QFII 对股指期货波动性的影响

--以沪深 300 股指期货为例

李雨欣

（哈尔滨工业大学管理学院 150000）

摘 要：该文指在研究 QFII 参与股指期货对股指期货波动性的影响。本文以 2010~2015

年沪深 300 股指期货日收益率为样本数据，构建增加虚拟变量的 GARCH 模型进行实证研究。

研究表明：从波动水平来看，QFII 参与股指期货对股指期货的波动性具有影响，其在一定程

度上抑制股指期货的波动性，但抑制作用较低。

关键词：QFII；沪深 300 股指期货；波动性；GARCH

一、引 言

自中国大陆在 2002 年 12 月正式实施 QFII（Qualifief Foreign Institutional Investors,  合格的

境外机构投资者）试点以来，中国证监会、国家外汇管理局与证券交易所对 QFII 制度限制各

项逐步放宽，证监会于 2013 年 1 月 25 日允许 QFII 通过分别委托三家境内期货公司参与股指

期货套保交易，由此正式拉开境外投资机构投资股指期货的内幕。

二、文献综述

早期国外学者从机构投资者与单个股票之间的关系出发进行研究，研究表明机构投资者

因较大的交易量影响到股价。Chart，Louis (1995)对美国 37 价机构投资者交易前后股票价格的

变化进行实证分析发现大宗买卖对股票价格有显著影响[1]。Sias 和 Richard (1997)通过研究机

构投资者与日收益率的相关性发现机构交易者的交易行为之间存在相关性并会引起股价的波

动[2]。而以上研究仅表明机构投资者与股价存在影响，但具体产生何种影响目前还未有一致看

法。部分学者认为，机构投资者较个人投资者而言交易更加理性，会推动价格靠近基本价值，

起到抑制波动性的作用。Kim(2000)  以亚洲及南美国家资本市场为例，实证研究发现样本国家

引入 QFII 制度后股市收益率在前 12 个月呈上升趋势随后会逐渐回归引入前水平，而波动率则

呈下降趋势[3]。另一部分学者则持相反观点，认为机构投资者进入对股市有不稳定影响，市场

中的噪声交易者与机构投资者出现羊群效应，发生正反馈交易时，其交易行为会加剧市场波

动。DeLong et al.(1990)通过对韩国经济危机时期的研究表明，股市剧烈波动时市场正反馈交

易明显加强[4]。Choe(1999)研究韩国等新兴市场发现 QFII 资本进入会加大资本回报波动，对韩

国证券市场造成负面影响，降低证券市场稳定性[5]。

国内学者主要从以下几个角度进行研究，在投资者交易行为方面，刘成彦、胡枫、王皓

（2007）研究表明虽然 QFII 存在羊群行为的特征，但因其理性投资其羊群效应并未表现出正

反馈交易特征，不易增大市场的波动性[6]；在金融实证研究中，张雪莹(2005)研究表明 QFII

增强股市波动性但并不显著的结论。作者认为原因之一是数据周期短，入市资金所占比例较

小；另外我国股市扩容也抵消 QFII 入市资金供给力度[7]。王麟乐、张一(2011)选取 1990 到 2009

年上证综指数据，发现 QFII 对 A 股市场收益率波动有减弱作用，但并不显著[8]。

 

1

 

三、实证研究

（一）模型构建

本文采用采用 GARCH 模型，通过增加前期预测方差滞后项，将前期的随机误差平方项

和滞后的条件方差项进行线性组合，不仅具有 ARCH 描述时间序列条件异方差的和描述波动

性与集聚性的特性，同时简化高阶 ARCH 的参数[9]。为了表示 QFII 进入前后股指期货收益率

的变化，本文在 GARCH（1,1）模型中引入（0,1）的虚拟变量 D，通过估计得出的虚拟变量

修正后的条件方差方程：  RFt = ϕxt + εt + γD （2）

系数 的正负值判断分析 QFII 引入股指期货后对股指期货市场的影响。修正模型为公式（2）

λ σt2 = α0 + α1εt−12 + βσt−12 + λD

修正后标准条件均值方程： （1）

αD=0：QFII 进入股指期货前 D=1α：QFII 进入股指期货ε后

修正后的模型中各含义的解释：0表示所研究的σ对象的系统特性β；1表示在 T-1 时σ期的 2t−1

的系数，经济含义表示近期的噪声或者市场信息对 t的影响程度； 表示时期的 2t−1系数，

经济学含义表示未来市场的波动性收到前期陈旧信息影响的程度大小，其中的值越大，表示

波动性受干扰因素影响的时间越长，即信息在市场上吸收反馈较快，传递也较快。虚拟变量

系数反应波动性的变化，通过的大小可以在一定程度上反应 QFII 进入前后股指期货市场上

收益率的波动程度。

（二）样本选取与处理

本文选取沪深 300 指股指期货为研究对象，通过事件研究法，将政策允许 QFII 进入股指

期货的 2013 年 1 月 25 日作为分界点，2010 年 10 月 14 日-2013 年 1 月 24 日为 QFII 进入股指

期货前的研究子区间，共 834 个数据；2013 年 1 月 25 日-2015 年 5 月 08 日为 QFII 进入股指

期货后的研究子区间，共 832 个数据。

对于沪深 300 股指期货合约的选择：首先，选取最近交割的主力股指期货合约作为研究

对象，当最近期的股指期货合约即将交易退出市场时，选取下一个最近期的主力期货合约作

为研究对象，形成连续合约；其次，对于停盘日数据，因为停盘日不进行交易，所以收盘价

等数据均不会变动，因此对于采样区间的数据期间内的停盘价运用停盘前一日的数据进行补

充。在对于股指期货波动性研究方面，因为对数收益率经过对数变换可以在一定程度上消除

非平稳性，将序列转换为线性趋势，因此一般将日收盘价进行处理后采用对数收益率刻画波

其中， 表示 t RF = lnf tlnf

动性的大小。 t t t−1

RF f − （3）

t t

时间的对数收益率， 表示  时间的股指期货日收盘价。

（三）数据统计特RF征分析

根据对数收益率 t的直方图及描述性统计数据可知，其峰度为 8.335337 大于 3，偏度 -0.177065 小于 0，说明数据左拖尾，具有“尖峰尾厚”的特征。同时，JB 的统计量为 1984.708，

伴随概率为 0，表示股指期货的对数收益率拒绝序列服从正态分布的原假设，即序列不服从正

 

2

 

态分布。根据RFt的时序图可观察到，对数收益率的波动存在聚集现象。以上特征综合显示出数据存在异常值成群、波动聚集的特征，可以初步判断 RF 序列具有 ARCH 效应。

四、实证过程与回归结果分析

（一）ARCH 效应检验

ARCH 效应检验是建立 ARCH 模型或 ARCH 族类模型的基础，本文按照下列步骤进行建

模。第一，进行 ADF 检验。如果原序列非平稳，存在单位根，则对其一阶差分序列进行 ADF

检验，以此类推，直至序列平稳；第二，通过 AIC 和 SC 值的大小确定 ARMA(p, q)中 p 与 q

的值，其值越小模型越优；第三，根据确定滞后期 p 值，初步建立 ARCH 均值模型，表示股

指期货收益率 RF 序列服从 AR(P)自回归模型，对均值模型进行 LS 估计与 ARCH-LM 检验，

判断 ARMA(p，q)模型的残差的波动聚集性，若滞后期 p 值较大则选择 GARCH 模型；第四，

构建 GARCH 模型。从较小的滞后阶数开始对 GARCH 项系数显著性进行检验，判断模型中

的残差是否还存在 ARCH 效应，若残差仍存在 ARCH 效应则增加 GARCH 的阶数，直至残差

的 ARCH 效应消失为止；第五，对 GARCH 模型进行修正，加入虚拟变量。将 QFII 进入股指

期货前后作为两个区间，前期 d=0，QFII 进入后 d=1，通过对虚拟变量 D 其系数及显著性的

分析判断 QFII 进入股指期货RF对股指期货的波动性是否有较大影响。

（1） 平稳性检验。对 t进行 ADF 检验。检验结果：RF 的 T 统计量为-42.22318，绝对值均大于 1%、5%、10%下的临界值，因此拒绝存在单位根的原假设，即 RF 序列不存在单位

根，序列是平稳的，满足建立 ARCH 或 GARCH 模型的检验条件。

（2）自回归性检验

假设 RF 的均值方程为： RFt = C +  i=1n βt Rt−i + ϵt

（4）

其中, εt~N(0,σ2),且为白噪声序列，βt为 t − i 滞后期相应项的自回归估计系数。

 

表 1 为 ARMA 自回归分析结果：

首先对 ARMA(1,1) 至 ARMA(11,11)进行回归，选取 ARMA(3,3)、ARMA(5,5)、

ARMA(7,7)三个各自回归系数完全显著的

模型，通过表 1 比较 AIC 和 SC 值，发现模

型中 AIC 与 SC 两个值的变动幅度并不明

显，并对各模型的残差序列进行 LM 检验，

其残差均不具有 ARCH 效应。因此，最后

 

表 1  ARMA 自回归分析结果

ARMA(3,3) ARMA(5,5) ARMA(7,7)

AIC -6.154472 -6.165491 -6.174391

SC -6.131673 -6.129629 -6.12544

F-Statistic 1.739738 3.858581 4.282065

Prob 0.108109 0.000035 0.000000

残差序列自回归检验

P(F 统计量) 0.9511 0.5026 0.5416

P(R2 统计量) 0.9509 0.5117 0.5565

系数 完全显著 完全显著 完全显著

 

通过比较 F 统计量及其概率值，选择滞后期为 7 的自回归模型。根据回归结果可得出自回归

方程（5）： + 1.318395RF t−5

RF = 3.396034 + 0.138992RFt−1 − 1.331537 RFt−2 + 0.724937 RFt−3 − 0.666174 RFt−4

（ ）

− 0.109103 RFt−6 + 0.924485 RFt−7 − 0.158994εt−1 + 1.340963εt−2 − 0.742336εt−3 5

+ 0.687954εt−4 − 1.325382εt−5 + 0.154564εt−6 − 0.941622εt−7

 

3

 

由式（5）可判断，沪深 300 股指期货的对数收益率存在一定的自相关性，因此接下来可

以对 RF 序列进行 ARCH 效应检验。

（3） ARCH-LM 检验

首先提取均值方程回归的残差序列，绘制残差序列时序图。根据原序列的残差序列时序

图可知，小波动后有较小波动，大波动后有较大波动，原序列具有波动聚集效应。

对 ARCH 模型进行 ARCH-LM 检验，经过残差序列自相关函数图及多次运算，可判断残

差平方序列用 AR(7)拟合效果较好，即 ARCH-LM 选择滞后阶数为 7 阶，研究结果：LM 检验

结果的 F 统计伴随概率为 0.0001，小于 0.05，检验的卡方统计的伴随概率为 0.0001，小于 0.05，

因此在 5%置信度下原序列存在高阶 ARCH 效应，因此，随后应建立 GARCH 模型。

（二） 修正 GARCH 模型回归

以上样本具有高阶 ARCH 效应，因此可以运用已建立的 GARCH 模型。

对于 GARCH 模型 p 与 q 的选择方法同 ARMA 模型，在 AIC 与 SC 最小的基础准则上进

行滞后期的确定，避免因滞后项或多而引起的参数估计不精的问题。

本文用已建立的计量模型公式（3）（4）来检验允许 QFII 进入沪深 300 股指期货后，股

指期货收益率前后波动的变

化。通过选取不同的滞后期对 表 2  修正 GARCH 模型进行估计结果

修正 GARCH 模型进行估计与 GARCH(1,1) GARCH(1,2) GARCH(2,1) GARCH(2,2)

AIC -6.182286 -6.184799 -6.181382 -6.182097

计算，结果为下表 2： 由小到大排序 2 1 3 4

SC -6.159498 -6.158755 -6.155339 -6.152798

根 据 表  2  可 看 出 ， 由小到大排序 1 2 3 4

GARCH(1,1)的 AIC 值略大于 表 3  修正 GARCH(1,1)回归结果

GARCH(1,2) ，但是 SC 值小 GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) + C(7)*D01

方差回归结果

于 GARCH(1,2)，且 SC 相差

变量 系数 标准误差 Z 统计量 概率

程 度 大 于 AIC ， 并 且 ， C 2.40E-064.65E-07 5.168322 0.0000

RESID(-1)^2 0.024961 0.003334 7.487686 0.0000

GARCH(1,1)各回归系数全部 GARCH(-1) 0.957894 0.005611 170.7179 0.0000

D01 -4.02E-072.04E-07 -1.973724 0.0484

显著，模型拟合程度较好，因此选用 GARCH(1,1)模型，其所得结果如下表 3 所示：

σ = 2.4 × 10(7.487686)+0.024961ε(170.7179)t−1+0.957894σ(t−1-1.973724)4.02× 10 D

其方差方程为： −6 2 2 −7

2 −

并对 GARCH(1,1)模型的残差序列进行 ARCH-LM 检验，检验结果表明，GARCH(1,1)的

残差序列 LM 统计量概率值分别为 0.7177 和 0.7176，均超出 10%的置信区间，因此残差序列

不存在 ARCH 效应，原序列经过 GARCH(1,1)的拟合后，消除了条件异方差性，说明建立的

GARCH(1,1)模型是有效的。

（三）实证结果分析

方差方程中，虚拟变量 D 系数 Prob=0.0484<0.05，因此在 5%的置信区间上是显著的，说

 

4

 

明虚拟变量的引入可以接受。虚拟变量 D 系数为-4.02×10^(-7)，说明 QFII 进入股指期货后，

沪深 300 股指期货收益率的波动降低，进一步说明 QFII 一定程度上抑制了市场波的波动性。

五、结 论

首先，虚拟变量 D 系数在 5%的置信区间内显著，且系数为-4.02×10^(-7)，说明 QFII 进

入股指期货后，沪深 300 股指期货收益率的波动降低，从而说明 QFII 一定程度上抑制了市场

的波动性，对我国股指期货市场的价格的稳定性起到一定作用。

其次，系数的绝对值较小，说明 QFII 对股指期货市场收益率的波动性减少有限，原因可

能在于 QFII 参与我国股指期货市场时间较短，限制投资额度较低，因此引入 QFII 参与股指期

货市场对市场收益率的波动作用仍然较小。

最后，方差方程的 ARCH 项系数（残差滞后项系数）0.024961 与 GARCH 项系数（方差

滞后项系数）0.957894 之和为 0.982855，也称作衰减系数，代表股指期货市场收益率波动对

外部一次冲击的记忆，其值小于 1 并且非常接近 1，说明收益率自相关性很强，前一时期的冲

击在后一时期仍有 0.9828552=96.60%的比例停留，没有衰退。

综上所述，QFII 参与股指期货市场，对我国股指期货收益率的波动性具有积极的意义，

但是影响不显著，可能有一下几方面原因：首先，QFII 作为大型机构投资者，投资理念成熟，

注重基本面分析，其投资理念会在一定程度上影响其他投资者，从而降低非理性的投资行为，

降低市场的波动性；其次，QFII 作为理性人，投资目的为获取最大利益，同时其拥有较完备

的信息和较专业化的分析团队，因此会更及时发现价格机制通过套利获取利润，这会促使价

格回归真实价值，也一定程度上降低股指期货的波动性；最后，因为 QFII 于 2013 年初进入我

国股指期货市场，参与时间较短，另外就 QFII 参与股指期货市场在额度等方面仍有诸多限制

与规定，因此 QFII 投资行为对稳定市场、降低波动性的效用会大打折扣。

[参考文献]

[1] Chart, Louis K.C. and Josef Lakonishok, The behavior of stock prices around institutional wades [J].Journal of Finance. 1995.4:1147-1174.

[2] Sias, Richard. W. and Laura T. Starks, Herding and feedback trading by institutional and individual investors [J],Journal of Finance, 1997(54):2263 —2295．

[3] Kim E H．Stock Market Openings: Experience of Emerging Economies[J].

Journal of Business,2000.173:25-66

[4] DeLong.J.B. Positive feedback investment strategies and destabilizin rational speculators[J]. Journal of Finance, 1990.45:379-395

[5] Hyuk Choe, Bong-Chan Kho, René M Stulz. Do foreign investors destabilize stock markets? The Korean experience in 1997[J]. Journal of Financial Economics,1999,542.

[6] 刘成彦,胡枫,王皓. QFII 也存在羊群行为吗?[J].金融研究,2007,10:111-122.

[7] 张雪莹,引入 QFII 对中国股市风险影响的实证研究[J].统计与决策. 2005. (13):87-88

[8] 王麟乐 , 张一 , 卢方元 .QFII 制度对中国证券市场波动性的影响研究 [J]. 经济经纬.2011.(1):153-156