2024年4月17日发(作者：手机壁纸唯美)

2021年第3期

（总第584期）

JournalofRegionalFinancialResearch

区域金融研究

NO.3，2021

GeneralNO.584

新加坡富时中国A50股指期货的波动溢出

效应研究

霍林黄俊杰

南宁530004）（广西大学，广西

摘要：新加坡富时中国A50是第一只也是境外唯一一只衡量中国A股的股指期货，近年来与A股市场之

间联动效应越来越明显。对此，本文采用2006年9月5日至2020年9月30日数据分析不同时段现货与期货的

价格关系，基于静态非对称BEKK-GARCH模型与动态DCC-MVGARCH模型检验该股指期货与股指现货在不

同频率下的波动溢出效应。实证发现：富时中国A50股指期货和股指现货之间存在长期均衡关系，两者存在双

向价格引导关系和波动溢出效应，但随着数据频率变化，溢出效应的强弱会随着数据频率呈现出“U”型变化趋

势；与此同时，收益波动序列的动态相关性强弱也呈现出“U”型变化趋势，说明新加坡富时中国A50股指期货的

价格发现功能具有一定的时效性。

关键词：富时中国A50；BEKK-GARCH模型；DCC-MVGARCH模型；波动溢出；动态相关性

中图分类号：F832.5文献标识码：A文章编号：1674-5477（2021）03-0021-08

一、引言

2006年9月5日新加坡推出境外首支以中国A

股为标的的股指期货——富时中国A50股指期货（原

名“新华富时中国A50指数”）。由于富时中国A50股

指期货与中国A股市场的交易时间存在差异，富时中

国A50股指期货也被投资者当作中国A股价格走向

的风向标。可见，检验富时中国A50股指期货与股指

现货市场间的价格关系具有重要的现实投资指导意

义。对此当前富时中国A50股指期货对A股市场在

价格引导方面的表现如何？不同阶段的价格关系是

否相同？不同频率的价格波动幅度是否存在显著的

差异？这些问题都有待解决，全球新冠肺炎疫情加剧

了金融市场的波动，若投机资本通过股指期货的杠杆

效应在两个市场之间进行投机，将会加剧中国A股市

场的波动。因此，系统分析新加坡富时中国A50股指

期货与股指现货之间的波动溢出效应，对于投资者对

冲A股的投资风险、市场监管机制建设具有重要的研

究价值。

二、文献综述

从相关文献来看，国内外学者经过研究发现期货

价格能够对市场信息反应迅速，Hasbrouck（1995）发

现期货能够引导市场价格走势，如果这种价格走势趋

于合理，则说明其更具有价格发现功能。为检验这一

功能，国内外学者普遍采用ADF方法对期货和现货

基金项目：国家社科基金重大项目“中国—中南半岛经济走廊沿线综合调查数据库建设”（16ZDA092）

收稿日期：2020-12-30

作者简介：霍林，女，广西柳州人，工学博士，教授，博士生导师，供职于广西大学国际学院，研究方向

为大数据分析、应用经济学。

黄俊杰，男，广西桂林人，广西大学国际学院，研究方向为国际金融。

-21-

金融理论

价格时间序列展开平稳性检验，并通过协整检验决定

模型的选择，对期货与现货进行价格引导关系检验

（Ghosh，1993；谢世清和杨雯婷，2018）。与此同时，有

学者发现期货和现货市场间存在一定的价格波动，而

这种价格波动来自其自身或者其他市场波动的影响。

对此，国内外学者对这种波动溢出效应展开大量的研

究，Engle（1982）提出ARCH模型之后，Bollerslev

（

GARCH

1986）在ARCH模型基础上发展出GARCH模型，

模型。Tao

模型成为学者研究波动溢出效应问题的有力

&Green（2012）基于DCC-TGARCH模型

发现股指期货与现货之间不仅存在波动溢出效应，而

且还存在非对称效应。同时，Karagiannis（2014）发现

期货市场与现货市场之间的传导并不是单向的，而是

会产生双向的波动溢出效应，且不断影响着两个市场

的波动性。

当前学者的研究主要聚焦于股票市场与其他商

品市场之间，在股指期货与现货市场方面的研究结论

大相径庭。陶利斌等（2014）、陈焱等（2013）发现其中

一个重要的原因就是选取数据的频率不同。吴国平

和谷慎（2015）基于日数据研究发现，股指现货市场对

股指期货市场存在波动溢出效应，但股指期货市场对

股指现货市场并不存在该效应。朱莉和高鹏（2016）

基于1分钟高频数据，则发现股指现货市场与股指期

货市场存在双向的波动溢出效应。但田冰等（2019）

研究后发现，股指期货与现货之间的传导也会由双向

波动溢出转为单向的波动溢出。当前对富时中国

A50

析为主，

股指期货的研究文献较少，

同时大多文献是将价格发现与波动溢出功能

且多是基于日数据分

分开研究（武佳薇等，2019）。鉴于此，本文先检验两

者之间价格引导关系，其次再深入分析多频数据下两

个市场的波动溢出效应。

VECM

综上所述，本文的主要贡献在于：一是通过

制度“松绑”

模型与

时期内，

Granger

富时中国

因果检验分析在不同期货交易

A50股指期货与股指现

货之间的价格引导关系；二是为更加精准地量化两个

市场价格波动的交互作用程度与时间特征，运用非对

称的BEKK-GARCH静态模型和DCC-MVGARCH动

态模型多角度分析股指期货与股指现货市场的波动

溢出效应；三是基于5分钟、15分钟、30分钟、60分钟

高频数据以及日数据，对比分析不同频率下的两个市

-22-

《区域金融研究》2021年第3期

场关系差异性，有助于中国国内金融市场的稳定发

展，同时有助于帮助投资者更全面客观地了解两个市

场的价格引导关系以及波动溢出效应，在不同节点采

取不同策略，从而达到套期保值或者投资的目的。

三、研究设计

（一）研究模型

动影响关系，

-GARCH

国内外学者通过采用

模型。针对股指期货价格的波

GARCH类模型展

开研究，模型中的条件方差和条件协方差可以判定这

种波动来源。鉴于此，本文在此基础上，通过两种多

元GARCH模型对富时中国A50股指期货与股指现货

的价格波动深入分析。在前人学者的研究基础上，

Engle

模型能够从静态角度分析两者的波动溢出效应和波

&Kroner（1995）提出BEKK-GARCH模型。该

动持续效应，且需要估计的参数减少。构建收益率时

间序列滞后p阶的向量自回归VAR模型如公式（1）

所示：

p

R

t

=β

o

+

∑

α

i

R

t-i

+ε

r,t

（1）

i=1

R

t

|

Φ

t-1

~N(0,H)

其中，

R

t

为收益率时间序列，

β

o

为收益率均值，

ε

r,t

为收益率的残差项，

H

t

是条件协方差矩阵。

捉数据中的聚集性特征。因此，

Bollerslev（1992）认为GARCH

为分析富时中国

（1，1）可以充分捕

A50

股指期货与股指现货之间的波动溢出效应，本文选择

二元GARCH（1，1），构建BEKK-GARCH模型；由于

股指期货与现货市场中容易出现非对称波动现象，即

负收益往往在下一期的冲击大于正收益带来的冲击，

如果忽略这种非对称效应会对模型的精度产生一定

影响。因此，本文在BEKK-GARCH模型中加入非对

称项，

H

t

则可以进一步设定为公式（2）：

H

t

=C

'

C+A

'

ε

t-1

ε

t-1

'

A+B

'

H

t-1

B+D

'

μ

t-1

μ

t-1

（

'D

2）

上式中，

H

t

=

é

ê

ë

h

é

h

11,t

21,t

h

h

12,t

ù

22,

ú

，

C=

ê

é

ë

c

c

11

21

c

0

ù

22

ú

û

，

A=

ê

ë

α

α

21

α

α

22

ú

û

，

B=

ê

é

ë

b

t

û

1112

ù

b

1112

ù

ú

，

D=

ê

é

d

11

d

12

ù

ú

，主对角线

的

h

b

21

b

22

ûë

d

21

d

22

û

ii

表示收益时间序列的条件方差，非主对角线的

h

ij

表示收益时间序列的条件协方差，

α

ii

和

b

ii

刻画时间

《区域金融研究》2021年第3期

序列受自身ARCH模型和ARCH模型波动的影响；本

文中A和B的对角线参数分别刻画股指期货收益率

序列对股指现货收益率序列的ARCH模型和ARCH

模型的波动溢出效应。由此，

α

本文研究主要通过观察

ij

和

b

ij

是否显著不为0以检验波动溢出效应，若显著

不为0，则说明存在波动溢出效应；

μ

i,t

为非对称项，代

表好坏消息对市场波动的不同冲击，具体表达式为

μ

i,t

=max(ε

i,t

,0)

，i=1或者2，系数矩阵D反映好坏消

息冲击引起的非对称效应大小程度。

GARCH

-MVGARCH模型。由于静态的BEKK-

本文进一步采用

模型无法捕捉到不同市场之间的动态特征，

Engle（2002）提出的动态条件相关模

型（DCC），其后演变成为多元广义自回归条件异方差

模型（DCC-MVGARCH）。DCC模型相对于固定相关

系数的CCC模型，能够测算两者动态协方差矩阵，更

加符合股指期货与股指现货的动态相关性的实际特

征，并能够验证两者的相关性是否随时间变动而变

动。基于BEKK模型中的条件方差与协方差矩阵

H

t

做进一步假设，具体公式如公式（3）所示：

H

t

=D

t

R

t

D

t

（3）

其中，

R

t

为条件相关系数矩阵，

D

t

为条件方差对

角矩阵，基于单变量GARCH模型的时变条件标准差

所构成的对角矩阵如公式（4）~（6）所示：

D

t

=diag(h

it

)

（4）

h

q

2

p

it

=α

i

+

∑

a

1i

ε

t-1

+

（5）

i=1

∑

a

i=1

2i

h

t-j

R

t

=

é

ê

ë

q

1

21,t

q

12,t

ù

ú

（6）

h

1

û

it

为条件方差，

ε

t

~N(0,R

t

)

是收益向量的标准化

残差，

R

t

为标准化收益

ε

t

的条件相关系数矩阵，将

R

t

分解为公式（7）~（8）：

R

t

=Q

*

t

-1

Q

t

Q

*

t

-1

（7）

Q

*

=

é

t

-1

ê

ê

1/q

11,t

0

ù

ú

（

ë

01/q

22,t

ú

8）

û

其中，

Q

t

为标准化残差的时变协方差矩阵，

Q

*

t

-1

为

Q

t

对角元素的平方根矩阵，进一步可以得到DCC

（1，1）模型，如公式（9）~（

Q

t

=

(

1-λ

1

-λ

2

)

Q

ˉ

10）所示：

+λ

1

(

ε

t-m

ε

t-m

'

)

+λ

2

Q

t-1

（9）

金融理论

ρ

ij,t

=

q

12,t

q

（10）

11,t

上式中，

ρ

q

22,t

ij,t

为动态条件的相关系数，

Q

ˉ

为第一阶

段估计得到的标准化残差的非条件协方差矩阵，

Q

*

t

为

对角矩阵，其对角元素为

Q

t

对角元素的平方根，模型

可以保证

R

t

是正定矩阵；参数

λ

1

定整个动态过程，且有

0≤λ

和

λ

2

皆为非负数，决

1

（二

+λ

2

<1

。

指期货与股指现货的数据，

1.数据说明。本文采用新加坡富时中国

）数据的选取和指标说明

数据来自Wind数据库。

A50股

日数据选取区间为股指期货成立日2006年9月5日

至2020年9月30日，基于日数据探索不同时期内的

富时中国A50股指期货与股指现货之间价格引导的

关系；同时以国内关于股指期货“松绑”为关键时间节

点，探究5个不同股指期货与股指现货之间的价格引

导关系。第一次“松绑”是在2017年2月16日，第二

次“松绑”则发生在2017年9月15日，第三次“松绑”

是在2018年12月3日，第四次“松绑”是在2019年4

月

30

22日。此外，选取2020年4月1日至2020年9月

对比分析不同频率下的波动溢出效应。由于富时中

日的5分钟、15分钟、30分钟和60分钟的高频数据

国A50股指期货的交易时间与国内A股交易时间有

所差异，因此本文基于富时中国A50股指现货进行数

据匹配。其中，采用

F

t

表示富时中国A50股指期货的

收盘价，将价格数据对数化处理后得到公式（11）：

LF

t

=In(F

t

)

（11）

S

t

表示富时中国A50股指现货的收盘价，同理将

价格数据进行对数化处理后得到公式（12）：

LS

t

=In(S

t

)

（12）

通过价格序列采用对数一阶差分方式可转化为

收益率

R

f,t

与

R

s,t

时间序列，如公式（13）所示：

R

f,t

=△LF

t

=In(F

t

/F

t-1

)

，

R

s,t

=△LS

t

=In(S

t

/S

t-1

)

（

期货与股指现货的日价格趋势高度一致，

2.描述性统计。如图1所示，富时中国

且不同时期

A50股指

13）

内的波动较大，2014年之后价格序列保持波动上升

的趋势；

A50

差异性，

股指期货与股指现货波动在不同时期具有明显

从收益率的时间趋势图可以看出，富时中国

且都存在一定的波动性聚集。

从表1不难发现，5分钟数据收益序列的方差最

-23-

金融理论

《区域金融研究》2021年第3期

图1富时中国A50股指期货与股指现货日收盘价格与日收益率时间趋势

小，日数据收益序列的方差最大，可见波动剧烈程度

与时间跨度有关；从偏度和峰度来看，收益率序列中

呈左偏状态的只有日收益序列，其他频率的收益序列

均呈现为右偏状态，且最低的峰度系数大于5.485，数

据频率越高，峰度也越高。各时间序列均呈现出明显

的“尖峰厚尾”特征；同时，JB检验结果也表明各收益

率序列与正态分布的假设不符，需采用学生t分布进

行分析；Q检验结果证实部分收益序列波动的长期效

应，ARCH检验也表明收益率序列存在明显的异方差；

ADF的检验结果表明，除日价格外，各收益率序列在

1%的置信水平下均为平稳序列。因此，下文可以采用

表1

数据频率日

LF

t

LS

t

R

f,d,t

变量

数量

336033603359

均值

9.2299.2313.22E-04

方差

0.0760.0760.020

最小值

8.5398.537-0.160

最大值

10.05110.0610.161

偏度

0.2740.273-0.31

峰度

2.8372.83110.456

JB检验45.77***45.64***7835***

Q检验13216***13233***12.359***

ARCH检验263.62***275.83***262.65***

-2.53-2.39-59.86***

ADF检验

（0.001）（0.001）（0.017）

R

s,d,t

3359

3.23E-04

0.018

-0.108

0.092

-0.376

7.293

2658***

18.01***

277.79***

-57.44***

（0.017）

GARCH类模型深入分析各收益率序列波动聚集情况。

四、实证分析

（一）协整检验

本文为进一步判断富时中国A50股指期货与股

指现货价格序列之间是否存在长期稳定关系，由上文

ADF平稳性检验结果可知

LF

t

和

LS

t

为一阶单整，下面

进行检验。本文通过使用AIC、SIC、HQIC信息标准

确定最优滞后阶数为17，并使用Johansen（1988）提出

的MLE方法对VECM模型进行估计，运用VECM模型

采用协整检验对

LF

t

和

LS

t

之间短期与长期均衡关系

各时间序列的描述性统计

5分钟

R

f,5,t

R

s,5,t

59635963

3.18E-053.14E-05

3.00E-062.00E-06

-0.016-0.014

0.0190.020

0.6520.299

16.60723.783

46000***110000***

59.27***157.85***

59.31***41.91***

-78.23***-65.80***

（0.013）（0.013）

15分钟

R

f,15,t

R

s,15,t

18231823

1.04E-041.02E-04

1.04E-058.79E-06

-0.019-0.014

0.0360.034

1.2311.351

16.97317.310

15000***16000***

0.993.17

0.5552.087

-42.82***-42.92***

（0.023）（0.023）

30分钟

R

f,30,t

R

s,30,t

987987

1.81E-041.82E-04

2.06E-051.69E-05

-0.0223-0.014

0.0320.033

0.7020.906

8.1138.927

1156***1580***

7.0834.37

0.2811.404

-32.64***-31.71***

（0.032）（0.032）

60分钟

R

f,60,t

R

s,60,t

499499

3.58E-043.64E-04

4.44E-053.19E-05

-0.034-0.018

0.0290.031

0.1020.250

6.3575.485

235.2***133.6***

52.43*62.78**

20.85***13.29**

-22.24***-20.77***

（0.045）（0.045）

注：括号内为标准误，

***

、

**

、

*

分别表示在1%、5%、10%的置信水平上通过显著性检验。

-24-

《区域金融研究》2021年第3期

金融理论

er原因被拒绝，即说明富时中国A50股指现货引导股

指期货走势。整体而言，成立至今，富时中国A50股

指期货与股指现货价格走势密切相关，两者价格存在

一种双向引导的关系。

（三）BEKK模型下的波动溢出效应检验

基于前文分析，富时中国A50股指期货与股指现

货收益序列均呈现显著的ARCH效应。本文进一步

采用二元的非对称BEKK-GARCH（1，1）模型探究富

时中国A50股指期货与股指现货的波动溢出效应，实

证结果如表4所示。

α

22

和

b

11

、

b

22

的估计结果来看，

从对角元素

α

11

、除

5分钟和60分钟收益波动序列外，其余序列的扰动项

系数

α

11

和

α

22

均在1%的显著性水平下显著，表明富

可以检验富时中国A50股指期货价格与现货价格的

短期以及长期互动关系。Johansen协整检验结果如

表2所示。

表2Johansen协整检验结果

原假设协整

特征值迹统计量

向量个数

没有

0.12931470.7739

**

最多一个

0.001725.7750

**

0.05

临界值

18.17

3.74

最大特征值

0.05

统计量临界值

**

464.998916.87

**

5.77503.74

注：

**

表示在5%置信水平下拒绝原假设。

从表2的结果可以发现，特征根迹检验值和最大

特征检验值都小于5%的置信水平下的临界值，由于

是双变量，即富时中国A50股指期货价格与现货价格

时间序列之间存在一个协整关系。基于VECM模型

估计，可得出协整方程为：

LF

t

=0.034+0.996LS

t

（11）

（0.0028

***

）

上式中的协整方程，协整系数（1，-0.996）近似

（1，-1），这说明富时A50股指期货与股指现货之间存

在长期均衡关系，同时具有较高价格发现效率。

（二）Granger因果检验

基于日价格序列，本文进一步检验不同时期富时

中国A50股指期货与股指现货之间的价格引导关系，

由于Granger因果检验只适用于平稳序列，而

LF

t

与

LS

t

为不平稳时间序列，无法进行Granger因果检验，

时中国A50股指期货与股指现货收益率的波动序列

存在ARCH效应。各波动序列中表示GARCH效应的

b

11

和

b

22

均在1%的显著性水平下高度显著，说明在短

期内，富时中国A50股指期货市场与股指现货市场的

当期收益率会持续受到自身前期波动的影响，前一期

的波动会持续不断地影响本期的收益波动，可见各收

益序列的波动具有较强的时变性和聚集性，富时中国

A50股指期货市场具有一定的市场风险。

α

21

和

b

12

、

b

21

的估计结果来看，

从非对角元素

α

12

、

各序列的参数估计都存在一定差异，15分钟波动序

α

21

分别在10%和1%水平下显著，

列的

α

12

、这表明股

因此需要采取其一阶差分序列

R

f,t

和

R

s,t

才具有解释

意义。Granger因果检验结果如表3所示，在第四次股

指期货政策“松绑”前，富时中国A50股指期货与股指

现货价格存在双向引导关系；但第四次股指期货政策

“松绑”后，在1%的显著性水平下，原假设——富时中

国A50股指现货不是富时中国A50股指期货的Grang⁃

表3

指期货市场与股指现货市场都在相互作用和相互影

响，两个市场具有双向的波动溢出效应。其中，5分

钟波动序列的

α

12

绝对值比

α

21

绝对值大，说明股指现

货市场对股指期货市场的冲击影响程度比股指期货

市场对股指现货市场的冲击影响程度大。但30分钟

富时中国A50股指期货与股指现货的Granger因果检验

原假设

R

f,d,t

不是

R

s,d,t

的Granger原因

R

s,d,t

不是

R

f,d,t

的Granger原因

R

f,d,t

不是

R

s,d,t

的Granger原因

R

s,d,t

不是

R

f,d,t

的Granger原因

R

f,d,t

不是

R

s,d,t

的Granger原因

R

s,d,t

不是

R

f,d,t

的Granger原因

R

f,d,t

不是

R

s,d,t

的Granger原因

R

s,d,t

不是

R

f,d,t

的Granger原因

R

f,d,t

不是

R

s,d,t

的Granger原因

R

s,d,t

不是

R

f,d,t

的Granger原因

R

f,d,t

不是

R

s,d,t

的Granger原因

R

s,d,t

不是

R

f,d,t

的Granger原因

F统计量

20.334**

302.96***

18.703**

267.62***

0.14

3.79

5.49

6.86

12.91***

7.21*

1.83

25.91***

P值

0.016

0.000

0.028

0.000

0.934

0.150

0.358

0.232

0.005

0.065

0.873

0.000

结论

拒绝

拒绝

拒绝

拒绝

接受

接受

接受

接受

拒绝

拒绝

接受

拒绝

引导关系

富时中国A50股指期货与现货价

格存在双向引导关系

富时中国A50股指期货与现货价

格存在双向引导关系

富时中国A50股指期货与现货价

格存在双向引导关系

富时中国A50股指期货与现货价

格存在双向引导关系

富时中国A50股指期货与现货价

格存在双向引导关系

富时中国A50股指现货引导股指

期货走势

时期

成立至今

（2006.9.5-2020.9.30）

成立至股指期货第一次“松绑”

（2006.9.5-2017.2.15）

股指期货第一次“松绑”后至第二次“松绑”前

（2017.2.16~2017.9.14）

股指期货第二次“松绑”后至第三次“松绑”前

（2017.9.15~2018.11.30）

股指期货第三次“松绑”后至第四次“松绑”前

（2018.12.3~2019.4.19）

股指期货第四次“松绑”后

（2019.4.22~2020.9.30）

注：

***

、

**

、

*

分别表示在1%、5%、10%的置信水平上通过显著性检验。

-25-

金融理论

表4波动溢出效应检验结果

数据

频率

5分钟波动15分钟波动30分钟波动60分钟波动

日波动

c

11

*********

（

5.59E-04

5.35E-05）（

7.82E-04

6.87E-05）（

4.53E-03

6.89E-05）（

6.66E-03

***

2.92E-04）（

1.15E-03

***

1.59E-04）

c

21

******

（

-4.78E-05

9.26E-05）（

2.10E-04

4.6E-05）（

3.94E-03

6.72E-05）（

2.96E-03

***

3.68E-04）（

9.88E-04

***

1.54E-04）

c

22

***

（

4.02E-04

6.3E-05）（

-6.84E-07

4.36E-05）（

1.15E-03

***

4.1E-05）（

4.81E-03

***

2.18E-04）（

4.47E-07

***

1.48E-04

α

11

（

-0.004

α

12

（

-0.691

0.024）（

0.288

0.051）（

0.224

0.032）（

0.224

0.094）（

0.647

）

***********

0.043）

***

0.021）（

-0.041

*

0.025）（

0.000

0.03）（

0.0000.012

α

21

（

-0.024

0.054

-0.1740.000

0.099

0.000

）（

-0.448

0.027）

******

α

22

（

0.172

）（0.052）（0.038）（0.115）（0.043）

***

0.025）（

0.130

***

0.027）

0.224

***

0.224

*

0.187

***

b

11

（

0.804

0.026）（

0.606

（0.034）（0.119）（0.030）

******

0.023）（

0.671

***

0.012）（

0.671

***

0.840

***

b

12

（

0.183-0.083

0.034）（0.014）

******

0.0000.000-0.016

*

b

21

0.219

0.039）（1.23E-04）（0.011）（0.043）（0.008）

***

（

b

22

0.470

0.031）（

0.394

***

0.018）（

0.000

0.013）（

0.000

0.055）（

0.139

***

0.014）

***

1.079

***

0.671

***

0.671

***

（0.029）（0.002）（0.012）（

0.996

***

d

11

-0.265

0.034）（0.008）

***

0.046）（

-0.084

***

0.012）（5392.217

0.000

）（39295.439

0.000

）（

-0.144

***

（0.010）

d

12

*

（

0.093

0.052）（

-0.074

***

0.002）（

0.0000.000-0.006

***

d

21

-0.1480.022

3072.574

0.000

）（930045.352

0.000

）（7.32E-04

0.095

）

********

（0.060）（7.23E-04）（8.093）（3427.759）（

d

22

（

-0.246

0.007）

***

0.091）（

0.088

***

0.011）（2022.641

0.000

）（774.987

0.000

）（

-0.042

***

0.003）

注：括号内为标准误，

***

、

**

、

*

分别表示在1%、5%、

10%的置信水平上通过显著性检验。

与60分钟波动序列的

α

12

指期货市场与股指现货市场之间的波动互不影响。

=α

21

=b

12

=b

21

=0

，说明股

除

b

30分钟与60分钟波动序列外，其余波动序列的

12

与股指现货市场都存在跨市场的波动持续性影响，

、

b

21

在1%或10%水平下显著，说明股指期货市场

其

中

b

5分钟波动序列、15分钟波动序列和日波动序列中

21

动持续性影响程度比股指现货市场对股指期货市场

>b

12

，反映出股指期货市场对股指现货市场的波

的波动持续性影响程度大。

b

12

益率波动产生反向影响，

＜0，表明股指现货的收益率波动对股指期货的收

15分钟与日波动序列的

两者关系在日波动序列中则

相反。

从非对称效应的参数

d

11

、d

12

、d

21

结果来看，5分钟波动、15分钟波动与日波动序列的

和

d

22

的估计

大部分参数显著为负，说明股指期货市场和股指现货

市场存在一方的坏消息都比好消息会造成更剧烈的

-26-

《区域金融研究》2021年第3期

波动，总体上看两个市场自身的非对称溢出效应比来

自对方的非对称溢出效应更大。通过对比

d

12

可以发现5分钟与日收益波动序列

和

d

21

的绝对值大小，

中，股指现货市场对股指期货市场的非对称效应比股

指期货市场对股指现货市场的非对称效应大；30分

钟收益波动序列中

d

11

期货市场与股指现货市场之间并不存在非对称效应。

=d

12

=d

21

=d

22

=0

，说明股指

总体而言，股指期货市场和股指现货市场均受到

前期信息冲击，然而，不同频率的波动溢出效应存在

一定差异，信息冲击产生双向波动溢出效应，随着波

动频率变慢而显现一个“U”现象，即5分钟与日波动

序列的双向波动溢出效应比30分钟波动序列强。除

此之外，股指期货市场和股指现货市场也具有双向的

波动持续性影响与非对称溢出效应，随着波动频率变

慢都呈现一个“U”现象，说明随着收益序列波动频率

拉长，富时中国A50股指期货与股指现货的溢出效应

强弱也会发生变动，这表明波动溢出效应存在着明显

的波动频率结构效应。

（四）DCC模型下的动态相关系数

本文进一步引入DCC-MVGARCH模型分析富时

中国A50股指期货与股指现货之间的动态相关程度。

结果如表5所示，在DCC模型估计结果中，回归结果

均满足约束条件（

λ

1

+

λ

2

λ

<1）。除60分钟波动序列的

1

水平下显著，

不显著，其余各序列的参数估计量均在

λ

1%或10%

1

的标准化残差乘积对富时中国

的估计系数相对较小，

A50股指期货与股指

表明滞后一期

现货的动态相关系数影响非常小；

λ

2

于

λ

的估计系数均大

1

有较大的影响，

，表明前期动态相关系数对当前动态相关系数具

说明富时中国A50股指期货与股指现

货受到过去带来的冲击较大，且动态相关性的持续性

较强；

λ

1

态相关性的强弱呈现

+

λ

2

的值随着数据频率变动而变化，

“U”趋势，说明动态相关性强弱

反映出动

具有时效性。

表5DCC-MVGARCH模型部分参数估计结果

数据

频率

5分钟波动15分钟波动30分钟波动60分钟波动

日波动

λ

1

（

0.005

*

0.171

***

0.186

***

λ

2

（

0.931

0.003）（0.032）（0.047）（

0.071

0.044）（

0.142

***

0.012）

***

0.032）（

0.287

***

0.103）（

0.195

***

0.096）（

0.751

***

0.186）（

0.833

***

0.013）

注：括号内为标准误，

***

、

**

、

*

分别表示在1%、5%、

10%的置信水平上通过显著性检验。

《区域金融研究》2021年第3期

金融理论

图2动态相关系数的时序图

进一步观察富时中国A50股指期货对股指现货

的态势变化，考察各时期动态相关系数变化过程。如

图2所示，尽管富时中国A50股指期货与股指现货存

在正相关关系，但是不同频率序列的动态相关性波动

有所差异。从趋势上来看，随着数据频率变慢，股指

期货和股指现货之间的波动变得剧烈。其中，15分

钟与30分钟波动序列的相关性相对较高，均值分别

为0.9561与0.9563，说明股指期货市场和股指现货市

场的波动溢出效应较强；5分钟与60分钟波动序列的

相关性相对较低，均值分别为0.4521与0.4116，说明

股指期货市场和股指现货市场的波动溢出效应与其

他频率序列相比较弱。整体而言，富时中国A50股指

期货引导股指现货的波动，而动态相关系数的平稳性

与数据频率息息相关，且数据频率越慢波动越剧烈，

进一步说明两个市场之间联动存在时间效应，需要观

察波动频率带来的影响。

五、结论

本文对富时中国A50股指期货与股指现货价格

引导关系与波动溢出效应进行深入研究。实证研究

显示：一是从价格引导关系上来看，富时中国A50股

指期货与股指现货之间存在长期均衡关系，两者的价

格走势高度一致，长期以来存在双向价格引导关系；

二是从静态视角分析来看，利用非对称BEKK-

GARCH模型发现富时中国A50股指期货与股指现货

的收益波动存在明显的波动集聚现象，并持续受到自

身前期波动的影响，且两个市场之间相互冲击，存在

双向的波动溢出效应，这些波动溢出效应和非对称溢

-27-

金融理论

出效应都存在明显的波动频率结构效应，即随着数据

频率变化，溢出效应的强弱会发生一定变化，呈现

“

MVGARCH

U”型变化趋势；三是从动态相关性来看，DCC-

性，且随着数据的频率不断变慢，

模型结果显示两个市场存在强烈的持续

动态相关系数波动

越剧烈。因此，投资者可以通过富时中国A50股指期

货判断其现货价格走势，但投资者需要关注价格的时

间结构，不同波动频率内采用不同投资策略。

参考文献

［1］lizedAutoregressiveConditionalHet⁃

eroscedasticity

［2］Bollerslev

［J］.Journal

TChou

of

，

Econometrics

RKronerK.

，

ARCH

1986（31

Modeling

）：207-327.

inFi⁃

nance

nalof

：

［

Econometrics

AReviewof

3］EngleRF.

，

the

1992

Theory

Autoregressive

（1-2）

and

：5-59.

EmpiricalEvidence［J］.Jour⁃

ConditionalHeteroskedasicity

with

Econometrica

EstimatesoftheVarianceoftheUnited

［4］Engle

，1982

R

（

F.

50

Dynamic

）：987-1008.

KindomInflations［J］.

ConditionalCorrelation—ASimple

Class

Econometrica

ofMultivariateGARCHModels［J］.

［5］Engle

，2002

RF，

，20

K

（

F

3）

ariate

：339-350.

JournalofBusinessand

SimultaneousGener⁃

alized

［6

GARCH

］Ghosh

［J

gration

］.EconometricTheory

andError

，1995

Correction

（11）：122-150.

Models：In⁃

tertemporal

nalof

［

Futures

Causality

7］Hasbrouck

Markets

between

J.

，1993

IndexandFuturesPrices［J］.Jour⁃

OneSecurity

，13（2）：

，

193-198.

ManyMarkets：Determining

the

50（

Contributions

4

toPriceDiscovery［J］.JournalofFinance，1995，

［

）：

8］

1175-1199.

ticalAnalysisofCointegratedVectors

-28-

《区域金融研究》2021年第3期

［J］.JournalofEconomicDynamicsandControl，1988（12）：231-

254.

［9］JuanTao，tries，Causality

and

TGARCH-M

CorrelationbetweenFTSE100spotandFutures：ADCC-

ysis，2012（

Karagiannis

24）

Analysis

：26-37.

［J］.InternationalReviewofFinancialAnal⁃

［10］erInvestigationoftheLead-lag

Relationship

andStockindex

inReturns

Futures

and

Early

Volatility

Evidence

between

fromGreece

theSpot

［J］

Market

ScienceElectronicPublishing.2014.

.Social

［11］陈焱，李萍，刘涛.股指期货与现货市场价格的互动、

引导关系研究——基于沪深300股指期货的实证分析［J］.中央

财经大学学报，2013（02）：25-30.

［12］陶利斌，潘婉彬，黄筠哲.沪深300股指期货价格发现

能力的变化及其决定因素［J］金融研究，2014（04）：128-142.

［13］田冰，刘晓雪，胡俞越.投资者关注与沪深300股票

指数及股指期货波动溢出效应的传导研究——基于百度指数

作为投资者关注度指标的考量［J］.价格理论与实践，2019

（01）：96-100.

［14］吴国平，谷慎.中国股指期货和现货市场时变联动与

波动溢出研究——基于DCC-MGARCH-VAR模型的实证分析

［J］.学术论坛，2015，38（10）：66-70.

［15］武佳薇，孙玉奎，杨阳.富时中国A50股指期货对我

国期现货市场的影响——理论分析及实证检验［J］.证券市场

导报，2019（12）：51-59+74.

［16］谢世清，杨雯婷.高频股指期货对现货价格发现功能

的实证检验［J］.统计与决策，2018，34（04）：148-152.

［17］朱莉，高鹏.高频股指期现货市场波动溢出效应研究

——基于EEMD降噪和CCF检验［J］.金融理论与实践，2016

（03）：85-88.

（责任编辑：肖丹然）（校对：PY）