王黎明，文婉瑤

(1.上海財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與管理學(xué)院，上海 200433;2.上海財(cái)經(jīng)大學(xué)浙江學(xué)院，浙江金華 312013; 3.上海市招商銀行信用卡中心，上海 200120)

1 引言

金融市場(chǎng)的交易是在不等間隔的時(shí)點(diǎn)上發(fā)生的，但是傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)的處理辦法都是建立在相同時(shí)間間隔觀測(cè)的基礎(chǔ)上的.Engle和Rusell(1998)指出，相同時(shí)間間隔的處理方法存在很大問題，由于交易頻率隨時(shí)間變化，交易頻率越高，它包含的信息越多;反之越少.相同時(shí)間間隔的處理辦法導(dǎo)致有許多時(shí)間間隔觀測(cè)并不能提供任何信息.

針對(duì)這一點(diǎn)，金融計(jì)量學(xué)領(lǐng)域已經(jīng)有針對(duì)金融市場(chǎng)實(shí)時(shí)事務(wù)數(shù)據(jù)的研究.這種實(shí)時(shí)事務(wù)數(shù)據(jù)就是記錄每筆交易的金融數(shù)據(jù)，它主要包括兩類變量:一類是交易的到達(dá)時(shí)間;另一類包括交易價(jià)格，交易量以及買賣價(jià)差，通常稱為標(biāo)值(marks)，這種記錄每筆交易的數(shù)據(jù)就是所謂的超高頻數(shù)據(jù)(Ultra high frequency data).

低頻時(shí)間序列是將超高頻時(shí)間序列在間隔相同的時(shí)點(diǎn)上聚合而得到的，這樣做不可避免地丟失了部分信息，尤其是微觀結(jié)構(gòu)方面的信息.一個(gè)典型的例子就是，日內(nèi)數(shù)據(jù)通常都具有“日歷效應(yīng)”，而每日數(shù)據(jù)卻不具有.所以，在低頻時(shí)間序列領(lǐng)域內(nèi)成功地兩類模型—ARCH模型和SV模型都不能用來研究市場(chǎng)微觀結(jié)構(gòu).

超高頻時(shí)間序列一個(gè)突出的特點(diǎn)是不等時(shí)間間隔，所以傳統(tǒng)的ARCH類模型和SV模型都不能直接用來對(duì)超高頻時(shí)間序列建模，所以需要針對(duì)超高頻時(shí)間序列的特點(diǎn)建立特殊的模型，以進(jìn)一步的研究金融市場(chǎng)的微觀結(jié)構(gòu)，幫助我們深刻地理解金融市場(chǎng).

本文主要運(yùn)用金融超高頻資料研究了金融市場(chǎng)微觀結(jié)構(gòu)的特征及價(jià)格形成機(jī)制等問題.我們將以每10分鐘作為一個(gè)時(shí)間間隔，在對(duì)每一個(gè)交易日的行情記錄進(jìn)行分段的基礎(chǔ)上，在每一時(shí)段內(nèi)，構(gòu)造一個(gè)反映流動(dòng)性寬度、深度，以及實(shí)時(shí)性的多維流動(dòng)性指標(biāo)，即其中L1，t代表第t個(gè)交易時(shí)間段內(nèi)平均每單位成交量的有效價(jià)差，它反映了尋找出清價(jià)格的成本，是基于流動(dòng)性深度的寬度指標(biāo).該指針數(shù)值越大，表示交易成本越高，流動(dòng)性越差.L2，t表示第t個(gè)交易時(shí)間段內(nèi)每單位成交量的標(biāo)準(zhǔn)化交易持續(xù)期，反映了尋找出清價(jià)格的時(shí)間，是基于流動(dòng)性深度的實(shí)時(shí)性.該指針數(shù)值越大，表示相同交易量下的交易時(shí)間越長，流動(dòng)性越差.L3，t代表平衡價(jià)格在出清價(jià)格上下振蕩的幅度，是基于流動(dòng)的深度指標(biāo).該指針數(shù)值越大，表示價(jià)格偏離均衡價(jià)格越遠(yuǎn)，流動(dòng)性越差.

我們從流動(dòng)性角度研究了上海股市的微觀結(jié)構(gòu).充分利用我國限價(jià)指令驅(qū)動(dòng)市場(chǎng)分筆數(shù)據(jù)所包含的信息，在交易量持續(xù)期的基礎(chǔ)上，提出一個(gè)符合限價(jià)指令驅(qū)動(dòng)市場(chǎng)特征的流動(dòng)性指針，并從市場(chǎng)微觀結(jié)構(gòu)理論出發(fā)，選取了非對(duì)稱信息的若干代理變量，分析非對(duì)稱信息對(duì)市場(chǎng)流動(dòng)性的影響程度.對(duì)G招行的實(shí)證結(jié)果發(fā)現(xiàn):(1)交易持續(xù)期擁有信息含量，看漲行情會(huì)導(dǎo)致交易強(qiáng)度增大，看跌行情則導(dǎo)致較長的持續(xù)期.這反映了賣空限制的作用和投資者的追漲行為.(2)非對(duì)稱信息是影響流動(dòng)性水平的重要因素，投資者看法差異嚴(yán)重、價(jià)格劇烈波動(dòng)以及長的交易量持續(xù)期導(dǎo)致市場(chǎng)流動(dòng)性降低.

2 研究樣本與數(shù)據(jù)

本文實(shí)證研究所采用的個(gè)股資料是G招行的2006.7.5—2006.8.31共41個(gè)交易日的實(shí)時(shí)交易的數(shù)據(jù)，每筆行情記錄包括證券代碼、日期、交易時(shí)間(精確到秒)、交易價(jià)格、成交數(shù)量、三個(gè)買賣報(bào)價(jià)以及各報(bào)價(jià)上的買賣數(shù)量.上海證券交易所每天上午9:15～9:25是集合競(jìng)價(jià)時(shí)間，上午9:30～11:30和下午13:00～15:00時(shí)連續(xù)競(jìng)價(jià)時(shí)間，研究中剔除集合競(jìng)價(jià)的交易，其它在連續(xù)競(jìng)價(jià)以外的事務(wù)數(shù)據(jù)也要剔除，通過剔除處理后，還剩下65443筆事務(wù)數(shù)據(jù)，然后利用定義式Xi=ti－ti－1對(duì)剩下的數(shù)據(jù)計(jì)算兩筆交易之間的持續(xù)期，持續(xù)期的均值是8.8227，標(biāo)準(zhǔn)偏差為0.02198，最小值是1，最大值是121.計(jì)算持續(xù)期的自相關(guān)系數(shù)和偏相關(guān)系數(shù):前十階自相關(guān)系數(shù)依次為0.134，0.127，0.128，0.121，0.122，0.117，0.123，0.120，0.112，0.117;前十階偏自相關(guān)系數(shù)依次為0.134，0.111，0.101，0.084，0.079，0.069，0.070，0.062，0.050，0.05;從初步的相關(guān)性統(tǒng)計(jì)結(jié)果可以看出，ACD模型很好地解釋了滬市交易持續(xù)期間的相互依賴現(xiàn)象，即交易的持續(xù)期序列存在很強(qiáng)的持續(xù)性和聚類性，即短的持續(xù)期后面也往往跟隨著短的持續(xù)期，長的持續(xù)期后面也往往跟隨著長的持續(xù)期.具體統(tǒng)計(jì)描述結(jié)果見表1:

表1 G招行股樣本交易持續(xù)期的基本描述

從峰度之和偏度值可得出與所有文章一致的結(jié)論，即:持續(xù)期的時(shí)間序列(高頻序列)拒絕服從正態(tài)分布.

3 實(shí)證結(jié)果及分析

為了研究股票價(jià)格及買賣價(jià)差在一天內(nèi)隨時(shí)間變化的規(guī)律，本文將以每10分鐘作為一個(gè)時(shí)間間隔，對(duì)每一個(gè)交易日的行情記錄進(jìn)行分段，這樣每個(gè)交易日總共分為24個(gè)時(shí)段.

我們將以每10分鐘作為一個(gè)時(shí)間間隔，在對(duì)每一個(gè)交易日的行情記錄進(jìn)行分段的基礎(chǔ)上，構(gòu)造每一時(shí)段內(nèi)反映流動(dòng)性寬度、深度及實(shí)時(shí)性的多維流動(dòng)性指標(biāo).即

Volumei，t和，分別表示第t個(gè)交易時(shí)間段內(nèi)第i筆事務(wù)歷史記錄的成交量與均衡價(jià)格，由三個(gè)買賣價(jià)格的委托量加權(quán)平均計(jì)算而得表示第t個(gè)交易時(shí)間段內(nèi)第i筆事務(wù)歷史記錄買三價(jià)與賣三價(jià)之間的有效價(jià)差，反映了指令匹配所付出的成本.由于不同交易量所包含的信息非對(duì)稱程度并不相同，交易量與信息非對(duì)稱程度正相關(guān).為了標(biāo)準(zhǔn)化有效價(jià)差，將有效價(jià)差除以交易量表示每單位成交量的有效價(jià)差，來反映逆向選擇成本.它克服了買賣價(jià)差不能反映指令在買賣價(jià)差之外和之內(nèi)成交的情況(即高估和低估實(shí)際成本).

綜合上述，L1，t代表第t個(gè)交易時(shí)間段內(nèi)平均每單位成交量的有效價(jià)差，反映了尋找出清價(jià)格的成本，是基于流動(dòng)性深度的寬度指標(biāo).該指針數(shù)值越大，表示交易成本越高，流動(dòng)性越差.L2，t表示第t個(gè)交易時(shí)間段內(nèi)每單位成交量的標(biāo)準(zhǔn)化交易持續(xù)期，反映了尋找出清價(jià)格的時(shí)間，是基于流動(dòng)性深度的實(shí)時(shí)性.該指針數(shù)值越大，表示相同交易量下的交易時(shí)間越長，流動(dòng)性越差.L3，t代表平衡價(jià)格在出清價(jià)格上下振蕩的幅度，是基于流動(dòng)的深度指標(biāo).該指針數(shù)值越大，表示價(jià)格偏離均衡價(jià)格越遠(yuǎn)，流動(dòng)性越差.

我們給出Liquidityt=f(L1，t，L2，t，L3，t)=L1，t+L2，t+L3，t對(duì)應(yīng)于第t個(gè)交易時(shí)間段內(nèi)的流動(dòng)性指標(biāo)，數(shù)值越大，流動(dòng)性越差.

分別計(jì)算出每一時(shí)段內(nèi)股票的流動(dòng)性指標(biāo)L1，t，L2，t和L3，t，從而得到多維流動(dòng)性指標(biāo)Liquidityt= f(L1，t，L2，t，L3，t)=L1，t+L2，t+L3，t，分別將樣本股票的平均多維流動(dòng)性指針再進(jìn)行平均，得到市場(chǎng)在這一時(shí)段的流動(dòng)性值.為此，我們作出如下研究:

3.1 流動(dòng)性指標(biāo)－Liquidity的描述性統(tǒng)計(jì)

統(tǒng)計(jì)結(jié)果見表2:

表2 流動(dòng)性指標(biāo)的統(tǒng)計(jì)描述

3.2 ACD模型系數(shù)估計(jì)

本文采用Nelson－Type的Log－ACD模型，對(duì)交易持續(xù)期建模，并假定εi服從Weibull分布，在模型設(shè)定中引入一組反映看漲看跌的外生變量，來考察市場(chǎng)看漲或看跌時(shí)，凈交易量對(duì)交易持續(xù)期影響的非對(duì)稱性程度，從而進(jìn)一步反映對(duì)交易強(qiáng)度的影響.

以最優(yōu)買一價(jià)成交的主動(dòng)性賣盤成為內(nèi)盤，以最優(yōu)賣一價(jià)成交的主動(dòng)性買盤為外盤.一般而言，當(dāng)外盤大于內(nèi)盤時(shí)，股價(jià)看漲，反之則看跌.xt表示買賣交易指示變量.如果交易是買方發(fā)起的，則xt=1;如果交易是賣方發(fā)起的，則xt=－1.將看漲虛擬變數(shù)記為Iout，看跌虛擬變數(shù)記為Iin，Iin=1－Iout.

定義第i筆交易的交易量為Volumei，它反映了市場(chǎng)吸收訂單的能力和活躍程度，也反映了投資者對(duì)市場(chǎng)未來走勢(shì)看法的一致程度.volout=xt×Iout×Volumei和volin=xt×Iin×Volumei分別表示看漲和看跌的交易量.

模型設(shè)定的形式為:

對(duì)于消除“日立效應(yīng)”的持續(xù)期xi=Xi/f1(ti)，就可以建立ACD(1，1)模型.采用極大使然估計(jì)法得到模型的參數(shù)估計(jì)值，通過反復(fù)試驗(yàn)發(fā)現(xiàn)，同GARCH(1，1)模型一樣，ACD(1，1)也可以很好地?cái)M合原始數(shù)據(jù).表3是G招行Log－ACD(1，1)模型的參數(shù)估計(jì)值.

表3 Log－ACD(1，1)模型的參數(shù)估計(jì)結(jié)果

由表3可以發(fā)現(xiàn)，δ1=0.102352顯示G招行看跌時(shí)，凈交易量會(huì)導(dǎo)致預(yù)期交易持續(xù)期延長，交易強(qiáng)度降低.基于利空消息的交易會(huì)導(dǎo)致較長的交易持續(xù)期，反映了我國證券市場(chǎng)存在賣空機(jī)制的情況下，即便預(yù)知利空消息的知情交易者也無法通過賣空來獲利，導(dǎo)致對(duì)后市的看跌可能會(huì)導(dǎo)致交易持續(xù)期的延長，表現(xiàn)為市場(chǎng)上投資者追逐利好消息的行為方式δ2=－0.136594，當(dāng)G招行看漲時(shí)，凈交易量對(duì)預(yù)期交易持續(xù)期影響皆為負(fù)值，意味著當(dāng)市場(chǎng)看漲時(shí)，非知情交易者通過對(duì)市場(chǎng)的判斷，學(xué)習(xí)知情交易者的策略，交易更加頻繁，從而與其交易持續(xù)期縮短，因此G招行基于利好消息的交易會(huì)是交易強(qiáng)度增大.

Easley和O’Haha(1992)認(rèn)為，信息交易不一定總發(fā)生，只有在信息事件發(fā)生的交易日，知情者才會(huì)交易.無論利好消息還是利空消息，都會(huì)導(dǎo)致交易強(qiáng)度的增大.由于我國證券市場(chǎng)賣空條件的限制，G招行的預(yù)期交易持續(xù)期僅在看漲時(shí)的表現(xiàn)支持Easley和O’Haha(1992)的結(jié)論.而看跌時(shí)交易強(qiáng)度減弱，該結(jié)論支持Diamond和Verrecchia(1987)的假說:利空消息會(huì)導(dǎo)致較長的持續(xù)期.

估計(jì)出Log－ACD(1，1)模型后，通過預(yù)測(cè)就可以得出持續(xù)期xi的期望值Ψi=E(xi|Ii－1)，然后可以建立UHF－GARCH模型.

4 結(jié)束語

對(duì)于股票流動(dòng)性的研究日漸成為金融學(xué)研究的一個(gè)新的研究點(diǎn)，其中對(duì)于其度量方法的研究又具有基礎(chǔ)性的作用.國外對(duì)于股票流動(dòng)性的度量方法已經(jīng)形成一個(gè)非常成熟的體系，國內(nèi)對(duì)其的重視程度也逐漸加深.但是由于作為股票流動(dòng)性度量方法理論的金融市場(chǎng)微觀結(jié)構(gòu)理論具有一定的缺陷，且國內(nèi)外股票市場(chǎng)的交易機(jī)制存在很大的不同，所以在定義股票流動(dòng)性指標(biāo)來度量滬市股票市場(chǎng)時(shí)，在借鑒國外學(xué)者所建立的方法基礎(chǔ)上，構(gòu)造出適合我國市場(chǎng)制度的流動(dòng)性度量方法.本文采用LOG－ACD模型，并在模型中引入用于說明杠桿效應(yīng)的買方發(fā)起交易量和賣方發(fā)起交易量，望全面揭示、解釋市場(chǎng)微觀結(jié)構(gòu).選取G招行的2006.7.5～2006.8.31期間的事務(wù)數(shù)據(jù)作為研究樣本，對(duì)我國滬市市場(chǎng)的流動(dòng)性進(jìn)行了檢驗(yàn)和度量.

［1］Admati AR，P Pfleiderer.A theory of intraday patterns:volume and price variability［J］.The Review of Financial Studies，1988，1(1): 3－40.

［2］Easley D.，M.O＇Hara.Time and the process of security price adjustment［J］.Journal of Finance，1992(47):905－927.

［3］Engle R.F.Autoregressive conditional heteroskedasticity with estimate of the variance of U.K.inflation［J］.Econometrica，1982(50): 987－1008.

［4］Engle R F，JRussell.Autoregressive conditional duration:A new model for irreqularly spaced transaction data［J］.Econometrica，1998，66(5):1127－1162.

［5］Engle R.F.，Russell J.R.Autoregressive conditional duration:A new model for irreglarly spaced transaction data［J］.Econometrica，1998，66(2):1127－1162.

［6］Engle R.F.The econometrics of ultra－h(huán)igh frequency data［J］.Econometrica，2000(68):1－22.

［7］Engle R.，Lange J.Predicting VNET:A model of the dynamics ofmarket depth［J］.Journal of Financial Markets，2001(4):113－142.

［8］Madhavan A.，M.Richardson，M.Roomans.Why do security prices change?A transaction level analysis of NYSE stocks［J］.Review of Financial Studies，1997(10)，1035－1064.

［9］郭興義，杜本峰，何龍燦.(超)高頻資料分析與建模［J］.統(tǒng)計(jì)研究，2002(11):28－31.

［10］常寧，徐國祥.金融高頻資料分析的現(xiàn)狀與問題研究［J］.財(cái)經(jīng)研究，2004(3):31－39.

［11］徐國正，張世英.高頻金融序列分析研究:回顧與展望［J］.西北農(nóng)林科技大學(xué)(社會(huì)科學(xué)版)，2005(1):62－67.

［12］曾勇，王志剛，李平.基于高頻數(shù)據(jù)的金融市場(chǎng)微觀結(jié)構(gòu)實(shí)證研究綜述［J］.系統(tǒng)工程，2005，23(1):22－28.