宏观信息冲击下股指期货与现货的共跳特征与金融稳定

邓俐伶 熊海芳

摘要：宏观经济信息的冲击不仅会直接影响金融市场的联合波动，而且会通过隔夜信息影响市场的跳跃。基于高频数据下的非参数跳跃检验方法，考察沪深300指数和股指期货价格的共同跳跃和隔夜特征，研究发现：两个市场间存在显著的共同跳跃，不同方向的共同跳跃对波动的预测表现出显著的非对称性;跳跃的隔夜特征较为明显，且隔夜共跳能够显著增强次日波动。股指期货与现货市场的共跳通常由影响整个市场的宏观信息冲击所致，且大多数共跳与隔夜信息的发布和积累相关。为避免市场过度震荡，实现金融稳定，政府机构和企业应控制在非交易时段公布宏观政策举措或经济信息的频率，并降低政策导向的不确定性。

关键词：隔夜共跳;非对称性;波动预测;宏观信息冲击

中图分类号：F830.91文献标志码：A文章编号：1674-8131（2019）04-0064-12

一、引言

金融市场的波动性是衍生品定价和风险管理要考虑的重要因素，也是国内外学者研究的热点。资产价格的异常波动不仅直接威胁国内金融市场的稳定与经济社会的发展，而且容易引发系统性金融风险，甚至波及全球股市和重要原材料市场等领域。Mish Kin提出金融稳定的概念，即金融体系能够将资金有效融通给有生产性投资机会的部门。近年来的研究观点认为资产价格波动能通过银行信贷、银行资本金和金融环境等因素影响金融稳定。在倡导不断开放和提高效率的经济形势下，如何应对资产价格波动，对金融风险实施控制和防范，是维护我国金融体系稳定的核心问题。

根据有效市场假说，宏观经济信息的发布与政策的变动会迅速影响整个市场并反映到价格的联合波动之中，宏观信息冲击与资产收益的方差存在显著关系。Flannery等（2002）基于GARCH簇模型的分析表明宏观信息公告对美国股市收益率和波动性存在显著影响[1]。Wongswan（2006）的研究显示宏观信息发布的30分钟内会引发股市的大幅波动[2]。Kim等（2004）分析了6种政府定期经济数据发布对美国三大金融市场的影响，指出资产价格仅对未预期的宏观信息做出反应[3]。Golosten 和Milgrom（1985）将市场消息分为引起价格平滑变化的正常消息和引发价格非连续变化（跳跃）的异常消息，认为两者共同决定了资产收益率的分布[4]。隨着高频交易数据获取技术的发展，对资产价格变动尤其是跳跃信息的捕捉变得更加精确。一方面，通过跳跃的有效识别研究宏观信息尤其是异常冲击对市场波动的影响成为新的研究视角;另一方面，各种衍生产品的活跃和金融市场一体化的趋势使得市场间的联动关系和风险传导机制受到关注，资产价格的共跳性也日益成为金融计量领域重要的前沿问题。股指期货和现货市场的价格共跳一般与影响整个市场的宏观信息冲击有关，研究两个市场之间的共跳和波动特征不仅可以帮助金融监管者和政策制定者了解风险来源和建立预警机制，而且可以为投资者优化决策、规避风险提供指导。

信息的传递与扩散是金融市场产生波动的内在原因之一。由于日内交易时间的有限，股市在闭市期间积累了大量隔夜信息。一方面，为了市场稳定，政府和上市公司通常选择在非交易时间公开宏观政策及指标类信息，包括财政政策、货币政策和经济指标数据等;另一方面，由于时差的原因，原油、黄金和股票等海外市场释放的价格波动信息也属于隔夜信息的范畴。这些信息通过次日开盘的集合竞价机制反映到市场，引起最优投资结构发生不同于收盘时的变化，此时价格变动幅度往往较大，市场波动明显。跳跃过程决定了隔夜收益的价格扩散部分，隔夜共跳成为系统性宏观信息冲击最直接的反映，分析共跳的隔夜特征对研究系统性隔夜冲击与市场波动和金融稳定之间的关系具有重要意义。

二、文献综述

基于包含更多日内信息的高频数据进行波动率建模有助于对金融资产波动率的预测。Andersen等（2001）提出了已实现方差（realized bipower variance， RV）的方法估计高频波动率，并发现已实现方差和协方差具有较强的记忆性[5]。Corsi（2009）提出了形式更简单、能描述长记忆性和具有样本外预测能力的异质自回归已实现方差模型（HAR-RV）[6]。经验证据表明，无论是已实现方差还是异质自回归已实现方差，跳跃成分对其预测都有重要影响。Zhou和Zhu（2012）研究发现考虑跳跃成分能够改进投资组合波动率的样本内和样本外预测[7]。对于异质自回归已实现方差，Andersen等（2007）在HAR-RV模型中引入跳跃因子并发现跳跃对波动的预测具有显著的负向影响[8]。龚旭等（2017）将HAR-RV模型按频率分解并加入跳跃成分，结果发现新构建的HAR-RV-EMD-J模型对未来波动的预测能力比较好[9]。

国内外学者在研究跳跃引发机制的过程中发现宏观信息的发布能够有效地解释跳跃行为。Lee（2012）的研究显示股市跳跃通常发生于宏观经济信息发布之后[10]。Johanned（2004）和Dungey（2009）等指出宏观信息的未预期部分即真实值与预期值之间的差异才是跳跃发生的关键[1112]。Thomakos（2008）研究了美国利率期货市场的波动性和相关性，实证显示利率期货市场的大多数跳跃都与宏观经济信息冲击有关[13]。Cui和Zhao（2015）对中国债券市场的分析亦表明多个未预期到的宏观信息冲击对债券市场的跳跃概率存在显著影响[14]。

Barndorff-Nielsen和Shephard（2004）的研究使共同跳跃成分从二次协方差中分离出来，不同资产或不同市场之间的价格共跳（Cojumps）成为研究热点[15]。Bollerslev等（2008）基于两两交叉构建了共同跳跃的BLT检验方法，分析发现个股之间的共同跳跃导致了市场指数的跳跃[16]。Gilder等（2014）采用超限准则和BLT方法探讨了个股与市场组合的共跳行为[17]。Bollerslev等（2008）研究的结果与这一结论很相似[15]。Wang等（2015）采用非参数方法分析发现，将反映共跳信息的跳跃协变差（Jump Covariance，JCOV）加入二元HAR模型中能够明显提高已实现协方差的预测精度[18]。瞿慧和纪萍（2016）研究发现，引入共跳强度可以提升对协方差的拟合和预测精度。由此可见，识别共跳并将其引入协方差模型对提高预测精度具有重要作用[19]。

同时，学者们还对共跳发生的原因进行了研究，大多数实证结果显示从宏观信息冲击的角度出发至少能部分解释共跳的发生。Dungey和Hvozdyk（2012）、Gilder等（2014）的研究都发现共跳的发生与宏观经济信息的发布关系密切[20][17]。Lahaye等（2011）采用Tobit-GARCH和Probit模型专门探讨了宏观信息发布与各类资产价格共同跳跃的关系，结果显示美国的非农数据和美联储联邦基金目标利率公告对所有资产的跳跃和共跳都有较大影响[21]。Chatrath等（2014）的研究发现了货币市场22%～56%的跳跃和共跳能被宏观政策发布所解释[22]，Winkelmann等（2016）还进一步提出了新的方法来检验货币政策冲击与共跳之间关系[23]。

资产价格波动的一个重要特征是杠杆效应，即负向波动比正向波动的影响更大。左浩苗和刘振涛（2011）在波动的非对称性检验中发现，跳跃尤其是负向跳跃能更准确地反映杠杆效应并提高对波动的预测效果[24]。赵华和秦可佶（2014）研究发现，宏观信息对股价跳跃有显著影响，正向冲击会降低跳跃概率，负向冲击会增加跳跃概率[25]。但上述关于非对称性的研究僅包含了跳跃的情况，并没有考虑共同跳跃的方向问题。

另外，Andersen等（2011）的研究表明考虑隔夜因素的影响对波动的预测具有重要意义[26]。孙洁（2014）建立了同时考虑连续、跳跃和隔夜三个部分的HAR-CJN模型，并发现其对波动的预测优于HAR-RV模型[27]。然而，Wang等（2015）、瞿慧和纪萍（2016）在考虑共同跳跃的预测作用时不仅没有区分跳跃的符号，也没有考虑隔夜信息[18-19]。同时，既往研究在考虑隔夜信息对波动率建模和预测的时候，大多集中于隔夜收益和隔夜波动两种形式，对隔夜跳跃的研究涉及很少。鉴于此，本文将进一步考察隔夜因素对共跳识别和波动预测的影响。

通过上述文献的综述可知，既往关于宏观信息发布与价格波动之间关系的研究大多是直接以具体宏观经济指标数据为样本，无法对经济信息的来源及性质进行区分，方法也比较单一。本文选择从共同跳跃的角度出发，通过跳跃和共跳的有效识别研究不同性质的宏观经济信息冲击对价格波动的影响。与现有研究单独考察跳跃、杠杆效应、共跳和隔夜信息不同，本文将在非参数检验方法基础上综合考虑共跳、杠杆效应与隔夜信息对高频波动的预测效果进行研究。本文的创新之处在于：第一，在共跳中考虑系统性跳跃的方向。国内对多个资产高频共跳的研究并不多，而且很少考虑其方向，本文的重要改进就在于分别考察正负方向的共跳行为。第二，考虑隔夜信息和隔夜共跳的重要影响，在估计已实现方差时将隔夜收益也计算在内，从而识别出所有的日内跳跃和隔夜跳跃。

三、共跳的非参数检验与模型设定

1.基于非参数方法的共跳检验

在金融市场不存在风险套利的前提下，股票t时刻的对数价格向量P（t）是服从以下多维连续跳跃扩散过程的特殊半鞅：

dP（t）=μ（t）dt+σ（t）dW（t）+κ（t）dQ（t）σ（t）σ（t）′=Ω（t）（1）

式中，μ（t）是N×1的漂移项，σ（t）是N×1的随机波动项，W（t）是N维标准布朗运动，Ω（t）为N×N的正定扩散矩阵且严格平稳。Q（t）是统计跳跃次数的泊松计数过程，其时变强度为λ（t）且满足P[dQ（t）=1]=λ（t）dt，用κ（t）=P（t）-P（t-）衡量各资产跳跃幅度大小。定义对数收益率向量记号r（t+δ，δ）=P（t+δ）-P（t），δ>0为时间间隔。在适当的采样频率下，设第t日内（从时刻t-1到时刻t）共有M次收益率：

r（t-1+i/M，1/M）=P（t-1+i/M）-P（t-1+（i-1）/M）i=1，2，...，M

资产的已实现方差具体定义为：

RVt（i，i）=∑Mj=1 ri（t-1+j/M，1/M） 2（2）

根据It定理及二次变差的性质可知：

plimM→∞RVt=Δ[r，r]t=∫ tt-1σ 2（s）ds +∑t-1

此时，波动率分解为连续波动成分和离散跳跃成分两部分。在实际交易中真实的波动率是不可测度的，能够获得的只有离散数据，（3）式表明已实现方差是二次变差的有效估计。

由于RV对跳跃的稳健性较差，Barndorff-Nielsen和Shephard（2004）提出用已实现双幂次变差（realized bipower variation， BV）来度量积分波动率（integrated volatility， IV），并证明无论是否存在跳跃BV都是积分波动率的一致估计，从而实现了连续波动成分的离散度量[15]。

BVt=μ-21MM-1∑Mj=2r（t-1+j/M，1/M）r（t-1+（j-1）/M，1/M）

（4）

在此基础上分离出跳跃成分：

Jt=RVt-BVtM→∞∑t-1

本文采用Barndorff-Nielsen和Shephard（2006）[28]提出的对数形式统计量来检验第t日是否发生跳跃：

lgZt=lgRVt-lgBVtπ2 2+π-51Mmax 1，TPVtBV 2t（6）

BNS方法是实证应用最广的检验跳跃存在与否的计量方法，但BNS方法只能检验发生跳跃的交易日，而日内有限活性的大跳跃可能是多次的，因此，Andersen等（2010）提出序列跳跃剥离（S-BNS）方法进一步识别每次跳跃发生的具体时刻点及跳跃幅度[29]。其基本思想为：首先根据BNS检验识别出存在跳跃的某交易日，并找出绝对值最大的收益率作为日内跳跃;剔除该跳跃后计算调整的RV等变量并重新进行BNS检验，重复以上步骤直至不再拒绝没有跳跃的原假设为止，从而识别出所有跳跃。

记第t日内k时刻点发生的跳跃为：

Jt，k=maxt-1Φ-11-α）（7）

在单次跳跃识别（S-BNS）基础上，参考Gilder等（2014）[17]提出的同步发生准则对股指期货和现货两个市场同时发生的跳跃（即共跳）进行检验。定义第t日内k时点发生的共跳为：

COJt，k=I（J St，k∩J Ft，k）k=1，2，...，M（8）

其中，I（·）为示性函数（取值为0或1），J St，k与J Ft，k分别代表股指现货与期货的跳跃时点。

2.跳跃协变差

根据定义，第t日内股指期货与现货市场的已实现协变差为：

RCOVt=∑Mk=1 r St，kr Ft，k（9）

其中rt，k=r（t-1+k/M，1/M）。参照Wang等（2015）的研究[17]，从已实现协变差中提取跳跃协变差因子，用以度量共跳对已实现协变差的贡献，即：

JCOVt=∑Mk=1 J St，kJ Ft，k（10）

定义正向跳跃协变差（JCOV +）和负向跳跃协变差（JCOV -）如下：

JCOV +t=∑Mk=1 J St，kJ Ft，kI（Jt，k>0）（11）

JCOV -t= ∑Mk=1 J St，kJ Ft，kI（Jt，k<0）（12）

由于共跳在一定程度上能够被历史宏观信息的发布所解释，因此不同方向的共跳对应不同性质的信息冲击，其中正向跳跃协变差和负向跳跃协变差分别对应利好消息和利空消息的影响。

3. HAR—RV（RCOV）—JCOV—D预测模型

Corsi（2009）基于自相关特征提出HAR-RV和HAR-RCOV模型[6]：

RVt+1=γ0+γdRVt+γwRVt-5，t+γmRVt-22，t+εt+1（13）

RCOVt+1=γ0+γdRCOVt+γwRCOVt-5，t+γmRCOVt-22，t+ωt+1（14）

其中，Xt-l，t≡（Xt+Xt-1+...+Xt-l+1）/ll=1，5，22

Xt、Xt-5，t和Xt-22，t分别代表滞后一期的日、周和月累积平均已实现（协）方差。将下一期已实现（协）方差作为解释变量进行建模和预测，从而很好地描述了RV和RCOV的长记忆特征。为研究共跳因素对预测模型的影响，Wang等（2015）[18]从已实现协方差内提取反映共同跳跃的跳跃协变差因子JCOV，并建立了HAR-RV（RCOV）-JCOV模型：

RVt+1=γ0+γdRVt+γwRVt-5，t+γmRVt-22，t+γjJCOVt+εt+1（15）

RCOVt+1=γ0+γdRCOVt+γwRCOVt-5，t+γmRCOVt-22，t+γjJCOVt+ωt+1（16）

为了考察共跳對波动非对称的杠杆效应是否也具有解释能力，对JCOV进一步分解后得到：

RVt+1=γ0+γdRVt+γwRVt-5，t+γmRVt-22，t+γj1JCOV +t+γj2JCOV -t+εt+1（17）

RCOVt+1=γ0+γdRCOVt+γwRCOVt-5，t+γmRCOVt-22，t+γj1JCOV +t+γj2JCOV -t+ωt+1（18）

记式（17）和（18）分别为HAR-RV-JCOV-D和HAR-RCOV-JCOV-D模型。实证分析中为了提高精确度，对于波动率的建模和预测使用更多的是对数已实现波动率形式，因此，对（13）～（18）式都采用两边变量取对数的对数HAR模型。

四、数据说明及描述性统计分析

大多数文献认为选择5分钟的取样频率是最优的，因此，本文采用5分钟高频数据对已实现方差和协方差进行分析。本文选取沪深300指数和沪深300股指期货当月连续合约的5分钟高频交易数据为研究对象，样本覆盖范围从2013年2月5日到2017年11月29日，数据来源为标普永华高频数据库，实证工具主要包括Eviews和Matlab等应用软件。考虑受股价涨跌幅限制的影响，日内交易的波动可能滞后到下一交易日的隔夜收益中去，在计算日内高频收益和已实现波动指标时将隔夜收益也包含在内。因此，去掉节假日及日内数据不完整的记录，研究对象总计覆盖1 169 个交易日，每个交易日产生48个收益观测记录，数据总量达到56 112 个。高频收益率仍选取对数形式。为了避免数据异常值的影响，本文对具有连续特征的变量在1%水平下进行缩尾处理。

表1显示了各对数序列的描述性统计量，其中JB为Jarque-Bera统计量，Q（n）表示滞后阶数为n的Ljung-Box Q统计量，ADF为单位根检验。由表1可知，采用对数形式的各波动指标和跳跃协变差序列相对来说更加服从正态分布，但所有序列仍存在一定程度的“右偏”和“尖峰厚尾”特征，且JB统计量显示拒绝服从正态分布的原假设;除了JCOV +，各已实现波动和跳跃序列在不同滞后期内均表现出显著的自相关性，符合长记忆性时间序列模型的假定。同时，考虑到波动率的对数差分序列是其增长率的近似，对月度累积平均已实现波动序列作一阶对数差分处理;根据ADF检验结果显示表1各序列都是平稳的，可以进行建模和进一步实证分析。

五、实证结果

1. 跳跃和共同跳跃的特征

（1）日内跳跃

表2提供了样本期内所有跳跃与共同跳跃的统计特征。首先，股指期货价格发生跳跃的天数要大于现货价格，且无论正向还是负向跳跃，期货跳跃的均值（绝对值）和标准差均大于现货跳跃，表明期货市场波动更加剧烈，风险程度也更高。一方面，期货交易实行保证金制度，这种特殊的交易机制具有杠杆放大作用，在放大收益的同时也放大了风险;另一方面，期货合约的远期性决定了未来不确定因素的增加，影响现货市场的各种因素也可能导致期货市场的波动。虽然跳跃本身发生的概率不大，但是共同跳跃在总跳跃中占据的比例即共跳概率却不小（分别为30.394%和32.994%），在表3中共跳在隔夜跳跃中所占的比例更高（分别达到59.135%和49.200%）。这说明共同跳跃的发生不是偶然现象，它是显著存在的，将反映共跳信息的因子作为一个单独的影响因素加以研究具有一定的实际依据。

（2）隔夜跳跃

从表3可以看到，两个市场隔夜跳跃的数量分别占总跳跃数量的39.024%和50.916%，且隔夜跳跃的均值（绝对值）和标准差均高于表2的整体水平，说明相比日内跳跃，隔夜跳跃不仅具有更高的跳跃频率，而且具有更大的跳跃幅度和更强的波动特征。从表中还可以看到，大约85.417%左右的共跳（约72.289%的正向共跳和79.747%的负向共跳）发生在隔夜收益中，发生在日内的共跳数量则相对较少，且隔夜共跳的概率高于表2中的总体共跳概率，表明共同跳跃的发生具有明显的隔夜特征。政府机构和企业通常选择在非交易时段公布宏观政策举措或经济信息，且国际市场的价格波动受时差影响也经常发生在国内股市收盘之后，因此大多数共跳与隔夜信息的发布和积累相关。

2. HAR-RV（RCOV）模型的参数估计

对现货市场，记式（13）（15）和（17）分别为MS1、MS2和MS3模型;对期货市场，记式（13）（15）和（17）分别为MF1、MF2和MF3模型;记式（14）（16）和（18）分别为MC1、MC2和MC3模型。表4至表6分别报告了样本期内此三类模型的回归结果。

考虑到共跳的隔夜特征，本文在非对称性基础上还考察了隔夜共跳对波动的预测作用，建立HAR—RV（RCOV）—JCOV—OD模型如下：

RVt+1=γ0+γdRVt+γwRVt-5，t+γmRVt-22，t+λj1OJCOV +t+1+λj2OJCOV -t+1+μj1DJCOV +t+μj2DJCOV -t+εt+1（19）

RCOVt+1=γ0+γdRCOVt+γwRCOVt-5，t+γmRCOVt-22，t+λj1OJCOV +t+1+λj2OJCOV -t+1+μj1DJCOV +t+μj2DJCOV -t+ωt+1（20）

其中OJCOV表示隔夜跳跃协变差，DJCOV表示日内跳跃协变差。对现货市场和期货市场，分别记式（19）为MS4和MF4模型，记式（20） 为MC4模型，表7给出了上述三个模型的估计结果。

由表4～表6可知，滞后一期的日和周累积平均已实现估计量对前一期的已实现（协）方差一致具有显著为正的影响，而月累积平均已实现估计量的影响则显著为负。波动在短期内表现出较强的序列依赖性和长记忆性特征，但这种波动趋势在持续一段较长时间后会減弱甚至出现回调，表明以技术分析为特点的短期和中期交易者对波动的影响非常大，市场投机氛围较浓，长期交易者的影响甚微。

在对模型的改进中，首先将JCOV简单引入HAR原始模型，发现其影响不是一致显著的，模型精度的提升也不明显。接下来，将JCOV进一步分解，模型的拟合优度都有所提高，同时系数γj1始终显著为负，而γj2则不具有统计显著性，说明JCOV +和JCOV -两种成分对预测具有不同的解释效力;而MS2、MF2和MC2模型等价于对系数施加了γj1=γj2的约束，实证表明这种约束是不合理的。因此，将正向和负向共跳成分进行区分对于进一步认识共同跳跃对已实现波动指标的预测作用具有重要意义。

综上所述，共同跳跃对前一期累积平均已实现波动指标具有显著为负的影响，其中JCOV +的影响远大于JCOV -，即存在一定的“非对称性”。一方面，股指和股指期货的共跳多由影响整个金融市场的重大信息冲击所致，从市场效率的角度讲，此时价格已经能够比较充分地反映已有信息尤其是利好消息的影响，市场的有效性相对较高，价格在短时间内大幅变动的概率较低，故共跳发生之后市场波动的持续性大大降低，甚至出现骤减;另一方面，根据杠杆效应的经济解释，正向跳跃带来的超额报酬使企业价值增加，财务杠杆比率降低，从而导致投资风险和未来股价的波动更大程度地减少。因此在当期发生正向共跳后，下一期平均已实现（协）方差显著减少，且正向共跳的影响大于负向共跳，表现出明显的杠杆效应。

同时在表7中还可以看到，日内共跳对次日波动具有抑制作用，而隔夜共跳甚至包括正向跳跃对次日波动都表现出一致为正的影响，同时模型的估计精度较原始模型也得到了非常明显的提高。这表明隔夜信息对市场的冲击非常显著，人们不仅在坏消息冲击下具有连续的“杀跌”反应，而且对好消息的“追涨”趋势也有所上扬;影响共跳的政策公告和数据发布等虽然会通过次日开盘的集合竞价过程得到一定程度的反映，但波动仍然表现出明显的集聚性和持续性特征，成为影响市场健康和金融稳定的不利因素。

六、结语及政策建议

股指和股指期货市场的共同跳跃大多由能够影响整个资本市场的宏观经济信息引起，不同的共跳表现对应不同宏观信息（利好或利空，隔夜或日内）冲击。本文对基于高频数据的已实现协方差估计量建模，考察在宏观信息冲击下沪深300股指和股指期货市场的共跳特征及其对金融波动的影响，研究表明：

第一，波动的长记忆性对应着显著的市场异质性，以投机方式为主的中、短期投资者的交易对下一期波动的贡献高于长期投资者，市场投机氛围较为明显，短期震荡较为剧烈。

第二，中国的沪深300股指和股指期货市场的共同跳跃是显著存在的，其中共跳发生天数占据了总样本数的12.32%，且已知跳跃内发生共跳的概率均达到三分之一左右，说明共同跳跃的发生不是偶然的，将共跳现象单独进行研究具有一定的实际意义。

第三，共同跳跃对未来波动的影响同样具有显著的非对称效应，正向共跳对下一期已实现（协）方差和连续方差的抑制作用大于负向共跳。

第四，共同跳跃的隔夜特征明显，且已知跳跃内发生隔夜共跳的概率超过50%，大多数共同跳跃的发生与隔夜信息的发布密切相关。对同一经济信息公告或政策发布的相似反应使得两个市场的价格跳跃之间具有较强的联系和共性。隔夜共跳对次日波动具有显著为正的解释能力，说明隔夜信息的发布对市场形成了较强的冲击，可能导致价格波动出现异常。

本文结论证实了宏观经济信息对协方差预测的贡献，具有明确的经济含义，对金融市场风险防范和金融稳定具有重要的借鉴意义。我国证券市场属于发展中的新兴市场，在相关立法、自律组织和自身基础等方面都存在不完善和不成熟的地方，加上一些有违市场秩序和公平的交易行为，使得市场容易受到各类冲击而发生剧烈动荡，需要政府对市场进行必要干预;而政府的过度干预又导致我国股票市场成为典型的政策市。为了恢复市场原有的经济功能，维持其正常运行秩序，政府和相关金融部门应更加优化监管制度及干预行为。

首先，金融监管部门应密切注意宏观信息尤其是隔夜信息引发的共跳风险。由于共跳风险往往难以通过衍生品进行对冲，在建立金融风险预警机制时应考虑对宏观信息冲击的方向和来源进行指标分类和综合管理，进一步完善风险预测和管理制度。同时，鉴于交易时间发布的宏观经济信息对次日波动具有抑制作用，而非交易时间发布的宏观经济信息则能显著增加次日的市场波动，政府机构和有关部门可以结合市场行情和需要，相机调整宏观政策和其他数据等的发布时机，并适度控制在非交易时间发布信息的频率，以避免引起价格异常波动和市场过度震荡，对金融稳定造成不利影响。此外，对个人投资者来说，应充分考虑市场间的联动效应，根据不同性质的信息冲击对波动造成的不同影响，及时调整策略以达到规避风险和提高收益的目的。

其次，要降低政策导向的不确定性。在股市大涨的时候出台政策限制资金入市，一旦市场反应过度，跌幅大于预期，又马上出台降低入市门槛等救市措施，甚至对违规操作采取從轻处罚的包容态度，这样做不仅增加了调控成本，而且容易导致异常波动，降低投资者对政府的信任，影响政策的调控效果。政策带来的信息冲击是由于其未被市场预期而使得价格出现大幅波动，如果在这些信息被市场消化的过程中政策方向又突然出现改变，旧的市场预期再一次打破必然导致异常波动持续增大，从而影响整个金融市场的稳定;同时，投资者对政策的信任度下降，避险情绪增加，造成后续利好政策虽然陆续出台，市场行情却依旧萎靡不振的局面，这将进一步影响政策的实际效果和可信度。因此，要走出政策市的困局，实现市场稳定，必须确保政策发布的连贯性和政府行为的一致性。

再次，在监管权限的变革中，必须正确界定市场自身的稳定区间。政府的职能应定位于在股市波动超过自身稳定运行的临界值，即存在巨大风险的前提下，通过颁布相关政策、借助税收工具及增减股市供给等手段进行干预，规范市场主体行为，使市场回复到稳定区间。这个自身稳定区间应该是证券市场能够稳定运行的界限范围，而不是政府为了实现其经济目标而设置的理想边界。在我国，存在小于股市自身稳定运行区间的政府隐性担保区，在隐性担保区内过度进行干预，容易诱发各种违规行为，有损市场平衡和公平原则。

最后，金融监管机构应加快与央行的整合，进一步完善宏观调控的市场基础，充分发挥货币政策对金融市场的调节作用。一方面，通过有效的信贷政策干预资金流向，抑制股市泡沫;另一方面，通过释放的政策信号引导投资者的判断，间接影响金融资产的价格波动。货币政策工具的优越性在于不仅可以降低政府直接入市的资金成本，而且可以根据不同的市场行情进行微调，从而避免对金融市场造成过度冲击。从2013年的钱荒和2015年的股灾可以看出，金融监管和货币政策的不同步导致市场波动未能得到有效控制，引发了金融系统的不稳定。因此，监管机构有必要与央行进行深入协调，只有充分结合央行收集的宏观经济信息，才能更为有效地利用微观层面获取的金融信息，提高政策调控的效果，从而实现资本的优化配置和国内金融市场的稳定发展。

参考文献：

[1]FLANNERY J，PROTOPAPADAKIS A. A Macroeconomic factors do influence aggregate Stock returns[J].Review of Financial Studies，2002，15（3）：751-782.

[2]WONSWAN J. Transmission of information across international equity markets[J]. The Review of Financial Studies，2006，19（4）：1157-1189.

[3]KIM J，MCKENZIE D，FAFF W. Macroeconomic news announcements and the role of expectations：evidence for US bond，stock and foreign exchange markets[J].Journal of Multinational Financial Management，2004（14）：217-232.

[4]GLOLSTEN R，MILGROM P. Bid，ask and transaction prices in specialist market with heterogeneously informed traders[J]. Journal of Financial Economics，1985，14（1）：71-100.

[5]ANDERSEN G，BOLLERSLEV T，DIEBOLD X. The distribution of realized stock return volatility[J]. Journal of Financial Economics，2001，61（1）：43-76.

[6]CORSI F. A simple approximate long-memory model of realized volatility[J]. Journal of Financial Econometrics，2009，7（2）：174-196.

[7]ZHOU H，ZHU J Q. An empirical examination of jump risk in asset pricing and volatility forecasting in Chinas equity and bond markets[J]. Pacific-Basin Finance Journal，2012，20（5）：857-880.

[8]ANDERSEN G，BOLLERSLEV T，DIEBOLD X. Roughing it up：Including jump components in the measurement， modeling，and forecasting of return volatility[J]. The Review of Economics and Statistics，2007，89（4）：701-720.

[9]龚旭，文凤华，黄创霞. HAR-RV-EMD-J 模型及其对金融资产波动率的预测研究[J].管理评论，2017，29（1）：19-32.

[10]LEE S. Jumps and information flow in financial markets[J].Review of Financial Studies，2012，25（2）：439-479.

[11]JOHANNES M. The statistical and economic role of jumps in continuous-time interest rate models[J].The Journal of Finance，2004，59（1）：227-260.

[12]DUNGEY M，MCKENZIE M，MSMITH V.Empirical evidence on jumps in the term structure of the US treasury market[J].Journal of Empirical Finance，2009，16（3）：430-445.

[13]THOMAKOS D，WANG T，WU T. Macroeconomic announcements， intraday covariance structure and asymmetry in the interest rate futures returns[J].Journal of Futures Markets，2008，28（9）：815-844.

[14]CUI J，ZHAO H. Intraday jumps in Chinas treasury bond market and macro news announcements[J].Internatio-nal Review of Economics & Finance，2015，39：211-223.

[15]BARNDORFF-NIELSEN E，SHEPHARD N. Power and bipower variation with stochastic volatility and jumps[J]. Journal of Financial Econometrics，2004，2（1）：1-37.

[16]BOLLERSLEV T，LAW H，TAUCHEN G. Risk，jumps，and diversification[J]. Journal of Econometrics，2008，144（1）：234-256.

[17]GILDER D，SHACKLETON B，TAYLOR J. Cojumps in stock prices：Empirical evidence[J]. Journal of Banking & Finance，2014，40：443-459.

[18]WANG H，YUE M，ZHAO H. Cojumps in Chinas spot and stock index futures markets[J]. Pacific-Basin Finance Journal，2015，35：541-557.

[19]瞿慧，紀萍.引入联跳的中国股市协方差预测——基于多元HAR模型[J].管理科学，2016，29（6）：28-38.

[20]DUNGEY M，HVOZDYK L. Cojumping：Evidence from the US Treasury bond and futures markets[J]. Journal of Banking & Finance，2012，36（5）：1563-1575.

[21]LAHAYE J，LAURENT S，NEELY J. Jumps，cojumps and macro announcements[J]. Journal of Applied Econometrics，2011，26（6）：893-921.

[22]CHATRATH A，MIAO H，RAMCHANDER S.Currency jumps，cojumps and the role of macro news[J].Journa of International Money and Finance，2014，40（C）：42-62.

[23]WINKELMANN L，BIBINGER M，LINZERT T. ECB monetary policy supprises：Identification through cojumps in interest rate[J].Journal of Applied Econometrics，2016，31（4）：613-629.

[24]左浩苗，劉振涛. 跳跃风险度量及其在风险——收益关系检验中的应用[J].金融研究，2011（10）：170-184.

[25]赵华，秦可佶.股价跳跃与宏观信息发布[J].统计研究，2014（4）：79-89.

[26]ANDERSEN G，BOLLERSLEV T，HUANG X. A reduced form framework for modeling volatility of speculative prices based on realized variation measures[J]. Journal of Econometrics，2011，160（1）：176-189.

[27]孙洁.考虑跳跃和隔夜波动的中国股票市场波动率建模与预测[J].中国管理科学，2014，22（6）：114-124.

[28]BARNDORFF-NIELSEN E，SHEPHARD N. Econometrics of testing for jumps in financial economics using bipower variation[J].Journal of Financial Econometrics，2006，4（1）：1-30.

[29]ANDERSEN G，BOLLERSLEV T，FREDERIKSEN P. Continuous-time models，realized volatilities，and testable distributional implications for daily stock returns[J]. Journal of Applied Econometrics，2010，25（2）：233-261.

Co-jumps between Stock Index Futures and Spot Markets and

Financial Stability under the Impact of Macroeconomic News

DENG Li-ling1，2， XIONG Hai-fang 2

（1. College of Science，Dalian University for Nationalities， Dalian 116600， Liaoning， China;

2. School of Finance， Northeast University of Finance and Economics， Dalian 116600， Liaoning， China）

Abstract： The macroeconomic news announcements， especially overnight information， not only affect the joint volatility but also the jumps of financial markets. Based on the high frequency data of the CSI 300 index and the stock index futures monthly contracts， the co-jumps between the two markets as well as their overnight feature have been detected through the method of nonparametric jump test. The empirical results show that co-jumps with asymmetry in volatility forecast occur significantly between two markets， whose overnight occurrence can obviously increase the volatility of the next day. The co-jumps between stock index futures and spot markets are usually closely associated with the macroeconomic news announcements that could affect the whole market， most of which are related to accumulation of overnight information. In order to avoid excessive market volatility and achieve financial stability， government agencies and enterprises should control the frequency of macroeconomic news announcements during non-trading hours and reduce uncertainty in policy direction.

Key words： overnight co-jump; asymmetry; volatility forecast; macroeconomic news announcement