王帅+谢赤

摘要：为判断融资融券交易对证券市场波动率的影响，以2010年4月2日至2016年7月21日的中国证券市场交易数据为样本，运用小波CCC-GARCH模型进行了实证研究。实证研究表明融资交易行为对证券市场收益率和成交量的波动均有较显著的影响，而融券交易对市场波动率的影响则不显著，同时，融资交易行为对市场的影响主要由高频信号所驱动，投资者短期非理性行为或噪音交易对市场波动的影响较大。为促进市场的健康发展，应均衡融资融券业务的发展、培养理性机构投资者、加强投资者风险警示以及加快融资融券数据库的建设。

关键词：融资融券；市场波动率；CCC-GARCH； 条件相关系数；小波分析

1. 引言

融资融券交易又称为保证金交易，是指投资者向具有融资融券业务资格的证券公司提供担保物，借入资金买入证券或借入证券并卖出的行为。在国内证券市场，上海和深圳证券交易所于2010年3月30日向6家试点券商发出通知，在2010年3月31日起接受融资融券交易申报，融资融券交易进入实质性的操作阶段。2015年5月6日，转融通标的证券扩大到893只股票。截至2016年6月17日，沪深两市融资余额和融券余额分别达到了8340.84亿元和8363.83亿元，随着融资融券业务规模的扩大，其对市场的影响也越来愈大。在2014和2015年，国内A股市场发生了较大的波动，上证指数一度从2014年7月22日的2173点上涨至2015年6月12日的5410点，上涨幅度达到149%。在随后的几个月内，指数一路下行至2015年8月26日的3066点，下跌幅度高达43%。市场巨幅波动虽然与政策导向和经济环境等因素有一定的关系，一些学者认为融资融券业务也在一定程度上加剧了市场的暴涨暴跌，但也有学者认为融资融券作为投资和风险管理工具，有助于提高市场定价效率，降低市场的波动率。融资融群提高了市场波动率，还是降低了市场的波动率？目前相关研究还没有得到一致的结论。回答这一问题有助于更好地理解国内证券市场的波动特点以及规范融资融券业务的发展。

一些学者对融资融券业务与市场波动的关系展开了一系列研究，其中不少文献认为，融资融券业务会有利于股票的价值发现，提高股票定价效率，从而降低市场波动。Zhao， Li 和Xiong （2014）运用事件研究法，观察了2010年2月-2013年8月中国融资融券对市场波动的影响，他们发现融资交易容易导致个股泡沫出现，融券交易能够使得证券价格趋于稳定[1]。肖浩和孔爱国（2014）的研究结果表明融资融券交易降低了标的股票的特质波动率[2]。李科，徐龙炳和朱伟骅（2014）认为卖空限制导致了股价高估，融资融券制度等做空机制有助于矫正高估的股价，提高市场定价效率[3]。陈海强和范云菲（2015）通过对比真实波动率与构造的反事实波动率路径，发现融资融券制度的推出有效地降低了融资融券标的个股波动率[4]。李志生， 杜爽和林秉旋（2015）认为融资融券交易显著降低了股票价格的跳跃风险，有利于防止股票价格的暴涨暴跌和过度投机[5]。佟孟华，孟照康（2015）认为融资融券交易能够显著降低股票市场的波动性[6]。也有文献认为融资融券业务可能会诱发金融风险，加剧市场的波动，如刘志洋和宋玉颖（2015）指出融资融券交易会给金融体系稳定带来威胁，可能引发系统性的金融风险[7]。吴国平和谷慎（2015）融资融券业务在整体上加剧了股市的波动[8]。此外，部分学者认为，融资融券业务对市场的影响并不明显。郑晓亚，闫慧和刘飞（2015）结合收益率波动特征，将融资融券业务作为虚拟变量引入GARCH与EGARCH模型进行定量分析，其结果表明融资融券业务对我国股票市场长期波动性影响并不显著[9]。吴国平和谷慎（2015）发现融资交易加剧了股市波动，而融券交易则减小了股市波动[8]。刘烨等（2016）构建了外生信息冲击的门限自回归条件密度（TARCD-X）模型，发现融资融券余额的变动没有显著增加市场的波动性和暴涨暴跌的频繁性[10]。黄虹等（2016）利用TARCH模型着重分析“两融”是否为投资者情绪影响股指波动的放大器，他们的研究结果表明“两融”并不会加大投资者情绪对股指波动的影响[11]。

从以上研究可知，目前有关融资融券与证券市场波动率的关系已有了一定的讨论，但由于已有研究在研究方法和研究样本等方面不一致，所得到的结论也有较大的差异。大多数现有研究在对融资融券与证券市场关系进行研究时忽略了原始交易信息中的噪音成分，由非理性交易者产生噪音信息会扰乱融资融券与证券市场波动率之间的关系，针对已有研究的这一局限，本文拟从新的角度来展开研究，具体来说：一是将证券市场和融资融券交易信息进行分解，从原始信息中分离出高频成分和低频成分，对原始数据进行去噪处理，在多尺度下探寻融资融券与证券市场波动率的关系；二是将融资融券交易行为与证券市场的量价变化综合考虑，从而得到更全面和准确的结论。

2. 融资融券交易对证券市场波动率影响的理论分析

一方面，融资融券通过价格发现机制会降低市场波动率。证券价格随着供求关系变化而动态调整，当股票价格被低估时候，市场理性投资者会预期股票价格会上涨到均衡价格，他们将通过融资交易买入被价值被低估的股票，而股票价格的上升会使得投机交易者跟风买入，此时股票需求上升，在供给不变的情况下，股票价格将不断上升，直到理性投资者预期股票价格已接近或等于内在价值。而当股票价格被高估时，理性投资者预期股票价格会下跌，他们会进行融券交易，股票价格因为供给的增加而出现下跌，而市场上的投机交易者看到交易机会，也会卖出股票，从而导致价格的进一步下跌。不同类型的投资者根据市场信息不断调整交易行为，而交易行为的调整又直接引起了证券供求关系的变化，使得证券价格围绕价值动态调整，不至于使股票价格大幅度偏离其基本价值，因此，存在融资融券交易制度的市场，证券价格出现大幅波动的概率相对较小，市场稳定性也对较强。此外，如Hong和Stein （2003）提出的异质经济人模型所指出，在市场缺乏融资融券的交易机制的条件下，卖空交易者所拥有的坏消息将不能有效释放，他们不能运用掌握的信息进行交易，而必须等到市场下跌时才能进行交易，此时利空消息的释放会加大市场下跌的幅度，甚至会导致股灾的出现[12]。

另一方面，融资融券交易可能通过杠杆交易提高市场波动率。在市场繁荣初期，杠杆交易往往能带来财富效应，随着资产价格的进一步上涨，越来越多的投资者参与杠杆交易，从而推动证券价格出现新高。在此过程中，即使是相对理性的机构投资者也会因为业绩压力和声誉效应等因素而参与杠杆交易，从而加快市场泡沫的形成。当政策面趋紧，或基本面有所恶化时，市场恐惧情绪会上升，投资者会卖出资产，此时市场压力进一步增大，一部分投资者选择进行卖空交易获取利润，另一部分前期看多的杠杆投资者可能会被强制平仓，多种因素的综合作用下，市场会对坏消息过度反应，因此融资融券交易行为可能通过杠杆交易机制导致市场波动率提高。

中国证券市场尚不成熟，市场受政策影响较大，投资者结构以散户为主，市场投机氛围较重，在这样的市场环境下，融资融券交易对证券市场波动率的影响是以价格发现功能为主，还是以杠杆交易机制为主，目前还没有一致的结论，本文将以小波CCC-GARCH模型为基础，运用国内证券市场的数据，对融资融券与市场波动率的关系进行实证检验，从而为判定融资融券对市场波动率影响的主导作用机制。

3. 时间序列的小波分解及分析

3.1 实证研究样本

2010年3月31日起接受融资融券交易申报，融资融券交易进入实质性的操作阶段，本文以此时间作为研究样本的起始时间，样本结束时间为2016年7月21日，数据粒度为周数据。样本数据来源于WIND数据库。图1中，a，b，e，d，e和f分别代表了上证指数、深圳指数、上海证券交易所周成交量（元）、深圳证券交易所周成交量（元）、市场融资买入额（亿元）和融资卖出额（亿元）的时序变化情况。图2中，ra，rb，rc，rd，re和rf分别代表了序列a，b，e，d，e和f的对数变化率。

从图1和图2可以发现，融资融券交易量与市场指数和交易量的变化轨迹相似程度较高，可以初步判定融资融券交易与市场波动可能存在某种程度的关联。

3.2 市场信息和融资融券交易时间序列的小波分解及分析

在经济金融信号的分析过程中，有些信号表现为低频信号或是比较平稳的信号，而噪声信号通常表现为高频信号。在中国证券市场，由于投资者投机氛围较严重，投资者情绪引发的证券收益率存在较大的波动，使得证券价格常常偏离基本价值，价格与内在价值的偏差通常通过噪音信息或高频信息表现出来，因此本文将市场信息以及融资融券交易信息进行分解，将这些原始的时间序列数据分解为高频成分和低频成分，以更准确地判断各事件序列之间的关系。由于小波变换具有时频局部化特性和多分辨率特性，使得小波消噪能够在去噪同时保留信号的突变部分，因而可以保留原始信号的特征，因此本文通过小波分析来对信号进行去噪处理，通过在信号的噪声部分进行高频信号的分解，得到融资融券和市场收益信号的高频和低频成分。

（1）

其中yi为含噪的原始信号，为上证指数、深圳指数、市场成交量以及融资融券交易额的原始序列变化率数据，它们分别为ra， rb， rc， rd， re和rf。zi为独立同分布的高斯白噪声，zi～iidN（0，1），σ为噪声水平，信号长度为n。本文将小波分解层数设定为5，用门限阈值对小波系数进行处理，得到原始信号的高频成分和低频成分如图3所示。

图3中，第1-6幅小图分别为ra， rb， rc， rd， re和rf的小波分解结果，原始信号为序列ra， rb， rc， rd ，re和rf的变化轨迹，而低频信号和高频信号分别为小波分解后的低频成分和高频成分。高频信号与原始信号的波动轨迹较为一致，反映出市场收益和成交量以及融资融券交易行为的变化主要由短期因素所驱动，而反映中长期趋势的低频信号则波动较小，表明市场的中长期波动率相对较为稳定。

4. CCC-GARCH模型的参数估计及条件相关系数分析

CCC-GARCH模型不仅涵盖了单变量模型的波动特性，而且可以刻画不同变量间的相关系数，变量间的协方差由常相关系数乘以变量的条件标准偏差形成，在描述变量间相关关系时，CCC-GARCH模型还可以较容易保证正定方差矩阵。设定条件协方差矩阵（Conditional correlation matrix）：

从表1中可以发现，针对原始信号和高频信号的时间序列，CCC-GARCH模型的参数大多在99%的置信水平下显著，模型较好的拟合了原始数据，可以运用构建的CCC-GARCH模型判断融资融券交易与股票市场波动率之间的关系。而对于低频信号，模型的拟合不甚理想。根据CCC-GARCH模型，得到融资融券交易与市场波动之间的相关系数如表2所示。表2第1列中的数字1-6分别代表了上证指数、深圳指数、上海证券市场交易量、深圳证券市场交易量、融资额、融券额的波动率，ρ（i，j）代表了时间序列i和j的条件相关系数。从表2中可以发现，对于不同原始信号、低频信号和高频信号，融资交易和市场信息的相关系数均显著，值得注意的是，虽然一部分基于低频信号数据的CCC-GARCH模型参数不显著，但融资交易与市场波动的相关系数仍然显著。总体来看，融资交易行为与市场收益率的波动和成交量的波动均存在紧密的联系。而融券交易与市场信息的相关系数则有所差异，融券交易与上证指数和深圳指数波动率的关系不显著，而与两个市场成交量的波动率显著相关。国内证券市场的融资融券交易制度虽然已实施，但是多年卖空限制条件下形成的多头（牛市）思维还比较明显，融资交易与融券交易一直呈不对称发展，在样本期，融券周平均交易额为146.47亿元，而融资周平均交易额为1615.88亿元，融券交易额只占到融资交易额的9%，虽然存在制度等客观因素，但投资者对于卖空交易思维的培养还应加强。同时，CCC-GARCH模型的结果还表明：对于不同频率的信号，相关系数的大小也有一定的差异，其中，高频信号之间的相关系数相对更大，且更显著，如对于高频信号，上证指数与融资交易波动率之间的相关系数为0.3299（5.0133），大于原始信号相关系数0.3207（4.9349），也大于低频信号之间的相关系数，同时，基于低频信号的CCC-GARCH模型拟合效果欠佳，实证结论表明融资交易与市场波动之间的相关系数主要由高频信号所驱动，而非反映中长期市场波动状况的低频信息驱动。高频信息通常由市场噪音所产生，这与投资者的非理性交易行为或投资者情绪紧密相连，国内证券市场经过多年的发展已逐渐成熟，但散户比例仍然过高，在融资融券市场，截至2015年6月底，融资融券个人账户高达375.5万户，而机构账户为6464户，在散户占主导的市场中，散户的非理性行为容易导致市场偏差，使得价格偏离证券内在价值，集聚市场情绪因素，导致价格的非理性和大幅波动。此外，在互联网和即时通信工具飞速发展的背景下，投资者更容易受短期短息的驱动，投资者心理变化更趋敏感，这也在一定程度上加剧了融资融券隐含的高频信息对市场波动的影响。

5. 结论及启示

本文运用小波CCC-GARCH模型对融资融券交易与证券市场波动率之间的关系进行了实证检验，研究结果表明融资交易行为对证券市场收益率和成交量的波动均有较显著的影响，而融券交易对市场波动率的影响则不显著，同时，融资交易行为对市场的影响主要由高频信号所驱动，投资者短期非理性行为或噪音交易对市场波动的影响较大。有鉴于此，为了促进证券市场的健康发展，首先应均衡融资融券业务的发展，只有融资融券业务同时发展，其价格发现功能才能更好地发挥，融资或融券业务一类发展过快，可能会导致市场暴涨或暴跌，从而不利于证券市场的稳定。其二，应加快机构投资者的发展，培养理性投资者，理性机构投资者的发展有利于更合理的使用融资融券进行交易，在运用融资融券交易过程中防范风险，降低噪音交易，提高市场定价的准确性，提高市场效率。其三，监管部门应加强投资者风险警示，管理部门应大力加强融资融券业务知识的普及，并对投资者进行充分的风险提示，促使投资者形成正确的投资思维，减少市场的非理性投机行为，从而维护市场稳定。其四，应加强融资融券交易行为数据库的建设，运用大数据分析技术，将市场上融资融券交易的相关数据进行分析，及时掌握市场运行的动态，为市场波动率降低以及市场稳定提供及时准确地决策参考信息。

参考文献

[1] Zhao Zhongkuang， Li Shuqi， Xiong Heping. Short Sale Constraints， Disperse Pessimistic Beliefs and Market Efficiency Evidence from the Chinese Stock Market[J]. Economic Modelling， 2014， 42： 333-342

[2] 肖浩， 孔爱国. 融资融券对股价特质性波动的影响机理研究： 基于双重差分模型的检验[J]. 管理世界， 2014， （8）： 30-43， 187-188.

[3] 李科， 徐龙炳， 朱伟骅. 卖空限制与股票错误定价——融资融券制度的证据[J]. 经济研究， 2014， 10：165-178.

[4] 陈海强， 范云菲. 融资融券交易制度对中国股市波动率的影响——基于面板数据政策评估方法的分析[J]. 金融研究， 2015， （6）：159-172.

[5] 李志生， 杜爽， 林秉旋. 卖空交易与股票价格稳定性——来自中国融资融券市场的自然实验[J]. 金融研究， 2015， （6）： 173-188

[6] 佟孟华， 孟照康. 融资融券交易对我国股市波动性影响的实证研究[J]. 数学的实践与认识， 2015， （24）： 96-107.

[7] 刘志洋， 宋玉颖. 融资融券的系统性风险管理研究.上海经济研究， 2015， （7）： 3-8， 71.

[8] 吴国平， 谷慎. 融资融券交易对我国股市波动性影响的实证研究. 价格理论与实践， 2015， （10）： 105-107

[9] 郑晓亚， 闫慧， 刘飞. 融资融券业务与我国股票市场长期波动性[J]. 经济与管理评论， 2015， （2）： 87-93.

[10] 刘烨， 方立兵， 李冬昕， 李心丹. 融资融券交易与市场稳定性：基于动态视角的证据[J].管理科学学报， 2016， （1）： 102-116.

[11] 黄虹， 张恩焕， 孙红梅， 刘江会. 融资融券会加大投资者情绪对股指波动的影响吗？[J].中国软科学， 2016， （3）： 151-161

[12] Hong H， Stein J. Differences of opinion， short-sales constraints， and market crashes [J]. Review of Financial Studies， 2003， （16）： 487 - 525.

An Empirical Study on the Relationship between Margin Trading Business and Volatility of Security Market based on Wavelet CCC-GARCH Models

Abstract：For understanding the impact of margin trading business on the security market volatility， we use the wavelet CCC-GARCH models to conduct an empirical research by taking the market trading data from April 2， 2010 to July 21， 2016 as the samples. The results show that the margin financing has the significant positive relationship with the return and trading volume volatility of security market， while the influence of short selling is not significant. Meanwhile， the influence of margin trading on market volatility is mostly driven by the high frequency signal， and the irrational behavior or noise trading from investors may cause the high volatility of the security market. For the health development of the security market， the supervisors should balance the development of the margin trading， cultivate the institutional investors， strength the risk warning to investors and construct the database of the margin trading.

Keywords：Margin trading； Market volatility； CCC-GARCH； Conditional correlation； wavelet analysis