朱莉

(新疆財經(jīng)大學金融學院，新疆烏魯木齊830012)

?

高頻股指期現(xiàn)貨市場多尺度波動溢出效應分析
——基于集合經(jīng)驗模式分解和CCF檢驗

朱莉

(新疆財經(jīng)大學金融學院，新疆烏魯木齊830012)

摘要：為了防范股票市場與股指期貨市場間的風險聯(lián)動，兩市場間波動溢出效應的研究受到了廣泛關注。文章以滬深300股指期現(xiàn)貨市場2014年10月17日—2015年1月9日內(nèi)的1分鐘高頻數(shù)據(jù)為研究樣本，選用EEMD對數(shù)據(jù)進行分解、重構，并結合CCF因果檢驗從三個不同的頻域研究了股指期現(xiàn)貨市場波動溢出效應。研究發(fā)現(xiàn)，在任何頻域下股指期現(xiàn)貨市場間的瞬時波動溢出效應顯著，不同的頻域不同的持續(xù)期波動溢出效應有差異，有時有雙向溢出，有時只有現(xiàn)貨對期指的單向溢出，現(xiàn)貨市場領先時的波動率溢出更強烈，因為現(xiàn)貨市場價格的變化領先于期貨市場，所以現(xiàn)階段兩市場間風險聯(lián)動的防范應該更多地關注股票現(xiàn)貨市場。

關鍵詞：高頻；經(jīng)驗模式分解；CCF檢驗；波動溢出效應

一、引言

從2014年7月開始到2015年的1月，A股市場出現(xiàn)一輪快速的上升行情，特別是在2014年的11月股票市場突破了自2011年以來的階段性高點，達到2600點，隨后在11月21日到12月9日12個交易日漲幅達到了23%，股票市場風險陡然增加。2010年4月我國第一份股指期貨合約上市，截止到2015年4月累計成交金額574.65萬億元，僅2014年總成交金額就達163.14萬億元，在全球股指期貨成交額中排名第二，開戶數(shù)總計23.3萬戶，國內(nèi)期貨總開戶中的30%都是期指，它已經(jīng)成為我國期貨市場最活躍的金融工具之一。因為滬深300股指是滬深300股指期貨合約的標的資產(chǎn)，所以為了防范股票市場與股指期貨市場間的風險聯(lián)動，股指期貨與現(xiàn)貨指數(shù)的波動特征及波動傳遞機制的研究備受學界和各類市場參與者關注。通過對兩市場間波動關系的研究不僅可以深入細致地分析期指的運行效率，確定期指價格發(fā)現(xiàn)功能發(fā)揮的程度，以及對我國獲得股票現(xiàn)貨市場定價權起到多大作用，而且對兩市場間波動關系的把握，可以幫助投資人掌握兩市場間價差的變化規(guī)律，并以此為根據(jù)選定合適的投資策略獲得更好的收益或者規(guī)避風險。

二、文獻綜述

國外學者對股指期現(xiàn)貨市場波動溢出進行了大量研究。Chan[1]以SP500指數(shù)期現(xiàn)貨為研究對象，選用多元GARCH模型分析了兩市場間的波動傳遞效應，找到了證據(jù)證明波動率具有雙向顯著溢出效應。Antoniou和Holmes[2]以FTSE 100指數(shù)期現(xiàn)貨為研究對象，運用GARCH族模型研究了期指推出對標的現(xiàn)貨市場的影響，證實期指價格的變動可以較好地反應標的現(xiàn)貨市場的信息，期指的推出增加了標的股票市場價格的波動，但是總體來看有利于市場價格的穩(wěn)定。Tse[3]以DJIA期現(xiàn)貨為研究對象，選用雙變量EGARCH模型研究波動率溢出效應，研究證實信息溢出在兩個市場間同時存在，期指價格變動對現(xiàn)貨的影響要大于現(xiàn)貨價格變動對期指的影響。Zhong等[4]以墨西哥股指期現(xiàn)貨為研究對象，選用添加了誤差修正項的VECM-EGARCH模型研究兩市場間價格變動的相互關系，發(fā)現(xiàn)由于期指產(chǎn)品的推出，標的現(xiàn)貨市場價格變動更劇烈了，但是期指可以較好地預測標的現(xiàn)貨市場的價格。Kavussanos等[5]以希臘股票指數(shù)期現(xiàn)貨為研究對象，利用VECM-GARCH-X模型估計了市場間的價格變動關系，發(fā)現(xiàn)期貨市場價格的變動會影響現(xiàn)貨市場價格的變動，但是反向的價格變動影響關系不存在。

近年來國內(nèi)學者也對我國股指期現(xiàn)貨市場進行了研究，嚴敏等[6]以滬深300期指仿真交易數(shù)據(jù)為研究對象，選用添加誤差修正項的GARCH族模型和公共因子模型研究發(fā)現(xiàn)，當在一個較短的時間時，有互相的非對稱波動溢出，但是在一個較長的時間時，沒有互相的非對稱波動溢出，在兩市場價格的變化過程中，期指沒有起到引領的作用。劉慶富等[7]以滬深300股指期現(xiàn)貨為研究對象，分別從日內(nèi)和隔夜信息的角度研究波動的相互影響，發(fā)現(xiàn)兩市場間有雙向的風險傳遞，收益具有正向杠桿效應，風險具有反向杠桿效應，一個市場前一天的信息可以對另一個市場第二天的交易價格變動產(chǎn)生顯著的影響，而且股票市場的風險溢出大于股指期貨的風險溢出，期指市場前一天的信息影響其后一天價格的變化。曹海軍等[8]選用多元GARCH模型，分析不同資本凈流入背景下我國股指期現(xiàn)貨市場的風險傳遞及其相互影響，結果顯示，價格的波動在期指市場需要更長的時間來消化，期指對現(xiàn)貨市場的溢出效應更大一些，但是只有股票現(xiàn)貨市場具有杠桿效應。陳創(chuàng)練等[9]以中國、美國、日本及香港股指期現(xiàn)貨為研究對象，分析市場間的信息溢出效應及相關性的時變特征，研究發(fā)現(xiàn)：四個國家(地區(qū))兩市場間均存在雙向均值、波動率溢出效應，新興經(jīng)濟體兩市場動態(tài)相關系數(shù)較小，而發(fā)達國家兩市場動態(tài)相關系數(shù)較大。蔡慶豐等[10]構建了VECM-UJR-DCC-MUARCH-t模型，并實證分析滬深300期現(xiàn)貨市場的動態(tài)波動關系。結果表明：滬深300期現(xiàn)貨市場波動之間整體有較高關聯(lián)性，但相關程度變化不定，在行情上漲時期兩者關系大幅減弱；同時，現(xiàn)貨市場波動對不利沖擊的反應更敏感；現(xiàn)貨市場過去意外沖擊和過去波動都會抑制期貨市場波動，而期貨市場過去意外沖擊和過去波動則會加劇現(xiàn)貨市場波動。

綜合上述，目前文獻多從時域角度來研究股指期現(xiàn)貨間的波動特征及其溢出關系，而忽視了從頻域維度上來研究波動率時變特征，而且在進行溢出因果關系檢驗時通常都采用Granger因果檢驗，該方法可以較好地檢驗線性的影響，但是非線性是時間序列數(shù)據(jù)中常見的問題，所以一般的線性VAR模型不能夠準確地、充分地描述實踐中復雜數(shù)據(jù)的Granger因果檢驗。因此文章在以下三個方面做了一些探索：一是把EEMD引入金融高頻數(shù)據(jù)的處理中。金融高頻數(shù)據(jù)是非線性非穩(wěn)定的數(shù)據(jù)序列，EEMD是一種適合于非線性非穩(wěn)定數(shù)據(jù)處理的方法，而且分解的基函數(shù)來自于數(shù)據(jù)本身，分解后的各個分量可以更好地反應數(shù)據(jù)特性。二是從頻域的角度研究股指期現(xiàn)貨市場的波動溢出。EEMD及其重構把數(shù)據(jù)分解成短周期、中周期和趨勢項，并且都各自有自己的含義。三是采用CCF波動溢出檢驗，該方法可以提高傳統(tǒng)Granger因果檢驗的檢驗效率，而且可以使得波動溢出關系的檢驗延伸到所有滯后階數(shù)下，反應了所有滯后階數(shù)下波動溢出效應的總和。

所以本文運用國際上前沿的時頻分析方法將滬深股指分解為高頻分量、低頻分量和趨勢項三個部分，對其進行結構分析與比較，并采用CCF波動溢出檢驗研究股指期現(xiàn)貨市場間重構分量之間的溢出關系。

三、計量方法

(一)集合經(jīng)驗模式分解

EMD是由Huang[11]等提出，已被廣泛地用于從非線性和非平穩(wěn)數(shù)據(jù)過程中提取數(shù)據(jù)信號。它認為由于數(shù)據(jù)的復雜性，可能在同一時刻共存多種不同的振動模式，EMD可以基于數(shù)據(jù)本身的特征從原始時間序列中提取本質(zhì)模式，然后利用每一個本質(zhì)模式作為一個本質(zhì)模式函數(shù)(IMF)，該函數(shù)滿足兩個條件：一是該函數(shù)極值的數(shù)量和過0點的數(shù)量同樣多或者最多相差一個；二是該函數(shù)是對稱的，對稱軸為時間軸，并且從局部來看，極值的均值為零。這兩個條件保證IMF是一個近似的周期函數(shù)，平均值被設置為零。IMF是一個諧波函數(shù)，在不同的時間變量振幅和頻率不同，在實踐中，IMF通過一個“篩過程”提取。因為EMD進行濾波時的基函數(shù)是根據(jù)信號固有的特點來確定的，篩過程的參數(shù)都是自設定的，人的主觀判斷對濾波的影響降低，所以這種自適應濾波方式使得非線性和非平穩(wěn)的信號在濾波后有用信號得到最大限度的保留。相對于傳統(tǒng)的基于傅里葉分解的頻譜分析，EMD的優(yōu)勢可簡要概括如下：首先，它可以減化數(shù)據(jù)，從非平穩(wěn)和非線性過程轉(zhuǎn)化為簡單的獨立的固有模態(tài)函數(shù)。第二，EMD的分解過程是在極值用“篩”，“篩”的確定來自于數(shù)據(jù)自身的時間特征，它是局部的、自適應的、具體蘊涵和高度高效，這個特性使得EMD不同于小波分析。第三，IMF分量有一個明確的瞬時頻率作為相位函數(shù)的導數(shù)，所以Hilbert變換可以被應用到IMF，允許我們能夠在時間—頻率—能量空間分析數(shù)據(jù)。

早期采用的EMD出現(xiàn)信號分量與IMF分量分類交叉的情況比較多(模式混疊)，即差異非常大的多個信號分量同時出現(xiàn)在一個IMF分量中，或者不同的多個IMF 分量同時包含了同一個信號分量。為了克服這個問題，Wu和Huang[12]提出了EEMD。EEMD認為每一個觀察到的數(shù)據(jù)是真實的時間序列和噪聲的合并，每個獨立觀測收集的數(shù)據(jù)都具有不同的噪聲水平，高斯白噪音的一個典型特性就是頻率分布均勻，當把高斯白噪音添加到含噪信號中時，含噪信號就可以轉(zhuǎn)換為不同尺度上的連續(xù)信號，這一轉(zhuǎn)換使得原始信號極值點的特性改變，抗混分解能力提高，很大程度上解決了模態(tài)混疊的問題。加入白噪聲后的序列在一個IMF中為可比尺度的信號提出了一個在時間—頻率和時間—尺度空間的統(tǒng)一參考框架，然后通過統(tǒng)計平均自行消除。它顯著地降低了模式混疊的幾率，并顯著改善了原有的EMD。從本質(zhì)上來說，EEMD就是在經(jīng)驗模式分解的過程中添加白噪音，基于對白噪音特性考慮，通過集合平均的方式提取數(shù)據(jù)中的真實信號，集合平均是接近真實的時間序列。

EEMD的過程如下

(1)在目標數(shù)據(jù)中添加白噪聲序列。

(2)確定時間系列X′(t)中所有極值。

(4)從時間序列中提取出均值，分別定義X′(t)，m(t)，h(t)，h(t)=X′(t)-m(t)。

(5)檢驗的h(t)屬性。假如它是一個IMF，記是第i個IMF，更換X′(t)的殘差r(t)=X′(t)-m(t)。第i個IMF通常被記為c1(t)，假如它不是一個IMF，更換X′(t)為h(t)；重復1—5步，直到殘差滿足停止標準。

本文借鑒Zhang[13]提出的Fine-to-coarse重構算法的思路，首先分別計算各本征模態(tài)函數(shù)的平均值，然后用t-test依次識別各IMF均值偏離0的顯著性水平，當?shù)谝粋€顯著不等于0的分量均值出現(xiàn)時，那么該分量即為分界點，該分量之前的所有分量可以重構為一個高頻分量，該分量表示較短時間的變化，從該分量開始直到殘差分量之前的所有分量可以重構為一個低頻分量，該分量表示較長時間的變化，殘差項表示長期的變化，這一長期的變化即為趨勢。

(二)CCF(Corss-Correlation-Function)檢驗

(5)

cutut(0)、cvtvt(0)分別為變量ut，vt的樣本方差

cutvt(j)為ut，vt交叉協(xié)方差函數(shù)

j=0，±1，±2……

(6)

四、EEMD分解-重構后不同頻域的特征分析

文章選用2014年10月17日—2015年1月9日內(nèi)的1分鐘高頻交易數(shù)據(jù)，為了構造連續(xù)數(shù)據(jù)，股指期貨合約以當月主力合約為研究對象。剔除不匹配數(shù)據(jù)，每天有241對有效觀測值，整個樣本期59天，共有14 219對有效觀測數(shù)據(jù)。

Wu和Huang[12]認為，在實際運用EEMD時，添加的白噪音的振幅可以確定為原信號標準差的倍數(shù)，集合的次數(shù)可以依據(jù)慣例設定，本文設定白噪聲序列的標準偏差為0.2，集合次數(shù)為100次，IMF分量的數(shù)量為logN，N是數(shù)據(jù)序列的長度(Zhang[11])。經(jīng)EEMD分解得到12個IMF分量和1個殘差，接著對每個分量的均值進行t檢驗，檢驗結果顯示，期指的1-9的分量不接受顯著異于0的假設，從第10個分量開始，接受顯著異于0的假設，即第10個分量為分界分量，則依據(jù)之前的約定，可以把1-9的9個IMF分量重構為高頻分量，即短周期分量，把10-12的分量重構為低頻分量，即中周期分量。標的現(xiàn)貨的信號分解-重構的過程與期指相似，也是以第10個分量為分界點。股指期現(xiàn)貨價格重構后的三個周期(短周期、中周期、長期)的統(tǒng)計特征如表1所示。從表1可以看出，收益率均值除現(xiàn)貨高頻項和期貨中周期項外其余均為正值，在高頻帶上滬深300指數(shù)期現(xiàn)貨尖峰后尾現(xiàn)象較明顯，但是在低頻帶和趨勢項上尖峰厚尾特征現(xiàn)象明顯改善。由JB統(tǒng)計檢驗知所有周期收益率不服從正態(tài)分布的假設。從圖1中也可以看出，圖1a 是IMF1-IMF9重構后的高頻分量，它代表了價格在較短時間的變動情況，可以看出當時間較短時價格變動較頻繁且振幅較小。圖1b為IMF10-IMF12重構低頻部分，低頻數(shù)據(jù)上每一個向上或者向下的運動是重大事件的反應，代表了重大事件的影響。圖1c是殘差項，表示變量變化過程的長期趨勢。觀察可以發(fā)現(xiàn)圖1c中期現(xiàn)貨的趨勢項有兩個交點，因為縱軸表示收益率的大小，所以交叉點前后只表示收益率的相對大小，即在第一個交叉點之前說明現(xiàn)貨的趨勢項收益率大于期貨趨勢項收益率，第一個交叉點到第二個交叉點之間說明現(xiàn)貨的趨勢項收益率小于期貨趨勢項收益率，第二個交叉點之后說明現(xiàn)貨的趨勢項收益率大于期貨趨勢項收益率，這說明現(xiàn)貨對期貨的影響程度較小，因為在絕大部分時間里，當現(xiàn)貨價格上升時期貨的上升幅度小于現(xiàn)貨，當現(xiàn)貨價格下跌時期貨開始時下跌幅度小于現(xiàn)貨，只是在后期很短的一段時間內(nèi)出現(xiàn)期貨下降幅度大于現(xiàn)貨。進一步通過對最高點到達的先后順序的比較可以看出，現(xiàn)貨先到達最高點然后期貨才到達，隨后現(xiàn)貨開始下降，期貨在到達最高點后也開始下降，從長期來看現(xiàn)貨價格的變化領先期貨價格的變化。圖1d是中周期變化與長周期變化之間的關系，可以看出，從中周期來看，價格具有明顯的波動，但是從長周期來看，不論中周期的價格怎樣波動，它始終圍繞長周期的價格在波動，也就是說趨勢項代表了未來價格的變化，長期價格由殘差項的趨勢來反映。

注：F-股指期貨原始數(shù)據(jù)；FH-期指重構后的高頻分量；FL-期指重構后的低頻分量；FR-股指期貨殘差部分；S-股票指數(shù)原始數(shù)據(jù)；SH-股票指數(shù)高頻部分；SL-股票指數(shù)低頻部分；SR-股票指數(shù)殘差部分

五、重構分量的波動溢出檢驗

利用CCF波動溢出檢驗，要先構建GARCH波動率模型，在構建GARCH模型前首先要進行數(shù)據(jù)的平穩(wěn)性檢驗，所以文章對EEMD分解-重構后的三個分量分別進行了單位根檢驗，結果如表2所示。

根據(jù)表2可以看出，股指期現(xiàn)貨的短周期分量與中周期分量在三種情況下的ADF檢驗值都顯著拒絕存在單位根的假設，因此序列平穩(wěn)，可以直接構建ARCH(1,1)均值模型計算標準化波動率。但是長周期分量在任何一種情況下進行ADF檢驗均無法拒絕存在單位根的假設，因此序列不平穩(wěn)，所以進一步對兩個長期分量進行協(xié)整檢驗，檢驗結果如表3所示，一階差分存在協(xié)整關系，因此構建Vecm-bekk-garch模型來計算標準化波動率。

注：ADF檢驗類型(c,t,d)，其中c表示常數(shù)項，t表示線性趨勢項，d表示變量差分階數(shù)。滯后階數(shù)根據(jù)SIC值最小化選取。

分別對股指期現(xiàn)貨相應短周期、中周期波動分量與長期趨勢分量構建CCF模型進行波動溢出的因果檢驗，計算樣本期內(nèi)均值方程20階領先-滯后的交叉相關系數(shù)CCF，結果如表4、5、6所示。就短周期波動分量波動溢出檢驗而言，如表4所示，期現(xiàn)貨市場間的瞬時相關性CCF(0)為0.627 5，即存在顯著的瞬時方差因果關系，即顯著的瞬時風險溢出。當現(xiàn)貨領先期貨1期時，有顯著的現(xiàn)貨到期貨的波動溢出，但是期貨到現(xiàn)貨無顯著溢出，而且隨著領先-滯后階數(shù)的增加期現(xiàn)貨之間無波動溢出。這可能是因為，根據(jù)EEMD降噪的原理，數(shù)據(jù)被EEMD分解為多個IMF分量，這些IMF分量依據(jù)頻率從高到低順序排列，噪音通常較多的分布在頻率較高的分量中，也就說分量中噪音的含量與分量的頻率成正向關系，分量頻率越高則噪音含量越多，所以對于各分量來說，由于交易成本、交易時間差異等微觀市場結構誤差的影響，重構后的高頻分量主要反映的是噪音的波動，期現(xiàn)貨市場噪音波動溢出效應較弱。

注：*表示0.05%的顯著水平

注：**表示0.01%的置信說平下的雙尾檢驗顯著。

注：**表示0.01%的顯著水平下的雙尾檢驗顯著。

就中周期分量的波動溢出檢驗結果來看，如表5所示，期現(xiàn)貨市場間的瞬時相關性CCF(0)為0.174 8且顯著，存在顯著的瞬時收益率的波動溢出，這說明信息在期現(xiàn)貨市場間的傳遞速度較快。在20階的領先滯后檢驗過程中可以看出，兩市場間存在顯著的雙向波動溢出，而且在較長的時間里均有波動溢出，隨著領先滯后階數(shù)的增加，波動溢出效應逐漸減弱。期貨市場領先時的CCF值大于現(xiàn)貨市場領先時的CCF值，說明期貨市場領先時對現(xiàn)貨市場的影響更大，檢驗結果也說明CCF檢驗對波動溢出很敏感。顯著的雙向波動溢出說明兩市場間中期存在較為緊密的互動關系，但是相比較而言期指市場占主導地位。

就長期分量的波動溢出檢驗結果來看，如表6所示，期現(xiàn)貨市場間的瞬時相關性CCF(0)為0.053 1且顯著，即存在顯著的瞬時收益率的波動溢出，這說明信息在期現(xiàn)貨市場間的傳遞速度較快。在20階的領先-滯后檢驗過程中，第5、10、11、12、16階無顯著的期貨向現(xiàn)貨的波動溢出，在第15、17階無顯著的現(xiàn)貨向期貨的波動溢出，在第14階無任何波動溢出，其他階數(shù)都有顯著的期貨向現(xiàn)貨或者現(xiàn)貨向期貨的波動溢出，即雙向波動溢出，而且波動率雙向溢出效應不連續(xù)，波動率的交叉相關性隨領先-滯后階數(shù)的增加無規(guī)律變化。在前13階和18、20階時，現(xiàn)貨市場領先時的CCF值大于期貨市場領先時的CCF值，說明此時現(xiàn)貨對期貨的波動溢出更大，但是在14、15、16、17、19階時期貨市場領先時的CCF值大于現(xiàn)貨市場領先時的CCF值，說明此時期貨對現(xiàn)貨的波動溢出更強烈。所以從總體上來看，現(xiàn)貨對期貨的波動率溢出效應更強烈，這些結論也反映了CCF具有較強的檢驗效果。

注：**表示0.01%的置信說平下的雙尾檢驗顯著。

六、結論

綜合上述可以看出，股指期現(xiàn)貨市場間的波動溢出關系不是單一的，而是隨著價格內(nèi)在波動周期的不同而呈現(xiàn)出不同的變化特征。

(1)各頻域分量的瞬時相關系數(shù)分別為0.627 5、0.174 8、0.053 1，經(jīng)檢驗波動溢出效應很顯著，即表明波動率溢出現(xiàn)象會在兩個市場間快速發(fā)生，一個市場受到信息沖擊發(fā)生價格變化的同時另一個市場會立刻受到影響。

(2)在發(fā)生完瞬時波動率溢出后，短周期分量幾乎再無波動溢出效應，也就是說因為微觀結構噪音導致的波動溢出很快就被市場消化，不會產(chǎn)生持續(xù)的影響。

(3)中周期分量的波動溢出規(guī)律與短周期分量完全不同，兩分量間波動互動關系強烈，且兩個分量間有持續(xù)較長時間的波動溢出，這說明期現(xiàn)貨市場間波動率溢出的影響要持續(xù)較長時間。

(4)對于趨勢分量來說，不同的滯后階數(shù)下存在不同的方差的因果關系，波動率在前4分鐘有顯著的雙向溢出，即不論是期貨領先還是現(xiàn)貨領先，前4分鐘都有波動率的溢出效應發(fā)生，但是在4分鐘之后雙向溢出效應不連續(xù)，期貨領先時有的階數(shù)沒有顯著溢出。通過比較交叉相關系數(shù)可以看出有時現(xiàn)貨對期貨的波動溢出更強烈，有時期貨對現(xiàn)貨的波動溢出更強烈，但是總體上來看，現(xiàn)貨對期貨的波動率溢出效應更強烈，這些結論也反映了CCF具有較強的檢驗效果。

綜合上述，股指期現(xiàn)貨市場間的瞬時波動溢出效應顯著，不同的頻域波動溢出效應有差異，但是總體上來看，隨著領先滯后時間的延長，波動率的溢出有時有雙向溢出，有時只有現(xiàn)貨對期指的單向溢出，現(xiàn)貨市場領先時的波動率溢出更強烈，因為從趨勢項的分析知道現(xiàn)貨市場價格的變化領先于期貨市場，所以現(xiàn)階段兩市場間風險聯(lián)動的防范應該更多地關注股票現(xiàn)貨市場。

從理論上來看，把EEMD應用于高頻金融數(shù)據(jù)的分解，并從三個頻域?qū)芍钙诂F(xiàn)貨市場波動溢出效應進行比較研究，是對高頻波動溢出效應研究視角拓展的有益探索，而且CCF檢驗的引入提高了波動率溢出效應檢驗的敏感性，使得波動率溢出效應的分析具有更好的說服力。從實踐的角度來看，投資人可以從頻域的角度更好地了解在不同周期下兩市場間價格的動態(tài)波動溢出關系，并據(jù)此來調(diào)整自身投資策略，進行套期保值、套利和投機。管理者則可以利用價格在不同周期下的波動溢出關系對我國股指期現(xiàn)貨市場設計市場規(guī)則、交易機制、監(jiān)管方法等市場風險管理政策方面提出相應的對策和建議，從而促使金融衍生品市場健康發(fā)展，對我國宏觀經(jīng)濟的運行提供預警，為政府有關部門提供決策支持，防范市場間的風險聯(lián)動。

參考文獻

[1]Chan K, Chan K C, Karolyi A G. Intraday Volatility in the Stock Index and Stock Index Future Markets[J]. Review of Financial Studies,1991,4(4):657-684.

[2]Antonios A, Phil H. Futures Trading, Information and Spot Price Volatility: Evidence for the FTSE-100 Stock Index Futures Contract Using GARCH[J]. Journal of Banking and Finance, 1995, 19(1): 117-129.

[3]Tse Y. Price Discovery and Volatility Spillovers in the DJIA Index and the Futures Market [J]. Journal of Futures Markets, 1999, 19(8):911-930.

[4]Zhong M, Darrat A F, Otero R. Price Discovery and Volatility Spillovers in Index Future Market: Some Evidence from Mexico[J].Journal of Banking and Finance, 2004, 28(12): 3037-3054.

[5]Kavussanos M G, Visvikis I D, and Alexakis P D. The Lead-Lag Relationship Between Cash and Stock Index Futures in a New Market[J]. European Financial Management, 2008, 14(5):1007-1025.

[6]嚴敏,巴曙松,吳博.我國股指期貨市場的價格發(fā)現(xiàn)與波動溢出效應[J].系統(tǒng)工程,2009,27(10)：32-38.

[7]劉慶富，華仁海.中國股指期貨與股票現(xiàn)貨市場之間的風險傳遞效應研究[J].統(tǒng)計研究，2011,28 (11):84-90.

[8]曹海軍,朱永行.中國股指期貨與股票現(xiàn)貨市場的風險溢出和聯(lián)動效應：資本流動三階段背景的研究[J].南開經(jīng)濟,2012(2):67-84.

[9]陳創(chuàng)練，黃躍. 股指期貨與現(xiàn)貨市場溢出效應及動態(tài)關系研究——基于中、美、日、香港等市場的實證分析[J]. 宏觀經(jīng)濟研究，2014(6):113-123.

[10]蔡慶豐，郭俊峰，陳耀輝. 滬深300期現(xiàn)貨市場動態(tài)波動關系研究:基于VECM-GJR-DCC MGARCH-t模型的視角[J]. 管理系統(tǒng)學報，2015(3):209-214.

[11]Huang N E, Shen Z, Long S R, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceedings of the Royal Society A. Mathematical. Physical and Engineering Sciences, 1998, 454(1971): 903-995.

[12]Wu Z H, Huang N E. A Study of Characteristics of White Noise Using the Empirical Model Decomposition Method[J].Proceedings of the Royal Society of London, 2004, 460(2046): 1597-1611.

[13]Zhang X, Lai K K, Wang S Y. A New Approach for Crude Oil Price Analysis Based on Empirical Mode Decomposition[J].Energy Economics, 2008, 30(3):905-918.

[14]Cheung Y, Ng W LK. A Causality-Invariance Test and Its Application to Financial Market Prices [J].Journal of Econometrics, 1996, 72(1):33-48.

[15]李紅權,洪永淼,汪壽陽.我國A股市場與美股、港股的互動關系研究:基于信息溢出視角[J].經(jīng)濟研究.2011,(8):15-25.

責任編輯廖筠

An Analysis of Spillover Effect of the High-Frequency Stock Index Future-Spot Market’s Multi-Scale Volatility——Based on the EEMD and CCF Test

ZHU LI

(School of Finance, Xinjiang University of Finance and Economics, Urumqi 830012, China)

Key words：high frequency; empirical mode decomposition; CCF test; volatility spillover effects

Abstract：In order to prevent the risk of linkage between the stock market and stock index futures market, volatility spillover effect between the two market are concerned. Based on the 1 minute high frequency data from CSI 300 stock index future-spot market from October 17, 2014 to January 9, 2015, this paper chooses EEMD to decompose and reconstruct the data, and combining the CCF causality test, studies the future-spot market volatility spillovers from three different frequency domains. The study found that, at any frequency domain there is significantly instantaneous stock volatility spillover between the future-spot markets; as the extension of lead-lag time, there are differences volatility spillover effects in different frequency domains. Sometimes there is bidirectional volatility spillover, and sometimes there is only one-way overflow from spot to futures. The spot market volatility spillover is more intense when it leads, because the spot market price changes ahead of the futures market, so at the present stage, we should pay more attention to the stock spot market when we are trying to prevent the risk linkage between the two markets

收稿日期：2016-04-03

基金項目：國家自然科學基金項目(71261024)；新疆自治區(qū)普通高校人文社科重點研究基地社會經(jīng)濟統(tǒng)計研究中心招標課題(050315C05)；新疆財經(jīng)大學校級課題(2015XYB018)。

作者簡介：朱莉，女，新疆財經(jīng)大學金融學院講師，中央財經(jīng)大學金融學院博士生，主要從事風險管理和信息溢出研究。

中圖分類號：F830

文獻標識碼：A

文章編號：1005-1007(2017)07-0104-10