华夏沪深300指数（精选8篇）
华夏沪深300指数 篇1
一、引言
股指期货是指以股价指数为标的物的标准化期货合约。股指期货具有发现价格规避股市系统性风险丰富投资组合增强股市稳定性和流动性等重要作用。2010年2月20日中国证监会有关部门负责人宣布, 证监会已正式批复中国金融期货交易所沪深300股指期货合约和业务规则。2010年2月22日9时起, 正式接受投资者开户申请。公布沪深300股指期货合约自2010年4月16日起正式上市交易。由于我国期指市场虽然起步较晚, 目前仍然发展不成熟, 市场的弱有效性使得系统性风险占全部风险的比重很高, 股票价格极易受到外部冲击和宏观政策变化的影响。因此股指期货的推出改变了我国证券投资单边交易的格局使投资主体和投资模式多元化, 为投资者提供更灵活的管理资产组合的途径, 为其规避现货组合的系统性风险提供了新的金融工具。
二、最优套期保值理论
到目前为止, 学术界和实务界已经提出了多种估计最优套期保值比率的方法, 比如最小方差套期保值比率。
所谓最小方差套期保值比率, 就是指套期保值的目标是使得整个套期保值组合收益的波动最小化的套期保值比率, 具体体现为套期保值收益的方差最小化。可以看到对期货来说, 无论是多头套期保值还是空头套期保值, 套期保值收益的方差σΠ2均为:
式中:σΠ2与σG2分别为现货价格变化ΔH与ΔG远期 (期货) 期货价格变化的方差, σH G为ΔH与ΔG的协方差, σH G为ΔH与ΔG的相关系数。
在最小方差套期保值比率方法下, 最小方差套期保值比率必须使得σΠ2最小化。因此σΠ2对n的一阶导数需等于零, 而二阶导数必须大于零。
从 (1) 式可得:
令, 可以得到令套期保值收益风险最小的最小方差套期保值比率为
也就是说, 期货最小方差套期保值比率等于ΔH和ΔG之间的相关系数乘以ΔH标准差与ΔG标准差的比率。
三、华夏300E T F与股指期货套期保值的实证分析
首先, 选取套期保值期限从2014年6月3日至2014年7月15日的数据, 建立普通O l S模型
令其残差为e赞t, 现在建立误差修正模型, 把不显著的常数项剔除后得到回归方程:
经检验该回归方程可决系数较高, 回归系数均具有显著性。对样本量为31, 一个解释变量的模型, 5%的显著性水平, 查D W统计表可知dL=1.363, dU=1.496, 而模型中D W=2.476>dU, 所以该模型没有自相关。该误差修正模型表明股指期货市场对现货市场的影响为正且较为显著。而误差修正项e赞t-1的系数为负且显著, 说明它在短期内对现货和期货市场起到一个负反馈作用, 并制约着二者的长期变化以达到协整关系。这里运用误差修正模型测算的最优套期保值比率为0.997453。
四、结论
股指期货交易给市场引入了做空机制, 使得投资者的投资策略从买入股票、等待股票价格上升、卖出股票的单向获利模式变为双向投资模式, 让投资者在行情下跌的过程中也能有所为而非被动等待。股指期货交易完善了组合投资方式, 有利于投资者根据自己的风险偏好构筑不同收益/风险水平的投资组合, 合理配置资产, 为投资者提供了根据期货市场和现货市场价差进行指数套利的机会。本文通过运用沪深300股指期货对代表指数型基金华夏300ET F进行套期保值实证分析。通过对比套保前后的资产组合市值可得出现货市场ET F市值亏损2896342元期货市场股指期货盈利3350426元两者相抵最后投资者总共盈利454084元, 资产组合总市值超过不进行套期保值时的3061423.34元。通过以上研究分析, 表明用沪深300股指期货对华夏300ET F基金进行套期保值的效果非常明显。
风险管理是金融投资的重中之重, 股指期货是规避股票市场系统性风险的重要工具, 如何更加有效的利用这一工具尤为重要。进行股指期货套期保值目的在于保值而不在于增值。股指期货引入了做空机制增加了影响市场走势的因素, 投资者的思维模式和投资策略也必须与时俱进, 逐渐由单向思维转向双向思维。本文中的套期保值策略是在大盘下跌的情况下做的, 如果现货市场的华夏300ET F是价格是上涨的, 进行股指期货套期保值策略反而会降低现货市场的盈利。因此, 套保者应当明白, 不是进行套保就一定可以降低风险, 而是应当选择合适的时机, 选择合适的套保比率, 在进行套期保值之前必须明确套期保值的必要性及套期保值的方向, 到底应该是做多还是做空。另外, 套期保值所需的合约数量也关系到套保是否成功的关键因素, 因此确定适当的套期保值比率是投资者盈利保证的重要环节。
参考文献
[1]Johnson LL.The Theory of Hedging and Speculation in Commodity Futures[J].Review of Economic Studies, 1960, 27:139-151.
[2]Keynes John Maynard.A Treatise on Money[M].London:Mac Millan, 1923.
[3]杨伟.我国期货市场套期保值有效性实证研究[J].working paper, 2006.
[4]高辉, 赵进文.沪深300股指套期保值及投资组合实证研究[J].管理科学, 2007, 4:82-92.
沪深300指数期货进入多方模式 篇2
持仓量与大盘的关系，分为空方模式和多方模式。空方模式是“上涨减仓，下跌加仓”。多方模式是“上涨加仓，空方减仓”。
一直到上周五，股指期货走了2个月的空方模式。尤其是上周五的减仓，令人十分惋惜。本周的前4个交易日，大盘的涨跌、4个合约持仓量、IF1312持仓量分别为：+3.33%、-0.69%、+0.53%、-0.61%+6394手、-3690手、+1896手、-2478手+6409手、-5098手、+1013手、-2831手。就这三排数字，已经让人欣慰，2个上涨的交易日持仓量增加，2个下跌的交易日持仓量减少，进入多方模式。我们再看5分钟的持仓量。
周一大涨，持仓量一路跟随着增加。高某在持仓量图画了4根红线。最后一根表示持仓量减少起点非常接近收盘，因为大盘上涨。前3根分别表示，持仓量的峰值对应的都是阶段高点。9点55分，2380.04点，101529手；10点55分，2384.93点，105305手；13点55分，2412.46点，113345手；14点35分，2415.08点，113152手（减仓起点）。由此看，周一是上涨多方加码，没有问题。
周二大盘开平走低，下跌0.69%。持仓量虽然对准低点，也就是下跌加仓，但是峰值不高，而且形成背离（更低的低点，持仓量却没有更高），加上收盘持仓量减少，说明空方加仓量不大。11点10分，2410.91点（早盘最低点），106904手；14点20分，2407.06点（全天最低点），105934手。
周三开高（+0.69%），盘中收黑（-0.24%），终场再拉至上涨0.53%。持仓量是对应着低点，但是峰值不高，空方加仓不大。10点45分，2412.55点（早盘最低点），106058手；13点15分，2408.83点（全天最低点后5分钟，只多出+0.67点），107564手。
周四低开（-0.51%）低走，最多下跌1.73%，但是尾盘拉至开盘价水平，只下跌0.61%。持仓量虽然还是跟着下跌增加，但是峰值没有明显增加，而且收盘持仓量减少，空方加码意愿不大。10点40分，2393.34点（早盘最低点），107457手；13点30分，2387.37点（全天最低点后5分钟，只多出+0.27点），108556手。
拉尾盘让多方天天获利
总计本周前4个交易日，多方天天获利：+27558万元、+6492万元、+2423万元、+4318万元。
周一赚钱很正常。其他三个交易日还能赚钱就十分稀奇，这得益于拉尾盘。例如，周三9点40分就开始亏损，直到14点35分才翻正。周四9点20分就开始亏损，直到14点45分才翻正。但不管如何，赚钱总是好事。
华夏沪深300指数 篇3
关键词：流动性,Martin指标,股指期货
流动性是指金融资产变现的能力, 投资者能够迅速以合理价格进行金融交易, 并且不会导致价格发生显著波动的市场运行态势。流动性高的市场上, 价格能充分地反映市场信息, 投资者很快做出理性决策, 进而促进资源有效配置。
一、数据和指标的选取
在研究流动性的过程中, 学术界对于市场流动性的研究主要有价格法, 交易量法, 价量结合法等。价差法是衡量流动性的一个简便易用的指标, 但价差法实际衡量的是交易成本, 对交易规模并不敏感。交易量法常见的衡量指标有成交量和换手率。这些指标都忽略了价格的变化。价量结合法则同时从价格和交易量两方面来考量, 兼顾到了市场的宽度和深度, 故选取Martin流动性比率作为实证指标。
在交易时间内价格的平稳分布的假设条件下, Maritin指标用每日的价格变化幅度与每日的交易量之比来衡量流动性, 以价格的平方克服了价差正负的变化。Martin指标的计算方法如下:
式中, Mt为Martin流动性比率, pt表示t日股票收盘价, vt表示t日的成交量。Martin指数越大, 表示相等交易量下股价波动越大, 流动性越差。
实证采用沪深300指数从2008年11月3日到2011年9月28日的日收盘数据, 共712个数据, 作为样本数据, 以股指期货上市日为对称分界点。
二、实证检验与分析
由式 (1) 建立如下方程:
式中, Mt为马丁指数, Vmt为日成交量, Varmt为日波动率 (价格方差) , Pmt为日收盘价, D为引入变量, 股指推出之前D为0, 推出之后D为1。
根据Martin流动性指标, 我们对方程进行OLS回归, 并引入虚拟变量D以检验沪深300指数期货推出前后沪深300指数的流动性。结果如下:
LOG (Mt) =-0.164*LOG (Vmt) +0.548*LOG (Varmt) +0.399*LOG (Pmt) +0.855*D-11.890
从表1中的模型估计结果我们可以得出以下结论:
1. ln Pmt在1%的置信度下, 系数为正且高度显著, 表明沪深300指数的流动性和沪深300指数价格成负向关系, 高价格以摊薄固定成本的效益并不明显。
2. ln Varmt在1%的置信度下, 系数为正且市场的波动率非常显著。说明在沪深300指数期货推出后市场的波动率与流动性成负相关关系且显著。
3. ln Vmt在1%的置信度下, 系数为负, 并显著与Martin指标呈负向相关, 也就是说在沪深300指数期货推出后, 沪深300指数的市场流动性与成交量正向相关, 且系数具有显著性。
4. 指数期货推出后引入虚拟变量D在1%的置信度下其系数为正且显著, 即沪深300指数市场的表明股指期货的推出使得市场标的指数沪深300流动性并未得到提高, 相反有些下降。
三、结论与展望
沪深300指数的推出, 并未使得沪深300指数市场的流动性得到明显的提高, 究其原因, 沪深300指数推出时间较短, 可采样的数据量偏少, 另外流动性还受市场微观结构的影响, 以及市场波动性、机构投资者参与程度不高, 投机氛围比较浓重的影响。
参考文献
[1]詹场, 胡星阳.流动性衡量方法之综合评论[J].人文及社会科学, 2001, (11) .
华夏沪深300指数 篇4
2005年4月8日, 沪深两交易所正式向市场发布沪深300指数。以2004年12月31日为基期, 基点为1000点。同年8月25日由沪深两交易所共同出资的中证指数有限公司成立, 沪深300指数由中证指数有限公司管理。自正式发布以来, 沪深300指数已经顺利运行近3年了。同以往指数相比, 沪深300指数编制有了较大改进, 从理论上讲与上证指数相比具有更好的市场代表性和参考价值。
但实际运行过程中, 作为股指期货标的物的沪深300是否已经成为投资者的主要参考指标?其同上证指数之间的关系是什么样的?是否已经取代了上证指数成为中国股市最重要的指标?以及沪深300是否会受到权重股中石油的挟制了, 作为上证指数第一权重股的中石油是否也会造成沪深300的失真?本文旨在通过对沪深300指数与上证综合指数之间的计量分析, 揭示沪深300指数与上证综合指数之间的动态关系。得出的结论是:沪深300指数与上证指数高度相关, 沪深300指数是能够反映市场整体走势的, 是股指期货理想的标的指数。
一、沪深300指数与上证指数关系的实证研究
1. 样本数据的选取。
在综合考虑本文研究需要的情况下, 我们选取了自2008年1月1日至4月23日上证指数与沪深300指数收盘价数据, 建立两个时间数据序列, 其中上证指数的收盘价数据我们命名为是S1, 沪深300指数的为S2。
2. 样本序列的平稳性分析。
为了防止虚假回归情况的发生, 我们在分析之前, 首先对上证指数S1序列与沪深300指数S2序列进行平稳性检验。如果序列自相关系数AC很快地趋于0, 即落入随机区间内, 时间序列是平稳的, 否则不平稳。经检验, 沪深300指数与上证综指都是非平稳的。接着我们采用通用的ADF方法检验。ADF方法为:
假设序列服从AR (P) 过程, 则检验方程为:
检验结果, S1与S2均为不平稳序列, 因此需要进一步进行协整检验。
3. 协整分析。
在上面的分析中, 我们得到S1序列与S2序列都具有不稳定性, 因此并不能直接进行Granger非因果关系检验, 只有两序列之间具有协整关系时, 我们才能进一步对其进行Granger检验。本文采用Johansen极大似然估计法, 对S1与S2之间的协整关系进行检验。检验结果显示, S1和S2在5%的显著性水平下拒绝不存在协整关系的假设, 即S1与S2存在协整关系, 可以进行Granger检验。
4. Granger检验。
Granger检验的前提是两序列必须是平稳序列, 或者他们之间存在协整关系。对所有组内可能的 (yt, ft) , 统计量为具有联合假设的Wald统计量, 联合假设为β1=β2=β=βt=0。上述两个方程的原假设分别是f对y没有Granger影响和y对f没有Granger影响。在前面的分析中我们证明了上证指数S1与沪深300指数S2之间存在协整关系, 因此可以做Granger分析。Granger分析说明了上证指数领先于沪深300指数, 沪深300指数落后于上证指数;上证指数引领着沪深300指数的走势, 而沪深300指数并不能引领上证指数的走势。
5. 方差分解。
在前面的Granger检验中我们已经得到上证指数对沪深300指数有着引领作用, 为了进一步了解这种引领的程度以及刻画上证指数与沪深300指数在价格发现功能中作用的大小, 需要利用方差分解的方法。方差分解是建立在VAR模型的基础上, 用于分析随机扰动对变量系统的动态影响, 把内生变量中的变化分解为对VAR的分量冲击, 从而给出对VAR中的变量产生影响的每个随机扰动的相对重要性。这里我们主要是为了分析上证指数与沪深300指数之间影响程度。在对S1的方差分解中, 上证指数S1对自身预测误差方差的解释程度是比较高的, 而在对S2的方差分解中, 沪深300对自身预测误差方差的解释程度较低, 相反上证指数S1对其解释较好。说明上证指数的变动对沪深300指数有着很大的影响, 上证指数对沪深300的引导力度是较大的。
二、沪深300指数抗操纵性分析
自中石油在内地A股上市以来, 市场对此议论就一直不断。中石油就像在A股市场上投下了一枚重磅炸弹, 不仅众多股票跟随其走势, 就连许多指数也要看中石油的脸色。特别是上证指数, 由于上证指数以样本股的发行股本数为权数进行加权计算, 中石油上市后占到其权重的20%以上, 到现在依旧维持在近15%的权重。
我们以3月7日收盘的数据进行了测算, 在其他股票价格保持不变的情况下, 假定只有中石油股价发生变化, 不考虑涨跌停板的限制, 拉动上证指数上涨1%所需要资金量, 即使是在100%的换手率的情况下, 需要61.2305亿的增量资金量, 况且100%换手率的极端情况一般不会发生, 这就意味着拉动1%的上涨幅度所需的资金量还要少。
沪深300指数的编制采用的是自由流通量加权, 这种方法只考虑自由流通股本, 国有股、战略投资者持有股票及高管股是不计入指数的, 因此有效地分散了权重。以3月7日为例, 中石油在沪深300指数中的权重仅占到1.26%, 直接操控沪深300指数的成本和风险都是较高的, 因此从这个角度来讲利用中石油操作沪深300的可能性是比较小的。
从国际上看, 股指期货上市能否成功, 指数标的的选择至关重要。股指期货标的指数的选取原则主要是:指数有较好知名度和市场认可度, 指数成份股的流动性较好, 具有较好的抗操纵性, 套期保值效果较好, 以及指数编制与管理方法较为科学等。
期货合约的设计必须防止价格操纵行为的发生, 使得期货市场产生的价格能够真实地反映大多数市场人士对价格的看法。为了防止人为操纵指数价格的行为, 股指的股票组合必须包含大量具有较大市值的股票, 而且单一股票的市值占指数总市值的比例不能过高。
沪深300指数的抗操纵性包括两个方面:
1. 成份股本身不易被操纵。
沪深300指数成份股的流通总市值和成交金额大。而且在交易规则上有严格的限制条件, 如闲置账户的仓位数:同一品种单个合约月份单边持仓限额为600手;当某一月份合约市场总持仓量超过10万手 (双边) 时, 结算会员该合约持仓总量不得超过总量的25%。这些都使得成份股的操纵成本高。
2. 成份股的选入选出不易被操纵。
沪深300指数成份股选入标准同时考虑市值和成交金额等因素, 而且对于新股, 除非该股票会影响指数的代表性, 都不能被选入。
综合来看, 沪深300指数有较好的市场覆盖率、行业代表性、市场流动性、投资性和抗操纵性, 很好地具备了作为股指期货标的指数的必备条件。
三、结论与分析
通过上述研究得到结论:由Granger因果关系检验结果得出, 上证指数S1领先于沪深300指数, 沪深300指数落后于上证指数;由方差分解的结果得出, 上证指数的变动对沪深300指数有着很大的影响, 上证指数对沪深300的引导力度是较大的。
沪深300波动率指数的编制方法 篇5
当今世界上用于衡量市场波动率水平最通用的是波动率指数, 波动率指数是基于过去的波动率来预测未来市场上的波动率而编制的指数, 世界上第一个也是最有名的波动率指数是由芝加哥期权交易所于1993年推出的VIX指数, 发展至今该指数已成为衡量美国股票市场波动性的基准指标, 此外投资者还发现VIX指数与股票市场收益率之间具有负相关性。芝加哥期权交易所基于该指数推出了相应的VIX指数期货和VIX指数期权等衍生品, 投资者可以运用这些工具对资产价格的波动率风险进行管理。VIX指数同时也被称为“投资者恐慌指数”, 因为当发生“911事件”和“雷曼兄弟破产”等重大事件时, VIX指数就出现急速上升。目前, 芝加哥期权交易所还将波动率指数的编制范围从股票价格指数延伸到了石油、黄金及货币领域, 世界上其他国家也推出了相应的波动率指数以及相应的衍生产品。
关于波动率的预测, 主要有两种方法, 一种是历史波动率法, 利用过去的信息来预测未来的波动率;另一种是隐含波动率法, 即通过布莱克-斯科尔斯方程 (BS模型) 中期权的价格来倒推波动率。目前我国市场上还尚未推出期权交易, 最后一支权证——长虹CWB1也于2011年8月11日谢幕, 如今含有期权性质就只有可转债了, 但是我国的可转债交易的市场价格偏离理论价格, 这些原因导致我们构造中国的波动率指数时不能像CBOE一样选择隐含波动率法, 于是选择用历史波动率法中的GARCH模型来构造波动率指数。
二、波动率指数的编制方法
(一) 基础指数选择
我们希望构造一个能反映中国股市全貌的波动率指数, 中国的股票市场包括沪市和深市, 因此沪深300指数就是我们的首选, 沪深300指数旨在反映中国证券市场股票价格变动的概貌和运行状况, 同时还能充当投资业绩的评价标准, 是指数化投资和指数衍生产品创新的基础条件。当前沪深300指数样本覆盖了沪深市场六成左右的市值, 具有良好的市场代表性。沪深300指数的基期是2004年12月31日, 基点为1000点。选取从2005年1月4日起发布的每日沪深300指数的收盘价, 然后求其对数收益率, 在计算每日的对数收益率时其值与每日涨跌幅一样。沪深300指数每日收盘价的数据取自大智慧行情软件。
(二) 数据的统计特征
将从2005年1月5日-2013年3月4日沪深300指数每日的对数收益率命名为序列r, 利用Eviews软件, 我们得到时间序列r的描述性统计特征如图1, 其均值近似为0, 存在高峰厚尾以及负偏现象, JB统计量为628, 因此拒绝原假设, 即序列r不服从正态分布。从图2中, 我们发现对数收益率在一段时间内较小 (如第1150个数据以后) , 在一段时期内较高 (如从第500个数据到第1150个数据之间) , 这反映了波动率的集聚现象。
(三) 模型方法与检验
1. 平稳性检验
在运用GARCH模型之前, 需要先检查时间序列数据的平稳性, 选择ADF单位根来进行检验, 其检验结果显示, 序列r的t值为-43, 相伴概率为0, 因此该序列在1%的显著性水平下拒绝原假设, 不存在单位根, 即收益率序列是平稳的。
2. ARCH效应检验
检验ARCH效应主要有两种方法:LM法 (拉格朗日乘数检验法) 和对残差的平方相关图检验。在此选择第二种方法, 即先将序列r去均值化得到残差, 然后观察残差平方的序列相关图, 发现存在自相关, 即序列r存在ARCH效应, 因此可以通过构建GARCH模型来进行波动率预测。
3. 模型方法
我们希望构造从2012年1月4日开始的波动率指数, 因此选择从2005年1月4日-2013年3月4日沪深300指数的收盘价共1972个数据, 然后计算其对数收益率共1971个数据。具体是选择从2005年1月4日-2005年12月30日的数据预测2006年1月4日的波动率, 将这241个数据导入EVIEWS里, 先在最小二乘法下构建均值方程, 然后再选择ARCH方法, 继续选择ARCH—LM检验, F值的相伴概率大于0.05, 所以此时不再存在ARCH效应。
根据前面的分析, 可知为了得到最好的预测能力, 我们应选用动态预测的方法, 如果样本数据过少, 则不适合与GARCH模型的构造, 如果历史数据过多, 又会影响模型的预测能力, 因此选择从2005年1月4日-2005年12月30日的数据预测2006年1月4日的波动率, 从2005年1月5日-2006年1月4日的数据来预测2006年1月5日的波动率, 以此类推进行滚动预测。GARCH模型中的参数分别是长期方差、上一交易日的方差及收益率, 以及每项的权重。通过MATLAB的循环语句, 我们得到了从2006年1月4日-2013年3月4日的沪深300指数的每日方差, 将方差取平方根即为相应的波动率, 共计1730个数据。根据MATLAB得到的详细数据, 每一次的方程最匹配的都是GARCH (1, 1) 模型。
4. 模型拟合
第三步中-已通过对预测波动率的残差进行检验, 发现已不存在ARCH效应, 接下来我们将预测波动率与实际波动率进行对比, 检查两者之间的相关性。实际波动率就是一段时间内沪深300指数日对数收益率的标准差, 其中一段时间我们具体取1年, 也就是说先求出每一年沪深300指数的日对数收益率的均值, 然后求出每一个交易日相应的标准差。上一步我们已求出GARCH模型的预测方差数值, 对其取平方根则为预测的波动率。在EVIEWS中检验实际波动率与预测波动率的相关性, 其相关系数为0.65, 这表明GARCH模型预测的波动率在很大程度上解释了实际波动率。
5. 指数构造
同CBOE的方法类似, VIX指数是将隐含波动率σ放大100倍, 我们对第三步中通过MATLAB得到的预测方差求其平方根, 得到预测波动率, 然后将预测波动率放大100倍。按照指数构造方法, 我们将2006年1月4日设为基期, 将当日的波动率指数设定为基点10点, 然后就得到了我国的波动率指数。接下来, 计算波动率指数的日变化率, 以2006年1月4日的波动率指数日变化率为例, 是用预测出来的1月5日的波动率与用2005年1月4日-2005年12月30日的数据预测的2006年1月4日的波动率之差, 除以1月4日的波动率, 即这个数据我们在1月4日就可以计算出来, 同样的方法求得每日的波动率指数变化率。
三、政策建议
根据上面的分析, 说明在我国当前背景下, 可以编制波动率指数, 成熟市场经验表明, 波动率指数可以用来作为衡量市场风险的指标;可以作为投资者恐慌指数;还可以作为股市变盘的信号参考, 这对投资者和市场都有着重要意义。因此我国应加快推出波动率指数。同时建议我国也能适时推出股票期权类衍生品, 一方面可以丰富市场的产品层次, 提高金融市场的运行效率;另一方面待期权推出后, 可以运用隐含波动率来编制波动率指数, 两种方法相结合, 能更好地反映市场的波动性水平。
参考文献
[1]Robert F.Engle, Autoregressive Conditional Heteroscadasticity with Estimates of the Variance of United Kingdom Inflation[J].Economertrica Vol.50, No.4, 1982 (07) .
[2]郑振龙, 黄薏舟.波动率预测:GARCH模型与隐含波动率[J].数量经济技术经济研究, 2010 (01) .
华夏沪深300指数 篇6
在股票市场中, 人们在选择股票的时候经常采用自上而下的选股策略, 即先确定行业, 再确定具体的个股。由此可见, 如何选择行业是一个很重要的问题。而在选取行业时往往通过大盘所处的阶段来进行筛选。如果大盘处于上扬时期, 那就选一些β值比价高的行业;反之, 如果大盘下跌, 处于熊市时期, 那就选一些比较抗跌的行业, 也就是β值比较低的行业。
在中国的证券市场中, 表示大盘走势用的比较多的是上证指数, 深圳成指中的股票由于不是非常具有代表性, 因此不是非常受关注。但是在深圳市场上还是有一些大盘股的, 比如万科等, 所以说仅仅用上证指数来代表大盘也有些欠妥。而沪深300指数作为一个涵盖了沪深两市大盘股的指数, 在推出之后受到市场的广泛关注, 今年最新推出的股指期货也以沪深300指数为标的, 由此可见用沪深300来代表大盘是具有相当程度的合理性的。
本文试图通过联立沪深300指数及其下属的十个行业指数, 来寻找我国证券市场上的一些高β值和低β值的行业, 以便为投资者提供有用的帮助。
►►二、数据和模型
本文采用的是沪深300以及其下属是个行业指数的收益率数据。用收益率数据来作分析的原因是方便建模, 可以不用进行对数变换。数据的区间是从沪深300指数的创建日2005年1月4日起, 到2010年7月19日为止, 数据来源是wind咨询。
初步建立的模型如下:
r_shsz300=β0+β1r_cailiao+β2r_dianxin+β3r_gongye+β4r_gongyong+β5r_jinrong+β6r_kexuan+β7r_nengyuan+β8r_xiaofei+β9r_xinxi+β10r_yiyao
其中r_shsz300代表沪深300指数的收益率, 而后面的解释变量依次为300材料指数、300电信指数、300工业指数、300公用指数、300金融指数、300可选指数、300能源指数、300消费指数、300信息指数以及300医药指数的收益率。
►►三、实证研究
1.OLS
初步的OLS结果如下
r_sh300=0.17r_cailiao+0.02r_dianxin+0.17r_gongye+0.3r_jinrong+0.1r_kexuan+0.09r_nengyuan+0.05r_xiaofei+0.02r_xinxi+0.02r_yiyao-0.01
通过研究估计方程的系数以及统计量, 可以发现每个解释变量的系数都显著不为零, 而常数项在5%的显著性水平下也不为零。拟合优度R2表明被解释变量的解释程度达到了99%以上。
不过由于数据是时间序列, 因此要进行时间序列的分析, 避免错误的回归结果。
2.单位根检验
对每个解释变量以及被解释变量序列进行ADF单位根检验, 得到的结果发现, 每个解释变量和被解释变量序列都是平稳的。
3.序列相关性
接下来我们考虑残差的序列相关性问题。根据前面OLS得到的结果, DW统计量为1.74, 因此残差很有可能存在着自相关关系。
通过自相关和偏相关系数图可以发现, 残差序列存在着自相关问题。进一步通过观察, 可知存在着AR (1) 特征, 而MA特征不明显。因此, 对原来的模型进行AR (1) 调整。经过AR (1) 调整之后, 模型的DW统计值为2.005542>2, 残差的序列自相关问题得到了很好的解决。
4.异方差问题
首先对经过AR (1) 调整之后的模型进行White检验, 检验结果表明AR (1) 模型没有能够克服异方差问题。而在进行修正之后, 得到的估计结果发现和不修正时系数的估计量没有太大的变化
5.条件异方差
无论是在经过AR (1) 调整之前还是调整之后, 我们都可以从残差的时序图发现, “聚集”效应比较明显, 波动在一段时期内较大, 而在另外一段时间内较小。这说明残差很有可能存在着条件异方差性。
下面我们通过两种方法来验证条件异方差性。首先我们对经过AR (1) 调整后得到的残差序列进行ARCH LM检验, 在2阶滞后时, 检验结果说明残差存在着条件异方差效应。灵位通过自相关和偏相关系数图也可以验证残差存在着异方差性。
为了解决异方差性, 我们建立GARCH (1, 1) 模型, 模型的估计系数如下:
在经过GARCH (1, 1) 模型调整之后, 残差的条件异方差性得到了很好的解决, 无论是残差平方的自相关和偏相关系数图还是ARCH LM检验, 此时的检验结果可以说明不存在条件异方差性。
6.共线性问题
最后我们来考察一下模型的共线性问题。通过各个自变量之间的相关系数可以看到每个自变量之间都存在着明显的相关性, 这是因为各个行业之间的收益存在着相关关系, 因此多重共线性问题也难以解决。
►►四、结论与建议
根据经过GARCH (1, 1) 模型估计出来的系数可以发现, 所有沪深300行业指数的收益率与沪深300指数收益率之间都是正相关的, 其中金融行业的收益率对沪深300指数收益率影响最大, 其次是材料, 工业;而信息行业的影响最小, 其次是电信, 医药。
根据模型的设定, 可以发现, 其实每个行业前面的系数都是行业β值的倒数, 系数越大, β值越小。因此根据模型的结论, 可以发现金融行业的β值最小, 而信息行业的β值最大。在进行投资的时候, 在市场上升时应选择信息行业, 而在市场下跌时应选择金融行业。这在一定程度上和我们已知的现实情况是一致的。
不过本文的模型仍然存在着一定的问题。
首先沪深300行业指数包括的范围偏大, 如300金融指数中包括了银行、券商、保险和房地产等板块, 300材料指数中包括了有色金属、钢铁等板块, 300能源指数中包括了煤炭、石化等板块。要更清晰和更准确地把握各个行业或各个板块与沪深300指数间的关系, 有必要将目前所使用的沪深300行业指数的分类进行进一步的细化, 以达到更精确的效果。
其次, 在沪深300的成份股中, 各个行业的个股数目和所占权重分布不是非常均匀。金融、工业、材料等行业个股数目多, 权重大, 而信息、电信等行业个股数目少, 权重小。这在一定程度上会对模型的预测结果造成误差。这些问题都有待后续研究进行改善。
参考文献
[1]谢为安, 1996:《微观经济理论与计量方法》, 同济大学出版社
[2]高铁梅, 2006:《计量经济分析方法和建模》, 清华大学出版社
[3]Fama E.F.Efficient Capital Markets:A Review of Theory and Empirical.The Journal of Finance, 1970 (25) :383-417
[4]Engle R.F, Granger C.W.J.Co-integration and Error Correction Representation, Estimation and Testing, Econometric, 1987 (55) :251-276
[5]Sharpe, William F. (1964) .“Capital Asset Prices-A Theory of Market Equilibrium Under Conditions of Risk”.Journal of Finance XIX (3) :425-42
华夏沪深300指数 篇7
关键词：印花税,沪深300指数,GARCH
引言
自1990年7月1日深圳证券交易所首次开征证券交易印花税以来, 我国股票市场的印花税经过了九次调整 (如表1) 。由于印花税以买卖、继承、赠与等书立的股权转让书为课税对象, 因此其具有税基单一、税率固定、不能有效的抑制非理性交易对市场的冲击的特点, 因此大部分学者建议改变以印花税为主体的税制结构, 积极推行以证券交易税和证券所得税为主的征税模式。沪深300指数作为股指期货的交易标的指数推出的时间较短, 尚未得到市场的有效检验。而利用实证方法检验印花税调整的影响, 如果能够真实的反映印花税的短期效应则能够说明沪深300指数具有一定的市场代表性, 股指期货的推出的必要条件已经得到一定程度的满足。
一、文献回顾
国外研究文献对于印花税的作用存在差异:Tobin (1984) 和Summers (1989) 认为, 交易税能够降低市场收益的过度波动, 主要原因是增大的交易税费会使市场上的短期投机交易减少;而Umlauf (1993) 采用事件研究法发现印花税导致波动性显著变大, Kupiec (1996) 构造的一般均衡迭代模型表明虽然印花税能够降低风险资产价格的波动性, 但是由于价格波动的下降相互抵消使收益率的波动性反而明显增加。
国内学者研究的方向主要集中在印花税与上证综指和深证综指的波动性和流动性以及股票的价格上, 范南 (2003) 利用对股票市场波动性的研究认为, A股市场的波动性与印花税大体保持一致, 而B股市场则不同;印花税的影响作用上海证券交易所大于深证证券交易所。史永东 (2003) 采用Levene统计量和Brown-Forsythe统计量检验研究了税率调整对市场波动性和噪声波动性的影响, 发现税率下调则导致市场波动性和噪声波动性一定程度的下降, 税率调整的方向和税收收入变化的方向一致, 而对券商佣金收入几乎没有影响。刘红忠 (2007) 借鉴Kupiec (1996) 的一般均衡迭代模型发现上调印花税税率比下调引起的波动性更为显著, 印花税的不对称影响与市场波动自身的变化尚需分离开来进行实证检验。赵海云 (2008) 通过构建虚拟变量和GARCH模型进行长短期的分析, 得到印花税的调整在短期内对股市有效而在长期无明显影响。王晓玲 (2009) 首次提出印花税调整对行业存在差异, 建议采用与股指变动相关联的浮动税率, 真正发挥税收的收入调节作用。
二、实证分析
(一) 实证方法
股票市场的波动具有时变性和高度持续性。波动经常出现集聚现象, 一段时间连续出现较小的波动, 而另一段时间连续出现较大的波动。Granger (1992) 通过实证发现短期的金融资产价格及收益率是不可预测的, 因此使用时间序列技术, 而Bollerslev (1986) 提出采用广义自回归条件异方差模型 (GARCH) 和Engle提出的自回归条件异方差模型 (ARCH) 能够成功的预测资产的收益率。用GARCH模型进行波动率的估计, 实证研究发现在实际的金融市场上, 大部分金融变量的方差具有动态特性, 比如异方差性和聚集现象。GARCH模型在参数较少的条件下优于ARCH模型, 利用GARCH (1, 1) 模型分析可能同时实现两参数都显著, 因此GARCH模型的具体方程为:
均值方程:Yt=βYt-1+ε1
条件差分方程:ht=α0+α1ε2t-1+β1ht-1+D
其中Y为股价指数, D是虚拟变量, 在印花税调整前为0, 调整后则为1。
(二) 数据的选择和来源
鉴于沪深300指数于2005年4月8日正式推出, 数据的选择区间为自2007年5月30日印花税率由1‰上调为3‰至2008年9月18日印花税率改为只针对卖方征收1‰的时间段。通过其他学者的研究可以发现印花税的调整在短期内作用明显, 而经过市场消化印花税的变动效应后市场的趋势不会发生根本性的改变。而由于股票市场的持续低迷2008年度连续调整印花税率, 为区别两次税率调整的不同影响, 我们选择印花税调整日前后30日为数据区间。波动数据用沪深300指数变化的对数与100的乘积表示, 即Rt=100ln (pt/pt-1) 。数据来源于证券之星网站, 通过Eviews软件和excel软件进行实证检验。
(三) 实证结果
1. 描述统计结果
说明:hs代表沪深300指数, 01与02用以区别印花税调整前后, 因2008年有两次调整故共分为4个阶段。
通过描述统计发现印花税调整前后数据分布发生明显的变化:2007年5月30日的印花税调整由于政策公布时间和出乎市场预期的原因造成沪深300指数的大幅波动, 但该政策只是在一周之内发挥其效应, 并没有改变市场快速上涨的整体趋势。而2008年的两次调整因为时间间隔较短造成了政策效应的相互影响, 尤其是2008年9月18日的政策出台的印花税率单向征收, 汇金公司直接进入股市和控制大小非减持一系列的组合拳使市场的波动明显放大。由于统计区间选择30日数据较小可能造成数据分布的误差, 但为研究印花税的短期效应故选择30日数据进行分析。通过描述统计我们可以清楚的发现印花税率调整后的当天的变化幅度最大, 而随着时间的增加效应越来越小。
2007年5月30日印花税率调整的幅度高达67%, 当日跌幅达6.76%, 一周跌幅达15.76%。但沪深300指数的跌幅比上证指数的跌幅较小, 充分体现其成分股以大盘蓝筹股为主的特点, 在市场发生波动时能够有效的缓解, 有利于股指期货交易风险敞口的控制。而在2008年政府的一系列利好消息的推动下沪深300指数的只是在短期内小幅反弹, 并没有逆转市场的长期走势。但印花税的市场预期作用难以利用数据进行检验, 因此, 只针对印花税的短期效应进行波动性的检验。
2. GARCH模型结果
通过检验我们可以清楚地发现D的系数与印花税调整的短期效应相一致, 2007年的暴跌对应于负数系数, 而在2008年的两次调整中以第一次的反映尤其强烈, 系数高达3.00。而ARCH和GARCH的大部分系数在5%的置信区间水平下显著, 能够较好地反映市场收益率的波动。虽然ARCH和GARCH的系数之和满足小于1的约束条件, 但ARCH的系数出现了负数, 这可能是由于市场的大幅波动造成, 使数据的不存在平稳性, 而且2008年两次政策调整的间隔时间较短, 使政策的效力形成了混合, 难以区分两次调整的影响情况。
2007和2008年是中国股票市场涨跌幅度较大的两年。2006—2007两年的牛市不仅使市值总量达到30万亿, 更吸引了一些已经成功在国外上市的大型企业回归A股市场, 而随着股权分置改革的基本完成使市场的交易规模大幅扩大, 再加之2008全球金融危机的冲击, 股票市场出现了不可遏止的暴跌。2008年的两次印花税调整的时期正是中国股市一蹶不振之时, 充分发挥了其短期刺激市场的作用, 更是创下了沪深300指数单日涨幅9.29%的新高。
三、结论
(一) 印花税的短期效应
从短期来看, 印花税调整政策的效果较好。2007年5月30日的调整使当时疯狂的市场得到了短暂的冷静, 股指经过一个月的调整改变了以垃圾股为主要投机对象的状况, 转而以蓝筹股和大盘股为市场拉动的主力, 虽然在外资和金融危机的冲击下, 股市在2008年经历了大幅回落, 但是当时印花税发挥了市场冷静剂的作用。而在2008年的一系列救市措施中印花税的作用尤其突出, 特别是只针对卖方针对印花税使其真正发挥了税收中性的作用, 鼓励投资长期投资, 避免市场的短期投机行为, 引导个人投资者的投资理念, 向证券交易税和证券所得税过渡。
印花税短期作用明显但并不意味着其不存在长期的市场导向作用, 在中国仍以政策市为主导的前提下, 以简单易行而有法律保障的税收政策调整市场的波动能够降低市场监督的成本和提高市场调节的效率。印花税在占国家财政收入的比例越来越大, 确定合理的税率能够保证财政收入的稳定增长, 为中国4万亿刺激内需的政策作保障。这些都无法通过数据反映, 但不能忽视印花税对于股票市场和其他市场的长期导向作用。
(二) 印花税的改革建议
受市场噪声交易影响, 政府应该继续单向征收印花税, 以促进市场效率。波动性意味着不确定, 它和投资者要求的投资回报水平成正向关系。而投资者要求的回报水平意味着投资成本。投资成本的下降, 使更多的潜在的投资项目得到投资, 促进市场效率, 创造更多的就业机会, 促进经济增长。
由于证券市场印花税收入在国家财政收入中的重要作用, 政府应该实行“宽税基, 低税率”的政策, 即在单向收取印花税的同时扩大印花税征税范围。不再使印花税在局限于股票市场, 而推广到企业债券和一级发行市场, 为证券交易税的征税打下基础。一级市场和二级市场交易成本的不同造成两个市场的相互脱节, 印花税代位证券交易税调节二级市场的交易行为已经不能满意市场效率的需要。及早建立与国际接轨并适合中国国情的证券交易和所得税已迫在眉睫。而为提高税收的公平和效率建议推出与股指变动相关联的浮动税率, 类似于国家燃油定价机制的税率动态调节机制, 即当股价指数一段时间内上涨幅度过大时, 就自动征收较高的税率。而当股价指数一段时间内下跌幅度过大时, 就自动按较低的税率征收。这可以增加政策的透明度, 增加市场预期的可信度, 减小股票价格的非理性波动, 真正发挥证券交易税的“自动稳定器”的作用。
(三) 沪深300指数的质量
沪深300指数在三次印花税调整中的表现突出。由于三次调整的方向, 幅度各不相同, 故无法进行同类别的比较, 但其共性是能够在短期内反转市场的走势, 虽然幅度较上证综指和深证综指较小, 但波动性并不受税率上升或下降的不同而作用幅度不同并且收益率的变化明显, 能够体现政策的效力和意图。
沪深300指数在短期内要成为市场认可的代表指数不仅需要研究印花税调整等政府措施对其的影响, 还需要追踪其长期的波动性和流动性水平, 通过更多的实证数据和理论研究判断其市场代表性的优劣程度, 本文仅通过研究印花税调整对沪深300指数的影响发现沪深300指数能够较好反映市场的波动, 并且有效的控制波动性, 使股指期货交易的风险控制在适当的幅度内。
参考文献
[1]赵海云, 刘琢琬.论中国股票市场的政府干预——印花税调整的实证分析[J].金融与经济, 2008, (6) .
[2]范南, 王礼平.中国印花税变动对证券市场波动性影响实证研究[J].金融研究, 2003, (6) .
[3]邵锡栋, 黄性芳, 殷炼乾.印花税调整对中国股市流动性和波动性的影响[J].统计与决策, 2009, (5) .
[4]刘红忠, 郁阳秋.印花税对证券市场波动性影响的不对称性研究[J].税务研究, 2007, (11) .
华夏沪深300指数 篇8
关键词：创业板,VAR模型,Granger因果检验,脉冲响应函数,方差分解
1 引言
2009年10月30日, 深圳创业板 (以下简称创业板) 正式挂牌交易, 其目的主要是作为对主板市场的有效补给, 扶持中小企业尤其是高成长性企业, 为风险投资和创投企业建立正常的退出机制, 为自主创新国家战略提供融资平台, 建设多层次的资本市场体系。随之带来的资金分流和信号作用, 也让创业板对主板市场的影响这一问题浮出水面。
首先在资金分流方面, 创业板以其高市盈率备受关注, 盈利能力和成长空间都受到资本追捧, 加上上市之后沪深大盘的一路疲软, 两者的走势风格迥然相异。今年初以来, 公募基金不耐主板死水一潭, 纷纷进场创业板, 起到了推波助澜的作用。假设证券市场上的活动资金是一定的, 那么投资者捧红创业板的资金必然来自主板市场。而这些资金一旦撤出, 其归属仍是主板。因此正处于聚光灯下的创业板对市场的资金分流作用不可小视。
其次创业板的走势有着重要的信号作用。市场对创业板的预期高涨, 在沪深指数一路下挫的时期, 任何相关信息都可能引起股市的波动, 因此创业板的诞生很可能成为一个重要的信号源头。
关于创业板的设立对股市的波动性影响, 目前国内研究还很少, 认识十分有限, 对该问题的探讨缺乏完整性和系统性, 难以有全面的把握。本文选取了有关时段的沪深300指数和创业板流通市值作为研究对象进行实证分析, 建立沪深300指数对数收益率和创业板指数对数收益率之间的向量自回归 (VAR) 模型, 并利用脉冲响应函数和方差分解技术分析创业板创立对主板市场的影响, 通过数据反映变量之间的动态变化, 揭示两者的结构关系和这种关系的动态变化规律。
2 变量的构造和数据来源
2.1 创业板指数的编制
创业板于2009年10月30日成立, 而目前深圳证券交易发布的创业板指数, 数量达不到建模的要求。因此本文使用流通市值市场占比加权平均的方法编制了自己的创业板指数。
编制方法是:选取第一天, 即2009年10月30日的创业板流通股总市值为基点1000, 其后每一天分别计算流通股总市值并与基点相比, 得到至2010年6月30日共162个数据。
2.2 数据来源
除创业板指数, 本文选取沪深300指数作为证券市场的走势代表。原始数据来自锐思金融数据库。
3 模型设定和实证分析
3.1 平稳性检验
在进行时间序列建模分析之前, 首先对两组指数收益率进行平稳性检验, 避免出现伪回归的现象, 得出错误的结论。对每组数据进行了无飘移项和无截距项的单位根检验, 结果如下表1:
结果表明两组数据都是平稳的时间序列, 适用于VAR模型的建模。
3.2向量自回归 (VAR) 模型的构造
VAR模型由单变量自回归 (AR) 模型推广到由多元时间序列变量组成, 常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态冲击, 从而解释各种冲击对经济变量形成的影响。P阶的VAR模型结构如下:
Xt=A1Xt-1+A2Xt-2+…+ApXt-p+εt
在本文中, 为二维向量, 所含变量分别是沪深300指数对数收益率和创业板指数对数收益率, A1…Ap是待估参数矩阵, εt是随机扰动项, P是滞后阶数, 一般根据似然比检验统计量 ( LR ) 和AIC、SC取值最小的准则确定模型的阶数。
3.3Granger因果检验
Granger因果检验判断一个变量的变化是否是另一个变量变化的原因, 实质上是检验一个变量的滞后变量是否可以引入到其他变量中, 一个变量如果受到其他变量的滞后影响, 则称它们具有Granger因果关系。由于Granger检验对滞后的阶数非常敏感, 为了获得最佳的滞后阶数, 仍然以AIC和SC信息准则为标准, 选取滞后3期作为最佳滞后期。结果显示创业板指数对数收益率为沪深300指数对数收益率的Granger原因, 后者不是前者的Granger原因。
3.4 脉冲响应与方差分解
对两个序列建立VAR模型, 选择3阶滞后阶数, 进行模型平稳性的检验, 即单位根检验。结果显示, VAR模型的全部根的倒数值都小于1, 表明VAR模型的结构是稳定的。
为了弥补Granger检验不能对冲击关系的方向和作用时间长短进行准确判断的缺陷, 本文将利用脉冲响应函数继续对这些问题进行分析。脉冲响应函数是指在随机误差项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所带来的影响, 显示任意一个变量的扰动如何通过模型影响所有其他变量, 最终反馈到自身的过程, 目的是直观地刻画出变量之间的这种动态交互作用。
选择冲击源为创业板指数对数收益率, 响应源为沪深300指数对数收益率, 脉冲响应效果如下图1:
横轴表示冲击作用的滞后期间数, 纵轴表示一个变量对另一个变量的影响;实线代表脉冲响应函数, 即对创业板指数收益率冲击的反应;虚线代表考虑了误差的估计区间。从图中可以看到当在本期给创业板指数收益率一个正冲击后, 沪深300指数收益率有显著的反应。冲击在前3期的影响较大, 但是在第3期正效应变为负效应, 4期以后逐渐减弱;5期后转为正效应, 并随着预测期的增加, 其波动幅度越来越小至基本消失。
根据脉冲响应的结果发现创业板指数收益率的波动会给沪深300指数收益率带来影响, 且这种影响具有持续效应。沪深300指数收益率对该冲击在短期内有显著的反映, 呈现较大幅度的波动, 而长期则趋向平稳。
脉冲响应函数只能定性表示一种变量对另一种变量冲击的反应, 不能定量地把握这种影响的程度。方差分解提供了另外一种描述系统动态的方法, 是将系统中某一个变量的预测均方差分解成其自身变动可以解释的成分和另一变量冲击所带来的影响部分, 记录各自冲击影响的比例, 从而进一步评价不同变量之间影响的相对重要性。
方差分解结果表明, 创业板指数收益率的变动因素主要来源于其自身的市场, 原因是在创业板上市的公司主要为中小企业, 经营风险较大, 对于投资者来说投资风险较大, 而在实际中的现象就表现为价格和收益率较大的波动。而沪深300的总市值占两市绝大的比重, 因此其波动的影响因素主要来自自身因素。
创业板指数收益率对沪指数收益率的影响占到10%, 这与创业板总市值占沪深300所统计股票的总市值大致相同。沪深市场对创业板影响为2%左右。其脉冲响应效果如下:
图2显示创业板受沪深两市的影响有限且波动较小, 持续时间较短。
图3显示创业板对沪深两市的正向冲击非常明显, 在第2期达到最大值, 然后减弱, 在第4期达到最低值, 以后波动逐渐减小。
4 结语
有关于创业板与主板之间的联动关系, 一般的推测是:在没有大量资金同时注入市场时, 创业板的推出必然产生对主板资金的分流作用, 而在创业板推出的初期, 这一分流资金量必然引起很大的冲击。而本文的实证分析发现实际情况是:尽管主板市场的资金量很大, 但其对于创业板的冲击却很微弱;而市值并不是很大的创业板却对主板有比较明显的冲击作用。
由于创业板推出时间尚短, 相关交易、监管机制等仍需不断完善, 而有关于其上市公司的财务、经营等信息的批露方面也存在缺陷。所以有关于主板市场和创业板市场间的联动效应等研究, 也尚待丰富和完善。就本文在实证中得出的结论和发现的问题, 有理由相信随着创业板市值的增加和其整个市场机制的不断改善, 研究创业板与主板的相互影响关系, 必然对增强对整个股市波动的分析和预测提供强有力的信息。
本文存在着几点不足:创业板推出的时间尚短, 数据方面的资料并不完善;在其推出的初期, 市场上的波动偶然性很大, 将会对检验的准确性造成一定影响。
参考文献
[1]李玫, 李晓梅.沪深300与国际股指期货标的指数的比较[J].中国市场, 2010, (5) :56-57.
[2]刑天才, 张阁.中国股指期货对现贷市场联动效应的实证研究[J].财经问题研究, 2010, (4) :48-54.