| 朱涛 黄蕾 熊检 陶桅

一、引言

中国股市动荡通常伴随着重大政策事件的发生。股价的剧烈波动不仅会让金融风险迅速集聚，还可能导致金融乱象的频繁出现。长此以往，不仅会阻碍金融资源流向实体经济部门，也会在一定程度上威胁整个社会的稳定发展和百姓的正常生活。现有研究指出中国股市尚不属于成熟的股票市场，其股价易受政策因素影响而产生结构性突变，无法真正发挥实体经济“晴雨表”的作用。对此，杨继平等（2012）发现影响中国股市结构波动的政策性因素主要包含央行存贷款基准利率和存款准备金率的调整、国有股的减持、机构投资者买卖证券投资基金的权限、印花税的调整等。齐岳和廖科智（2018）提出政策因素的变化会改变市场参与者的投资预期，影响股票交易的供求关系，甚至会在一定程度上冲击市场现有的交易模式，其中，宏观经济政策和官方预期性文件是较为典型的政策因素。袁鲲等（2014）选择股权分置改革作为分界线，研究了股改前后股市调控政策对中国股市波动性突变的影响，指出股权分置改革前，股市调控政策是造成波动的主要因素；而在改革后，股市调控政策的影响相对较弱。周盈南和金涵旻（2016）指出央行降准降息能在一定程度上刺激股价大幅上涨。王琳（2020）将政策制度因子作为协变量引入Joe-Clayton Copula模型，同样发现即使是在相同的金融市场内，不同时期的金融风险传染路径和因素也会存在显著差异。整体而言，学者普遍认同中国股市波动受重大政策事件的冲击影响较为显著。

在重大政策事件中，金融监管政策事件很可能是导致股市剧烈波动的主要政策因素。郝旭光等（2010）计算了三个特殊的金融监管政策出台前后的股市波动率，经对比发现所选的三个金融监管政策都会对中国股市波动产生显著影响。贾德奎和李瑞海（2018）通过构建政策风险指数，实证发现股市波动性与政策风险之间具有显著正相关关系，各种政策干预是造成股市波动的主要原因，其中金融监管政策的作用效果最为突出。刘沛佩（2021）进一步指出对证券市场异常交易实施金融监管，能在一定程度上防范明显不符合市场供需情况的价格波动，进而维护证券交易的既有秩序，保障证券市场运行的公平与效率。不难发现，金融监管政策事件会对股价波动造成较为明显的冲击影响，且其影响程度或高于其他重大政策事件。

综上所述，有必要深入研究政策因素对股市波动的冲击影响，这对保障我国的金融安全和社会安全稳定具有非常重要的理论与现实意义。本文研究思路如下：首先，分类定义可能影响股市波动的重大政策事件，用修正的ICSS算法检测上证综指的结构性变点，进而寻找与之相匹配的重大政策事件；然后，利用ARMAEGARCH模型进行回归分析，实证研究各类政策事件对股市波动的冲击影响；最后，采用事件研究法着重分析金融监管政策对股市波动的影响方向与影响程度。区别于已有研究，本文在以下两方面有所创新：第一，现有研究在选取重大政策事件时通常带有较强的主观色彩，本文尝试借助修正的ICSS算法测度方差结构性变点，据此匹配重大政策事件，方法相对客观；第二，鲜有文献会将不同类型的重大政策事件分类定义并进行对比研究，本文则在分类定义的基础上，构建了“未考虑政策事件影响”的基准模型与“考虑政策事件影响”的改进模型，有利于进一步解析不同政策事件对股市波动的异质性影响。

二、模型理论基础

（一）修正的ICSS算法

Inclan和Tiao（1994）最早提出迭代累积平方和算法，即ICSS算法。假设序列最初保持某一恒定的方差，在受到突发事件冲击后，如果序列方差先不断波动，后在一个新的水平上趋于稳定，那么这种序列方差变化可称作方差结构性突变。

ICSS算法会涉及IT检验统计量，其表达式为：

公式1中，D 是对C/C进行中心化处理的统计量，其表达式为：

公式2中，C 是时间序列从1时刻开始到k时刻为止的累积平方和，其表达式为：

公式3中，统计量是a时间序列的迭代残差序列。

考虑到ICSS算法假定时间序列的迭代残差序列服从独立同分布的正态过程，但金融时间序列往往具有条件异方差和尖峰厚尾的特点，直接使用ICSS算法检测所得到的结构性变点存在被高估的可能，进而导致最终结果偏离预期目标。鉴于此，Sansó等在2004年修正了ICSS算法，弥补了原有算法的不足。

修正后的ICSS算法所涉及的检验统计量表达式为：公式4中G 的表达式为：

（二）ARMA模型

自回归移动平均模型ARMA(p,q)最早由Box等人于1994年提出，是自回归模型AR(p)和移动平均模型MA(q)的组合形式。当p=0时，ARMA(p,q)=MA(q)；当q=0时，ARMA(p,q)=AR(p)。ARMA(p,q)常用于追踪时间序列的动态变化，其表达式为：

（三）EGARCH模型

海外金融分析师最先发现股价预测的误差因时而异，即误差项的条件异方差会随时间推移而不断变化，且在很大程度上依赖以往误差的大小。为诠释股价波动的这种特征，Engle（1982）提出了自回归条件异方差模型，即ARCH模型，后由Bollerslev（1986）发展为广义自回归条件异方差模型，即GARCH模型。

为进一步解释资本市场的非对称效应，Nelson（1991）提出了指数条件异方差模型，即EGARCH模型，其表达式详见公式9。

在实证分析中，EViews软件指定的条件方差详见公式10。

（四）事件研究法

事件研究法(Event Study)是分析政策事件对股市波动的冲击的常用方法，核心是统计股价异常收益率(Abnormal Return)，具体步骤如下：

1.确定政策事件日、估计期与事件期。本文界定的政策事件日是某项金融监管政策公布或施行的第一个交易日，又名0时刻。如图1所示，T至T段为估计期，T至0段为事前检验期，0至T段为事后检验期，后两段统称为事件期。

图1 事件研究法时间轴示意图

2.确定模型与计算收益。固定均值收益模型（Constant-Mean-Retorn Model）是事件研究法中用于确定正常收益的常用模型，适用于研究宏观政策事件对市场价格的冲击影响。

继而对CAR进行显著性检验，检验统计量见公式19。

3.分析政策事件的影响。重点关注两方面的内容：一是厘清政策事件冲击对股市波动的影响方向，判断是正向影响还是负向影响；二是鉴别股票市场对政策事件的反应程度，判断是否反应充分并给出合理解释。

三、研究设计

（一）数据来源

本文以1996年12月16日至2018年12月28日的上证综指为研究对象，数据来源于Wind数据库。之所以选取1996年12月16日为研究起点，主要是因为中国自1996年12月16日起开始实行涨跌停板制度，该项制度不仅限制了股票的涨跌停幅度，也降低了沪市股票的波动性，对中国股市发展具有划时代的里程碑意义。经数据清理后，共得到5342个有效数据。

（二）描述性统计分析

将上证综指收盘价的自然对数进行一阶差分处理，可以得到上证综指日对数收益率。此收益率序列在2001年至2002年、2007年至2009年、2015年至2016年这三个时间段内波动较大，在1999年和2005年这两个时点上波幅剧烈，表明序列的波动呈现一定的聚集性。经统计，上证综指日对数收益率序列的峰度值为8.064，高于标准正态分布的峰度值；偏度值为-0.431，表明序列呈左偏分布；Jarque-Bera 统计量为5872.447，P值为0.000。这些数据说明所研究序列不服从正态分布且具有尖峰厚尾的特点。

（三）筛选结构性变点

首先，借助修正的ICSS算法检测上证综指日对数收益率序列，可以得到26个方差结构性变点。接着，本文从权威媒体的公开信息中，搜寻可能造成上证综指结构性突变的重大政策事件，并将其与结构性变点逐一匹配。在匹配的过程中，剔除起始日期和终止日期对应的变点（2个）；剔除无法找到政策事件与之相匹配的变点（2个）；剔除多个政策事件共同导致的变点（1个），以便排除其他交易制度对所研究变点的交叉干扰。最终，可得到21个可供计量的有效变点。

（四）界定重大政策事件

表1界定了所研究的主要重大政策事件，分别是国内重大政策事件和国际重大政策事件。其中，国内重大政策事件包含金融监管政策、经济政策和国内资讯，国际重大政策事件则统称为国际事件。

表1 重大政策事件的分类、定义与说明

与现有研究不同，本文所界定的金融监管政策独立于经济政策和国内资讯，是后续研究的重点；经济政策仅包含货币政策和财政政策；国内资讯指其他对股价影响较大的市场讯息。因此，本文界定的重大政策事件之间彼此不存在概念交叉或者分类不明的问题。

（五）匹配结构性变点和重大政策事件

表2汇总了结构性变点与重大政策事件的匹配结果。在所有的结构性变点中，金融监管政策对应的变点有11个，经济政策对应的变点有5个，国内资讯对应的变点有2个，国际事件对应的变点有3个，分别占总样本的52.38%、23.81%、9.52%和14.29%。不难发现，金融监管政策对应的变点占总变点的一半以上，明显多于其他政策事件所导致的变点数，据此，初步推断金融监管政策可能是导致上证综指结构性突变的主要原因，也是造成沪市波动的关键因素。

表2 结构性变点与政策事件的匹配表

四、基于ARMA-EGARCH模型的实证研究

（一）平稳性检验

建模前需要先检验时间序列的平稳性。本文使用EViews10.0软件进行ADF检验。如表3所示，ADF统计量在1%显著性水平下拒绝原假设，说明序列不存在单位根，上证综指日对数收益率序列即为平稳序列。

表3 ADF检验结果

（二）自相关检验

设置滞后阶数为12，由自相关检验结果可知，序列的AC值和PAC值趋近于0，P值在滞后期大于2时均小于0.05，即在5%显著水平上拒绝原假设，说明序列存在一定程度的自相关。

（三）ARMA模型定阶

经检验，本文所研究序列的ACF值和PACF值具有拖尾性，选用ARMA(p,q)模型较为合理。同时，根据AIC准则与变量的显著性，可以判断ARMA(3,3)模型的拟合效果优于其他模型。

（四）ARCH效应检验

如表4所示，对ARMA(3,3) 模型的残差序列进行ARCH效应检验，选取方法为拉格朗日乘数检验，即ARCH LM检验，设置滞后期为12，ARCH效应检验结果显示：当滞后阶数大于等于1时，F统计量和LM统计量对应的P值均为0.000，拒绝不存在异方差的原假设，说明该残差序列存在一定的异方差性。

表4 ARCH LM检验结果

（五）基准模型：未考虑政策事件冲击

综合分析GARCH 模型、TARCH模型、EGARCH模型、ARMA-GARCH模型、ARMATARCH模型、ARMA-EGARCH模型的回归结果可知，扰动项服从t分布的ARMA(3,3)-EGARCH(1,1)模型的拟合效果最好，其表达式详见公式20和公式21。

均值方程：

方差方程：

（六）改进模型：考虑政策事件冲击

为将重大政策事件的冲击影响纳入计量范围，本部分增设四类重大政策事件变点的虚拟变量，简称为金融监管政策变点、经济政策变点、国内资讯变点、国际事件变点。

改进后的ARMA(3,3)-EGARCH(1,1)模型详见公式22和公式23。

均值方程：

方差方程：

将四类政策事件的虚拟变量引入模型后，会发现金融监管政策2、金融监管政策10、经济政策3和国际事件1对应的虚拟变量均不显著。

表5 改进后模型的拟合结果

（七）结果解析

改进模型的拟合结果表明重大政策事件是造成股价大幅波动的主要原因，金融监管政策的影响或强于其他重大政策事件。具体解析如下：

1.股市21次结构性突变中有17次与政策事件密切相关，即80.95%股市结构性突变可以用政策事件加以解释，表明中国股市具有“政策市”的典型特征。进一步分析可知，17次政策事件中52.94%是金融监管政策，加之金融监管政策变点系数的绝对值相对较大，说明金融监管政策对股市的冲击影响或高于经济政策、国内资讯和国际事件，是造成上证综指收益波动结构性突变的关键因素。

2.金融监管政策对股市波动的影响既有正向影响也有负向影响。如表6所示，金融监管政策3、6、8和9会加剧股市波动，金融监管政策1、4、5、7和11会降低股市波动，而金融监管政策2和10对股市波动无显著影响。这说明并非所有金融监管政策都能达到预期的效果，股票市场反馈与政策预期效果间存在一定程度的背离。结合有效市场假说可知，目前中国股市不是成熟的资本市场，股市无法及时反映公开信息的全部影响，且金融监管政策在股票市场上的传达或存在一定程度的低效率问题。

表6 金融监管政策冲击对股市波动的影响

五、基于事件研究法的实证研究

（一）重新界定金融监管政策类型

基于前文解析结果，本部分将金融监管政策重新归纳为“促进政策”和“抑制政策”。如果金融监管政策事件预期会促使投资者参与股市的积极性，则视同“促进政策”；反之，视同“抑制政策”，详见表7。这样分类是为了探究不同金融监管政策对股市波动的异质性影响，从而评估金融监管政策的颁布与实施是否具有效率。

表7 金融监管政策类型

（二）设定政策事件日、估计期与事件期

本文所选政策事件日是政策事件发生当日，但有2个除外。金融监管政策9和10分别发生于2015年6月13日（星期六）和2016年1月1日（元旦），故对应的政策事件日选取事件发生日后的第一个交易日。

就事件期而言，选取事件发生日前20个交易日为事前检验期，后20个交易日为事后检验期。

就估计期而言，考虑到金融监管政策发生的时间间隔不尽相同，故金融监管政策1、2、3、4、5和10的估计期取事前检验期前40个交易日，金融监管政策11的估计期取事前检验期前90个交易日，金融监管政策7的估计期取事前检验期前150个交易日，金融监管政策6、8和9的估计期取事前检验期前180个交易日。

（三）结果解析

本部分将沪市波动对金融监管政策的反应程度总结为无明显反应、反应不足、充分反应和反应过度等四种类型。如表8所示，当面对促进政策的冲击时，股票市场会表现为反应不足、充分反应或反应过度；当面对抑制政策的冲击时，股票市场会表现为无明显反应、反应不足和反应过度。囿于篇幅有限，在此选取四个典型案例进行简要分析。

表8 事件研究法结果概览

1.无明显反应。沪市波动对金融监管政策无明显反应，以金融监管政策2为例。该政策属于抑制政策，具体内容为“加强证券投资基金监管”。政策事件日为1998年9月23日，估计期为1998年7月2日至1998年8月25日，事件期为1998年8月26日至1998年10月23日。

如图2所示，CAR在事前检验期内呈上升趋势，当该抑制政策事件发生时，CAR依旧延续上涨趋势，未出现预期的回落态势。事件窗口的CAR为16.26%，SCAR为7.86，检验统计量在5%水平上显著。因此，沪市波动对“加强证券投资基金监管”无明显反应。

图2 无明显反应的案例：金融监管政策事件2

2.反应不足。沪市波动对金融监管政策反应不足，以金融监管政策1为例。该政策属于促进政策，具体内容为“召开全国证券监管工作会议”。政策事件日取1998年1月13日，估计期为1997年10月20日至1997年12月11日，事件期为1997年12月12日至1998年2月24日。

如图3所示，CAR在事前检验期内于波动中上升，说明市场在会议召开前已经开始预热。CAR在政策事件日当日急剧下跌，在事后检验期内波动上升，直至第12日才开始呈现回落趋势，事件窗口的CAR为3.36%，SCAR为2.27，检验统计量在5%水平上显著。在会议召开后，市场的累积异常收益率显著不为0。如果中国股市是半强有效市场，理应在促进政策发生后就能消化该政策的影响，但事实并非如此，该项政策的促进作用维持了至少12日，说明股票市场并没有及时消化促进政策的冲击影响，市场上存在明显的超额收益，尚未达到半强有效。因此，沪市波动对“召开全国证券监管工作会议”反应不足。

图3 反应不足的案例：金融监管政策事件1

3.充分反应。沪市波动对金融监管政策充分反应，以金融监管政策7为例。该政策属于促进政策，具体内容为“停止国有股减持”。政策事件日为2002年6月24日，估计期为2001年9月27日至2002年5月24日，事件期为2002年5月27日至2002年7月22日。

如图4所示，CAR在事前检验期内先下跌后回升至0，并保持小幅震荡，在政策事件日当日跳跃式上涨至高位，在事后检验期内持续高位波动。事件窗口的CAR为12.15%，SCAR为6.30，检验统计量在5%显著性水平上显著。一方面说明金融监管政策7对股票价格起到了促进作用，另一方面也表明资本市场及时消化了金融监管政策7的正向影响。换而言之，资本市场已经对金融监管政策7做出了充分反应。借鉴Fama在1970年的研究可知，市场对公开政策做出充分反应，说明市场在一定程度上具有政策效率。

图4 充分反应的案例：金融监管政策事件7

4.反应过度。沪市波动对金融政策事件反应过度，以金融监管政策4为例。该政策属于促进政策，具体内容为“批准险资入市和国有股减持方案”。政策事件日为1999年10月27日，估计期为1999年7月29日至1999年9月21日，事件期为1999年9月22日至1999年11月24日。

如图5所示，CAR在事前检验期内呈现明显下降趋势，在政策事件日当日跳跃式上涨至高位，在事后检验期内继续保持下降趋势。事件窗口的CAR为-13.34%，CAR为-9.23，检验统计量在5%显著性水平上显著。这说明股票市场受到该促进政策冲击后，累积异常收益率并没有出现预期的上涨趋势，反而在促进政策发生后进行反向修正，表明股票市场对该项政策事件反应过度。

图5 反应过度的案例：金融监管政策事件4

综上所述，上证综指能对金融监管政策事件做出较为明显的反应，具有“政策市”的典型特征；但并非所有的金融监管政策都能达到预期的效果，这也意味着沪市存在一定程度的金融监管低效率的问题。

六、结论

本文针对中国股市是否为“政策市”的问题展开实证研究。实证结果表明：（1）上证综指的波动具有一定的集聚性和非对称性；（2）沪市易受政策事件的影响，具有较强的“政策市”特点；（3）金融监管政策事件对沪市波动的冲击影响明显大于其他政策事件，是导致沪市波动的关键因素；（4）沪市受到金融监管政策冲击时基本体现为无明显反应、反应不足、充分反应或反应过度，但会对“停止国有股减持”这一促进政策充分反应。这意味着金融监管政策干预并没有达到预期的效果，中国股市或存在金融监管低效率的问题。基于此，建议当局不断完善金融市场制度建设，谨防系统性金融风险的发生。