A股市场订单流不平衡的价格冲击效应研究

麻文宇，王春峰，房振明

(1．天津大学 管理与经济学部，天津 300072;2．渤海证券有限公司 研究所，天津 300072)

价格形成与发现实质上可以看做是信息融入市场，投资者行为调整，进而推动价格变动的过程。因此，学者们利用诸如股价、交易量、订单流不平衡等表征投资者行为的变量来深入研究信息的融入及价格形成与发现的过程。KARPOFF总结了之前对交易量与价格变化之间关系的研究，指出交易量对价格变化本身及其规模具有显著的正向影响［1］。GALLANT等，HIEMSTRA 等和 LO等的研究也密切关注了交易量指标本身及其与股市收益的紧密联系［2－4］。与交易量指标不同，订单流不平衡是反映一段时间内多空双方主动性买入和卖出差异程度的指标，它既有量又有方向，可以反映出更详细的包含于投资者行为当中的对价格有影响的信息。CHORDIA等率先将日度累积订单流不平衡作为表征交易活动的变量，发现即使在控制交易量与流动性等因素的条件下，它对同期收益仍具有显著影响［5］。之后CHORDIA等基于一个做市商动态适应市场供需不平衡的模型，验证了在报价驱动市场中日度订单流不平衡与收益之间存在极强的相关关系［6］。BAILEY等继而探究沪市中不同类型投资者的订单流不平衡与收益之间关系的共性因素，发现机构投资者的订单流不平衡对价格具有更强的冲击效应［7］。王春峰等则利用高频数据研究订单流不平衡的日间、日内特征，以及它与股票价格运动的关系［8］。这些研究从不同角度，不同市场，以及不同时间层级上证明了订单流不平衡对于价格变动的解释力与预测力，但其中使用的订单流不平衡指标均基于交易数据计算，笔者暂将其称为交易不平衡，拟使用一种基于限价订单簿数据计算的订单流不平衡指标作为投资者行为的代理变量和信息的传导中介，通过实证来探究A股市场中日内订单流不平衡对价格的冲击效应。知情交易者的信息优势通常被认为是订单流不平衡价格冲击效应的驱动力，但目前国内尚无研究涉及信息对订单流不平衡的价格冲击效应的影响，笔者则探究了公共信息到达事件对该效应的影响。这对于深入探讨A股市场中的信息融入与价格发现过程，以及投资者选择交易策略都具有一定的理论和现实意义。

1 假设的提出

真实股票交易市场是信息不对称的，知情交易者拥有信息优势，他们提交、撤销订单和即时成交等一系列行为均会反映在订单簿的变化上，向市场泄露出他们拥有的部分私人信息，非知情交易者通过观察订单簿的动态变化，逐步学习，并与知情交易者动态博弈，他们的交易结果也将体现在订单簿上，在这整个过程中，信息不断融入价格，推动价格变化。中国的深、沪两大交易所于2003年起调整实时公布的限价订单簿范围，由“3档”变为“5档”，并分别于2006年和2010年向部分信息商提供包括10档委托及逐笔成交数据，这些数据能够更加详实地反映出当前市场各方参与者的动态，并被市场参与者们观察学习而进一步调整自身的投资行为，推动价格变化。笔者基于A股市场限价订单簿数据构造订单流不平衡指标，反映买卖双方力量抗衡状态，提取出订单簿中最主要的投资者价格行为信息。由以上分析可判断该指标会对价格产生显著影响:正向的订单流不平衡代表买方力量强劲，将推动股价上涨;负向的订单流不平衡则代表卖方力量强劲，将推动股价下跌。因此，提出假设1:订单流不平衡具有正向的价格冲击效应。

提交、撤销、成交订单等事件均会引发订单簿变动，且提交、撤销订单可能发生于两个交易事件之间，包含交易数据所不能反映的信息，因此，基于限价订单簿数据计算的订单流不平衡指标较之基于交易数据计算的交易不平衡指标更为全面地描绘了知情交易者与非知情交易者的行为及其中包含的价格信息。由此，提出假设2:订单流不平衡相比交易不平衡具有更强的价格冲击效应。

当公共信息到达时，对股票价格有影响的信息内容将广泛地散布于投资者之间，市场的信息不对称程度降低，知情交易者的信息优势被削弱，限价订单簿包含的价格信息随之减少，那么由订单簿数据计算的订单流不平衡指标对于价格的冲击效应也将被削弱。由此，提出假设3:公共信息到达将削弱订单流不平衡的价格冲击效应。

2 指标选取和检验方法

2．1 订单流不平衡指标

该研究借鉴CONT等的研究，采用限价订单簿数据计算订单流不平衡指标［9］，将第n次订单簿事件(订单提交、撤销与成交)对订单簿变动的贡献量定义为en，如式(1)所示。

将［tk－1，tk］时间段内的订单流不平衡 OFI定义为该段时间内发生的订单簿事件en的总和，如式(2)所示。

式中，N(tk－1)+1，N(tk)分别为［tk－1，tk］时间段内发生的第一个和最后一个订单簿事件的下标。OFI反映了订单簿上的供需不均衡，涵盖了所有订单簿事件的影响。

2．2 检验方法

为了检验假设1，使用最小二乘法作如式(3)所示回归，探究订单流不平衡OFI对同期价格变化的影响。

式中，同期价格变化 ΔPk=(Pk－ Pk－1)/δ;Pk为tk时刻的中间价;δ为最小价格变化档位。

在CONT等提出的订单流不平衡与价格变化关系的程式化模型中，订单流不平衡的价格效应系数β与最优报价深度具有反比关系，如式(4)所示。

为检验价格效应系数与最优报价深度之间是否存在这种关系，作如下回归，首先由式(5)得到AD的指数λ，再进行式(6)的回归。

接下来，为了比较OFI与交易不平衡指标TI(定义如式(7))的价格冲击效应，分别作如式(8)和式(9)所示回归，通过分析回归结果，即可判定假设2是否成立。

式中:bn为第n次订单簿事件发生时买方主动性交易量;sn为卖方主动性交易量。

最后，针对假设3，笔者关注与公司相关的信息到达事件，包括宏观数据诸如 GDP、CPI、PMI、PPI、企业景气指数和企业家信心指数等的发布，货币政策的出台以及公司年报、季报的发布。把这些公共信息的到达作为一个虚拟变量，即该时刻若有信息发布取值为1，否则取0，将该虚拟变量加入到式(10)中得到式(11)，通过观察这两个方程的回归结果即可检验假设3是否成立。

式中:INFt为表征公共信息到达的虚拟变量;Tkt为日内时段虚拟变量，表示是否处于日内交易时间的第m个时间段。

3 实证结果分析

3．1 样本数据来源及整理

笔者选用中证100指数成分股的分笔高频限价订单簿数据及交易数据，样本期为2011年1月—6月。考虑到数据录入与导出过程中的记录错误，对最优买价高于最优卖价的，最优买卖报价、挂单量、交易量为零值或负值的和数据缺失的3种异常数据予以删除。最终，筛选得到样本股99只。

3．2 实证研究结果分析

3．2．1 订单流不平衡的价格冲击效应

利用上述高频数据，首先统计出每只股票每30 s的订单流不平衡指标、交易不平衡指标和同期的价格变化量。假定在两小时内价格冲击效应系数是恒定的，对每只样本股票以每两小时间隔内的上述数据作为一个子样本集，对每个子样本集分别进行如式(3)、式(8)和式(9)的线性回归，并统计回归结果，在每只股票的样本集间取平均后再在股票之间取平均，得到3个方程的回归系数均值。t统计量均值、R2均值，以及假设检验结果如表1所示。

表1 订单流不平衡与交易不平衡的价格冲击效应比较

由表1可知，式(3)中的常数项不显著，订单流不平衡的系数为正向显著，显著比例高达98．50%。可见订单流不平衡具有极其显著的正向价格冲击效应，假设1成立。式(8)中基于交易数据计算的交易不平衡指标对价格变化的影响系数显著比例为61．93%，说明交易不平衡指标同样具有显著的价格冲击效应，这与CHORDIA等和王春峰等的研究结果一致，但是该指标的显著比例较之订单流不平衡有所下降。在式(9)中，由订单流不平衡与交易不平衡同时对同期价格变化进行解释，前者显著比例为98．50%，远高于后者的51．55%，这表明订单流不平衡对价格的冲击效应强于交易不平衡。订单流不平衡指标是由限价订单簿的最优报价与对应挂单量构建的，旨在反映流动性提供者的供需不平衡状态，订单的提交、撤销与成交等投资者行为都会引起该指标的变动，而交易不平衡指标仅因订单的成交而变动，不能全面反映投资者的行为;订单的提交与撤销也会即时推动价格变化，故而订单流不平衡指标更为全面地涵盖了影响价格变动的投资者行为，对价格具有更强的冲击效应。另外，式(8)的回归 R2为0．06，小于式(3)的回归 R2(0．25)，也验证了这一点，假设2成立。

式(5)和式(6)的回归结果如表2所示，其中λ和c都是正向显著的，且λ的均值接近于1，这与CONT基于美国上市公司数据的实证结果类似，且与式(4)所示的价格效应系数和深度的关系吻合，深度越大即流动性条件越好时，订单流不平衡的价格冲击效应系数就越小。对此，一般有两种理论解释:ADAMATI和PFLEIDERER指出，流动性交易者倾向于在市场深度最大时交易，因为此时非知情交易者较多，会有更多的来自非知情交易者的盈利冲销来自知情交易者的损失，从而减小交易者的损失［10］。那么，当市场深度较大时，非知情交易增多，衰减了限价订单簿中的信息含量，进而削弱了订单流不平衡的价格冲击效应;另外，CHORDIA等证明流动性会激励套利行为，增强市场的有效性，进而衰减订单流不平衡对价格变化的解释力与预测力［11］。

表2 价格效应系数与最优报价深度的关系

3．2．2 公共信息到达对订单流不平衡的价格效应的影响

为了检验公共信息到达对于订单流不平衡的价格效应的影响，首先整理样本股票在2011年上半年的相关信息发布事件，样本股仍采用中证100的成分股，信息发布事件具体包括宏观数据诸如 GDP、CPI、PMI、PPI、企业景气指数和企业家信心指数等的发布，货币政策的出台以及公司年报、季报的发布。

分别以 5 min、10 min、30 min 为时间间隔，对每只股票的6个月数据进行如式(10)和式(11)所示的回归，结果如表3所示。

表3 公共信息到达对订单流不平衡价格效应的影响

表3中，OFI行是 OFI系数显著的样本，INF×OFI(+)行和 INF×OFI(－)行是 INF×OFI为正显著和为负显著的样本，Sig列为在显著性水平0．05下显著的比例，Mean为对应的均值。

由表3可见，OFI的系数在式(7)和式(8)的回归结果中相差并不大，显著比例均在97%之上，因此不论是否加入公共信息到达因素的影响，订单流不平衡指标均具有较强的价格冲击效应。式(11)中，INF×OFI的系数β2基本上为正向显著，5 min间隔下显著比例达到80%。由此可知，当有公共信息到达，INF=1，订单流不平衡对价格的影响系数会增加到β1+β2，订单流不平衡的价格冲击效应显著增强，假设3不成立。

究其原因，可能是在A股市场中，公共信息到达虽使得信息在投资者之间广泛传播，但随后他们对于该信息的认知与理解往往各不相同，在对证券真实价值的判断上意见分歧反而会增大，从而进一步加剧了信息不对称，增强了此时知情交易者的信息优势，体现为订单流不平衡更强的价格冲击效应。通过表3也可以看到，时间间隔拉长后，INF×OFI项的系数及其显著程度都随之减小，这说明公共信息到达后，短期内会加剧信息不对称，增强订单流不平衡的价格冲击效应，但投资者会逐步地学习、消化接收到的信息，调整自己的供给与需求，信息也会随之逐步融入市场，信息不对称程度逐步缓解，信息到达对于订单流不平衡的价格冲击效应的增强作用随之被削弱。当信息释放完毕，市场中的需求和供给决定的价格最终会反映真实的价值，即市场中新的均衡价格。

4 结论

笔者基于A股市场限价订单簿数据，探究订单流不平衡对价格的冲击效应，以及公共信息对这一效应的影响，这对于市场微观结构理论研究和投资者交易策略选择都具有一定的意义。实证结果表明，A股市场中订单流不平衡对股票价格具有显著的正向冲击效应，其冲击效应系数与最优报价深度成反比，该效应强于交易不平衡的价格冲击效应，且会因公共信息的到达在短期内显著增强。

［1］ KARPOFF J．The relation between price changes and trading volume:a survey［J］．Journal of Financial and Quantitative Analysis，1987，22(1):109 －126．

［2］ GALLANT A R，ROSSI P E，TAUCHEN G．Stock prices and volume［J］．Review of Financial Studies，1992(5):199－242．

［3］ HIEMSTRA C，JONES J D．Testing for linear and nonlinear Granger causality in the stock price－volume relation［J］．Journal of Finance，1994(49):1639 －1664．

［4］ LO A W，WANG J W．Trading volume:definirions，data analysis，and implications of portfolio theory［J］．Review of Financial Studies，2000(13):257 －300．

［5］ CHORDIA T，ROLL R，SUBRAHMANYAM A．Order imbalance，liquidity，and market returns［J］．Journal of Financial Economics，2002(65):111 －130．

［6］ CHORDIA T，SUBRAHMANYAM A．Order imbalance and individual stock returns:theory and evidence［J］．Journal of Financial Economics，2004(72):485 －518．

［7］ BAILEY W，CAI J，CHEUNG Y L，et al．Stock returns，order imbalances，and commonality:evidence on individual，institutional，and proprietary investors in China［J］．Journal of Banking ＆ Finance，2009(33):9 －19．

［8］ 王春峰，孙永亮，房振明，等．订单流不平衡对股票价格的冲击效应实证研究［J］．北京理工大学学报，2007，9(2):71 －75．

［9］ CONT R，KUKANOV A，STOIKOV S．The price impact of order book events［R］．New York:Columbia University，2010．

［10］ ADAMATI A R，PFLEIDERER P．A theory of intraday patterns:volume and price variability［J］．Review of Financial Studies，1988，1(1):3 －40．

［11］ CHORDIA T，ROLL R，SUBRAHMANYAM A．Liquidity and market efficiency［J］．Journal of Financial Economics，2008(87):249 －268．