萬　諜,王軍波,楊曉光

(1.浙江工商大學金融學院,浙江杭州310018; 2.香港城市大學經(jīng)濟金融系,中國香港999077; 3.中國科學院數(shù)學與系統(tǒng)科學研究院,北京100190)

中國股市暴漲暴跌前有跡象嗎

萬諜1,王軍波2,楊曉光3

(1.浙江工商大學金融學院,浙江杭州310018; 2.香港城市大學經(jīng)濟金融系,中國香港999077; 3.中國科學院數(shù)學與系統(tǒng)科學研究院,北京100190)

基于深證300價格指數(shù)中數(shù)據(jù)最全的220支股票的分筆交易數(shù)據(jù),分析股票暴漲暴跌之前1天的股價和流動性狀況,以探討大幅價格變動與之前交易過程的關系.對暴漲暴跌之前1天的日內(nèi)分析表明,暴漲暴跌前1天的收益和流動性與未發(fā)生暴漲暴跌時顯著不同,這意味著中國市場存在提前的信息泄露和內(nèi)幕交易行為.回歸結(jié)果表明因信息泄漏而發(fā)生異常變動的價格和流動性指標與次日股價暴漲暴跌的概率有顯著的關聯(lián)性.

高頻交易數(shù)據(jù);大幅價格變化;信息交易

1　引　言

資產(chǎn)價格偶爾會發(fā)生劇烈的價格變動.資產(chǎn)價格的劇烈變化對于大多數(shù)投資者而言是很大的風險,為此,研究者對市場中的極端價格變化進行了大量的研究.研究主要集中于劇烈價格變動的成因及其對市場的影響.普遍接受的說法是,出乎意料的消息發(fā)布引致了劇烈的價格變動[1,2].投資者會對意料之外的消息過度反應,從而引發(fā)股票暴漲或者暴跌.針對于這些暴漲暴跌,研究者還發(fā)現(xiàn)其之后的價格走勢呈現(xiàn)某些固定的趨勢:市場未來的交易會修正前的過度反應,引發(fā)反轉(zhuǎn)效應[3].更多的研究集中于討論這些極端價格變動和未來反轉(zhuǎn)效應之間的關聯(lián)性[4,5].但直接討論這些暴漲暴跌與之前交易過程的關聯(lián)性的研究相對較少.文獻[6]從指令簿的買賣指令變動中發(fā)現(xiàn),大幅價格波動是由指令簿上的流動性變化引起.他們進一步還發(fā)現(xiàn),流動性情況較差,交易不夠活躍的股票更容易發(fā)生大幅價格變化.不同于文獻[6]的關注于日內(nèi)的微觀市場結(jié)構(gòu)與日內(nèi)大幅價格變動的關系,本文著眼于分析短期內(nèi)何種市場環(huán)境容易導致大幅價格變動,并研究交易過程中的哪些流動性信息與未來的暴漲暴跌有較強的相關性.假設消息的到來是毫無征兆的,絕對出人意料,那么暴漲暴跌之前的市場應該與沒有暴漲暴跌時無顯著差別.但是如果信息有提前的泄露,比如存在內(nèi)幕交易者,那么他們的交易活動可能會反應在暴漲暴跌發(fā)生之前一段時期的日內(nèi)交易過程中.本文將對這些信息的提前泄露過程進行捕捉,并試圖從中分析出未來價格變動與之前交易過程的關聯(lián)性.另外,研究暴漲暴跌與交易過程的關聯(lián)性,可以對其形成過程有更好的認識.出人意料的消息發(fā)布確實會引發(fā)市場大幅變化,但真實的信息作用于市場的過程是否是從消息發(fā)布時才開始的,還是在之前的交易活動中有所體現(xiàn)?如果有,提前的信息泄露是如何反應在市場中,換句話說,信息交易者會采取什么樣的策略來進行交易呢?具體地,本文并不關注暴漲暴跌發(fā)生那天及其之后的市場變化,而試圖從劇烈價格變動之前1個交易日的分筆交易情況來檢測是否有先兆指示著大幅漲跌的發(fā)生.本文用于推斷大幅漲跌的變量是用日內(nèi)交易數(shù)據(jù)構(gòu)建的流動性指標,包括收益率,交易量,成交筆數(shù),每筆成交量,內(nèi)外盤差,委比以及買賣價差.如果信息交易者按照私有信息推斷出未來的暴漲暴跌并據(jù)此進行提前交易(或者說內(nèi)幕交易),那么他們的交易必將反映在指令簿和行情數(shù)據(jù)上.如果這些交易行為代表著未來價格變動的幅度或者方向,也就是說,這類交易反映著與暴漲暴跌相關聯(lián)的信息,那么反映其交易行為的流動性指標應該與這些大幅價格變動有顯著的相關性.

本文將相對于昨日收盤價漲跌超過9%的價格變動事件作為主要研究目標1關于暴漲暴跌的定義,漲跌停板可以算作是暴漲暴跌的典型代表.但是,僅僅把漲跌停板作為暴漲暴跌,筆者認為是有失偏頗的.漲跌停板在沒有限制的情況下到底能漲跌到多少是不可知的,而那些漲跌幅很高但未達到停板標準的交易就被忽略了.考慮到我國股市漲跌停板的標準是10%,因此本文采取9%作為暴漲暴跌的定義.為了證明這樣定義的合理性,文中對其他的閾值水平也進行了實證分析,得到了穩(wěn)定的研究結(jié)果..因此,本文研究的大幅價格變動中很大一部分是漲跌停板的交易日樣本.中國A股市場的漲跌停板制度指的是股票成交價格相比昨日收盤價的變動不得超過10%.國內(nèi)外對于漲跌停板制度研究有很多,大多數(shù)集中于研究漲跌停板制度對股市的影響.這類研究的主要結(jié)論包括波動率外溢效應,延遲價格發(fā)現(xiàn)效應,阻礙交易效應以及磁吸效應和冷卻效應等[7,8].區(qū)別于這類研究,本文著眼于考察日內(nèi)的流動性指標與漲跌停板或者接近漲跌停板的大幅價格變動的發(fā)生是否有顯著的相關性.另外,關于信息與大幅漲跌的關系,文獻[9,10]都研究了股票漲跌停板對于信息擴散的影響程度.他們的研究關注于漲跌停板是否會減少信息不對稱效應.而本文是要從交易過程來探討信息不對稱在暴漲暴跌之前是否存在,如果存在,其對于大型漲跌的發(fā)生是否有顯著的影響.因此,本研究的興趣在于發(fā)生大幅價格變化之前是否存在提前的信息泄露,這類信息不對稱是否能通過指令簿變動反映出來以指導投資者進行風險管理和策略運作.

本文首先將相對于昨日收盤價漲跌超過9%作為事件,以其之前1個交易日的日內(nèi)交易狀況作為窗口進行事件分析.事件分析的結(jié)果顯示,暴漲暴跌之前指令簿上確實存在異常的流動性變動.暴漲暴跌發(fā)生前一個交易日內(nèi),收益率及各類流動性指標都表現(xiàn)出與平常顯著的差異性.特別的,暴漲之前1個交易日內(nèi),每筆成交量和報價價差在各個日內(nèi)時間點上都會特別的大,而暴跌之前每筆成交量都異常的小,且除收盤前一段時間外,報價價差也異常小.事件分析的結(jié)果表明,暴漲暴跌前確實有提前的信息泄露或內(nèi)幕交易.實證分析的第二部分是對日度數(shù)據(jù)序列的回歸分析.主要方法是以日度的收益和流動性指標為自變量,對次日是否會發(fā)生暴漲或暴跌等大幅價格變動進行預測.有序Probit回歸的結(jié)果表明,每日的收益和流動性情況與次日發(fā)生暴漲暴跌的概率顯著相關.成交筆數(shù),每筆成交量,內(nèi)外盤差和報價價差越大,收益和委比越小,未來一天發(fā)生暴漲的可能性越大.事件分析和回歸分析的結(jié)果都表明在大幅價格變動之前信息有很大的可能性被提前泄露,并且信息泄露導致的市場流動性變動與未來的暴漲暴跌有顯著的關聯(lián)性.

本文的研究與流動性風險溢價以及流動性對未來收益的可預測性等研究有關聯(lián).文獻[11,12]等都發(fā)現(xiàn)流動性不足的資產(chǎn)由于交易成本上升,其期望收益會上升以補償流動性風險.文獻[13,14]也從月度,年度的數(shù)據(jù)頻度中找出實證證據(jù)說明流動性指標對于未來收益有顯著預測能力2關于流動性風險溢價以及流動性指標對未來收益的預測能力的研究文獻,文獻[14]的引言中有較詳細的回顧.針對中國市場,國內(nèi)也有很多類似的研究[15-19]..相對于在低頻數(shù)據(jù)中研究流動性對于未來收益的可預測性,本研究關注于高頻(日內(nèi)或者隔日)數(shù)據(jù)中,流動性指標是否會因為未來的暴漲暴跌而出現(xiàn)明顯異動,并且這些異動與未來暴漲暴跌是否有穩(wěn)定的統(tǒng)計關系.因此,本文關注的數(shù)據(jù)頻度更高,并且主要關注點是極端價格變動而不是連續(xù)某個時期的價格變動.在高頻度區(qū)間,流動性風險可能無法馬上獲得補償,本文的研究結(jié)果顯示流動性的動量趨勢更能主導短期內(nèi)的價格變動,出現(xiàn)大幅價格變動的日期前,往往伴隨著巨額的成交,也就是說,短期來看,流動性越充足,未來收益越有可能發(fā)生大幅上升.

本文要從日內(nèi)流動性指標的異動中推測信息不對稱的存在性,這與流動性風險和信息不對稱關系的研究有一些關聯(lián).文獻[20]指出,流動性指標的變動往往伴隨著私有的信息.而文獻[21]進一步指出,動量的收益率中很大一部分可以用來補償未預料到的信息交易者的比例(或者說信息交易者掌握的信息質(zhì)量)的變動.文獻[22]也發(fā)現(xiàn),在消息(如利潤報表)的發(fā)布之前,有效價差迅速上升,也就是說信息不對稱顯著增加,但同時還伴隨有巨大的交易量.這些發(fā)現(xiàn)可以與本文的事件分析相互印證.如果私有信息掌握者在正式的消息發(fā)布前就進入市場布局,就有理由懷疑內(nèi)幕交易的存在,并且可以從日內(nèi)觀察中找出信息交易者消化私有信息所采取的主要方式.同時,作為信息交易者行為的代理變量,流動性指標應該與私有信息的重大程度有關聯(lián),從而與未來正式消息發(fā)布所造成的市場影響顯著相關.

2　事件分析

2.1數(shù)據(jù)和描述性統(tǒng)計

本文所使用的數(shù)據(jù)是由深圳天軟技術(shù)有限公司提供.天軟數(shù)據(jù)庫包括了國內(nèi)上市股票從2003年以來的分筆交易數(shù)據(jù).本文提取了深圳300價格指數(shù)成份股2006年1月至2011年12月的Level-2行情數(shù)據(jù)3本文中深圳300價格指數(shù)成份股以2011年為準..由于深圳300價格指數(shù)成份股有一些是2006年之后才上市的,并且有一些股票在2006—2011期間有超過一個月以上的停牌,刪去2006年之后才上市的股票以及停牌時間(或者數(shù)據(jù)缺失)超過一個月的股票,最終選出了數(shù)據(jù)最全的220支股票作為分析樣本.因為Level-2行情數(shù)據(jù)中,只有深市的股票正確地記錄了成交筆數(shù),而本文需要使用成交筆數(shù)構(gòu)建流動性指標,故而只選擇深市的指數(shù)成份股.

現(xiàn)在應用Level-2行情數(shù)據(jù)構(gòu)建5 min指標序列.深圳交易所的Level-2行情數(shù)據(jù)是每3 s刷新一次,如果有新的報價或者成交,則記錄當前最近的成交價和距離上一次記錄的累計成交量和成交筆數(shù),同時提供買1至買5,賣1至賣5的10檔報價,并給出買賣方向.將第t個交易日分為48個5 min區(qū)間,令pt,0表示第t天的開盤價,pt,i表示第t天第i個5 min區(qū)間的最后一個報價,i=1,2,...,48.同時,令rt,i表示第t天第i個5min區(qū)間的收益率,kt,i表示第t天第i個5min區(qū)間的成交筆數(shù),ut,i表示第t天第i個5min區(qū)間的交易量,st,i表示第t天第i個5min區(qū)間的每筆成交量,OIt,i表示第t天第i個5min區(qū)間的內(nèi)外盤差(主動買成交量和主動賣成交量的差),DIt,i表示第t天第i個5min區(qū)間的委比(買1和賣1等待成交量的差),則可以通過Level-2行情數(shù)據(jù)計算以上指標

其中Nt,i表示Level-2行情在第t天第i個區(qū)間的記錄個數(shù).uj和kj分別代表這個區(qū)間內(nèi)第j次記錄的成交量和成交筆數(shù).和分別表示第j條記錄上的買1價和賣1價上等待成交的量(深度).{Sign=1,-1}分別表示主動買成交和主動賣成交.

除了引入以上交易量和深度的流動性指標外,基于Level-2的數(shù)據(jù)特性,本文還構(gòu)造了可以更好刻畫交易成本的買賣價差指標.根據(jù)文獻[23]的方法,可以將買賣價差分為報價價差和有效價差兩類,分別按照買1和賣1的報價差別和成交價格與兩個第1檔報價的差別來定義.對于每一條記錄,都可以定義報價價差(QSj)和有效價差(ESj)

其中pj是第j次記錄的成交價,和是相應的第一檔賣價和買價.如果成交價為0,說明沒有成交,則舍棄這條記錄.將每一條記錄的報價價差和有效價差按交易量加權(quán)平均后,則可得到該5min區(qū)間的報價價差(QSt,i)和有效價差(ESt,i)為

鑒于本文將研究所有的股票的共性,為了使不同股票間的流動性指標可以比較,擬采用如下的標準化方法對于交易量,每筆成交量,成交筆數(shù),除以其之前60天每日同一時刻的中位數(shù)并減去14,即

而對于內(nèi)外盤差和委比及價差指標,其本來已經(jīng)是比例數(shù),可以直接減去之前60天每日同一時刻的中位數(shù).

其中?vt,i是標準化之后的變量.

到此,每5min的收益率,交易量,每筆成交量,成交筆數(shù),內(nèi)外盤差,委比,報價價差和有效價差等指標都已經(jīng)構(gòu)建并被標準化.為了防止后來出現(xiàn)各類多重共線性,本文并沒有再額外加入分買賣方向的各類指標或者更多的深度指標,而且選出的指標已經(jīng)足夠反映日內(nèi)信息的變化.5min序列的流動性指標的描述性統(tǒng)計分析在表1中報告.

表1是收益率,交易量,成交筆數(shù),每筆成交量,內(nèi)外盤差,委比,報價價差以及有效價差的5min序列的描述性統(tǒng)計.從2006—2011,全樣本共發(fā)生2 463次暴漲事件,2 273次暴跌事件(連續(xù)暴漲和連續(xù)暴跌各只計1次),每支股票每年平均暴漲1.86次,暴跌1.72次.三類樣本中與量有關的流動性指標(交易量,成交筆數(shù),每筆成交量)的均值都大于中位數(shù),顯示出分布右偏的特征,表明中國股市容易出現(xiàn)短時間內(nèi)有大額成交的情形.對于價差指標,報價價差指標的均值和中位數(shù)在暴漲前特別大,而暴跌前特別的小,但有效價差的均值和中位數(shù)在發(fā)生大幅價格變動前都較大.從均值和中位數(shù)來看,暴漲前1天的交易量,每筆成交量,成交筆數(shù)和報價價差都要大于其他兩類樣本.這表明暴漲之前往往會有非常活躍的交易,以及活躍交易持續(xù)沖刷指令簿而造成的較大的交易成本.而最后的檢驗結(jié)果表明,無論從哪個指標來看,三類樣本都是有明顯的區(qū)別(Kruskal-Wallis檢驗P值都是0,都拒絕了三類樣本無差異的原假設),表明暴漲暴跌前1個交易日與一般情形之間的差異明顯.兩兩對比的結(jié)果也證實,暴漲前1天,暴跌前1天以及前后10天無漲跌的樣本兩兩之間也是差異明顯:除了暴漲前和暴跌前的收益無顯著區(qū)別外(但都與前后10天無漲跌的收益差異明顯),其他的指標在任何兩類樣本間都有顯著的差別.從描述性統(tǒng)計以及Kruskal-Wallis檢驗的結(jié)果已經(jīng)證明,暴漲暴跌前1天的樣本不僅顯著的不同于平時,并且這兩類樣本之間也是差異明顯,也就是說,暴漲暴跌前1天的收益率和流動性指標的異動已經(jīng)顯示出暴漲或暴跌即將到來的先兆.

表1　暴漲暴跌前1天5min序列的描述性統(tǒng)計量Table 1　Summary Statistics of 5 min series in the day before large price changes

2.2事件分析法的結(jié)果

事件分析最早用于分析類似宏觀消息發(fā)布的事件對市場的影響[24,25].國內(nèi)外也有很多研究者使用事件分析法來研究漲跌停板制度對市場的影響[8,26].本文采用事件分析法來研究暴漲暴跌之前1個交易日的日內(nèi)流動性狀況.事件分析的步驟是:首先,將所有收益率超過9%的交易日作為暴漲事件,收益率低于-9%的交易日作為暴跌事件,將事件之前1個交易日作為事件窗口,計算事件窗口內(nèi)所有的5min序列(收益率和流動性指標)5對于日內(nèi)觀察而言,5min區(qū)間已經(jīng)足夠細致,日內(nèi)的流動性變化特征在此頻率下可以被良好的分辨出來。另外,如果采用更高頻的數(shù)據(jù)樣本(如2min數(shù)據(jù)),則需要考慮到微觀市場噪聲的干擾,不利于觀測到準確的日內(nèi)變動.文獻[27]也指出,5min數(shù)據(jù)能夠較好的平衡微觀噪聲和樣本長度.因此,文中并沒有給出更高頻的區(qū)間結(jié)果作為穩(wěn)健性分析.并且,對于深圳交易所而言,最后3min(14:57～ 15:00)是收盤集合競價,只有1個成交價(收盤價)和1次成交,最后5min區(qū)間是將14:55～ 14:57的2min和最后1筆集合競價的成交結(jié)合起來組合而成的最后5min交易.如果采用更高頻率的區(qū)間(如2min區(qū)間),則需要舍棄最后的集合競價過程,這樣是有信息損失的.;其次,將所有5min序列標準化(收益率除外),并將指標按照暴漲事件和暴跌事件分別組成序列.因為事件窗口內(nèi)有48個5min區(qū)間,所以每個指標就有48個序列,其中每個序列在暴漲事件時有2 463個觀測,暴跌事件時有2 273個觀測;最后,將事件窗口中每個區(qū)間的指標序列與前后10天內(nèi)沒有發(fā)生大幅漲跌交易日的5min序列進行Mann-Whitney檢驗.檢驗的原假設是事件發(fā)生時該指標跟沒發(fā)生事件時無明顯差別.如果拒絕原假設,則認為有差別,并記錄檢驗的P值.

圖1是對收益率和交易量的事件分析結(jié)果.

圖1　股價大幅漲跌前1日的收益率和交易量Fig.1 Return(r)and volume(s)in the day before stock prices sharp rise and fall.

從圖1的結(jié)果來看,暴漲前1天和暴跌前1天的收益率的變化情況并沒有明顯區(qū)別,中位數(shù)曲線顯示出在大幅價格變化之前,日內(nèi)的成交價格都存在劇烈的波動.但從早盤區(qū)間(最初30 min)大致可以看出信息的方向.暴漲前1天開盤30 min收益率大都顯著大于平時,而暴跌前1天開盤30 min收益率大都異乎尋常的小,顯示早盤區(qū)間已經(jīng)有提前的信息泄露,使得信息交易者提前得到這些信息進行交易.他們的交易在早盤區(qū)間引起了價格往上拉升或往下滑落,一定程度上跟未來1天的走勢相同.但之后的交易并沒有保持這類價格走勢.可能的原因是信息交易者已經(jīng)完成交易或者信息交易者開始采取更聰明的交易策略以保護內(nèi)幕信息.從交易量來看,無論暴漲還是暴跌,伴隨著劇烈的價格波動,交易量始終比一般情形顯著的大.總的來說,暴漲前1天的5min交易量序列值比暴跌前1天的要大,這與之前的描述性分析類似.暴漲前價格更可能已經(jīng)處于上升走勢,由此已經(jīng)吸引了活躍的交易,而暴跌前的市場狀況雖然無法吸引更多的人參與交易,但在暴跌來臨前仍有人在不斷尋求獲利或者出逃的機會,因此相比無明確信息的階段,交易仍比較活躍.從對收益率和交易量的事件分析可以看出,大幅漲跌并不是毫無預兆.暴漲或暴跌的發(fā)生已經(jīng)在其之前1個交易日顯著不同于平時的日內(nèi)交易狀況中反映出來.

圖2是對成交筆數(shù)和每筆成交量的事件分析.文獻[28]指出相較于交易量,成交筆數(shù)是更主要的波動率決定因素.因此本文將交易量分為成交筆數(shù)和每筆成交量,并分析大幅漲跌前1天它們的日內(nèi)變化.圖2的結(jié)果顯示,成交筆數(shù)的日內(nèi)變化情況與交易量幾乎完全相同,這與文獻[23]對價格跳躍事件的分析結(jié)果相同:成交筆數(shù)變動是交易量變化的主要決定因素.暴漲和暴跌之前的每筆成交量變化情況完全不同.圖2中,暴漲前1天每個5min交易區(qū)間每筆成交量都異乎尋常的大,而暴跌前1日內(nèi)所有5min區(qū)間的每筆成交量都異乎尋常的小.可能的原因是,暴漲前股價大都處于上升狀態(tài),此時的股票成交比較活躍,每筆成交量比較大.更可能的解釋源于信息交易者的交易策略.暴漲前1日,信息交易者迫不及待地買入頭寸以獲取次日的大額收益,他們不太在意大額成交帶來的股價上漲,而暴跌前信息交易者是從市場中逃離,小額的成交量容易保證價格不提前發(fā)生大幅跳水,使得他們在信息披露之前盡量地以較小損失逃離.總之,大幅上漲或下跌之前的成交筆數(shù)都異常的大,但每筆成交量的大小與未來的價格走勢正向關系明顯,因此次日暴漲暴跌可以從當日的日內(nèi)交易狀況進行推測.

圖2　股價大幅漲跌前1日的成交筆數(shù)(k)和每筆成交量(sav)Fig.2 Number of trades(k)and average trade size(sav)in the day before stock prices sharp rise and fall.

圖3是對內(nèi)外盤差和委比進行的事件分析.內(nèi)外盤差反映的是多空雙方的力量對比,如果其顯著的大于0則表示主動買成交量更大,多方更加主動,反之則是主動賣成交的居多,空方更加有力.委比顯示的是買賣兩個方向的流動性狀況對比.

圖3　股價大幅漲跌前1日的內(nèi)外盤差(OI)和委比(DI)Fig.3 Order imbalance(OI)and depth imbalance(DI)in the day before stock prices sharp rise and fall.

理論上,根據(jù)文獻[29]的結(jié)果,當價格處于上升狀態(tài),主動買成交的量比較大,在賣方的限價指令更容易成交,此時賣方深度會更大,委比會大于0;反之,當價格處于下降狀態(tài),主動賣成交居多,買方的指令更容易成交,更多人選擇在買方掛單提供流動性,使得委比小于0.從內(nèi)外盤差的日內(nèi)變化來看,暴漲前1天內(nèi)外盤差都是異乎尋常的大,但暴跌前1天會出現(xiàn)內(nèi)外盤差異常小的情況.說明暴漲前信息交易者的主動買入以及其他人的跟風買入都比較主動,導致主動買成交量一直比較高;而暴跌前,信息交易者會采取逐步低價掛單的方式緩慢逃離市場,這些低價掛單會吸引不知情交易者主動買進,因此會出現(xiàn)較長時間的內(nèi)外盤差異常大的情況,但在收盤前1個小時內(nèi)仍然出現(xiàn)了內(nèi)外盤差特別小的區(qū)間,可能的原因是信息交易者改為使用主動賣單加速出貨.而從委比上看,無論是暴漲還是暴跌前1天,委比都異常的大,顯示賣方掛單的量始終大于買方.暴漲前委比較大的原因可以通過文獻[29]的結(jié)果解釋,由于主動買成交量很大,使得賣方的掛單成交更加容易,吸引(不知情的)流動性提供者在賣方增加掛單,從而導致賣方深度更大;而暴跌前委比也較大的原因就無法用文獻[29]的結(jié)果來解釋.可能原因是在中國股市中,買方力量不足或者價格已經(jīng)開始下跌的股票無法引起投資者的注意,很難吸引投資者在更容易成交的買方掛單,使得沒有更多的買單掛入.也可能是新掛入的買單會立即被信息交易者吸入,同時信息交易者還會積極的在賣方掛單,以相對較低的價位吸引不知情交易者來接盤.因此相比賣方的掛單量,買方的掛單量一直很少,這樣委比也一直顯著較高.內(nèi)外盤差和委比的日內(nèi)分析結(jié)果表明,多空雙方的力量對比變化也顯示出暴漲暴跌前信息泄露的跡象.

圖4　股價大幅漲跌前1日的有效價差(ES)和報價價差(QS)Fig.4 Effective spreads(ES)and quoted spreads(QS)in the day before stock prices sharp rise and fall.

圖4是對兩類價差指標的日內(nèi)分析結(jié)果.報價價差是直接反映買賣雙方的當前價格意愿的差異,而有效價差反映的是最終成交價與理想價格的差異.從圖4的結(jié)果可以看出,有效價差在各個時間段都是異乎尋常的大,并且在開盤時會處在較高的位置并逐步下降至平穩(wěn)(呈’L’型).有效價差在大幅漲跌前1天內(nèi)都顯著大于一般水平,表明大幅漲跌前合意的成交價與最終的成交價差距總是明顯,顯示最終的交易成本一直異乎尋常的大.但對比而言,暴漲前的有效價差要比暴跌前的有效價差稍大,顯示暴漲前的交易更為活躍,造成的價格波動更劇烈,由此形成了更大的最終交易成本.更有意思的結(jié)果來自于報價價差.在暴漲前1天各個時段報價價差都異常的大6注意到暴漲暴跌前1日的最后一個5min區(qū)間的報價價差結(jié)果都是接近0,也就是說暴漲暴跌前1日最后5min的報價價差的中位數(shù)都與一般情況的中位數(shù)很接近,但由于仍存在一些極端大的報價價差,使得整個序列統(tǒng)計顯著的大于一般情況最后5min的報價價差序列.因為最后3 min是深圳交易所的集合競價時間,只有1個報價價差,所以最后5min的價差數(shù)據(jù)并不多,從而出現(xiàn)了中位數(shù)大部分與一般情況相等的結(jié)果(這個結(jié)果與圖3的委比和內(nèi)外盤差的結(jié)果一致).,這與之前的每筆成交量特別大且成交筆數(shù)特別多的結(jié)果可以相互印證:因為信息交易者密集且快速的成交,不斷的沖擊指令簿上的限價指令單,很可能當前的1檔報價已經(jīng)成交但新的報價單還沒有掛出,最后導致異乎尋常大的交易成本.而暴跌前1天的報價價差在大部分時間都比平常小,但在收盤前突然異乎尋常的大.這就可以推測信息交易者的行為:信息交易者剛開始采用的是逐級低價的限價指令緩慢出逃,由此造成了密集的緊挨買1價的賣出報價單,從而擠壓了報價價差,形成異常小的交易成本以吸引不知情交易者前來接盤(提供流動性“獲利”).而收盤前信息交易者利用收盤時較好的流動性迫不及待地離場,從而迅速往下吃入買單,導致異常大的報價價差.從對價差指標的分析結(jié)果也可以看出信息交易者的提前交易對市場所造成的沖擊,這也同時意味著可以通過分析價差的變動來預期未來的暴漲暴跌.

從收益率和各項流動性指標的事件分析可以看出,暴漲暴跌之前并不是毫無跡象的.大幅價格變動的發(fā)生可能以及發(fā)生的方向其實已經(jīng)反映在之前1天的日內(nèi)交易狀況中.通過對其之前1天的日內(nèi)狀況觀察,并將其與之前的一般交易狀況對比分析,可以對未來是否會發(fā)生暴漲暴跌進行判斷,甚至可以通過對開盤30min的價格走勢,5min區(qū)間每筆成交量的大小等進行觀察以判別未來的價格變化走勢.信息交易者的主要策略包括:利用早盤區(qū)間的良好流動性加速買入或賣出;在暴漲前1天使用大額買單激進的吸入頭寸,在暴跌前1天使用逐級低價位的小額限價指令吸引不知情交易者接盤以緩慢逃離;在收盤前加速實現(xiàn)目標,比如在次日可能暴跌的情況下利用當日收盤的流動性情況加速出貨.事件分析表明,日內(nèi)的交易狀況不僅僅反映的是當日的交易情況,也反映著一些提前泄露的信息,通過對其進行分析和挖掘,可以對投資進行指導,規(guī)避可能的暴跌風險,更合理的配置頭寸以獲取超額收益.但事件分析只是對暴漲暴跌之前1天交易狀況的觀察,并不足以形成穩(wěn)定的統(tǒng)計關系.下一章將采用回歸模型分析這些流動性指標,并探討其與暴漲暴跌的發(fā)生概率的相關性.

3　有序Probit模型回歸

3.1日度數(shù)據(jù)的描述

本章將對樣本中所有大幅漲跌(收益率絕對值大于9%)的交易日建立橫截面的回歸分析模型.主要使用的回歸分析方法是有序Probit模型.不同于之前的日內(nèi)分析,回歸中使用的是日度數(shù)據(jù),因此本節(jié)將首先對所有的樣本進行日度數(shù)據(jù)的描述性統(tǒng)計分析.這里的數(shù)據(jù)樣本仍然是深圳300價格指數(shù)中數(shù)據(jù)最全的220支股票,樣本期從2006年至2011年.因為交易量等于每筆成交量乘以成交筆數(shù),而報價價差相比有效價差不僅能更好的表示交易成本,而且從日內(nèi)分析中也可以看出報價價差對于暴漲暴跌的區(qū)別能力顯著.為了節(jié)省空間,描述性統(tǒng)計中不再對日度成交量和有效價差進行分析,在回歸方程中為避免共線性,也不再同時引入有效價差指標和日度成交量(事實上,如果在回歸方程中同時加入兩類價差指標,有效價差指標一般不顯著).為了使不同的股票的流動性指標可以進行比較,所有流動性指標都按照事件分析中的方法進行標準化,區(qū)別只在于事件分析中是用之前60天每日日內(nèi)同一時刻的中位數(shù)做標準化,而這里的日度指標只需要用之前60天的日度樣本中位數(shù)做標準化就足夠了.

表2是對標準化之后的日度數(shù)據(jù)的描述性分析結(jié)果.表中仍然如表1一樣分為三類樣本7注意到這里的大幅漲跌樣本要比進行日內(nèi)分析的要大.因為回歸分析中更關注全樣本內(nèi)的統(tǒng)計關系,所以會把連續(xù)暴漲和連續(xù)暴跌的每一天都作為事件考慮進去.這樣多出來的樣本并不是很多,筆者也曾試著在描述性分析和后來的回歸分析中剔除連漲和連跌的樣本,但是對結(jié)果影響很小..

表2　暴漲暴跌前1天的描述性統(tǒng)計量Table 2　Summary Statistics of daily data in the day before large price changes

從暴漲暴跌的樣本看,收益率的均值都小于中位數(shù),顯示收益率左拖尾的特性,也就是說國內(nèi)的股票在發(fā)生極端變動前的價格下行風險較大.但一般情形下,收益率的均值卻大于中位數(shù),表明沒有大幅價格變化時收益分布是右偏的.每筆成交量和成交筆數(shù)的中位數(shù)都小于均值,說明大多數(shù)情況下,日度的每筆成交量和成交筆數(shù)分布右偏,即更可能出現(xiàn)交易異?；钴S的情況.在暴漲前1天的樣本中,委比和內(nèi)外盤差的均值與無大幅漲跌樣本的均值相當,但從中位數(shù)來看,暴漲前1天地委比和內(nèi)外盤差顯著的大于無大幅漲跌的樣本.這說明暴漲前的買方力量從總體上要比賣方力量大:相比無大幅漲跌的一般情形,主動買成交量大多數(shù)情況下比主動賣成交量大,而且賣1的深度也多數(shù)情況下大于買1的深度(即賣方更愿意提供流動性給積極主動買入的一方).而在暴跌前1天,委比的均值和中位數(shù)都比其他兩類樣本大,而此時內(nèi)外盤差的均值和中位數(shù)都比其他兩類樣本小.這說明在暴跌前市場交易并不活躍,主要的掛單方式是采用限價指令,且賣方的限價指令和主動賣成交都相對較多.這與日內(nèi)分析結(jié)果一致:信息交易者在賣方以逐級低價的限價單吸引不知情交易者來買入接盤,同時隨時主動與合適的限價買單成交.另外,暴漲前的成交筆數(shù)和每筆成交量的均值和中位數(shù)都分別大于暴跌前樣本,體現(xiàn)出暴漲前的交易更加活躍.最后來看Kruskal-Wallis檢驗的結(jié)果.從每個指標都可以看出,三類樣本都有顯著的差別,組間差異明顯.進一步的,從兩兩對比的檢驗結(jié)果看,暴漲前1天與暴跌前1天在每個指標上都差異顯著,而暴跌前1天的指標值也都顯著不同于無大幅漲跌的情形,但暴漲前1天的內(nèi)外盤差與委比與無漲跌情形的差異并不顯著,報價價差也只在90%的置信水平下才有顯著差異,但仍然可以從收益率,成交筆數(shù)和每筆成交量得出暴漲前1天的數(shù)據(jù)樣本顯著不同于無漲跌情形的結(jié)論.總之,從Kruskal-Wallis檢驗的結(jié)果可以看出,三類樣本在日度數(shù)據(jù)下的差異十分顯著,應該可以通過設計合理的概率模型來發(fā)掘出每個變量與未來大幅價格變動的可能性之間的統(tǒng)計關系.

3.2Probit模型結(jié)果

本文的回歸樣本事實上應該分為三類:暴漲的樣本,沒有發(fā)生大幅漲跌的樣本,暴跌的樣本.暴漲,不發(fā)生大幅漲跌,暴跌這三種價格變動事實上是對收盤價的有序排列,因此可以對全樣本建立有序Probit模型來分析流動性指標對未來價格變動類型的影響程度.令y={-1,0,1}分別表示暴跌,無大幅漲跌,暴漲三種收益率水平,則可以建立有序Probit模型如下

其中ξ={-1,0}分別表示暴跌和無大幅漲跌以及無大幅漲跌與暴漲這兩條分界線,于是αξ就是有序Probit模型用于分開三類樣本的截距項.Φ是標準正態(tài)分布函數(shù).這樣,如果某個變量的系數(shù)顯著為正,表明這個變量與未來1天的價格上漲的概率顯著正相關.有序Probit的回歸結(jié)果在表3中顯示.

表3　有序Probit回歸結(jié)果Table 3 Regression results of ordered Probit model

表3中報告了有序Probit模型回歸的系數(shù)估計值,標準差,t檢驗量和P值.表中所有的系數(shù)和截距項都顯著,表明昨日的流動性指標值和收益率水平確實會對當日的價格漲跌程度有顯著影響.首先,兩個截距項都顯著,表明三類樣本之間差異明顯.收益率和委比與發(fā)生暴漲的概率顯著負相關,而每筆成交量,成交筆數(shù),內(nèi)外盤差和報價價差與發(fā)生暴漲的概率顯著正相關.也就是說,處于越低的價位水平,或者有較多的人愿意在買方提供流動性時,次日的價格出現(xiàn)較高漲幅的可能就越大.如果有活躍的交易和大量的成交,并且多方表現(xiàn)更為主動,即使由此造成交易成本上升,次日也會更有可能發(fā)生大幅上漲8報價價差代表的交易成本在暴漲前很大,暴跌前較小,并且與發(fā)生暴漲可能性顯著正相關.但這并不表明日度頻率中交易成本上升的風險在次日立即得到了補償.不同于文獻[11–13]的月度乃至年度的長期模型,這里研究的是新的信息所引致的日度大幅漲跌.從之前的分析結(jié)果來看,正是因為這些大幅漲跌所包含的信息提前泄露,才會引致交易成本的變動,而不是反過來要求價格的暴漲暴跌去補償交易成本變化的風險..正如前文所述,這些活躍的交易很有可能是提前泄露的信息在市場中的體現(xiàn),因此越活躍的交易量,就代表信息的重要程度越強,引起的價格變動也就越大.而內(nèi)外盤差和委比就表明這這些信息的方向:越大的主動買入,或者從平均來看更多的買方報價量,都表明了多方對后市價格即將上漲的信心,也就同時預示著大幅上漲的到來.暴跌之前的情況恰恰相反:偏高的價位,較低的每筆成交量和成交筆數(shù),以及萎縮的主動買成交量和較低的交易成本都表明股票的上漲動力嚴重缺乏,未來下跌的可能性很大.

Probit回歸的結(jié)果證實,當日的交易信息會對未來1天發(fā)生暴漲或暴跌的概率有顯著影響.越活躍的交易,越低的價位和偏高的報價價差,就越能引起次日的價格暴漲.同時,活躍的交易與信息交易者的行為也有可能的聯(lián)系:大額的每筆成交量和密集的成交筆數(shù)代表著信息交易者已經(jīng)提前掌握未來的正向信息,并試圖通過交易提前獲得有利頭寸.反之,交易狀況越萎縮,價位越高,次日越有可能發(fā)生暴跌.萎縮的交易量和偏低的每筆成交量來源于信息交易者的小額限價單緩慢離場策略:逐步下跌的股票走勢不太可能吸引大量的成交筆數(shù),而此時偏低的報價價差和緩慢下跌的價位代表著信息交易者在使用低價位的限價單,以吸引不知情交易者來接收他們的風險頭寸.這些信息交易者的行為同時也反映在市場中其他類型的流動性指標如內(nèi)外盤差和委比上.總的來說,未來1天的價格劇變可以通過流動性指標來進行推斷,其原因是流動性指標反映著提前泄露的信息,而這些信息指示著價格變動的方向和大小.

3.3穩(wěn)健性分析

以收益率超過9%和低于-9%來劃分暴漲暴跌雖然是為了兼顧樣本量和漲跌幅度,但采取某種單一劃分并不嚴格.為了獲得更穩(wěn)健的結(jié)果,表4將大型價格變動的程度分為收益率絕對值大于9.9%,9.5%, 9%,8.5%,8%這五種情況,并對按這五種情況分類的樣本進行有序Probit模型回歸.

表4　多種收益閾值下的有序Probit模型結(jié)果Table 4 Results of ordered Probit model with multiple return thresholds

結(jié)果表明,回歸系數(shù)的符號和顯著性對收益率的劃分并不敏感.所有五個方程的回歸系數(shù)符號和顯著性都一致,也就是說,Probit回歸的結(jié)果是穩(wěn)健的.雖然不同程度收益水平的劃分影響了樣本量的多少,但這并不會影響結(jié)果的穩(wěn)定性.

另外,根據(jù)日內(nèi)分析的結(jié)果,每個流動性指標的5min序列也與一般情形有著顯著差別,并且大多數(shù)指標(如成交筆數(shù),每筆成交量,報價價差等)在暴漲前和暴跌前1天內(nèi)的差異也都十分明顯.因此,應該也可以直接根據(jù)5min序列的均值來得到類似的Probit回歸結(jié)果.為了驗證這個猜測,同時進一步證實本文結(jié)果的穩(wěn)健性,對每一個流動性指標,將標準化之后的5min序列取每日的平均值,重新組成新的日度樣本,其中收益率是5min收益的均值,其他流動性指標都是按照事件分析中的方法標準化之后再取均值.表5報告了對這個新的樣本進行有序Probit回歸的結(jié)果,其收益率的閾值劃分仍然與表4相同.

表5　采用5min序列的有序Probit模型的結(jié)果Table 5 Results of ordered Probit model with five minute data series

表5與表4的區(qū)別主要在于成交筆數(shù)和每筆成交量的回歸系數(shù)都變得很小,原因可能是每60天同一時刻的交易量差別很大,因為標準化之后的成交筆數(shù)和每筆成交量表示的是偏離一般水平的比例,所以其數(shù)值相比日數(shù)據(jù)標準化之后更大,導致回歸系數(shù)值很小,而其他指標都源于比值的平均,差異并不是很明顯;此外,AIC值也相對有減少,說明新的數(shù)據(jù)樣本下,模型的似然函數(shù)值減小,置信度降低,這點從t–檢驗量值的對比中也可以看出來.但總的來說,表5中的每個指標的符號和顯著性都與表4以及表3的結(jié)果差別不大.也就是說,即使換成5min數(shù)據(jù)樣本,表3中得到的結(jié)論仍然沒有變化,這就進一步說明了實證結(jié)果的穩(wěn)健性.

4　結(jié)束語

本文采用大量的股票市場個股交易數(shù)據(jù)構(gòu)建了日內(nèi)和日度的收益率和流動性指標,并分析這些指標與未來的暴漲暴跌發(fā)生可能性之間的關系.從日內(nèi)的事件分析表明,暴漲暴跌發(fā)生前1天的確會出現(xiàn)異常的流動性變動.無論是暴漲還是暴跌,其發(fā)生之前1天都會有比平常顯著增多的成交筆數(shù),有效價差和內(nèi)外盤差,但具體而言,暴漲之前每筆成交量和報價價差都會特別大,而暴跌之前每筆成交量和報價價差在大多數(shù)時間都特別小.因此日內(nèi)的流動性指標變動可以顯示未來的價格變動幅度和方向.大型的價格變動并不是突然來臨的,它們已經(jīng)在發(fā)生前1日的日內(nèi)交易狀況中有所體現(xiàn).日數(shù)據(jù)的概率回歸模型也給出了一致的結(jié)論:當日的價格水平越低,主動買成交量越多,每筆成交量和成交筆數(shù)越大,由此引發(fā)的交易成本上升越劇烈,未來1天發(fā)生大幅上漲的可能性越高.本文將當日的流動性指標與次日發(fā)生暴漲暴跌可能性之間的顯著相關性解釋為信息的提前泄露.在大多數(shù)時候,暴漲暴跌的發(fā)生是由信息沖擊引起的,而信息并不是完全保密的.提前掌握信息的交易者會根據(jù)信息判斷未來的價格走勢并據(jù)此進行交易,而他們的交易行為反映在市場中就是流動性的變動.因此流動性指標的變化在某種程度上反映著未來的價格走勢.

中國股票市場的有效性一直受到學術(shù)界的質(zhì)疑.從文獻[30–32]到文獻[33–35],研究者們采用各種實證方法對不同時間段具有各種數(shù)據(jù)特征的樣本做分析,大部分證據(jù)都表明中國市場并不是一個有效市場.本文的結(jié)果同樣表明中國股市并不是有效的:前一日的日內(nèi)交易狀況其實已經(jīng)反映了部分即將發(fā)布的重大消息,但是并不是所有投資者都能從日內(nèi)交易狀況中對此進行推斷,于是就不能使信息及時反映到價格上去,反而,知情交易者根據(jù)內(nèi)幕消息開始了對自己有利的布局.2008年經(jīng)濟危機之后,中國宏觀經(jīng)濟一致保持穩(wěn)健增長態(tài)勢,但股市一直低位徘徊,而2014至2015年中,在經(jīng)濟增速小幅放慢的新常態(tài)形勢下,中國股市卻出現(xiàn)了暴漲暴跌的行情.這些都表明中國股市與宏觀經(jīng)濟幾乎是背離的,股市表現(xiàn)始終難以作為反映宏觀經(jīng)濟的“晴雨表”.一個因內(nèi)幕交易橫行而無效率的市場很難做到資源的有效配置,更難以反映實體經(jīng)濟的運行狀況.從監(jiān)管者的角度講,加強打擊內(nèi)幕交易的力度,建立更合理的交易制度,給廣大投資者創(chuàng)造一個公平有效的市場環(huán)境就成了當務之急.只有建立合理有效的金融體制,才有可能使中國金融市場成為資金的有效配置場所,讓金融市場為實體經(jīng)濟的發(fā)展注入源源不斷的動力.

[1]Mitchell M L,Mulherin J H.The impact of public information on the stock market.Journal of Finance,1994,49(3):923–950.

[2]Kuttner K.Monetary policy surprises and interest rates:Evidence from the Fed Funds Futures Market.Journal of Monetary Economics,2001,47(3):523–544.

[3]Bremer M A,Sweeney R J.The reversal of large stock-price decreases.Journal of Finance,1991,46(2):747–754.

[4]Park J.A market microstructure explanation for predictable variations in stock returns following large price changes.Journal of Financial and Quantitative Analysis,1995,30(02):241–256.

[5]Pritamani M,Singal V.Return predictability following large price changes and information releases.Journal of Banking and Finance, 2001,25(4):631–656.

[6]Farmer D J,Gillemot L,Lillo F,et al.What really causes large price changes.Quantitative Finance,2004,4(4):383–397.

[7]Lehmann B N.Commentary:Volatility,Price Resolution,and the Effectiveness of Price Limits.Berlin:Springer Netherlands,1989.

[8]孫培源,施東暉.漲跌幅限制降低了股價波動嗎:來自中國股票市場的證據(jù).證券市場導報,2001(11):12–18. Sun P Y,Shi D H.Do price limits reduce the stock price volatility:Evidence from Chinese stock market.Securities Market Herald, 2001(11):12–18.(in Chinese)

[9]Coursey D L,Dyl E A.Price limits,trading suspensions,and the adjustment of prices to new information.Review of Futures Markets, 1990,9(2):342–360.

[10]Greenwald B C,Stein J C.Transactional risk,market crashes,and the role of circuit breakers.Journal of Business,1991,64(4): 443–462.

[11]Amihud Y,Mendelson H.Asset pricing and the bid-ask spread.Journal of Financial Economics,1986,17(2):223–249.

[12]Brennan M J,Subrahmanyam A.Market microstructure and asset pricing:On the compensation for illiquidity in stock returns. Journal of Financial Economics,1996,41(3):441–464.

[13]Amihud Y.Illiquidity and stock returns:Cross-section and time-series effects.Journal of Financial Markets,2002,5(1):31–56.

[14]Bekaert G,Harvey C R,Lundblad C.Liquidity and expected returns:Lessons from emerging markets.Review of Financial Studies, 2007,20(6):1783–1831.

[15]王春峰,萬海暉,張維.金融市場風險測量模型:VaR.系統(tǒng)工程學報,2000,15(1):67–75. Wang C F,Wan H H,Zhang W.Risk measure model of financial markets:VaR.Journal of Systems Engineering,2000,15(1):67–75. (in Chinese)

[16]張金清,李徐.流動性風險與市場風險的集成度量方法研究.系統(tǒng)工程學報,2009,24(2):164–172. Zhang J Q,Li X.A study on the method of integrated measurement methods of liquidity risk and market risk.Journal of Systems Engineering,2009,24(2):164–172.(in Chinese)

[17]蘇冬蔚,麥元勛.流動性與資產(chǎn)定價:基于我國股市資產(chǎn)換手率與預期收益的實證研究.經(jīng)濟研究,2004(2):95–105. Shu D W,Mai Y X.Liquidity and asset pricing:Empirical study based on stock turnover rate and expected return in Chinese market. Economic Research Journal,2004(2):95–105.(in Chinese)

[18]黃峰,鄒小芃.我國股票市場的流動性風險溢價研究.浙江大學學報(人文社會科學版),2007,37(4):191–200. Huang F,Zou X P.A study on the liquidity risk premium of Chinese stock market.Journal of Zhejiang University(Humanities and Social Sciences Edition),2007,37(4):191–200.(in Chinese)

[19]吳文鋒,芮萌,陳工孟.中國股票收益的非流動性補償.世界經(jīng)濟,2003,7(5):54–60. Wu W F,Rui M,Cheng G M.Non-liquidity compensation in the Chinese stock return.Journal of World Economy,2003,7(5): 54–60.(in Chinese)

[20]Kyle A S.Continuous auction and insider trading.Econometrica,1985,53(6):1315–1336.

[21]Sadka R.Momentum and post-earnings-announcement drift anomalies:The role of liquidity risk.Journal of Financial Economics, 2006,80(2):309–349.

[22]Lakhal F.Stock market liquidity and information asymmetry around voluntary earnings disclosures:New evidence from France. International Journal of Managerial Finance,2008,4(1):60–75.

[23]Boudt K,Petitjean M.Intraday liquidity dynamics and news releases around price jumps:Evidence from the DJIA stocks.Journal of Financial Markets,2014,17:121–149.

[24]Fama E F,Fisher L,Jensen M,et al.The adjustment of stock prices to new information.International Economic Review,1969,10(1): 1–21.

[25]MacKinlay A C.Event studies in economics and finance.Journal of Economic Literature,1997,35(1):13–39.

[26]陳平,龍華.中國股市漲跌停績效的經(jīng)驗分析及政策建議.世界經(jīng)濟,2003,26(2):56–65. Cheng P,Long H.The effect of price limits in Chinese stock market:Empirical analysis and policy suggestions.Journal of World Economy,2003,26(2):56–65.(in Chinese)

[27]Andersen T G,Bollerslev T,Diebold F X,et al.Modeling and forecasting realized volatility.Econometrica,2003,71(2):579–625.

[28]Jones C M,Kaul G,Lipson M L.Transactions,volume,and volatility.Review of Financial Studies,1994,7(4):631–651.

[29]Ahn H J,Bae K H,Chan K.Limit orders,depth,and volatility:Evidence from the stock exchange of Hong Kong.Journal of Finance, 2001,56(2):767–788.

[30]俞喬.市場有效,周期異常與股價波動.經(jīng)濟研究,1994(9):43–50. Yu Q.Market Efficiency,abnormal cycles and stock volatility.Economic Research Journal,1994(9):43–50.(in Chinese)

[31]吳世農(nóng).我國證券市場效率的分析.經(jīng)濟研究,1996(4):13–19. Wu S N.A study on the stock market efficiency of China.Economic Research Journal,1996(4):13–19.(in Chinese)

[32]奉立城.中國股票市場的“周內(nèi)效應”.經(jīng)濟研究,2000(11):50–57. Feng L C.A study on the in-the-week effect of Chinese stock market.Economic Research Journal,2000(11):50–57.(in Chinese)

[33]陸蓉,徐龍炳.“牛市”和“熊市”對信息的不平衡性反應研究.經(jīng)濟研究,2004(3):65–72. Lu R,Xu L B.A study on the asymmetric reaction of bull market and bear market to information.Economic Research Journal, 2004(3):65–72.(in Chinese)

[34]唐齊鳴,黃素心.ST公布和ST撤銷事件的市場反應研究:來自滬深股市的實證檢驗.統(tǒng)計研究,2006(11):43–47. Tang Q M,Huang S X.The market reaction to ST announcement and ST rescinding events:Empirical tests on the SZSE and SHSE. Statisical Research,2006(11):43–47.(in Chinese)

[35]吳振翔,陳敏.中國股票市場弱有效性的統(tǒng)計套利檢驗.系統(tǒng)工程理論與實踐,2007(2):92–98. Wu Z X,Cheng M.Statistical arbitrage tests on the weak efficiency of Chinese stock market.Systems Engineering:Theory& Practice,2007(2):92–98.(in Chinese)

Are there any clues before large price changes in Chinese stock markets

Wan Die1,Wang Junbo2,Yang Xiaoguang3
(1.School of Finance,Zhejiang Gongshang University,Hangzhou 310018,China; 2.Department of Economics and Finance,City University of Hong Kong,Hong Kong 999077,China; 3.Academy of Mathematics and Systems Science,Chinese Academy of Sciences,Beijing 100190,China)

With tick data of 220 stocks selected from SZ300P index components by the optimal sample length, this paper analyzes the price variations and liquidity conditions before large price changes,and studies the relation between large price changes and the previous trading process.The event study on the intraday data implies that the return and liquidity variations in intraday time intervals are quite different from ordinary cases,which shows that there are early information leakage and informed trading behaviors.The regression results show the daily return and liquidity variables with abnormal changes induced by leaked information are significantly correlated with the probability of large price changes in the next trading day.

high-frequency trading data;large price changes;informed trading

F832.5

A

1000-5781(2016)05-0643-14

10.13383/j.cnki.jse.2016.05.009

2014-03-02;

2014-10-23.

國家自然科學基金資助項目(71431008;71532013;71501170);浙江省自然科學基金資助項目(LQ16G010001).

萬諜(1986—),男,四川眉山人,博士,講師.研究方向:金融市場,風險管理,市場微觀結(jié)構(gòu),Email:wandie@amss.ac.cn;

王軍波(1972—),男,山東青島人,博士,教授,博士生導師.研究方向:固定收益證券,資產(chǎn)定價,公司理財,市場微觀結(jié)構(gòu), Email:jwang2@cityu.edu.hk;

楊曉光(1964—),男,安徽鳳臺人,博士,研究員,博士生導師.研究方向:金融工程與風險管理,經(jīng)濟預測等,Email: xgyang@iss.ac.cn.