我国新三板市场运行特征及其与主板、创业板市场的关系

王佳丽

摘 要：文章获取2014年5月19日至2015年6月15日的三板成指数据，以其收益率序列为基础，建立GARCH模型，拟合新三板市场收益率波动情况，并且结合新三板收益率的数据统计分析，总结新三板市场的特征，如新三板收益率序列存在较高风险溢价，且存在波动集群现象。通过对比主板市场波动与新三板发展历程中出现较大事件的时间，发现多有重合，找到主板市场、创业板市场同期数据，利用ADF单位根检验，判断序列平稳性，得出协整关系并建立VECM模型，利用Granger因果分析、脉冲响应分析以及方差分解，分析得出新三板市场与主板市场、创业板市场间的相互关系。基于Eviews软件分析得出的结果与相关文献研究结论略有不同，在文中给予解释，本文的研究结论和成果对新三板市场制度制定以及相关研究具有较高的借鉴意义。

关键词：新三板 GARCH 主板 创业板 相互影响

中图分类号：F830.91  文献标识码：A

文章编号：1004-4914（2015）09-110-04

一、文献综述

中国金融市场日益完善，不同功能的融资市场各自发挥着不容忽视的作用，主板市场主要服务于大型成熟的企业，而在全球经济回暖的大环境下，中国GDP增速放缓，一批新兴产业的出现可以激活市场，是被各大机构投资者看好的投资对象。为了充分解决中小新创企业融资难的问题，便利融投资双方的需求，全国中小企业股份转让系统应运而出，2012年扩容以来，新三板的星火已成燎原之势，在2015年，转板试点政策越发明朗，做市业务于2015年3月18日三板做市股指正式发布指数行情，做市业务快速展开，局面被打开。截至2015年第一季度，做市转让部分总市值1336.58亿元，不到协议转让部分的一半，但是成交额已经远超过协议转让部分。做市制度成功吸引更多投资者进入新三板市场。同时各类新三板产品积极入市，公募基金试水新三板获得成功后，正在积极准备新三板指数基金产品。新三板带来的巨大机遇，无疑将对中国金融市场带来一定的影响，本文主要就是为了研究新三板市场的运行特征以及与主板市场、创业板市场间的互动关系。

以往对于新三板市场的研究多是从制度角度出发，如柴颖（2012）就是从新三板转板制度入手，如何打通准入新三板的通道，吸引更多投资者，使新三板能够为更多退市企业及难以在中小板上市的企业提供融资平台。鲍珍慧（2012）主要从宏观角度出发，研究了新三板市场的构建，包括挂牌上市制度、发行相关制度以及操作秩序等。陆泱（2013从定量角度，运用多元线性回归模型，发现小企业在新三板市场的融资效果，并进一步总结出新三板融资功能有限、流动性差等问题。自Engle（1982）采用ARCH模型研究收益率以来，国外学者在股票股价收益的研究方面取得了大量研究成果，产生了GARCH（Bollerslev，1986），GARCH-M（Engle，et al，1987），TARCH（Zakoian，1990）等模型。罗阳（2013）认为，GARCH模型可较好地拟合股指波动变化所呈现的尖峰厚尾特征，并能有效消除股指波动的异方差性。以往的学者，如朱双婧（2014）试图通过进行Granger因果检验和协整分析来看新三板与创业板之间的相互影响关系，自行编制了新三板指数，并以此与创业板综进行对比研究，但是这其中，计算过于简单，忽视了企业分红等问题，以及没有把市场的反馈体现出来。

本文结合以上文献的思路，充分考虑到已有研究在新三板领域的缺失以及新三板领域的新动态，利用2014年5月19日上线的三板成指，一年多的数据进行研究，在新环境下，研究新三板的特征以及与主板、创业板市场的联系。本文创新性的内容，希望为后续研究提供借鉴。

二、新三板市场基本研究

为了能够充分、准确地反映新三板市场，拟采用自全国代办股份转让系统新交易结算系统切换上线，即2014年5月19日至2015年6月15日间所有交易日的数据来对新三板运行情况进行分析。所有的数据均来自Wind资讯金融终端。

为了反映新三板市场的波动，利用收益率的变化来反映波动以及风险。新三板市场的收益率，采用各个交易日收盘指数的对数差。公式为

RRt=lnpt-lnpt-1

其中Pt表示三板成指当天的收盘价，RRt表示新三板市场收益率。

新三板收益率有明显的波动集群现象（见图1），为了能够更加清晰地了解波动情况，我们对数据进行如下的统计分析（见图2）。

由分析情况可知，三板成指的峰度为12.10602，P值为0.000000，拒绝三板成值呈现正态分布的假设，峰值大，呈现尖峰厚尾的特征。厚尾特征的出现一般而言有两个方面的原因：（1）信息集中出现导致指数大幅波动;（2）信息的作用没有立即在期货市场显示出来，大量信息的积累导致了大幅的波动。

接下来对序列进行ADF单位根检验（全称为Augmented Dickey-Fuller检验），在Eviews中运行ADF单位根检验，可以得到以下结果（见表1）。

P值为0.0000，很显著，因此新三板收益率时间序列为平稳序列。

而做出的新三板收益率的自相关和偏自相关图并没有出现拖尾特征，并且Q统计量对应的P值都比较显著，P值较小，说明在1%的水平上，拒绝“序列不存在自相关性”的原假设，则序列存在自相关性。

自回归滑动平均模型（ARMA模型，Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。选取ARMA（p，q）模型拟合序列，分别选取（p，q）为（1，1）（2，2）（3，3）（3，4）几个模型进行估计，观察各模型的P值。通过上面的分析结果可以看出，在选取P=3，Q=3时，所对应的P值最小，T统计量最大。

输出结果表达式为

RRt=-0.6120883ε-3+0.629361RRt-3+μt

（-5.600）  （6.557）

R2=0.067 DW=2.2585

对序列进行ARCH-LM检验

通过ARCH检验，P值接近为0，拒绝原假设，即认为新三板收益率序列存在ARCH效应，并且由进行到5阶ARCH-LM检验结果，P值依然很小，即序列方程存在高阶ARCH效应，应考虑建立GARCH（p，q）模型。

为了确定GARCH模型的系数，结合不同系数下得出的AIC和SC进行判断，GARCH模型结果汇总表如表3。

通过比较不同GARCH（p，q）加入后的AIC、SC值，发现GARCH（2，2）、GARCH（1，1）的AIC、SC值较小，是可以选择的较优模型。

故在ARMA（3，3）的基础上加入GARCH模型来拟合，分别加入GARCH（2，2）、GARCH（1，1）模型，观察模拟效果。

GARCH（2，2）中不满足α、β非负的约束条件，加入GARCH（1，1）满足约束条件，将上述结果代入ARMA（3，3）-GARCH（1，1）可得RRt=-0.5536ε-3+0.5719RRt-3+μt

GARCH（1，1）方程是：σt2=0.27416+0.3397*μt-12+0.6585*σt-12

用EVIEWS生成拟合残差序列图与实际图，在ARMA（3，3）中加入GARCH（1，1）模型拟合效果较好，新三板收益率序列服从ARMA（3，3）-GARCH（1，1）模型。

加入GARCH（1，1）后，该序列不存在ARCH效应，说明GARCH（1，1）消除了方程残差序列的条件异方差。

在ARCH（3，3）-GARCH（1，1）中，ARCH项与GARCH项的系数之和近似为0.339676+0.658481<1，满足小于1的参数约束条件。由于参数非常接近1，表明条件方差所受的冲击是持久的。

三、新三板与主板、创业板市场的相互影响研究

本节选取创业板综合指数（简称：创业板综）、全国代办股份转让系统新交易结算系统切换上线（简称：三板成指）、上海证券交易所综合指数（简称：上证综指）分别代表创业板、新三板、主板市场的波动情况以及收益率特征。数据区间为2014年5月19日至今。

绘制主板市场波动情况的走势图可以看出，2006年新三板出现、2012年新三板扩容、2014年新三板指数出现，这三个标志性的时期，主板市场均出现向上震荡的特征。基于此，认为新三板和主板市场之间存在一定关系，继续深入研究。

根据相关系数矩阵可以看出，创业板综合三板成指之间相关系数为0.891109，创业板综与上证综指之间的相关系数为0.929867，上证综指与三板成指之间的相关系数为0.936828，三组市场指数之间的相关性都较高，且都呈现正相关。

分别对上证综指、三板成指和创业板综的数据进行ADF单位根检验，ADF检验并没有拒绝“序列不平稳”的原假设，所以三组数据的单位根检验结果显示，三组序列均不平稳。

接下来对三组数据的一阶差分构建新序列，进行ADF检验。

在1%的显著性水平上，新序列拒绝了“序列不平稳”的原假设，即上证综指、创业板综、三板成指一阶差分序列都是平稳的，所以原来的三组序列均为一阶单整序列，接下来可进行Johansen协整分析。

发现三板成指和创业板综序列之间存在一个协整关系，三板成指与上证综指之间不存在显著协整关系。

由结果可以看出，在5%的显著性水平上，拒绝“三板成指一阶差分不是上证综指一阶差分的Granger因果关系”的原假设，故三板成指一阶差分是上证综指一阶差分的Granger成因。但是上证综指一阶差分不是三板成指一阶差分的Granger成因。

由结果可以看出，在10%的显著性水平上，拒绝“创业板综不是三板成指一阶差分的Granger因果关系”的原假设，故创业板综一阶差分是三板成指一阶差分的Granger成因，但是三板成指一阶差分不是创业板综一阶差分的Granger成因。这里得出的结论与以往学者做出的结论有所不同，主要原因是新三板市场指数选择的不同，系以前的学者采用的是自行编制的指数，难免与市场供求实际情况有所偏离。

由结果可以看出，在5%的显著性水平上，拒绝“上证综指不是创业板综一阶差分的Granger因果关系”的原假设，故上证综指一阶差分是创业板综一阶差分的Granger成因，但是创业板综不是上证综指一阶差分的Granger成因。

四、脉冲响应分析

脉冲响应函数的概念在金融时间序列分析中有广泛的应用，可以用来刻画一个变量受到另一个变量正向或负向冲击后形成的动态路径和持续时间情况。为了观察新三板对主板市场和创业板市场的影响，利用Eviews做出主板市场、新三板市场、创业板市场脉冲响应分析示意图。

较明显的关系是创业板对于主板市场的正向冲击做出的反应，反应随时间增长而不断弱化;而创业板对主板市场几乎不造成大的冲击作用，这与Granger因果关系中的结果相符。同时，主板市场和创业板市场受到来自新三板市场一个正向冲击后，在2期之前达到一个高点，接着略微减弱后，随时间推移不断增长。相对于创业板市场的影响力，新三板市场的影响力更加稳定和持久。

五、方差分解

方差分解的基本思想是，把系统中的全部内生变量（k个）的波动按其成因分解为与各个方程相关联的k个组成部分，从而得到各个相关信息对模型内生变量的相对重要程度。

由方差分解结果可知：新三板市场总方差，当滞后期为1时，100%来自于自身，随滞后期增加，略有降低，只在之后10期时才有约0.65%来自创业板市场的影响，所以创业板市场对于新三板市场波动的贡献度低;但是对于创业板市场的总方差，约有4%来自新三板市场，说明相比而言，新三板市场对于创业板市场波动的贡献度较大。

同样，考虑主板市场与新三板市场，当滞后期为1时，新三板总方差100%来自于自身，随滞后期增加，略有降低，只在之后10期时才有约0.01%来自创业板市场的影响，所以创业板市场对于新三板市场波动的贡献度几乎为0;但是对于主板市场的总方差，约有6.33%来自新三板市场，新三板市场对于创业板市场波动的贡献度较大，影响较为显著。

六、研究结论

本文第一部分采用自2014年5月19日三板成指正式发布以来的所有交易日的最新数据，通过公式，将指数转化为收益率，利用Eviews对新三板市场的收益率、波动、风险等特征进行了分析，新三板市场收益率呈现较为显著的尖峰厚尾特征，有明显的波动集聚现象。通过建立ARMA（3，3）模型，并添加GARCH（1，1）项，使模型可以更好拟合新三板市场波动特征。由于ARCH项的系数小于GARCH项的系数，说明新三板市场自身的记忆性对于市场波动的影响要强于外部冲击，这一结论对后续的政策制定以及市场研究有很大的借鉴价值。

本文第二部分的研究主要集中于发现新三板市场与主板市场、创业板市场之间的相互影响关系。研究表明，新三板和主板市场之间不存在协整关系，主要是因为二者的功能定位差别较大，创业板综一阶差分是三板成指一阶差分的Granger成因，且新三板和创业板存在协整关系，说明功能相似的两个股票市场间，存在较明显的相互影响关系。进一步研究发现，新三板对于创业板市场和主板市场的影响较大，创业板市场对于主板市场的冲击远不如新三板，新三板市场在不断发展，其在整个金融体系中的地位不断上升，加之政策规范，新三板竞争创业板市场，是不争的事实。结合本文研究所得出的结论，在新三板制度制定过程中，应该充分考虑新三板与其他股票市场的相互影响，并且由于新三板的风险较大和越来越多公司以及投资者较易进入市场，应健全监督机制，为国内外投资者和投资机构营造较为规范安全的投资平台。

参考文献：

[1] 柴颖.我国新三板市场引入转板制度的研究[D].上海：华东政法大学，2012

[2] 鲍珍慧.新三板挂牌与交易法律制度研究[D].上海：华东政法大学，2012

[3] 陆泱.中小企业在新三板的融资效果分析[D].上海：上海交通大学，2013

[4] 张成思.金融计量学时间序列分析视角[M].北京：中国人民大学出版社，2012

[5] 罗阳，杨桂元.基于GARCH类模型的上证股市波动性研究[J].统计与决策，（12）：162-165，2013

[6] 任继勤，单晓彤，梁策.中国主板与创业板市场风险比较分析——基于GARCH-VAR方法[J].财贸研究，（3）：128-132，2015

[7] 闫杜鹃.主要股票市场与货币市场的关联性及协调性研究[D].广州：华南理工大学，2014

[8] 梁恒.基于GARCH族模型的我国沪深股市波动非对称性研究[D].安徽：安徽大学，2014

[9] 朱双婧.我国新三板市场与创业板市场运行特征比较[D].山东：山东大学，2014

[10] 张立，曾五一.中国股指期货市场、ETF市场与股票市场波动时变的联动效应研究[J].经济统计学（1）：145-154，2013

[11] 张婧.基于上证指数的中国股市ARCH效应分析[J].价值工程（3）：230-231，2014

[12] 韦艳华，张世英.金融市场的相关性分析—Copula-GARCH模型及其应用[J].系统工程（4）：7-12，2004

（作者单位：中央财经大学 北京 100000）

（责编：李雪）