馬長峰，陳志娟

(浙江工商大學(xué) 金融學(xué)院，浙江 杭州 310018)

交易量影響波動(dòng)率的成因：交易規(guī)模還是交易次數(shù)？

馬長峰，陳志娟

(浙江工商大學(xué) 金融學(xué)院，浙江 杭州 310018)

文章基于2001-2016年間日度數(shù)據(jù)，首先驗(yàn)證了滬深兩市個(gè)股和指數(shù)都存在交易量和波動(dòng)率之間的正相關(guān)。將交易量分解為交易規(guī)模和交易次數(shù)，發(fā)現(xiàn)中國A股市場上交易規(guī)模和交易次數(shù)各自對波動(dòng)率具有解釋能力。交易規(guī)模和交易次數(shù)同時(shí)作為解釋變量時(shí)，雖然交易規(guī)模在2009年前子樣本對波動(dòng)率不具解釋能力，但是2009年后子樣本和全樣本中對波動(dòng)率具有解釋能力?？紤]價(jià)格沖擊之后，交易次數(shù)在全樣本和兩個(gè)子樣本中對波動(dòng)率都具有解釋能力，說明中國市場上交易規(guī)模和交易次數(shù)對波動(dòng)率的解釋能力是并存的。進(jìn)而證明了交易量和波動(dòng)率之間的正相關(guān)在金融危機(jī)期間和平時(shí)并無顯著差異。

交易量；波動(dòng)率；交易規(guī)模；交易次數(shù)；金融危機(jī)

一、 引 言

本文分析中國上海證券交易所和深圳證券交易所兩個(gè)市場的股票波動(dòng)率能否被交易量解釋。股票波動(dòng)率作為或有要求權(quán)定價(jià)、風(fēng)險(xiǎn)管理、資產(chǎn)配置和市場有效性檢驗(yàn)的基石，是金融學(xué)的核心變量，因此學(xué)術(shù)界對此進(jìn)行了廣泛而深入的研究。Engle (1982)[1]提出了刻畫金融市場波動(dòng)叢集性的ARCH模型，*GARCH類模型的文獻(xiàn)很豐富，例如朱鈞鈞和謝識(shí)予 (2011)[2]運(yùn)用MCMC方法估計(jì)了上證綜指的MS-TGARCH模型證明上證綜指波動(dòng)率具有雙重不對稱性，張宗新和王海亮 (2013)[3]將波動(dòng)率歸因于信念和情緒，鄭挺國和尚玉皇 (2014)[4]基于宏觀基本面利用GARCH-MIDAS模型改進(jìn)日度波動(dòng)率估計(jì)。雖然深刻揭示了波動(dòng)率的叢集性，但ARCH類模型主要刻畫條件方差，對于無條件方差的解釋以及波動(dòng)率的成因則缺乏理論闡述。在波動(dòng)率的成因方面，由于French和Roll (1986)[5]等發(fā)現(xiàn)波動(dòng)率并不能由基本價(jià)值的變化完全解釋，因而學(xué)術(shù)界轉(zhuǎn)而探索投資者交易行為能否解釋波動(dòng)率，因此交易量能否解釋波動(dòng)率(交易量-波動(dòng)率相關(guān)性)就成為一個(gè)重要的研究領(lǐng)域。這個(gè)領(lǐng)域的基礎(chǔ)是信息不對稱、意見分歧等對于資產(chǎn)價(jià)格變化的解釋，因此對于資產(chǎn)定價(jià)的理論分析具有重要意義，也出現(xiàn)了大量的實(shí)證研究。

雖然交易量能否解釋波動(dòng)率已經(jīng)出現(xiàn)了大量研究，但是本文研究具有的重要意義在于：第一，學(xué)術(shù)界對于波動(dòng)率的理論解釋尚無定論，例如Adam等(2016)[6]仍然在理論上尋求對于波動(dòng)率的解釋，因此探索波動(dòng)率的成因具有重要意義。第二，交易量對于波動(dòng)率的解釋目前尚未定論，仍有大量研究集中于此，例如Bollerslev等 (2016)[7]仍然在探討交易量對于波動(dòng)率的解釋，Rannou和 Barneto (2016)[8]對歐洲碳排放市場的波動(dòng)率和交易量之間的相關(guān)性進(jìn)行了經(jīng)驗(yàn)分析。第三，作為最大的新興市場，中國A股市場已經(jīng)確定將于2018年被納入MSCI指數(shù)，屆時(shí)必將成為世界金融市場的重要組成部分從而受到世界各大機(jī)構(gòu)投資者的關(guān)注和參與，而中國A股市場波動(dòng)率的解釋卻十分欠缺。因此，本文從交易量的角度分析中國A股波動(dòng)率的成因，具有重要的學(xué)術(shù)價(jià)值。最后，尋求波動(dòng)率的解釋因素對于中國監(jiān)管部門也具有實(shí)際意義。

本文研究的貢獻(xiàn)有如下四點(diǎn)：第一，證明了最大的新興市場——中國A股市場存在穩(wěn)健的交易量與波動(dòng)率正相關(guān)性，拓展了這一問題的研究范圍；第二，本文證明在一個(gè)純粹的指令驅(qū)動(dòng)市場上也存在交易量和波動(dòng)率的正相關(guān)性，為資產(chǎn)價(jià)格變化理論分析提供了新的證據(jù)。報(bào)價(jià)驅(qū)動(dòng)市場上交易量受到做市商存貨的影響，而指令驅(qū)動(dòng)市場上交易量受到委托指令簿的深度的影響，也就導(dǎo)致交易量和波動(dòng)率的相關(guān)程度不同。同時(shí)，Chan和 Fong (2000)[9]認(rèn)為微觀結(jié)構(gòu)的差異會(huì)導(dǎo)致交易規(guī)模和波動(dòng)率之間關(guān)系的變化。由于純粹通過計(jì)算機(jī)控制的委托指令簿撮合交易，中國A股市場的交易機(jī)制與NYSE和NASDAQ市場交易機(jī)制顯著不同，因此本文的研究為交易量與波動(dòng)率相關(guān)性及其相關(guān)的資產(chǎn)價(jià)格變化理論模型提供了更多事實(shí)依據(jù)。第三，本文發(fā)現(xiàn)中國A股市場上交易規(guī)模和交易次數(shù)對波動(dòng)率的解釋力并存，為投資者交易行為導(dǎo)致資產(chǎn)價(jià)格變化的理論分析中將交易規(guī)模內(nèi)生化提供了經(jīng)驗(yàn)證據(jù)。第四，本文證明交易量和波動(dòng)率之間的正相關(guān)在金融危機(jī)期間和平時(shí)并無顯著差異。

本文其他部分結(jié)構(gòu)如下：第二部分是相關(guān)文獻(xiàn)回顧和理論假設(shè)；第三部分是樣本、變量和描述性統(tǒng)計(jì)量；第四部分是實(shí)證研究結(jié)果報(bào)告；第五部分是全文總結(jié)。

二、 文獻(xiàn)回顧和理論假設(shè)

投資者交易對波動(dòng)率的解釋可以按照是否區(qū)分投資者類型分為兩類，第一類區(qū)分投資者類型，第二類不加區(qū)分。第一類文獻(xiàn)中最重要的是機(jī)構(gòu)投資者交易對于波動(dòng)率的影響。*Foucault等(2011)[10]發(fā)現(xiàn)個(gè)人投資者交易增加波動(dòng)率。國內(nèi)學(xué)者對于機(jī)構(gòu)投資者交易能否降低波動(dòng)率存在爭議：祁斌等 (2008)[11]、林忠國和韓立巖 (2011)[12]、譚松濤等 (2014)[13]對此持正面觀點(diǎn)，即認(rèn)為機(jī)構(gòu)投資者能夠降低波動(dòng)率；與此相反，蔡慶豐和宋友勇 (2010)[14]卻認(rèn)為機(jī)構(gòu)投資者增加了波動(dòng)率，史永東和王謹(jǐn)樂 (2014)[15]也發(fā)現(xiàn)機(jī)構(gòu)投資者對波動(dòng)率的影響隨著市場上升和下降而變化。

與特定類型投資者對波動(dòng)率的影響不同，本文主要是分析總體交易量和波動(dòng)率之間的關(guān)系。在中國A股交易量與波動(dòng)率相關(guān)性研究方面，以往的研究主要是以GARCH模型為基礎(chǔ)。*采用GARCH模型研究成交量和波動(dòng)率的經(jīng)典文獻(xiàn)是Lamoureux和 Lastrapes (1990)[16]。趙留彥和王一鳴 (2003)[17]采用GARCH模型研究交易量和指數(shù)波動(dòng)率的相關(guān)性，這與本文以個(gè)股作為研究對象顯著不同。王燕輝、王凱濤 (2004)[18]和楊炘、王邦宜 (2005)[19]同樣采用GARCH模型，雖然以個(gè)股作為分析對象，但都是僅以20只股票為樣本分析交易量對于波動(dòng)率持續(xù)性的解釋，因此樣本數(shù)量偏小。上述文獻(xiàn)都是以GARCH模型為基礎(chǔ)探討交易量和波動(dòng)率的關(guān)系，其特征表現(xiàn)為：第一，GARCH模型側(cè)重波動(dòng)率叢集性的描述，而非波動(dòng)率的成因；第二，樣本期都比較短，而且包含的個(gè)股偏少，因此難以避免樣本偏差。

盡管國內(nèi)相關(guān)研究匱乏，國際上交易量和波動(dòng)率之間的相關(guān)性以信息不對稱和意見分歧等理論模型為基礎(chǔ)，是一個(gè)很重要的研究方向，在長達(dá)幾十年的時(shí)間里持續(xù)被學(xué)術(shù)界關(guān)注和研究。在實(shí)證研究方面，學(xué)術(shù)界發(fā)現(xiàn)這一現(xiàn)象存在于股票、期貨和匯率市場，存在于小時(shí)、日度、周度等不同頻率，是一個(gè)普遍存在的規(guī)律。為了解釋這一現(xiàn)象，學(xué)術(shù)界發(fā)展了三種理論模型。第一種是以Tauchen和 Pitts (1983)[20]等文獻(xiàn)為代表的混合分布模型。該理論假設(shè)收益率和交易量都是以某個(gè)時(shí)間間隔(例如一天)內(nèi)到達(dá)金融市場的信息數(shù)量(混合變量)作為條件的正態(tài)分布，各自均值和標(biāo)準(zhǔn)差都與混合變量成正比，相互之間的條件協(xié)方差為零。收益率和交易量之間的無條件聯(lián)合分布就是條件正態(tài)分布的混合，而條件正態(tài)分布都以混合變量作為條件，因此解釋了交易量和波動(dòng)率之間的相關(guān)性。第二種是以Kyle (1985)[21]以及Admati和Pfleiderer (1988)[22]為代表的信息不對稱模型。這種模型認(rèn)為信息交易者提交的指令對應(yīng)的交易量反應(yīng)了其私有信息，因此信息交易者交易量增加就會(huì)使價(jià)格體現(xiàn)更多信息從而增加波動(dòng)率，因此交易量和波動(dòng)率正相關(guān)。第三種是以Scheinkman和Xiong (2003)[23]以及Banerjee和 Kremer(2010)[24]為代表的意見分歧模型。意見分歧模型認(rèn)為，當(dāng)公共信息由好變壞(反之亦然)，投資者的異質(zhì)信念會(huì)引起交易(量)，而公共信息同時(shí)影響價(jià)格和交易量，因此就導(dǎo)致了交易量和波動(dòng)率的正相關(guān)。

在與本文更為相關(guān)的研究中，陳夢根和毛小元 (2007)[25]雖然也分析了波動(dòng)率和換手率之間的關(guān)系，但是該文與本文至少有三點(diǎn)不同：第一，交易量的度量指標(biāo)不同，在交易量與波動(dòng)率相關(guān)性檢驗(yàn)的文獻(xiàn)中一般采用成交股數(shù)而不是換手率度量交易量；第二，該文并非以交易量與波動(dòng)率相關(guān)性檢驗(yàn)為主要研究對象；第三，該文以換手率而不是波動(dòng)率作為被解釋變量，并未控制波動(dòng)率的滯后項(xiàng)，這樣該文得到的換手率和波動(dòng)率正相關(guān)的結(jié)論就需要進(jìn)一步驗(yàn)證。另外，唐齊鳴和劉亞清 (2008)[26]采用SVAR模型分析A股和B股之間(內(nèi)部)的信息傳遞，也分析了成交量和波動(dòng)率之間的關(guān)系，但是該文研究對象限于指數(shù)，這與本文以個(gè)股分析為主是截然不同的。

綜上所述，中國A股市場作為最大的新興市場，其交易量與波動(dòng)率之間的正相關(guān)關(guān)系有待驗(yàn)證。更重要的是，交易規(guī)模是否影響波動(dòng)率存在爭議：雖然Chan和 Fong (2000)[9]認(rèn)為交易規(guī)模對波動(dòng)率有影響，但是Jones等(1994)[27]卻發(fā)現(xiàn)交易次數(shù)包含了幾乎所有信息從而導(dǎo)致交易規(guī)模失去對波動(dòng)率的解釋力。交易規(guī)模與價(jià)格沖擊和信息有關(guān)。個(gè)人投資者限于資金水平而極少提交大單，正因如此，平均單筆交易量也就是交易規(guī)模能夠體現(xiàn)提交大單的機(jī)構(gòu)投資者的交易。一般認(rèn)為機(jī)構(gòu)投資者是知情交易者，那么根據(jù)信息不對稱模型，交易會(huì)將其信息展現(xiàn)出來[28-29]，而這伴隨著價(jià)格變化，也就會(huì)導(dǎo)致交易規(guī)模和波動(dòng)率的正相關(guān)。

如果機(jī)構(gòu)投資者拆單隱藏交易動(dòng)機(jī)，則其最優(yōu)策略是提交中等規(guī)模的交易指令，則交易規(guī)模和波動(dòng)率之間就不會(huì)正相關(guān)，然而，有兩個(gè)原因使得這個(gè)結(jié)論在中國A股市場不成立。第一，信息的時(shí)效性要求機(jī)構(gòu)投資者盡快使用其私有信息，因此機(jī)構(gòu)投資者很可能不會(huì)過度依賴拆單。第二，個(gè)人投資者的交易非常活躍使得中國A股市場流動(dòng)性非常充沛，因此機(jī)構(gòu)投資者無需依賴拆單。所以，我們預(yù)期交易規(guī)模與波動(dòng)率存在正相關(guān)。由于交易規(guī)模越大，價(jià)格沖擊越大，因此我們預(yù)期價(jià)格沖擊會(huì)影響交易規(guī)模和波動(dòng)率之間的相關(guān)性。

交易次數(shù)對應(yīng)交易頻率，這在一定程度上體現(xiàn)了流動(dòng)性，例如Lippman和 Mccall (1986)[30]就將成交所需時(shí)間長度定義為流動(dòng)性，因此某一周期(例如一日)內(nèi)的交易次數(shù)就是流動(dòng)性的一種度量。從這種角度來說，交易次數(shù)越多表明流動(dòng)性越好，因此越不容易產(chǎn)生價(jià)格沖擊，也就會(huì)降低價(jià)格波動(dòng)。另一方面，交易次數(shù)越多體現(xiàn)了噪音越大，因此會(huì)增加價(jià)格波動(dòng)率。而在中國A 股市場上，個(gè)人投資者是絕對多數(shù)，而我們預(yù)期交易次數(shù)主要體現(xiàn)噪音，會(huì)增加波動(dòng)率。

三、 樣本、波動(dòng)率度量和描述性統(tǒng)計(jì)

本文的樣本來自銳思股票數(shù)據(jù)庫的2001-2016年間所有滬深兩市非ST個(gè)股日度數(shù)據(jù)，包括收益率、流通市值、最高價(jià)、最低價(jià)、交易量(股數(shù))、交易筆數(shù)等。交易量單位取為10萬股/天，交易筆數(shù)是100次/天。

本文以極差波動(dòng)率作為股票i在日期t的波動(dòng)率的度量，具體定義如下：

(1)

其中highi,t和lowi,t分別表示股票i在t日的最高價(jià)和最低價(jià)。根據(jù)Alizadeh等(2002)[31]的研究結(jié)果，該波動(dòng)率指標(biāo)不僅是有效的，而且對于微觀結(jié)構(gòu)噪音是穩(wěn)健的。為了保證結(jié)論的穩(wěn)健性，我們也采用文獻(xiàn)中慣用的另一種指標(biāo)來度量波動(dòng)率，即經(jīng)過(2)式回歸得到的收益率殘差的絕對值|εi,t|(以下稱殘差波動(dòng)率)：

(2)

其中Ri,t表示股票i在日期t的收益率，Dk,t表示周一到周五的虛擬變量(D1,t在周一取1，否則取0，其余以此類推)。Schwert (1990)[32]提出將(2)式中的殘差絕對值作為波動(dòng)率的估計(jì)值，之后這一方法成為波動(dòng)率文獻(xiàn)中廣為使用的方法，例如Avramov等 (2006)[33]、Chan和Fong (2000)[9]、Jones等 (1994)[27]都采用了這一度量方法。

由于面板數(shù)據(jù)既有橫截面又有時(shí)間序列，僅僅矯正其中一個(gè)維度的相關(guān)性并不充分，因此Thompson (2011)[34]和Cameron等 (2011)[35]給出了一種同時(shí)矯正時(shí)間序列和橫截面相關(guān)性的方法。為了得到穩(wěn)健的結(jié)論，本文對于個(gè)股的分析采用二維叢集性(two-way clustering)矯正標(biāo)準(zhǔn)誤，指數(shù)的分析采用Newey和West (1987)[36]矯正標(biāo)準(zhǔn)誤計(jì)算t統(tǒng)計(jì)量。

表1給出了本文關(guān)鍵變量的描述性統(tǒng)計(jì)量。每年按照流通市值將所有股票動(dòng)態(tài)分為5組，然后計(jì)算每個(gè)市值組合中各個(gè)變量的均值、中位數(shù)、標(biāo)準(zhǔn)差、峰度和偏度等統(tǒng)計(jì)量，同時(shí)給出所有股票的相應(yīng)統(tǒng)計(jì)量。表中極差波動(dòng)率的均值、中位數(shù)和標(biāo)準(zhǔn)差并未隨著市值而單調(diào)變化，說明平均而言市值差異并未伴隨著波動(dòng)率差異。峰度和偏度卻隨著市值而變化較大，說明不同市值組合的波動(dòng)率的分布并不相同。最小市值組合的波動(dòng)率均值明顯偏大，說明小市值股票的波動(dòng)率相比其他市值組合較大。

交易量指的是每日個(gè)股的交易股數(shù)，其均值、中位數(shù)都隨市值單調(diào)遞增，表明大市值股票比小市值股票交易更活躍。交易量隨著市值變化非常明顯，意味著實(shí)證分析應(yīng)該按市值分組進(jìn)行。最大市值組合的交易量顯著高于其他組，為分組分析提供了更強(qiáng)的依據(jù)。交易規(guī)模等于交易量和交易筆數(shù)的比值，表1顯示平均一筆成交1400股，也就是14手。不同市值組合之間的交易規(guī)模相差并不大，但是中等股票的交易規(guī)模的偏度和峰度顯著不同于其他市值組，說明中等市值的股票的交易規(guī)模分布顯著異于大市值股票和小市值股票。交易次數(shù)雖然并不隨市值單調(diào)變化，但是最大市值組的交易筆數(shù)顯著高于其他市值組合，而且其峰度和偏度也顯著高于其他組，這也是后續(xù)分析采用市值分組的根據(jù)。平均而言，一只股票每天成交5580筆，平均每分鐘成交超過23筆，說明交易非?；钴S。最大市值的股票交易最頻繁，但交易最不頻繁的并非小市值股票而是中等市值的股票。

表1 描述性統(tǒng)計(jì)量

四、 實(shí)證研究結(jié)果及分析

這一部分中，首先驗(yàn)證中國A股市場是否存在交易量和波動(dòng)率的正相關(guān)。中國和美國分別代表了最大的新興市場和最大的發(fā)達(dá)市場，而且A股是純粹的電子指令驅(qū)動(dòng)市場，因此驗(yàn)證A股市場是否存在交易量和波動(dòng)率的正相關(guān)的意義在于將這個(gè)結(jié)論適用的范圍從發(fā)達(dá)市場拓展到新興市場，從有人工參與的撮合交易拓展到全無人工參與的撮合交易。然后我們著重分析交易規(guī)模、交易次數(shù)對波動(dòng)率的解釋。

(一) 交易量波動(dòng)率正相關(guān)的驗(yàn)證

1.交易量(股數(shù))波動(dòng)率相關(guān)性檢驗(yàn)。為了檢驗(yàn)交易量波動(dòng)率之間的相關(guān)性，參考Chan和Fong (2000)[9]等文獻(xiàn)，每年對每只股票進(jìn)行如下回歸：

(3)

式(3)中σi,t表示股票i在日期t的波動(dòng)率，用極差波動(dòng)率度量；vlmi,t表示交易量(單位是10萬股)的對數(shù)；MDt表示周一虛擬變量(周一取1，否則取0)。由于波動(dòng)率具有叢集性，因此在式(3)中包含12階波動(dòng)率滯后項(xiàng)作為控制變量。為了分析回歸結(jié)果是否隨市值而變化，每年按照第一個(gè)交易日的流通市值將股票分為5個(gè)市值組合。并且要求每年進(jìn)入樣本期的股票至少具有60個(gè)觀測。表2中分別對所有股票以及5個(gè)市值組合報(bào)告式(3)系數(shù)估計(jì)值的平均值，同時(shí)圓括號(hào)中給出經(jīng)過橫截面(同一年不同股票之間)和時(shí)間序列(同一股票)二維叢集性矯正的t統(tǒng)計(jì)量。為了節(jié)省篇幅，表2省略掉12階波動(dòng)率滯后項(xiàng)的系數(shù)估計(jì)結(jié)果。為了顯示結(jié)論的穩(wěn)健性，除了A欄的全樣本結(jié)果，表2的B欄和C欄給出了2009年前后兩個(gè)子樣本的估計(jì)結(jié)果。

表2的A欄中αiM所在的行是周一虛擬變量的系數(shù)估計(jì)值及其t統(tǒng)計(jì)量，最后一列顯示所有股票的αiM估計(jì)值為0.0011，對應(yīng)t統(tǒng)計(jì)量是4.78，在1%水平上顯著，說明極差波動(dòng)率在周一顯著高于其他工作日，因此中國A股市場存在波動(dòng)率的周一效應(yīng)。5個(gè)市值組合的αiM估計(jì)值同樣在1%水平上顯著為正且差異很小，說明周一效應(yīng)顯著且不受市值影響。表2的 A欄中最后兩行是交易量系數(shù)估計(jì)值及其t統(tǒng)計(jì)量，最后一列顯示所有股票的交易量系數(shù)的估計(jì)值為0.0082，對應(yīng)t統(tǒng)計(jì)量為13.66，在1%水平上顯著為正，說明交易量和波動(dòng)率顯著正相關(guān)。5個(gè)市值組合的交易量系數(shù)估計(jì)值也都是在1%水平顯著為正，但并不隨著市值而單調(diào)變化，說明交易量和波動(dòng)率之間的強(qiáng)正相關(guān)并不受市值的影響。這與美國市場發(fā)現(xiàn)的交易量和波動(dòng)率正相關(guān)是一致的。

表2的B欄給出了2009年前這一子樣本的交易量波動(dòng)率相關(guān)性檢驗(yàn)結(jié)果，為了節(jié)省篇幅，我們只報(bào)告交易量系數(shù)的估計(jì)值和t統(tǒng)計(jì)量。最后一列顯示在2009年前子樣本中，所有股票的交易量系數(shù)估計(jì)值顯著為正，而且這種顯著為正同樣存在于不同市值組合中。表2的C欄顯示2009年后這一子樣本的交易量系數(shù)估計(jì)值不論是在全部股票還是5個(gè)市值組合中都顯著為正，表明交易量和波動(dòng)率之間的正相關(guān)性同樣存在于這一子樣本中。表2說明，中國A股存在穩(wěn)健的交易量和波動(dòng)率之間的強(qiáng)烈的正相關(guān)性。對比2009年前后兩個(gè)子樣本，不難發(fā)現(xiàn)，交易量系數(shù)的估計(jì)值由2009年前的0.0071增加至2009年后的0.0093，對應(yīng)的t統(tǒng)計(jì)量由8.69增加至12.33，意味著這種正相關(guān)隨著時(shí)間推移而增強(qiáng)。

表2 個(gè)股交易量波動(dòng)率相關(guān)性檢驗(yàn)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

2.指數(shù)交易量和波動(dòng)率相關(guān)性分析。選取有代表性的上證指數(shù)、A股指數(shù)和滬深300指數(shù)，利用式(3)估計(jì)這三個(gè)指數(shù)交易量和波動(dòng)率之間的相關(guān)性，結(jié)果如表3所示。對于指數(shù)不需要考慮殘差的橫截面相關(guān)性，因此分別對每個(gè)指數(shù)進(jìn)行GMM估計(jì)從而對標(biāo)準(zhǔn)誤采用Newey-West矯正序列相關(guān)。為了節(jié)省篇幅，表3僅僅給出了三個(gè)指數(shù)交易量估計(jì)值及其經(jīng)過Newey-West矯正的t統(tǒng)計(jì)量(在圓括號(hào)中)，同時(shí)給出全樣本以及2009年前后兩個(gè)子樣本結(jié)果。表3中第三列顯示上證指數(shù)、A股指數(shù)和滬深300指數(shù)在全樣本期間交易量系數(shù)的估計(jì)值分別是0.5311，0.4849和1.0791，都在1%水平顯著，證明指數(shù)交易量和波動(dòng)率之間同樣存在顯著為正的相關(guān)性，即指數(shù)交易量的增加伴隨著波動(dòng)率的增加。表3第四列和第五列顯示上證指數(shù)、A股指數(shù)和滬深300指數(shù)在2009年前后兩個(gè)子樣本中交易量系數(shù)估計(jì)值都在1%水平顯著，同時(shí)這三個(gè)指數(shù)交易量和波動(dòng)率之間的正相關(guān)表現(xiàn)出增強(qiáng)的趨勢。綜合表3關(guān)于指數(shù)的結(jié)果和表2關(guān)于個(gè)股的結(jié)果，表明交易量和波動(dòng)率之間的正相關(guān)關(guān)系不僅存在于中國A股市場的個(gè)股，同樣存在于指數(shù)，且表現(xiàn)出增強(qiáng)的趨勢。驗(yàn)證了交易量和波動(dòng)率之間的顯著正相關(guān)性之后，下面繼續(xù)探討這種正相關(guān)是來自交易規(guī)模還是交易次數(shù)。

表3 指數(shù)交易量波動(dòng)率相關(guān)性檢驗(yàn)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

(二) 交易量影響波動(dòng)率的成因來自交易規(guī)模還是交易次數(shù)？

1.交易規(guī)模波動(dòng)率相關(guān)性檢驗(yàn)。交易量可以進(jìn)一步分解，將交易量除以交易次數(shù)，即得平均每次成交的交易量，也就是交易規(guī)模。Grundy和Mcnichols (1989)[37]、Holthausen和Verrecchia (1990)[38]、Kim和Verrecchia (1991)[39]等文獻(xiàn)認(rèn)為交易規(guī)模含有價(jià)格信息，因此交易規(guī)?？赡苡绊懖▌?dòng)率。為了檢驗(yàn)交易規(guī)模和波動(dòng)率之間的相關(guān)性，每年對每只股票進(jìn)行如下回歸：

(4)

式(4)將式(3)中的交易量vlm換做交易規(guī)模AV，其余變量含義保持不變。表4的A、B和C欄分別給出了全樣本、2009年前子樣本和2009年后子樣本中交易規(guī)模和波動(dòng)率相關(guān)性檢驗(yàn)的結(jié)果，每一欄結(jié)果都分為全部股票以及5個(gè)市值組合。A欄中間兩行的最后一列顯示全部股票估計(jì)得到的周一虛擬變量的系數(shù)估計(jì)值為0.0013，在1%水平上顯著，同樣證明A股日度波動(dòng)率具有周一效應(yīng)。5個(gè)市值組合的結(jié)果表明周一效應(yīng)不隨市值而發(fā)生變化。A欄最后兩行是交易規(guī)模的系數(shù)估計(jì)結(jié)果，最后一列顯示全部股票估計(jì)得到的交易規(guī)模的系數(shù)估計(jì)值為0.4978，在1%水平上顯著，表明平均單筆成交的交易量越大，伴隨著波動(dòng)率越高。5個(gè)市值組合同樣給出了顯著為正的交易規(guī)模系數(shù)估計(jì)值，且全部在1%水平上顯著，表明交易規(guī)模和波動(dòng)率的正相關(guān)存在于所有市值組合當(dāng)中。比較5個(gè)市值組合，發(fā)現(xiàn)交易規(guī)模系數(shù)的估計(jì)值隨著市值增大而單調(diào)減小，表明市值越大，交易規(guī)模對于波動(dòng)率的解釋能力越弱。最小市值組合的交易規(guī)模系數(shù)估計(jì)值和t統(tǒng)計(jì)量都明顯高于其他組合，表明交易規(guī)模對于波動(dòng)率的影響在小市值股票中特別明顯。

表4的B欄給出了2009年前這一子樣本的交易規(guī)模的估計(jì)值，同樣顯示交易規(guī)模和波動(dòng)率之間顯著的正相關(guān)不僅存在于全部股票，而且存在于不同的市值組合當(dāng)中，表明交易規(guī)模和波動(dòng)率之間的正相關(guān)是穩(wěn)健的。同時(shí)，隨著市值的增加，交易規(guī)模的系數(shù)估計(jì)值單調(diào)遞減，表明在2009年前這段時(shí)期內(nèi)，市值越小交易規(guī)模對于波動(dòng)率的影響越大，這與A欄中全樣本的結(jié)果是一致的。

表4的C欄給出了2009年后這一子樣本的交易規(guī)模的估計(jì)值，結(jié)果顯示全部股票的交易規(guī)模和波動(dòng)率之間顯著正相關(guān)，然而5個(gè)市值組合的結(jié)果與全樣本和2009年前的子樣本卻有不同之處。一是第3組的估計(jì)值僅在5%水平上顯著，盡管其他組仍然是1%水平上顯著。二是估計(jì)值不再隨著市值而單調(diào)變化，而是呈現(xiàn)一個(gè)隨著市值增加而先降后升的U形?？梢酝茢?，全樣本期交易規(guī)模和波動(dòng)率之間的正相關(guān)隨市值單調(diào)遞減主要來自2009年前這一子樣本。2009年前后這一正相關(guān)隨著市值變化規(guī)律的變動(dòng)很可能來自中國A股市場的結(jié)構(gòu)性變化。

市值越小的股票交易規(guī)模對波動(dòng)率影響越大可以從流動(dòng)性角度給予解釋，市值小的股票由于流動(dòng)性較低而導(dǎo)致交易規(guī)模對價(jià)格影響更加顯著，從而對波動(dòng)率影響更顯著。然而，交易規(guī)模對波動(dòng)率影響隨市值增加先降低后增加卻很難歸因于流動(dòng)性。

對比表4的B欄和C欄，發(fā)現(xiàn)隨著時(shí)間推移，交易規(guī)模對波動(dòng)率的解釋能力在降低，意味著中國A股市場交易規(guī)模包含股價(jià)的信息含量在降低。對此有兩種可能的解釋：第一，近年來程序化交易的盛行使得投資者很容易利用拆單技術(shù)隱藏其交易，從而大大降低了交易規(guī)模的信息含量。第二，大量增加的機(jī)構(gòu)投資者之間的競爭引起交易規(guī)模包含的機(jī)構(gòu)投資者交易的信息含量下降。

表4 交易規(guī)模和波動(dòng)率相關(guān)性檢驗(yàn)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

2.交易次數(shù)波動(dòng)率相關(guān)性檢驗(yàn)。Jones等(1994)[27]、Chan和Fong (2000)[9]都發(fā)現(xiàn)交易次數(shù)對于波動(dòng)率具有解釋能力，而且中國是一個(gè)個(gè)人投資者占比特別大的市場，因此交易次數(shù)更可能對波動(dòng)率產(chǎn)生顯著影響。為了檢驗(yàn)交易次數(shù)和波動(dòng)率之間的相關(guān)性，每年對每只股票進(jìn)行如下回歸：

(5)

式(5)將式(3)中的交易量vlm換做交易次數(shù)NT，其余變量含義保持不變。表5的A、B和C欄分別給出了全樣本、2009年前子樣本和2009年后子樣本中交易次數(shù)和波動(dòng)率相關(guān)性檢驗(yàn)的結(jié)果，每一欄結(jié)果都分為全部股票以及5個(gè)市值組合。A欄中間兩行顯示全樣本期周一虛擬變量的系數(shù)不論是在全部股票還是5個(gè)市值組合當(dāng)中都是1%水平顯著為正，說明A股市場存在周一效應(yīng)，和表2、表4結(jié)果一致。A欄最后兩行最后一列給出交易次數(shù)的系數(shù)估計(jì)值為0.0261，在1%水平上顯著，說明全部股票組合中交易次數(shù)越多伴隨著波動(dòng)率越高。5個(gè)市值組合中交易次數(shù)都顯著為正，說明交易次數(shù)和波動(dòng)率之間的強(qiáng)烈正相關(guān)同樣存在于5個(gè)市值組合中。有趣的是，隨著市值增加，交易次數(shù)的估計(jì)系數(shù)單調(diào)降低，表明股票市值越大交易次數(shù)對波動(dòng)率解釋力越弱，股票市值越小交易次數(shù)對波動(dòng)率解釋力越強(qiáng)。這與噪音交易者偏愛小市值股票且頻繁交易導(dǎo)致波動(dòng)率變化是一致的。

表5 交易次數(shù)和波動(dòng)率相關(guān)性檢驗(yàn)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

表5的B欄給出了2009年前這一子樣本的交易次數(shù)的系數(shù)估計(jì)值。全部股票組合中交易次數(shù)估計(jì)值為0.0299，在5%水平上顯著為正。5個(gè)市值組合中除了第3、4組的交易次數(shù)系數(shù)估計(jì)值在5%水平上顯著為正之外，其他組合的交易次數(shù)估計(jì)值都在1%水平上顯著為正。這表明2009年前這一子樣本中交易次數(shù)對波動(dòng)率的解釋力度并不強(qiáng)。5個(gè)市值組合的交易次數(shù)系數(shù)估計(jì)值同樣表現(xiàn)出隨著市值增加而單調(diào)減小的模式，說明股票市值越大交易次數(shù)對波動(dòng)率影響越弱，這與全樣本結(jié)果一致。

表5的C欄給出了2009年后這一子樣本中交易次數(shù)系數(shù)估計(jì)值，最后一列給出全部股票交易次數(shù)估計(jì)值為0.0229，在1%水平上顯著為正。5個(gè)市值組合中交易次數(shù)系數(shù)估計(jì)值也都在1%水平上顯著為正，而且系數(shù)估計(jì)值隨著市值增加而單調(diào)減小，表明股票市值越大交易次數(shù)對波動(dòng)率影響越弱。對比2009年前后的結(jié)果，發(fā)現(xiàn)交易次數(shù)的系數(shù)估計(jì)值隨時(shí)間推移而減小，表明交易次數(shù)對波動(dòng)率的影響在減弱。根據(jù)第二部分的理論分析，這可能是伴隨著個(gè)人投資者交易占比下降，而這與交易規(guī)模對波動(dòng)率影響降低而體現(xiàn)的機(jī)構(gòu)投資者交易占比增加是一致的。本文發(fā)現(xiàn)的交易次數(shù)和波動(dòng)率正相關(guān)，與Jones等(1994)[27]在美國NASDAQ市場上的發(fā)現(xiàn)是一致的。本文為電子指令驅(qū)動(dòng)市場交易次數(shù)和波動(dòng)率正相關(guān)提供了直接證據(jù)。

3.交易規(guī)模對比交易次數(shù)：誰和波動(dòng)率相關(guān)性更強(qiáng)？表4和表5分別證明了中國A股市場交易規(guī)模和交易次數(shù)各自和波動(dòng)率的正相關(guān)，然而，這兩個(gè)變量是否包含了同樣的信息呢？或者說，這兩個(gè)變量誰包含了更多的信息？Jones等(1994)[27]發(fā)現(xiàn)在美國市場交易次數(shù)包含了幾乎所有信息，導(dǎo)致交易規(guī)模失去對于波動(dòng)率的解釋力度。那么這一結(jié)論是否適用于中國A股市場呢？為了檢驗(yàn)這一結(jié)論，下面我們將交易規(guī)模AV和交易次數(shù)NT同時(shí)作為解釋變量，每年對每只股票進(jìn)行如下回歸：

(6)

表6 交易次數(shù)+交易規(guī)模和波動(dòng)率相關(guān)性檢驗(yàn)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

表6給出了交易規(guī)模和交易次數(shù)同時(shí)作為解釋變量的估計(jì)結(jié)果，A、B和C欄分別對應(yīng)全樣本、2009年前的子樣本和2009年后的子樣本。A欄中周一虛擬變量的估計(jì)值和此前結(jié)果類似，說明A股波動(dòng)率存在周一效應(yīng)。A欄最后一列倒數(shù)4行顯示當(dāng)交易規(guī)模和交易次數(shù)同時(shí)作為解釋變量時(shí)，交易規(guī)模和交易次數(shù)的系數(shù)估計(jì)值分別為0.2554和0.0365，都在1%水平上顯著為正，表明二者都對波動(dòng)率具有解釋能力，任何一個(gè)變量不能吸收掉另外一個(gè)變量對波動(dòng)率的解釋力度。而且5個(gè)市值組合中同樣如此，表明交易規(guī)模和交易次數(shù)對波動(dòng)率的解釋力度并存且不受市值影響。這與Jones等(1994)[27]在美國NASDAQ市場上的發(fā)現(xiàn)不同，該文發(fā)現(xiàn)雖然交易規(guī)模和交易次數(shù)分別都與波動(dòng)率正相關(guān)，但是二者同時(shí)作為解釋變量時(shí)，交易規(guī)模的解釋力會(huì)被交易次數(shù)吸收掉。在交易規(guī)模和交易次數(shù)同時(shí)作為解釋變量時(shí)，二者的估計(jì)系數(shù)都隨著市值增加而單調(diào)遞減，說明不論是交易規(guī)模還是交易次數(shù)對波動(dòng)率的影響都隨市值增大而減弱。

表6的B欄最后一列表明在2009年前這個(gè)子樣本中，交易次數(shù)的出現(xiàn)導(dǎo)致交易規(guī)模不再具有顯著為正的系數(shù)，而且此時(shí)交易規(guī)模只是在小市值股票中保持了對波動(dòng)率的影響，這與Jones等(1994)[27]在美國NASDAQ市場的發(fā)現(xiàn)是一致的。交易次數(shù)的系數(shù)估計(jì)值仍然是顯著為正的，不論是全部股票還是5個(gè)市值組合都是如此，表明交易次數(shù)比交易規(guī)模在2009年前這一子樣本內(nèi)具有更多的價(jià)格信息。同時(shí)，交易規(guī)模和交易次數(shù)的系數(shù)估計(jì)值都隨著市值增加而減小。

表6的C欄最后一列表明在2009年后這個(gè)子樣本中，交易次數(shù)并未吸收掉交易規(guī)模對波動(dòng)率的解釋力，這與Jones等(1994)[27]在美國NASDAQ市場的發(fā)現(xiàn)不同。所有市值組合中交易規(guī)模和交易次數(shù)的系數(shù)估計(jì)值都顯著為正，表明交易規(guī)模和交易次數(shù)對于波動(dòng)率同時(shí)具有解釋能力并不受市值影響。交易次數(shù)的系數(shù)估計(jì)值隨市值增加而單調(diào)遞減，與表5結(jié)果一致。交易規(guī)模的系數(shù)估計(jì)值卻出現(xiàn)了隨市值增加而先降后升，與表4的C欄結(jié)果一致，這意味著2009年后交易規(guī)模對波動(dòng)率的影響隨市值增加而先降后升并不受交易次數(shù)的影響。

對比表6的B欄和C欄，發(fā)現(xiàn)交易次數(shù)的系數(shù)估計(jì)值不論在全部股票還是在5個(gè)市值組合中都是減小的，這與表5結(jié)果一致，說明交易次數(shù)對于波動(dòng)率的影響在減弱，可能來自個(gè)人投資者對市場的影響在減弱。而交易規(guī)模的系數(shù)估計(jì)值雖然在全部股票中增加，但是5個(gè)市值分組中除了第1、第4和第5組是增加之外，第2、第3組卻在減小，這與表4結(jié)果不同。但是，交易規(guī)模的系數(shù)估計(jì)值顯著性卻隨時(shí)間而增加，說明交易規(guī)模對波動(dòng)率的影響趨于穩(wěn)健。結(jié)合表4和表5，交易次數(shù)對波動(dòng)率解釋力的減小不受交易規(guī)模的影響，但交易規(guī)模對波動(dòng)率的影響減弱的結(jié)論受到交易次數(shù)的影響，再次說明交易次數(shù)對波動(dòng)率的影響比交易規(guī)模顯著。

為了分析價(jià)格沖擊對交易規(guī)模和波動(dòng)率相關(guān)性的影響，我們在式(6)中加入價(jià)格沖擊指標(biāo)進(jìn)行如下回歸：

(7)

式(7)中的PIi,t指的是股票i在日期t的價(jià)格沖擊指標(biāo)，根據(jù)Florackis等(2011)[40]，定義為收益率的絕對值(百分?jǐn)?shù))和換手率的比值。

表7 交易次數(shù)+交易規(guī)模和波動(dòng)率相關(guān)性檢驗(yàn)：控制價(jià)格沖擊

(續(xù)表)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

表7給出了控制價(jià)格沖擊之后的結(jié)果，A、B和C欄分別對應(yīng)全樣本、2009年前、后兩個(gè)子樣本。控制價(jià)格沖擊之后，A欄周一虛擬變量所在的行顯示除了最小市值股票組合之外，其他組合全部不再顯著，表明波動(dòng)率的周一效應(yīng)在考慮價(jià)格沖擊之后消失了，意味著波動(dòng)率的周一效應(yīng)很可能來自價(jià)格沖擊。A欄中不論是全部股票還是5個(gè)市值組合交易規(guī)模的系數(shù)都比表6中更大，且顯著性更強(qiáng)，表明在考慮價(jià)格沖擊后交易規(guī)模對波動(dòng)率解釋能力增強(qiáng)了，這也意味著價(jià)格沖擊能影響交易規(guī)模和波動(dòng)率的相關(guān)性，證明了之前的推斷。交易次數(shù)的系數(shù)估計(jì)值在加入價(jià)格沖擊之后也增大了，與交易規(guī)模系數(shù)類似。價(jià)格沖擊所在的行顯示不論全部股票還是5個(gè)市值組合價(jià)格沖擊的系數(shù)都是顯著為正，這是合理的結(jié)果。價(jià)格沖擊指標(biāo)越大，單位換手率產(chǎn)生的價(jià)格變化越大，自然就對應(yīng)著較高的波動(dòng)率，因此價(jià)格沖擊和波動(dòng)率正相關(guān)。A欄的結(jié)果還顯示，交易規(guī)模、交易次數(shù)和價(jià)格沖擊的系數(shù)估計(jì)值都隨市值增加而減小，表明這三個(gè)變量對波動(dòng)率的影響隨市值增大而減小。

表7的B欄顯示，考慮價(jià)格沖擊之后2009年前這一子樣本中交易規(guī)模的系數(shù)不論全部股票還是5個(gè)市值組合都是顯著的，與表6的B欄中的交易規(guī)模的系數(shù)相比，顯著性大大增強(qiáng)。這說明交易規(guī)模對于波動(dòng)率的影響來自價(jià)格沖擊。表7的B欄中交易次數(shù)的系數(shù)估計(jì)值也比表6更大。表7的C欄顯示，考慮價(jià)格沖擊之后2009年后這一子樣本中交易規(guī)模和交易次數(shù)的系數(shù)估計(jì)值全部顯著，也比表6更大。對比表7和表6的結(jié)果，可以認(rèn)為價(jià)格沖擊影響交易規(guī)模和交易次數(shù)對波動(dòng)率的解釋，而交易規(guī)模受到的影響更明顯。對比B欄和C欄，除了最大市值組合之外，交易規(guī)模和交易次數(shù)的系數(shù)估計(jì)值都隨時(shí)間推移在減小，這與表4至表6的結(jié)果是一致的。

4.金融危機(jī)的影響。為了分析金融危機(jī)對交易規(guī)模和波動(dòng)率相關(guān)性的影響，我們在式(7)中加入交易規(guī)模和金融危機(jī)虛擬變量的交叉項(xiàng)、交易次數(shù)和金融危機(jī)虛擬變量的交叉項(xiàng)，采用全樣本進(jìn)行如下回歸：

σi,t=αi0+αiMMDt+βiAVi,t+βicAVi,t·Ct+γiNTi,t+

(8)

式(8)中Ct是金融危機(jī)虛擬變量，參考Barrot等(2016)[41]研究，Ct在2008年9月到2009年4月之間等于1，否則取值為0，其他變量和(7)式相同。

表8給出了式(8)的估計(jì)結(jié)果。其中交易規(guī)模、交易次數(shù)和價(jià)格沖擊的系數(shù)估計(jì)值與表7的A欄基本一致，說明控制金融危機(jī)并不影響交易量和波動(dòng)率之間的關(guān)系。βic所在的行顯示，不論對于5個(gè)市值分組還是所有股票而言，金融危機(jī)虛擬變量和交易規(guī)模交叉項(xiàng)的系數(shù)估計(jì)值都不顯著；γic所在的行顯示金融危機(jī)虛擬變量和交易次數(shù)的交叉項(xiàng)系數(shù)估計(jì)值同樣不顯著。這說明交易量和波動(dòng)率之間的正相關(guān)在金融危機(jī)期間和其他時(shí)期并無顯著差異。

表8 交易次數(shù)+交易規(guī)模和波動(dòng)率相關(guān)性檢驗(yàn)：控制價(jià)格沖擊和金融危機(jī)

注:*、**、***分別表示估計(jì)值在10%、5%和1%水平下顯著。

5.穩(wěn)健性分析。本文通過不同的波動(dòng)率度量指標(biāo)和不同的計(jì)量分析方法進(jìn)行穩(wěn)健性檢驗(yàn)。實(shí)際上，表3～表7中已經(jīng)進(jìn)行了分樣本的穩(wěn)健性檢驗(yàn)。將(7)式中的極差波動(dòng)率換成殘差波動(dòng)率得到的分析結(jié)果和表7類似，具體結(jié)果不再贅述。

表9 系數(shù)估計(jì)值t>2百分比(%)

表9是對式(7)中所有個(gè)股估計(jì)系數(shù)t統(tǒng)計(jì)量大于2的百分比統(tǒng)計(jì)結(jié)果。具體過程是，首先找出每年至少有60個(gè)觀測的個(gè)股時(shí)間序列，每年對每只個(gè)股進(jìn)行時(shí)間序列回歸，得到每一個(gè)回歸的經(jīng)過Newey-West矯正的t統(tǒng)計(jì)量，然后計(jì)算t統(tǒng)計(jì)量大于2的百分比。注意，只要t統(tǒng)計(jì)量大于2的百分比高于5%即可拒絕系數(shù)為0的原假設(shè)，但我們?nèi)∨R界值為20%以保證結(jié)論可靠。

表9給出了式(7)的交易規(guī)模和交易次數(shù)的系數(shù)估計(jì)值t>2的統(tǒng)計(jì)結(jié)果。全樣本所在的行中交易規(guī)模系數(shù)估計(jì)值t>2百分比最小為41.82%，因此不論全部股票還是5個(gè)市值組合的系數(shù)估計(jì)值都拒絕系數(shù)為0的假設(shè)，在兩個(gè)子樣本中也是如此。表9中交易次數(shù)的系數(shù)估計(jì)值t>2百分比更大，同樣拒絕其系數(shù)為0的原假設(shè)。表9的結(jié)果進(jìn)一步印證了表7的結(jié)果，表明結(jié)論是穩(wěn)健的。

五、 結(jié) 論

基于2001-2016年滬深A(yù)股所有個(gè)股數(shù)據(jù)，計(jì)算經(jīng)過橫截面和時(shí)間序列二維叢集性矯正的穩(wěn)健標(biāo)準(zhǔn)誤，本文首先證明了中國A股市場個(gè)股具有交易量與波動(dòng)率正相關(guān)關(guān)系，接著證明這種正相關(guān)也存在于指數(shù)中。將交易量分解為交易規(guī)模和交易次數(shù)，發(fā)現(xiàn)交易規(guī)模和交易次數(shù)單獨(dú)作為解釋變量時(shí)，這兩個(gè)變量也都與波動(dòng)率存在穩(wěn)健的正相關(guān)關(guān)系，這與美國市場的結(jié)論一致，但本文的發(fā)現(xiàn)證明了純粹的電子指令驅(qū)動(dòng)市場同樣存在交易量(總股數(shù)、交易規(guī)模和交易次數(shù))和波動(dòng)率之間的正相關(guān)。將交易規(guī)模和交易次數(shù)同時(shí)作為解釋變量，全樣本期間二者都對波動(dòng)率具有解釋能力。雖然在2009年前子樣本期間交易次數(shù)吸收掉了交易規(guī)模對波動(dòng)率的解釋能力，但是2009年后子樣本期間交易規(guī)模和交易次數(shù)同時(shí)具有對波動(dòng)率的解釋能力，這與美國市場是不同的。進(jìn)一步地，在考慮價(jià)格沖擊之后，交易規(guī)模對波動(dòng)率的解釋能力顯著增強(qiáng)，并且在全樣本和子樣本中都不會(huì)因?yàn)榻灰状螖?shù)而失去對波動(dòng)率的顯著解釋能力，這表明交易規(guī)模對波動(dòng)率的影響可歸因于價(jià)格沖擊。比較而言，中國A股市場上既存在與美國市場共有的交易量波動(dòng)率正相關(guān)，也存在交易規(guī)模和波動(dòng)率之間的正相關(guān)性不因交易次數(shù)而消失的特有現(xiàn)象。基于這一發(fā)現(xiàn)，本文的結(jié)論說明，針對中國A股市場的資產(chǎn)定價(jià)理論模型應(yīng)該考慮交易規(guī)模和交易頻率都包含價(jià)格信息，且交易次數(shù)對價(jià)格變化的影響更大，同時(shí)價(jià)格沖擊也應(yīng)該被考慮在內(nèi)。

我們在A股市場發(fā)現(xiàn)平均單筆交易量也就是交易規(guī)模同樣具有對波動(dòng)率的解釋能力，與美國市場不同。這可能來自兩個(gè)市場的投資者結(jié)構(gòu)差異。美國市場相對成熟，以機(jī)構(gòu)投資者為主，中國市場以個(gè)人投資者為主。在一個(gè)個(gè)人投資者在交易中占絕對多數(shù)的市場中，交易規(guī)模能夠體現(xiàn)機(jī)構(gòu)投資者的交易，因此根據(jù)信息不對稱模型，機(jī)構(gòu)投資者的交易在展現(xiàn)信息的同時(shí)伴隨著價(jià)格變化，這就出現(xiàn)了交易規(guī)模和波動(dòng)率的正相關(guān)。交易規(guī)模對波動(dòng)率的影響并未因?yàn)榻灰状螖?shù)而消失可以視作信息不對稱模型的一種事實(shí)依據(jù)，因此本文結(jié)論在一定程度上支持交易量與波動(dòng)率正相關(guān)的信息不對稱模型。

[1]ENGLE R F.Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation[J].Econometrica,1982,50(4):987-1007.

[2]朱鈞鈞,謝識(shí)予.中國股市波動(dòng)率的雙重不對稱性及其解釋——基于 MS-TGARCH 模型的 MCMC 估計(jì)和分析[J].金融研究,2011(3):134-148.

[3]張宗新,王海亮.投資者情緒,主觀信念調(diào)整與市場波動(dòng)[J].金融研究,2013(4):142-155.

[4]鄭挺國,尚玉皇.基于宏觀基本面的股市波動(dòng)度量與預(yù)測[J].世界經(jīng)濟(jì),2014(12):118-139.

[5]FRENCH K R,ROLL R.Stock return variances:the arrival of information and the reaction of traders[J].Journal of Financial Economics,1986,17(1):5-26.

[6]ADAM K,MARCET A,NICOLINI J P.Stock market volatility and learning[J].The Journal of Finance,2016,71(1):33-82.

[7]BOLLERSLEV T,LI J,XUE Y.Volume,volatility and public news announcements[EB/OL].(2016-06-23)[2017-05-01].http://EconPapers.repec.org/RePEc:aah:create:2016-19.

[8]RANNOU Y,BARNETO P.Futures trading with information asymmetry and OTC predominance:another look at the volume/volatility relations in the European carbon markets[J].Energy Economics,2016,53(1):159-174.

[9]CHAN K,FONG W-M.Trade size,order imbalance,and the volatility-volume relation[J].Journal of Financial Economics,2000,57(2):247-273.

[10]FOUCAULT T,SRAER D,THESMAR D J.Individual investors and volatility[J].The Journal of Finance,2011,66(4):1369-1406.

[11]祁斌,黃明,陳卓思.機(jī)構(gòu)投資者與股市波動(dòng)性[J].金融研究,2008(9):54-64.

[12]林忠國,韓立巖.機(jī)構(gòu)交易的正面效應(yīng):波動(dòng)率和市場效率的視角[J].系統(tǒng)工程理論與實(shí)踐,2011(4):606-616.

[13]譚松濤,崔小勇,孫艷梅.媒體報(bào)道,機(jī)構(gòu)交易與股價(jià)的波動(dòng)性[J].金融研究,2014(3):180-193.

[14]蔡慶豐,宋友勇.超常規(guī)發(fā)展的機(jī)構(gòu)投資者能穩(wěn)定市場嗎?[J].經(jīng)濟(jì)研究,2010(1):90-101.

[15]史永東,王謹(jǐn)樂.中國機(jī)構(gòu)投資者真的穩(wěn)定市場了嗎?[J].經(jīng)濟(jì)研究,2014(12):100-112.

[16]LAMOUREUX C G,LASTRAPES W D.Heteroskedasticity in stock return data:volume versus GARCH effects[J].The Journal of Finance,1990,45(1):221-229.

[17]趙留彥,王一鳴.滬深股市交易量與收益率及其波動(dòng)的相關(guān)性:來自實(shí)證分析的證據(jù)[J].經(jīng)濟(jì)科學(xué),2003(2):57-67.

[18]王燕輝,王凱濤.股票交易量對收益率波動(dòng)性的影響——對深市個(gè)股的實(shí)證分析[J].金融研究,2004(12):81-88.

[19]楊炘,王邦宜.交易量與股價(jià)波動(dòng)性:對中國市場的實(shí)證研究[J].系統(tǒng)工程學(xué)報(bào),2005(5):530-534.

[20]TAUCHEN G E,PITTS M.The price variability-volume relationship on speculative markets[J].Econometrica:Journal of the Econometric Society,1983,51(2):485-505.

[21]KYLE A S.Continuous auctions and insider trading[J].Econometrica,1985,53(6):1315-1335.

[22]ADMATI A R,PFLEIDERER P.A theory of intraday patterns:volume and price variability[J].Review of Financial Studies,1988,1(1):3-40.

[23]SCHEINKMAN J A,XIONG W.Overconfidence and speculative bubbles[J].Journal of Political Economy,2003,111(6):1183-1220.

[24]BANERJEE S,KREMER I.Disagreement and learning:dynamic patterns of trade[J].The Journal of Finance,2010,65(4):1269-1302.

[25]陳夢根,毛小元.股價(jià)信息含量與市場交易活躍程度[J].金融研究,2007(3):125-139.

[26]唐齊鳴,劉亞清.市場分割下 A、B 股成交量、收益率與波動(dòng)率之間關(guān)系的 SVAR 分析[J].金融研究,2008(2):113-126.

[27]JONES C M,KAUL G,LIPSON M L.Transactions,volume,and volatility[J].Review of Financial Studies,1994,7(4):631-651.

[28]許香存，陳志娟.滬港通對股票市場波動(dòng)性和流動(dòng)性影響的實(shí)證研究[J].浙江工商大學(xué)學(xué)報(bào)，2016(6)：76-83.

[29]黃順武，王夢瑩，昌望.機(jī)構(gòu)投資者的信息優(yōu)勢研究——來自上市公司重大股權(quán)收購的證據(jù)[J].證券市場導(dǎo)報(bào)，2015(8):45-51,77.

[30]LIPPMAN S A,MCCALL J J.An operational measure of liquidity[J].The American Economic Review,1986,76(1):43-55.

[31]ALIZADEH S,BRANDT M W,DIEBOLD F X.Range-based estimation of stochastic volatility models[J].The Journal of Finance,2002,57(3):1047-1091.

[32]SCHWERT G W.Stock volatility and the crash of ’87[J].Review of Financial Studies,1990,3(1):77-102.

[33]AVRAMOV D,CHORDIA T,GOYAL A.The impact of trades on daily volatility[J].Review of Financial Studies,2006,19(4):1241-1277.

[34]THOMPSON S B.Simple formulas for standard errors that cluster by both firm and time[J].Journal of Financial Economics,2011,99(1):1-10.

[35]CAMERON A C,GELBACH J B,MILLER D L.Robust inference with multiway clustering[J].Journal of Business & Economic Statistics,2011,29(2):238-249.

[36]NEWEY W K,WEST K D.A simple,positive semi-definite,heteroskedasticity and autocorrelation consistent covariance matrix[J].Econometrica,1987,55(3):703-708.

[37]GRUNDY B D,MCNICHOLS M.Trade and the revelation of information through prices and direct disclosure[J].Review of Financial Studies,1989,2(4):495-526.

[38]HOLTHAUSEN R W,VERRECCHIA R E.The effect of informedness and consensus on price and volume behavior[J].Accounting Review,1990,65(1):191-208.

[39]KIM O,VERRECCHIA R E.Market reaction to anticipated announcements[J].Journal of Financial Economics,1991,30(2):273-309.

[40]FLORACKIS C,GREGORIOU A,KOSTAKIS A.Trading frequency and asset pricing on the London Stock Exchange:evidence from a new price impact ratio[J].Journal of Banking & Finance,2011,35(12):3335-3350.

[41]BARROT J-N,KANIEL R,SRAER D.Are retail traders compensated for providing liquidity?[J].Journal of Financial Economics,2016,120(1):146-168.

(責(zé)任編輯畢開鳳)

WhatCausestheInfluenceofTradingVolumeonVolatilityTradeSizeorNumberofTransactions？

MA Chang-feng， CHEN Zhi-juan

(SchoolofFinance，ZhejiangGongshangUniversity，Hangzhou310018，China)

Based on the daily data of individual stocks and indices from 2001 to 2016 at Shanghai and Shenzhen Exchange， this paper establishes the contemporaneous positive correlation between trading volume and volatility. Decomposing volume into trade size and number of transactions， we find that either trade size or number of transactions is able to explain volatility respectively. When they both serve as independent variables to explain volatility， trade size has power to explain volatility in the after-2009 sample and whole sample， though it has no explaining power in the before-2009 sample. The explaining power of number of transactions on volatility manifests not only in both sub-samples but also in the whole sample after taking price impact into account， indicating the co-existence of the explaining power of both trade size and number of transactions on volatility within the China stock market. We also show that the positive correlation between trading volume and volatility during financial crisis is not significantly different from the normal period．

trading volume; volatility; trade size; number of transactions; financial crisis

F839.5

A

1000-2154(2017)09-0072-14

2017-05-04

國家自然科學(xué)基金青年項(xiàng)目“盈余公告期間個(gè)人投資者買入需求流動(dòng)性？賣出提供流動(dòng)性？”(71401155)；教育部人文社科基金青年項(xiàng)目“證券價(jià)格波動(dòng)機(jī)理研究：基于個(gè)人投資者交易行為的視角”(11YJC790133);浙江省高校人文社會(huì)科學(xué)重點(diǎn)研究基地(浙江工商大學(xué)應(yīng)用經(jīng)濟(jì)學(xué))資助項(xiàng)目(JYTjr20111310)

馬長峰，男，講師，經(jīng)濟(jì)學(xué)博士，主要從事資產(chǎn)定價(jià)研究；陳志娟，女，副教授，經(jīng)濟(jì)學(xué)博士，主要從事資產(chǎn)定價(jià)和風(fēng)險(xiǎn)管理研究。

10.14134/j.cnki.cn33-1336/f.2017.09.007

馬長峰，陳志娟.交易量影響波動(dòng)率的成因：交易規(guī)模還是交易次數(shù)？[J].商業(yè)經(jīng)濟(jì)與管理，2017(9)：72-85.