【正文】 內特征表明在交易日內不同時期價格包含了不同的信息，因為信息總是反映在價格之中，交易活躍的時間會反映更多的信息。最早的研究是Wood，Mcinish 和 Ord(1985)，他們發(fā)現(xiàn)無論是平均收益率還是標準差，日內模式都是與有效市場假設不一致的。國際主要證券交易市場的日內流動性特征都已經有系統(tǒng)的研究。Jain 和Joh(1988)對NYSE市場的研究發(fā)現(xiàn)，日內的交易活動(Tradingactivity)呈現(xiàn)明顯的 U形，即每天在開盤附近和收盤附近交易行為活躍，而在中間的時段交易活動較低。Handa(1992)利用NYSE和AMEX數據發(fā)現(xiàn)日內買賣價差也呈現(xiàn)U形形態(tài)。Handa(1992)發(fā)現(xiàn)NYSE和AMEX市場的日內買賣價差呈現(xiàn)U形，市場在早上開盤后和收盤前價差較大中間時刻價差較小。此外Handa還發(fā)現(xiàn)在收盤前價差先大幅上升，而收盤時又有大幅下降。Jonas Niemeyer 和 Patrik Sandas(1995)對瑞典市場發(fā)現(xiàn)開盤時價差較大，但收盤時未見有上升。目前對上海市場的日內流動性特征還缺乏系統(tǒng)性的研究，本節(jié)希望通過對上海市場的日內高頻交易數據的分析，來確定上海市場的日內流動性特征，并對影響因素進行分析。 文獻綜述用來解釋日內買賣價差特征的理論主要有三種。第一種理論是非對稱信息理論，這種理論認為買賣價差的大小反映了信息非對稱的程度。第二種理論認為在日內不同時間流動性的需求彈性不同，而流動性供給者發(fā)現(xiàn)這些差別的能力也不同，在開始交易不久和臨近交易結束時流動性需求往往是缺乏彈性的，這導致了這些時段內價差的增大。第三種理論是從存貨風險的角度來解釋日內價差的變化，但這往往是針對做市商市場的。日間流動性理論是以知情交易者和非知情交易者的策略博弈為基礎的，這些理論提出了交易量，波動性，交易成本等之間的關系。Admati和 Pfleiderer(1988)提出在交易量最大的時候交易成本最低，因為當交易量很大時做市商之間的競爭32
會降低價差。Foster和 Viswanathan(1990)認為在周一時買賣價差的逆向選擇成分是一周中最大的，這是因為這一天的交易包含了周末沒有交易的時期的信息的累積。 實證分析為了研究流動性在一天內隨時間變化的規(guī)律，我們以十分鐘為時間窗口，將股票一天的交易時間(240分鐘)等分為 24個時段，分別計算每一時段內各股票的平均買賣價差，報價深度和交易量。最后將樣本股票在該時段的平均買賣價差，深度，交易量再進行平均，得到市場在這一時段的平均流動性指標。其中交易量我們用該時間區(qū)間內的成交金額占該日總成交金額的比例來表示。從下面的圖 51，圖 52，圖 53，圖 54可以發(fā)現(xiàn)，上海股市的買賣價差(無論是絕對價差還是相對價差)大致呈“L”型曲線，報價深度呈倒”L”型，而交易量則呈現(xiàn)”N”型。在開盤時的買賣價差是一天中最大的，深度和交易量是最小的。開盤交易的十分鐘內，委托數量很少，深度非常小，一般在日內平均深度 50%以下，價差也非常大。在從 9:30到 10:30的時間里，深度迅速增加，買賣價差迅速縮小，交易量在有一個大的上升后迅速趨于平穩(wěn)。到 10:30以后市場深度，買賣價差，交易量基本收斂到一個穩(wěn)定的水平。在接近中午市場休市的最后 20分鐘內，委托數量有一個減少的趨勢，深度有所下降，而成交量則有明顯的下降。下午重新開始交易時，市場深度較之上午有一個明顯的增加，并且持續(xù)增加，直到 14:00左右又達到一個穩(wěn)定的水平，買賣價差保持在一個相同的水平上。交易量則平穩(wěn)上升。在接近收盤的最后 20分鐘內，市場深度又開始下降，而且這個下降的趨勢比上午休市前的下降更為明顯，幅度也更大。而交易量則呈現(xiàn)明顯的大幅上升，在收盤的最后 10分鐘內的交易量是一天中最大的。買賣價差則呈現(xiàn)平穩(wěn)的狀態(tài)，沒有明顯的變化。總體上看，我們可以歸納出日內流動性的如下幾個特征：（1）上海股市的買賣價差(無論是絕對價差還是相對價差)大致呈“L”型曲線，在開盤后的一段時間內價差迅速下降，此后呈現(xiàn)出平穩(wěn)的狀態(tài)。（2）報價深度呈倒”L”型，在開盤后呈明顯的上升狀態(tài)，此后基本維持在一個相同的水平上，下午比上午略大。（3）交易量在日內呈現(xiàn)”N”型，同集合競價相比，開盤后的 10分鐘交易量比較大，33
此后維持在類似的水平，在接近中午休市時交易量有所下降，下午繼續(xù)交易后交易量呈逐漸增加，收盤的最后 10分鐘交易量非常大，總體上看，下午的交易量明顯大于上午。0時間圖 5－1相對價差的日內分時特征0時間圖 5－2絕對價差的日內分時特征34
180000160000140000120000100000800006000040000200000時間圖 5－3 報價深度的日內分時特征0時間圖 5－4 交易金額的日內分時特征 買賣價差影響因素的回歸分析對個股而言，買賣價差與其股價水平、股價波動性、交易活躍性等因素密切相關。為此，我們每天對下式進行橫截面回歸分析，然后計算研究期間所有交易日的回歸系數平均值。(51)Spread = γ +γ Std +γ Price +γ Vol +γ Turnover +γ Quantity +δii01i2i3i4i5i其中，Spread為股票 i在某交易日的平均買賣價差，Std為前十個交易日日收益率的標準差，Price為當天的每分鐘平均價格水平，Vol為當天交易數量，Turnover為當天的換手率，Quantity為當天的每分鐘平均買賣委托數量。上述橫截面回歸分析將獲得一系列γ的估計值，它們的檢驗值可表示為：rt(γ ) =jS(r )j=0,1,2,3,4,5(52)jjN35
如果上述檢驗值大于臨界值，那么可認為系數估計值顯著異于零，即該變量對買賣價差具有一定影響?；貧w分析結果列于表 51。從中可以發(fā)現(xiàn)，標準差、絕對價格水平和買賣委托量對價差具有顯著影響。其中，波動性越高的股票買賣價差也越大，這主要是因為高波動性意味著較高的價鉻變化頻率和幅度，價鉻變化的連續(xù)性較差，從而導致買賣價差增大。價鉻水平對買賣價差具有負向影響，即高價股的買賣價差較小，而低價股的買賣價差較大，這是因為目前上海股市的最小報價單位均為 1分錢，對低價股而言人為加大了買賣價差。此外，在競價市場中，買賣委托數量越大，競爭程度越激烈，買賣價差將越小，因此委托數量對價差具有正向影響。表 5－1 買賣價差的影響因素回歸分析γ 2γ 0γ 1γ 3γ 4γ 5R2D－W值PPPP()()()******(P)(P)(P)PPP注：括號內為統(tǒng)計變量的 t 檢驗值。**表示回歸系數在 99%的置信水平下顯著異于零。DW統(tǒng)計值表明回歸式不存在殘差相關現(xiàn)象。 從非對稱信息角度的解釋為什么日內的委托深度呈現(xiàn)倒 L形模式而買賣價差呈現(xiàn) L形模式？對日內流動性模式的解釋，Brock和 Kleidon(1992)認為流動性之所以在開盤后和收盤前比較差，主要是因為不同時點交易者的流動性需求彈性不同，而流動性供給者（做市商）鑒別能力也不同，他們假設流動性需求者在開盤和收盤附近時對流動性是缺乏彈性的，這使得壟斷的流動性供給者在這些時刻可以提高價差或者減小報價深度；存貨成本理論(Stoll，1978。Ho，Stoll，1981)認為造成日內流動性模式的主要原因是做市商在平衡持有的證券與期望的最優(yōu)持有量時造成的；非對稱信息理論 (Copeland，Galai，1983。Glosten，Milgrom，1985)認為由于開盤和收盤附近的信息不對稱程度較之其他時點更大，交易者的逆向選擇成本導致了流動性下降，逆向選擇成本指交易者由于可能同知情交易者(informed traders)進行交易而帶來的期望損失。從我國交易機制的特點和市場發(fā)展的特點看，由于信息披露機制的不完善和監(jiān)管手段的缺乏，我國投資者之間存在嚴重的信息不對稱性 (陳信元，1999；施東暉，2001)。我們認為信息的非對稱性可能是影響日內報價深度的主要因素。36
采用 Lin，Sasnger，Booth(1995)提出的分解方法，我們首先對買賣價差(bidaskspread)中所包含的非對稱信息部分進行估計。對每一個股票按下面的方程進行回歸分析:?Q = λz + et+1(53)t+1t其中Q是t時刻的買入價(bid)和賣出價(ask)的中值(midpoint)的對數，即t? 1? 2?Q = ln (bid + ask)，z是實際交易價格(對數) p與Q的差，即 z = ln p ?Q，???tttttttλ是價差中由非對稱信息造成的部分，e是服從正態(tài)分布的隨機噪音項。t+1對樣本中的每一個股票進行回歸分析，表 52給出了平均的回歸結果?？?以發(fā)現(xiàn)，在 100個公司的回歸分析中，有 95%的回歸滿足λ 0且 t統(tǒng)計值在 0. 01下顯著，買賣價差中平均的逆向選擇成分是 ，這一數字低于做市商市場的逆向選擇成分 (Stoll，1989)，這是因為在作市商市場中股票的大部分交易都是通過做市商完成的，因此做市商為了彌補同潛在的知情交易者進行交易帶來的損失，所以在價差中很大一部分來自對這種信息非對稱的補償，因此其非對稱信息部分要高于指令驅動市場，但我國市場的非對稱信息部分要高于香港的(Brockman，Chung，1999)。?我們將 100個樣本股票按其信息非對稱的程度(λ )進行排序，信息非對稱程?度最小(即λ最小的 25個股票)的 25個股票分為第 1組，依次產生第 2，3，4組，然后分別計算各組的日內深度的均值和中值。如預期的一致，隨著信息非對稱程度的增強，市場深度明顯下降，對四個組進行參數 F檢驗和非參數的KruskalWallis檢驗都拒絕四個組的均值無差異的假設。對相臨兩組我們還進行了參數 t檢驗和非參數的 Wilcoxon秩和檢驗(Wilcoxon rank sum test)，都拒絕了兩組數值無差異的假設。37
表 5－2 對買賣價差中逆向選擇成分的估計樣本股票數目100平均(中值)調整 R2()()?平均(中值)的系數估計λ?平均(中值)的系數估計λ 的 t統(tǒng)計值()95 (%)?滿足λ 0且 t統(tǒng)計值在 （比例）說明：1。對每一個股票按方程(2)進行回歸分析，這里報告的是這100次回歸的平均狀況。表 53 按λ（信息非對稱的程度）進行排序的四分位（quartiles）樣本股票的深度股票數目深度的均值深度的中值第1組股票第2組股票第3組股票第4組股票25252525335820219615142138117842156274938066846152960說明：。第 1組股票是λ最小的1/4股票，第2組是從小到大緊接第1組的1/4股票，第4組是λ最小的1/4股票，第3組是其余1/4股票。為了進一步檢驗上述結論的穩(wěn)健性，我們依然引入同第三部分一樣的控制變量，對下面的方程進行回歸分析:4∑Depth =α + β vol + β var + β price + δ quartile +ε tk=2(54)t1t2t3tkk,t其中 Depth為 10分鐘的時間段內股票的平均深度，vol為這一時間段內的交易量，var為這一時間段內股票分鐘收益率的方差，quartile為分別代表第 2，3，k4組股票的虛擬變量?；貧w結果見表 54。從回歸結果中可以看出， vol， var， price這幾個控制變量依然是保持同樣的符號且顯著，而虛擬變量 quartile的回歸系數顯著為負且依次增大，對kquartile之間是否相等的假設進行的 F檢驗都拒絕了原假設，這表明在考慮了其k他因素的影響后，信息的非對稱程度依然是解釋深度變化的重要因素。信息非對稱不僅影響著買賣價差的大小，深度隨著信息非對稱程度的增加而減小。38
表 5－4 對深度進行控制變量和非對稱信息成分λ進行回歸的結果變量變量的系數系數的估計值t統(tǒng)計值截距αβ1 ******VolVarβ 2β 3δ 2δ 3δ 4 *** *** *** *** ***Pricequartile2quartile3quartile4回歸的整體檢驗調整 R 2: F值: 系數的檢驗H :δ = δ 3 F值: 。02H :δ = δ 4 F值: 。03H :δ = δ = δ