劉瑩 肖欣榮 王鐸

摘? ?要：本文研究了中國A股市場融資融券標的股票的“異質性波動率之謎”，分別在我國融資融券制度推行初期和后期，構建了兩階段的雙重差分回歸模型，比較融資融券制度的政策效果。實證結果表明，在融資融券制度推行初期，兩融標的股票“異質性波動率之謎”現(xiàn)象未能得到有效抑制。融資融券制度推行后期，A股市場融券交易總量快速增長，融資融券標的股票的“異質性波動率之謎”現(xiàn)象相對非融資融券股票得到明顯抑制，這一抑制效應對于融券交易活躍的股票更為顯著，說明融券交易的活躍程度對于抑制融資融券標的股票“異質性波動率之謎”現(xiàn)象起主要作用。

關鍵詞：融資融券;異質性波動率之謎;雙重差分模型

中圖分類號：F830.91? ?文獻標識碼：A? 文章編號：1674-2265（2019）11-0003-13

DOI：10.19647/j.cnki.37-1462/f.2019.11.001

一、引言

經典的CAPM理論認為，只有系統(tǒng)性風險可以被定價，而個別公司本身的異質性風險可以通過合理的組合配置充分分散，從而不具有風險補償。Merton（1987）的研究則認為由于投資者獲得信息的片面性和局限性，他們構建組合時會更多持有熟悉的股票，因此異質性風險沒有得到充分分散，在這樣的情況下，股票的異質性波動率與收益率間應具有一定的正相關關系。但是，Ang等（2009）通過對20個發(fā)達國家和地區(qū)的股票交易數(shù)據(jù)進行研究，發(fā)現(xiàn)異質性波動率較高的股票收益率反而較低，當在添加了更多控制變量后，上述結果仍顯著。左浩苗等（2011）利用中國股票市場數(shù)據(jù)的實證研究，最終也證明了這種現(xiàn)象的存在。由于傳統(tǒng)的CAPM模型無法解釋異質性波動率與股票收益率的負相關關系，從而此現(xiàn)象被稱為“異質性波動率之謎”。

Miller（1977）的異質信念理論認為，股票市場上充斥著持悲觀信念以及樂觀信念的交易者，兩者分別在不同的情緒驅動下，產生賣出、買入股票的行為。但由于賣空限制的存在，對于價格高估的股票持悲觀信念的投資者無法有效賣空，因此拉低股票的收益率。在學界，異質信念被認為是“異質性波動率之謎”的重要成因。國內學者虞文微和張兵（2017）的研究發(fā)現(xiàn)，在A股市場，套利限制較高的股票“異質性波動率之謎”更為顯著。

2010年融資融券制度的引入，減少了A股市場兩融股票的賣空限制，當投資者認為個股當期股價高估時，可以通過借入證券的形式進行賣空。2014—2015年間，A股市場融券交易總量超過1萬億，賣空交易在A股市場空前活躍。參與融券交易的多為專業(yè)投資者，同時這些投資者可能基于非公開的信息源進行交易，因此融資融券交易亦有價格發(fā)現(xiàn)、信息發(fā)現(xiàn)的功能（Karpoff，2010），這有助于減弱市場參與者的異質信念。

在此基礎上，我們認為我國融資融券標的股票的“異質性波動率之謎”現(xiàn)象應得到抑制。在實證研究上，本文分別在融資融券初期和后期構建了兩階段的雙重差分模型，以驗證融資融券制度的政策效果。同時，本文在第二階段的雙重差分模型中，還提取了融券交易最活躍的前30%的股票樣本，對所得到的結論進行了穩(wěn)健性檢驗。

二、文獻綜述

（一）“異質性波動率之謎”相關研究

Campbell、Lettau、Malkiel和Xu（2001）最早將研究的目光從全市場系統(tǒng)性風險轉向個股層面的異質性波動。他們在研究中嘗試將美股市場的股價波動在市場、行業(yè)、個股層面剝離。在一個較長的時間窗口下，實證研究表明個股層面的波動有顯著的上升趨勢，而其余兩個層面則沒有這一特征，且個股層面波動對整體股價的波動影響最大。Campell等 （2001）的研究引起了眾多學者的關注，進而推動部分學者開始進行個股層面異質性波動率與收益率相關關系的研究。比較經典且有影響力的是Ang等（2006、2009）使用全球多個發(fā)達地區(qū)股票市場數(shù)據(jù)，并利用Fama-French三因素模型回歸殘差項的月度化標準差作為個股異質性波動率的測度變量，研究發(fā)現(xiàn)這一指標與個股的收益率呈顯著的負相關關系。Zhi Su等（2018）則在研究中嘗試構建了賣空高異質性波動率股票、買入低異質性波動率股票的套利策略，并發(fā)現(xiàn)這種策略長期可獲得5%—7%的年化收益，驗證了已有的結論。由于這一發(fā)現(xiàn)違背了傳統(tǒng)資產定價模型“風險補償”的概念，因此被稱為“異質性波動率之謎”。

繼Ang等（2006、2009）的研究之后，Han和Kumar（2008）同樣利用傳統(tǒng)的資產定價模型對個股層面的異質性風險進行了分離，并利用全球股票市場的交易數(shù)據(jù)驗證了“異質性波動率之謎”的存在。Shengnan Liu等（2019）則通過構建GARCH模型研究了新興股票市場的數(shù)據(jù)，并驗證了異質性波動率和股票收益率的負相關關系長期穩(wěn)定存在。其后也有部分學者并不認同“異質性波動率之謎”的存在，如Fu（2009）利用美國股票市場1963—2006年的交易數(shù)據(jù)，采用EGARCH模型計算股票的異質性波動率并發(fā)現(xiàn)所選取樣本異質性波動率與截面收益率在長期表現(xiàn)為穩(wěn)定的正相關關系。學界通過在全球更廣泛市場、更長時間跨度的驗證以及理論研究，普遍認可“異質性波動率之謎”的存在，并因此轉而展開對其成因的研究。

針對“異質性波動率之謎”，Hou和K. Loh（2012）在研究中從投資者對彩票性股票的偏好、股票短期反轉效應、公司未預期盈余等角度探尋其成因。通過實證檢驗，以上變量對“異質性波動率之謎”解釋力達到了60%—85%，遠高于以前的解釋理論。他們認為這些解釋因子也適用于更廣泛的資產定價問題。Stambaugh 等（2014）則從另一個角度，利用估值指標對股票進行了分組，研究發(fā)現(xiàn)高估值組股票收益率與個股異質性風險成負相關關系，低估值組則正好相反，在市場整體角度看，由于賣空限制的約束，高估值組異質性風險與個股預期收益率的負相關性更強，因此整個市場股票的個股收益風險關系仍表現(xiàn)為負相關。且當市場情緒越高漲，這種負相關關系表現(xiàn)得越為顯著。對于“異質性波動率之謎”，Ming Gu等（2018）從交易限制以及構建套利限制指數(shù)兩個方面展開研究，并發(fā)現(xiàn)為了保護投資者的交易限制措施實際上加劇了市場異象、降低了市場有效性。亦有部分學者認為，以VIX指數(shù)為代表的市場恐慌情緒對“異質性波動率之謎”現(xiàn)象有顯著影響，如Mahmoud Qadan等（2019）通過研究發(fā)現(xiàn)當VIX指數(shù)處于上行趨勢時，美國股票市場的“異質性波動率之謎”現(xiàn)象更為顯著。

對于“異質性波動率之謎”這一市場異象近年國內學者亦做了廣泛而深入的研究。楊華蔚等（2009）采取了與Ang等（2006、2009）相似的方法，利用Fama-French三因素模型提取了個股層面的異質性波動率，并以我國A股市場股票交易數(shù)據(jù)為樣本，驗證了“異質性波動率之謎”現(xiàn)象的存在。此后還進一步使用EGARCH模型分離異質性波動率，同樣發(fā)現(xiàn)了異質性波動率與個股收益率之間的負相關關系。國內的學者亦嘗試對“異質性波動率之謎”的成因進行研究，如王小華等（2015）在已有研究的基礎上，利用日股票最大收益率、反轉效應、股票的偏度等對異質性波動率之謎做出了解釋，并發(fā)現(xiàn)以上因素均有一定解釋力。參考Stambaugh等（2014）對“異質性波動率之謎”方面的研究，趙勝民等（2017）利用股票的超額收益率作為股票估值標準，并進行打分分組，其實證研究的結果表明我國股票市場高估股票的異質性波動率與預期收益率的負相關性更強。虞文薇等（2017）則從套利限制的角度，選取價格漲跌限制、融資融券指標、股指期貨指數(shù)等變量構建了套利限制指數(shù)，通過投資組合研究分析發(fā)現(xiàn)，套利限制較高的股票，其異質性波動率與預期收益的負相關更強，整體上與理論研究和經濟直覺相符合。

（二）“異質性波動率之謎”成因相關研究

對于“異質性波動率之謎”現(xiàn)象，之前的學者從多個角度提出了解釋。如從信息披露的角度而言，Jiang、Xu和Yao （2009）的研究認為，具有高異質性波動率的上市公司往往傾向于選擇性地披露信息，有時會刻意隱瞞負面信息，這種行為拉低了該股票未來的收益。Boehme、Danielson、Kumar和Sorescu （2009）則通過研究發(fā)現(xiàn)，機構投資者或成熟投資者的持股比例，可能會影響個股“異質性波動率之謎”的程度，如機構投資者持股占比較高的個股，其股票收益與異質性波動率之謎的相關關系會由負轉正，賣空交易量也會減小。Bali、Cakici和Whitelaw （2011）的研究則認為，“異質性波動率之謎”現(xiàn)象的主要成因是投資者對“彩票性股票”的偏好，在研究中他們使用股票過往最大收益作為代理變量，亦發(fā)現(xiàn)了其與股票收益率之間的負相關關系。對于這一觀點，周皓等（2018）亦利用了中國市場的數(shù)據(jù)進行了檢驗。Berrada和Hugonnier（2013）則構建了信息不完備條件下的股票收益模型，并在研究中發(fā)現(xiàn)，當上市公司披露信息不夠完善時，其“異質性波動率之謎”現(xiàn)象更明顯。George J.Jiang（2019）的研究則發(fā)現(xiàn)，在新興股票市場，分析師覆蓋較少的“股票異質性波動率之謎”現(xiàn)象更嚴重，分析師在上市公司信息披露中起到重要作用。

從行為金融學的視角，Miller（1977）在研究中提出，市場中的投資者同時存在樂觀和悲觀的預期，其中，悲觀的投資者由于缺乏賣空的手段，因此無法消除股價高估的現(xiàn)象，由此導致了市場整體異質性波動率和股票收益率表現(xiàn)為顯著的負相關關系。在此后Figlewski（1981），Lamont和Stein（2004），Chordia、Jostova和Philipov （2012）等人的研究中，上述觀點亦被證實。對于“異質性波動率之謎”這一市場異象，Stambaugh、Jianfeng Yu和Yu Yuan（2013）則認為除了賣空限制導致的套利不對稱性外，股票較高的異質性波動率還提高了套利的風險，因此市場的錯誤定價難以被校正。套利風險是市場異象產生的重要成因這一觀點，并非由Stambaugh等（2013）首次提出，在此之前，學界對此已有充分研究，例如，套利風險是市賬率異象的重要成因（Ali 等，2003）、套利風險增強了動量效應（Nagel，2005）、套利風險使得應計異象無法被消除（Mashruwala等，2006）等等。

（三）融資融券與異質性波動率相關研究

本文直接聚焦于研究融資融券制度對“異質性波動率之謎”這一股票市場異象是否有一定的抑制作用。之前的學者在相關研究中，指出了我國融資融券制度推行中涵蓋標的多次擴容、多次調整的特征并廣泛采用雙重差分模型研究融資融券政策的效果，這均對本文的研究具有重要的參考意義。

如許紅偉等（2012）就通過雙重差分模型（Difference In Difference Model）對融資融券制度能否提高股市定價效率展開了研究，實證結果表明，融資融券制度對抑制市場單邊快速下跌有較好的效果，但在單邊上漲的市場中政策效果不顯著。在融資融券對于我國股市定價效率的影響上，陳晨和林秉旋（2015）的研究更具有典型意義。該研究構建的定價效率指標包含信息含量（股票的異質性波動）和信息反應速度兩個方面，同時相對于已有的文獻擴大了樣本的覆蓋范圍。通過構建雙重差分模型，該研究發(fā)現(xiàn)融資融券的確改善了A股市場的定價效率，且改善效果體現(xiàn)在提高流動性、降低信息不完備程度等多個方面。同年，陳海強和范云菲（2015）就融資融券制度與股票波動率的關系展開了研究，該研究選取了首批試點的86只兩融標的作為實驗組，并通過DID模型發(fā)現(xiàn)融資融券政策正式推出后，實驗組整體的波動率得到了有效的削弱。其中，融券制度對兩融標的波動率有正向影響，但在實證期間內，融資交易占比過大，因而整體表現(xiàn)為負影響效應。

國內亦有部分文獻，聚焦于研究融資融券制度對于股票異質性波動率關系的研究，但是鮮有文獻嘗試對于融資融券制度和“異質性波動率之謎”關系進行實證研究。例如肖浩等（2014）同樣采取了DID模型，在實驗組樣本上選擇了當期納入融資融券范圍的標的股票，同時將下一期納入兩融范圍的標的股票作為控制組。因該研究所選擇的時間窗口涉及多次擴容，故文章中建立了兩個DID模型以檢驗政策效果。該研究發(fā)現(xiàn)融資融券制度有效降低了股票本身的異質性波動。與肖浩（2014）研究相似，虞文薇等（2017）選取兩融第二次擴容標的為實驗組，第三次擴容標的為控制組，研究發(fā)現(xiàn)兩融政策使得處理組標的的異質性波動率以及異質信念代理變量——換手率明顯降低，由此得出了政策有效的結論。

通過以上歸納整理，我們可以發(fā)現(xiàn)，目前國內大部分研究都并非直接討論融資融券制度對“異質性波動率之謎”這一市場異象的直接影響，而是間接性地討論了異質性波動率、換手率等代理指標在政策前后的變化。同時，大部分研究將樣本選擇集中在了一到兩次擴容跨度內，很少有貫穿多次擴容的，因此研究結論可能有一定的局限性和片面性。本文充分借鑒了這兩方面的經驗。

三、數(shù)據(jù)及研究方法

（一）數(shù)據(jù)及處理方法

本文第一階段雙重差分模型（DID model）使用數(shù)據(jù)的時間窗口為：2008年12月到2011年6月。樣本選擇上實驗組為首批納入融資融券交易的90只股票，最終實證樣本不包括金融行業(yè)和該時間跨度內被移入或移出融資融券范圍的股票。對照組為2011年12月5日融資融券標的第一次擴容添加的股票，其中同樣不包括金融行業(yè)以及在第一次到第二次擴容之間被移入或移出融資融券范圍的股票。圍繞融資融券制度在2010年3月正式落地推行，本文將實驗期選為2010年4月至2011年6月，共15個月度;非實驗對比期為自2008年12月至2010年2月，共15個月度。

本文第二個雙重差分模型（DID model）使用數(shù)據(jù)的時間窗口為：2013年6月到2015年12月。實驗組為2014年9月第四次擴容納入融資融券交易的205只股票，參照第一階段雙重差分模型的數(shù)據(jù)處理方法，樣本中剔除金融行業(yè)以及在該時間跨度內被移入或移出融資融券標的范圍的相關股票。第二階段雙重差分模型對照組為2016年12月12日第五次擴容納入融資融券范圍的股票，同樣不包括金融行業(yè)以及在時間窗口內有變動調整的股票。實驗期為2014年10月至2015年12月①;非實驗對比期為2013年6月至2014年8月。

本文實證部分涉及的融資融券個股交易數(shù)據(jù)及相關擴容名單來自萬得金融證券數(shù)據(jù)庫。在計算個股異質性波動率方面，需要的數(shù)據(jù)包括個股日度收益率、日度無風險收益率、交易所日度三因子數(shù)據(jù)等，以上數(shù)據(jù)均來自銳思數(shù)據(jù)庫;日度數(shù)據(jù)需經清洗、去缺失值、合并等過程并經分組回歸計算，得到月度化殘差項標準差，即個股異質性波動率（IVOL）。在完成兩個雙重差分模型（DID Model）的過程中，作為控制變量的個股公司特征數(shù)據(jù)也來自銳思數(shù)據(jù)庫。雙重差分模型面板數(shù)據(jù)回歸及相關檢驗在SAS和Stata中完成。

（二）研究方法及模型建立

1.? 異質性波動率相關計算。本文采用了國內外研究“異質性波動率之謎”問題時被廣泛使用的，提取Fama-French三因子模型中殘差月度標準差的方法，以獲得兩階段雙重差分模型實驗組、對照組股票的異質性波動率（IVOL）：

[Rit-rft=αit+βiMRmt-rft+siMSMBt+hiMHMLt+εit] （1）

其中，[Rit]表示第[i]只股票的日度收益率，[rft]表示日度的無風險收益，[Rmt-rft]表示日度的流通市值加權市場風險溢價因子，[SMBt]和[HMLt]表示日度的流通市值加權規(guī)模因子和賬面市值比因子。[βiM]、 [siM]、[hiM]是第[i]只股票的月度三因子貝塔值，[εit]是第[i]只股票通過Fama-French三因子回歸得到的日度殘差項，按月度求標準差即可得到第[i]只股票的月度異質性波動率[IVOLiM]，即[IVOLiM]=[Std（εit）]。參考已有文獻，一般認為異質性波動率滿足隨機游走過程假設。因此個股第m月的預期異質性波動率即其m-1月的異質性波動率，即[EIVOLiM]=[IVOLi，? M-1]。由于計算異質性波動率是完成后續(xù)實證工作的關鍵步驟，故展示樣本分年度統(tǒng)計數(shù)據(jù)如下：

2. 雙重差分模型。已有文獻運用雙重差分模型研究融資融券開通前后以及擴容的政策效果多有先例，如肖浩（2014）、虞文薇等（2017）的研究。融資融券業(yè)務開通運行以及漸次的擴容為本文使用雙重差分模型檢驗其對兩融標的“異質性波動率之謎”的影響提供了很好的實驗條件。對于融資融券制度與“異質性波動率之謎”的研究，多次擴容為采用雙重差分模型提供了獨特的優(yōu)越條件。

第一，兩融業(yè)務正式開通以及多次擴容的具體時間點有絕對的外生性。第二，如果在擴容中被納入融資融券標的范圍，意味著此類股票與之前參與融資融券的股票并無本質差異，而僅僅是受到政策影響。因此，兩融標的范圍的多次擴大，使我們擁有了多組天然的實驗組和控制組。在每一個雙重差分模型中即期被納入融資融券標的的股票被設置為實驗組，下一期通過擴容進入兩融范圍的股票作為控制組。在此基礎上，我們可以在不同的政策節(jié)點構建雙重差分模型，以驗證兩融業(yè)務對“異質性波動率之謎”的影響，基本的DID模型如下：

[RiM-rft=α+β1Treatedi×EIVOLiM+β2Posti×EIVOLiM+β3Treatedi×Posti×EIVOLiM+Firmfixed+β4ControliM+εiM] （2）

其中[RiM-rft]表示對應股票樣本在M月對應的月度超額收益。如果相關股票當期在融資融券標的范圍內，那么被納入實驗組，[Treatedi]=1，否則為0。如果相關樣本在實驗期中，那么[Posti]=1，如果在非實驗對比期為0。

[EIVOLiM]為個股[i]第[M]月預期異質性波動率。在利用面板數(shù)據(jù)進行雙重差分回歸的基礎上，本文將考慮納入個股的固定效應（需通過Hausman檢驗），并在模型中加入更多可能影響個股收益率的控制變量[ControliM];這些變量在已有對“異質性波動率之謎”的研究中被廣泛采用，如虞文微等（2017）的研究，包括：（1）市凈率（[PBiM]）：即Price-To-Book ratio，定義為股票當期每股價格與每股凈資產的比值。（2）換手率（[TURNiM]）：在研究異質性波動率相關問題時，常用的指標有換手率和交易量，但由于交易量容易產生偏誤，本文選擇月度換手率作為控制變量（Boehme，2006;林虎和孫博等，2013）。（3）上一期的月度收益（[MOMiM]）：選取前一個月月度收益率作為控制變量，考慮到了中國股市的反轉效應與動量效應（魯臻和鄒恒甫，2007）。

四、實證結果分析

（一）融資融券制度初期雙重差分研究（2008—2011年）

1. 描述性統(tǒng)計。本文第一個雙重差分模型的觀測點樣本總量為4862個，涉及股票總量達195只，實驗期以及空白對比期時間跨度共30個月。通過觀察表3的描述性統(tǒng)計數(shù)據(jù)可以發(fā)現(xiàn)，實驗組股票市凈率（PB）在非實驗對比期最小值為0.88，最大值為19.84，平均值為4.58;在實驗期最小值為0.87，最大值為22.04，平均值為4.01，這與首批納入融資融券交易范圍的股票以低估值藍籌股為主的特征是相符的。同時，表3中對照組股票非實驗對比期市凈率均值為4.61，實驗期均值為5.28，與實驗組市凈率取值水平較為接近。這說明選取第一次擴容的股票作為實驗組的對照，具有合理性。

在雙重差分模型中被選為控制變量的股票月度換手率（TURN），在已有文獻中也被用作異質信念的替代指標。在表3的統(tǒng)計數(shù)據(jù)中，我們可以觀察到實驗組股票月度換手率最大值、平均值在實驗期分別為2.38、0.29，相較于非實驗對比期2.92、0.50的水平有明顯下降。這說明融資融券制度的推行，在一定程度上削弱了市場上異質信念的存在。這與已有文獻提供的研究結果是相符的。

進一步觀察表3的描述性統(tǒng)計數(shù)據(jù)，我們可以發(fā)現(xiàn)，實驗組預期異質性波動率（EIVOL）在實驗期的最小值為0.004、最大值為0.053、平均值為0.016;在非實驗對比期的最小值為0.005、最大值為0.049、平均值為0.019。實驗組EIVOL平均值在融資融券政策退出后，有減小的趨勢，這與已有文獻研究的結果是相符的。另一方面，對照組異質性波動率（EIVOL）在實驗期的最小值為0.004、最大值為0.053、平均值為0.019，整體水平上與實驗組非常接近，非實驗對比期均值水平為0.021，與實驗組亦非常接近。這說明了該雙重差分模型實驗組、對照組的選取有一定的科學性，筆者在股票篩選和數(shù)據(jù)清洗過程中采取的處理方法是適當?shù)摹?/p>

在以上的描述性統(tǒng)計基礎上，本文還進一步計算了實驗組、對照組標的，在實驗期、非實驗對比期各月度等權重的異質性波動率平均值，該指標統(tǒng)計結果在圖1中展示。整體而言，本文所選擇樣本的描述性統(tǒng)計結果基本驗證了已有的研究結論，即融資融券的推出抑制了兩融標的股票的異質性波動率水平，使得融資融券標的的定價效率有所提高。就圖1展示的統(tǒng)計結果而言，該結論主要體現(xiàn)在以下兩點上：

第一，實驗組股票的異質性波動率等權重平均值在融資融券政策正式落地啟用后的15個月中，除2010年8月外，其余14個月均穩(wěn)定在0.01—0.018之間，這一數(shù)值區(qū)間顯著低于融資融券開通前的水平。而且，自融資融券開通后，實驗組股票的異質性波動率整體延續(xù)了下行趨勢，可見兩融業(yè)務在一定程度上平抑了波動性。

第二，從圖1的統(tǒng)計結果中，我們可以觀察到實驗組與對照組股票的異質性波動率平均值差異在兩融業(yè)務開通后明顯拉大，且實驗組股票異質性波動率整體水平始終低于對照組?？梢?，融資融券制度對實驗組股票的異質性波動率的確產生了直接影響。

總體而言，本文描述性統(tǒng)計部分的實證結果與已有文獻的研究結論相符合。但是融資融券制度與異質性波動率相關關系的研究，并不能直接說明融資融券制度對融資融券標的股票“異質性波動率之謎”現(xiàn)象的影響是如何的，因此本文將進一步利用雙重差分模型研究這一問題。

2. 第一階段雙重差分模型。在進行雙重差分模型實證研究之前，本文首先統(tǒng)計了模型中將使用的被解釋變量個股月度超額收益（Rim-rf）與股票月度預期異質性波動率（EIVOL）以及相關控制變量的Pearson相關系數(shù)。

從表4的統(tǒng)計結果可以看出，在實驗期，實驗組與對照組個股月度超額收益（Rim-rf）與月度預期異質性波動率（EIVOL）成穩(wěn)定的負相關關系，相關系數(shù)為-0.055，“異質性波動率之謎”現(xiàn)象比較顯著;在非實驗對比期，兩者相關系數(shù)為0.117，“異質性波動率之謎”現(xiàn)象并不顯著。因為實驗期和非實驗期同時涉及實驗組和對照組股票，我們無法從表4相關系數(shù)的變化判斷，融資融券制度對兩融股票異質性波動率與個股收益率相關關系的影響。接下來將進一步構建雙重差分模型對這一問題做出探討分析。

表5主要匯總了本文構建的第一階段雙重差分模型，其中實驗組為2010年3月首批納入兩融范圍的股票，對照組為2011年12月第一次擴容進入融資融券范圍的股票。因為第一階段雙重差分模型采取面板數(shù)據(jù)回歸，且通過Hausman檢驗，P值<0.001，因此除模型M1外，M2—M5均考慮固定效應。

觀察表5中雙重差分模型的匯總結果，可以發(fā)現(xiàn)M1中雙重差分交互項[（Treatedi×Posti×EIVOLiM）]系數(shù)為-1.41。從行為金融學含義上解釋，這意味著融資融券的開通并沒有抑制兩融股票異質性波動率和股票收益率之間的負相關關系，同時這種負相關性相對對照組有所擴大。簡單而言，兩融標的在融資融券開通后，其“異質性波動率之謎”現(xiàn)象并沒有得到抑制。

在M2—M5中，我們逐漸引入固定效應及市凈率（[PBiM]）、換手率（[TURNiM]）、上一期月度收益率（[MOMiM]）等控制變量，可以發(fā)現(xiàn)雙重差分交互項（[Treatedi×Posti×EIVOLiM]）系數(shù)的顯著性明顯下降，在考慮固定效應及全變量的模型M5中并不顯著。這4個模型中，市凈率、換手率、上一期月度收益率等控制變量回歸系數(shù)始終在1%的顯著性水平下顯著，證明控制變量本身是有效的。因此總體而言，在第一階段雙重差分模型中，融資融券對于實驗組標的“異質性波動率之謎”現(xiàn)象并沒有產生顯著的作用。實驗組標的異質性波動率和股票收益率之間的負相關性在兩融業(yè)務開通后，有一定擴大趨勢。

縱觀模型M1—M5，第二交互項[Posti×EIVOLiM]的回歸系數(shù)始終保持了負值，且在1%的顯著性水平下顯著，這表明在融資融券開通后，實驗組和對照組所有標的組成的樣本整體異質性波動率和股票收益率之間的負相關性顯著加劇，以上實證結果也意味著實驗期內“異質性波動率之謎”現(xiàn)象是更加顯著的。綜合我們對第二交互項和雙重差分交互項的分析，本文認為在2010年3月融資融券制度正式推行的實驗期內，融資融券業(yè)務并沒有顯著抑制兩融標的股票的“異質性波動率之謎”現(xiàn)象。

我們認為融資融券制度在第一階段實驗期內政策效果不好的原因是，融資融券制度并沒有從實質上降低“賣空限制”，因此無法有效抑制融資融券標的股票的“異質性波動率之謎”現(xiàn)象。

根據(jù)本文從萬得金融數(shù)據(jù)庫獲得的數(shù)據(jù)，2010年、2011年融券交易全年賣出額②分別為12.35億元和272.23億元，占當年融資融券交易總量的1.7%和8.5%。由此可見，在融資融券政策落地后的兩年中，融資融券制度處于初期，融券交易本身也受制于證券公司“券源”③不足、融券利率較高、未被市場投資者普遍接受等問題，因此融券賣出量未能大幅增長。在兩融落地初期，無論是融券交易總量還是在融資融券交易中的占比，都處于低水平，因此無法有效降低“賣空限制”，以緩解兩融股票的“異質性波動率之謎”現(xiàn)象。

圖2展示了2010—2015年間，我國股票市場年度融券賣出額總量的增長情況。到2014年我國A股市場年度融券賣出額達1.12萬億元，占當年兩融交易總量的10.5%;到2015年，年度融券賣出額進一步膨脹至2.8萬億元，占當年兩融交易總量的8.1%。相對于融資融券制度推行初期，融券賣出額總量擴大了近100倍，在融資融券交易中占比亦顯著提升。而同期融資融券標的數(shù)量只擴大了10倍，這說明每只融資融券標的股票的融券交易活躍度大幅提升。因此，在第二階段的雙重差分模型中，本文將聚焦于被選入融資融券標的股票第四次擴容和第五次擴容的股票，并將實證檢驗的時間窗口設定在2013—2015年之間，以檢驗融券交易活躍度大幅提升并在實質上減小了“賣空限制”后，融資融券標的股票的“異質性波動率之謎”現(xiàn)象是否得到了抑制。

（二）融資融券制度后期雙重差分研究（2013—2015年）

1. 描述性統(tǒng)計。從表6我們可以觀察到在第二階段的雙重差分模型中，涉及樣本總量達到6020個，實驗組、對照組股票共207只，時間跨度為30個月。通過表6的描述性統(tǒng)計數(shù)據(jù)，還可以發(fā)現(xiàn)實驗組在非實驗對比期市凈率（PB）最小值為0.4、最大值為14.43、平均值為2.8，說明兩融第四次擴容在標的選擇上，整體仍延續(xù)了此前以高流動性、低估值白馬股為主的標準。在實驗期，實驗組標的股票市凈率（PB）均值擴大至4.61，這與當時A股全面性牛市的市場環(huán)境是相符的。另一方面，對照組標的在非實驗對比期、實驗期市凈率（PB）平均值分別為2.29、3.20，整體比較接近實驗組的均值水平，這說明我們選取的樣本是適當?shù)摹?/p>

進一步觀察表6的數(shù)據(jù)，我們還可以發(fā)現(xiàn)，第四次擴容納入融資融券交易范圍的實驗組標的，預期異質性波動率（EIVOL）在實驗期的最小值為0.001、最大值為0.080、平均值為0.027，相對其非實驗對比期的取值水平有明顯的增加。觀察對照組數(shù)據(jù)，也可以發(fā)現(xiàn)，預期異質性波動率（EIVOL）在實驗期的最小值為0.074、最大值為0.025、平均值為0.016，相對非實驗對比期亦明顯增大。本文認為，在實驗期中，A股市場經歷了全面性牛市和崩盤式下跌，在這個過程中，個股的波動性以及自身的異質性風險不斷加劇，由此導致異質性波動率水平顯著增加。綜合而言，我們認為觀察到這樣的變化是符合金融常識的。

在圖3中，本文進一步統(tǒng)計和繪制了實驗組、對照組預期異質性波動率月度等權重平均值變化趨勢。觀察圖3可以發(fā)現(xiàn)，在2014年10月融資融券第四次擴容發(fā)生前，實驗組標的股票的異質性波動率水平是高于對照組股票的。但是當被納入融資融券范圍后，兩者異質性波動率水平的差距明顯縮小。在2015年5月牛市進入末期后，實驗組的異質性波動率水平非常接近于對照組，這說明融資融券制度的推行顯著抑制了實驗組的異質性波動率，與已有結論相符;沒有納入融資融券范圍的對照組標的，在2014年10月之后，其異質性波動率增大的程度遠高于實驗組，這也說明了融資融券交易的確抑制了實驗組標的股票異質性波動率的提升。當然，實驗組的異質性波動率受到融資融券交易的抑制，仍然只是融資融券政策效果的間接證據(jù)，下面本文將建立第二階段雙重差分模型，以驗證融資融券制度對實驗組標的“異質性波動率之謎”現(xiàn)象的直接影響。

2. 第二階段雙重差分模型。與第一階段DID模型類似，在建立雙重差分模型之前，我們首先統(tǒng)計了模型中被解釋變量和解釋變量以及相關控制變量的Pearson相關系數(shù)，統(tǒng)計結果展示在表7中。

從表7中可以觀察到，在實驗期和非實驗對比期，模型所有樣本月度超額收益率（Rim-rf）與股票月度預期異質性波動率（EIVOL）始終表現(xiàn)為顯著的負相關關系，在實驗期和空白對比期相關系數(shù)分別為-0.158、-0.072。這說明，在2013—2015年間，我國A股市場的“異質性波動率之謎”現(xiàn)象是持續(xù)存在的。且在2015年的牛市環(huán)境下，模型選取的樣本總體異質性波動率和收益率之間的負相關關系有所擴大。然而，僅通過觀察表7的統(tǒng)計結果，我們無法觀察到融資融券政策對實驗組標的“異質性波動率之謎”現(xiàn)象究竟產生了何種影響，因此，本文進一步建立第二階段的雙重差分模型以對此問題進行研究。

表8主要匯總了第二階段的雙重差分模型，實驗期為2014年10月至2015年12月，共15個月;非實驗空白對比期為2013年6月至2014年8月，同樣為15個月。表8中匯總的面板數(shù)據(jù)回歸模型均通過Hausman檢驗，P值小于0.01，因此模型M6—M9中均考慮了采用固定效應面板數(shù)據(jù)回歸模型。

與上文變量相關性的分析一致，通過表8中的數(shù)據(jù)可以觀察到，模型M6—M9中，第二交互項[Posti×EIVOLiM]的回歸系數(shù)始終為負值，且在1%的顯著性水平下顯著。這意味著從整體來看，2014年10月兩融標的第四次擴容后，實驗組和對照組全樣本預期異質性波動率（[EIVOLiM]）和個股超額收益率（[RiM-rft]）的負相關有所加大，即“異質性波動率之謎”現(xiàn)象有所加劇。然而，在這樣的背景下，我們觀察到在考慮了固定效應但未添加控制變量的模型M6中，雙重差分交互項（[Treatedi×Posti×EIVOLiM]）的回歸系數(shù)為0.87，且在5%的顯著性水平下顯著。這說明，在實驗期內相較于對照組，第四次擴容進入融資融券交易范圍的股票的“異質性波動率之謎”現(xiàn)象被顯著抑制了。

在模型M7—M9中，本文逐漸引入了市凈率（[PBiM]）、換手率（[TURNiM]）、上一期月度收益率（[MOMiM]）等控制變量。可以明顯觀察到的是，模型M7—M9中雙重差分交互項[（Treatedi×Posti×EIVOLiM）]

的回歸系數(shù)分別為1.25、1.32、1.34，且均在1%的顯著性水平下顯著。雙重差分交互項的回歸系數(shù)漸次增大意味著，在充分考慮了控制變量對個股超額收益的影響后，融資融券制度對于實驗組“異質性波動率之謎”的削弱作用仍然能被顯著觀察到，這也證明了這種平抑作用是伴隨融資融券交易而獨立存在的，而并非受到其他因素的影響。同時，模型M7—M9均在1%的顯著水平下通過了F檢驗，并且隨著控制變量的加入，R2也有了顯著提升。這說明第二階段雙重差分模型的構建是有效的。

為了更加明晰地闡述第二階段雙重差分模型中，融資融券制度對于實驗組“異質性波動率之謎”的影響，我們將第一階段的雙重差分模型M5也列置在表8的最后一列。M5中，雙重差分交互項（[Treatedi×Posti×EIVOLiM]）的回歸系數(shù)為-0.34，但在統(tǒng)計學下并不顯著，這意味著在融資融券制度對首批融資融券標的“異質性波動率之謎”現(xiàn)象并沒有產生直接作用。而在M9中，雙重差分交互項的回歸系數(shù)為1.34，且在1%的顯著性水平下顯著。這樣的變化有力地證明了本文的核心觀點，即在2014年10月之后，隨著融券賣出總交易額以及融券交易在兩融總交易額中占比的不斷擴大，融資融券股票的“賣空限制”得到有效緩解，因此，相比于未進行融資融券交易的對照組，其“異質性波動率之謎”現(xiàn)象被有效抑制。

五、穩(wěn)健性檢驗

承接上文的討論，在穩(wěn)健性檢驗中，本文一方面致力于為上文結論提供更多驗證;另一方面，也希望為融資融券制度降低了兩融標的“賣空限制”，進而抑制其“異質性波動率之謎”現(xiàn)象尋找更直接的實證證據(jù)。結合已有文獻研究，融券交易是降低賣空限制的核心機制，因此本文篩選了兩融第四次擴容標的中實驗期融券賣出額與股票期間成交量比值排名前30%的股票，共43只。其中，在上交所、深交所流通交易的股票分別為22只、21只，整體分布較為平均。本文將這43只股票編制為融券活躍組，作為穩(wěn)健性檢驗新的實驗組標的，對照組股票仍為2016年12月融資融券第五次擴容進入融資融券交易范圍的股票，共62只。

在圖4中，本文首先統(tǒng)計了融券活躍組、對照組預期異質性波動率在2014年10月融資融券第四次擴容前后的變化情況。觀察圖4可以發(fā)現(xiàn)，在融資融券第四次擴容前，融券活躍組股票的異質性波動率高于對照組，且差距較大;融資融券第四次擴容后，兩組標的異質性波動率差異快速縮小。值得注意的是，在2015年4月至8月，A股市場進入牛市末期，市場情緒極為亢奮，此時融券活躍組股票的異質性波動率相比對照組明顯受到抑制。根據(jù)已有文獻的研究，這樣的實證結果表明融券活躍組股票異質信念得到了減弱。為了進一步尋求融券交易降低兩融標的“賣空限制”，進而抑制其“異質性波動率之謎”現(xiàn)象的直接證據(jù)，本文圍繞融券活躍組、對照組標的構建了新的雙重差分模型。

由融券活躍組和對照組在2013—2015年間組成的面板數(shù)據(jù)可以通過Hausman檢驗，因此在構建雙重差分模型時，本文采用了固定效應模型。模型M10—M13均為融券活躍組雙重差分模型。對于表9的實證回歸數(shù)據(jù)，我們從以下三個角度分析：

在考慮了控制變量的模型M10—M13中，雙重差分交互項[（Treatedi×Posti×EIVOLiM）]的回歸系數(shù)分別為1.34、1.58、1.58，且均在1%的顯著性水平下顯著。該系數(shù)為正值，說明相對于對照組，融券活躍組預期異質性波動率與收益率的負相關關系得到抑制，即“異質性波動率之謎”得到減弱。

對比模型M13和M9的回歸結果可以發(fā)現(xiàn)，M13雙重差分交互項回歸系數(shù)為1.58，M9為1.34，且兩個模型均可以通過F檢驗，在1%的顯著性水平下顯著。M13雙重差分交互項的回歸系數(shù)更大且顯著，說明第二階段實驗組標的中，融券交易越活躍的，其“異質性波動率之謎”現(xiàn)象受抑制的程度越高，定價也更為有效?？v覽M10—M13，雙重差分交互項回歸系數(shù)的整體水平均高于表8中的M6—M9的水平。因此M10—M13的回歸結果可以作為融券交易降低兩融標的“賣空限制”，進而抑制“異質性波動率之謎”現(xiàn)象的直接證明。

從模型M5—M9，變化體現(xiàn)在時間維度上，反映的是融資融券制度從導入期到成熟期的過程，融券交易也逐漸走向活躍，因此在M9中我們可以觀察到雙重差分交互項的回歸系數(shù)顯著為正值。從M9—M13，我們進一步精煉樣本的選擇，將研究聚焦到融券活躍標的上，并觀察到雙重差分交互項回歸系數(shù)進一步擴大，進而驗證了本文的核心觀點。

六、結論與政策建議

縱觀本文兩個階段的雙重差分研究，在融資融券制度推行初期，融券交易還未被市場上的投資者普遍接受，2011年全年的融券交易額僅為272億，融資融券標的股票的“賣空限制”并未有效減弱。在實證結果上，我們也觀察到，相對非融資融券股票，兩融標的股票異質性波動率和收益率間的負相關性未能得到抑制。2013—2015年間，融資融券標的擴大到900只，融券交易蓬勃發(fā)展，2014年全年融券交易量超過萬億，在融資融券交易總量中的占比亦超過10%。在這一階段，融資融券標的股票的“異質性波動率之謎”現(xiàn)象相對非融資融券股票得到有效抑制，這一抑制效應對于融券交易活躍的股票更為顯著。第二階段雙重差分模型的實證數(shù)據(jù)也對這一結論提供了有效的支持。對比融資融券初期、后期的實證結果，我們不難看出融券交易的活躍程度對抑制“異質性波動率之謎”現(xiàn)象的重要性。

本質上“異質性波動率之謎”現(xiàn)象屬于市場異象的一種，同時也是市場定價效率低、信息不夠完備的體現(xiàn)。本文的研究發(fā)現(xiàn)，在融資融券制度推行的后期，雖然融資融券標的股票的“異質性波動率之謎”現(xiàn)象有所抑制，但是這種異象在市場上仍然是普遍存在的。這意味著我國股票市場整體的定價效率仍然處在較低水平，同時信息完備程度也需進一步提高。

隨著2019年6月13日科創(chuàng)板在我國上海證券交易所正式開板，一批處在發(fā)展初期的新興科技公司獲得了公開發(fā)行股票融資的機會。在科創(chuàng)板上市的公司，大多來自互聯(lián)網(wǎng)、高端裝備、新材料、新能源、生物醫(yī)藥等潛力巨大的高新產業(yè)。由于發(fā)展初期需要巨大的研發(fā)投入，這一類公司往往并不能實現(xiàn)盈利，如美國的科技巨頭亞馬遜曾連續(xù)20年虧損。對此類公司的估值和定價，往往具有一定的復雜性和多樣性。在這樣的情況下，如何提高市場定價效率以及信息完備程度，重新成為投資者和學界關注的焦點問題。

本文的實證結果說明，活躍的融券交易可以減少市場“賣空限制”，以此消除股票市場異象、提高市場定價效率。在科創(chuàng)板的制度設計上，管理層也尤為注意發(fā)揮融資融券促進市場充分博弈、提高市場有效性的作用。在科創(chuàng)板股票上市首日就可以作為融券標的、券商保薦跟投股票以進一步豐富券源等制度的支持下，科創(chuàng)板市場的融券交易日益活躍。但就我國股票市場的整體情況而言，2016—2019年間，融券交易總量重新滑落至2000億以下的水平，在融資融券年交易總量中占比也暴降至2%以下。券源不足、融券利率過高等現(xiàn)象亦始終存在，在融資融券制度相對寬松的科創(chuàng)板，目前平均的融券利率仍然高達15%，個別股票的融券年化利率甚至達到60%。因此，本文認為，為了進一步提高市場定價效率，促進我國股票市場盡快從核準制向注冊制轉型，監(jiān)管層應適度放松對融券交易的政策限制，鼓勵證券公司積極參與融券交易;在降低融券拆借成本、放松擔保品要求等方面，亦應提出更有效的制度安排;同時，交易所和證券公司也應努力做好投資者教育，引導有經驗的專業(yè)投資者、機構客戶正確認識“賣空交易”，并積極參與融資融券交易，以此來提高我國股票市場的定價效率和信息完備程度。

注：

①兩階段雙重差分回歸模型的實驗期分別對應融資融券制度初期和后期。

②融券賣出額對應的是融券交易賣出量與成交價格的乘積，此處取年度區(qū)間累積值。

③券源指證券公司可用于融券拆借的股票，一般來源于券商自營、證金公司或大股東質押。

參考文獻：

[1]Ali，A.，Hwang，L.，Trombley，M.A. 2003. Arbitrage risk and the Book-to-Market Anomaly[J].Journal of Financial Economics，69（2）.

[2]Ang，A.，Hodrick，R. J.，Xing Y.，and Zhang X. 2006. The Cross-section of Volatility and Expected Return[J]. The Journal of Finance，61（1）.

[3]Ang，A.，Hodrick，R. J.，Xing Y.，and Zhang X. 2009. High Idiosyncratic Volatility and Low Returns：International and Further US Evidence[J].Journal of Financial Economics，91（1）.

[4]Bali T G，Cakici N，Whitelaw R F. 2011. Maxing Out：Stocks as Lotteries and the Cross-Section of Expected Returns[J]. Journal of Financial Economics，99（2）.

[5]Berrada T，Hugonnier J. 2013. Incomplete Information，Idiosyncratic Volatility and Stock Returns[J].Journal of Banking and Finance，37（2）.

[6]Bhootra A. 2011. Are Momentum Profits Driven by the Cross-sectional Dispersion in Expected Stock Returns？[J]. Journal of Financial Markets，14（3）.

[7]Boehme，R. D.，Danielsen，B. R.，and Sorescu，S. M. 2006. Short-sale Constraints，Differences of Opinion，and Overvaluation[J].Journal of Financial and Quantitative Analysis ，41（2）

[8]Campbell J Y，Lettau M，Malkiel B G，et al. 2001. Have Individual Stocks Become More Volatile？ An empirical Exploration of Idiosyncratic Risk[J]. The Journal of Finance，56（1）.

[9]D Avramov，T Chordia，G Jostova. 2007. Momentum and Credit Rating[J]. The Journal of Finance，62（5）.

[10]Fama，E. F.，and French，K. R. 1992. The Cross-section of Expected Stock Returns[J].The Journal of Finance，47（2）.

[11]Fama，E. F.，and MacBeth，J. D. 1973. Risk，Return，and Equilibrium：Empirical Tests[J] The Journal of Political Economy，81（3）.

[12]Fu F. 1973. Idiosyncratic Risk and the Cross-section of Expected Stock Returns[J].Journal of Financial Economics，91（1）.

[13]Figlewski Stephen. 1981. The Informational Effects of Restrictions on Short Sales：Some Empirical Evidence[J].Journal of Financial and Quantitative Analysis，16（4）.

[14]Han B，A. Kumar. 2008. Retail Clienteles and the Idiosyncratic Volatility Puzzle[R]. McComs Research Paper Series.

[15]Hou K，Loh R K. 2016. Have We Solved the Idiosyncratic Volatility Puzzle[J].Journal of Financial Economics，121（1）.

[16]Jonathan Karpoff，Xiao Xia Lou. 2010. Short Sellers and Financial Misconduct[J]. Social Science Electronic Publishing，65（5）.

[17]Jiang，G. J.，Xu，D.，and Yao，T. 2009. The Information Content of Idiosyncratic Volatility[J].Journal of Financial and Quantitative Analysis 44（1）.

[18]Mahmoud Qadan，Doron Kliger，Nir Chen. 2019. Idiosyncratic Volatility，the VIX and Stock Returns[J].The North American Journal of Economics and Finance，47.

[19]Mashruwala，C.，Rajgopal，S.，Shevlin，T. 2006. Why is the Accrual Anomaly Not Ar-bitraged Away？ The Role of Idiosyncratic Risk and Transaction Costs[J].Journal of Accounting and Economics，42.

[20]Merton R C. 1987. A Simple Model of Capital Market Equilibrium with Incomplete Information[J].Journal of Finance，42（3）.

[21]Miller E M. 1977. Risk，Uncertainty and Divergence of Opinion[J]. Journal of Finance，32（4）.

[22]Ming Gu，Wenjin Kang，BuXu. 2018. Limits of Arbitrage and Idiosyncratic Volatility：Evidence from China Stock Market[J]. Journal of Banking & Finance，86.

[23]Ming Gu，George J.Jiang，Bu Xu. 2019. The Role of Analysts：An Examination of the Idiosyncratic Volatility Anomaly in the Chinese Stock Market[J]. Journal of Empirical Finance.

[24]Nagel，S. 2005. Short Sales，Institutional Investors and the Cross-section of Stock Returns[J].Journal of Financial Economics .78.

[25]Owen A. Lamont，Jeremy C. Stein. 2004. Aggregate Short Interest and Market Valuations[J]. American Economic Review，94（2）.

[26]Shengnan Liu，Ao Kong，Rongbao Gu，Wenjing Guo. 2019. Does Idiosyncratic Volatility Matter？——Evidence from Chinese Stock Market[J].Physica A：Statistical Mechanics and its Applications，516.

[27]Stambaugh，R. F.，Yu，J.，and Yuan，Y. 2014. Arbitrage Asymmetry and the Idiosyncratic Volatility Puzzle[J]. Journal of Finance，70 （5）.

[28]Zhi Su，Tengjia Shu，Libo Yin. 2018. The Pricing Effect of the Common Pattern in Firm-level Idiosyncratic Volatility：Evidence from A-Share Stocks of China[J].Physica A： Statistical Mechanics and its Applications，497.

[29]陳海強，范云菲. 融資融券交易制度對中國股市波動率的影響——基于面板數(shù)據(jù)政策評估方法的分析[J].金融研究，2015，（6）.

[30]鄧雪春，鄭振龍.中國股市存在 “特質波動率之謎” 嗎？[J].商業(yè)經濟與管理，2011，（1）.

[31]黃波，李湛，顧孟迪. 基于風險偏好資產定價模型的公司特質風險研究[J].管理世界，2016，（11）.

[32]黃卓，康辰，王小華.中國股市“特質性波動率之謎”研究[J].山東社會科學，2016，（7）.

[33]李志生，陳晨，林秉旋.賣空機制提高了中國股票市場的定價效率嗎？——基于自然實驗的證據(jù)[J].經濟研究，2015，（4）.

[34]林虎，張博，劉力.換手率波動、轉售期權與股票橫截面收益率[J].金融研究，2013，（12）.

[35]劉鵬，田益祥.特質風險與股票收益——來自中國股票市場的經驗證據(jù)[J].管理學家（學術版），2011，（10）.

[36]魯臻，鄒恒甫.中國股市的慣性與反轉效應研究[J].經濟研究，2007，（9）.

[37]施劍威.賣空失衡、異質信念與股票定價效率[J].金融發(fā)展研究，2018，（7）.

[38]蘇冬蔚，倪博.轉融券制度、賣空約束與股價變動[J].經濟研究，2018，（3）.

[39]肖浩，孔愛國.融資融券對股價特質性波動的影響機理研究：基于雙重差分模型的檢驗[J].管理世界，2014，（8）.

[40]許紅偉，陳欣.我國推出融資融券交易促進了標的股票的定價效率嗎？——基于雙重差分模型的實證研究[J].管理世界，2012，（5）.

[41]楊華蔚，韓立巖.外部風險、異質信念與特質波動率風險溢價[J].管理科學學報，2012，（14）.

[42]虞文微，張兵，于琴.套利限制與中國股票市場特質波動率之謎[J].北京工商大學學報，2017，（6）.

[43]周皓，陳湘鵬，王遠.A股市場的異質波動率之謎是否已被充分解釋？ [J].投資研究，2018，（5）.

[44]趙勝民，劉笑天.公司特質風險、估值水平與股票收益——基于分位數(shù)Fama-MacBeth回歸模型的實證分析[J].華東經濟管理，2017，（9）.

[45]左浩苗，鄭鳴，張翼.股票特質波動率與橫截面收益：對中國股市“特質波動率之謎”的解釋[J].世界經濟，2011，（5）.

[46]周皓，陳湘鵬，何碧清，趙靖.中國金融市場高風險時期的形勢判斷與政策建議[J].清華金融評論，2019，（1）.

Research on the "Heterogeneity Volatility Puzzle" of? Securities Margin Trading Underlying Stocks in China's Stock Market

Liu Ying/Xiao Xinrong/Wang Duo

（School of Economics and Finance，University of International Business and Economics，Beijing? ?100029）

Abstract：This paper studies the "heterogeneity volatility puzzle" of securities margin trading underlying stocks in China's A-share market. In the early and late stages of the implementation of China's securities margin trading system，a two-stage dual difference-in-difference（DID）model was constructed to compare the policy effects of the securities margin trading system. The empirical results show that in the early stage of the implementation of the securities margin trading system，the phenomenon of the "heterogeneity volatility puzzle" of the securities margin trading underlying stocks is not effectively suppressed. While in the later stage，the total amount of securities loan in the A-share market rapidly increased to more than 1 trillion yuan. The phenomenon above is controlled effectively compared to the non-margin stocks. Such a suppressive effect plays a more dominant role in brisk securities loan trading，which illustrates that the activeness of the securities loan trading plays a leading role in suppressing the "heterogeneity volatility puzzle" of securities margin trading underlying stocks.

Key Words：securities margin trading，heterogeneity volatility puzzle，dual DID model