Machine Translated by Google
数量金融
ISSN：
（印刷版）
（在线版）
期刊主页： www.tandfonline.com/journals/rquf20
尾部风险规避与股指期货现货升水
Jufang Liang, Dan Yang & Qian Han
引用本文：
梁菊芳、
杨丹、
韩谦（2024年4月12日）：
股指期货尾部风险规避与现货溢价，
量化金融，
DOI：
10.1080/14697688.2024.2330612
链接到本文： https://doi.org/10.1080/14697688.2024.2330612
查看补充材料
在线发布：
2024 年 4 月 12 日。
将您的文章提交至本期刊
查看相关文章
查看十字标记数据
完整的访问和使用条款和条件可在https://www.tandfonline.com/action/
journalInformation?journalCode=rquf20找到
Machine Translated by Google
量化金融， 2024 https://doi.org/
10.1080/14697688.2024.2330612
尾部风险规避与股指期货现货升水
JUFANG LIANG †, DAN YANG† and QIAN HAN‡*
†湖南大学金融与统计学院，
湖南省长沙市岳麓区石家冲路109号，
邮编：
410079
People’s Republic of China
‡Lingnan College, Sun Yat‑Sen University, 135 Xingang Xi Road, Haizhu District, Guangzhou, Guangdong 510275,
中华人民共和国
（2023年1月26日收到；
2024年3月7日接受；
2024年4月12日在线发布）
我们发现，
尾部风险厌恶（以上证 50 ETF 期权市场隐含的偏度风险溢价为代表）
在很大程度上解释了 2015 年中
国股市崩盘期间股指期货异常严重的逆价差，
而非同步等传统因素交易、
现货收益、
波动性和流动性，
都无法解释现
货溢价。
这些实证结果表明，
投资者对崩盘风险的担忧导致投机者向套期保值者收取高额“保险费”。
另一方面，
卖空限制，
即高安全借贷成本和其他障碍，
阻碍了反向套利，
导致股指期货的深度现货溢价持续存在。
关键词：
期货基差；
偏度风险溢价；
尾部风险规避
JEL 分类： G13、
G14
“对冲机会是投机者提供的一项有价值的服务，
他们期望获得财务回报，
而这种回报
IC、
IF 和 IH 分别为 ‑15.08%、‑12.72% 和 ‑10.48%。
从另一个角度来看，
2015年6
确实是赚取的。
以这种方式表述，
这与经纪人或理发师期望通过他们的职业谋生并且
月26日至9月30日的平均基数分别达到‑5.24%、‑3.90%和‑2.71%，
这是合约推出以
通常这样做的主张没有什么不同。 “投机者的回报：
特尔瑟与凯恩斯”，
Paul H.
来从未出现过的情况。
这些非同寻常的负基数引起了监管机构和投资者的广泛担忧，
因为即使平均基差为‑3%，
也意味着展期的年化对冲成本高达36%！
库特纳，
《政治经济学杂志》，
1960 年。
股指期货因其深度现货溢价和极高的交易量，
被监管部门和一些媒体指责为市场
崩盘的罪魁祸首。
在监管部门和社会公众的双重压力下，
中金所于2015年8月25日宣
一、
简介
布，
自8月26日起，
将采取两项措施遏制股指期货市场投机交易。
中国金融期货交易所（CFFEX）
于2010年4月16日推出沪深300指数期货合约（IF），
5年后又推出中证500指数期货合约（IC）
和上证50指数期货合约（IH）。 2015年
股灾期间，
股指期货市场交易量快速增长，
IC合约屡屡触及‑10%的日跌停板。
首先，
单日持仓总量超过600张合约的，
将被视为异常交易，
并予以处罚。
受到更严格的审查。
二是日内交易清算费用上调至1.15个基点。
更有趣的是，
自6月25日起，
三种不同期限的股指期货合约均出现了持续的深度现
货溢价。 2015 年 9 月 2 日，
所有最近到期合约的月基数（以期货价格和现货价格
之间的对数差值表示）
为
随着危机进一步发展、
政府救助措施效果迅速减弱，
9月2日，
中金所宣布又一轮
遏制期货市场投机交易的措施。
自9月7日起，
任何单日非对冲交易
＊通讯作者。
邮箱： hanq37@mail.sysu.edu.cn
© 2024 Informa UK Limited，
以 Taylor & Francis Group 名义经营
Machine Translated by Google
2
J.梁等人。
超过10份合同将被视为异常。
此外，
日内交易的清算费用将从1.15个基点大幅调整至
35% 的预测误差差异可分别归因于 IC、
IF 和 IH 合约的 SRP。
这些结果对于 VAR 模
23个基点。
经过这两轮措施，
我国股指期货交易几乎陷入停顿。
型中的变量顺序和涵盖 COVID‑19 病毒传播的不同样本来说是稳健的。
用 iVIX‡ 代
替SRP 表明 iVIX 对负基数的解释力比 SRP 弱得多。
尽管做出了这些努力，
股指期货的负基数仍持续到了 2015 年底。
所有股指期货合
约中这种深度且持续的负基数在全球期货市场上非常罕见，
因为套利者通常会介入
并从负基数中获利。
基础。
在本文中，
我们旨在了解这种独特现象的原因。
为了测试这些影响是否普遍存在或仅在市场动荡期间存在，
我们使用多分位数条
件自回归风险价值（以下简称 MVMQ‑CAViaR）
的多元版本，
并扩展我们的样本以估
计尾部依赖性从长远来看，
建议零售价 (SRP) 和基础价格之间的关系。 MVMQ‑
CAViaR 模型的结果表明，
股指期货基准与 SRP 之间存在显着的尾部依赖性，
而这种
依赖性在内生变量分布的中心（即 0.5 分位数处）
并不存在。
总体而言，
我们的结果
文献记载了许多可能导致股指期货基差变化的因素。
当预期股息收益率超过无风
表明，
只有当尾部事件发生时，
尾部风险溢价的增加才会导致股指期货现货溢价
险利率时，
经典的持有成本模型表明存在负基差。 Harris (1989)、 Antoniou 和
Garrett (1993)将指数价格扭曲归因于非同步交易。
陈等人。 (1995)认为现货收益
波动性是1987年美国市场崩盘期间出现负基差的重要因素。
罗尔等人。 （2007）
表
明，
现货和期货市场的流动性影响套利的便利性，
进而影响基差动态。
发生。
本文适合关于不完全市场中对冲压力对衍生品定价的作用的文献。
在经典的持有
成本模型中，
完整市场的假设意味着期货和现货价格之间存在稳定的关系。
我们的第一步是测试这些有据可查的因素对中国期货市场的解释力。
当指数成分
股涨停、
停牌等非同步交易可能导致指数失真时，
我们构建了一种隐含股指期货基差
即使存在交易成本，
基差也应保持在狭窄的无套利范围内。
然而，
我们的实证结果证
公允价值的方法。
我们还以现货波动性和市场流动性作为解释变量进行各种回归分
明，
如果市场不完整，
持有成本模型对于股指期货定价将是失败的，
更具体地说，
在现
析。
令我们惊讶的是，
这些因素对于解释中国股指期货市场所观察到的深度现货溢价
货市场卖空约束下，
普遍存在的尾部风险溢价将导致一价定律失效，
成为股指期货
都没有显着意义。
价格决定的重要因素。
我们的研究结果具有实际意义。
中国监管机构和投资者需要了解股指期货在市场
然后我们转向衍生品文献中提出的对冲压力假设。 Keynes （1930）
和Hicks
崩盘期间出现深度现货溢价的真正原因。
中金所股指期货大幅升水，
使得该合约被指
（1946）
认为，
在商品期货市场中，
投机者通过进入市场进行交易来承担风险，
而套期
责为市场崩盘的罪魁祸首，
交易所不得不采取史上最严厉的政策来限制期货交易，
几
保值者主要是通过出售期货进行套期保值的现货交易者。
因此，
只有当期货价格维持
乎导致股指期货市场失灵。
我们的格兰杰因果关系统计表明，
在现货市场卖空约束下，
在他们预期的价格时，
投机者才愿意继续参与交易。
当尾部风险厌恶程度足够高时，
对
尾部风险规避引发的对冲压力是期货现货升水的重要推动因素。 MVMQ‑CAViaR模
冲压力增大，
投机者面临更大的风险。
型的结果还表明，
股指期货现货升水与尾部风险厌恶之间存在显着的尾部依赖性。
因此，
崩盘后的合理政策应该着眼于减少市场摩擦，
即通过推出新的金融衍生品、
放
宽卖空限制来丰富避险工具篮子，
而不是继续实行交易限制。
此时，
投机者将不太愿意作为对手持有多头头寸，
从而降低期货合约的出价，
从而降
低期货基数。
为了检验这个假设，
我们遵循 Feunou等人的研究。 （2018）
基于上证 50 ETF
期权价格面板，
构建了偏度风险溢价（以下简称 SRP），
†作为市场尾部风险厌恶程
度和对冲压力的代理。
我们的向量自回归（VAR）
分析和格兰杰因果关系检验表明，
我
们样本中股指期货的负基数很大一部分可以用市场动荡引发的尾部风险厌恶来解
释。
对预测误差进行脉冲响应分析和方差分解进一步发现，
预测误差约为29%~44%、
26%~57%和21%~
本文的其余部分的结构如下。
第2节回顾文献并提出可检验的假设。
第3节介绍了实证方法。
第4节介绍了实证结果。
第5节提供了进一步的讨论。
第6节总结。
† 除了作为尾部风险溢价的代理外，
SRP 还用作不确定性的代理，
例如 Feunou
等人。 （2018）
或恐惧，
例如
博勒斯列夫和托多罗夫(2011)。
在这两项研究中，
尾部风险溢价、
不确定性和恐
惧具有相同的含义。
本文使用尾部风险溢价这一术语。
‡ iVIX 是无模型的上证 50 ETF 期权隐含波动率指数，
与 CBOE VIX 类似。
该
报告自 2018 年 2 月 22 日起尚未发布。
Machine Translated by Google
3
尾部风险规避与股指期货现货升水
2.文献综述和假设发展
期货‑现金基础。
为了进行比较，
我们还在以下实证测试中考虑了流
动性。
持有成本模型意味着，
在完整的市场中，
负基差仅出现在无风险利率远低于预期股息
在另一篇文献中，
Hirshleifer (1989)、 Bessem‑binder (1992)和 De Roon等
收益率的情况下。
然而，
2015年6月至12月期间中国市场的情况显然并非如此，
因为股
人。 (2000)发现期货风险溢价可能与套期保值压力相关。 Acharya等人的一项研
息支付通常集中在5月至7月期间。
此外，
中国A股的股息率长期以来一直维持在明显过
究与我们的类似。 （2013）
表明，
当投机活动减少时，
与生产者对冲需求相关的商品
低的水平，
无法证明深度现货溢价是合理的。
期货风险溢价就会上升，
并且对金融套利的限制会限制生产者的对冲，
从而影响均
衡的商品供应和价格。
MacKinlay 和 Ramaswamy (1988)、 Harris (1989)以及 Antoniou 和 Garrett (1993)指
期权定价文献也记录了对冲需求和期权价格之间的密切关系。
出，
非同步交易对 1987 年“黑色星期一”
期间的基差扭曲产生了重大影响。
这似乎是一个有效的
假设来测试我们的案例。 2015年中国股市崩盘期间，
许多A股上市公司主动要求停牌，
以避免股
例如， Bollen 和 Whaley （2004）
报告称，
隐含波动率的变化与公共订单流的净购
价进一步下跌。
此外，
股市崩盘期间，
有很大一部分指数成分股触及每日涨停板或跌停板（正负
买压力直接相关。
有趣的是，
标普500指数期权隐含波动率的变化受指数看跌期权买
分别为10%）。
以2015年8月24日为例，
A股市场约3400只股票中，
有2186只收于每日跌停。
计算
盘压力的影响最大，
而个股期权隐含波动率的变化主要受看涨期权的影响。
加莱努等
该指数时，
采用停牌股票停牌前最后一个交易日的价格以及上下限价格。
因此，
有理由推断，
停牌
人。 （2008）
建立了需求压力对期权价格影响的模型，
并凭经验表明对冲需求有助
和涨停板的存在可能会导致指数扭曲，
从而导致基差扭曲。
于解释指数期权价格的整体昂贵性和倾斜模式。
测量对冲压力成为近期文献中的一个重要研究课题。
鉴于对冲压力的不可观察性
和缺乏个人交易记录，
许多学者建议通过罕见事件和相关的风险溢价来衡量对冲压
力。 Liu等人提出的期权定价模型。 (2005)、 Bates (2008)、 Drechsler 和
Yaron (2011)以及 Drechsler (2013)指出，
罕见事件可能对资产价格产生重大影响。
刘等人。 （2005）
认为价格上涨代表着模糊性或不确定性，
因为它们很少出现在历
史数据中。
鉴于在识别价格上涨方面进行统计分析和利用有限的数据进行推论是众
我们建议利用 ETF、
总回报指数和净回报指数的价格信息来恢复“真实”
指数水
所周知的困难，
Bollerslev 和 Todorov (2011)、 Feunou等人。 （2018）
建议使
平，
这些市场在崩盘期间都处于持续运行状态。
但我们发现，
只有少数几个交易日，
股
用期权价格和高频期货价格来估计下行方差风险溢价和上行方差风险溢价之间的差
指期货底部的严重负面影响可以用个股交易不同步来解释。
异，
即偏度风险溢价（SRP），
作为尾部风险溢价的衡量标准罕见事件和市场不确
定性。
陈等人。 （1995）
认为，
当投资者采用“投资组合保险”
策略时，
波动性可能在基差变化中发
挥重要作用，
即投资者投资于定制的投资组合并利用指数期货对冲风险以获得超额收益。
当市场
波动加剧时，
投资者平均倾向于增加股指期货空头头寸。
因此，
波动性越高，
基差越低。
陈等人。
（1995）
通过实证研究证实了他们的理论预测。 Hemler 和 Longstaff (1991)提供了与波动性
假设一致的结果。
然而，
我们高度怀疑波动性足以解释中国案例中的期货贴水，
因为尽管市场在
2015年9月15日之后逐渐企稳，
但基地的负面情绪仍然挥之不去。
显然，
有必要对中国市场进行严
格的重新审视。
本文选择用期权价格隐含的偏度风险溢价作为套期保值压力的代理来分析套期
保值压力与股指期货基差之间的相互作用。
我们发现，
感知到的股市尾部风险增加了
股指期货的对冲压力，
从而增加了风险溢价。
据我们所知，
这是第一个实证研究，
检验
存在卖空约束时尾部事件对期货基础的影响。
罗尔等人。 (2007)讨论了现货市场流动性与相应的股指期货定价效率之间的关系。
根据
经验，
他们发现基差均值回归速度与市场流动性之间存在正相关关系。
对于到期时间较长的
不活跃合约，
流动性的影响更为深远。 Han和Pan （2017）
发现，
自2015年7月以来，
中国监管
机构对期货和股票市场的交易进行限制，
导致套利边界发生转移，
流动性与绝对流动性之间的
双向因果关系破裂。
3. 方法论
3.1.期货现货溢价
如上所述，
在2015年股市崩盘期间，
中国股市指数价格可能会因个别指数成分股频
繁停牌和/或触及涨停板而出现扭曲，
即所谓的不同步交易问题。
不同步交易可能会导
致误导性的期货基础，
因为过时的现货价格将被
Machine Translated by Google
4
J.梁等人。
图1 指数成分股非同步交易公司数量及比例。
灰色区域对应于2015年6月26日至2015年9月30日期间。
纳入更新指数级别。
图1展示了这个问题在我们的样本中可能有多严重。
使用跟踪标的指数相应投资组合表现的ETF，
以及与标的指数具有相同成分股票但
反映股息收益率的总回报指数（TRI）。
恢复逻辑如下。
在我们的样本期内，
这些 ETF
左上图为2015年6月26日至12月31日停牌的指数成分股数量。
沪深500指数和沪深300
指数中平均停牌的指数成分股分别为85只和32只。 7 月 9 日，
停牌股票数量达到峰
一直在持续交易，
几乎没有触及价格限制，
因此，
如果不存在非同步问题，
这些 ETF 的
对数累积回报将很好地代表 TRI 的“真实”
对数回报。
然后，
我们利用 TRI 和标的指
值，
分别为 231 只和 96 只。
右上子图报告了子样本中每个日期触及价格上限的股票
数之间的差异来获得每个标的指数的股息收益率的代理，
因为 TRI 和标的指数都存在
数量。
沪深500指数和沪深300指数平均涨停股数量分别为33只和16只，
最多出现在7
不同步问题。
最后，
第一步中 TRI 的“真实”
对数回报减去第二步中隐含的股息收益
月9日，
分别有323只和147只股票触及涨停板。
左下子图报告了每个日期触及价格下
率，
可以被视为基础指数的“真实”
累积回报。
为简洁起见，
附录第 1 节提供了如何克
限的股票数量。
沪深500指数和沪深300指数的峰值分别于8月25日和8月24日到达353
服这些问题和构建“真实”
基础的详细信息。
点和228点。
最后一个子图显示了每个指数中遭受非同步交易问题（即暂停或触及（下限或上限）
价格限制）
的股票的百分比。
沪深500指数、
沪深300指数和上证50指数的平均成分股
我
比例分别为37%、
26%和10%。
总体而言，
图1表明，
沪深500和沪深300指数成分股在
市场暴跌期间存在严重的非同步交易问题。
“真实”
基础定义为Basis
其中Fi t,T
t = log(Fi
t,T ) － log(S^ i t),
是到期日为T －t的指数i的期货价格
在时间t， S^i 是使用上t述方法恢复的基础指数水平。
正如持有成本模型所示， no = Si
te(rt,T－di t,T套利意味着Fi )(T－t)其中rt,T和di是无风险利率和预期股息收益率指数i从t
基础具有成熟的
因此，
指数可能会被扭曲，
期货基础也可能会被扭曲。
为了减轻因股票停牌或价格限制而造成的指数扭曲，
我们通过以下方式恢复“真
实”
指数水平
t,T
到T。
指数期货i的
t,T
rity (T － t) 那么应该简单地等于 log(Fi (rt,T － di
t,T )(T － t)。
t,T
) － log(Si t) =
Machine Translated by Google
5
尾部风险规避与股指期货现货升水
其中M0(K) = min(Pt(K), Ct(K)),Pt(S), Ct(S), S和 K 是
请注意，
一般来说，
中国人支付的股息
上市公司集中在5月至7月期间
欧式看跌期权价格、
欧式看涨期权价格
每年。
此外，
根据规定，
包括股息政策在内的年度盈利公告必须在账户成立后的前
分别为价格、
价格和执行价格。
类似地，
我们得到下行风险中性方差IV EQ
D
t
120 个日历日内披露
D
t
年。
因此，
未来股息支付存在不确定性
FteκF
D
[房车t,h(κ)] 与EQ
t
[RV t,h(κ)] ≈2
M0(K)
dK。
K2
0
在
和
t ）
年化已实现上行方差(RV
到 6 月崩溃开始时应该会很低。
此外，
问
t
未来 21 年的年化已实现下行方差(RV )
在我们的整个样本期内，
无风险利率保持为正值。
=
交易日计算如下：
这些结合起来意味着我们通常应该观察
略有积极的基础。
然而，
在我们的整个样本期内
n
基数为负，
表明其他因素
右室速
在
第251章
=
21
比利率和股息收益率存在。
21
我=0RV
在
t+i ,
在
t
房车在哪里
2
=
I(rj≥0)r
j,t
I(rj≤0)r
j,t
j=1
因此，
要关注利率以外的影响
n
D
和股息收益率，
在我们下面的分析中，
我们定义股指期货合约i的现货溢价（下面用
第251章
=
房车t
21
我
Bward表示：
21
我=0RV
在
t+i ,
D
t
房车在哪里
2
=
j=1
t ） 作为
其中rj,t是收盘价的对数差
交易日 t 的交易周期j和j－1 ， n为交易次数
我
布沃德
t
= log(Fi
t,T ) － log(S^ i t) － (rt,T － di
t,T
)(T － t)
交易日 t 的 5 分钟交易间隔。
的偏度为
实现方差定义如下：
为了进行比较和稳健性检查，
我们还计算了
我
将非同步交易造成的现 t 这没有考虑失真
D
货溢价的Bward计算为
以下：
SRP 就是下行方差之间的差
风险溢价和上行方差风险溢价：
我
布沃德
t
在
RSVt,h(κ) = RV t,h(κ) － RV t,h(κ)
= log(Fi
t,T
) － log(S t) － (rt,T － dit,T )(T － t)
SRPt,h = EQ
t [RSVt,h] ‑ EP
3.2.衡量尾部风险厌恶程度
= (IV
D
t
投资者的恐慌情绪和尾部避险情绪无法直接观察到，
但可以通过溢价的差异来推断
= (IV
D
t
t [RSVt,h]
在
D
在
）
在
－右室 t在
t
）
) － (RV t
－ IV t
－右室 tD ) － (IV
投资者为好的不确定性和坏的不确定性付出了代价。
与 CBOE 类似，
上交所在我们的样本期间发布了
Drechsler (2013)声称方差风险溢价 (VRP)
期间上证50隐含年化波动率指数
正如 Carr 和 Wu （2009）
首次提出的那样，
反映了市场的不确定性。
苗等人。 (2019)
ETF期权，
记为iVIX。
交易日 t 的 VRP 为
估计 96% 的 VRP 可以
计算如下：
－右心室t
VRPt = iVIX2 － RV2t ,
究其原因，
是投资者厌恶模糊性。 Orlik 和 Veld‑kamp (2014)认为宏观经济变量
存在偏度
其中RV2
反映出“黑天鹅”
事件的不确定性。
t
在
= RV方 D
t,h(κ) + RV t,h(κ) 是年化实现的
差。
Bollerslev 和 Todorov (2011)提出了另一个指标
不确定性，
计算为负数之间的差异
跳跃风险溢价和积极的溢价，
并认为这是
3.3.向量自回归模型规范
反映市场对极端情况的溢价的恐惧指标
不确定。
费努等人。 (2018)构建偏度风险
确定 SRP 对正常现货溢价的净影响和
溢价（SRP），
通过分离可归因的溢价
为了解释其动态，
进行了实证研究
承担上行风险和下行风险。
这
分两个阶段。
在第 1 阶段，
应用 OLS 回归将 SRP 对碱基的影响与控制变量的影响分
SRP是我们采用的尾部风险规避的主要指标
开；
在
研究。
†为了进行比较，
我们还使用由以下公式计算得出的 VRP
第 2 阶段，
第 1 阶段回归的残差用作
上证50ETF期权价格。
内生变量来进行VAR分析。
在
t
具体来说，
上行风险中性方差（IV
=
第一阶段模型指定如下：
在
情商
t [房车t,h(κ)]) 计算如下：
我
布沃德
无穷大
在
情商
t [RV t,h(κ)] ≈2
FteκF
M0(K)
dK,
布沃德
其中i ∈ {IC,IF,IH}, αi
布沃德
和βSRP是系数向量， Xi
+ βi
席
布沃德
t
+x
我
布沃德 ,t
布沃德,t
右心室ETF
t
αSRP为截距， βi
t
变量向量， xii
我们指定XSRP
托多罗夫（2011）。
= αi
SRPt = αSRP + βSRPXSRP
+ ❖SRP,t
t
K2
† 我们使用 SRP 来衡量尾部风险（不确定性）
溢价。
这种方法比 Bollerslev 和中的方法更容易计算
托多罗夫（2011）。
特别是，
SRP 避免了分离跳转
风险中性措施和物理措施下现货收益的扩散部分，
这在 Bollerslev 和
t
t
和XSRP t
布沃德
是控制
和ΣSRP,t是残差序列。
, 右心室ETF
= [rETF
] 其中rETF
t
t
是上证 50 指数的回报率和已实现波动率
t
和
Machine Translated by Google
6
J.梁等人。
ETF。
陈等人。 (1995)表明现货收益和波动性影响期货市场的套期保值头寸和期货基差。
还存在
基于 White等人开发的 MVMQ‑CAViaR 模型，
研究不同市场状态（定义为不同分位数）
的期货现
潜在的到期效应，
即随着交割日的临近，
基差可能会缩小。
因此，
我们指定Xi RVi t] 其中Mt、 ri是期
货溢价。 （2015）。 MVMQ‑CAViaR 模型可以方便地视为分位数模型的 VAR 扩展。
不仅可以
货合约
灵活地研究中心经济变量之间的关系，
还可以在因变量的整个条件分布上研究经济变量之间的关
系。
t
= [山,里
t,
t,
房车t
交易日 t 的到期日、
现货收益和现货实现波动率。
罗尔等人。 (2007)认为套利交易产生的流动性变化会影响基差动态，
并且流动性和基差是相
辅相成的。
由于自2015年中国股市崩盘以来，
存在持续的负基差，
套利交易只能通过做空现货、
做多
与 VAR 模型规范类似，
我们也首先实现一阶段 OLS 回归，
以将 SRP 对基础的影响与控制变
期货来实现。
但自2015年8月起，
各大券商纷纷暂停融资融券业务。
因此，
这种由套利交易引发的流
量的影响隔离开来。
然后将一阶段回归的残差用作内生变量来实现MVMQ‑CAViaR分析。
具体
动性与基差相辅相成的机制在我们的样本期内并不存在，
其作用至多可以忽略不计。
尽管如此，
为
MVMQ‑CAViaR表达式如下：
了稳健性检查，
我们考虑一个包含流动性变量的控制变量集：
q1t(θ ) = c1(θ ) + a11(θ )Y1t－1 + a12(θ )Y2t－1
+ b11(θ )q1t－1(θ ) + b12(θ )q2t－1(θ )
q2t(θ ) = c2(θ ) + a21(θ )Y1t－1 + a22(θ )Y2t－1
席
t
= [Mt,r
我
t,
+ b21(θ )q1t－1(θ ) + b22(θ )q2t－1(θ )
房车t , RSi 英石，RSi ] f ,t
上述公式可以用矩阵形式表示为
其中i ∈ {IC,IF,IH}表示基础指数RSi
英石
是指数i 成分股的平均相对买卖价差， RSi f ,t
qt = c + AYt－1 + Bqt－1
是期货合约i 的相对买卖价差。
†在第 2 阶段，
采用成对 VAR 模型，
设置如下：
其中， qt(θ ) 表示概率 θ 下的[ΣSRP,t, ΣBward ]的条件分位数，
受滞后条件分位数qt(θ) 和向
量Yt = [ΣSRP,t, ΣBward ]的原始水平的影响。
磷
Yt = α +
p=1pYt－p + ψt
矩阵A和B的元素是待估计的参数。
显然，
MVMQ‑CAViaR模型不仅捕获了
其中Yt = [ΣSRP,t, Σi然后执行正
]。
标准格兰杰因果关系检验，
来自其自身滞后水平和条件分位数的内生变量分位数的冲击，
而且还结合了来自其他时间序列（或
布沃德,t
交脉冲响应分析和预测误差方差分解。
由于众所周知，
正交脉冲响应分析和预测误差方差分解的结
条件分位数）
的冲击。
因此，
MVMQ‑CAViaR可以对多个时间序列之间的复杂依赖关系进行建模，
果对内生变量的阶数敏感，
因此使用内生变量阶数的替代规范进行稳健性检查。
并测试感兴趣的变量之间是否存在尾部依赖关系。
MVMQ‑CAViaR 的另一个优点是，
它允许我们估计不同分位数的脉冲响应函数，
从中我们可以
评估股指期货基础对尾部风险厌恶冲击的弹性及其持续性。
作为给出一次性干预 δ 的标准脉冲
响应分析，
我们假设一次性干预 δ仅在时间t 给予误差项t 。 Yt的动态行为由 VAR 模型描述，
即
3.4. MVMQ‑CAViaR模型
Yt = 的时间路径表示为φiYt－i + 如下：
VAR 模型研究中心的ΨSRP,t和Ψi之间的关系。
然而，
这些影响可以
布沃德,t
取决于特定的市场状态，
例如尾部事件的发生。
为了分析期货现货溢价与尾部风险厌恶之间的关系是否在总体上成立或仅在市场动荡期间成
pi
=1
t。
t
立，
我们估计了尾部风险厌恶的影响
如果没有干预将是1t
† 现货相对分布， RSi
s,
Bidj
氮
1
氮
1
j=1(和 K
Bidj j
Askj
k
Kk =1
=
由RSi计算
... , 1t－2, 1t－1, 1t, 1t+1, 1t+2, ...
英石
k－Askj k ), 其中i ∈ {CSI500,CSI300, SSE50},
Pj t
而干预的时间路径是
k 是指数i 成分股的买入价和卖出价
分别在日期 t 的盘中时间k 。 Pj是成分股j在 k 时刻的买入价和卖出价的中间点。
N是指数i中的成分股数量， K
k
... , 1t－2, 1t－1, ~1t, 1t+1, 1t+2, ...
是每个日内价格的样本数量。
期货的相对价差， RSi f ,t Bidi k－Aski k Pi
, 是计算
分别由RSi f ,t期货
合
=
1
K
Kk =1
k
第 i 个误差项的 θ 分位数脉冲响应函数 (QIRF)定义为i,s(~1t)
, Bidi和Aski进行出价和询问
t
t
约i在时间k的价格计算。
期货合约i在 k 时刻的买入价和卖出价的Pi点。
是中间的k
i,s (~1t) = ~qi,t+s － qi,t+s, s = 1, 2, 3, ...
Machine Translated by Google
7
尾部风险规避与股指期货现货升水
其中q
我
我
i,t+s是受影响的第 θ 个条件分位数
图2展示了Basis的动态
系列和qi,t+s是未受影响系列的 θ th 条件分位数。
†
t,
布沃德
t
和
我
布沃德
t
以及他们相对于原始基础的行为
系列。
上面两个子图显示了时间变化
Basis和Bward的值仍然为负值
样本期。
右中、
左下、
右下
子图突出了它们与原始基础的差异
4. 实证结果
系列。
如果非同步交易不是负基数的原因，
我们应该观察到差异很小
4.1.数据和汇总统计
股票和期货数据来自中国主要金融数据提供商CSMAR。
我们获得 1 个月回购利率
中间右子图的基础和原始基础之间。
同样，
由于变化非常小
无风险利率与股息之间的绝对差
来自另一家数据服务 Wind 的中国银行间市场
在我们的样本期间，
持有成本假设将预测 Bward不应显着
中国的供应商，
并将其用作无风险利率。
例子
时间为2015年6月26日至9月30日。
因为A股市场15:00收盘，
指数
也与原系列不同。
从图2可以清楚地看出，
非同步假设（而非持有成本假设）
确实有一些，
期货市场收盘时间为15:15，
我们使用指数的价格水平，
ETF、
期货于15:00计算基数。
考虑到最近到期合约通常是
虽然不多，
但对变化的解释力
基地从2015年6月26日到9月30日。
如果我们延长
交易最活跃，
并且有很多展期交易
样本期至12月31日，
解释力
交割前最后一周，
我们使用最近到期的期货
的非同步假设明显减少
到期日为 7 至 60 天的合约可展期
所有三个合同，
虽然看起来效果更强
IC 合约的影响要高于其他两个。
这与图 1 一致，
其中 IC 合约是关联的
合约并获取期货价格的每日时间序列。
同样，
我们选择最近到期的上证50 ETF期权
期限在 7 至 60 天之间的合同，
取出那些
违反经典期权价格理论边界的极端异常值，
并使用以下方法计算隐含波动率
十月至十月之间有更多暂停和价格限制
十二月。
通过这些观察， Bward用于以下实证分析，
因此我们可以重点关注以下部
布莱克‑斯科尔斯‑默顿公式。
然后用 ETF 的三次样条对这些隐含波动率进行插值
分：
异步交易和无法解释的基础
以现货价格为中心。
使用离散近似计算风险中性的上行和下行方差
持有成本假设。
‡
方法。
样本期。 IC 的现货溢价是其中最深的
所有三种股指期货均处于深度现货溢价状态
表1报告了实证研究中使用的Basis、 Basis Bward Bward和控制变量的汇总 ,
三个 future，
然后是 IF，
然后是 IH。
标准差
(SD)、
最大值、
最小值和这些值的波动性
统计数据。
, 在整个样本期间，
平均碱基
三个基地系列的排名类似。
表1第 7 栏
报告这些变量与 SRP 的相关性。
对全部
三个股指期货均为负值。
最近的基数
指数、
碱基与SRP高度相关，
相关系数分别为‑0.63、‑0.61和‑0.55，
到期日 IC、
IF 和 IH 合约的到期日大于
7个日历日平均值‑5.24%、‑3.90%和‑2.71%，
表明 SRP 可能对
,
分别。
对于Basis，
平均值为 －5.06%，
分别为‑3.56%和‑2.30%，
这意味着典型交易者的平均年度对冲成本将接近
分别为 60.72%、
42.72% 和 27.6%！
基础的区别
和基差很小，
表明非同步交易只能解释一小部分负面影响
期货现货溢价。
出于内生性的考虑，
因果关系，
而不是同时代的关系
SRP 和基地之间的关系将在 VAR 模型中讨论
环境。
表1中的面板 2报告了 SRP 的汇总统计数据
和 iVIX。 SRP 的平均值为 15.20%，
表明
基地。
平均Bward分别为 ‑5.21%、‑3.61% 和
下行方差风险溢价高于上行方差
分别为－2.30%，
绝对值略大于基差
一。 SRP 的最大值为 112.34%，
表明
值，
表明平均无风险利率略低
投资者对市场尾部风险深感担忧，
大于样本期内的预期股息收益率。
愿意支付非常高的期权费来对冲
换句话说，
平均Bward的绝对值较高意味着无风险利率和股息收益率的差异
崩溃风险。 iVIX 与 SRP 的相关性为 0.63，
这意味着 iVIX 与 SRP 之间可能存在差
异
不足以解释现象性的负面基础。
它
对现货溢价的解释力。
从面板 1c 和面板 1d 可以清楚地看出，
对于每份合同，
t
图3显示了 SRP 的构造以及 SRP 与其他不确定性测量之间的差异。
这
我
我
布沃德
总是大于Bward可以忽略不计，
这意味 t , 但差异在于
着非同步交易可能
左上子图显示，
实现的下行方差和上行方差之间没有显着差异。
这
对现货溢价的解释力较弱。
然而，
右上子图显示风险中性
† IRF 推导的技术细节可以在 White等人中找到
等人。 (2015)供参考，
本文中的代码可在
该杂志的网站。
‡ 我们的结果对于替代基础和原始基础来说是稳健的
对于布沃德.
Machine Translated by Google
8
J.梁等人。
表 1. 统计摘要。
尺寸
意思是
标清
最大限度
最小
与SRP的相关性
第 1 版：
基础
第 1a 版：
基础
t (%)
基础IC t
66
－ 5.24
3.39
1.52 ‑ 15.07 0.60 ‑
－ 0.63
基础IF t
66
－ 3.90
2.62
12.72
－ 0.61
基础IH t
66
－ 2.71
2.02
0.04‑10.49
－ 0.55
66
‑ 5.06
2.75
0.64 ‑ 13.05
－ 0.60
66
‑ 3.56
2.57
0.70 ‑ 11.87
－ 0.56
66
我
‑ 2.30
1.96
－ 0.10 － 9.70
－ 0.55
66
‑ 5.39
3.41
1.26 ‑ 15.21
－ 0.63
66
‑ 3.95
2.67
0.80 ‑ 12.82
－ 0.60
66
我
‑ 2.71
2.12
0.47 ‑ 10.56
－ 0.52
66
‑ 5.21
2.77
0.59 ‑ 13.20
－ 0.60
66
‑ 3.61
2.63
0.79 ‑ 11.97
－ 0.54
0.55 ‑ 9.77
－ 0.52
我
第 1b 版：
基础
t (%)
我知道了
基础t
如果
基础t
他们
基础t
小组 1c：
布沃德
t (%)
我知道了
布沃德
t
如果
布沃德
他们
布沃德
t
第 1d 组： Bward t(%)
我知道了
布沃德
t
如果
布沃德
t IH
66
Bward － 2.30 2.05 t第 2 组：
SRP 和 iVIX（年化）
(%)
SRP 66 15.19 19.31 iVIX 66 44.64 9.41 第 3 组：
控制变量
112.34 ‑ 1.75 63.78
1.00
（每日）
30.41
0.63
小组 3a：
成熟度
8.84
66
Maturityt 20.71 第 3b 组：
基础回报率 (%)
39:00
7点
－ 0.04
r50ETF
66 ‑ 0.38 66 ‑ 0.61
t
3.55
8.09 ‑ 10.52 6.39 ‑
－ 0.09
ICt
4.16
8.73
－ 0.31
6.50 ‑ 9.15 7.55 ‑ 9.85
－ 0.19
干扰素
t
66
－ 0.49
3.51
rIH
t
66
－ 0.39
3.47
－ 0.12
第 3c 部分：
已实现波动率 (%)
2.22
10.87
0.96
0.41
t
66
3.71
1.74
8.82
1.42
0.36
RVIF t
66
3.29
1.88
9.96
1.08
0.38
右室出血
t
66 0.95 第 3d 面板：
3.15
2.02
成分股平均相对买卖价差
(%)
9.53
RSIC
66 0.10
0.15
0.03
0.24
RSIF
66
0.13
0.02
0.17
0.09
0.51
李尔
66
0.12
0.02
0.17
0.09
0.64
RV50ETF
66 3.19
t
右心室血管内皮细胞
英石
英石
英石
图 3e：
期货相对买卖价差（%）
RSIC
66
0.43
0.48
0.07
0.05
0.31
0.02
0.13
RSIF
,t
66
0.03
0.03
0.20
0.01
0.15
李尔
,t
66
0.05
0.05
0.27
0.02
0.11
,t
该表报告了2015年6月26日至2015年9月30日样本的汇总统计数据。
我们
使用每日数据计算收益、
日内 5 分钟收益计算已实现波动率、
切片
股票和期货合约的报价以获得相对的买卖价差。
的频率
中金所期货合约、
股票报价切片为半秒、
3秒、
5秒。
分别在深圳证券交易所和上海证券交易所上市。
下行方差明显大于上行方差。
这
导致下行和下行之间存在显着差异
上行半方差风险溢价如下图所示
左子图。
因此，
SRP 主要由风险中性半方差之间的差异驱动，
而不是由风
险中性半方差之间的差异驱动。
已实现的。
右下子图比较了三个时间序列
而 VRP 突然下降，
这与
博勒斯列夫等人。 （2011）
谁注意到在这段时间内
市场剧烈波动，
负方差风险溢价可能
出现。
此外，
SRP的动态符合市场崩盘的情况
开发比 VRP 和 iVIX2 都好：
相当
崩溃期间波动较大，
峰值对应于
最剧烈的价格下跌，
然后迅速恢复正常。
从图形上看，
SRP 似乎是
不确定性测量：
SRP、
iVIX2和 VRP。
建议零售价更多
易失性，
并且比 VRP 和 iVIX2 具有更多的极值。
比 iVIX2 更符合碱基动力学
股市崩盘期间，
SRP和iVIX2均大幅上涨，
或 VRP。
Machine Translated by Google
9
尾部风险规避与股指期货现货升水
t,
我
我
我
图 2.基础
布沃德·T.
布沃德t, i
我
我
Basis t的时间序列，
2015 年。
布沃德t，
布沃德
被提出。
灰色区域对应2015年6月26日至9月30日期间
表1的第 3 部分报告了控制变量的汇总统计数据。
期货合约的到期日，
如图所示
4.2.回报率和波动性可以解释持续的增长吗？
现货溢价？
在面板 3a 中，
从 7 到 39 个日历日，
平均为 20.71。
面板 3b 报告了上证 50 ETF
回报率和
指数回报。
在我们的样本期内，
所有回报均为负数
其中沪深 500 指数日均收益率最低，
为‑0.61%。
三个指数中，
回报率
中证 500 指数绝对相关性最高
建议零售价为 0.31。
面板 3c 报告了以下的汇总统计数据
以 5 分钟回报率计算的每月已实现波动率。
中证500指数的实际波动率最高
3.71%，
其次是沪深300指数，
然后是上证50指数。
但波动率和已实现的最大值的波动率
陈等人。 (1995)认为回报和波动性是主要因素
解释美国市场期货基础的因素。
到
在2015年中国股市崩盘中检验这个假设，
跟随陈等人。 (1995)和罗尔等人。 （2007），
我们首先
对期货到期日的期货现货溢价进行回归
合约、
每日指数回报、
已实现波动率以及标的物的相对买卖价差。
隔离影响
ETF 波动性和 SRP 回报率之间的关系，
SRP 也会回归
关于这两个变量。
回归结果如表 2 所示。
无论相对买卖价差变量是
波动性显示对手的平均排名。
所实现的
波动率均显示出适度的相关性（约 0.40）
建议零售价。 Panel 3d 报告了平均相对买卖价差
指数成分股。
中证500指数成分股有
平均相对买卖价差的最高平均值（0.15%）
三个指数之间。
标准差、
最大值和
最小值表现出相似的排名，
一起表明
中证500市场流动性最差
三个市场正在接受审查。
平均相对买卖价
期货价差的均值较低，
标准差较高，
与 SRP 的相关性低于指数成分股。
包括在内，
表明基数总是收敛到零
期货合约即将到期。
更重要的是，
与陈等人形成鲜明对比。 （1995），
是否
标的或期货相对买卖价差是否受控，
波动性不存在重大影响；
返回基地。
另外，
调整后的对比
模型之间的R2 ，
包括相对买卖价差
排除利差的结果表明，
流动性变量对我们的样本只有边际解释力。
Machine Translated by Google
10
J.梁等人。
图 3. 方差风险溢价偏度的构建。
灰色区域对应于2015年6月26日至2015年9月30日期间。
这些表明 Chen等人提出的模型。 (1995)和 Roll 等人的套利交易机制。 (2007)都
风险溢价。
在本节中，
我们使用 VAR 模型测试 SRP 和期货基础之间的超前‑滞后关
不足以解释 2015 年市场崩盘期间中国股指期货的深度现货溢价。
需要一个新模型或
系。
一组新变量来解释这一现象。
4.3.1. SRP 和Bward之间的格兰杰因果关系。
当市场
恐慌时，
利用股指期货的对冲需求增加，
因此我们预计建议零售价的上升可能导致现
表2的最后一列报告了 SRP 的回归结果。 ETF 波动性系数为正，
且在 10% 水平
上显着，
表明 SRP 随着 ETF 实现波动性而增加。
4.3. VAR分析
正如文献中指出的，
在股市崩盘期间，
对冲需求可能与市场波动有关。
货升水加深。
反之亦然。
期权做市商和其他投资者经常利用股指期货对冲其期权头寸，
因此随着股指期货现货升水的加深，
期权的隐含向下方差溢价可能会上升。
为了解决内生变量之间的超前滞后关系，
在VAR设置的基础上，
对每个内生变量进
行格兰杰因果关系检验。
表3报告了成对 Granger 因果检验的 Wald 统计数据。
在
10% (1%) 显着性水平上，
SRP 格兰杰导致当月 IC(IF) 合约的Bward ；
但这不是当
不过，
这也可能与套期保值者对未来不确定性的担忧有关，
这一点可以通过 SRP 来
体现。
许多触及跌停板的股票将引发市场流动性短缺，
进而进一步促使投资者降低对
月 IH 合约基础的格兰杰原因。
另一方面，
除了 IH 的现货溢价较少外， Bward不会
对 SRP 产生格兰杰原因。
未来股价走势的预期。
更糟糕的是，
由于卖空和现货交易的限制，
投资者可能会通过抛
售股指期货而涌入市场，
从而进一步压低期货价格。
因此，
期货基差应与套期保值需求
负相关，
这由市场偏度来体现
尽管如此，
解释内生变量之间格兰杰因果关系的检验结果必须小心。
在成对格兰杰因果关系检验中，
测试变量之间的相关性可以反映在扰动项中
Machine Translated by Google
11
尾部风险规避与股指期货现货升水
表 2. 第一阶段回归结果。
布沃德
布沃德
‑ 1.52
截距
他们
如果
我知道了
(0.97)
期限‑ 0.10** (0.04) 0.08
布沃德
RSi
布沃德
布沃德
建议零售价
－ 0.59 0.44 (0.73) (0.45) －
0.58
2.26
3.42
3.61
0.14＊＊＊ － 0.10＊＊＊
(0.03) (0.02) － 0.02 － 0.04
(2.96)
－ 0.13***
(2.81) ‑
0.15***
(2.05)
－ 0.11******
(4.07)
(0.04)
0.06
(0.03) ‑
0.01
(0.01)
－ 0.03
里
t
房车t
他们
如果
我知道了
布沃德
(0.08)
－ 0.42
(0.08)
－ 0.03
(0.07)
－ 0.20
(0.07) ‑
0.18
(0.08)
0.20
(0.07)
－ 0.04
(0.28)
(0.25)
(0.18)
(0.31) ‑
19.68
(0.27) ‑
27.53
(0.16)
‑ 28.51
(26.68)
7.49
(30.39) ‑
1.67
(20.95)
－ 0.31
(7.72)
(11.24)
(5.11)
英石
RSi
,t
－ 0.44
r50ETF
t
(0.65)
3.57*
RV50ETF
t
0.18
调整。 R2
0.18
0.16
0.18
(1.75)
0.15
0.16
0.19
该表报告了使用 2015 年 6 月 26 日至 2015 年 9 月 30 日样本的第一阶段回归的估计者。
我
回归指定如下： Bward
t
和第四纵队，
习
最后一栏， XSRP
= [山,里
t
+ βi
布沃德
席
布沃德
+x
t
我
, i ∈ {IC,IF,IH}。
对于第二个、
第三个
布沃德,t
房车t ];第五、
六、
七纵队，
习
t,
, 右心室ETF
t
= [rETF
t
t
= αi
t
= [山,里
房车t , RSi
t,
RSi
英石，
];为了
,t
]。
标准差在括号中报告，
其基于 Newey‑West
******
更正。 ＊、 ＊＊和分别表示10%、
5%和1%水平下的统计显着性。
本节基于（SRP，
Basis）
的变量顺序，
表 3. 使用ΣSRP,t对双变量 VAR 进行 Granger 因果关系检验
我
和Ψ
。
因为期权市场可能发挥了更好的价格作用
布沃德,t
市场动荡期间比期货市场的发现
t
他们
如果
我知道了
布沃德
布沃德
布沃德
t
2015年，
原因如下：
第一，
根据上证所的数据，
t
机构投资者交易占比79.2%
H0：
行变量没有格兰杰原因列变量
2015年上证50ETF期权市场总成交额
建议零售价 5.69* 16.99***** 2.45
机构投资者平均拥有信息优势
H0：
列变量不造成行变量的格兰杰原因
建议零售价 2.54 4.19
8.88
比期货市场受欢迎的散户投资者；
第二，
中国金融期货交易所对股指期货交易的限制
该表报告了 Granger 因果检验的 Wald 统计数据
我
具有ΣSRP,t和 Σ 的二元 VAR
迫使大量投资者离场，
使用来自的样本
据称，
这阻碍了股指期货市场的运作。
相比之下，
上证50 ETF期权交易量
布沃德,t
2015年6月26日至2015年9月30日。
*、 **和统计显着性分别为10%、
5%和
1%水平。
模型中，
扰动项中的同期相关性通过滞后项进入下一阶段
回归，
对其他内生变量产生影响。
因此，
格兰杰因果关系检验的显着性表明
******
表示
同期一直在稳步上升，
这意味着期权价格可能包含更多信息
比期货价格；
第三，
期权中的做市商
市场可能在价格发现中发挥了积极作用，
特别是在市场崩溃期间。
图4‑6分别呈现了正交‑ ]的结果
该对的单独脉冲响应分析[ΣSRP,t, Σi
解释变量必须包含以下信息
布沃德,t
我
可预测的解释变量，
而微不足道
其中i ∈ {IC,IF,IH}。
因为xi
布沃德,t
格兰杰因果关系检验并不一定意味着
我
解释变量不包含有关的信息
以下讨论Bward xii
可预测的解释变量。
正交脉冲
。
接下来进行响应分析来解决这些问题。
是布沃德的一部分 t , 在
t
用于替代
布沃德,t
图4‑6的左上和右下子图
我
显示 SRP 和Bward上的冲击
t
是执着的。
这
如果
4.3.2.脉冲响应分析。
脉冲响应分析通常用于分析归因于的影响
图5的右上子图显示Bward在预测未来 SRP 方面提供了丰富的信息。
一个 t
标准差
某些变量在稍后阶段通过其他变量
方差‑协方差矩阵的 Cholesky 分解
的扰动项。
一个众所周知的问题
脉冲响应分析和预测的方差分解是其变阶敏感性。
结果呈现于
如果
接下来的一段时间内
t
将导致 SRP 下降 4.55%
Bward的增加。 SRP 下降显着
他们
我知道了
5%的水平。
对于布沃德
负但微不足道。
t
和布沃德
t,
回应是
是
Machine Translated by Google
12
J.梁等人。
我知道了
图 4. 具有SRPt和Bward 的双变量 VAR 的脉冲响应函数2015 年 6 月 26 日至 2015 年 9 月 30 日样本中估计的具有ΣSRP,t和 Σ 的 t 。
我知道了
双变量 VAR 脉冲响应函数Bward,t
我知道了
被提出。 Ψ
布沃德,t
十九
t
= [Mt,rIC
t,
t
t
和ΣSRP,t在第一阶段回归中获得，
规格为XSRP = [r50 ETF
, RV50tETF ] 和
RVIC t]，
分别。
左上子图是ΣSRP,t对 ΣSRP,t 的一个标准差冲击的响应。
右上子图是 ΣSRP ,t对 Σ 的一个标准差冲击的响应 左下子图是
我知道了
。
布沃德,t
我知道了
我知道了
❖ 对❖SRP,t的一个标准差冲击的响应，
右下子图是 ❖ 对 ❖SRP,t 的一个标准差冲击的响应
布沃德,t
X
布沃德,t
我知道了
。
灰色区域是通过蒙特卡罗模拟（基于 10,000 次模拟）
计算出的 95% 置信区间。
布沃德,t
我
SRP 在预测未来Bward期货合约方面提供了丰富的信息，
左下子图t 。 对全部
显示 SRP 的冲击对接下来的两到三个时期的Bward产生负面且重大的影响。 SRP
行报告可归因于第三行中的变量的方差比率。
总体而言，
超过 15 个阶段的结果表现
出收敛特征。
我
的标准差冲击将导致IC、
IF 和 IH 的Bward同时分别下降 0.96%、
0.74%
t
在里面
和 0.64%。
图 4a 的第 1 列和第 2 列显示，
第 1 至 15 期 SRP 预测误差的 97% 以上的方差
可归因于其自身的冲击，
而其余 3% 可归因于自身的冲击
IC
到布沃德
t。
相比之下，
从第 3 列和第 4 列来看，
这些影响在 IC 的以下两个周期以及 IF 和 IH 的一个周期中显着。
我知道了
Bward第 1 至 15 期预测误差的方差比例可归因于 SRP，
范围为 29% 至 t
从
44%，
归因于其自身冲击的方差比例范围为 71% 至 56%。
4.3.3.内生变量的方差分解。
表4报告了每个当月合约的基差和 SRP 的方差分解结果，
作为描述基差和 SRP 动态
的另一种方式。
图 4b 和图 4c 中的结果与上述类似。
, 还有更多
主要区别是： 对于xiIF
我们将表4分为三个部分，
分别报告内生变量[ ΨSRP,t, ΨIC ]、 Bward,t的预测误差方差分解结果。
第二行列出
了预测变量，
第三行列出了用于预测的变量，
其余的
布沃德,t
],[ΣSRP,t, ΣIF
布沃德,t
] 和[ΣSRP,t, ΣIH
布沃德,t
可以归因于 SRP 而非xiIC 的变化
ΨIH
布沃德,t
可归因的预测误差的方差
到 SRP 的范围在 21% 到 35% 之间，
小于ΨIC和ΨIF
。
布沃德,t
布沃德,t
, 并为
布沃德,t
Machine Translated by Google
13
尾部风险规避与股指期货现货升水
如果
图 5. 具有SRPt和Bward 的双变量 VAR 的脉冲响应函数获得该图的模型规范与图4 t 。
类似。
来自除息的 IH 和 IF 合约的现货溢价
以上表明 SRP 的冲击可以解释
以下时期变化的很大一部分
日期至扩展样本的最后交易日，
无
期货现货溢价，
但反之则不然。
一路走来
正如我们在前几节中所做的那样调整扭曲。
到第 15 阶段，
预测误差方差的 21% –57% 可以
扩展样本的一阶段回归结果
归因于SRP的干扰。
越过反
如果
我知道了
SRP 对Bward的解释力
t
和布沃德
t
他们
强于Bward 的Granger 因果检验和基于
t,
报告于表5 中。
成熟度系数在所有回归中均为负且显着。
相比之下
这符合
VAR 模型的脉冲响应分析。
这些都意味着期货
现货溢价确实部分反映了所支付的风险溢价
期货交易者为了对冲尾部风险，
也代表
类似的尾部风险规避投机者在提供风险管理服务时所要求的“保险费”
2015年市场崩盘期间的回归结果有
波动性对基数产生显着的负面影响，
表明基数随着指数的实现而下降
波动性，
与 Chen等人的观点一致。 （1995）。
值得注意的是
尽管相对买卖价差在市场崩盘期间具有边际解释力，
但标的资产和期货
相对买卖价差对基数有重大影响
扩展样本。
的渐进式改进
套期保值者。
4.4. MVMQ‑CAViaR 分析
区分尾部风险厌恶程度对指数的影响
不同市场条件下的期货现货溢价，
我们延长
我们的样本时间为2015年6月26日至2017年12月29日
（2017 年最后一个交易日），
其中包括涵盖正常和波动市场时期的 571 个观测
值，
用于估计 MVMQ‑CAViaR 模型。
由于上证 50 和
沪深300ETF已于11月28日派发现金红利
2016年和2016年1月19日，
从图1可以看出，
遭受非同步交易问题的公司数量
与添加相对买卖价差相关的R2表明流动性效应可以在很大程度上帮助解释
持续的现货溢价。
因此，
当我们使用
从一阶段回归导出残差并估计
MVMQ‑CAViaR 模型中，
我们显式控制这些变量。
请注意，
高建议零售价意味着高尾部风险溢价，
并且
高绝对负基数对应于深度逆差，
然而，
MVMQ‑CAViaR 模型需要指定
每个内生变量具有相同的分位数。
因此我们
取[－ΣSRP,t, Σi
布沃德,t
] 估计 MVMQ‑CAViaR 模型
并报告负脉冲响应函数 ‑ ΨSRP,t
以便直接与 VAR 的结果进行比较
大幅减少，
我们决定使用原来的期货
模型。
以及 0.1 分位数、
0.5 分位数和 0.9 分位数
Machine Translated by Google
14
J.梁等人。
他们
图 6. 具有SRPt和Bward 的双变量 VAR 的脉冲响应函数获得该图的模型规范与图4 类t 。
似。
对应波动、
正常、
平静的市场，
脉冲响应函数及其对的 95% 置信区间 [xii
分别。
布沃德,t
图7‑9说明了估计的响应面
图10‑12的左上子图表明，
对于
关于分位数和持续周期
IC、
IF 和 IH 合约，
在 θ = 0.1 的情况下，
SRP 每增加一个标准差将导致
0.21%、
0.10% 和 0.08%
内生变量对的 MVMQ‑CAViaR 模型
[ ΨSRP,t, Ψi
布沃德,t
, ΣSRP,t]其中i ∈ {IC, IF, IH}。
这
]，
其中i分别为{IC,IF,IH} 。
Bward在接下来的一到三个时期内减少，
并且
图7的左子图展示了响应函数
脉冲响应在统计中很重要，
除了
我知道了
布沃德化
t
IH 合同。
上部中心子图表明
来自 SRPt 的震惊。
显然，
我知道了
是Bward对一种标准差冲击的弱反应
Bward对SRPt冲击的响应取决于
t
正常市场期间的建议零售价。
下面的子图
分位数。
在较低的分位数，
例如 0.1 分位数，
与较高分位数相比， SRPt的脉冲会产生更大的Bward负响应，
这表明尾部风险
溢价较高
图10‑12显示Bward在预测方面提供了丰富的信息
不同分位数的所有期货合约的未来建议零售价。
†
由于 MVMQ‑CAViaR 的脉冲响应分析为
可能导致股指期货深度现货溢价。
在较高的
顺序敏感，
使用替代内生变量顺序
我知道了
分位数，
例如 0.9 分位数， Bward对SRPt冲击的响应变为正。
t
到
测试分析的稳健性。
‡的显着性
我
Bward左尾的反应仍然存t , i ∈ {IC,IF}到来自SRPt的冲击
在。
图7的右子图显示了响应函数
我知道了
SRPt的灰化对来自Bward的冲击
t。
SRPt的响应
总之，
MVMQ‑CAViaR 模型的实证结果与 VAR 中的结果一致
在分位数上相对平坦。
与左图相比，
在相同分位数处，
有更大的负面响应
分析。 SRP 可以解释很大一部分
我知道了
SRPt在大约 10 个周期内从Bward上升到一个标准差的正向冲击，
这意味着逆 t
以下时期的期货现货溢价变化。
向收益的减少可能会导致尾部风险溢价降低。
图8和
9表现出相似的模式。
接下来我们来分析一下其意义
脉冲响应函数。
图10‑12展示了
† 这些结果可能与 VAR 分析的结果形成对比，
其中这种关系并不显着。
可能与此有关
流动性对现货溢价的解释取决于市场
一阶段回归中未考虑的条件。
‡ 这些结果在附录中报告。
Machine Translated by Google
15
尾部风险规避与股指期货现货升水
我
表 4. 双变量 VAR 预测误差的方差分解（包含ΨSRP,t和 Ψ）
。
布沃德,t
面板 4a
面板 4b
X
❖SRP,t
我知道了
我知道了
X
❖SRP,t
布沃德,t
X
❖SRP,t
布沃德,t
X
❖SRP,t
面板 4c
我知道了
1.00
0.00
0.29
0.71
1
0.97
0.03
0.34
0.66
2
0.97
0.03
0.41
0.59
3
0.97
0.03
0.42
0.58
4
0.97
0.03
0.43
0.57
5
0.98
0.02
0.43
0.57
6
0.98
0.02
0.43
0.57
7
0.98
0.02
0.44
0.56
8
0.98
0.02
0.44
0.56
9
0.98
0.02
0.44
0.56
10
0.98
0.02
0.44
0.56
11
0.98
0.02
0.44
0.56
12
0.98
0.02
0.44
0.56
13
0.98
0.02
0.44
0.56
14 15
0.98
0.02
0.44
0.56
X
❖SRP,t
布沃德,t
如果
X
❖SRP,t
X
❖SRP,t
布沃德,t
1.00
0.91
0.90
0.90
0.90
0.91
0.91
0.91
0.91
0.91
0.91
0.91
0.91
0.91
0.91
如果
布沃德,t
如果
X
❖SRP,t
布沃德,t
他们
❖SRP,t
布沃德,t
0.26
0.74
1.00
0.00
0.21
0.80
0.29
0.71
0.95
0.05
0.28
0.72
0.10
0.31
0.69
0.94
0.06
0.31
0.69
0.10
0.32
0.68
0.93
0.07
0.34
0.67
0.10
0.37
0.63
0.93
0.07
0.34
0.66
0.09
0.49
0.51
0.92
0.08
0.34
0.66
0.09
0.52
0.48
0.92
0.08
0.34
0.66
0.09
0.53
0.47
0.92
0.08
0.35
0.66
0.09
0.55
0.45
0.92
0.08
0.35
0.65
0.09
0.56
0.44
0.92
0.08
0.35
0.65
0.09
0.56
0.44
0.92
0.08
0.35
0.65
0.09
0.57
0.43
0.92
0.08
0.35
0.65
0.09
0.57
0.43
0.92
0.08
0.35
0.65
0.09
0.57
0.43
0.92
0.08
0.35
0.65
0.09
0.57
0.43
0.92
0.08
0.35
0.65
布沃德,t
我知道了
[r50
t ETF
, RV50tETF ] 和Xi
t
= [山,里
我知道了
t,
使用样本
在第一阶段回归中获得XSRP规范
布沃德,t
t
房车t ] 其中i分别为{IC, IF IH}。
第 4a 组、
第 4b 组和第 4c 组报告双变量结果
如果
, 与ΣSRP,t和 Σ
布沃德,t
他们
布沃德,t
0.09
我
具有ΣSRP,t和 Σ 的VAR
X
0.00
该表报告了具有ΣSRP,t和 Σ 的双变量 VAR 从 1 到 15 个周期的预测误差的方差分解
从 2015 年 6 月 26 日到 2015 年 9 月 30 日。 ΣSRP,t和 Σ
他们
布沃德,t
布沃德,t
他们
, 以及ΣSRP,t和 Σ
布沃德,t
， 分别。
第二行列出了预测变量，
第三行列出了用于预测的变量。
表 5.扩展样本中的第 1 阶段回归结果。
布沃德
他们
如果
我知道了
布沃德
截距 ‑ 2.51******** (0.30)
他们
如果
我知道了
布沃德
布沃德
布沃德
0.55******
0.91＊＊＊ ‑ 3.92＊＊＊ ‑ 0.70 (0.18) (0.54)
(0.24)
(0.47)
布沃德
建议零售价
‑ 1.28**
‑ 2.13**
(0.62)
(1.16)
期限－ 0.06******** － 0.05******** － 0.03******** － 0.06 ******** － 0.04******** － 0.03********
(0.01)
0.01
里t
(0.01)
0.01
(0.01) (0.01) － 0.02 －
(0.01)
0.01 (0.06) (0.06) －(0.01)
0.50＊＊＊ ＊ 0.73＊＊＊ ＊
0.55＊＊＊ ＊ 0.57＊＊＊ 0.01
＊ 0.71＊＊＊ ＊ 0.600.03
＊＊＊
(0.04)
(0.05)
(0.04)
(0.19)
(0.11)
－ 4.79
(0.06)
房车t
(0.13)
(0.28)
RSi
,t
RSi
英石
(0.27) (0.20)
‑ 17.43*** ‑ 6.33*
(3.57)
(3.67)
12.51
(6.62)
12.42
20.55******
(9.51)
(7.78)
(5.47)
－ 0.34
r50ETF
t
(0.39)
RV50ETF
t
4.27******
调整。 R2
(1.37)
0.39
0.37
0.37
0.33
0.41
0.39
0.39
该表报告了使用2015年6月26日至2017年12月29日样本的第一阶段回归的估计者。
我
回归指定如下： Bward
和第四纵队，
习
最后一栏， XSRP t
更正。 ＊， ＊＊
t
t
= [山,里
t,
布沃德
+ βi
布沃德
席t
+x
我
, i ∈ {IC,IF,IH}。
对于第二个、
第三个
布沃德,t
房车t ];第五、
六、
七纵队，
习
t
= [山,里
t,
房车t , RSi
RSi
英石，
,t
];为了
, 右心室ETF
= [rETF
]。
标准差在括号中报告，
其基于 Newey‑West
t
t
和 ****** 分别表示 10%、
5% 和 1% 水平下的统计显着性。
特别是，
这种关系在动荡时期比平静和正常时期更为牢固。
所以，
期货现货溢价确实反映了所支付的风险溢价
由期货交易者在发生尾部事件时对冲尾部风险
发生。
= αi
4.5.稳健性测试
由于VAR的脉冲响应分析对阶数敏感，
因此采用替代内生变量阶数来检验
分析的稳健性。
我们还扩展了示例
=
Machine Translated by Google
16
J.梁等人。
我知道了
图 7. 具有SRPt和Bward 的双变量 MVMQ‑CAViaR 的脉冲响应函数Z轴（垂直于屏幕平面）
表示脉冲响应。 t 。
我们用不同的颜色来区分等级
脉冲响应，
较浅的颜色表示更多的积极影响，
而较深的颜色表示更多的消极影响。
如果
图 8. 具有SRPt和Bward 的双变量 MVMQ‑CAViaR 的脉冲响应函数获得该图的模型规范与图7 类似。
t。
他们
图 9. 具有SRPt和Bward 的双变量 MVMQ‑CAViaR 的脉冲响应函数获得该图的模型规范与图7 类似。
截止至2015年12月31日，
并考虑控制
回归中的流动性变量。
由于篇幅限制，
这些估计结果详细报告于
附录第 II.1、
II.2 和 II.3 节。
总体来说我们主要
研究结果对这些变化相当稳健。
另一个担忧是上述实证结果可能
是由于非同步交易造成的。
正如第一节所述
如附录所示，
我们试图减轻
利用对应指数ETF价格的非同步交易效果，
还原指数真实水平，
因此，
这是每份期货合约的真正基础。
然而，
一些
由于ETF与其相应指数之间的无套利关系，
估计误差可能仍然存
在。
t。
虽然验证我们隔离非同步交易方法的有效性即使不是不可能也
是很困难的
效果，
我们很幸运地发现，
从
2020年1月1日至2020年7月31日与我们的非常相似
原始样本，
从市场也观察到的意义上来说
高水平的尾部风险溢价或恐惧是由于
COVID‑19 的传播。
同时，
有一个极低的
涨停或停牌的公司个股数量，
表明非同步发行可能是
在此期间最少。
因此，
我们使用这个新的样本周期重新估计我们的
模型。
结果报告于
附录的 II.4 节与我们的主要内容非常相似
调查结果以及关于之间关系的结论
Machine Translated by Google
尾部风险规避与股指期货现货升水
17 号
我知道了
图 10. 具有SRPt和Bward 的双变量 MVMQ‑CAViaR 的脉冲响应函数
双变量 MVMQ‑CAViaR 的脉冲响应函数，
具有ΨSRP,t和 Ψ
= [Mt,rICt ,
布沃德,t
2015年6月26日至12月29日样本估计
我知道了
2017 年已呈现。 Ψ
十九
t
t。
我知道了
和ΣSRP,t是在第一阶段回归中以XSRP为规格得到的
布沃德,t
右心室血管内皮细胞
t,
RSIC
RSIC
,t
英石，
t
= [r50 ETF
t
, RV50t ETF ] 和
] ， 分别。
不同市场状态随时间变化的动态行为以及
显示 95% 置信带，
指示估计值的统计显着性。
SRP 和股指期货的现货溢价并不
改变。
波动率 iVIX 无法解释现货溢价动态
中国股指期货。
我们还检查是否可以使用其他情绪或不确定性指标（例如隐含波动率指数）
来代理
尾部风险溢价以及对冲压力。
为此，
我们用上证50 ETF期权隐含波动率代替
5. 进一步讨论
iVIX 指数，
用于我们的实证测试中的 SRP。
结果
在第二节中报告。
附录5。
我们发现
xiiVIX,t之间不存在显着的格兰杰因果关系
和xi
其中i ∈ {IC,IF,IH}，
且无显着响应
布沃德,t
的xii
布沃德,t
5.1.为什么增加建议零售价会减少期货价格
基础？
SRP，
计算为上行方差风险溢价和下行方差风险溢价之间的差
到 xiiVIX,t 的冲量。
这些结果表明
SRP 指标包含有关市场尾部风险的信息
无模型隐含未捕获的溢价
挥发性。
事实上，
从图的右下子图来看
3、
我们可以看到Bward的时间序列要高很多
与 iVIX2 相比的变化。
特别是在此期间
2015年8月26日至9月7日Bward创新高期间， Bward与iVIX2的差异为
显着且明显。
总之，
我们的结果对于各种问题都相当稳健
包括内生变量的排序，
不同的
样本周期、
控制流动性变量和异步交易。
我们还发现该选项隐含
投资者的“净”
悲观情绪
市场和市场崩溃的不确定性（Bollerslev
和托多罗夫2011）。
现有文献也证实
投资者对不确定性的恐惧主要是对罕见事件的恐惧，
例如
大的负跳跃（Liu et al. 2005）
和偏度（Orlik
和 Veldkamp 2014），
而不是市场上行差异的风险。
这与本研究涵盖的子样本区
间（6 月 26 日至 9 月 7 日）
相吻合。
尾部风险担忧引发市场恐慌情绪加剧
套期保值压力进一步压低股指期货价格，
从而导致深度现货溢价。
最可能的市场机制如下： 指数
期货长期以来一直是中国唯一的避险工具
Machine Translated by Google
18
J.梁等人。
如果
图 11. 具有SRPt和Bward 的双变量 MVMQ‑CAViaR 的脉冲响应函数获得该图的模型规范与图10 类似。
机构投资者可以通过相当良好的流动性对冲整个市场的风险。
尤其是在市场崩盘期
间，
监管机构推出了禁止共同基金出售股票和卖空限制等限制措施。
当中国股市开始崩
t。
凯利等人。 （2016）
认为，
2008年金融危机期间美国政府采取的市场干预和救助
措施降低了银行和指数的看跌期权价格以及隐含波动率的偏度。
盘时，
巨大的对冲压力就会出现，
并完全通过股指期货市场来释放。
投机者变得不太愿
意在当前指数水平附近做多股指期货，
因为他们担心价格进一步下跌。
因此，
多头对股
指期货合约的出价更低，
而空头的套期保值需求迅速积累，
导致套期保值服务的供需
这个论点也适用于中国的情况。 IH合约标的指数成分股主要为大盘股公司，
其中银行及其他金
失衡加剧，
从而导致多头投机者向空头套期保值者收取更高的风险。 ‑ 比平时更好。
融公司约占总市值的60%。
这些大盘股大多也被纳入IF合约的标的指数中。
在股市崩盘期间，
这些
这个风险溢价代表了投机者向市场提供对冲服务所赚取的“服务费”。
股票往往具有较高的救助优先权。
此外，
正如美国市场一样，
金融机构“系统性太强而不能倒闭”
（Kelly等， 2016）。
相比之下，
IC合约的成分股主要是小型非金融公司，
“系统性较差”，
因此
救助优先级较低。
因此，
投资者认为持有大公司股票就相当于买了一份“保险”，
因此对大公司成
分股指数的尾部风险的担心不如其他指数的尾部风险。 。
因此，
IH和IF合约，
尤其是前者，
对投资
者尾部风险厌恶程度的敏感度较低，
而IC合约则较敏感。
5.2.为什么不同的合约对 SRP 的反应不同？
上述实证结果发现，
尾部风险溢价对三种期货合约价格的影响大小依次为IC、
IF、
IH，
而现货溢价对三种期货合约的尾部风险溢价的影响则相反：
从大到小依次为 IH、
IF
和 IC。
我们在下面提出对此现象的解释。
5.3.如何消除持续的现货溢价？
正如引言中所讨论的，
期货现货溢价是套期保值者的交易成本。
每月 3% 的现货溢价，
如
Machine Translated by Google
19
尾部风险规避与股指期货现货升水
他们
图 12. 具有SRPt和Bward 的双变量 MVMQ‑CAViaR 的脉冲响应函数获得该图的模型规范与图10 类似。
t。
有人在 2015 年中国市场崩盘期间观察到，
图13未平仓指数期货的突出价值
意味着年化对冲成本高达36%，
即使从全球角度来看，
这个数字
也高得令人难以置信。
因此，
得到
其持仓量远大于其对应成分股的融券余额总额。
的价值
期货现货溢价回到正常水平成为
未完成的IC合约超过100倍，
甚至超过400倍
监管机构的紧急议程。
某一时刻证券借贷余额总额的倍数
那么，
对股指期货交易的监管禁令是否有助于
相应的指数成分股；
对于 IF 和 IH
降低现货溢价的严重程度？
这个问题的答案
合同数量较少，
但仍保持在 10 个以上
根据我们的研究，
这个问题显然是否定的。
次。
因为证券借贷市场容量很大
期货是重要的风险管理工具。
在像研究中那样的流动性崩溃期间，
股指期货
提供卖空现货的替代方案。
当期货
由于对冲压力，
基差被推得很低，
做空股票和做多期货可以产生无风险的套利利润。
套利者进入市场将
低于股指期货市场，
无法修复股指期货市场的大幅贴水
通过套利交易，
带来持久的期货
现货溢价。
毫不奇怪，
事实证明这些交易限制
现货和股指期货市场不仅无法
修复并推动基础恢复正常，
从而减少
市场投资者的尾部风险厌恶情绪。
然而，
中国 A 股市场的监管卖空限制，
†
消除股指期货持续负基差
合同价格也不利于风险管理
充分发挥股指期货市场的功能，
提高投资者的投资意愿
再加上期货交易限制，
导致套利交易无法有效执行。
如图所示
对冲成本。
我们的分析提供的一条建议是
监管机构应通过推出更多衍生品并放松监管来扩大中国金融风险管理的工具集
† 根据 Cao 和 Li (2020) 的研究，
中国的 MTSL（保证金交易）
卖空限制，
希望满足投资者的避险需求，
消除尾部风险厌恶的根源
和担保借贷）
与 MT 保持不平衡：
SL 余额为
97:3，
主要是由于符合条件的股票/贷方/订单类型有限；
和
股票借贷费用高。
行业股票借贷利率约为
8%，
略高于融资融券利率。
此外，
安全
中国的贷款业务受到相当大的限制，
既因为经纪人
其安全池面临巨大的对冲成本，
因此
证券供应有限，
而且经纪人和典型客户之间存在大量沟通/谈判成本。
全部
以及传导至现货市场的恐慌情绪
来自股指期货市场。
这些卖空限制有助于在股指期货基础上产生广泛的无套利区间，
从而导致深度的“持久
性”
现货溢价。
Machine Translated by Google
20
J.梁等人。
然后，
我们计算上证 50 ETF 期权价格中体现的偏度风险溢价，
作为投资者净悲观
情绪、
恐慌程度以及为尾部事件支付的不确定性溢价的代理。
对市场崩盘时样本中
SRP和股指期货基数的VAR分析表明，
SRP可以很好地解释股指期货的负基数，
这与
交易者对尾部风险的恐惧引发的恐慌有关。
投机者对崩盘风险的恐惧导致他们向套期
保值者收取高额“保险费”。
另一方面，
股指期货现货升水加深，
建议零售价不断上
升，
引发新一轮投资者恐慌，
市场不确定性溢价进一步上升。 MVMQ‑CAViaR 分析进
一步证实了 VAR 分析的这些发现。
因此，
我们的结果补充了现有文献，
表明对冲压力确实影响期货价格，
反之亦然。
反之亦然。
图 13. 股指期货成交量与持仓量之比。
由于卖空限制，
股指期货的深度现货溢价在整个市场崩盘期间持续存在。
灰色区域对应于2015年6月26日至2015年12月30日期间。
现货市场。
在存在卖空约束的情况下，
套利者在技术上不可能进入市场来消除深度现货溢价。
†监管
机构应通过增加风险管理“工具和服务”
的供给并减少风险管理“工具和服务”
的供给，
努力改善市
场微观结构。
投资者感受到的不确定性，
从而降低对冲成本。
5.4.为什么股市崩盘时就开始出现持续负基差？
有记录的股指期货持续现货溢价是一种新现象。
它始于2015年6月26日，
在此之前，
在
中国股指期货市场或全球股指期货市场的其他地方，
持续出现负基差的情况并不常
不过，
本文的结果需要谨慎解释，
因为我们最多提供间接证据。
但目前很难获得直
见。
如上所述，
现货和期货价格如此持续的巨大偏差显然与套利的限制有关。
然而，
由于
接证据，
因为中金所公布的期货持仓数据是期货经纪公司客户总持仓总额，
而不是分
中国股市长期存在卖空限制等市场摩擦，
因此很难用市场摩擦引发的套利限制来解释
类客户持仓。 ‡未来，
如果分类客户持仓数据数据可用后，
就可以严格测试上述机制。
为什么在市场崩盘之初就出现了这种现象。
自然会出现以下问题：
是否有类似于1987年美国市场崩盘中期权隐含波动率微笑
致谢
出现的原因，
即“比索效应”，
或者可以用Lee等人提出的市场情绪假说来解释。
(1991)解决封闭式基金折价之谜？
不幸的是，
鉴于可用数据有限，
我们现阶段无法对
这些重要问题提供完整、
明确的答案。
我们感谢两位匿名定量金融审稿人提出的建设性建议，
极大地改进了本文。
我们还要
感谢厦门大学‑天津大学数量金融与风险管理论坛、
厦门大学第一届大中华金融研讨
会以及清华大学中国金融研究年会的参加者，
本文的早期版本是在这些会议上发表
的。
呈现。
我们受益于梁奇、
张伟、
蔡宗武、
周英刚、
张晓燕、
张群子的意见和建议。
我们对
任何剩余的错误和遗漏承担全部责任。
六，
结论
在本研究中，
我们探讨了 2015 年市场崩盘期间中国股指期货持续大幅现货溢价的
原因。
我们首先纠正现货和期货市场交易不同步造成的指数扭曲。
披露声明
作者报告没有潜在的利益冲突。
所揭示的“真实”
基础表明，
对交易暂停和每日价格限制等不频繁交易因素的调整不
足以解释股指期货市场持续的现货溢价。
尝试使用现货市场的波动性和收益来解释
† 有传闻称，
一些市场投资者从期权投资组合中复制空头头寸，
但很快监管机构就禁止了这种
基差的变化，
如 Chen等人。 （1995）
也失败了。
行为。 ‡ 美国商品期货交易委员会将商品期货交易者分为商业头寸和投机头寸，
前者又可分
为对冲头寸。
Machine Translated by Google
21
尾部风险规避与股指期货现货升水
资金
Carr, P. 和 Wu, L.，
方差风险溢价。
财务修订版。
研究， 2009，
22，
1311‑1341 。
梁的研究工作得到了国家自然科学基金（批准号：
71871087和71971077）、
教
Chen, NF、
Cuny, CJ 和 Haugen, RA，
股票波动性以及期货合约的基差和未平仓合约水
平。 J。
金融， 1995，
50，
281‑300 。
育部人文社会科学基金（批准号：
17YJC790089）
和湖南省自然科学基金（批准
号：
2019JJ40026）
的资助。 ）。
韩的研究得到国家自然科学基金（国家自然科
学基金项目编号：
71471153）
的支持。
De Roon, FA、
Nijman, TE 和 Veld, C.，
期货市场的对冲压力效应。 《金融杂志》 ，
2000，
55，
1437–1456 。
Drechsler, I.，
不确定性、
随时间变化的恐惧和资产价格。 J。
金融， 2013 年， 68，
1843–1889 。
Drechsler, I. 和 Yaron, A.，
卷与它有什么关系。
财务修订版。
研究， 2011，
24，
1‑45 。
Feunou, B.、
Jahan‑Parvar, MR 和 Okou, C.，
下行方差风险溢价。 J. 金融。
经济学，
2018，
16，
341‑383 。
Garleanu, N.、
Pedersen, LH 和 Poteshman, AM，
基于需求的期权定价。
财务修订版。
研
补充数据
本文的补充数据可以在线访问： http://dx.doi.org/
10.1080/14697688.2024.2330612。
究， 2008，
22，
4259–4299 。
Han, J. 和 Pan, Z.，
流动性与期货现金基础之间的关系：
来自自然实验的证据。 J. 金融。
马克， 2017，
36，
115‑131 。
Harris, L.，
1987 年 10 月标准普尔 500 股票期货基础。 J。
金融， 1989，
44，
77‑99 。
Hemler, ML 和 Longstaff, FA，
一般均衡股指期货价格：
理论和经验证据。 J. 金融。
定量。
ORCID
Jufang Liang http://orcid.org/0000‑0003‑0917‑8799
分析， 1991，
26，
287‑308 。
Hicks, JR， 《价值与资本》， 1946 年（牛津大学出版社：
牛津）。
Hirshleifer, D.，
商品期货市场对冲和风险溢价的决定因素。 J. 金融。
定量。
分析， 1989，
24，
313‑331 。
Kelly, B.、
Lustig, H. 和 Van Nieuwerburgh, S.，
《系统性太强而不能失败：
期权市场对
全行业政府担保意味着什么》。
是。
经济。
修订版， 2016 年， 106，
1278–1319 。
参考
Acharya, VV、
Lochstoer, LA 和 Ramadorai, T.，
套利和对冲的限制：
来自商品市场的证
据。 J. 金融。
经济学， 2013，
109，
441‑465 。
Antoniou, A. 和 Garrett, I.，
股指期货在多大程度上导致了 1987 年 10 月的股市崩盘？
经
济。 J. ， 1993，
103，
1444‑1461 。
凯恩斯，
JM， 《货币论》，
第二卷，
1930 年（麦克米伦：
伦敦）。
Lee, CM、
Shleifer, A. 和 Thaler, RH，
投资者情绪和封闭式基金之谜。 《金融杂志》 ，
1991，
46，
75‑109 。
Liu, J.、
Pan, J. 和 Wang, T.，
罕见事件溢价的均衡模型及其对期权傻笑的影响。
财务修订
版。
研究， 2005，
18，
131‑164 。
Bates，
DS，
崩溃风险市场。 J.经济。
动态。
控制， 2008，
32，
2291‑2321 。
MacKinlay, AC 和 Ramaswamy, K.，
指数期货套利和股指期货价格行为。
财务修订版。
研
究， 1988，
1，
137‑158 。
Bessembinder, H.，
期货市场的系统风险、
对冲压力和风险溢价。
财务修订版。
研究，
1992，
5，
637‑667 。
苗杰、
魏斌、
周红，
模糊厌恶与方差溢价。
庆杰财经, 2019, 9, 1950003.
Bollen, NP 和 Whaley, RE，
净买入压力是否会影响隐含波动率函数的形状？ 《金融杂志》， 2004
年， 59，
711‑753 。
Bollerslev, T. 和 Todorov, V.，
尾部、
恐惧和风险溢价。 J。
金融， 2011，
66，
2165‑2211 。
Bollerslev, T.、
Gibson, M. 和 Zhou, H.，
波动率风险溢价的动态估计以及期权隐含和已
实现波动率的投资者风险规避。
经济学杂志， 2011，
160，
235–245 。
曹红、
李燕，
中国证券业 证券借贷
蓝海机遇， 2020（瑞银）。
Orlik, A. 和 Veldkamp, L.，
了解不确定性冲击和黑天鹅的作用。
技术报告，
国家经济研究
局，
2014 年。
Roll, R.、
Schwartz, E. 和 Subrahmanyam, A.，
流动性和一价定律：
期货现金基础的案
例。 《金融杂志》， 2007 年， 62，
2201–2234 。
White, H.、
Kim, TH 和 Manganelli, S.，
VaR 的 VAR：
使用多元回归分位数测量尾部依赖
性。
经济学杂志， 2015，
187，
169–188 。