股价波动非同步性——信息还是噪音？，本文主要内容关键词为：股价论文,噪音论文,信息论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
修订日期：2011-04-23.
0 引言
股价波动非同步性代表信息还是噪音涉及金融市场是否有效的争论，而关于市场有效性问题的研究一直是现代金融学的热点。Roll[1]发现美国市场具有较高的股价波动非同步性①(较低的
)，并将其归结为公司层面信息②(Firm-Specific Information)或者是投资者的狂热(occasional frenzy)。随后文献分别从信息和噪音(狂热)角度解释股价非同步性。一方面，信息解释者认为：股价应反映一切可获得的信息，它的任何变动都由信息流动造成。投资者的信息套利行为③使大量公司层面信息进入股价，导致高股价非同步性。此种情况下，高非同步性并不代表高风险，而是信息功能效率的表现[2]：更多公司层面信息使股价更贴近公司基本价值，经理人利用股价所含信息引导资本流向最具价值的项目。另一方面，噪音解释者认为信息解释不能说明一些观测到的异象，如超额波动率和封闭式基金之谜等，他们认为是噪音而非信息决定股价非同步性。噪音交易者误将噪音当作信息或为流动性进行交易[3]，从而使股价包含更多噪音，偏离公司基本价值，造成社会福利的损失。
在一篇开创性论文中，Morck等[4]发现发达市场比新兴市场具有较高的股价非同步性，并将这种差异归结为良好投资者产权保护所致的信息套利行为。随后文献更多从信息角度解释非同步性，而忽略Roll[1]强调的噪音部分。发达市场(例如美国)法律法规比较完善，投资者产权保护程度好，信息透明度高，这些都会激励投资者的信息套利行为，使更多公司层面信息进入股价，导致有效的定价。但与发达市场相比，中国证券市场仍处于起步阶段，法律法规和制度建设尚不健全，信息披露质量较低，市场上非理性投资者居多，政府干预特征明显，这些因素的存在都可能导致噪音交易主导市场，造成股价偏离和效率损失。简单地将股价非同步性理解为信息或者噪音会导致不一致甚至完全相反的结论，正如Morck等[4]发现：日本、意大利、希腊和西班牙四个发达市场的非同步性较低，这与他们提出的发达市场具有良好信息环境从而具有高非同步性的观点不一致。因此，需要正确理解在中国市场上，是信息还是噪音影响股价非同步性，以利于中国证券市场有效性的判断和相关政策的制定。
基于Lee和Liu[5]的理论模型，实证检验股价非同步性与信息含量之间的关系，发现二者之间存在U型关系，这与张永任和李晓渝[6]相一致。不同的是，在检验股价同步性()与股价信息含量的关系时，张永任和李晓渝[6]采用机构持股比例作为信息含量代理，本文则采用信息交易概率(PIN)作为代理。采用信息交易概率作为信息含量的代理进行实证更为有效，因为投资者搜集、整理、分析和运用私有信息的成本是决定U型关系存在的重要因素④，同时信息成本也是决定知情交易活跃程度的重要因素[7]，PIN则是知情交易活跃程度的很好的度量。张永任和李晓渝[6]采用2004年的A股市场交易数据作为研究对象，本文采用2001年至2007年的A股市场交易数据进行研究，样本容量更大，更有说服力。
此外，张永任和李晓渝[6]没有检验噪音交易对股价非同步性的影响，本文通过ARIMA模型的残差项构建噪音交易指标，采用非平衡面板数据回归方法，发现股价非同步性与噪音之间存在非线性关系，这是本文的主要贡献，亦是以往文献没有涉及的地方。尽管噪音交易和信息交易均会影响股价非同步性，但在特定时期和特定市场，必定有一因素占据主导地位。通过盈余公告效应和股价信息含量检验发现，高非同步性公司具有较强的盈余公告后漂移以及股价包含较少当期和未来盈余信息，表明在中国市场上，股价波动非同步性整体表现为噪音性质，这也是张永任和李晓渝[6]的工作没有涉及的地方，同时也与国内文献普遍将股价非同步性视为私有信息的度量不一致。
1 文献综述
综述股价非同步性的信息解释和噪音解释，以及国内研究现状。
1.1 信息解释
股价非同步性作为公司层面信息的度量被广泛应用于实证研究，有三篇文献尤为重要。Morck等[4]发现发达市场比新兴市场具有高股价非同步性，并将这种差异归结为投资者产权保护程度的不同。Durnev等[2]发现具有高非同步性的行业和公司，其股价包含更多的未来盈余信息。Jin和Myers[8]补充了Morck等[4]的结论，他们认为，投资者产权保护本身不能解释国家之间的差异，缺乏透明度是理解新兴市场具有相对较低的非同步性的关键。公司透明度低，会削弱投资者利用信息进行套利的意愿，使风险从投资者转移到公司经理人，从而降低股价信息含量。
另有一些文献以股价非同步性作为信息指标研究其经济后果。Durnev等[9]，Chen等[10]发现公司管理层从其股价获取信息以用于投资决策。Ferreira和Laux[11]发现，反并购能力较弱的公司具有较高的股价非同步性，这表明开放控制权会导致更有效的股价。Fernandes和Ferreira[12]研究非美国公司在美国上市对股价信息含量的影响，发现在美国上市具有非对称效应，其使发达市场公司股价信息含量增加，新兴市场公司股价信息含量降低。可以预见，以股价非同步性为信息含量指标的文献会逐渐增多。
1.2 噪音解释
基于理论研究和实证结果，已经有学者开始质疑信息解释，他们认为是噪音而非信息影响股价非同步性。Shiller[13]认为公司基本面因素无法解释超额波动率现象，股价波动率很大一部分是由噪音引起的。West[14]发现个股波动率与市场泡沫、投资者情绪以及其他非基本面因素正相关，并且与公司层面信息负相关。DeLong等[15]从理论上证明高波动率是由更多的噪音交易引起的。Ashbaugh-Skaife等[16]发现在德国和美国，股价非同步性与股价信息含量负相关，而在英、法、澳大利亚和日本四国，二者没有显著相关关系。Teoh等[17]假设股价非同步性代表信息，则高股价非同步性会导致弱异常项目，但实证结果与假设相反。Lee和Liu[5]建立理论模型证明，特质波动率与信息存在非线性关系，与噪音存在线性关系。
1.3 国内研究
目前，国内文献主要在信息解释基础之上研究股价非同步性的影响因素和经济后果，具体如下：于阳和李怀祖[18]发现作为理性投资者的证券基金，其规模增加对股价同步性影响甚微。他们将此解释为政府干预所引致的机构投资者的投机行为。朱红军等[19]发现证券分析师会增加股价非同步性(股价信息含量)，这与Piotroski和Roulstone[20]对美国市场的分析相反⑤。游家兴等[21]发现股价非同步性伴随制度建设完善而提高，但却无法解释2001年股价非同步性的显著降低。陈梦根和毛小元[22]发现高非同步性公司股票交易活跃，并认为是高信息含量所致。事实上，非同步性和交易活跃程度很可能互为因果关系，并且不能排除噪音交易所致的高非同步性。在一系列文献中，袁知柱和鞠晓峰[23-25]验证了股价非同步性作为信息含量指标的有效性，并且发现制度环境和治理水平较好、股权结构平衡的公司具有较高的非同步性，审计质量对非同步性没有影响。冯用富等[26]以股价非同步性作为私有信息套利空间大小的度量，发现套利空间与第一大股东持股比例、限售股比例正相关，与机构投资者持股比例、股权分置改革完成时间、公司规模负相关。
综上所述，国外研究对于股价非同步性代表信息还是噪音存在分歧，单用信息或者噪音均无法完美解释一些观测到的现象。国内研究则比较一致地将股价非同步性视为公司层面信息指标。但是与发达市场相比，中国证券市场仍处于起步阶段，“新兴加转轨”特征明显，信息披露造假，基金黑幕层出不穷，政府频繁干预市场，这些特殊性使得单一地将股价非同步性视为信息存在疑问。理论和实证研究中所出现的争议是本文的动机：是噪音还是信息影响股价非同步性？
2 变量构建
因为缺少有效度量噪音的指标，国内很少有文献研究股价非同步性和噪音之间的关系。本文则构建公司层面信息和噪音交易指标，以直接检验二者与股价非同步性的关系。本节主要介绍变量构建方法、样本选择和数据来源。
2.1 股价波动非同步性(NSYN)
股价波动非同步性用以衡量个股独立运动情况，其值越大，表明个股运动与市场运动越不一致；其值越小，说明个股运动与市场运动越一致，表现出明显的股价同升同降、板块联动现象。根据Durnev等[2]的方法，构建股价非同步性指标如下：
(
2.2 信息交易概率(PIN)
信息交易概率被广泛地用于度量公司层面信息，其值越大，公司层面信息越多。PIN由Easley等[27-30]在一系列文献中通过市场微观结构数据发展而来。他们将交易者分为知情交易者和不知情交易者，知情交易者根据信息进行交易，不知情交易者因为流动性需求而交易。假设在任一交易日，
2.3 噪音交易指标(NOISE)
利用交易量构建噪音交易指标。Tauchen和Pitts[32]提出混合分布假说，认为价格波动率与交易量之间存在正向关系，此后得到一系列理论和实证的支持。Tauchen和Pitts[32]认为是私有信息决定波动率和交易量之间的正向关系。但大量实证表明，交易量不仅受到私有信息影响，噪音也是决定因素之一。因此如何提取交易中的噪音因素成为关键，本节采取以下三步估计噪音交易。
1)趋势平稳检验。时间序列数据往往具有非平稳性，首先采用ADF方法检验交易量数据是否具有趋势平稳性，交易量(VOL)数据为日交易量的自然对数。
2)ARMA拟合。如果交易量序列不具有趋势平稳性，对其取差分直至平稳；如果交易量序列具有趋势平稳性，进行ARMA拟合，以剔除序列相关性和可预期的因素。在ARMA模型中，如何确定适当的自回归阶数P和滑动平均阶数q是难点，因为样本容量较大，逐一确定滞后阶数会导致工作量很大而且容易出错，所以在p和q取值范围为1到5的所有组合中，选取具有最小AIC的p和q组合。
3)剔除信息和基本面因素。Andersen[33]认为，ARMA模型中交易量可以预期的部分为信息交易，不可以预期的部分为非信息交易。在确定合适的滞后阶数后，按照公式(3)进行回归，得到残差序列，计算其方差并取自然对数，得到不可预期的交易数据。然后将不可预期交易数据对公司层面信息和基本面因素进行横截面回归，得到的残差即为噪音交易数据。
公司基本面因素(CONTROLS)如下：公司规模(SIZE)，年末总市值的自然对数；上市年限(AGE)，首发上市至会计年末的自然对数；双重上市(FSHARE)，当A股上市公司发行B股或H股时，取值为1，否则为0；特殊处理(ST)，如果上市公司经历特殊处理，取值为1，否则为0；行业内公司数目(NUM)，某一行业内所具有的公司数目；杠杆率(LEV)，公司会计年末的总负债与总资产的比率；账面市值比(BTM)，期末总资产与市场价值的比值；换手率(TURN)，每年交易量除以总流通A股数；净资产收益率的波动率(VROE)，会计年度t直至年度t-2的季度ROE的方差，为保证计算的准确性，要求具有6个季度的ROE值；审计质量(AUDIT)，如果年度报告由四大会计师事务所审计，取值为1，否则为0；第一大股东持股比例(OWNER)，第一大股东持股比例，类似PIN，作自然对数转换。此外，加入行业虚拟变量以控制行业因素的影响
2.4 数据来源
选取2000年至2007年所有A股上市公司作为研究对象，剔除金融行业、首发上市、年度交易少于26周，杠杆率高于20以及VROE高于200的观测，最终获得8 139个观测。本文所用数据来自国泰安数据库。计算PIN时，用到TAQ报价系统，因为高频数据最早至2000年，因此样本区间开始于2000年。利用上市公司财务数据计算公司基本面因素及财务指标，目前可获得至2008年的财务数据，但由于本文要用到未来盈余(Δ
)和未来超额收益(
)以进行股价信息含量检验，所以样本区间截至2007年。
表1面板A是所有年度主要变量的描述性统计值。股价非同步性的均值为0.526 5，中位数为0.464 0，均为正值，说明样本区间内均值小于0.5(大约为0.371 3)，相对于美国市场0.2左右的，中国市场上股价同升同降现象更明显；公司层面信息指标的均值和中位数十分接近，分别为-1.740和-1.738(原值为0.149 3和0.149 5)，这说明，在中国市场上，基于信息交易的比率并不是很高，但不能忽略；噪音交易指标是OLS回归的残差，所以均值为零；控制变量中，TURN和VROE变化比较大，TURN最小值为0.124 6，最大值为36.881，VROE最小值接近于0，最大值达到110.79，说明中国市场上基本面因素波动比较剧烈，收益不稳定；大约有5.43%的公司在样本期内被特殊处理，9.34%的公司同时发行B股或H股，6.84%的公司聘请四大会计师事务所作为年度财务报告审计人。CAR70(年度公告日后第2天至第70天的累积超额收益)平均值为-0.90%，CAR40(年度公告日前第41天至第2天的累积超额收益)平均值为3.93%。
表1面板B是主要变量Pearson相关系数可以看出，股价非同步性与公司层面信息、噪音显著正相关，这与大多数文献所得结论相同：信息和噪音均影响股价非同步性。规模较大和账面市值比较小的公司，具有较高的股价非同步性。值得注意的是，NSYN与超额收益正相关，而PIN与超额收益负相关。PIN与超额收益负相关说明公司层面信息越多，不确定性越低，市场越有效；NSYN与超额收益正相关则说明高股价非同步性代表高不确定性，因此需要额外的风险溢价。
3 实证检验
首先讨论并且验证股价非同步性与信息(或噪音)存在U型关系的合理性，然后通过盈余公告效应和股价信息含量检验，分析在影响股价非同步性因素中，是信息还是噪音占据主导地位
3.1 股价非同步性与信息和噪音关系
信息解释认为投资者利用私有信息进行交易以获取超额收益，这种套利行为会使得私有信息逐步融入到公司股价之中，导致股价非同步性的上升。投资者利用私有信息进行交易直至获得的收益等于搜集、整理、分析和运用信息所花费的成本[5]，即投资者进行私有信息套利直至无套利机会[7]，所以信息交易与信息获得成本负相关。但信息解释无法说明一些观测到的异常，如超额波动率[13，34]。DeLong等[15，35]发现并且建立理论模型阐述噪音交易与股价波动的正向关系。因此信息交易或噪音交易均会影响股价非同步性，并且在一段时间内，信息交易和噪音交易呈反向关系，必有一者主导市场，决定股价非同步性。
Lee和Liu[5]的理性预期均衡模型给出了均衡状态下股价非同步性(1-)与信息含量之间的关系：
直观上，如果信息成本较低，投资者可以进行信息套利行为获利，非知情交易者愿意支付信息成本变成知情交易者。此时，更多信息融入股价，使信息引起的波动部分增加，噪音引起的波动部分减少。由于信息交易主导市场，可能导致Var(I)增加的幅度大于Var(N)减少的幅度，均衡公式中的分子增大，股价非同步性随着信息交易的增加而增大。如果信息成本较高，投资者不能通过信息套利行为获利，非知情交易者不会支付信息成本变成知情交易者，而是进行噪音交易。此时，噪音交易主导市场，可能导致Var(N)增加的幅度大于Var(I)减少的幅度，股价非同步性随着噪音交易的增加(信息交易的减少)而增大。由以上分析可知，股价非同步性与信息(噪音)之间可能存在U型关系，Lee和Liu[5]证明了这一关系的存在，他们发现：1)股价非同步性与信息含量不存在单调递增关系；2)股价非同步性与信息含量存在U型关系；3)当嗓音交易的方差很大时，股价非同步性与信息含量存在单调递减关系。
图1是描述股价非同步性与公司层面信息的散点图。按照PIN由小至大，将样本期内的观测分成100组，计算每一组NSYN与PIN的平均值，然后绘成图1。由图可知，NSYN有明显的随PIN先减小后增大的趋势，符合上面关于NSYN与PIN关系的分析。同样，按照NOISE由小至大，将样本期内观测分成100组，计算每一组NSYN与PIN的平均值后，绘成图2，可以发现NSYN与NOISE呈U型关系。根据理论分析和图示关系，提出如下假设：
H1：股价非同步性与公司层面信息之间呈U型关系。
H2：股价非同步性与噪音交易之间呈U型关系。
通过建立非平衡面板数据回归模型，加入二次项，检验股价非同步性与公司层面信息之间是否存在U型关系。
为控制其他因素影响，加入以下变量。公司规模(SIZE)：一方面规模大的公司具有相对较好的信息环境，股价非同步性较高，但另一方面，规模大的公司的经营更加分散，股价非同步性较低；账面市值比(BTM)：成长状况好的公司(低账面市值比)，更容易受到投资者追捧，具有高非同步性；换手率(TURN)：换手率越高，信息交易或噪音交易越活跃，股价非同步性越高[16]；杠杆率(LEV)：高杠杆率公司风险较高，特质波动率较大，非同步性较高；第一大股东持股比例(OWNER)：第一大股东持股比例越大，拥有的私有信息越多，尤其是在“一股独大”的A股市场[26]；上市年限(AGE)：上市年限越长，公司治理和信息披露越完善，更容易受到投资者追随，具有较高的股价非同步性；行业内公司数目(NUM)：公司数目较多的行业，股价联动较弱，非同步性较高；净资产收益波动率(VROE)：Wei和Zhang[37]发现美国市场特质波动率与净资产收益率波动率正相关，因此加入VROE控制公司基本面因素波动；双重上市(FSHARE)：发行B股或H股的上市公司，具有较好的财务状况，其信息披露受到国际会计准则的约束，更具透明度，股价非同步性高[12]；特殊处理(ST)：ST公司通常经历连续几年亏损并且会计体系并不完善，这些公司很少被分析者跟踪，具有高风险和低信息披露质量特点，因此予以控制；审计质量(AUDIT)：Gul等[38]发现由四大会计师事务所审计的公司，股价非同步性高于由其他会计师事务所审计的公司。
F检验拒绝不存在固定效应的原假设，Hausman检验拒绝随机效应的存在，因此，采用包括个体和时间的固定效应面板数据回归模型，结果见表2。
模型1—3检验股价非同步性与公司层面信息关系。由模型1可知，PIN和PIN[2]的回归系数均在0.01的水平上显著，说明股价非同步性与公司层面信息之间存在U型关系，验证了假设H1。模型2和3加入控制变量进行回归，结果非线性关系仍然存在。此外，公司规模，交易活跃程度，上市日期，特殊处理对股价非同步性的影响显著为正，账面市值比、行业内公司数目和审计质量对股价非同步性影响显著为负，其他因素对股价非同步性影响并不显著。除审计质量外，控制变量对股价非同步性的影响基本符合预期。
模型4—6检验股价非同步性与噪音交易之间关系。三个模型中，NOISE和NOISE[2]的系数均在0.01水平上显著为正，说明股价非同步性与噪音交易存在非线性关系，验证了假设H2。此外，模型5和6中的控制变量符号和显著性与模型3和模型4基本保持一致。
模型7加入所有变量进行回归，因为NOSIE与其他解释变量之间不具有相关性，所以与模型6相比，模型7中回归系数的符号和显著性水平基本保持一致，只是NOISE[2]系数因PIN[2]加入而大幅降低，变得不显著。综合所有模型可知：股价非同步性与信息(噪音)存在非线性关系，其随着信息(噪音)的增加先减小后增大。股价非同步性受到公司基本面因素的影响，大多数基本面因素表现出信息属性，ST表现为噪音属性
3.2 盈余公告效应
通过盈余公告效应实证分析在影响股价非同步性因素中，是信息还是噪音占主导地位，即非同步性整体表现为信息还是噪音。
盈余公告效应(PEAD)最早由Ball和Brown[39]提出，指的是投资者对盈余信息反应不足，以致在很长一段时间内，股票价格都会作出与盈余公告发布时相同的漂移。在有效市场中，股票价格会迅速对信息作出反应，不存在反应不足问题，所以可以通过PEAD检验市场有效性。当公司信息披露质量和透明度高时，更多公司层面信息进入市场，使得投资者对于盈余信息能做出准确预测，盈余公告效应较弱；当公司信息披露质量和透明度低时，投资者不能掌握公司具体状况，无法准确判断公司盈余，盈余公告效应较强。本节基于这一理论构建模型进行检验。
H3：如果股价非同步性代表信息，则盈余公告效应较弱；如果股价非同步性代表噪音，则盈余公告效应较强。
首先检验PIN对盈余公告效应的影响。当公司层面信息较多时，盈余公告效应较弱，因此预计β＜0。然后用NSYN替换PIN，如果股价非同步性代表信息，则β＜0，如果代表噪音，则β＞0。最后，用TURN替换NSYN检验交易表现为信息还是噪音，如果信息交易占据主导地位，则盈余公告效应较弱(β＜0)，如果噪音交易占据主导地位，则盈余公告效应较强(β＞0)。
为排除其他因素影响，需要加入控制变量。公司规模越大，信息环境越好，盈余公告效应越弱(
＜0)；公司账面市值比越高，风险越大，盈余公告效应越强(＞0)。此外，加入公告前超额收益CAR40和未预期盈余Δ
(定义为年度t的每股收益与年度t-1的每股收益差值，除以年度t的3月份和4月份月收盘价平均值)作为控制变量。
采用非平衡面板数据进行回归，通过F检验和Hausman检验判断是采用固定效应模型还是随机效应模型，结果见表3。
模型1和2检验CAR70对PIN的反应。两个模型中，PIN减弱盈余公告后漂移，这是因为更多公司层面信息进入市场，使投资者能够准确判断公司经营状况，对盈余信息作出准确反应。这一发现与Vega[40]的实证相同，并且与表1中PIN和CAR70负相关一致，说明公司层面信息指标(PIN)的构建是合理的。
模型3和4检验CAR70对NSYN的反应。两个模型中，NSYN的系数均在0.05的水平上显著为正，这一发现与表1中NSYN与CAR70正相关相一致。在假设H3中，接受股价非同步性作为噪音的解释。
模型5和6检验CAR70对TURN的反应。两个模型中，TURN的系数均在0.01的水平上显著为正，表明中国市场上交易多表现为噪音性质，因此需要较高的溢价作为补偿。
模型7为考虑所有变量后的回归结果。此时PIN和NSYN的系数均变得不显著，这是因为加入TURN后削弱了超额收益对PIN和NSYN的反应。对于控制变量，可以发现公司规模，账面市值比以及公告前超额收益CAR40对CAR70没有显著影响。CAR70与ΔE显著负相关，与预期不一致，很可能是因为年度公告所附的其他信息扭曲了收益一盈余关系。
综上，尽管同时受到信息交易和噪音交易的影响，但股价非同步性整体表现为噪音性质，市场上噪音交易居多。
3.3 股价信息含量
根据Ashbaugh-Skaife等[16]以及Ayers和Freeman[41]的股价信息含量(price informativeness)检验方法，进一步验证股价非同步性整体表现为信息还是噪音。
3.4 稳健性检验
结果不受样本选择和变量构建的影响，具有稳健性。
样本选择。分别剔除最高和最低10%NSYN，PIN和NOISE的观测，重新进行回归，回归结果不受特异点影响。在实证研究中，一般不考虑ST公司，因此剔除ST公司进行检验，结果发现在性质(符号)和统计显著性方面没有改变。
股价非同步性。在计算股价非同步性指标时，未考虑行业因素的影响，现加入行业收益率以及一阶滞后项，计算股价非同步性，将所得指标用于实证，发现在股价信息含量检验中，回归系数符号基本保持不变，但具有更好的显著性水平，即高股价非同步性降低当期和未来盈余反应系数。
信息交易指标。机构投资者比散户的投资策略更加成熟和理性，研究发现机构持股可以增加股价信息含量，并且使股价包含更多当期和未来盈余信息[20,41]，因此，采用机构持股比例作为信息交易指标的另一度量。因为完整的机构持股数据开始于2002年，所以采用机构持股数据会缩小样本容量。本文利用季度持股比例数据的均值作为年度持股比例数据，并对其进行对数处理：IO=log(0.000 1+IO)。IO为机构持股比例。实证结果表明，股价波动非同步性与机构持股比例之间存在非线性关系。
噪音交易指标。根据Frenchh和Roll[34]的方法，采用月度方差减去周方差累积值(或月度方差减去日方差累积值)的方法构建噪音交易指标，其内在原理是如果收益率只受信息影响，并且信息服从独立正态分布，一段时间内收益率的方差等于这段时间内每一天的收益率方差的累积值。实证结果表明，股价非同步性与噪音的U型关系仍然存在。
4 结束语
目前国内多数文献将股价非同步性视为信息，忽略噪音，但缺少直接的证据作为支持。本文通过构建公司层面信息和噪音交易指标，采用非平衡面板数据回归检验股价非同步性与信息(噪音)之间的关系，发现存在U型关系。盈余公告效应和股价信息含量的检验表明股价非同步性整体呈现出噪音性质，即中国市场上噪音交易占据主导地位。
本文不否认信息影响股价非同步性，但反对简单地将股价非同步性视为信息。在分析股价非同步性时，应该理清是信息还是噪音导致股价非同步性的变动。
中国一直致力于完善证券市场的法律法规建设和上市公司的信息披露制度，例如涨跌停限制、公司法、证券法的颁布和信息披露制度与国际会计准则的接轨等，这些举措在为投资者提供健康、透明的信息环境方面起到了重要作用。但是，仅有良好的信息环境是不够的，有效的信息传递渠道才是构建有效市场的重要前提，在这方面，投资者搜集、整理、分析和利用信息进行交易的能力和行为起到至关重要的作用。因此，在完善制度建设的同时，如何规范投资者行为、引导投资者由非理性的噪音交易向理性的信息交易转变，提高投资者素质是监管者的重要任务。
①股价波动非同步性(Price Non-Synchronicity)被用来衡量股价运动是否一致。一般等于特质波动率相对于市场(和行业)波动率的比值，其值越大，表明个股运动与市场(和行业)运动越不一致。
②一般认为，存在市场、行业和公司层面信息。市场和行业信息指可公开获得的信息，例如宏观经济条件或基本面因素，公司层面信息指公司私有信息。
③投资者搜集、整理并且利用公司层面信息进行交易以获取收益。
④张永任和李晓渝[6]：“随着信息搜集成本的降低，在其他条件不变时，会有更多的非知情交易者通过支付一定的成本变成知情交易者，随着投资者中知情交易者交易比例的增大，在其他条件不变的情况下，知情交易者的边际收益会递减；股价波动中不确定性部分会随着知情交易者的增加而减小，由私人信息资本化到股价中而引起的股价波动会随着知情交易者的增加而增加，而噪声驱动的股价波动部分会随着知情交易者的增加而减小，所以随着知情交易者的增加，由私人信息和噪音所驱动的股价的波动在叠加之后会呈现出U型。”
⑤产生这种差异很可能是因为制度环境和证券分析师关注重点不同。美国市场上，证券分析师更多搜集整理市场和行业信息，机构投资者和内部人更多关注公司层面信息；中国市场上，证券分析师更多关注公司层面信息，他们有更多机会获得公司私有信息。
⑥冯用富等[26]发现，中国股票市场收益率和行业收益率具有高度相关性，引入行业收益率会导致共线性问题，因此，本文不考虑行业收益率。考虑行业收益率的稳健型检验与不考虑行业收益率所得结果基本一致
⑦为保证计算结果的准确性，要求计算CAR70时，应有60个交易日数据，计算CAR40时，应有30个交易日数据，这使利于样本容量从8139缩减至5953。本方没有采用年度报告发布前后1天的CAR作为因变量，主要是因为这段期间内的超额收益到非盈余信息的影响，此外，由于可能的信息提前泄漏，会高估(低估)超额收益对PIN(NSYN)的反应系数。