摘要：本文以2017—2021年深圳證券交易所A股上市公司為樣本，運(yùn)用聯(lián)合泊松混合模型，從暴漲和暴跌兩個(gè)角度探究信息披露質(zhì)量對(duì)股價(jià)極端波動(dòng)的影響情況。研究發(fā)現(xiàn)，二者之間存在顯著的負(fù)相關(guān)性，并且當(dāng)股票價(jià)格受信息披露質(zhì)量的影響出現(xiàn)極端波動(dòng)時(shí)，相對(duì)于暴漲，出現(xiàn)暴跌的風(fēng)險(xiǎn)更高。此外，本文還基于聯(lián)合泊松混合模型中的隨機(jī)效應(yīng)，探究了信息披露質(zhì)量對(duì)股價(jià)極端波動(dòng)影響在不同行業(yè)之間的差異。通過分析這種差異性，選擇適合的股票來構(gòu)建投資組合，能夠幫助不同類型的投資者選擇相應(yīng)投資策略，實(shí)現(xiàn)更有效的風(fēng)險(xiǎn)管理。

關(guān)鍵詞：信息披露質(zhì)量；股價(jià)極端波動(dòng)；聯(lián)合泊松混合模型；板塊隨機(jī)效應(yīng)；投資策略

中圖分類號(hào)：F832.5" " " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " " 文章編號(hào)：1007-0753（2024）05-0019-13

一、引言

股票市場作為國民經(jīng)濟(jì)的“晴雨表”，是資本市場的重要組成部分。相比發(fā)達(dá)國家的股市，中國股市出現(xiàn)暴漲、暴跌的頻率更高、幅度更大（葉彥藝等，2019）。在2014—2015年的一輪牛熊轉(zhuǎn)換期間，我國股票市場出現(xiàn)了千股漲停到千股跌?！斑^山車”式的價(jià)格變化，上證綜指從2014年初的2 109點(diǎn)不斷上漲，在2015年6月15日到達(dá)5 174點(diǎn)，在一年半的時(shí)間里漲幅超過145%。此后，股票市場行情急轉(zhuǎn)直下，上證綜指連續(xù)下跌，在兩個(gè)半月內(nèi)跌破3 000點(diǎn)，跌幅達(dá)到42%（姜永宏等，2019）。受新冠疫情影響，2020年2月3日A股再次遭遇千股跌停，跌停數(shù)占比超過85%（李建瑩等，2024）。股價(jià)的極端波動(dòng)關(guān)乎千萬投資者的利益，因此探尋股價(jià)極端波動(dòng)的影響因素，防范風(fēng)險(xiǎn)的發(fā)生和擴(kuò)散，對(duì)于維護(hù)股票市場穩(wěn)定，促其長期健康發(fā)展，具有重大意義。

近年來，國內(nèi)外學(xué)者以及相關(guān)監(jiān)管部門對(duì)股價(jià)極端波動(dòng)情況十分關(guān)注，其中公司與投資者之間的信息不對(duì)稱是一種重要影響因素。公司披露的信息是連接資本市場、投資者以及監(jiān)管機(jī)構(gòu)的重要紐帶。良好的信息披露質(zhì)量有助于投資者更好地了解公司的財(cái)務(wù)狀況、業(yè)務(wù)模式、風(fēng)險(xiǎn)因素等關(guān)鍵信息，從而做出更明智的投資決策；同時(shí)也能使企業(yè)內(nèi)部管理更加規(guī)范，改善企業(yè)治理結(jié)構(gòu)，減少企業(yè)違規(guī)行為，降低潛在風(fēng)險(xiǎn)。然而，公司管理者往往考慮自身利益，使信息披露質(zhì)量大打折扣。紙包不住火，當(dāng)真實(shí)的信息暴露于市場時(shí)，必然會(huì)引起股價(jià)的劇烈波動(dòng)。那么，提高上市公司信息披露質(zhì)量是否能夠降低股價(jià)的極端波動(dòng)風(fēng)險(xiǎn)，進(jìn)而保護(hù)投資者利益呢？本文將針對(duì)這一主要問題展開研究。

本文的邊際貢獻(xiàn)主要體現(xiàn)在以下兩方面：第一，在探究信息披露質(zhì)量對(duì)股價(jià)極端波動(dòng)的影響時(shí)，同時(shí)考慮股價(jià)暴漲和暴跌兩種情況。目前國內(nèi)外研究大多從股價(jià)暴跌或崩盤的視角出發(fā)，然而股價(jià)暴漲也是一種風(fēng)險(xiǎn)，學(xué)者們對(duì)其關(guān)注相對(duì)較少。第二，本文主要運(yùn)用聯(lián)合泊松混合模型進(jìn)行實(shí)證分析。相較于傳統(tǒng)多元回歸模型，該方法在探討信息透明度與股市關(guān)系時(shí)提供了更豐富的分析視角，同時(shí)拓展了該領(lǐng)域的研究方法。

二、理論分析與假設(shè)提出

股價(jià)的極端波動(dòng)涵蓋暴漲與暴跌兩種情況。在探究股價(jià)極端波動(dòng)時(shí)，現(xiàn)有文獻(xiàn)大多集中在對(duì)股價(jià)暴跌或崩盤的探討上。早期關(guān)于股價(jià)暴跌的研究主要聚焦在市場層面，研究框架大多基于有效市場假說或行為金融學(xué)理論，直至Romer（1993）才從信息不對(duì)稱角度來研究股價(jià)崩盤事件。在理論上被廣泛接受的解釋是Chen等（2001）提出的信息囤積假說，即公司管理層為了自身利益缺乏披露壞消息的動(dòng)機(jī)，當(dāng)積累的壞消息超過一個(gè)臨界點(diǎn)時(shí)會(huì)集中釋放到市場中，造成股票價(jià)格急跌，嚴(yán)重時(shí)可能導(dǎo)致股價(jià)崩盤。在此基礎(chǔ)上學(xué)者們開始關(guān)注公司層面的信息對(duì)股價(jià)的影響。Jin和Myers（2006）以及Hutton等（2009）發(fā)現(xiàn)缺乏信息透明度的公司，其股價(jià)中包含更少的公司特定信息，更可能發(fā)生股價(jià)崩盤（葉彥藝等，2019）。國內(nèi)也有基于公司信息層面的相關(guān)研究，潘越等（2011）、葉穎玫（2016）認(rèn)為，上市公司的信息透明度與個(gè)股暴跌的概率負(fù)相關(guān)。許年行等（2012）認(rèn)為分析師會(huì)選擇向市場傳遞更多的樂觀預(yù)測和評(píng)級(jí)，并減少負(fù)面消息的傳遞，從而加劇了投資者與企業(yè)之間的信息不對(duì)稱，提高了股價(jià)崩盤風(fēng)險(xiǎn)。

相比股價(jià)暴跌，股價(jià)暴漲的研究較少。高昊宇等（2017）在機(jī)構(gòu)投資者抑制股價(jià)極端波動(dòng)的研究中，對(duì)漲跌停極端風(fēng)險(xiǎn)事件的相關(guān)性進(jìn)行了初步探討，發(fā)現(xiàn)暴漲與暴跌有較高的正相關(guān)性，但未能就暴漲風(fēng)險(xiǎn)深入研究。在此基礎(chǔ)上，葉彥藝等（2019）探究了暴漲股票的特點(diǎn)和動(dòng)因，研究發(fā)現(xiàn)暴漲股票長期超額收益率較低，未來有更大的暴跌風(fēng)險(xiǎn)和更高的收益波動(dòng)率。他們認(rèn)為股價(jià)暴漲是短期價(jià)格泡沫造成的，短期價(jià)格泡沫產(chǎn)生于股價(jià)操縱和非理性投資者對(duì)信息的過度反應(yīng)。無論何種原因，暴漲的股票未來將會(huì)回調(diào)價(jià)格，提升個(gè)股暴跌風(fēng)險(xiǎn)。

從上文可知：第一，資本市場的風(fēng)險(xiǎn)是對(duì)稱的，股價(jià)暴漲作為暴跌的對(duì)立面，也屬于風(fēng)險(xiǎn)范疇。從監(jiān)管部門角度來看，我國漲跌停板制度的設(shè)立說明了暴漲蘊(yùn)含風(fēng)險(xiǎn)。因此，研究也應(yīng)關(guān)注股價(jià)暴漲的影響因素。第二，股價(jià)的暴漲暴跌均與信息不對(duì)稱有關(guān)。上市公司披露的信息是市場參與者的“溝通橋梁”，信息披露質(zhì)量的高低直接影響著投資者與企業(yè)間信息不對(duì)稱程度的大小，因此信息披露與股價(jià)極端波動(dòng)之間必然存在著某種聯(lián)系。一方面，高質(zhì)量的信息披露說明企業(yè)管理層隱藏壞消息的可能性較低，從而降低壞消息不斷積累造成股價(jià)暴跌的概率。另一方面，高質(zhì)量的信息披露也可以減少非理性投資者對(duì)利好消息的盲目認(rèn)同，從而降低過度購買導(dǎo)致股價(jià)短期暴漲的概率。高質(zhì)量的信息披露可以使得市場參與者掌握更多關(guān)于公司的真實(shí)信息，以便對(duì)公司狀況做出更加可靠的評(píng)價(jià)，對(duì)公司股價(jià)做出更為合理的估值，從而減少信息不對(duì)稱引起的股價(jià)極端波動(dòng)。相反，信息披露質(zhì)量低則會(huì)導(dǎo)致外部投資者僅能獲得公司的部分甚至不實(shí)的信息，并且由于無法識(shí)別公司管理者的機(jī)會(huì)主義行為，最終形成公司未來股價(jià)極端波動(dòng)的隱患。據(jù)此，提出假設(shè)H1。

H1：信息披露質(zhì)量越低的公司，其股價(jià)極端波動(dòng)的風(fēng)險(xiǎn)越高。

當(dāng)股價(jià)出現(xiàn)極端波動(dòng)時(shí)，暴跌無疑是一種風(fēng)險(xiǎn)。雖然股價(jià)暴漲直觀上能夠給投資者帶來更高的回報(bào)，可以激起市場的積極情緒，但依舊可將其視為一種風(fēng)險(xiǎn)。特別是信息披露質(zhì)量較差的公司，容易出現(xiàn)內(nèi)部操縱形成虛高股價(jià)，引誘非理性投資者盲目跟風(fēng)購買，導(dǎo)致股價(jià)暴漲。發(fā)生股價(jià)暴漲后，股票更容易受到市場參與各方的關(guān)注從而加強(qiáng)對(duì)該公司的監(jiān)管。一旦真正的信息暴露于市場，投資者察覺到公司的潛在風(fēng)險(xiǎn)，將會(huì)大量拋售股票，從而造成更加劇烈的暴跌。因此股價(jià)暴漲只是一種短期現(xiàn)象，其蘊(yùn)藏著大量的潛在損失，未來出現(xiàn)暴跌的風(fēng)險(xiǎn)更大（圖1）。另外，股票市場對(duì)好消息和壞消息的敏感程度存在差異。謝海濱等（2015）研究發(fā)現(xiàn)，我國股市對(duì)利好和利空消息的反應(yīng)表現(xiàn)出非常明顯的非對(duì)稱性，與利好消息相比，利空消息更容易造成資產(chǎn)價(jià)格的大幅波動(dòng)。因此本文認(rèn)為當(dāng)公司的信息披露質(zhì)量較低時(shí)，投資者更容易受到負(fù)面信息的影響。負(fù)面信息會(huì)引發(fā)投資者的恐慌和拋售行為，導(dǎo)致股價(jià)急跌，而正面信息的影響可能需要更長的時(shí)間才能被完全反映在股價(jià)中。據(jù)此，提出假設(shè)H2。

H2：股價(jià)受到信息披露質(zhì)量的影響出現(xiàn)極端波動(dòng)時(shí)，發(fā)生暴跌的風(fēng)險(xiǎn)更高。

崔笛等（2019）研究發(fā)現(xiàn)，我國A股上市公司中各行業(yè)的年報(bào)信息披露情況存在較大差異。其中，制造業(yè)和信息傳輸業(yè)、軟件和信息技術(shù)服務(wù)業(yè)的整體信息披露質(zhì)量較高。由于各行業(yè)所處的外部環(huán)境以及內(nèi)部控制水平不同，再加上監(jiān)管部門也曾指出，應(yīng)該對(duì)不同行業(yè)的上市公司實(shí)行有差異的、針對(duì)性更強(qiáng)的信息披露要求，因此不同行業(yè)的上市公司在信息披露水平上必然存在一定程度的差異。根據(jù)前文分析，本文認(rèn)為信息披露質(zhì)量的高低對(duì)股價(jià)的極端波動(dòng)有一定影響，因此有理由推斷不同行業(yè)板塊的信息披露質(zhì)量存在差異時(shí)，其股價(jià)極端波動(dòng)的情況也會(huì)呈現(xiàn)出不同的特點(diǎn)。據(jù)此，提出假設(shè)H3。

H3：信息披露質(zhì)量對(duì)股價(jià)極端波動(dòng)的影響在不同行業(yè)間存在差異。

三、變量說明與模型設(shè)定

（一）數(shù)據(jù)來源

本文基于CHOICE金融終端數(shù)據(jù)庫，選取2017—2021年深圳證券交易所（以下簡稱“深交所”）上市的A股公司為樣本。剔除ST和*ST類、極端數(shù)據(jù)以及數(shù)據(jù)缺失的樣本，共計(jì)得到10 510個(gè)有效樣本。采用R4.3.0和Excel對(duì)樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。

（二）行業(yè)板塊劃分

本文依據(jù)申萬2021版本的行業(yè)分類，共計(jì)包含31個(gè)一級(jí)行業(yè)?？紤]到一些行業(yè)板塊樣本數(shù)量過少，將做如下處理：將銀行板塊與非銀金融板塊合并為金融板塊，參考《上市公司環(huán)境信息披露指南》將鋼鐵、有色金屬、紡織服飾、建筑材料、煤炭、石油化工合并為重污染行業(yè)并剔除綜合類板塊。經(jīng)過如上處理后共得到24個(gè)行業(yè)板塊，板塊具體信息詳見后文。

（三）變量說明

1.被解釋變量：股票漲（跌）停次數(shù)

我國股市實(shí)行漲跌停板的價(jià)格限制制度，其目的是減少股價(jià)的極端波動(dòng)。股票漲（跌）停次數(shù)既是股價(jià)極端變化的直接反映，也是衡量暴漲暴跌風(fēng)險(xiǎn)的顯性方法，是所有市場參與者都認(rèn)可的制度化的信號(hào)。借鑒高昊宇等（2017）的研究，本文以股票在一定時(shí)期內(nèi)的漲（跌）停次數(shù)來衡量股票的暴漲（暴跌），并作為本文的被解釋變量。

2.核心解釋變量：信息披露質(zhì)量

深交所2001年5月發(fā)布《深圳證券交易所上市公司信息披露工作考核辦法》（下文簡稱《辦法》），并于當(dāng)年開始連續(xù)每年實(shí)施上市公司信息披露考核工作，此后分別于2008年12月、2011年11月、2013年4月、2017年5月、2020年9月先后五次對(duì)考核辦法進(jìn)行了修訂。深交所考核期間為上年5月1日至當(dāng)年4月30日。該《辦法》結(jié)合公司運(yùn)營規(guī)范程度和投資者保護(hù)情況來綜合評(píng)定上市公司的年度信息披露情況，具有較高的權(quán)威性和可靠性。本文將深交所年度信息披露評(píng)級(jí)結(jié)果的A、B、C、D四個(gè)等級(jí)，分別賦值為4、3、2、1，以反映公司年度信息披露質(zhì)量的高低。

3.控制變量

參考以往研究股價(jià)極端波動(dòng)決定因素的相關(guān)文獻(xiàn)，例如潘越等（2011）和高昊宇等（2017）的研究，本文設(shè)定如下控制變量：公司年度成交額，以觀測年份的總銷售收入進(jìn)行衡量；換手率，以觀測年份日均轉(zhuǎn)手買賣的頻率進(jìn)行衡量；資產(chǎn)負(fù)債率，以公司總負(fù)債與總資產(chǎn)的比值進(jìn)行衡量；波動(dòng)率，以觀測年份股票收益率的標(biāo)準(zhǔn)差進(jìn)行衡量；公司規(guī)模，以公司總資產(chǎn)的自然對(duì)數(shù)進(jìn)行衡量；賬面市值比，以公司賬面價(jià)值與股票市場價(jià)值的比值進(jìn)行衡量；系統(tǒng)性風(fēng)險(xiǎn)，以Beta值衡量個(gè)股相對(duì)于市場的風(fēng)險(xiǎn)；公司年齡，以公司成立年限的自然對(duì)數(shù)進(jìn)行衡量。詳細(xì)的變量定義見表1。

（四）模型設(shè)定

1.模型說明

Yan等（2016）在Ma等（2009）的研究基礎(chǔ)上提出聯(lián)合泊松混合模型（Joint Poisson Mixed Model，JPMM）?！奥?lián)合”指該模型可以基于多個(gè)具有相關(guān)關(guān)系的因變量同時(shí)進(jìn)行回歸?！盎旌稀敝改Ｐ椭械碾S機(jī)效應(yīng)可以有效度量不可觀測的原因所造成的股價(jià)異常波動(dòng)。聯(lián)合泊松混合模型在構(gòu)建過程中使用了最佳線性無偏預(yù)測方法，在實(shí)際應(yīng)用聯(lián)合泊松混合模型分析隨機(jī)聚類數(shù)據(jù)時(shí)，只需要利用隨機(jī)效應(yīng)的前兩階矩來估計(jì)模型參數(shù)，從而極大提高了計(jì)算效率。在實(shí)際應(yīng)用過程中，該模型曾在不同類型的犯罪人數(shù)、食品污染事件的數(shù)量（Yan等，2016）以及地震傷亡人數(shù)的預(yù)測（Zhao等，2021）中取得了良好效果。近年來，它被引入金融領(lǐng)域，在股價(jià)崩盤的分析中得以運(yùn)用（Zhao等，2023）。

2.模型假設(shè)

借鑒Yan等（2016）的構(gòu)建方式，假設(shè)共計(jì)存在K個(gè)獨(dú)立的行業(yè)板塊。設(shè)Yi1、Yi2分別代表與第i個(gè)板塊相關(guān)的漲、跌停次數(shù)（i=1，2，…，K），關(guān)于股價(jià)極端波動(dòng)的聯(lián)合泊松混合模型可以用以下3個(gè)假設(shè)來描述。

假設(shè)1：設(shè)Ui為行業(yè)板塊的隨機(jī)效應(yīng)，它反映了第i個(gè)板塊信息披露質(zhì)量引起股價(jià)極端波動(dòng)的潛在特征。假設(shè)U=（U1，…， UK ）獨(dú)立同分布，均值為1，方差為σ2，即EUi=1，VarUi=σ2。

假設(shè)2：設(shè)Vi1、Vi2為第i個(gè)行業(yè)板塊中股價(jià)暴漲與暴跌對(duì)應(yīng)的隨機(jī)效應(yīng)，描述了在同一板塊下信息披露質(zhì)量對(duì)股價(jià)暴漲與暴跌影響程度的差異。給定行業(yè)板塊的隨機(jī)效應(yīng)U=（U1，…， UK），假設(shè)V11，V12，V21，V22，…，Vk1，Vk2條件獨(dú)立，且條件均值與條件方差為，

E （ Vij | U ）" = Ui ，Var （Vij | U ） = τ2" "j Ui" " " " " " " "（1）

其中τ2" "j 代表第j個(gè)特定類別隨機(jī)效應(yīng)的方差，本質(zhì)上是Vi1、Vi2的方差相對(duì)于Ui的方差的倍數(shù)，因?yàn)閁i在同一個(gè)板塊下取值一致，那么τ2" "j 數(shù)值大小的差異就可以衡量Vij離散程度的差異。j =1，2；i=1，2，…，K。假設(shè)2中Vij的無條件均值也為1，即EVij=1。

假設(shè)3：在給定各行業(yè)板塊的隨機(jī)效應(yīng)及各板塊下股價(jià)暴漲與暴跌的隨機(jī)效應(yīng)W=（U，V）的條件下，各行業(yè)板塊下個(gè)股的漲跌停次數(shù)Y11， Y12，…，Yk1， Yk2條件獨(dú)立，且服從泊松分布，

Yij |W～Poisson（uij Vij）" " " " " " " " " " " " " " " " " " " " "（2）

其中，Yij的邊際期望與解釋變量的p維向量xij =（xij1，…， xijp）'有關(guān)。E（Yij） = uij = exp（xij' βj），j=1，2；i=1，2，…，K。參數(shù)βj = （βj1， βj2，…， βjp）'為p維自變量的回歸系數(shù)。

可以看出，解釋變量對(duì)Yij的影響，是先經(jīng)過Vij的放大或縮小后才作用到Y(jié)ij的，即Vij反映了Yij對(duì)信息披露質(zhì)量的不同敏感程度。關(guān)于模型的多項(xiàng)式解釋參考Yan等（2016）的觀點(diǎn)，由于篇幅限制此處不再說明。

四、實(shí)證結(jié)果與分析

（一）描述性統(tǒng)計(jì)

表2為被解釋變量的描述性統(tǒng)計(jì)結(jié)果，可以發(fā)現(xiàn)不同行業(yè)中股價(jià)漲跌停次數(shù)的均值表現(xiàn)出一定差異。其中通信業(yè)、汽車業(yè)以及商貿(mào)零售業(yè)平均漲跌停次數(shù)位于前列，這可能是由于信息披露質(zhì)量在不同行業(yè)間存在差異。各行業(yè)間均表現(xiàn)出了漲停次數(shù)高于跌停次數(shù)的特點(diǎn)，且二者的差異幅度在不同行業(yè)間相近，這初步說明股價(jià)暴漲和暴跌存在類別間不對(duì)稱性的可能。從表3可以看出樣本中信息披露質(zhì)量的均值為3.03，中位數(shù)為3，說明整體來看樣本公司具備良好的信息披露能力。

（二）相關(guān)性分析

表4各變量間相關(guān)系數(shù)檢驗(yàn)結(jié)果顯示，股價(jià)漲、跌停次數(shù)間存在較強(qiáng)的正相關(guān)關(guān)系，說明當(dāng)股價(jià)出現(xiàn)極端波動(dòng)時(shí)暴漲和暴跌可能相伴而生。信息披露質(zhì)量與股價(jià)漲、跌停次數(shù)顯著負(fù)相關(guān)，這可以初步證明本文假設(shè)H1：信息披露質(zhì)量越低的公司，其股價(jià)極端波動(dòng)的風(fēng)險(xiǎn)越高。各個(gè)解釋變量間的相關(guān)系數(shù)絕對(duì)值都在0.54以下且在5%的置信水平上顯著，結(jié)合表5中VIF的最大值為2.55，遠(yuǎn)小于警戒值10，說明不存在嚴(yán)重的多重共線性問題。

（三）回歸結(jié)果分析

本文同時(shí)給出了一組簡單泊松模型擬合結(jié)果和包含隨機(jī)效應(yīng)的聯(lián)合泊松混合模型擬合結(jié)果。由于在不同行業(yè)板塊中股價(jià)暴漲和暴跌的特定類別變化可能不同，因此本文主要基于聯(lián)合泊松混合模型對(duì)結(jié)果進(jìn)行討論。

在聯(lián)合泊松混合模型中，信息披露質(zhì)量對(duì)股價(jià)暴漲與暴跌的回歸系數(shù)分別為-0.443 7和-0.703 5，并且由簡單泊松回歸和聯(lián)合泊松混合回歸的結(jié)果都可以看出，信息披露質(zhì)量對(duì)股價(jià)暴漲和暴跌的影響在1%的水平下負(fù)向顯著。這意味著高質(zhì)量的信息披露，不僅有助于降低股價(jià)發(fā)生暴跌的可能性，同時(shí)對(duì)股價(jià)暴漲也有一定的抑制作用。股價(jià)的暴漲暴跌往往是伴隨出現(xiàn)的，在考慮股價(jià)的極端波動(dòng)時(shí)不能忽視股價(jià)的暴漲風(fēng)險(xiǎn)。進(jìn)一步證明了假設(shè)H1。各行業(yè)板塊間受信息披露質(zhì)量的影響出現(xiàn)股價(jià)極端波動(dòng)的差異是適度的，σ2=0.110 3。其中不同行業(yè)板塊下股價(jià)漲跌停次數(shù)的隨機(jī)效應(yīng)的離散程度估計(jì)值分別為τ12 =0.015 3，τ22 =0.044 9，這里的隨機(jī)效應(yīng)代表著股價(jià)漲跌過程中非系統(tǒng)性、不可預(yù)測的部分，而離散程度則衡量了隨機(jī)效應(yīng)的變化幅度和頻率。因此τ12和τ22的差異說明相較于暴漲，股價(jià)暴跌的頻率和幅度更大，同時(shí)證明了本文假設(shè)H2，股價(jià)受到信息披露質(zhì)量的影響出現(xiàn)極端波動(dòng)時(shí)，發(fā)生暴跌的風(fēng)險(xiǎn)更高。

除資產(chǎn)負(fù)債率以外，其他控制變量對(duì)被解釋變量的影響均是顯著的?？梢悦黠@看出控制變量的回歸系數(shù)普遍較小，這說明控制變量對(duì)被解釋變量的貢獻(xiàn)力度弱于核心解釋變量。為了更精確地使用該模型進(jìn)行討論，本文剔除不顯著變量（p值＞0.05）使用Wald檢驗(yàn)，并對(duì)聯(lián)合泊松混合回歸模型進(jìn)行更新，更新后模型的回歸結(jié)果如表7所示。

在更新后的模型中，其余變量的顯著性影響與完整的回歸結(jié)果基本一致。為了能夠更加直觀地對(duì)比不同行業(yè)板塊受信息披露質(zhì)量影響出現(xiàn)股價(jià)極端波動(dòng)的差異，表8整理了各板塊隨機(jī)效應(yīng)估計(jì)值，具體計(jì)算公式如下（Yan等，2016）：

U" " ︿i = 1+σ2 ∑2j=1" / 1+σ2 ∑2j=1" " " " " "（3）

V" " ︿ij" =" " " " " " " " " " " " " " " " " " " " " " " " " "（4）

可以看出股價(jià)暴漲和暴跌的隨機(jī)效應(yīng)Vi1、Vi2的強(qiáng)度大小主要基于板塊隨機(jī)效應(yīng)Ui。從表8可知，信息披露質(zhì)量對(duì)股價(jià)極端波動(dòng)的影響在不同行業(yè)間存在差異，證明了本文假設(shè)H3。雖然板塊隨機(jī)效應(yīng)Ui的數(shù)值總體在0.7—1.4 范圍內(nèi)，但考慮到全部個(gè)股漲停次數(shù)的均值為3.962 8次，跌停次數(shù)的均值為1.497 7次，說明該范圍內(nèi)的板塊隨機(jī)效應(yīng)能夠造成板塊間實(shí)際漲跌停次數(shù)存在的明顯差異。隨機(jī)效應(yīng)值較大的幾個(gè)板塊分別為公用事業(yè)、房地產(chǎn)、商貿(mào)零售行業(yè)；隨機(jī)效應(yīng)值較小的幾個(gè)板塊分別為食品飲料、美容護(hù)理和國防軍工行業(yè)。

（四）穩(wěn)健性檢驗(yàn)

1.交易所考評(píng)降級(jí)與股價(jià)極端波動(dòng)

借鑒肖土盛等（2017）、陳遠(yuǎn)志和田靖（2021）的研究，本文進(jìn)一步考察公司信息披露質(zhì)量的變化對(duì)股價(jià)極端波動(dòng)的影響。引入交易所考評(píng)降級(jí)虛擬變量（dum），若i公司第t年的信息披露考評(píng)結(jié)果相較于t-1年下降則取1，反之則取0；同時(shí)剔除前后兩年信息披露考評(píng)結(jié)果不變的樣本。表9列（1）、列（2）顯示，當(dāng)以u(píng)p和down作為被解釋變量時(shí)，虛擬變量的回歸系數(shù)分別為0.241 5和0.500 6，且均在1%的水平下顯著，說明當(dāng)信息披露考評(píng)結(jié)果下降時(shí)，公司股價(jià)暴漲與暴跌的風(fēng)險(xiǎn)均顯著上升。這進(jìn)一步證明了上文結(jié)論的穩(wěn)健性。

2.替換核心解釋變量

借鑒湯小芳（2020）的研究，會(huì)計(jì)穩(wěn)健性要求會(huì)計(jì)人員在報(bào)告財(cái)務(wù)信息時(shí)，不能高估資產(chǎn)和收益，同時(shí)不能低估負(fù)債和損失。這有助于確保企業(yè)財(cái)務(wù)報(bào)告的真實(shí)性。故本文采用會(huì)計(jì)穩(wěn)健性（C-score）作為信息披露質(zhì)量的替換變量。表9列（3）、列（4）顯示，替換變量后，信息披露質(zhì)量對(duì)股價(jià)暴漲的影響在1%的水平上負(fù)向顯著；對(duì)股價(jià)暴跌的影響略有降低，但仍然能夠在5%的置信水平上負(fù)向顯著，證明了本文結(jié)論的穩(wěn)健性。

3.滯后核心解釋變量

考慮到信息披露質(zhì)量對(duì)個(gè)股波動(dòng)情況的影響在未來期可能也有所體現(xiàn)，本文將核心解釋變量滯后一期，結(jié)果如表9列（5）、列（6）所示，核心解釋變量與大多數(shù)控制變量依舊保持較好的回歸效果，再次表明本文結(jié)論穩(wěn)健。

（五）內(nèi)生性檢驗(yàn)

本文使用公司的高管人數(shù)作為工具變量（IV），進(jìn)行內(nèi)生性檢驗(yàn)。公司的高管人數(shù)一定程度上反映了公司的內(nèi)部管理情況。公司高管人數(shù)多說明公司管理能力較強(qiáng)，從而有利于提高公司的信息披露質(zhì)量，因此工具變量滿足相關(guān)性。同時(shí)，高管人數(shù)的變化通常由公司戰(zhàn)略、業(yè)務(wù)擴(kuò)展等因素決定，這些因素與股價(jià)波動(dòng)無直接聯(lián)系，因此工具變量滿足外生性。工具變量的回歸結(jié)果見表10，F(xiàn)統(tǒng)計(jì)量的值遠(yuǎn)大于10，說明不存在弱工具變量問題；LM檢驗(yàn)p值為0.000 0，說明不存在識(shí)別不足的問題。第一階段的回歸系數(shù)顯著為正，第二階段的回歸系數(shù)顯著為負(fù)，說明基準(zhǔn)模型結(jié)果具有一定的穩(wěn)健性。

五、股價(jià)極端波動(dòng)的板塊差異在投資決策中的應(yīng)用

經(jīng)過前文實(shí)證分析發(fā)現(xiàn)，信息披露質(zhì)量對(duì)于股價(jià)極端波動(dòng)的影響在不同行業(yè)板塊間存在差異。為了說明聯(lián)合泊松混合模型中的隨機(jī)效應(yīng)可用于投資決策，本文選取2021年數(shù)據(jù)再次回歸，并根據(jù)隨機(jī)效應(yīng)值構(gòu)建投資組合，從而為不同類型的投資者提供相應(yīng)投資策略，實(shí)現(xiàn)有效的風(fēng)險(xiǎn)管理。

（一）投資策略分析

股價(jià)漲跌停次數(shù)的隨機(jī)效應(yīng)大小代表了某一行業(yè)板塊中股價(jià)上升或下降趨勢(shì)相對(duì)于總體的幅度。由于投資的第一目標(biāo)是盈利，所以無論在哪種策略下，都需要加入約束條件：Vi1＞Vi2。這在理論上保證了投資標(biāo)的價(jià)值上升的強(qiáng)度大于下跌的強(qiáng)度，即總是存在著或大或小的盈利空間。

首先，對(duì)各個(gè)行業(yè)板塊按照板塊隨機(jī)效應(yīng)值降序排列；其次，選擇漲停隨機(jī)效應(yīng)大于跌停隨機(jī)效應(yīng)的板塊作為初步選擇范圍；最后，選擇板塊隨機(jī)效應(yīng)較大（較小）的行業(yè)作為風(fēng)險(xiǎn)偏好者（風(fēng)險(xiǎn)厭惡者）投資標(biāo)的選擇范圍。符合條件的行業(yè)板塊如表11所示。選擇的邏輯在于，在同樣的市場條件下，對(duì)于風(fēng)險(xiǎn)偏好者來說，所選投資標(biāo)的的上漲趨勢(shì)要大于市場平均水平；對(duì)于風(fēng)險(xiǎn)厭惡者來說，所選投資標(biāo)的的下跌趨勢(shì)要小于市場平均水平。

（二）投資組合的構(gòu)建

按照上文的投資策略，兩種類型的投資者分別隨機(jī)選擇三個(gè)行業(yè)中的15只股票，并使用等資金分配法構(gòu)建投資組合。投資組合的初始金額設(shè)為150萬元，以股票買入當(dāng)天的價(jià)格來決定其在投資組合中所占權(quán)重。投資者的投資標(biāo)的如表12所示。

（三）投資效果衡量

本文以深證成指作為對(duì)照組，通過比較投資組合與指數(shù)的收益率來評(píng)估投資組合的有效性。考慮到時(shí)間的連續(xù)性，選擇2022年一整年及2023年上半年作為投資期。受新冠疫情影響，2022年我國股市表現(xiàn)悲觀，不同投資期的收益率表現(xiàn)能有效評(píng)估投資組合在不同市場環(huán)境下的有效性。首先對(duì)所選行業(yè)板塊的有效性進(jìn)行驗(yàn)證。將收益率作為被解釋變量，引入虛擬變量（dv），將基于隨機(jī)效應(yīng)篩選出的行業(yè)內(nèi)的公司樣本賦值為1，否則為0，同時(shí)選取凈資產(chǎn)收益率（roe）、公司市值（mv）等作為控制變量。表13顯示，虛擬變量與收益率顯著正相關(guān)，說明整體來看基于隨機(jī)效應(yīng)選出的行業(yè)內(nèi)的公司收益率相對(duì)較高。

以投資組合期末價(jià)值與期初價(jià)值之差除以期初價(jià)值，計(jì)算投資組合收益率，結(jié)果發(fā)現(xiàn)：當(dāng)投資期為2023年上半年時(shí)，兩個(gè)投資組合的收益率均大于指數(shù)收益率；當(dāng)投資期為2022年時(shí)，指數(shù)的收益率為-25.52%，風(fēng)險(xiǎn)偏好者和風(fēng)險(xiǎn)厭惡者的投資組合收益率分別為-11.83%和-5.07%。這表明，盡管面對(duì)悲觀的股市行情，投資組合的收益率仍然能夠在一定程度上超越指數(shù)收益率，說明投資組合是有效的。并且風(fēng)險(xiǎn)偏好者收益率的波動(dòng)率始終高于風(fēng)險(xiǎn)厭惡者的波動(dòng)率，說明風(fēng)險(xiǎn)厭惡者在持有資產(chǎn)期間所面臨的收益不確定性相對(duì)較低，這進(jìn)一步驗(yàn)證了投資組合的有效性。

六、結(jié)論與建議

（一）結(jié)論

本文基于2017—2021年深交所A股上市公司數(shù)據(jù)，采用聯(lián)合泊松混合模型，探究信息披露與股價(jià)極端波動(dòng)之間的關(guān)系，得出以下結(jié)論：第一，上市公司的信息披露質(zhì)量越低，股價(jià)發(fā)生極端波動(dòng)的風(fēng)險(xiǎn)越高。 第二，當(dāng)股價(jià)受信息披露質(zhì)量的影響發(fā)生極端波動(dòng)時(shí)，暴跌比暴漲的風(fēng)險(xiǎn)高。 第三，信息披露質(zhì)量影響股價(jià)極端波動(dòng)的情況在不同行業(yè)間存在差異。最后，本文將聯(lián)合泊松混合模型的回歸結(jié)果運(yùn)用到投資者決策中，根據(jù)不同行業(yè)板塊中的隨機(jī)效應(yīng)值，構(gòu)建相應(yīng)投資組合，驗(yàn)證了投資組合的有效性，本文研究能夠幫助實(shí)現(xiàn)投資者追求回報(bào)及風(fēng)險(xiǎn)管理的投資目標(biāo)。

（二）相關(guān)建議

第一，鑒于交易所的信息披露考評(píng)結(jié)果在一定程度上會(huì)影響上市公司的股價(jià)走勢(shì)，我國三大交易所應(yīng)進(jìn)一步完善信息披露考評(píng)制度。目前我國滬深交易所的信息披露考評(píng)制度存在一定的差異，不利于提升信息披露考評(píng)制度的綜合實(shí)施效果。未來我國三大交易所的信息披露考評(píng)制度改革應(yīng)統(tǒng)一規(guī)范具體的考核時(shí)間區(qū)間、考核結(jié)果的公告時(shí)間等，從而全面提升A股市場的信息效率。其中，北交所成立時(shí)間相對(duì)較晚，更應(yīng)該從一開始就結(jié)合注冊(cè)制，實(shí)施面向未來的信息披露考評(píng)機(jī)制。

第二，監(jiān)管層必須嚴(yán)格督促上市公司進(jìn)一步提高信息披露質(zhì)量，尤其是信息披露考評(píng)連續(xù)多個(gè)年度不佳以及兩權(quán)分離度較高的企業(yè)。如果上市公司信息披露不完整，存在重大遺漏，或者選擇性地披露好消息、隱藏壞消息，則容易引發(fā)股價(jià)極端波動(dòng)風(fēng)險(xiǎn)，極大地?fù)p害投資者利益。因此，要重視信息披露質(zhì)量的完整性、及時(shí)性與真實(shí)性，促使企業(yè)規(guī)范內(nèi)部管理，切實(shí)保護(hù)投資者利益。

第三，強(qiáng)化漲跌停板制度的政策導(dǎo)向作用。漲跌停板制度是證券市場的一種價(jià)格限制機(jī)制，用于控制股票單個(gè)交易日內(nèi)的價(jià)格波動(dòng)幅度，它的設(shè)立在維持股票市場穩(wěn)定發(fā)展、保護(hù)投資者利益、防止過度投機(jī)等方面做出了巨大貢獻(xiàn)。未來，市場管理者和監(jiān)督者應(yīng)著力引導(dǎo)投資者樹立對(duì)漲跌停板的正確認(rèn)識(shí)，繼續(xù)發(fā)揮好漲跌停板的“指示標(biāo)”和“冷卻劑”作用，從而保證金融市場健康穩(wěn)定發(fā)展。

參考文獻(xiàn)：

[1] 葉彥藝，高昊宇，楊曉光.股價(jià)暴漲的風(fēng)險(xiǎn)：基于中國股市的實(shí)證[J].中國管理科學(xué)，2019，27（07）：11-22.

[2] 姜永宏，穆金旗，趙婷婷.大股東交易與中國A股市場股價(jià)暴漲暴跌風(fēng)險(xiǎn)[J].南方金融，2019，（02）：3-11.

[3] 李建瑩，劉維奇，原東良.企業(yè)社會(huì)責(zé)任與股價(jià)極端波動(dòng)風(fēng)險(xiǎn)——基于企業(yè)參與貧困治理視角的研究[J/OL].中國管理科學(xué)，1-16[2024-07-04].https：//doi.org/10.16381/j.cnki.issn1003-207x.2021.2626.

[4] ROMER D. Rational asset-price movements without news[J]. American Economic Review， 1993， 83（05）： 1112-1130.

[5] CHEN J， HONG H， STEIN J C. Forecasting crashes： Trading volume， past returns， and conditional skewness in stock prices [J]. Journal of Financial Economics， 2001， 61（03）：345-381.

[6] JIN L， MYERS S C. R2 around the world： New theory and new tests[J]. Journal of Financial Economics， 2006， 79（02）： 257-292.

[7] HUTTON A P， MARCUS A J， TEHRANIAN H. Opaque financial reports， R2， and crash risk[J]. Journal of Financial Economics， 2009， 94（01）： 67-86.

[8]潘越，戴亦一，林超群.信息不透明、分析師關(guān)注與個(gè)股暴跌風(fēng)險(xiǎn)[J].金融研究，2011（09）：138-151.

[9]葉穎玫.信息披露質(zhì)量與股價(jià)暴跌風(fēng)險(xiǎn)[J].會(huì)計(jì)論壇，2016，15（01）：110-124.

[10]許年行，江軒宇，伊志宏，等.分析師利益沖突、樂觀偏差與股價(jià)崩盤風(fēng)險(xiǎn)[J]. 經(jīng)濟(jì)研究，2012（07）：127-140.

[11]高昊宇，楊曉光，葉彥藝.機(jī)構(gòu)投資者對(duì)暴漲暴跌的抑制作用：基于中國市場的實(shí)證[J]. 金融研究，2017（02）：163-178.

[12]謝海濱，范奎奎，周末.中國股市對(duì)利好和利空信息反應(yīng)的差異研究[J].系統(tǒng)工程理論與實(shí)踐，2015，35（07）：1777-1783.

[13]崔笛，鄭明，李巖，等.基于分類體系的上市公司年報(bào)信息披露質(zhì)量研究——以我國A股上市公司為例[J].情報(bào)學(xué)報(bào)，2019，38（12）：1250-1259.

[14] YAN G， HASAN M T， MA R. Modeling proportions and marginal counts simultaneously for clustered multinomial data with random cluster sizes[J]. Journal of Applied Statistics， 2016， 43（06）： 1074-1087.

[15] MA R， J?RGENSEN B， WILLMS J D. Clustered binary data with random cluster sizes： A dual poisson modelling approach[J]. Statistical Modelling， 2009， 9（02）： 137-150.

[16] ZHAO M， JIANG W， YAN G， et al. Instant prediction of earthquake casualties for early rescue planning： A joint Poisson mixed modeling approach[J]. International Journal of Disaster Risk Reduction， 2021， 58（05）：1-11.

[17] ZHAO R， MA R， YAN G， et al. Modeling clustered binary data with nonparametric unobserved heterogeneity：An application to stock crash analysis[J]. Applied Stochastic Models in Business and Industry， 2023， 39（06）： 818-828.

[18]肖土盛，宋順林，李路.信息披露質(zhì)量與股價(jià)崩盤風(fēng)險(xiǎn)：分析師預(yù)測的中介作用[J].財(cái)經(jīng)研究，2017，43（02）：110-121.

[19]陳遠(yuǎn)志，田靖.信息披露質(zhì)量、投資者預(yù)期與股價(jià)崩盤風(fēng)險(xiǎn)——基于中小板和創(chuàng)業(yè)板上市公司的實(shí)證研究[J].金融監(jiān)管研究，2021（12）：75-91.

[20]湯小芳.信息披露質(zhì)量對(duì)資產(chǎn)價(jià)格波動(dòng)的影響研究——基于會(huì)計(jì)穩(wěn)健性視角的分析[J].價(jià)格理論與實(shí)踐，2020（09）：115-118.

（責(zé)任編輯：唐詩柔）

作者簡介：周金蒨，碩士研究生，云南師范大學(xué)泛亞商學(xué)院，研究方向?yàn)榻鹑陲L(fēng)險(xiǎn)管理、計(jì)量金融學(xué)。

孟佳欣，碩士研究生，云南師范大學(xué)泛亞商學(xué)院，研究方向?yàn)橛?jì)量金融學(xué)。

蔣文江，博士，教授，碩士生導(dǎo)師，云南師范大學(xué)泛亞商學(xué)院，研究方向?yàn)閿?shù)理統(tǒng)計(jì)、金融數(shù)學(xué)。

基金項(xiàng)目：國家自然科學(xué)基金“基于α-VG分布的多元時(shí)間序列模型及其在金融建模中的應(yīng)用研究”（11361022）。