Python实证复现：衍生品使用如何影响股价波动率？

简介：针对金融领域衍生品使用对股价波动性影响的实证研究复现文档，面向金融工程专业学生、研究学者及量化投资者。内容涵盖数据预处理、波动率与贝塔系数计算、双向固定效应面板回归、内生性处理、异质性分析、中介变量路径及多项稳健性检验，并给出预测与敏感性测试环节，完整还原论文实证流程。文档结构围绕论文复现主线展开，从变量构建到模型估计各环节均有注释说明，便于按步骤还原基准回归与检验结果。压缩包共1个docx文件，大小仅28KB，目前已有220人学习下载。代码分步骤呈现，关键函数均配有逐行解释，可结合真实财务数据替换示例数据后直接延展运行。读者既能借此掌握面板计量模型与时间序列分析的操作思路，也可在衍生品风险防控、资产配置优化等场景中复用相关方法。

1. 复现什么、怎么复现：一篇用 Python 分析衍生品与股价波动的实证全流程

这份资源复现的是一条很典型的实证论文链路——用 Python 分析上市公司衍生品使用对股价波动性的影响，从数据清洗、变量构造一直做到双向固定效应回归、内生性处理和稳健性检验。先说一个反直觉的结论：这个项目真正的门槛不在面板模型的写法，而在把原始财务数据拼成论文认可的那个样子。代码把每一步都拆开解释了，包括 Hedge 变量的双重确认、波动率的年化口径、聚类标准误的参数选择，还有工具变量、系统 GMM、中介效应这些进阶模型的适用条件。适合金融工程专业学生把计量课上的面板模型落到真实数据上，也适合量化研究者快速核对文献里“使用衍生品降低股价波动”这类结论到底是怎么估计出来的。需要提醒的是，代码里的数据结构是示例字段，跑真实结论前要换成国泰安或 Wind 的付费数据。

2. 数据与变量构造：波动率、Hedge 与控制变量的四道坎

2.1 波动率计算：年化因子的选择与对数收益率的必要性

股价波动率是整个研究的第一步，也是后面所有回归的被解释变量。代码里用np.sqrt(len(daily_returns)) * daily_returns.std()做年化，这里的std()是日收益率标准差，乘上sqrt(N)转成年化口径，N是样本里的交易日数。这里有几个容易被忽略的细节：第一，收益率必须用对数收益率而不是简单收益率，因为对数收益率的截面分布在金融数据里更接近正态，且可以直接跨期相加，A 股和港股这种有除权除息和涨跌停机制的市场尤其如此；第二，年化因子到底用sqrt(252)还是sqrt(len(daily_returns))，论文里多数直接取样本天数，因为样本内交易日数本身就是 250 天左右，但如果你拉了三年的数据却不按年份分组，这个因子会被拉长，算出来的年化波动率明显失真。

data['date'] = pd.to_datetime(data['date']) # 统一日期格式 def calculate_volatility(returns): """按股票分组计算年化日波动率""" daily_returns = returns['log_return'] volatility = np.sqrt(len(daily_returns)) * daily_returns.std() return volatility # 原代码用 apply，这里推荐 transform，索引不会错位 data['volatility'] = data.groupby('stock_id')['log_return'].transform( lambda x: np.sqrt(len(x)) * x.std() )

逻辑说明：groupby('stock_id')把同一家公司的收益序列放到一组，std()算的是日波动率，sqrt(len(x))负责年化。apply和transform都能按组计算，但apply返回的索引是分组键加原索引，直接赋值给原 DataFrame 时经常出现行数对不上的问题；transform返回和原表等长的序列，赋值安全。参数说明：如果数据里混入非交易日或停牌日，log_return的零点会拉低标准差，建议在计算前先把log_return为 0 且当天成交量为 0 的行筛选掉。

2.2 Hedge 变量构造：公告与报表的“双重确认”

论文最核心的解释变量 Hedge 不是简单看公司有没有发过衍生品公告，而是两个条件同时满足：derivative_announcement == 1，且衍生金融资产与衍生金融负债的合计不为 0。这种“双重确认”在实证里很常见，目的是过滤掉两种情况：一种是公司发了“拟开展衍生品业务”的公告但实际没有持仓，纯属炒作；另一种是报表里挂了衍生品项目但从未公告，数据口径不完整。两个条件同时成立，才认为这家公司当期真实使用了衍生品。

data['Hedge'] = np.where( (data['derivative_announcement'] == 1) & (data[['derivative_asset', 'derivative_liability']].sum(axis=1) != 0), 1, 0 )

逻辑说明：np.where(条件, 1, 0)是向量化的 if-else；sum(axis=1)把每行的衍生资产和衍生负债相加，如果两个字段全是 0 就记 0。参数说明：这两个字段在原始库里常常是字符串空值或 NaN，sum(axis=1)遇到 NaN 会直接得到 NaN，比较结果变成 False，导致应该记为 1 的公司被漏掉。保险写法是在求和前先fillna(0)，再对整列做astype(float)。

2.3 控制变量口径：MV、BP、ROE、Debtratio 的注意点

控制变量看着简单，实际上每一条的构造口径都决定了回归符号能不能解释通。ROE 用平均净资产而不是期末净资产，BP 名义上市净率但公式是市值除以净资产，Debtratio 在基准回归里被取了自然对数。这些细节如果和论文不一致，回归结果会和原文差出几个量级。

data['MV'] = data['total_market_value'] data['BP'] = data['closing_price'] * data['total_shares'] / data['last_year_equity'] data['ROE'] = data['net_profit'] / ((data['beginning_equity'] + data['ending_equity']) / 2) * 100 data['Debtratio'] = data['total_liabilities'] / data['total_assets'] # 对数和取对数前的 0 值防御 data = data.replace([np.inf, -np.inf], np.nan) data = data.dropna()

逻辑说明：BP 用市值除以上年净资产，衡量的是市场对净资产的定价倍数；ROE 分母用期初期末均值，是为了平滑净资产在一年内的变动。参数说明：np.log(Debtratio)要求 Debtratio 严格大于 0，现实中总负债为 0 的上市公司极少，但一旦出现，np.log会生成负无穷，而dropna()默认只删 NaN 不删 inf，模型会直接报错或产出全 NaN 的系数表。所以先replace([np.inf, -np.inf], np.nan)再dropna()，这一步必须放在所有取对数操作之后。

2.4 数据质量体检：Z 分数与 VIF 放在建模之前做

原代码把异常值检测和多重共线性检验放在整个项目最后，我一般会提前到变量构造完成后就跑一遍。原因很简单：波动率是二阶矩指标，一个极端值就能把整只股票的波动率抬高几倍，而 VIF 能提前警告 BP 和 MV 之间可能的高度相关——毕竟市值在这两个变量里都参与了构造。

from scipy import stats z_scores = np.abs(stats.zscore(data[['volatility', 'MV', 'BP', 'ROE', 'Debtratio']])) print('异常值条数：', (z_scores > 3).any(axis=1).sum()) from statsmodels.stats.outliers_influence import variance_inflation_factor X_vif = sm.add_constant(data[['Hedge', 'MV', 'BP', 'ROE', 'Debtratio']]) vif_df = pd.DataFrame({ 'features': X_vif.columns, 'VIF': [variance_inflation_factor(X_vif.values, i) for i in range(X_vif.shape[1])] }) print(vif_df)

逻辑说明：stats.zscore按列计算标准分，绝对值大于 3 的样本视为极端值；variance_inflation_factor返回每个自变量的方差膨胀因子。参数说明：VIF 大于 10 通常认为存在严重多重共线性，实际金融面板数据里 VIF 到 5 就得留意。注意X_vif里包含常数项，但 VIF 的结果我们只读解释变量的那几行，常数项的数字没有意义。

3. 双向固定效应基准回归：公式、参数与结果解读

3.1 为什么用 PanelOLS 而不是普通 OLS

如果直接用 OLS 跑np.log(volatility) ~ Hedge + 控制变量，等于把不同年份的同一家公司当成独立样本。同一家公司的波动率在时间上高度相关，而且公司层面有不随时间变化的风险偏好、治理结构、行业属性，这些遗漏变量只要与 Hedge 相关，回归系数就有偏。双向固定效应模型通过 EntityEffects 吸收公司层面不随时间变化的异质性，TimeEffects 吸收宏观层面的共同冲击，比如 2015 年 A 股剧烈波动、2020 年疫情冲击这类所有公司一起承受的因素。理解这一点之后再回来看代码，就知道为什么公式里要写EntityEffects + TimeEffects。

3.2 基准回归代码：MultiIndex 与聚类标准误

原代码直接用PanelOLS.from_formula，但 linearmodels 的面板模型有一个硬性要求：DataFrame 的索引必须是(entity, time)形式的 MultiIndex。这一点极容易漏，漏掉后报错信息和“维度不匹配”相关，排查起来很绕。

# linearmodels 要求面板索引为 (stock_id, date) 的 MultiIndex data = data.set_index(['stock_id', 'date']) data = data.sort_index() formula = ('np.log(volatility) ~ Hedge + np.log(MV) + BP + ROE + ' 'np.log(Debtratio) + EntityEffects + TimeEffects') mod = PanelOLS.from_formula(formula, data=data) res = mod.fit(cov_type='clustered', cluster_entity=True) print(res.summary)

逻辑说明：公式里的Hedge是核心解释变量，np.log(MV)等是控制变量，EntityEffects + TimeEffects表示同时加入个体固定效应和时间固定效应，也就是论文里的双向固定效应。cov_type='clustered'指定聚类稳健标准误，cluster_entity=True表示按公司个体聚类。参数说明：聚类标准误这一步不是可选项。同一家公司的残差必然存在序列相关，普通标准误会严重低估不确定性，t 值虚高，审稿人一般都会盯着这一条。

3.3 结果解读：Hedge 系数、对数因变量与显著性

回归输出里最先要看的是 Hedge 的系数和它对应的聚类标准误。被解释变量是np.log(volatility)，Hedge 是 0/1 二值变量，系数的解释是“使用衍生品组相对未使用组，波动率变化的百分比近似等于 100 * (exp(b) - 1)%”。如果系数是 -0.06，对应的波动率差异大约是 -5.8%；如果系数不显著，说明在控制公司和时间效应后，Hedge 对波动率没有可检测的影响。连续变量解释起来略有区别，np.log(MV)的系数直接读作弹性，即市值变化 1%，波动率变化百分之多少。

这里有个容易误读的地方：双向固定效应模型的 R² 通常不高，金融面板数据里 0.2 到 0.4 都很正常，不要用横截面回归的 R² 标准去要求它。更值得关注的是 Hedge 系数的符号和显著性在不同设定下是否稳定。原代码在基准回归后立刻用贝塔系数和特质波动率替换因变量重新回归，这一步是对“基准结论是否依赖波动率度量方式”的直接回应，也说明论文作者对核心结论的稳健性是有预期的。

4. 内生性、动态效应与机制分析：Hedge 的系数可信吗

4.1 内生性来源：Hedge 不是随机分配的

基准回归做完只是第一步，论文里大概率要处理内生性。Hedge 不是随机分配的自然实验，公司决定是否使用衍生品往往和自身特征相关——规模大、治理规范的公司更倾向用衍生品对冲，而这些公司的波动率天然更低，这就是自选择偏误；反过来，波动率高的公司也可能为了稳定利润而引入衍生品，这是反向因果。两条路径都会让基准回归的系数偏离真实因果效应。处理方案一般有三种：工具变量法、动态面板 GMM、以及中介效应验证传导路径。这刚好对应原代码接下来的三块内容。

4.2 工具变量法：IV2SLS 的写法与适用前提

原代码把滞后一期的 Hedge 作为当期 Hedge 的工具变量，思路是上一期是否使用衍生品和当期高度相关，而上一期的决策对当期扰动项原则上没有直接影响。这个假设在短面板里可以被接受，但要注意滞后项作为工具变量的弱点：如果 Hedge 本身在时间上非常稳定，滞后一期和当期几乎一样，工具变量会退化成“用自己解释自己”。

from linearmodels.iv import IV2SLS data['Hedge_lag1'] = data.groupby('stock_id')['Hedge'].shift(1) data = data.dropna(subset=['Hedge_lag1']) formula_iv = ('np.log(volatility) ~ 1 + [Hedge ~ Hedge_lag1] + ' 'np.log(MV) + BP + ROE + np.log(Debtratio)') mod_iv = IV2SLS.from_formula(formula_iv, data=data) res_iv = mod_iv.fit() print(res_iv.summary)

逻辑说明：[Hedge ~ Hedge_lag1]是 linearmodels 的 IV 专用语法，方括号左侧是内生变量，右侧是工具变量；1表示模型包含截距项。groupby('stock_id')['Hedge'].shift(1)生成每个公司上一期的 Hedge。参数说明：IV 回归的 summary 里要重点看第一阶段 F 统计量，一般大于 10 才不算是弱工具变量；如果 F 值太小，说明滞后项解释不了当期的 Hedge 变动，工具变量成立的前提不满足。另外，IV2SLS这个估计器不带面板固定效应，严谨做法是在公式里加入行业年份哑变量或改用能吸收固定效应的 IV 估计器。

4.3 动态面板：System GMM 的适用边界

引入被解释变量滞后项的原因很直观：股价波动率有持续性，上一期波动剧烈，本期往往也剧烈。如果只是把L1.log(volatility)加进公式再用 OLS 或固定效应回归，会因滞后项与个体效应相关而产生 Nickell 偏误，所以要用系统 GMM。原代码用IVSystemGMM实现了这一步，工具变量集合用的是各解释变量的一阶滞后项。

from linearmodels.system import IVSystemGMM # 先生成各变量的一阶滞后 for var in ['volatility', 'Hedge', 'MV', 'BP', 'ROE', 'Debtratio']: data[f'L1_{var}'] = data.groupby('stock_id')[var].shift(1) data = data.dropna() formula_dyn = ('np.log(volatility) ~ 1 + L1.np.log(volatility) + Hedge + ' 'np.log(MV) + BP + ROE + np.log(Debtratio)') instruments = { 'np.log(volatility)': ['L1_Hedge', 'L1_MV', 'L1_BP', 'L1_ROE', 'L1_Debtratio'] } mod_gmm = IVSystemGMM.from_formula(formula_dyn, data=data, instruments=instruments) res_gmm = mod_gmm.fit() print(res_gmm.summary)

逻辑说明：L1.前缀告诉模型这是滞后一期算子，系统 GMM 同时使用水平方程和差分方程的信息来构造矩条件。instruments这个字典指定了对内生变量使用哪些工具变量。参数说明：GMM 结果不能只看系数，还要看 Arellano-Bond AR(2) 检验和 Hansen J 检验——AR(2) 的 p 值大于 0.05 才说明残差没有二阶序列相关，Hansen J 检验的 p 值不能太小也不能离谱地接近 1。如果原数据的时间跨度不够长，工具变量个数会远大于样本数，这时候 GMM 估计量并不可靠。

4.4 中介效应三步：如何验证“信息透明度”这条路径

机制分析在原代码里用的是经典的三步走：先跑总效应，再跑解释变量对中介变量的影响，最后把中介变量放进回归看直接效应，中介效应等于后两步系数的乘积。这个框架用普通 OLS 就能实现，但与基准的面板模型存在口径差异，严谨的做法是把三步全部换成面板固定效应版本。

import statsmodels.api as sm X = sm.add_constant(data[['Hedge', 'MV', 'BP', 'ROE', 'Debtratio']]) y = np.log(data['volatility']) mediator = data['information_transparency'] model_total = sm.OLS(y, X).fit() print('总效应：', model_total.params['Hedge']) model_m = sm.OLS(mediator, X).fit() print('Hedge 对中介变量：', model_m.params['Hedge']) X_med = pd.concat([X, mediator], axis=1) model_direct = sm.OLS(y, X_med).fit() print('直接效应：', model_direct.params['Hedge']) print('中介效应：', model_m.params['Hedge'] * model_direct.params['information_transparency'])

逻辑说明：第一步的model_total.params['Hedge']是不加中介时的总效应；第二步看 Hedge 是否能显著影响中介变量；第三步看加入中介后 Hedge 的系数相比总效应是否明显缩小。参数说明：sm.add_constant给解释变量矩阵补一列截距，OLS 默认带截距，不补这一步会把截距吸到第一个变量上，导致全部系数偏移。中介效应的置信区间建议用 Bootstrap 而不是教科书公式，因为乘积项的抽样分布通常不对称。

4.5 空间效应：什么时候值得上

原代码还包含空间面板分析，用经纬度构造 K 近邻权重矩阵再跑空间固定效应回归。这个模块建议谨慎使用：上市公司之间的空间相关性在金融数据里并不像房价数据那样直观，同行业竞争关系、供应链关联往往比地理距离更能解释波动率的联动。只有当样本里的公司有明显的地域集聚特征，或者论文明确研究区域金融风险传染时，空间权重矩阵才真正有价值。跑之前先对longitude和latitude两列做缺失值检查，注册地在境外的公司通常没有经纬度，这些样本会被空间权重构造逻辑自动剔除。

5. 避坑与排查：五个让回归跑不动的真实翻车现场

5.1 PanelOLS 报 EntityEffects 维度错误

现象：PanelOLS.from_formula直接抛 ValueError，提示找不到实体维度或时间维度，而数据明明有stock_id和date列。

原因：linearmodels 的面板模型要求数据索引是(entity, time)的 MultiIndex，直接从 CSV 读进来的默认整数索引不满足这个结构。

解决：先data = data.set_index(['stock_id', 'date']).sort_index()，再交给PanelOLS。如果之后还要用shift(1)生成滞后项，确保 groupby 的分组键和 MultiIndex 的第一层保持一致，否则错位后回归结果全错。从那以后我每跑一个面板模型前都会先打印data.index.names确认索引结构。

5.2 dropna 之后样本量骤减，模型结果前后对不上

现象：生成Hedge_lag1后dropna(subset=['Hedge_lag1'])，样本量直接少了一个年度截面，IV 回归和基准回归的样本不一致。

原因：shift(1)对每个公司分组的第一个观测值生成 NaN，如果面板是年度数据，等于每家公司至少丢一年。更隐蔽的是np.log(Debtratio)遇到 0 值生成-inf，dropna()默认只删 NaN 不删 inf，系数表里会出现全 NaN 行。

解决：统一在取对数后执行data = data.replace([np.inf, -np.inf], np.nan).dropna()，并且 IV 回归用的样本必须显式保存——先跑基准回归，再生成滞后项并 dropna，或者干脆两份数据都保留，报告里注明 IV 样本和基准样本的观测数差异。

5.3 arch 模型收敛失败，GARCH 参数爆炸

现象：arch_model拟合时出现 ConvergenceWarning，或者估计出的alpha + beta接近 1，特质波动率高得离谱。

原因：日收益率序列通常存在厚尾和波动聚集，mean='Zero'模型在部分样本上拟合不出来；另外res.resid.std()用的是条件残差的标准差，而 GARCH 的残差本身就带有异方差特征，直接用这个值构造特质波动率会和论文里的 Fama-French 三因子残差口径不一致。

解决：先改arch_model(returns, mean='Constant', vol='GARCH', p=1, q=1)，给模型一个稳定起点；拟合时用res = am.fit(disp='off')。如果还不收敛，可以用arch_model(returns, vol='GARCH', p=1, q=1, dist='StudentT')换厚尾分布。至于口径问题，注释里写清楚这是简化方案，论文严格版应该用三因子回归残差。

5.4 predict(test_data) 报形状错误或预测值全为 NaN

现象：训练集上回归正常，res_train.predict(test_data)直接报错；不报错时预测结果也包含大量 NaN。

原因：PanelOLS.predict会用公式重新解析测试集里的变量列，测试集只要缺某一列就崩；更麻烦的是测试集里出现训练集没见过的实体时，个体固定效应没有对应估计值，预测结果无法外推。

解决：预测前确保test_data包含公式里全部原始变量，包括Hedge、total_market_value等，不能只传回归后的列名；再用test_data.index.get_level_values(0).isin(train_index)过滤掉训练集之外的实体。时间序列切分时建议按date排序后取前 80%，而不是随机打乱。

5.5 VIF 计算报 LinAlgError 或常数项 VIF 异常

现象：variance_inflation_factor报矩阵不可逆，或者输出的 constant 行 VIF 值为 0。

原因：X_vif里加了一列常数项，variance_inflation_factor会对全部列计算；当某个解释变量和常数项或其它变量接近完全共线时，矩阵求逆失败。BP 和 MV 同时放入时尤其容易出现这种情况，因为两者都包含市值信息。

解决：VIF 只对解释变量循环计算，常数项跳过；如果某个变量 VIF 超过 10，优先考虑剔除 BP 或 MV 中的一个，而不是同时保留两个高度重叠的变量。金融变量之间天然相关，VIF 到 10 不奇怪，到 20 以上就该处理了。

5.6 分组回归时某行业报 Singular matrix

现象：分行业或分年份回归时，某个子样本直接抛 Singular matrix，输出里 Hedge 系数缺失。

原因：该子样本里解释变量没有足够变异性。比如某一年份全市场所有使用衍生品的公司只有个位数，Hedge这一列在子样本里几乎是常数；或者该行业公司数量太少，待估参数数量超过观测数。

解决：在循环里加样本量判断，len(industry_data) < 50直接跳过，或者把样本量不足的行业合并进“其他”类别。同理，分年份回归时如果某年新上市的公司多、老公司少，时间效应和个体效应会互相挤占自由度，结果没有参考价值。

6. 从复现到复用：把面板回归流程改造成自己的模板

6.1 数据读取接口先抽象

原代码的read_csv('your_data_file.csv')是硬编码路径，换成自己的数据要动好几处。我会把读取和字段对齐包成一个函数，约定好输入 schema，后续换数据源只改函数内部，回归代码不动。

def load_panel_data(file_path, date_format='%Y-%m-%d'): df = pd.read_csv(file_path) df['date'] = pd.to_datetime(df['date'], format=date_format) required_cols = ['stock_id', 'date', 'log_return', 'derivative_announcement', 'derivative_asset', 'derivative_liability', 'total_market_value', 'closing_price', 'total_shares', 'last_year_equity', 'net_profit', 'beginning_equity', 'ending_equity', 'total_liabilities', 'total_assets'] missing = [c for c in required_cols if c not in df.columns] if missing: raise ValueError(f'缺少字段: {missing}') return df.set_index(['stock_id', 'date']).sort_index()

逻辑说明：函数把读文件、格式化日期、字段校验、设置面板索引一次性做完。参数说明：required_cols是这份论文复现需要的全部原始字段，换数据源时先跑一次加载，它会告诉你哪些字段名对不上。

6.2 建模前体检清单

6.3 三个值得长期保留的习惯

这次复现之后，我给自己定了三条规矩。第一，所有取对数操作之后强制跑一遍replace([np.inf, -np.inf], np.nan)，再多跑一步dropna，索引顺序用sort_index()锁定。第二，每个模型拟合前先打一行data.shape，模型之间样本量对不上时，先从数据变成的差异上找原因，而不是盯着系数看半天。第三，加新变量永远先算 VIF，金融变量之间的相关性远比你预想的高，等回归崩了再回头清理浪费时间。这套模板改到现在，换成美股数据、港股数据只需要改字段映射和日期格式，模型的骨架基本能直接复用。如果你也要跑类似的金融实证项目，建议先按这份代码把数据体检跑通，再动回归——数据这一步过关了，后面都是顺水推舟的事。希望帮到你。

本文还有配套的精品资源，点击获取