蒋进进， 钱军辉(上海交通大学 安泰经济与管理学院，上海 200030)

股指期货交易限制对A股现货市场流动性的影响

蒋进进， 钱军辉
(上海交通大学 安泰经济与管理学院，上海 200030)

研究中金所于2015年8月25日至9月7日出台的一系列股指期货交易限制对A股现货市场流动性的影响。定义一套在涨跌停板制度下依然适用的高频流动性指标，应用双重差分模型，发现相对于非成分股，股指期货成分股流动性在限制措施实施后显著下降。

股指期货；交易限制；买方流动性；卖方流动性

1 引言

2015年8月26日至9月7日，中金所出台了一系列股指期货交易限制措施，包括提高非套期保值仓的保证金、提高手续费、限制日内开仓量等。这一系列政策出台的原因及2015年中国A股市场的概述可参考Qian[1](2016)。本文以这一事件为契机，研究股指期货交易限制对于股票现货市场流动性的影响。

自股票指数期货出现以来，学术界关于其对股票市场影响的争论一直没有停息过。学者们的主要观点大致可以分为两类：支持者认为股指期货作为低成本的风险对冲工具，可以提高现货市场投资者的参与度(Silber[2]1985)，缩窄市场宽度，增加现货市场的流动性(Kumar等[3]1998)，同时期货与现货价格走势的背离会鼓励期现套利投资者们的加入，从而增加现货市场的深度，改善市场流动性(Grossman和Miller[4]1988)；另一部分学者则认为股指期货等金融衍生品会刺激投机交易活动的增加，从而导致现货市场波动性加剧、降低现货市场的流动性(Stein[5]1987)。本文运用中国高频数据和双重差分模型，为关于股指期货理论和政策的争论提供新的实证依据。

2 流动性度量指标

实践中，人人都有流动性的主观感受，但是如何准确测度流动性仍然是一个公认难题。现有的指标主要从市场宽度、市场深度、交易及时性三个维度来衡量市场流动性。刻画流动性较为直接的指标包括最优买卖价差、最优买卖量等。但一方面由于订单簿数据较难获得，另一方面直接指标往往只考虑市场广度或市场深度中某一方面，也有学者提出在某种程度上可以综合度量流动性的间接指标。其中，Amihud[6](2002)提出的非流动性指标(ILLIQ)是实证研究中应用最广的一个。该指标基于非流动性比率，

(1)

针对涨跌停板制度，国内也有学者提出了一些新的流动性测度指标(刘海龙，吴冲锋，吴文锋等[7](2004)，孙云辉(2007)[8]，李泽海和刘海龙[9](2012)，但是这些指标多基于区间成交量、换手率、波动率、收益率等间接数据，不能反映实时的市场流动性。

除此之外，在同样的市场环境下，买方和卖方的处境可能大不相同。例如，在涨停时，买方所面临的流动性显然比较差，无论付出多少额外成本，都无法实现瞬时成交，而相比之下卖方所面临的流动性则显然好得多。考虑到现有流动性测度指标所存在的不足之处，并参照Grossman和Miller(1988)对于市场流动性的定义，即市场流动性是指瞬时成交一定的数量所需要付出的成本，提出一套在涨跌停板制度下仍然适用的高频流动性指标。该指标区别对待买方和卖方所面临的流动性，并同时考虑市场深度和市场宽度对流动性的影响，具体定义j时刻的买方流动性和卖方流动性如下：

(2)

(3)

其中，vs1j和vb1j分别表示卖一量和买一量；s1和b1分别表示最优卖价和最优卖价；spread表示买卖价差，而δ>0是一个技术参数。引入δ是为了解决涨跌停(spread为零)导致的函数无定义问题。考虑到A股股票价格的最小变动单位为0.01，δ合理的取值范围应在(0, 0.01)区间。本文在实际计算买方流动性和卖方流动性时，将δ统一设定为0.001。对买方来说，卖一量(vs1)上升意味着流动性趋好；对卖方来说，买一量(vb1)上升意味着流动性趋好。同时，因为分子上的对数函数，卖一量(买一量)对买方(卖方)流动性的影响是递减的(类似于边际效用递减)。买方和卖方流动性的分母均为(δ+spreadt)/s1t，代表在当前市场条件下，买方想要实现瞬时成交所需付出的额外的相对成本。无论对买方还是卖方，相对买卖价差(δ+spreadj)/s1j)上升都意味着流动性下降，且对流动性的边际影响递减。因此，给出的流动性指标综合考虑了市场宽度和深度，并适用于实行涨跌停制度的市场。

当出现涨停(跌停)现象时，订单簿上只有买价和买量(卖价和卖量)的数据，定义如下：

(1)涨停时，考虑到买方无论付出多少成本都无法实现立即成交，将此刻的买方流动性定义为零，对应到上面关于买方流动性的公式中，假设此时的卖一量为零；同时，由于卖方出售股票能得到的最高价格就是涨停价，也就是买一价，按Grossman和Miller(1988)的定义，代表着卖方不需要付出额外的成本，因此定义此刻的买卖价差等于零，也就是卖一价等于买一价；(2)跌停时，将此刻的卖方流动性定义为零，对应到上面关于卖方流动性的公式中，假设此时的买一量为零，买一价等于卖一价。

3 数据、方法及模型

3.1数据

本文所用数据时间区间为2015年1月1日至2015年12月31日。非高频数据来源于WIND数据库，包含A股市场所有上市公司的流通市值、股东数、前十大股东持股比例的数据；高频数据来源于港澳金融资讯高频数据库，包含A股市场每个交易日所有未停牌股票的五档数据，每天的数据包含每3秒一条的五档盘口、价格以及成交量(若没有成交则没有该时刻的明细数据)。由于原始日内高频数据的采样频率过高，部分小盘股的日内数据长度明显要小于大盘股的数据长度。为减轻小盘股日内数据点缺失较多的影响，本文将采样频率调整为15秒，重新采样后每只股票每天有962条数据。

3.2方法和模型

本文采用双重差分法(Ashenfelter和Card[10](1985))分析股指期货交易限制对现货市场流动性的影响。双重差分法背后的逻辑是这样：受到政策影响的对象(实验组)和另一组未受政策影响的对象(对照组)之间的差异会由于政策的冲击而发生变化，可以通过这两组对象之间差异的变化来估计政策干预的影响。以往也有学者借助双重差分方法研究金融衍生品的出现对标的资产的影响(如Xie和Mo[11](2014)，张根文和田田[12](2016))，假设政策干预只作用于标的股票。本文也将在此前提假设下，比较沪深300和中证500指数成分股和非成分股之间的流动性差异在股指期货交易限制政策出台前后的变化，进而研究股指期货交易限制对股票现货市场流动性的影响。

本文所用的基本模型为：

(4)

其中，Lit表示股票i在t期的日内平均流动性(买方或卖方)；DTt是时间虚拟变量，在政策实施之前取值为0，在政策实施之后取值为1；CSIi是个体虚拟变量，实验组股票取值为1，对照组股票取值为0；Treatit=DTt×CSIi，用于衡量政策出台前后，实验组股票和对照组股票的流动性变化差异，对于实验组的股票，该变量在政策实施之后取值为1，其他情况下取值为0，该变量将是本文所关注的重点；Xit为一组控制变量。根据以往学者(陆静和杨万里[13](2008)，屈文洲, 谢雅璐, 高居先[14](2011)等)的研究结论，我们引入对数收益率(Returnit)、已实现波动率(RVit)、股权集中度(CRit)，以及人均流通市值(MVPSit)作为控制变量。具体而言，Returnit为股票i从t-1期收盘到t期收盘的对数收益率；RVit表示股票i在t期的日内已实现波动率；CRit为股票i在第t期前十大股东持股比例；MVPSit为股票i在第t期的流通市值除以股东数量。Treatit项的系数θ表示限制股指期货交易对股票流动性的影响。

要检验的原假设和备择假设为：

H0：θ=0

H1：θ<0

如果θ显著为负，则表示限制股指期货交易降低了股票现货市场的流动性；反之，则表示限制股指期货交易对现货市场没有影响。

3.3样本配对方法

为得到实验组和对照组，采用Harris[15](1989)、Bae等[16](2004)、Xie和Mo(2014)在研究股指期货推出对于股票波动性影响时所采用的配对方法。同时，为保持实验组和对照组保持稳定(Besley和Case[17]，(2000))，本文在整个样本区间只做一次配对，没有将整个样本区间分成多个时间段分别配对。

在本文的样本区间，沪深300指数成分共经历10次成分调整；其中5次为定期成分调整，中证500指数共有4次定期成分调整，指数成分变化较大。为保持实验组和对照组成分相对稳定，对成分股和非成分股分别做了如下处理：

(1)剔除所有在样本区间上市或退市的股票；

(2)为减少停牌这一因素对研究结果的影响，选择剔除所有连续停牌超过10个交易日的股票；

(3)由于金融股基本上都包含在沪深300指数成分内，且很难找到各方面都与金融股可比的股票，剔除了所有按证监会行业分类属于金融业的股票；

(4)对于指数成分股，只保留在样本区间一直属于沪深300指数成分或中证500指数成分的股票；

(5)对于非指数成分股，剔除所有在样本区间内曾作为沪深300指数成分或中证500指数成分的股票。

经过这些处理之后，得到150只沪深300指数成分股、217只中证500指数成分股以及707只非成分股，共计1 074只股票。接下来，为每个实验组构造相应的对照组，每只实验组的个股需要在对照组中有唯一的个体与之对应。构造对照组的具体过程如下(以沪深300指数成分股和非指数成分股配对为例)：

(5)

(6)

第二步，根据第一步的两个回归方程的回归系数，计算每个成分股股票i和非成分股股票j的距离。参考Harris(1989)等人计算实验组个体和对照组个体距离的方法，将股票i和股票j的距离定义为：

(7)

将150只实验组股票和待选的707只股票的距离转换成一个150 707的矩阵，150个行号对应150支沪深300指数成分股，707个列号对应707只非成分股。

第三步，根据第二步得到的矩阵，做如下循环：如果矩阵的行数不为零，找出矩阵中最小值所在的位置(p,q),则行号p对应的成分股和列号q对应的非成分股配对成功，删除矩阵的第p行和第q列。循环结束后，则150只沪深300指数成分股和选出的150只非成分股一一配对。中证500指数成分股与非成分股配对、沪深300指数成分股与中证500指数成分股的配对方法与此类似。

表1、表2、表3报告了配对后的每组股票对应的变量在政策出台前后的变化情况。指数成分股的流动性在政策出台后是显著降低的，且指数成分股的流动性的变化幅度要大于非指数成分股，沪深300指数成分股的流动性变化幅度大于中证500指数成分股：

表1 第一组各变量政策出台后和出台前的差异

表2 第二组各变量政策出台后和出台前的差异

表3 第三组各变量政策出台后和出台前的差异

4 实证分析

为了检验前面配对的方法是否有效，按如下回归模型将各组股票的流动性(买方和卖方)对四个主要的控制变量、表示每支股票个体的虚拟变量(Si)和表示每个交易日的虚拟变量(Tt)进行回归：

ln(Lit)=β0+∑i=1γiSi+∑t=2θtTt+β1lnRVi+β2Returni+β3lnMVPSi+β4CRi+ui,t

(8)

其中，θt刻画了剔除控制变量影响后的总体流动性水平。图1至图6给出各组θt估计值所组成的时间序列。在2015年9月7日(虚线)之前，各个实验组和对照组的总体流动性都具有相同的趋势，满足双重差分模型关于样本同质性的基本假设。

图1 第一组卖方流动性的时间趋势

图2 第一组买方流动性的时间趋势

图3 第二组卖方流动性的时间趋势

图4 第二组买方流动性的时间趋势

图5 第三组卖方流动性的时间趋势

图6 第三组买方流动性的时间趋势

接下来，将配对后的样本的买方流动性和卖方流动性按方程(4)分别作回归，三个配对股票组的回归结果分别见表4、表5和表6。

表4 第一组的DID结果

表5 第二组的DID结果

表4和表5中，Treat项的系数都显著为负，说明限制股指期货交易措施的出台，显著降低了股票现货市场的流动性；表6中Treat项的系数也显著为负，说明限制股指期货交易对沪深300指数成分股的影响要显著大于对中证500指数成分股的影响。

表6 第三组的DID结果

其余解释变量的符号与以往文献中的研究结论或我们的预期一致。CSI项的系数显著为正，说明指数成分股的流动性比非成分股的流动性更好，且沪深300指数成分股的流动性比中证500指数成分股的流动性更好；ln(RV)项的系数显著为负，说明股票的日内波动率越大，当天的流动性越差，日内波动率越小，当天的流动性越好；对于卖方流动性，Return项的系数显著为正，对于买方流动性，Return项的系数显著为负，这与我们的预期一致。股票价格的涨跌主要是由市场上买方和卖方的力量共同决定的，在一个上涨的市场中，买盘的力量更强，是一个相对有利于卖方的市场，因此卖方流动性会与Return呈现正相关关系；反之，在下跌的市场中，卖盘的力量更强，相对有利于买方，因此买方流动性会与Return呈现负相关关系。ln(MVPS)项的系数显著为正，说明人均持股市值越高，股票的流动性越好；CR项的系数显著为负，说明股权集中度越高，股票的流动性越差。

5 结语

本文研究2015年中金所一系列股指期货交易限制措施对股票现货市场流动性的影响。研究发现，股指期货成分股的流动性相对非成分股在限制措施实施后显著下降，且沪深300指数成分股的流动性受到的影响要显著大于中证500指数成分股。本文的结论支持了Silber，Kumar，Grossman和Miller等人关于股指期货等金融衍生品的存在有利于提高标的资产流动性的结论。从政策角度来看，在股票市场暴跌并发生流动性危机时，限制股指期货交易反而会让现货市场流动性进一步恶化。

[ 1 ] QIAN J. The 2015 stock panic of china: a narrative[J]. Social Science Electronic Publishing, 2016.

[ 2 ] SILBER W L. The economic role of financial futures[M]. Salomon Brothers Center for the Study of Financial Institutes Graduate School of Business Administration, 1985.

[ 3 ] KUMAR R, SARIN A, SHASTRI K. The impact of options trading on the market quality of the underlying security: an empirical analysis[J]. The Journal of Finance, 1998, 53(2):717-732.

[ 4 ] GROSSMAN S J, MILLER M H. Liquidity and market structure[J]. The Journal of Finance, 1988, 43(3):617-637.

[ 5 ] STEIN J C. Informational externalities and welfare-reducing speculation[J]. Journal of Political Economy, 1987, 95(6):1123-1145.

[ 6 ] AMIHUD Y. Illiquidity and stock returns: cross-section and time-series effects[J]. Journal of Financial Markets, 2002, 5(1): 31-56.

[ 7 ] 刘海龙, 吴冲锋, 吴文锋,等. 涨跌幅限制与流动性研究[J]. 系统管理学报, 2004, 13(1):20-26.

[ 8 ] 孙云辉. 中国股市流动性度量指标设计与实证[J]. 统计与决策, 2007(9):17-18.

[ 9 ] 李泽海, 刘海龙. 期货合约流动性度量方法及实证分析[J]. 系统管理学报, 2012, 21(1):29-33.

[10] ASHENFELTER O, CARD D. Using the longitudinal structure of earnings to estimate the effect of training programs[J]. Review of Economics & Statistics, 1985, 67(4):648-660.

[11] XIE S, MO T. Index futures trading and stock market volatility in China: a difference-in-difference approach[J]. Journal of Futures Markets, 2014, 34(3):282-297.

[12] 张根文, 田田. 股指期货对标的指数成分股股价信息含量的影响——基于PSM-DID方法的实证研究[J]. 金融与经济, 2016(11):67-73.

[13] 陆静, 杨万里. 连续竞价市场的股权结构、非对称信息与流动性[J]. 经济管理, 2008(8):10-17.

[14] 屈文洲, 谢雅璐, 高居先. 信息不对称、流动性与股权结构——基于深圳证券市场的实证研究[J]. 南开管理评论, 2011, 14(1):44-53.

[15] HARRIS L. S&P 500 cash stock price volatilities[J]. The Journal of Finance, 1989, 44(5):1155-1175.

[16] BAE S C, KWON T H, PARK J W. Futures trading, spot market volatility, and market efficiency: The case of the Korean index futures markets[J]. Journal of Futures Markets, 2004, 24(12):1195-1228.

[17] BESLEY T, CASE A. Unnatural experiments estimating the incidence of endogenous policies[J]. The Economic Journal, 2000, 110(467):672-694.

TheImpactofStockIndexFuturesTradingRestrictionsonA-shareMarketLiquidity

JIANGJinjin，QIANJunhui
(Antai College of Economics and Management, Shanghai Jiao Tong University, Shanghai 200030, China)

This paper estimates the impact of a series of trading restrictions adopted by CFFE in 2015 on A-share market liquidity We propose a pair of new liquidity measures based on high-frequency data that are applicable under the price-limit system. Applying Difference-in-Difference analysis, we find that the liquidity of stock index component stocks decreased significantly after the implementation of trading restrictions compared with non-component stocks.

stock index futures; trading restrictions; buyer liquidity; seller liquidity

F 832.5

A

2017-04-06

蒋进进(1991—)，男，金融学硕士，研究方向：中国经济。E-mail: jiangjinjinyxt@sjtu.edu.cn.

钱军辉，男，副教授，研究方向：理论计量经济学、货币政策、中国经济等。

1005-9679(2017)05-0028-06