涨跌停之前的市场微观结构特征分析——基于股灾期间的研究

汤怀林，李 平，曾 勇，廖静池

1 电子科技大学 经济与管理学院，成都 611731 2 深圳证券交易所 综合研究所，广东 深圳 518038

引言

目前，中国沪深证券交易所均实行10%的涨跌幅限制，即当日的证券价格上涨或下跌不可超过前一交易日收盘价的10%。涨跌幅限制作为证券市场的价格稳定机制之一，设置初衷是为了防止市场出现暴涨暴跌，达到“保持市场稳定，保护投资者利益”的目的。然而，2015年股灾期间，沪深两市共计发生了16次“千股跌停”和4次“千股涨停”的罕见现象，对涨跌幅限制制度的合理性提出了新的挑战，引起市场参与者和学者们对涨跌幅限制的关注和思考。

涨跌幅限制的支持者认为涨跌停具有冷却效应，通过暂停交易，缓解投资者情绪，促进市场信息传播，让投资者有时间重新解读信息，合理评估股价并做出理性决策，从而能够降低市场波动，提高市场效率[1]。但已有实证研究却表明，涨跌幅限制存在波动性溢出、价格发现延迟、干扰交易和磁吸效应等负面效应[2-4]。其中，磁吸效应是指证券价格在接近涨跌停价格的过程中呈加速趋势，具体表现为涨跌停触发前价格变动加速、交易量和价格波动逐渐增大等特征。

与磁吸效应的研究类似，本研究考察2015年股灾期间股票在涨跌停触发前的交易活跃度、流动性、波动性和信息不对称程度等市场微观结构指标的变动特征，并通过严格挑选对照样本分析这些特征变动是否存在异常以及与是否发生涨跌停之间的相关性。与已有大多基于市场正常情形下的研究不同，本研究对象是市场异常情形下即股灾期间所发生的涨跌停事件。更为重要地，对于此轮股灾较为一致的观点是：杠杆交易催生了股灾之前的“牛市”，也是监管层的去杠杆行为引发了股灾[5-7]。由于强制平仓机制的存在，股价下跌引发爆仓的风险会导致投资者短期内对股票流动性需求的急剧增加，而一旦股价触发跌停，股票的流动性将受到限制，甚至出现枯竭。此时，出于止损的目的，杠杆投资者在跌停前将会争相交易。因此，本研究通过选取不同股票、不同时期和股灾不同阶段的涨跌停样本对杠杆交易可能存在的影响进行分析，希望研究结果会提高人们对市场异常情形下涨跌停限制、杠杆交易的认识和理解，也为市场监管者和股市投资者提供丰富的实证参考依据。

1 相关研究评述

涨跌幅限制实施以来，其有效性一直饱受争议。支持者认为涨跌幅限制的两个属性能够降低市场波动，提高市场效率。一是涨跌幅限制限定了交易日内证券价格波动的上下限，二是通过涨跌停暂停交易，让投资者有时间重新评估信息，做出理性决策，从而降低市场价格波动，即涨跌停具有冷却效应。然而，由于现实中无法获得完美的控制组样本，评估涨跌幅限制实施的效果一直较为困难。KIM et al.[1]和刘煜辉等[8]利用中国股市实行涨跌幅限制前后的股票交易数据，对涨跌幅限制的有效性进行实证分析，结果发现涨跌幅限制降低了A股市场的波动性，但中国股市在涨跌幅限制实行前后存在较多变化，市场波动的降低是否真正源于实行涨跌幅限制仍然无法得到准确考证。

已有研究更多地表明涨跌幅限制存在波动性溢出、价格发现延迟和交易干扰等负面效应。KIM et al.[2]、HENKE et al.[9]、BILDIK et al.[10]和孙培源等[11]基于不同证券交易所的实证研究均验证了涨跌幅限制存在这3个效应。但由于这些研究选取的控制组样本(同一交易日价格发生大幅变动但未触发涨跌停的样本)与事件组样本之间存在基本面或信息等因素的差异，因此很难准确判断彼此之间的差异就是由涨跌幅限制引起的。近来，DEB et al.[12]利用东京证券交易所的股票交易数据，采用倾向得分匹配技术选取控制组样本以降低样本选择偏差，结果发现只有涨停限制存在波动性溢出效应。

与此同时，相关学者利用中国A股和H股的交易数据对A股市场涨跌幅限制的实施效果进行考察。LI et al.[13]研究发现A股市场的涨跌幅限制存在波动性溢出效应，但没有发现存在价格发现延迟效应；秦芳等[14]的研究表明A股市场的涨跌幅限制存在价格发现延迟效应，但不存在交易阻碍效应；张志恒等[15]基于极值理论对A股和H股的极端风险进行测度比较，发现涨跌幅限制对交易日的极端风险波动起显著的控制作用；王朝阳等[16]的研究结果表明涨跌幅限制并没有让市场变得更加稳定，反而是造成A股市场个股股价高波动率的重要原因。这与他们选取2014年至2016年的交易数据为研究对象有很大关系，这段时间中国A股正经历着有史以来最强的异常波动，而导致此轮A股异常波动的首要原因就是杠杆交易，但本研究认为涨跌幅限制在其中起到一定的催化作用。

涨跌幅限制的另一负面影响是存在明显的磁吸效应，即在接近涨跌停价格的过程中，涨跌幅限制的存在使价格变动速度加快、价格波动和交易量增加，股价以加速度的形式触发涨跌停。CHO et al.[3]利用台湾证券交易所的交易数据，采用AR-GARCH模型，首次实证验证了在股市存在磁吸效应，并且涨停的磁吸效应较强，跌停的较弱；DU et al.[4]利用韩国证券交易所交易数据，采用不同方法，同样发现涨跌幅限制存在磁吸效应；WONG et al.[17]和HSIEH et al.[18]利用台湾证券交易所的数据，研究发现磁吸效应多由个人投资者或知情交易者引起。

对于中国股市的涨跌幅限制，相关实证研究均发现存在磁吸效应，但涨幅限制和跌幅限制存在不对称性，涨幅限制具有更明显的磁吸效应。基于沪市股票高频数据，WONG et al.[19]实证发现涨跌幅限制存在明显的磁吸效应。方园等[20]从收益率、交易量和波动性3个方面验证存在磁吸效应，并发现涨幅限制的磁吸效应要大于跌幅限制。焦瑞新等[21]通过改进GARCH族模型，也发现沪市涨幅限制存在磁吸效应，而跌幅限制的磁吸效应却不甚明显。同样，张小涛等[22]通过建立Logit回归模型的研究结果表明，沪市涨幅限制存在磁吸效应，且股票当日收益率达到8%之后磁吸效应明显增强；跌幅限制不存在磁吸效应，而是存在冷却效应。此外，基于沪深市场股票高频数据，程娟等[23]运用二次函数模型，从收益率和交易量两个层面，分析股票涨跌停前30分钟磁吸效应的加速度、加速拐点和加速持续期3个特征，发现收益率和交易量涨跌停前的磁吸加速现象显著存在，且上涨过程交易量磁吸加速度大于下跌过程；陈浩武等[24]提出一个检验涨跌幅限制磁吸效应存在性的计量模型，并利用沪深市场交易数据进行实证检验，发现在达到涨停过程中磁吸效应存在的证据，而在跌停过程中磁吸效应并不明显，因此他们建议适当放宽涨停限制范围，采用涨停限制和跌停限制不对称的方法来提高该交易机制的市场作用。

与磁吸效应的研究类似，本研究关注股票在涨跌停触发前的交易情况，着重考察股票交易活跃度、流动性、股价波动性和信息不对称程度等市场微观结构的变动特征。同时，与已有关于涨跌停的研究不同，本研究以2015年股灾期间的涨跌停事件为研究对象。已有关于股灾的分析表明，杠杆交易的无序滥用以及监管层的去杠杆行为是导致此轮股灾发生的首要原因[5-7]，相关实证研究也发现杠杆交易与股市异动存在显著关系[25-26]，而投资者情绪在其中起到推波助澜的作用[27]。杠杆交易通过提高市场流动性[28-30]，降低股票的流动性风险，正向影响公司价值和股票价格[31-33]。但随着杠杆的积累，风险也在不断增大，当市场出现负面冲击，股价下跌便容易引发流动性螺旋效应[34-37]。而在股市异常情况下，股价的涨跌停使原本就稀缺的流动性更加恶化，甚至出现流动性枯竭，又由于股票间存在流动性共振现象[38-39]，最终导致股市的暴涨暴跌。考虑到股灾发生的原因以及涨跌幅限制在其中所起的作用，本研究认为研究股灾期间的涨跌停具有重要价值，不仅能提高人们对涨跌幅限制的认识，还能通过考察涨跌停前市场微观结构的变化特征分析市场异常情况下投资者的交易行为特点。

此外，万谍等[40]基于深圳300价格指数中的220只股票的分笔交易数据，分析股票暴涨暴跌(股价相对昨日收盘价的涨跌幅超9%)前1天的股价和流动性状况，探讨大幅价格变动与之前交易过程的关系，结果表明暴涨暴跌前1天的收益和流动性与未发生暴涨暴跌时显著不同，且异常变动的价格和流动性指标与次日股价的暴涨暴跌概率存在显著的关联性。虽然该研究与本研究相近，但本研究关注的是市场异常情况下股票在涨跌停前相关市场微观结构的日内变化特征，并且出于股灾的发生原因，本研究还进一步考察杠杆交易在其中所起的作用。

2 研究样本和变量定义

2.1 样本概况

本研究选取2015年股灾期间为研究样本期，而杠杆交易被认为是此轮股市下跌的罪魁祸首，那么控制研究样本的杠杆特征对实证结果的影响至关重要。由于所有杠杆交易中只能获得融资融券(简称“两融”)业务中融资交易的权威统计数据，同时考虑到仅有深市股票的高频数据披露交易笔数信息，所以本研究以深市A股允许进行融资融券交易的股票为研究对象。此外，仅选取2015年6月15日至9月30日股灾期间共计75个交易日中处于正常交易状态且交易天数不少于20天的股票为最终的样本。经过筛选，共获得样本股票351只，其中主板153只，中小板147只，创业板51只。

本研究所用的股票高频交易数据来源于国泰安高频交易数据库，该数据库的字段包括股票代码、交易日期、交易时间、昨日收盘价、最新成交价、分笔成交量、成交笔数、买卖标识、买卖价差等信息，其中买卖标识给出了每条交易记录的买卖方向。为了选取发生涨跌停事件的样本，针对日内每条交易记录进行如下判断，即

(1)

(2)

其中，Cpi,j为i股票日内第j条交易记录的成交价，Ticksize为最小报价单位(0.010元)，Lastclosei为前一交易日收盘价，0.100为股价涨跌停阈值。如果(1)式成立，表示该条交易记录以涨停价格成交；如果(2)式成立，表示该条交易记录以跌停价格成交。

样本股票在股灾期间的交易日内若触发涨跌停板，则计为涨跌停事件发生。本研究按板块、首次触发涨跌停板的时间和首次触发后的交易情况对事件样本进行统计，结果见表1。从日内时间分布看，首次涨跌停较多发生在早市开盘前后时段和收盘前时段；从板块分布看，主板、中小板和创业板样本股票分别发生926次、988次和405次涨停事件，以及2 050次、2 024次和759次跌停事件。基于股票样本中各个板块的股票只数，主板股票在股灾期间平均发生6.052次涨停板事件和13.399次跌停板事件，中小板股票平均发生6.721次涨停事件和13.769次跌停事件，创业板股票平均发生7.941次涨停事件和14.882次跌停事件。可见，创业板股票相对其他两个板块更易发生涨跌停。

与此同时，本研究根据首次触发涨跌停后的交易情况，将事件样本分为3类。一次触发，即整个交易日只有一条交易记录以涨(跌)停价格成交；多次触发，即日内首次触发涨(跌)停后，又有多条交易记录(并非全部交易记录)以涨(跌)停价格成交；一直触发，即日内首次触发涨(跌)停后的所有交易记录均以涨(跌)停价成交。由表1可知，无论是涨停还是跌停，多次触发样本的占比最大，分别为78.525%和94.579%；一直触发样本的占比次之，分别为20.181%和4.138%；一次触发样本的占比分别为1.294%和1.283%。一直触发涨停样本的占比比一直触发跌停样本的占比多出约16个百分点，而多次触发涨停样本的占比比多次触发跌停样本的占比少约16个百分点，说明涨停情形下更易发生价格封盘现象，跌停情形下交易者存在更多的挣扎。

特别地，本研究还测算了每个发生涨跌停的股票在前一交易日收盘时的融资余额占比(融资余额与流通市值的比值)，并针对日内每个时段内的涨停事件样本和跌停事件样本的融资余额占比情况进行简单描述统计。可以发现，跌停事件的融资余额占比普遍较涨停事件高，且跌停事件的融资余额占比在日内呈现一定的递减趋势，说明杠杆交易对股票在日内发生跌停具有一定的影响。

2.2 样本选取

由表1可知，在涨停或跌停的3种类型中，一次触发事件的数量远低于其他两类，分别为30次和62次，且一次触发具有一定的偶然性，可能无法得到可靠的统计结果。相对于一次触发事件，一直触发事件虽发生次数较多，但大多发生在开盘前时段。一直涨停事件和一直跌停事件发生在开盘前的次数分别为254次和104次，在同类型事件中的占比分别为54.274%和52%。而且，一直触发事件通常具有很强的信息导向性，多发生在重大事件发生或重要信息公布之后，如股票复牌、公司重大事项、市场宏观消息的发布等，对交易者而言，此类信息的不对称程度较小。所以，本研究仅以多次触发事件为研究样本。

鉴于本研究的主要目的是分析股票价格日内首次触发涨跌停板之前相关市场微观结构指标的变化特征，参考已有相关研究[4,19-20]，选择股价首次涨跌停前的30分钟为事件窗口，即以首次涨跌停发生在10:00以后的事件样本为研究对象。同时，为了避免中午休市对实证结果的影响，剔除首次触发发生在13:00-13:30之间的事件样本。经过初步筛选，共获得4 074个事件样本，其中涨停样本1 136个，跌停样本2 938个。

进一步，为了控制杠杆交易和股票规模对本研究实证结果的影响，针对每一个事件样本，计算同一交易日内所有没有触发涨跌停板的股票在前一交易日的融资余额占比和流通市值，并在其中选取与事件样本股票融资余额占比和流通市值相差都在±10%以内的股票日内同时段的交易情况作为对照 样本。如果某一事件样本找不到对照样本，则剔除该事件样本；如果某一事件样本有多个对照样本，则选取匹配程度最高(融资余额占比差异最小)的样本。此外，为了获得较稳健的结果，剔除事件样本或其对照样本事件窗口内交易记录少于30条的样本。经过匹配和筛选，共获得1 947个事件样本和1 947个对照样本，其中涨停事件653个，跌停事件1 294个。

表1 事件样本概况Table 1 Overview on Event Samples

注：表中数据不含一个交易日内既触发涨停又触发跌停的样本；每个交易日最后的集合竞价阶段(14:57-15:00)数据不在统计范围内。

2.3 变量定义

本研究考察股价涨跌停前股票的交易活跃度、流动性、波动性和信息不对称程度的变动情况，为此，构建5个市场微观结构指标，即测量交易活跃度的交易笔数(Trde)和每笔成交量(Vptrd)、测量流动性的相对买卖价差(Rsprd)、测量波动性的已实现波动率(Rv)以及测量信息不对称程度的知情交易概率(PIN)[41-42]。以5分钟为间隔，将每个事件样本和对照样本的事件窗口(30分钟)分为6个时段，计算每个时段内微观结构指标值。相对买卖价差、已实现波动率和知情交易概率的计算方法为

(3)

(4)

(5)

其中，Rsprdi,t为i股票日内第t个时段内的相对买卖价差；Nt为第t个时段内交易记录的总数；Rsprdi,t,j为i股票日内第t个时段内第j条交易记录的相对买卖价差，即最优买卖价差与最优买卖价差中点的比值；Rvi,t为i股票日内第t个时段内的已实现波动率；ri,t,j为i股票日内第t个时段内第j条交易记录相对前一条交易记录的、以最优买卖价差中点计算的对数收益率；PINi,t为i股票日内第t个时段内的知情交易概率；α为信息事件发生的概率；μ为知情交易者到达市场的概率；ε为不知情交易者到达市场的概率；Si,t为i股票日内第t个时段内卖方发起的交易笔数；Bi,t为i股票日内第t个时段内买方发起的交易笔数。由于相对买卖价差和已实现波动性的计算数值较小，为了统计方便，本研究分别将(3)式和(4)式乘以1 000。

3 实证设计和结果分析

3.1 微观结构特征分析

为了分析涨跌停触发前股票市场微观结构的变动特征以及是否存在异常变动，针对触发前的每个5分钟，对于每个微观结构指标，本研究提取所有事件样本的指标值构成事件组截面序列，同时提取所有对照样本相应5分钟时段的微观结构指标值构成对照组截面序列，然后分别统计其均值和中位数，并进行均值t检验和中位数Wilcoxon符号秩检验。表2和表3分别给出涨停事件和跌停事件的检验结果。

统计结果显示，涨跌停前的交易笔数呈明显的递增趋势，相对买卖价差呈递减趋势，而知情交易概率则在最后时段大幅提升。对比涨停和跌停可以发现，涨停前各时段的交易笔数明显大于跌停前，已实现波动率在涨停前最后时段明显大幅提升，但在跌停前未发现明显变动趋势。这些结果在一定程度上说明涨跌停存在明显的磁吸效应，且涨停板的磁吸效应要大于跌停板，这与已有研究的结论[19-21]一致。

与对照组相比，事件组涨跌停前各时段的交易笔数和已实现波动率显著增加。其中，交易笔数的数量差异呈明显上升趋势，且涨停前的数量差异明显大于跌停前；已实现波动率差异在涨停前逐渐扩大，而在跌停前逐渐减小。从每笔交易量看，涨停前各时段的数量要显著小于对照组，但在跌停前无显著差异。此外，知情交易概率在涨跌停前的5分钟内较对照组都有显著提升，且在涨停前提升幅度更大。对比结果表明，在相同的市场环境下，股票在涨停前拥有更高的交易活跃度、更剧烈的价格波动，说明市场中投资者追涨行为较盛。同时，与涨停前价格波动的变动特征相比，跌停前的变动特征说明投资者的交易在跌停前具有一定的被动性。这可能是由于股灾期间信用账户因股价持续下跌而触发平仓线，在无法及时追加保证金的情况下股票将被强制卖出，而在市场整体下跌的行情下，更多的只能选择被动接受市场价格。

3.2 Logit回归分析

通过与对照组比较，可以发现股票的相关市场微观结构指标在涨跌停前存在明显的异常变动，为进一步考察这些特征与是否发生涨跌停的相关关系，本研究以是否发生涨跌停为被解释变量，1为发生涨跌停，0为未发生涨跌停；并借鉴万谍等[40]的研究方法，将每个事件样本和对照样本5分钟微观结构指标值的均值作为解释变量，建立Logit模型进行回归分析，即

β4Rvi+β5PINi+ξi

(6)

其中，Pi为涨停或跌停发生的概率，Trdei为6个5分钟交易笔数的平均值，Vptrdi为6个5分钟每笔交易量的平均值，Rsprdi为6个5分钟相对买卖价差的平均值，Rvi为6个5分钟已实现波动率的平均值，PINi为6个5分钟知情交易概率的平均值，β0为常数项，β1～β5分别为相应变量对涨停或跌停发生概率的影响，ξi为残差项。

表4给出事件组和对照组样本回归变量的描述性统计以及均值和中位数的差异性检验结果。由表4可知，涨跌停前的交易笔数和已实现波动率显著高于对照组，而其他变量在涨停和跌停前呈现不同的特征。每笔交易量在涨停前显著低于对照组，在跌停前无显著差异；相对买卖价差在涨停前显著低于对照组，在跌停前显著高于对照组；知情交易概率在涨停前显著高于对照组，在跌停前显著低于对照组。基于此，本研究预期交易笔数、已实现波动率将对涨跌停的发生存在正向影响。

表2 涨停前的市场微观结构特征Table 2 Characteristics of Market Microstructures before Upper Hit

注：**为在5%的显著性水平上显著，***为在1%的显著性水平上显著，下同。

表3 跌停前的市场微观结构特征Table 3 Characteristics of Market Microstructures before Lower Hit

注：*为在10%的显著性水平上显著，下同。

表4 变量描述性统计结果Table 4 Results for Variables Descriptive Statistics

表5给出涨停样本和跌停样本的Logit回归分析结果。由表5可知，交易笔数、已实现波动率和知情交易概率对涨跌停的发生存在正向影响，且均在1%的显著性水平上显著。每笔交易量和相对买卖价差则对涨跌停的发生有负向影响，其中相对买卖价差在1%的显著性水平上显著。交易笔数、已实现波动率和知情交易概率对涨停发生的平均边际影响分别为0.437、0.486和0.314，对跌停发生的平均边际影响分别为0.197、0.189和0.072。总体来说，涨跌停之前的交易笔数和股价的波动性对涨跌停的发生具有较大且非常显著的正向影响，且对涨停的平均边际影响要大于对跌停的影响。

上述分析表明，在市场处于急剧下跌的非正常情况下，涨跌停之前市场上存在严重的信息不对称，并且伴随着较高的价格波动，预示着价格在短时间内发生剧烈变化。为了减少交易的价格冲击成本，知情交易者通常会选择将大额订单拆分成多笔小额订单择机成交，从而导致涨跌停之前交易笔数显著增加和每笔交易量减少。此外，变量对涨停和跌停的平均边际影响以及模型的拟合优度系数的差异性说明，在市场暴跌的过程中，跌停的发生更可能受到杠杆等其他因素的影响。由于受到杠杆的限制，交易者的交易活动存在一定的被动性，从而导致市场微观结构指标对发生跌停影响较小。

3.3 稳健性检验

(1)不同触发时间子样本检验

表1中的统计数据表明，涨跌停事件较多发生在每天收盘前的一段时间，一些研究也表明股票交易存在一定的日内模式，交易数量在收盘前显著提高。为了检验本研究的实证结果是否受涨跌停时间的影响，将事件样本按照触发时间分为两个子样本，发生在10:00-11:30和13:30-14:30之间的事件样本，其中涨停样本347个，跌停样本847个；发生在14:30-14:57之间的事件样本，其中涨停样本306个，跌停样本447个。并对两个子样本分别进行统计分析。

表5 Logit回归分析结果Table 5 Results for Logit Regression Analysis

注：对解释变量进行均值-标准差标准化，R2为Logit回归模型的麦克法登拟合优度(McFadden-R2)，下同。

表6给出不同触发时间样本回归变量的描述性统计结果，结果表明涨跌停前的交易笔数和已实现波动率显著高于对照组，涨停前的知情交易概率显著高于对照组。表7给出不同触发时间涨停样本和跌停样本的Logit回归分析结果，可以看出，交易笔数和已实现波动率对发生涨跌停存在显著正向影响，但可以发现它们对在14:30-14:57之间涨跌停的平均边际影响有所减弱。在14:30-14:57，涨停和跌停的交易笔数的平均边际影响为0.285和0.087，在其他时段则分别为0.584和0.351；涨停和跌停的已实现波动率在14:30-14:57的平均边际影响为0.227和0.138，在其他时段则分别为0.817和0.201。同时，回归结果表明，知情交易概率对不同时段的涨停存在显著的正向影响，而对最后半小时内的跌停不存在显著影响。上述结果说明投资者的交易活动受到日内交易时间的影响，在收盘前的半小时已经形成的股票价格越来越成为投资者的共识，从而导致相应的微观结构指标对涨跌停的影响降低。

(2)匹配相同板块股票的对照样本

在为每个事件样本匹配对照样本时，本研究并没有区分对照样本股票的板块属性，也就是说主板股票可能匹配的是中小板或者创业板股票，而不同板块的股票在股市异常环境中的变动存在明显的差异，例如，平均而言创业板股票会较频繁地触发涨跌停、股价波动较大等。为了控制不同板块股票对本研究实证结果的影响，本研究选取事件股票与对照股票同属一个板块的样本进行稳健性检验。经过筛选，共获得涨停板事件样本251个，跌停板事件样本490个。

表8给出板块筛选所得样本的解释变量的描述性统计结果，结果表明事件样本的交易笔数和已实现波动率在涨跌停之前依然显著高于对照组。表9给出相同板块股票样本的Logit回归分析结果，结果同样表明交易笔数、已实现波动率和知情交易概率对涨跌停板的发生仍然存在正向影响，且在至少5%的显著性水平上显著。交易笔数、已实现波动率和知情交易概率对涨停的平均边际影响为0.471、0.417和0.325，对跌停的平均边际影响为0.168、0.254和0.061。说明本研究结果具有很好的稳健性。

表6 不同触发时间样本回归变量描述性统计结果Table 6 Regression Variables Descriptive Statistics Results for Samples of Different Hit Times

表7 不同触发时间样本Logit回归分析结果Table 7 Logit Regression Analysis Results for Samples of Different Hit Times

表8 相同板块股票样本回归变量描述性统计结果Table 8 Regression Variables Descriptive Statistics Results for Samples of the Same Board Stock

表9 相同板块股票样本Logit回归分析结果Table 9 Logit Regression Analysis Resultsfor Samples of the Same Board Stock

(3)选取事件股票正常交易时段为对照样本

如前文所述，本研究主要以股票前一交易日的融资余额占比和市值规模为标准，为每个事件样本匹配对照样本。尽管这样能控制股票的杠杆和规模因素对实证结果的影响，但股票间基本面因素(如行业因素)的差异仍可能会对实证结果产生影响。因此，为了规避股票基本面因素的影响，本研究选取事件股票股灾期间正常交易日的交易情形为对照样本进行稳健性检验。

具体而言，针对最初获得的4 074个事件样本中的每一个样本，选取事件股票在涨跌停发生日之前的最后一个正常交易日，即无涨跌停发生的交易日日内同一时段(30分钟)的交易情形为对照样本。与此同时，要求事件样本的流通市值和融资余额占比相对正常交易日的流通市值和融资余额占比的变动都在±10%以内(这里的流通市值和融资余额占比均指前一交易日收盘时的数值，后文也如此)。同样，本研究剔除事件样本或其对照样本事件窗口内交易记录少于30条的样本。经过筛选，共获得2 459个事件样本和2 459个对照样本，其中涨停样本和跌停样本分别为577个和1 882个。

表10和表11给出样本回归变量的描述性统计结果和Logit模型的回归结果。与前文结果一样，事件样本的交易笔数和知情交易概率显著高于对照组，即在触发涨跌停之前股票的交易笔数增加，市场中的信息不对称程度上升。回归结果表明，交易笔数、已实现波动率和知情交易概率对涨跌停的发生具有显著的正向影响，交易笔数对涨停和跌停的平均边 际影响为0.463和0.150，已实现波动率对涨停和跌停的平均边际影响为0.246和0.501，知情交易概率对涨停和跌停的平均边际影响为0.560和0.242。此外，本研究还以2分钟为间隔将事件窗口划分为15个时段，进行对比和回归分析，实证结果与5分钟结果一致。篇幅有限，本研究并未展示具体结果。

表10 同只股票样本回归变量描述性统计结果Table 10 Regression Variables Descriptive Statistics Results for Samples of the Same Stock

表11 同只股票样本Logit回归分析结果Table 11 Logit Regression Analysis Resultsfor Samples of the Same Stock

综上所述，本研究发现涨跌停前的交易笔数和股价波动显著提高，且对涨跌停的发生存在显著的正向影响。同时，信息不对称程度在涨跌停前的最后时段显著提高，对涨跌停的发生也存在正向影响。然而，本研究发现市场微观结构变动在涨停前和跌停前存在差异性，涨停前市场交易表现出更高的活跃度，且市场微观结构与涨停之间的相关关系比跌停大。这些结果很好地反映了股价不同走势时投资者的行为差异，同时也侧面体现了股灾期间跌停的特殊性，跌停的发生可能更多地受到杠杆等其他因素的影响。

4 进一步分析

基于股灾的发生背景，本研究的重点是严格控制股票的融资杠杆对实证结果的影响，为此本研究着重选取“两融”股票作为研究样本，以融资余额占比作为融资杠杆的代理变量，并依此为事件样本匹配对照样本。虽然这最大限度地排除了融资杠杆对实证结果的影响，但融资杠杆本身对股票在涨跌停前的市场微观结构的影响却未能得到有效说明。为了了解股灾期间杠杆交易对涨跌停前的股票交易是否存在影响，本研究选取股灾期间非“两融”股票的涨跌停事件、样本股票在股市正常波动时期的涨跌停事件，以及股灾期间不同阶段的跌停事件为研究样本，进行对比分析。

4.1 “两融”与非“两融”股票样本

与“两融”股票一样，本研究选取股灾期间非“两融”股票多次触发类型的涨跌停事件为事件样本，并以事件发生前最后一个正常交易日日内同时段的交易情形作为对照样本。为了具有可比性，本研究要求事件样本的流通市值与对照样本相差在±10%以内，并要求事件样本及其对照样本事件窗口内的交易记录数多于30条。经过匹配和筛选，获得8 779个事件样本和8 779个对照样本，其中涨停样本2 470个，跌停样本6 309个。限于篇幅，未展示非“两融”股票样本回归变量的描述性统计结果，Logit回归结果见表12，结果表明，与“两融”股票一样，事件组样本的交易笔数、已实现波动率和知情交易概率在涨跌停前显著增加，对涨跌停的发生具有显著的正向影响。

表12 非“两融”股票样本Logit回归分析结果Table 12 Logit Regression Analysis Results forSamples of Stocks Margin Trading Not Allowed

为了体现杠杆的作用，本研究利用稳健性检验(3)中的“两融”股票样本与非“两融”股票样本进行对比分析。首先，计算“两融”股票每个事件样本各 个变量(即6个5分钟指标值的均值)与其对照样本的差值；其次，对非“两融”股票事件样本进行同样处理；最后，对获得的两个差值序列进行对比分析，结果见表13。其实，在股灾过程中，只有股价的下跌才会引发杠杆的作用，即当信用账户因股价下跌而触发平仓线，股票被强制卖出，股价继续下跌，从而触发跌停。所以，本研究主要关注跌停前相关变量的变化。由表13可以看出，“两融”股票跌停前交易笔数、每笔交易量和已实现波动率的增加量显著大于非“两融”股票，而相对买卖价差和知情交易概率的增值则小于非“两融”股票。

表13 不同类型股票事件样本对比分析结果Table 13 Comparison of Analysis Results for Event Samples of Different Types of Stocks

4.2 股灾期间与正常时期

本研究以股灾期间的涨跌停事件为研究对象，但当市场处于振荡波动的正常时期，股价也会发生涨跌停。更重要地，股市在2015年异动之前的正常时期杠杆交易相对较少，股价受杠杆的影响较弱，也不会因为股价的较大波动而存在被强制平仓的威胁，因此，涨跌停前股票的相关特征可能不同于股灾期间。本研究选取样本股票在2013年7月至8月发生的涨跌停事件为研究样本，以此验证本研究的猜想，也能从侧面反映杠杆交易可能存在的影响。样本的匹配和筛选方法与非“两融”样本相同。经过匹配和筛选，获得686个事件样本和686个对照样本，其中涨停样本563个，跌停样本123个。限于篇幅，正常时期回归变量的描述性统计结果未展示，Logit回归结果见表14，结果表明事件样本的交易笔数、已实现波动率和知情交易概率依然显著高于对照组，并对涨跌停的发生存在显著的正向影响。

与“两融”、非“两融”股票样本一样，本研究对股灾期间(稳健性检验(3)中的样本)和正常时期变量的差值进行对比分析，结果见表15。结果表明，股灾期间涨停前的市场微观结构变量的变动与正常时期存在显著差异，而跌停前的变动与正常时期比较无显著差异。

表14 正常时期样本Logit回归分析结果Table 14 Logit Regression Analysis Resultsfor Samples of Normal Times

表15 不同时期事件样本对比分析结果Table 15 Comparison of Analysis Results for Event Samples of Different Times

表16 不同阶段跌停样本融资余额和市值的描述性统计结果Table 16 Descriptive Statistics Results for Financial Balanceand Market Value for Lower Hit Samples of Different Stages

4.3 股灾期间不同阶段对比分析

股灾过程中，随着杠杆投资者或主动或被动卖出股票，加在股票上的杠杆资金不断减少，杠杆对股价的影响也在逐渐降低。为了进一步了解杠杆的多少是否对跌停前股票的市场微观结构存在影响，本研究将股灾期间划分为3个阶段，阶段1为2015年6月15日至7月8日，阶段2为2015年7月9日至8月17日，阶段3为2015年8月18日至9月15日，并对不同阶段跌停前的市场微观结构特征进行对比分析。以稳健性检验(3)中匹配得到的1 882个跌停样本为总样本，经过划分，3个阶段的跌停样本分别为682个、413个、770个。

不同阶段跌停样本融资余额和市值规模的描述性统计结果见表16，结果表明，股灾不同阶段事件样本的融资余额占比平均分别为0.091、0.074和0.076，与阶段1相比，阶段2和阶段3分别下降了1.7和1.5个百分点，且在1%的显著性水平上显著，而阶段2与阶段3不存在显著差异。这说明去杠杆对股市下跌的影响主要集中在阶段1，8月份股市的下跌基本不受杠杆交易影响。清华大学国家金融研究院课题组[5]的报告也认为，8月份股市的下跌主要与人民币贬值和全球资本市场大幅下挫等因素有关，与中国资本市场本身问题相关度不高。

虽然不同阶段市场中杠杆资金不同，但回归变量的描述性结果(限于篇幅未展示)和Logit回归结果却显示，不同阶段事件组样本的交易笔数、已实现波动率和知情交易概率显著高于对照组，且对跌停的发生存在显著的正向影响，Logit回归结果见表17。然而，本研究发现，不同阶段事件组样本的交易笔数、已实现波动率和知情交易概率对跌停发生的平均边际影响存在差异，阶段1分别为0.092、0.343、0.186，阶段2分别为0.212、0.566、0.216，阶段3分别为0.146、0.662、0.324。阶段1交易笔数、已实现波动率和知情交易概率对发生跌停的影响明显低于阶段2和阶段3。同时，回归模型各个阶段的拟合优度系数再次表明，受杠杆交易的影响，市场微观结构对发生跌停的影响力明显降低，这也从侧面反映了杠杆交易对股价跌停前的相关市场变动产生了影响。

5 结论

2015年6月至9月中国股市经历了急速下跌，期间更是多次出现“千股涨停”或“千股跌停”现象。本研究选取股灾期间深市A股允许融资融券股票发生的涨跌停为事件样本，并按照事件股票的融资余额占比和市值规模严格匹配对照样本，实证分析涨跌停之前股票的交易活跃度、流动性、波动性和信息不对称程度等市场微观结构的变化特征，并采用Logit模型回归分析这些微观结构特征与是否发生涨跌停之间的关系。研究结果表明，交易笔数、已实现波动率和知情交易概率在涨跌停之前显著提升，对涨跌停的发生具有较强且显著的正向影响。然而，市场微观结构特征对涨停和跌停的影响存在不对称性，对涨停的影响力度要大于对跌停的影响。进一步，选取股灾期间非融资融券股票、股市正常时期以及股灾不同阶段的涨跌停为事件样本，同样发现交易笔数、股价波动和信息不对称程度在触发前的显著提升以及对涨跌停的发生具有显著正向影响。除此之外，股灾不同阶段的对比分析结果表明，杠杆交易削弱了微观结构特征对跌停产生的影响。

本研究的创新和贡献在于：①选取2015年股灾期间的涨跌停事件作为研究样本，而非正常交易情况下的涨跌停事件，这为市场特殊情况下的涨跌幅限制的表现提供了新的认识。②以日内首次触发涨跌停板前的30分钟作为考察时期，比万谍等[40]选取前一交易日进行分析更具时效性，避免了隔夜信息的 干扰。③本研究结果表明交易笔数在市场异常时将成为更好的信号传递指标，这对市场参与者来说具有较强的现实意义，监管者可以更多关注股票交易账户的日内交易频率，重点监测存在多次小额交易行为的交易账户；投资者在选择交易时机时也应将交易笔数纳入参考指标，以获得更好的交易优势。

表17 不同阶段跌停样本Logit回归分析结果Table 17 Logit Regression Analysis Results for Lower Hit Samples of Different Stages

本研究在为涨跌停样本匹配对照样本时，仅依照股票的融资余额占比和流通市值两个维度进行，实证结果可能存在一定的样本选择性问题。同时，本研究考察的市场微观结构指标可能并未反映市场的全部情况，如投资者情绪在市场异常情况下将起到重要作用[27]，但本研究并未将其包含在考察范围内。进一步的研究可选取更多股票作为研究样本，构建更有意义、更符合市场的微观结构指标，并设计更有效的研究方法对相关问题(特别是杠杆交易)的影响进行深入探讨。

[1]KIM K A,LIU H,YANG J J.Reconsidering price limit effectiveness.TheJournalofFinancialResearch,2013,36(4):493-518.

[2]KIM K A,RHEE S G.Price limit performance:evidence from the Tokyo stock exchange.TheJournalofFinance,1997,52(2):885-901.

[3]CHO D D,RUSSELL J,TIAO G C,et al.The magnet effect of price limits:evidence from high-frequency data on Taiwan stock exchange.JournalofEmpiricalFinance,2003,10(1/2):133-168.

[4]DU D Y,LIU Q,RHEE S G.An analysis of the magnet effect under price limits.InternationalReviewofFinance,2009,9(1/2):83-110.

[5]吴晓灵,李剑阁,王忠民,等.完善制度设计,提升市场信心,建设长期健康稳定发展的资本市场.清华金融评论,2015(12):14-23.

WU Xiaoling,LI Jiange,WANG Zhongmin,et al.Improving system design,enhancing market confidence,and building a long-term,healthy and stable capital market.TsinghuaFinancialReview,2015(12):14-23.(in Chinese)

[6]赫凤杰.A股市场杠杆交易与监管.财经科学,2015(11):12-22.

HE Fengjie.Leverage trading and supervision of A-share market.Finance&Economics,2015(11):12-22.(in Chinese)

[7]刘燕,夏戴乐.股灾中杠杆机制的法律分析:系统性风险的视角.证券法律评论,2016:107-131.

LIU Yan,XIA Daile.Legal analysis of leverage mechanism in the stock market crash:from the perspective of systematic risk.SecuritiesLawReview,2016:107-131.(in Chinese)

[8]刘煜辉,贺菊煌,沈可挺.涨跌停板制度下中国A、B股市场波动的动态变化.管理科学,2003,16(5):48-53.

LIU Yuhui,HE Juhuang,SHEN Keting.Evidence for China stock market:changing volatility under a price limit regime.JournalofManagementScience,2003,16(5):48-53.(in Chinese)

[9]HENKE H,VORONKOVA S.Price limits on a call auction market:evidence from the Warsaw stock exchange.InternationalReviewofEconomics&Finance,2005,14(4):439-453.

[10] BILDIK R,GÜLAY G.Are price limits effective?Evidence from the Istanbul stock exchange.TheJournalofFinancialResearch,2006,29(3):383-403.

[11] 孙培源,施东晖.涨跌幅限制降低了股价波动吗？来自中国股票市场的证据.证券市场导报,2001(11):12-18.

SUN Peiyuan,SHI Donghui.Do price limits reduce the stock price volatility:evidence from Chinese stock market.SecuritiesMarketHerald,2001(11):12-18.(in Chinese)

[12] DEB S S,KALEV P S,MARISETTY V B.Price limits and volatility.Pacific-BasinFinanceJournal,2017,45:142-156.

[13] LI H,ZHENG D,CHEN J.Effectiveness,cause and impact of price limit:evidence from China′s cross-listed stocks.JournalofInternationalFinancialMarkets,Institutions&Money,2014,29:217-241.

[14] 秦芳,吴昱,何勤英,等.涨跌幅限制、价格和流动性:基于A+H股日交易数据的研究.投资研究,2014,33(4):120-136.

QIN Fang,WU Yu,HE Qinying,et al.Price limits,price and liquidity:evidence from daily transaction data of A+H shares.ReviewofInvestmentStudies,2014,33(4):120-136.(in Chinese)

[15] 张志恒,肖智,花拥军.涨跌停板制度对股市极端风险的影响:基于沪深A股与港H股的比较研究.系统工程,2015,33(7):65-72.

ZHANG Zhiheng,XIAO Zhi,HUA Yongjun.Influence of price limits on the extreme risk in stock market:based on comparative analysis of Chinese A and H shares.SystemsEngineering,2015,33(7):65-72.(in Chinese)

[16] 王朝阳,王振霞.涨跌停、融资融券与股价波动率:基于AH股的比较研究.经济研究,2017,52(4):151-165.

WANG Chaoyang,WANG Zhenxia.Price limit,margin trading,and stock price volatility:a comparative study between A-shares and H-shares.EconomicResearchJournal,2017,52(4):151-165.(in Chinese)

[17] WONG W K,CHANG M C,TU A H.Are magnet effects caused by uninformed traders?Evidence from Taiwan stock exchange.Pacific-BasinFinanceJournal,2009,17(1):28-40.

[18] HSIEH P H,KIM Y H,YANG J J.The magnet effect of price limits:a logit approach.JournalofEmpiricalFinance,2009,16(5):830-837.

[19] WONG W K,LIU B,ZENG Y.Can price limits help when the price is falling?Evidence from transactions data on the Shanghai stock exchange.ChinaEconomicReview,2009,20(1):91-102.

[20] 方园,陈收.涨跌停板制度对上海股市日内价格变动和投资者行为的影响.系统工程,2007,25(11):48-53.

FANG Yuan,CHEN Shou.Effect of price limits on interday price fluctuation and investors′ behavior:evidence from Shanghai A-share market.SystemsEngineering,2007,25(11):48-53.(in Chinese)

[21] 焦瑞新,孙学举.中国股市涨跌停限制对投资者交易行为的影响:基于磁吸效应检验的实证研究.现代管理科学,2010(7):57-59.

JIAO Ruixin,SUN Xueju.The effect of price limits on investors′ behavior in Chinese stock market:empirical research on magnet effect.ModernManagementScience,2010(7):57-59.(in Chinese)

[22] 张小涛,祝涛.针对高频数据的中国股市磁吸效应研究.重庆理工大学学报(自然科学),2014,28(1):123-127.

ZHANG Xiaotao,ZHU Tao.Magnet effect in the Chinese stock market based on high frequency data.JournalofChongqingUniversityofTechnology(NaturalScience),2014,28(1):123-127.(in Chinese)

[23] 程娟,甘小芳.涨跌停限制磁性效应加速特征研究:基于中国A股市场高频交易数据挖掘.金融经济学研究,2010,25(4):109-116.

CHENG Juan,GAN Xiaofang.The acceleration characters of the magnet effect on price limit:research based on Chinese stock market high frequency data.FinancialEconomicsResearch,2010,25(4):109-116.(in Chinese)

[24] 陈浩武,杨朝军,范利民.中国证券市场涨跌幅限制的磁力效应研究:兼论适当放宽涨停限制的合理性.管理科学学报,2008,11(5):120-128.

CHEN Haowu,YANG Chaojun,FAN Limin.Magnet effect of price limit in China stock market:a proposal to lift the upper price limit appropriately.JournalofManagementSciencesinChina,2008,11(5):120-128.(in Chinese)

[25] 李政,梁琪,涂晓枫.融资交易、杠杆牛市与股灾危机.统计研究,2016,33(11):42-48.

LI Zheng,LIANG Qi,TU Xiaofeng.Margin trading,leveraged bull market and stock market crash.StatisticalResearch,2016,33(11):42-48.(in Chinese)

[26] 鲁璐,项后军,彭亚香.杠杆效应与股市的波动行为研究.科技与管理,2016,18(2):91-97,116.

LU Lu,XIANG Houjun,PENG Yaxiang.Research on the volatility of the leverage effect and the stock market.Science-TechnologyandManagement,2016,18(2):91-97,116.(in Chinese)

[27] 王健俊,殷林森,叶文靖.投资者情绪、杠杆资金与股票价格:兼论2015～2016年股灾成因.金融经济学研究,2017,32(1):85-98.

WANG Jianjun,YIN Linsen,YE Wenjing.Investor sentiment,leveraged fund and stock price:reflection on the cause of stock crash in 2015～2016.FinancialEconomicsResearch,2017,32(1):85-98.(in Chinese)

[28] GROMB D,VAYANOS D.Equilibrium and welfare in markets with financially constrained arbitrageurs.JournalofFinancialEconomics,2002,66(2/3):361-407.

[29] GEANAKOPLOS J.The leverage cycle∥NBERMacroeconomicsAnnual.Chicago:University of Chicage Press,2010:1-65.

[30] KAHRAMAN B,TOOKES H E.Trader leverage and liquidity.TheJournalofFinance,2017,72(4):1567-1610.

[31] 陈辉,顾乃康,万小勇.股票流动性、股权分置改革与公司价值.管理科学,2011,24(3):43-55.

CHEN Hui,GU Naikang,WAN Xiaoyong.Stock liquidity,non-tradable shares reform and firm value.JournalofManagementScience,2011,24(3):43-55.(in Chinese)

[32] AMIHUD Y,MENDELSON H.The pricing of illiquidity as a characteristic and as risk.MultinationalFinanceJournal,2015,19(3):149-168.

[33] AMIHUD Y,HAMEED A,KANG W,et al.The illiquidity premium:international evidence.JournalofFinancialEconomics,2015,117(2):350-368.

[34] BRUNNERMEIER M K,PEDERSEN L H.Market liquidity and funding liquidity.TheReviewofFinancialStudies,2009,22(6):2201-2238.

[35] 孙彬,杨朝军,于静.融资流动性与市场流动性.管理科学,2010,23(1):81-87.

SUN Bin,YANG Chaojun,YU Jing.Funding liquidity and market liquidity.JournalofManagementScience,2010,23(1):81-87.(in Chinese)

[36] FLORACKIS C,KONTONIKAS A,KOSTAKIS A.Stock market liquidity and macro-liquidity shocks:evidence from the 2007-2009 financial crisis.JournalofInternationalMoneyandFinance,2014,44:97-117.

[37] 林采宜.A股杠杆交易的风险传导机制.21世纪经济报道,2015-07-08(10).

LIN Caiyi.The risk transmission mechanism of leverage trading in A-share market.21stCenturyBusinessHerald,2015-07-08(10).(in Chinese)

[38] CHORDIA T,ROLL R,SUBRAHMANYAM A.Commonality in liquidity.JournalofFinancialEconomics,2000,56(1):3-28.

[39] KOCH A,RUENZI S,STARKS L.Commonality in liquidity:a demand-side explanation.TheReviewofFinancialStudies,2016,29(8):1943-1974.

[40] 万谍,王军波,杨晓光.中国股市暴涨暴跌前有迹象吗.系统工程学报,2016,31(5):643-656.

WAN Die,WANG Junbo,YANG Xiaoguang.Are there any clues before large price changes in Chinese stock markets?.JournalofSystemsEngineering,2016,31(5):643-656.(in Chinese)

[41] EASLEY D,KIEFER N M,O′HARA M,et al.Liquidity,information,and infrequently traded stocks.TheJournalofFinance,1996,51(4):1405-1436.

[42] EASLEY D,ENGLE R F,O′HARA M,et al.Time-varying arrival rates of informed and uninformed trades.JournalofFinancialEconometrics,2008,6(2):171-207.

FundedProject:Supported by the National Natural Science Foundation of China(71301019,71501018) and the Culture Expert and Four-Batch Talents Project

Biography:TANG Huailin is a Ph.D candidate in the School of Management and Economics at University of Electronic Science and Technology of China. His research interest focuses on market microstructure. His representative paper titled “The intraday effect of nature disaster and production safety accident announcement based on high-frequency data from China′s stock markets” was published in theChinaFinanceReviewInternational(Vol 5, 2015). E-mail：huailintang@foxmail.com

LI Ping, doctor in management, is a professor in the School of Management and Economics at University of Electronic Science and Technology of China. His research interests cover market microstructure, high-frequency trade and internet finance. His representative monograph titled “Researchonthesuspensionsystemofsecuritymarket” was published by Science Press in March, 2016. E-mail：lip@uestc.edu.cn

ZENG Yong, doctor in management, is a professor in the School of Management and Economics at University of Electronic Science and Technology of China. His research interests include capital market and corporate finance. His representative monograph titled “Researchonsecuritymarketmicrostructure” was published by Science Press in June, 2008. E-mail：zengy@uestc.edu.cn

LIAO Jingchi, doctor in management, is a researcher in the Shenzhen Stock Exchange. His research interests include market microstructure and corporate finance. His representative paper titled “A case study on the effect of the enforcement of the system of trading halt on China′s stock markets” was published in theManagementWorld(Issue 2, 2009). E-mail：jcliao@szse.cn