻信息不对称所引发的市场风险；另一方面，借助金融科技，期货交易所可以建立更加智能化的风险评估模型，以确保市场在发生大幅波动的情况下及时采取措施，保护市场参与者免受价值损失。

2推广智能合约的应用

期货交易所应积极推广基于区块链技术的金融衍生品合约，利用其去中心化和自动化的交易特性来降低市场交易成本，提升交易效率。

（二）金融监管层面

1制定适应性的监管框架

建立与金融科技发展同步的监管机制，包括数字资产监管、隐私保护和数据安全。监管政策应灵活适应科技创新的蓬勃发展，但同时需着重保障风险可控，确保金融系统的稳定运行。

2鼓励金融科技创新

监管机构应鼓励支持和引导金融科技公司推出更加个性化和创新性的金融产品和服务，促进金融科技更好地服务于实体经济，从而推动金融市场的稳健运行。

（三）科技公司层面

1多元化创新应对市场饱和

金融科技公司应保持对市场的高度敏感，积极主动推出多元化、差异化的创新产品来满足用户需求，应对市场饱和。

2主动配合监管

金融科技公司要主动配合监管，及时向监管机构披露包括业务变化、产品创新等重要信息，保证所营业务活动合规合法，维护市场秩序和投资者权益。

参考文献

［1］WANGJLiquiditycommonalityamongAsianequitymarkets［J］Pacific-BasinFinanceJournal，2013，21（1）：1209-1231

［2］LIUC，ZHAOYHPriceriskmanagementeffectontheChinasegg“insurance+futures”mode：anempiricalanalysisbasedontheAR-Netmodel［J］KuwaitJournalofScience，2022：1-14

［3］KAKADEK，MISHRAAK，GHATEK，etalForecastingcommoditymarketreturnsvolatility：AhybridensemblelearningGARCH‐LSTMbasedapproach［J］IntelligentSystemsinAccounting，Finance&Management，2022，29（2）：103-117

［4］王文虎，万迪昉，张璐混合交易机制对股指期货市场效率影响的实验研究［J］系统工程，2017，35（8）：1-18

［5］韦立坚，熊熊，车宏利试析最小报价单位对股指期货市场流动性和波动性的影响［J］现代财经（天津财经大学学报），2012，32（5）：45-51

［6］张东明，魏先华保证金水平对股指期货市场的影响研究——基于流动性及波动性角度的分析［J］管理评论，2013，25（5）：35-41

［7］熊熊，许克维，沈德华投资者情绪与期货市场功能——基于沪深300股指期货的研究［J］系统工程理论与实践，2020，40（9）：2252-2268

［8］周强龙，朱燕建，贾璐熙市场知情交易概率、流动性与波动性——来自中国股指期货市场的经验证据［J］金融研究，2015（5）：132-147

［9］郭琲楠，魏成龙金融科技对股票流动性的影响及作用机制［J］学习与实践，2023（6）：49-59

［10］王允，李光泗，韩冬“市场化收购+补贴”政策能实现玉米“稳生产”的政策目标吗？——基于玉米地级主产区准自然实验的经验证据［J］农村经济，2023（7）：75-86

［11］CHORDIAT，ROLLR，SUBRAHMANYAMACommonalityinliquidity［J］JournalofFinancialEconomics，2000，56（1）：3-28

［12］谢镭，柏雪银沪深300指数期货市场与现货市场联动关系的实证分析——基于高频数据视角［J］金融发展评论，2021（4）：54-67

［13］高杰英，褚冬晓，廉永辉银行信贷、市场竞争与企业资本配置效率［J］征信，2021，39（6）：69-77

TheImpactofFinancialTechnologyontheLiquidityofStockIndexFutures

MAHeLIUChen

（BeijingWuziUniversity，Beijing101149，China）

Abstract：Thisstudyconductsanempiricalanalysisontheinfluenceoffinancialtechnology（fintech）ontheliquidityoftheCSI300stockindexfuturesmarketUtilizingtransactiondataspanningfrom2017to2022，theresearchemploysquantileregressiontodissectthenuancedeffectsoffintechadvancementsThefindingsrevealtwoprimaryinsights：firstly，theintegrationoffintechsignificantlyenhancesthemarketliquidityofstockindexfutures；secondly，theinfluenceexertedbyfintechissubjecttotemporaldynamicsandexhibitsvariabilityacrossdifferentstagesofmarketevolutionTheseresultsunderscorethecomplexinterplaybetweentechnologicalinnovationandmarketmicrostructure，offeringvaluableimplicationsforbothpractitionersandregulatorsinthefuturesindustry

Keywords：FinancialTechnology；StockIndexFutures；Liquidity