基于反向和隐蔽交易的股票市场知情交易研究

王 超 高 扬 刘 超

(北京工业大学 经济与管理学院，北京 100124)

基于反向和隐蔽交易的股票市场知情交易研究

王 超 高 扬 刘 超

(北京工业大学 经济与管理学院，北京 100124)

基于行为金融学中的反向交易和隐蔽交易理论，运用我国上海和深圳股票市场2009-2014年1396支股票的高频逐笔交易数据估计了我国股票市场的知情交易概率，并且通过建立横截面回归模型以及面板联立回归模型等研究了知情交易概率与衡量股票市场逆向选择或信息不对称指标之间的关系，检验了四种估计方法对于我国股票市场知情交易度量的适用性。实证分析及稳健性检验结果均表明，基于反向交易和隐蔽交易等构造的知情交易概率度量方法能够成功地度量我国股票市场的逆向选择成本以及由于信息不对称造成的非流动性价格响应。

反向交易；隐蔽交易；知情交易；逆向选择；交易成本

一、引言

证券市场的投资者一般分为两类：知情交易者和非知情交易者。投资者之所以被如此划分是因为参与市场的各方对金融资产的信息掌握是不一致的，市场上总有一部分投资者对金融资产价格的波动掌握更多的信息，而同时也有很大部分投资者只能基于市场上的公开信息进行投资决策。因此，合理地度量市场中信息不对称或者知情交易程度，不管是从投资者进行投资决策的角度还是对相关监管部门实施有效的监管决策而言，都具有重要的意义。

知情交易是指拥有私有信息的投资者通过直接或者间接地利用其掌握的私有信息进行交易，以获取超额利润的行为。知情交易在市场的运行过程中是连接市场内外信息的渠道，知情交易者通过自身的交易行为向市场内的其他投资者传递其独占的私有信息。私有信息通过交易进入资本市场，并进而对资产的价格产生长远的影响。尽管从知情交易者的角度讲，知情交易者并没有动机向市场内其他类型的投资者传递私有信息，实际上知情交易者在交易过程中还要尽力隐藏身份，因为市场上未掌握私有信息的非知情交易者即噪声投资者一直处于动态学习的过程，知情交易者为了避免私有信息的公开化而隐蔽交易，其目的就在于利用私有信息获取较大的超额利润。尽管由知情交易者形成的交易具有一定的规律性，但是私有信息融入资产价格，转变为市场的公开信息之前，知情交易者由于交易的紧迫感，必须在获取超额交易利润和隐蔽私有信息两者之间进行权衡取舍。因此，私有信息如何融入资产价格之中就成为金融市场微观结构理论研究的热点，早期做市商的存货模型认为，由于知情交易的存在，市场中存在逆向选择或不对称信息，做市商通过调整买卖价差或者价格响应形成新的买卖报价。近年来，对知情交易与逆向选择之间关系的研究也拓展到指令驱动市场中，通过对提交限价指令订单的交易者行为进行研究发现，知情交易者通过将大的订单拆分成中等规模的订单，将自身的交易行为隐蔽在非知情交易者身后，从而降低被发现的概率，因此非知情交易者的边际成本随着逆向选择程度的增加而上升。无论是在报价驱动还是指令驱动市场机制下，知情交易的存在都会导致逆向选择问题的出现，进而影响到资产价格的形成。

知情交易形成的原因既有外在因素，例如有监管部门是否进行有效监管、上市公司自身的财务特征等，也包含知情交易者自身的内在因素。知情交易形成的原因主要有：上市公司的治理结构存在缺陷；信息披露制度不规范导致信息透明度较低；知情交易者受超额利润的驱动，违法成本较低；知情交易行为的识别困难。正因为如此，我国资本市场内幕交易行为频发，涉及范围广泛，知情交易投资者行为主体多元化，交易方式多样化，交易手段隐蔽化，使得识别和查处知情交易的难度很大。因此，如何度量知情交易的存在，并衡量知情交易概率与逆向选择之间的关系，对于分析知情交易者的行为模式和交易策略、提高知情交易的监管效率、完善知情交易的监管制度、提升我国上市公司的公司治理结构均具有非常重要的理论和现实意义。

二、文献回顾

已有的相关文献中对于知情交易度量及其与逆向选择或信息不对称程度之间作用关系的研究大致可以分为四类。第一类是将交易方向指示变量与资产价格变化和交易规模联系起来建立交易成本模型，将交易成本分为逆向选择、订单处理和存货成本三部分并估计各成分的大小，此类模型的基本思想在于做市商接收卖出指令之后会降低对资产价值的预期从而降低报价，而在接收买入的指令后会提高对资产价值的预期从而提高报价，具体可参见Glosten和Harris(1998)、De Jong等(1996)、Madanvan等(1997)、Korajczyk和Sadka等(2008)的研究。此类模型分析并度量了逆向选择成本和交易成本，并且发现由于知情交易的存在，逆向选择成本与交易成本存在显著的日内效应。Sanda(2001)等对指令驱动市场非知情交易者的实证研究也表明随着逆向选择成本的增加，非知情交易者的交易成本也随之上升。第二类是Hasbrouck的冲击反应函数。Hasbrouck(1991)构造了报价与交易相关系数的VAR模型，并据此分析交易对价格的冲击反应以及交易中蕴含的私有信息含量，发现知情交易与价格响应正相关。Dufour和Engle(2000)对Hasbrouck的VAR模型进行了拓展，引入了交易持续期并且发现随着交易强度的增加，交易对价格的冲击响应增加，即快速交易通常意味着知情交易的发生。第三类是Easley等(1996)提出的EKOP模型对知情交易概率进行的测度。该模型认为知情交易概率(PIN)是指一次交易来自掌握私有信息的知情交易者的概率，即某种资产来自知情交易者的交易占该资产全部交易的比重，在满足某些假设条件下根据该种资产每个交易日买卖双方发起的交易数量可以进行PIN的估计。Easley等(2010, 2012, 2014)则将交易量引入到EKOP模型中，并进一步提出了VPIN估计。*D. Easley, M. M. L. De Prado, M. O'Hara, The microstructure of the "flash crash": Flow toxicity, liquidity crashes, and the probability of informed trading. Journal of Portfolio Management, 2010, 37(2), pp. 118-130; D. Easley, M. M. L. De Prado, M. O'Hara, Flow toxicity and liquidity in a high-frequency world. Review of Financial Studies, 2012, 25(5), pp. 1457-1493; D. Easley, M. M. L. De Prado, M. O'Hara, VPIN and the flash crash: A rejoinder. Journal of Financial Markets, 2014, 17, pp. 47-52.但是，Andersen和Bondarenko(2014)指出VPIN估计本质上是对交易量和滞后期波动率冲击的度量，并不能很好地估计知情交易发生的概率。*T. G. Andersen, O. Bondarenko, VPIN and the flash crash. Journal of Financial Markets, 2014, 17, pp. 1-46; T. G. Andersen, O. Bondarenko, Reflecting on the VPIN dispute. Journal of Financial Markets, 2014, 17, pp. 53-64.第四类是基于反向交易(Contrarian trades)和隐蔽交易(Stealth trading)构造的知情交易度量方法。反向交易是指与绝大多数投资者进行羊群交易行为不同，知情交易者做出相反方向的投资行为；隐蔽交易是指投资者为了降低交易的冲击成本，将大的订单拆分成一系列中等规模的订单进行交易的行为。Avramov等(2006)定义每天能够获得未预期的正向(负向)收益率的卖单为反向交易(羊群交易)，羊群交易具有显著的序列负相关性，而反向交易并不具有显著的序列相关性，这表明反向交易类似于知情交易，而羊群交易类似于噪声交易。Chang等(2014)利用日内的反向交易订单量构造了度量知情交易概率的估计DPIN。隐蔽交易假说认为，私有信息主要通过中等规模大小的交易反映到股票价格变化中，掌握私有信息的知情交易者是导致股票价格发生变化的主要原因。*Chang S S, Chang L V, Wang F A. A dynamic intraday measure of the probability of informed trading and firm-specific return variation. Journal of Empirical Finance, 2014, 29: 80-94.对于报价驱动市场和指令驱动市场，实证研究结果都证实了隐蔽交易假说成立。*A. Ascioglu, C. Comerton-Forde, T. H. McInish, Stealth trading: the case of the Tokyo Stock Exchange. Pacific-Basin Finance Journal, 2011, 19(2), pp. 194-207.Chang和Wang(2015)基于反向交易、隐蔽交易以及趋势追逐和处置效应等行为金融学理论提出了四种度量知情交易概率的估计方法，并且检验了各估计方法与以买卖价差和Amihud非流动性价格响应比率作为衡量逆向选择指标之间的关系。*S. S. Chang, & F. A. Wang, Adverse selection and the presence of informed trading. Journal of Empirical Finance, 2015, 33, pp. 19-33.

对于我国股票市场上知情交易以及与逆向选择关系间的研究还比较少。何诚颖等(2009)基于指令驱动市场的交易成本模型分解了上海股票市场市买卖价差的逆向选择和指令处理成本，并且考察了逆向选择成本的日内模式及其影响因素。田存志等(2015)推导出一种交易成本模型并估计了上证A股市场的隐性交易成本和市场逆向选择程度，发现我国股票市场的运行效率并不理想，信息不对称问题依然严重。*田存志等：《中国证券市场报价制度的运行绩效——基于隐性交易成本和信息非对称程度的分析视角》，《金融研究》2015年第5期。张涤新和眭以宁(2015)运用深圳A股市场的髙频数据和拓展的MRR交易成本模型，估计了买卖价差中的逆向选择成本，分析了深市的信息不对称程度。*张涤新、眭以宁：《深圳股票市场的日内流动性研究》，《系统科学与数学》2015年第12期。朱曦(2011)采用VAR模型探讨了沪深两市场股票价格中的逆向选择成分，发现我国股票市场中价格惯性和反转效应异象源自于知情交易者掌握的私有信息。*朱曦：《对沪深股市惯性及反转效应异象原因研究:Hasbrouck模型分析》，《上海经济研究》2011年第6期。杨宝臣等(2014)基于知情交易者和非知情交易者在不同状态下的订单提交状况，提出了改进的EKOP模型估计知情交易概率，提高了模型估计的准确性。*杨宝臣、郭灿、常建勇：《基于改进信息交易概率模型的信息风险测度研究》，《管理科学》2014第6期。刘国和冯俊文(2015)实证研究了我国股票市场内幕交易者的隐蔽交易行为及其影响因素。*刘国、冯俊文：《中国沪深股市内幕交易者隐蔽交易行为的实证研究》，《技术经济》2015年第4期。

综上所述，国内学者对基于行为金融学理论的反向交易和隐蔽交易等行为的研究还比较少，缺乏更加细致深入的理论或实证研究。与做市商制度不同，中国股票市场是指令驱动市场，研究我国资本市场的知情交易者策略性交易问题，验证指令驱动市场中的反向交易和隐藏交易等现象，并且探索知情交易概率与逆向选择或信息不对称之间的关系具有重要的理论和实际意义。因此，本文拟运用我国沪深股票市场的高频逐笔交易数据，根据Chang和Wang(2015)的方法计算我国股票市场基于反向交易、隐蔽交易以及趋势追逐和处置效应等行为金融学理论的知情交易概率，并且通过横截面回归模型以及面板联立回归模型检验知情交易概率与买卖价差中的逆向选择成分以及由于信息不对称造成的非流动性之间的关系，说明基于行为金融学理论的反向交易和隐蔽交易等知情交易概率估计方法对于我国股票市场的适用性。

三、研究方法

(一)知情交易概率估计方法

Chang和Wang(2015)基于行为金融学中的反向交易和隐蔽交易等投资者行为提出了四种度量知情交易概率的估计方法。首先定义日度的未预期收益率，如等式(1)所示：

(1)

其中Ri,s为股票i在第t天的收益率，Dk为指示周一至周四的示性变量，残差εi,s即为未预期的收益率。负的(正的)买方(卖方)发起的交易的未预期的收益率被归为反向交易；另一方面，正的(负的)买方(卖方)发起的交易的未预期的收益率被归为羊群交易。设NBi,NSi以及NTi分别为每天买方发起的交易数量、卖方发起的交易数量以及交易总量，并基于反向交易度量知情交易概率的估计方法PC，如(2)所示：

(2)

由于式(2)中定义的反向交易有可能恰好来自并未掌握私有消息的非知情交易者，因此结合隐蔽交易，Chang和Wang(2015)进一步提出了改进的度量知情交易概率的估计方法PCL：

(3)

其中LVi,s为“低交易量”指示变量，如果股票i第s天的交易量小于其全年交易量的中位数，则LVi,s=1，否则LVi,s=0。

一定程度上非知情交易者的行为没有知情交易者的交易行为复杂，因此他们更容易受到行为偏差的影响。基于行为金融学理论中的趋势追逐和处置效应，Chang和Wang(2015)又进一步提出了两种改进的估计方法PCLT和PCLTD：

(4)

(5)

其中，Ri,s-10;s-1为股票i在第s-10到s-1天的累计收益率。

(二)逆向选择度量方法

Biais等(2005)认为买卖价差和价格响应中部分包含了逆向选择成分，因此本文对于逆向选择的度量采用了常见的逆向选择交易成本和Amihud非流动性价格响应比率。

1.逆向选择成本。Huang和Stoll(1996)指出，交易成本中的逆向选择成分可以通过计算有效价差与已实现价差之差得到。有效价差指的是订单成交的价格和订单到达市场时市场均衡的价格之间的差异，衡量订单实际的执行成本，第k笔交易的有效价差为ESk=2|lnPk-lnMk|，其中Pk是第k笔交易的成交价格，Mk为第k笔交易发生时股票的最高买价和最低卖价的平均值。已实现价差的定义是由Huang和Stoll(1996)提出的，其衡量有效价差的即时成分。某支股票第k笔交易的已实现价差RSk定义为2(lnPk-lnMk+t)，如果第k笔交易为买方发起的，否则为2(lnMk+t-lnPk)。其中Mk+t可以为交易发生一段时间t后买卖报价的中点或者新的成交价格，例如Gyoenko等(2009)将Mk+t取为Pk+5，即第k笔交易发生5分钟后的成交价格。本文将Mk+t选为第k笔交易发生5分钟后的最优买卖报价平均值。因此买卖价差中的逆向选择成分：

ASk=ESk-RSk

(6)

ASI是某一区间I内基于所有交易的ASk按照成交量进行加权的平均值。

2. Amihud非流动性价格响应比率。流动性比率作为价格响应变量衡量交易量和价格变化的关系。价格响应是指相对于一定数额的交易指令预期的价格改变量，在实证研究中可以通过对一定时间内价格改变量与所对应的交易量拟合回归模型得到。Amihud(2002)提出了一种衡量非流动性比率的价格响应指标：

(7)

其中，rt是第t天的日收益率，Vt是第t天的成交量，并且该平均值是在所有正的成交量基础上计算的。Amihud指出该流动性比率与信息不对称相关，Biais等(2005)认为Amihud非流动性比率与交易中的逆向选择成分具有一定的相关性，Brennan等(2013)也发现Amihud非流动性比率与信息不对称程度显著相关。*M. Brennan, S. W. Huh, A. Subrahmanyam, An analysis of the Amihud illiquidity premium. Review of Asset Pricing Studies, 2013, 3(1).张铮等(2013)针对中国股票市场数据的实证研究发现，Amihud非流动性比率是最适用于中国证券市场的流动性指标，能够较好地度量流动性中的信息不对称程度。*张峥、李怡宗、张玉龙、刘翔：《中国股市流动性间接指标的检验—基于买卖价差的实证分析》，《经济学季刊》2013第13期。

四、实证分析

(一)数据选取

本文使用的股票高频交易数据均来自锐思数据库，时间区间为2009年1月至2014年12月。在上海证券交易所和深圳证券交易所上市的股票中，选择每年有效交易日达到一定数量，即至少有6个月的交易数据的股票，经筛选最后数据集包含895支上证股票和501支深证股票，共1396支股票。

对于每支股票，高频数据的每条记录包括交易的时间、成交价格、成交量、5个卖价与卖量、5个买价与买量、交易方向、市场深度等信息，以及相应的市场买卖指标。为了保证使用的数据是正确记录以及合理的，我们首先用如下的标准对原始的高频数据进行筛选：(1)只保留发生在交易所开盘时间内的报价和交易数据，即早上9点半到下午15点；(2)只保留有不为零的报价和交易量的报价或交易。在去掉了不符合上述条件的交易记录之后，对每支股票，计算其逆向选择成本(AS)、Amihud非流动性比率(ILLQ)以及PC、PCL、PCLT、PCLTD四种度量知情交易概率的方法。

(二)描述性统计分析

首先从日度和周度两个角度对PC、PCL、PCLT、PCLTD进行描述性统计量分析，分析四个知情交易度量指标的平均值、标准差、最小值、下四分位数、中位数、上四分位数以及最大值等，日度数据来源于1396支股票2009-2014年的1907576个日度观测，周度的描述性统计量来源于410507个周度数据。由从日度数据的描述性统计分析结果可以看出，PCLT和PCLTD估计的中位数均为零，与均值相差较大，而且除PC估计外，其余三种估计的下四分位数均为零，分布显著地左偏，这表明大部分交易日并没有呈现出发生知情交易的迹象。实际上，对于任意一支给定的股票，知情交易概率的估计PC、PCL、PCLT、PCLTD均展示了明显的周期性，即连续几个交易日知情交易的概率非零，随后连续几个交易日的知情交易概率为零，然后再次成为非零等。这一现象与Easley等(1996,2011)中将知情交易发生的概率固定为某一泊松分布到达率的假定是不一致的。然而，事实上由于知情交易者善于利用自己的信息优势，选择恰当的交易时点并且依靠非知情交易者掩饰自己的交易策略以达到自身利润最大化，因此在某些交易日里观测不到知情交易的现象是可能发生的。对比周度数据和日度数据的描述性统计分析结果，周度的PCLT和PCLTD估计的中位数非零，与均值之间的差距变小，然而除PC估计外，其余三种估计的下四分位数仍然均为零，说明知情交易概率估计的分布仍然显著地左偏。

为了分析知情交易概率与逆向选择或信息不对称之间的关系，本文分析了基于日度面板数据的四种知情交易概率估计方法与逆向选择成分(AS)、Amihud非流动性比率(ILLQ)之间的相关性结果。由于买卖价差或非流动性比率也会受到市场交易或公司特征变量的影响，同时还研究了PC、PCL、PCLT、PCLTD与对数市值(SIZE)、对数交易量(VOLU)、波动率(VOLA)以及收益率(RE)之间的相关性结果。由相关性分析结果可知，除PC外，其余三种基于反向交易和隐蔽交易的知情交易概率估计方法与AS和ILLQ两种衡量逆向选择或信息不对称的变量均展现了显著的正相关性，而且四种基于反向交易和隐蔽交易的知情交易概率估计方法之间也均存在显著的正相关性，PC估计与PCL、PCLT、PCLTD三种估计的相关性大小显著地弱于后三者估计两两之间的相关性大小，这是因为PC估计只考虑了反向交易的存在，其度量知情交易的概率的准确性较低。此外，公司市值、交易量、波动率以及收益率等市场或公司特征变量与PC、PCL、PCLT、PCLTD四种知情交易概率的估计方法也均具有显著的相关性。

(三)日度数据分析

为了检验四种知情交易概率估计方法PC、PCL、PCLT、PCLTD度量知情交易概率的效果，本文通过探寻四种估计方法与AS和ILLQ间的相互作用关系以验证其对于我国股票市场知情交易度量的适用性，本节首先基于每个交易日的数据，建立横截面回归模型，如(8)和(9)所示。

ASi,t=αi+β1tINF(k+β2tASi,t-1+β3tILLQi,t+β4tILLQi,t-1+β5tSIZEi,t-1+β6tVOLUi,t-1+β7tVOLAi,t-1+β8tREi,t-1+εit

(8)

ILLQi,t=μi+γ1tINF(k+γ2tASi,t+γ3tASi,t-1+γ4tILLQi,t-1+γ5tSIZEi,t-1+γ6tVOLUi,t-1+γ7tVOLAi,t-1+γ8tREi,t-1+ηit

(9)

其中，INF(k),k=PC,PCL,PCLT,PCLTD。方程(8)中自变量选用知情交易概率PC、PCL、PCLT以及PCLTD的滞后项而非当期项，这是因为当知情交易发生后，市场上充当做市商角色提供流动性的其他投资者观测到并据此改变买卖报价，进而影响到买卖价差中的逆向选择成分。而方程(9)中的PC、PCL、PCLT以及PCLTD采用当期项的原因是由于价格响应即非流动性比率很大程度上是受到同期市场因素影响的交易变量，而非取决于决策者信息集合影响的政策性变量。由于市场上充当做市商提供流动性的投资者可以通过限价指令簿观测到市场的非流动性状况，进而调整其买卖报价，因此AS和ILLQ是同时决定的内生变量，式(8)(9)中的自变量也分别包含了二者。表2中AS与ILLQ之间显著的正相关性也意味着二者可能存在内生性和联立性。

此外，式(8)(9)中将对数市值(SIZE)、对数交易量(VOLU)、波动率(VOLA)以及收益率(RE)作为控制变量，并且为控制动态效应，内生变量的一阶滞后项也包含在这两个方程中。对式(8)(9)分别进行Fama-MacBeth估计，结果见表1。

由表1结果可知，对于AS和ILLQ方程中INF(k)和INF(k)-1变量的系数，在控制相关的交易和公司的特征变量的情况下，除PC估计外，其余三种知情交易概率的估计方法(PCL、PCLT、PCLTD)均为显著的正值。这与之前的相关性分析的结果一致，基于反向交易和隐蔽交易的知情交易概率估计方法能够捕捉到交易成本和Amihud非流动性比率中的逆向选择成分，其中由于PC估计是只考虑了反向交易的较为粗糙的知情交易概率估计方法，其表现不太理想。表1的结果还揭示了AS和ILLQ的滞后项越高，其当期项越高，即逆向选择成本或非流动性比率具有一定的持久性；股票的市值越大，波动率越小，其逆向选择程度越低。

表1 Fama-MacBeth估计结果(日度数据)

注：表1和表2中括号内为t统计量值

由于数据的面板结构和AS、ILLQ之间的内生性，仅采用Fama-MacBeth方法对方程(8)、(9)分别进行估计可能会存在一定的偏差，因此本文随后考虑采用面板联立方程模型(Panel simultaneous equation model)对面板结构数据进行更为细致的分析，模型如(10)、(11)所示：

ASi,t=αi,AS+β1INF(k+β2ASi,t-1+β3ILLQi,t+β4ILLQi,t-1+β5SIZEi,t-1+β6VOLUi,t-1+β7VOLAi,t-1+β8REi,t-1+εit

(10)

ILLQi,t=μi,ILLQ+γ1INF(k+γ2ASi,t+γ3ASi,t-1+γ4ILLQi,t-1+γ5SIZEi,t-1+γ6VOLUi,t-1+γ7VOLAi,t-1+γ8REi,t-1+ηit

(11)

方程(10)和(11)中的αi,AS,μi,ILLQ项表示每支股票的固定效应，与PC、PCL、PCLT、PCLTD、AS、ILLQ、SIZE、VOLU、VOLA以及RE之间可能存在相关性，方程存在内生性问题，采用固定效应工具变量方法对式(10)(11)的面板联立模型进行估计。对于式(10)，AS和ILLQ的滞后项作为内生变量ILLQ的工具变量；对于式(11)，PC、PCL、PCLT、PCLTD的滞后项作为AS的工具变量，联立方程组满足识别条件，表2给出了面板联立模型的回归估计结果。

表2 面板联立模型回归结果(日度数据)

由表2结果可知，在剔除公司的个体效应以及采用2SLS方法处理联立方程模型的内生性问题后，对于AS和ILLQ方程中INF(k)和INF(k)-1变量的系数，除PC估计外，其余三种知情交易概率的估计方法(PCL、PCLT、PCLTD)仍然均为显著的正值。表2结果说明PCL、PCLT以及PCLTD三种基于反向交易和隐蔽交易的知情交易概率估计方法确实能够成功地捕捉到交易成本和Amihud非流动性比率中的逆向选择成分。

(四)稳健性检验

为了排除数据采样频率的选择造成研究结果的不稳健，本文还选取了周度的面板数据，对其建立横截面回归模型(8)(9)或面板联立模型(10)(11)进行分析，本文还分别对周度数据进行了Fama-MacBeth估计和2SLS估计，出于篇幅限制，估计结果略。由周度数据的回归分析结果可知，即使数据的频率由日度数据降低为周度数据，PCL、PCLT以及PCLTD三种基于反向交易和隐蔽交易的知情交易概率估计方法仍然能够成功地度量我国股票市场的逆向选择成本以及由于信息不对称造成的非流动性价格响应。AS和ILLQ的滞后项越高，其当期项越高，即逆向选择成本或非流动性比率具有一定的持久性；股票的市值越大，波动率越小，其逆向选择程度越低。周度数据面板联立模型的稳健性检验回归结果同样验证了PCL、PCLT以及PCLTD三种基于反向交易和隐蔽交易的知情交易概率估计方法的确可以较好地捕捉到交易成本和Amihud非流动性比率中的逆向选择成分。

五、结论

本文基于我国沪深股票市场2009-2014年期间股票高频逐笔交易数据，采用Chang和Wang(2015)根据反向交易、隐蔽交易以及趋势追逐和处置效应等行为金融学理论构造的四种知情交易概率估计方法(PC、PCL、PCLT、PCLTD)，度量了我国沪深股票市场的知情交易概率。知情交易者类似于反向交易者，他们与绝大多数投资者进行羊群交易行为不同，知情交易者做出相反方向的投资行为，PC估计为基于反向交易行为的知情交易概率估计方法。此外，知情交易者可能为掩盖其投资意愿，将大订单分解成一系列中小单进行隐蔽交易，因此知情交易更有可能发生在大型交易稀疏和交易量比较低的时候，PCL估计为基于反向交易和隐蔽交易的知情交易概率估计方法。结合Chang和Wang(2015)对行为金融学理论中趋势追逐和处置效应提出的改进PCLT和PCLTD估计，本文实证数据的分析结果得出如下结论：

其一，知情交易概率的四种估计方法PC、PCL、PCLT、PCLTD均呈现了周期性，即连续几个交易日知情交易的概率非零，随后连续几个交易日的知情交易概率为零，然后再次成为非零等。这实际上揭示了某些交易日观测不到知情交易的现象是可能发生的，因为知情交易者倾向于利用自己的信息优势，选择恰当的交易时点并且依靠非知情交易者掩饰自己的交易策略以达到利润最大化。

其二，以买卖价差中的逆向选择成本以及Amihud非流动性价格响应比率作为衡量股票市场逆向选择或信息不对称程度的指标，除PC外，其余三种基于反向交易和隐蔽交易的知情交易概率估计方法与AS和ILLQ两种衡量逆向选择或信息不对称的变量均展现了显著的正相关性。公司市值、交易量、波动率以及收益率等市场或公司特征变量与PC、PCL、PCLT、PCLTD四种知情交易概率的估计方法也均具有显著的相关性。此外，AS与ILLQ之间显著的正相关性意味着二者可能存在潜在的内生性和联立性。

其三，通过建立日度或周度横截面回归模型以及面板数据联立模型研究了知情交易概率与衡量股票市场逆向选择或信息不对称指标之间的关系。基于反向交易和隐蔽交易等构造的知情交易概率度量方法能够较好地度量我国股票市场的逆向选择成本以及由于信息不对称造成的Amihud非流动性比率。

综上所述，对于证券市场中知情交易概率的度量，学者们尽管已经提出很多测度方法，但由于研究者无法取得证券市场上的相关交易账户数据，因此对知情交易概率的测度效果应该进行更有效的探索和比较，本文基于反向交易和隐蔽交易等行为金融学理论构造的知情交易概率估计能够较好地度量知情交易的存在。知情交易概率的测量可以作为市场有效监管的一种工具，对于知情交易者的行为模式和交易策略、提高知情交易的监管效率、完善知情交易的监管制度均具有一定的理论和现实意义，可进一步将其应用于市场微观结构、公司金融等其他领域。

(责任编辑：栾晓平)

2017-01-20

王 超，男，管理学博士，北京工业大学经管学院讲师、师资博士后。 高 扬，女，经济学博士，北京工业大学经管学院讲师、师资博士后(通讯作者)。 刘 超，男，北京工业大学经管学院院长、教授、博士生导师。

本研究系国家自然科学基金青年基金项目(编号：61603010、61603011)、国家自然科学基金面上项目(编号：61273230)、中国博士后科学基金(编号：2015M580033)、北京市博士后科学基金(编号：2016ZZ-11)、北京现代制造业发展研究基地和首都社会建设与社会管理协同创新中心资助项目的部分研究成果。

F830.91

A

1003-4145[2017]04-0122-07