中国股票市场信息不对称测度的比较——基于证监会行政处罚案例的研究

郇钰 高扬

(1.中国工商银行博士后科研工作站，北京 100032；2.北京工业大学经济与管理学院，北京 100124)

引言

信息不对称的存在严重阻碍了中国金融市场的健康稳定发展：首先，信息成本是造成市场价差的主要原因(Bagehot, 1971)[2]，具体而言，信息不对称的存在会造成逆向选择成本升高，扩大买卖报价的价差，从而对市场流动性和资产价格的形成造成影响；其次，少数知情交易者的获利是以牺牲非知情交易者的利益为代价的，这种行为严重影响了大多数交易者的投资信心，不利于金融市场的稳定。因此，内幕交易行为一直是中国证券监管部门重点查处的方向之一。目前，监管部门对内幕交易的稽查多存在于事后发现，很少能在内幕交易发生前或进行过程中有所预知并加以防范。现有的监测措施主要包括监控相关上市公司控股股东、董事长、高层管理人员等内幕知情者在特定窗口期的账户交易情况，或是在上市公司停牌或重大事项公告后核查之前内幕信息知情者的交易情况。虽然这些措施能在一定程度上监控内幕交易的发生，但为了躲避监管，内幕交易行为正在向隐蔽化、群体化的方向发展：一方面，虽然监管机构和交易所登记了知情人名单，但无法及时覆盖和掌握间接信息共享的相关人员情况，内幕消息知情者为了躲避监管，往往会使用旁系亲属或朋友的账号操作并从中获利，而这部分人群通常不在监管机构的知情者数据库中，监测无法覆盖；另一方面，很多内幕信息大多通过私下传递信息，一般不会留下明显的证据，这给监管部门调查取证又带来了很大的困难。因此，如何全面有效地监测内幕交易，提前发现异常交易信号，预防内幕交易的发生是本文研究的关键问题。

尽管理论上可从机构或内幕交易者的订单、个人投资者的订单对市场的冲击来对内幕交易进行识别，但在实际中却缺乏这方面的数据，因此，需要采用一些反映信息不对称强度的代理指标来对内幕交易进行度量，这些度量的结果往往可以反映市场在一段时间内知情交易的活跃程度或者在一定数量的订单流中由知情交易者发起的订单所占的比例。随着市场微观结构理论的不断完善，对信息不对称的研究大致经历了由简单考虑信息不对称的概念，到具体考虑信息结构模型的发展过程。Huang and Stoll (1996)[21]认为做市商会通过扩大价差来弥补他们与知情交易者进行交易后造成的损失，他们把有效价差分解为逆向选择成分和做市商可以实现的收益，因此有效价差和已实现价差之间的差值可以作为逆向选择成本的估计值。Glosten and Harris (1988)[15]将交易方向指示变量与资产价格变化、以及交易规模等变量联系起来建立交易成本模型，同时提出交易成本包括两部分，一部分是由信息不对称造成的逆向选择成本，另一部分是存货成本、清算成本等不影响资产真实价值的暂时性成分，并估计各成分的大小比例，即来自信息不对称的影响和订单处理成本的影响分别造成的价格冲击。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，类似思路的文献还有Glosten and Milgrom (1985)[16]、Kyle (1985)[23]、Huang and Stoll (1997)[22]、Madhavan et al.(1997)[25]、Huang and Stoll (1994)[20]等。Glosten and Harris(1988)[15]模型分析并度量了逆向选择成本和交易成本，并且认为纽约证券交易所(NYSE)存在大量的普通股，其价差是由于信息不对称的存在而造成的。随后，Hasbrouck(1991a, 1991b)[18][19]提出的未预期价格冲击反应函数从信息比例的角度测度了信息不对称的程度。Hasbrouck构造了报价与交易相关变量的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。Blume et al.(1994)[3]采用VAR模型，分析了交易量的信息含量以及交易者运用贝叶斯学习过程能从中获取的信息量。Dufour and Engle (2000)[8]对Hasbrouck的VAR模型进行了拓展，引入了交易久期，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。Brennan and Subrahmanyam (1996)[4]结合Hasbrouck模型和Foster and Viswanathan (1993)[14]模型，提出了一个扩展的HFV模型。

Easley et al.(1996)[11]提出用EKOP模型对知情交易概率(PIN)进行测度，这是第一个直接对知情交易程度进行衡量的指标。知情交易概率PIN是指一次交易来自于拥有私人信息的知情交易者的概率，PIN值越低即知情交易概率越低，说明该资产的信息不对称程度越低。PIN理论自从被提出就受到了广泛关注，学者们采用PIN展开了大量的金融实证研究，例如Easley et al.(2001)[12]基于PIN来研究股票拆细是否能够减少信息不对称，Vega (2006)[27]认为PIN可以作为私有信息的组成部分来检验市场有效性；此外，PIN的提出也为定价研究带来了许多新思路，例如Easley et al.(2002)[9]把PIN作为第四个因子加入到Fama and French (1993)[13]三因子模型中进行回归，发现知情交易概率PIN的回归系数为正且显著，即知情交易的概率越高，所需的风险补偿也越高，因此他们认为PIN可以作为一种风险因子。国内学者对EKOP模型和PIN理论的研究也逐渐增多，杨之曙和姚松瑶(2004)[30]利用PIN测度检验了上海证券交易所中股票的知情交易概率与买卖价差之间的关系；韩立岩等(2008)[28]以EKOP模型为基础，研究了上海证券交易所股票知情交易概率的特征，并检验了知情交易概率的风险定价能力，发现在中国市场PIN作为定价因子是有解释力的，但是对收益产生的是负效应；张宗新(2008)[31]基于PIN测度，发现在中国上市公司很多重大事件的背后都有着私人信息交易行为，存在内幕交易的可能性很高。与此同时，也有一些学者关注PIN模型本身是否真的可以测度知情交易概率的问题。Mohanram and Rajgopal (2009)[26]发现PIN对预期收益率的影响是不稳健的，从而质疑PIN是否能够真正地反映出信息不对称风险；Duarte and Young (2009)[7]认为 PIN之所以被定价是由于非流动性因素而不是信息不对称因素；Aktas et al.(2007)[1]通过分析在1995～2000年期间发生在巴黎证券交易所(Euronext Paris)的并购重组案例，认为EKOP模型提出的PIN并没有事前识别出来明显存在的信息泄露情况。针对中国市场，刘莎莎等(2011)[29]采用Fama-MacBeth两阶段横截面检验，并结合多因子模型发现知情交易的因子负载无法预测资产收益。

上述度量方法一般是从不同的角度提炼价格变化方向订单流的规模以及订单不平衡所释放的信息，很少有文献对这些测度信息不对称的方法进行横向比较，筛选出真正有效的信息不对称度量指标。本文基于中国证监会发布的行政处罚公告中涉及内幕交易的案例1，横向检验上述不同信息不对称指标的度量效果。本文采用证监会处罚过的内幕交易股票案例作为研究对象的原因主要有三方面：首先是因为证监会处罚过的案例是通过刑侦等手段已经确认存在过内幕交易情况的股票案例，并不是通过某些指标推断出来的可能存在内幕信息或者信息泄露的情况2，后者的推断不能完全等价于前者的事实认定；其次，证监会公布的行政处罚公告中，有很多内幕交易案例都标注了内幕信息敏感期，证监会对内幕信息敏感期的划分主要是以事件为导向3，内幕敏感期的划定为本文研究提供了便利；第三，证监会的处罚案例中，涉及的内幕信息类型，除了有并购重组案例之外，还有财务报告、利润分配方案等信息提前泄露的情况，分析场景更加多元化。

本文的创新之处在于以下两点：一方面，针对EKOP模型被质疑的有效性问题，提出了日度PIN的估计思路，为信息不对称的测度提供了新的度量方法；另一方面，基于证监会惩处的内幕交易股票案例，本文对包括日度PIN在内的四种信息不对称测度进行横向比较，实证结果表明Huang-Stoll价差分解指标和Glosten-Harris长久价格冲击指标无法准确衡量信息不对称程度，而Hasbrouck未预期价格冲击指标与本文提出的日度PIN指标作对比，后者能够更好地刻画信息结构演化过程。因此，日度PIN指标可以用来预警未来内幕交易案件的发生，为监管机构提供一定的参考，并且有助于投资者和金融实证领域学者识别股票市场的信息风险。

知情交易测度

一、信息模型回顾

1.Huang-Stoll价差分解指标

Huang and Stoll (1996)[21]对有效价差进行简单分解，将其分为逆向信息成分和做市商已实现的部分，因此可以将有效价差中做市商没有实现的利润作为逆向选择成本的估计值。他们定义有效价差的一半为交易价格与交易发生时买卖报价的中点之间差值的绝对值；已实现价差的一半定义为上一次交易价格为买价时的成交价变化值或上一次交易价格为卖价时的成交价变化负值；逆向选择成本的估计就是有效价差的一半减去已实现价差的一半。

2.Glosten-Harris长久价格冲击指标

Glosten and Harris (1988)[15]首次提出交易指示回归模型，并以显性的方式提出交易成本估计及分解公式。他们将买卖价差分解为暂时(transitory)成分和长久(permanent)成分。暂时成分反映了指令处理成本、存货成本等，而长久成分则反映了做市商与知情交易者之间的信息不对称，因为只有私有信息才会真正影响资产价值，对价格造成长久冲击。

令Zt=z0+z1Vt为价差中的价格冲击成分，Ct=c0+c1Vt为指令处理成分，二者均为交易量Vt的线性函数，则模型设定如下：

其中，Pt为资产在t时刻成交的交易价格，Mt为资产在t时刻的不可观测到的真实价值，Qt为买卖方向的示性变量，Ut为误差项。故有，

其中xt=VtQt，是具有买卖方向的交易量。

根据Madhavan et al.(1997)[25]、Huang and Stoll(1997)[22]提供的思路，这里可以采用广义矩估计(GMM)方法可得到模型(3)的估计。值得注意的是，Glosten和Harris认为Zt=z1Vt，Ct=c0是最好的模型。即此时

因此，z1值越大，价格则越容易受到带买卖方向的交易量的影响。z1被认为是可以衡量由于信息不对称而造成的价格冲击的指标。

3.Hasbrouck未预期价格冲击指标

Hasbrouck (1991a, 1991b)[18][19]根据Hasbrouck(1988)[17]交易对报价多期冲击的单一函数模型，进一步推导出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和交易中蕴含的内幕信息含量。Hasbrouck(1991a, 1991b)[18][19]将价格变化的方差分解为交易相关和不相关两部分，由于内幕消息的价值是通过交易反映到价格中，因此价格变化中交易相关的部分就可以作为信息不对称程度的一种度量，即未预期价格冲击指标。基于Hasbrouck提出的(5)式中的VAR模型可得到未预期价格冲击指标的估计：

其中rt是对数价差中点的变化，Xt可以是买卖方向示性变量Qt，也可以是Qt和交易量Vt的向量组合{Qt,QtVt}。本文采用Hasbrouck(1991)[19]提出的度量指标对模型(5)进行OLS估计后，将模型(5)转化为VMA模型的表达形式，再根据其提出的引理1，计算得到未预期价格冲击的相对指标

二、日度PIN指标

Easley et al.(1996)[11]在Glosten and Milgrom (1985)[16]的市场微观结构理论模型基础上进行扩展，开创性地提出了度量知情交易概率(Probability of Informed Trading，简称PIN)的EKOP模型。该模型认为在满足某些假设条件的交易机制下，根据每个交易日买方发起的订单数量和卖方发起的订单数量，可以直接估计知情交易者提出交易的概率。

在市场微观结构中，EKOP模型考虑了一种简单的序贯结构的交易模型。定义i=1,…,I为I个交易日，t∈[0，T]代表每个交易日内的连续时刻。对于任何一只股票来说，在每个交易日开始前，是否有决定资产价值的新消息产生是由概率α决定的。假设一天至多只有一个新消息产生，如果有新消息，该消息是利空消息的概率为δ，是利好消息的概率为1-δ。在一天内，该股票市场上每笔交易(无论买方发起或卖方发起)的到达服从相互独立的泊松过程。本文认可市场上存在两类交易者，分别是知情交易者和非知情交易者。知情交易者可以提前观察到新消息，而非知情交易者只能观察到价格。假设，非知情交易者提交买卖订单的到达速率均为ε，知情交易者提交买卖订单的到达速率为μ。在没有新信息出现的交易日，知情交易者无利可图，不会参与到市场中，此时只有非知情交易者进行交易，所以这时的买卖交易到达率均为ε。在有消息的交易日里，当知情交易者捕捉到利好消息时，他们会买进；当他们认为是利空消息时，便会卖出。而非知情交易者由于没有消息，他们的买卖订单到达率仍为ε。图1展示了上述模型假设的交易机制。

从而，知情交易概率PIN定义为

式(6)中，αμ+2ε可以理解为全部订单到达速率，αμ为知情交易订单到达速率，因此PIN也可以理解成所有订单中来自知情交易者的订单所占的比率。

对EKOP模型，要得到PIN的估计值，需要每日买卖交易笔数数据，对参数θ=(αδεμ)进行估计。假设B表示某交易日买方发起的交易次数，S为卖方发起的交易次数。利用I个交易日的买卖成交笔数(Bi,Si)I i=1，可以得到下列似然函数：

以往文献主要采用极大似然估计方法得到PIN的估计值，然而在极大化模型(7)求解的过程中会遇到很多问题，例如Easley et al.(2010)[10]、Aktas et al.(2007)[1]都发现，交易越频繁的股票，在进行极大似然估计时越容易遇到计算溢出等问题。Easley et al.(2010)[10]提出了一种改进的对数似然函数，对(8)式取对数后再做重排，(7)式可转化为(9)式：

其中，Mi=[min(Bi, Si)+max(Bi, Si)]/2, x=ε/(ε+μ)。尽管模型(9)的提出可以一定程度上改善PIN估计的计算溢出问题，但是并不能从根本上解决溢出问题，尤其是当股票每天的交易笔数普遍很大时，进行极大似然估计时总是会遇到计算溢出问题。

图1 交易过程树形

因此，本文提出一种新的思路对PIN进行改进。EKOP模型可以采用60天的时间窗口对PIN进行估计，也可以使用21天作为一个月的交易天数对PIN进行估计。实际上，无论天数I如何选择，都是假设在I天之内EKOP模型的各个参数真值固定，特别是每天信息发生的概率α、流动性交易者提交订单的速率ε和知情交易者提交订单的速率μ在一段时间内均保持不变。该假设是否符合真实资本市场的信息传递以及交易情况有待商榷。同时，由EKOP模型得到的PIN值表示在I天内资产存在内幕交易的可能性，如果时间窗口选择较长，PIN估计的准确性和利用价值都会受到影响。此外，其他信息不对称的度量指标(Huang-Stoll价差分解指标、Glosten-Harris长久价格冲击指标和Hasbrouck未预期价格冲击指标)均可以计算日度结果，如果能够同时获取PIN的日度估计，就可以基于同一个维度对上述几个信息指标进行比较和评价。因此，本文提出一种估计日度PIN的方法。根据中国市场每天的交易情况，开盘时间从上午9∶30-11∶30(不考虑集合竞价阶段)，下午1∶00-3∶00，共四个小时。在任何一个交易日，每隔5分钟4记录一次买方发起的订单数bt和卖方发起的订单数st，因而每天可以得到样本容量为48的一组序列(bt, st)48t=1。考虑将每天的(bt, st)48t=1代入模型(9)，得到日度PIN的估计值。在I个交易日内可以得到一组长度为I的动态日度PIN序列。采用划分日内区间并进行PIN估计的原因主要在于：首先，理论上EKOP模型假设买卖订单到达过程是相互独立的Poisson过程，根据Poisson过程所具备的独立平稳增量的性质，划分的时间间隔无论是5分钟(T=1/48)还是一天(T=1)，都不会影响对真实速率ε和μ的估计，同时也不会影响PIN的计算；其次，独立增量的性质使得极大似然估计仍然可行，并且因为时间间隔划分更细之后，每5分钟的(bt,st)较之每日的(Bi,Si)在数量上有了大幅减少，极大似然估计可能出现的计算溢出问题得到解决；最后，每天用48组数据进行计算，样本容量大小合适，与EKOP模型提出的60天时间窗口相差不大。因此，基于上述方法得到的日度PIN估计和日度信息到达和交易过程相关的参数θ估计，不但更加符合真实交易市场的情况(信息传播和交易过程是动态的)，同时也可以拓展PIN在金融实证领域的应用研究。

实证研究与分析

一、数据和变量

本文筛选了截至2017年4月25日中国证监会在其网站发布的行政处罚决定中，涉及内幕交易的全部案例，共137例。其中，选择公告内容明确标注内幕交易敏感期时间段，并且敏感期内的有效交易天数大于5天的案例。同时，对于每个案例，分别选取敏感期前和敏感期后各60个的交易日，和敏感期一起作为样本的数据区间。本文保留数据区间完全落入2010年1月1日～2015年12月31日期间的案列，同时剔除了个别缺少高频交易记录的案例，最终得到46个数据完整的案例。表1汇总了46个内幕交易案例的基本特征，其中24只为深证A股股票，16只为上证A股股票，6只为创业板股票。敏感期长度大部分集中于40日以内的为24个案例，大于等于40日但小于80日的为14个案例，超过80日的有8个案例，其中敏感期最长的为173天，最短是11天。内幕信息类型中，大部分是并购重组信息，共计31例，其中收购失败的案例数为5，作为被收购方的案例数为2，涉及重大资产重组信息的案例有6例；涉及定向增发或非公开发行股票进行融资、投资项目或合资项目的案例为8例；其他类型的信息泄露，如财务报表、利润分配、业绩预亏、项目中标等信息，共计7例。

本文使用的高频交易数据来自于Resset高频数据库，包括每只股票每个交易日每笔交易的成交价格、买一价和卖一价、交易量等分笔交易数据，同时按照Lee and Ready (1991)[24]的算法判定每笔交易的方向，即买方发起、卖方发起或无法判断。

本文的主要变量和信息不对称指标的简单统计如表2所示。按照每个股票案例在相应时间窗口内的日均流通市值对46个案例进行排序分组，记为1、2、3、4组以及总体组。总体来看，日平均买方发起的交易数为565笔，日平均卖方发起的交易数为566笔，而如果按照5分钟时间间隔对交易日进行划分后，5分钟内平均买方发起交易数和卖方发起交易数均仅为12笔。时间加权的日平均相对报价价差为0.2%，日平均交易量为9,813,869股，流通股数的日平均换手率为2.8%。另一方面，随着公司规模的扩大(按市值分组从1组到4组)，日均买卖笔数(无论是全天订单数还是5分钟内订单数)都随之增大，日均交易量迅速增加；时间加权的日均相对报价价差随着公司规模的扩大而下降，而流通股数的日均换手率却呈现出了先降后升的趋势。同时，随着公司规模的扩大，本文采用的4种信息不对称指标(分别简记为H-S、G-H、Hsbrk和日度PIN)在整个事件研究窗口内的平均水平大致呈现逐渐减小的趋势，例如日度PIN从0.221降低到0.204，其横截面平均水平为0.212。这些特征均验证了公司规模越大的股票，内幕交易的相对比例较低，逆向选择成本也偏低的现象[32]。

表1 内幕交易案例特征

二、实验设计

为了横向比较4种信息不对称指标(Huang-Stoll价差分解指标、Glosten-Harris长久价格冲击指标、Hasbrouck未预期价格冲击指标和日度PIN指标)是否能够有效地测度信息风险，本文基于证监会已发布的内幕交易行政处罚案例中当事人在敏感期内确实发生内幕交易的行为，并且在敏感期结束后内幕信息被公开的基础上，比较4种信息不对称指标在内幕交易敏感期前后的变化情况。Aktas et al.(2007)[1]在检验EKOP模型的有效性时，将并购重组案例的事件研究窗口分为公告前第180天-前第66天、公告前第65天-前第6天、公告后第3～63天。他们之所以选择保留公告前长达180个交易日作为研究的时间窗口，是因为他们无法知道公告前内幕交易敏感期究竟有多长，只能根据文献中提及其他市场或案例的实证结果进行借鉴研究，例如Chakravarty and McConnell (1997, 1999)[5][6]讨论雀巢(Nestle)并购卡纳森公司(Carnation)期间著名的伊万•博斯基(Ivan Boesky)非法交易就发生在并购公告日前3个月内。而本文案例均明确地标注内幕消息敏感期，敏感期的时间长度从十几天到上百天不等。保留敏感期前60个交易日作为基准阶段，将进入敏感期和敏感期结束后60个交易日的信息不对称指标水平与基准阶段的信息不对称指标水平作对比，用三个阶段完整展示信息结构的演化过程。此外，赵西亮和邹海峰(2010)[32]认为，采用30个交易日作为事件研究窗口可以更好地捕捉信息结构的变化过程。因此，将敏感期前60个交易日和期后60个交易日再分别进行等分，研究期前第60～31天，期前第30～1天，敏感期内，期后第1～30天，期后第31～60天，共五个阶段信息指标的变化情况。更进一步地，本文比较了敏感期结束前后信息不对称程度的动态变化，以信息公告日(若公告日在停牌期间，则取复牌后第一个交易日)为原点，保留其前后各60个交易日数据，研究信息公开前后的各个指标动态趋势。

表2 主要变量和指标的简单统计

三、实证结果分析

基于本文第2部分和第3部分介绍的4个指标的计算方法，得到46个股票案例在各自的事件研究窗口内的各个指标的日度序列。对每一个案例，根据不同的窗口划分(三阶段或者五阶段)，计算其在相应阶段内的日均信息指标，最后对全部案例做横截面平均，并计算横截面均值的变化率，结果如表3和表4所示。其中括号里的内容表示当前横截面均值相对于前一时段均值的变化率及其显著性检验结果。

表3展示了各个指标在三阶段划分窗口内的横截面均值以及变化情况。Huang-Stoll价差分解指标(简记为H-S指标)是将有效价差和已实现价差的差值作为逆向选择成本的度量。该指标在进入敏感期后有-9.52%的下降，而敏感期结束后反而有7.15%的上升，这与逆向选择成本理论，即内幕信息产生造成逆向选择成本增大，内幕信息消失则逆向选择成本应当减小相悖。Glosten-Harris长久价格冲击指标简记为G-H指标，根据表3的结果，G-H指标在三阶段窗口内经历了两次下降，下降程度分别为-11.13%和-12.82%。类似地，Hasbrouck未预期价格冲击指标(简记为Hsbrk指标)和本文提出的日度知情交易概率PIN均经历了两次下降(分别是-1.06%和-3.03%，以及-1.69%和-5.30%)，但与G-H不同的是，Hsbrk和日度PIN两个指标在敏感期结束后的下降程度(-3.03%和-5.30%)均通过了显著性水平为5%的显著性检验，这符合内幕信息被释放之后，信息不对称程度应该降低的理论假设。

表3 各指标在三阶段事件研究窗口的横截面均值及变化

表4 各指标在五阶段事件研究窗口的横截面均值及变化

为了更细致地刻画信息指标的演化过程，表4展示了各指标在五个阶段的横截面均值和变化过程。H-S指标在敏感期前先经历了一次下降(-2.47%)，进入敏感期后经历了更大程度的下降(-8.36%)，但是敏感期结束后先有了一次较大幅度的上升(15.27%)，之后又大幅度下降(-14.09%)且通过了显著性水平为0.1的显著性检验。G-H指标在进入敏感期前先上升(5.09%)，进入敏感期后下降(-13.24%)，敏感期结束后略有反弹(1.03%)，而进入最后一个阶段有了显著的下降(-27.41%)。Hsbrk指标在进入敏感期前显著下降(-2.72%)，进入敏感期后略有上升(0.33%)，敏感期结束后有了较为显著的下降(-2.35%)，之后持续下降(-1.40%)。最后一个是日度PIN指标，它在进入敏感期前略有上升(1.24%)，而进入敏感期后有所下降(-2.27%)，但与其他指标不同的是，日度PIN指标在敏感期结束后有非常显著的下降趋势(-8.60%，通过了显著性水平0.01的显著性检验)，最后一个阶段又显著回升(7.20%)。

通过分析表3和表4的结果可以发现，指标H-S和G-H的动态变化规律不符合内幕信息从产生到公开的发展过程，主要体现在内幕信息公开后这两个指标都没有出现降低的趋势，而指标Hsbrk和日度PIN出现了不同程度的显著下降。为了更进一步研究信息公开前后指标的动态演化过程，取每个案例的信息公开日为原点，对原点前后的每一个交易日，计算各个指标的股票案例横截面均值，并记为该指标在当日的股票平均值。信息公开日前后各60日的股票平均指标的演化过程，如图2所示。

图2(a)是H-S指标在信息公开前后各60日的动态走势图，在信息公开40日前，H-S指标略有上升趋势，最高可达0.018左右；从信息公开前40日起至前10日，日H-S指标逐步下降，最低点低于0.01；信息公开前10日内，H-S指标走势趋于平稳，大约维持在0.012左右的水平；而信息公开之后，大约在27个交易日内，H-S又再次走高，直到30个交易日后才逐渐趋于平稳。图2(b)是G-H指标的动态序列图，除了在个别交易日(如公开日原点，-5，-25)有波动之外，整体呈现平稳的状态，没有明显的增大或减小趋势，即使是在信息公开之后，G-H指标取值依然稳定。图2(c)是Hsbrk指标的变化情况，大约在-40日前有上升趋势，最高达到0.31，-40日后开始下滑，在公开日前20日趋于平稳。大约稳定在0.27-0.28左右，在公开日当天Hsbrk骤降到最低点0.23，但紧接着在敏感期结束后立刻回升，最高到达0.29，一直到20日之后才逐渐平稳于0.27左右。图2(d)是日度PIN的情况，在信息公开日以前的阶段日度PIN的走势与Hsbrk走势有相似之处，-40日之前上升至最高点0.26，之后下降一段时间，-30开始稳定在0.21左右的水平，而与图2(c)不同的是，日度PIN在信息公开日之后立刻骤降到最低点0.16左右，之后有一段较为缓慢的上升阶段，并且其整体水平明显低于信息公开前的日度PIN值水平，大约在30日后日度PIN的走势也趋于平稳，稳定在0.2左右。

无论是研究指标在不同事件窗口阶段的平均分布还是以信息公开日为原点研究指标动态演变过程，H-S指标和G-H指标的表现都差强人意。理论上，内幕信息被公开之后，交易者的逆向选择成本应当降低，因而刻画该信息成本的指标也应当下降。然而在本文选取的案例中，H-S指标和G-H指标均没有呈现出上述信息发展的变化。

图2 各指标在信息公开日前后的动态变化

通过比较Hsbrk和日度PIN的表现可以看出，二者在内幕信息公开之前，都有过一段先升后降，之后趋于稳定的过程，通过对具体案例的分析认为这是合理的。因为内幕交易不可能临近消息被公开时才发生，知情人在得知内幕信息已形成的第一时间通常就会参与市场，进行隐蔽的内幕交易，而越是临近公开之时，出于避嫌等心理越可能停止交易，耐心等候消息被公开之后的股市涨跌，坐享其成。而对比两个指标在消息公开之后的表现，可以认为日度PIN指标刻画的信息不对称变化过程更符合理论假设。虽然Hsbrk在公开当日有明显下降，但是之后立刻反弹并且恢复到公开前的信息不对称水平，这一点并不合理。而日度PIN在公开之后有明显的跳跃式下降过程，可以说明内幕消息被释放之后市场上的信息不对称程度也立刻被释放，之后的缓慢提高过程可能是由于其他新信息的产生而造成，这些没有被证监会的行政处罚公告记录在案，在此仅提出一种可能的解释。尽管如此，这个缓慢上升的过程也没有达到内幕信息公开前的信息不对称水平，更远远不及内幕信息形成过程中的日度PIN值最高水平，因此采用日度PIN作为信息不对称的指标对市场上的信息传播情况进行度量和解释是相对理想的。

结论与建议

本文运用中国证监会发布的行政处罚公告中在2010～2015年内涉及内幕交易的46个股票案例，对Huang-Stoll价差分解指标、Glosten-Harris长久价格冲击指标、Hasbrouck未预期价格冲击指标和以EKOP模型为基础拓展的日度PIN指标在内幕信息敏感期前中后各阶段，以及内幕信息公开前后的变化进行了比较和分析。实证研究表明，在内幕信息敏感期的H-S指标和G-H指标均低于其在内幕信息敏感期结束后的取值，因此可以认为这两个指标无法准确地反映信息不对称的程度。而Hsbrk和日度PIN指标的变化符合信息不对称理论的假设，在内幕信息被公开后，信息不对称程度随之降低。通过进一步比较Hsbrk和日度PIN可以发现，日度PIN刻画的信息结构变化更加合理，符合市场上信息传播特点，因为日度PIN指标在内幕信息结束后有跳跃式的下降，并且在信息公开后的20日内PIN指标的整体水平远低于信息公开前的PIN值水平，这说明内幕信息被公开的确对市场上信息不对称程度有一个很大程度的释放，而Hsbrk指标并没有表现出上述特征。另一方面，针对本文提出来的拓展的日度PIN估计，在理论上新的模型思路并没有违背EKOP模型的假设，在实际操作中日度PIN估计可以有效地解决EKOP模型极大似然估计存在的计算溢出问题。因此，本文提出的日度PIN指标可以作为衡量信息不对称的理想指标。

日度PIN指标作为市场微观结构模型EKOP的延伸，更加充分地挖掘并利用了高频交易信息，而且技术上解决了极大似然估计可能出现的计算溢出问题。此外，与其他信息指标相比，日度PIN指标能够更加准确地刻画信息扩散过程，说明该指标可以被广泛可信地应用于中国股票市场进行研究。因此，一方面，日度PIN指标可以成为目前监管当局和交易所常用的量价信息、换手率、价差等监测手段之外的有效补充，为内幕交易的预警和甄别提供依据；另一方面，该指标也可以作为有效的信息不对称测度与金融实证领域的重要问题相结合，如资产定价、风险管理等，这也是本文下一步的研究方向。

注释