非对称信息与高频价格变动，本文主要内容关键词为：价格变动论文,非对称论文,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。
中图分类号：F830 文献标识码：A
一、文献回顾
自Demsetz(1968)的经典论文之后，从信息不对称的角度研究资本市场的价格发现与确定问题开始引起学术界越来越多的关注。20世纪90年代末以来，关于资本市场非对称信息测度的研究逐渐成为金融市场微观结构研究的重点。非对称信息测度方法主要包括两类：一类是通过寻找一些代理变量，间接地刻画信息非对称程度；另一类则是建立知情交易概率模型，直接估计资本市场知情交易概率。
很多学者用买卖价差作为信息非对称的一个间接测度。学者们认为：由于做市商不知道自己面对的交易者是知情交易者还是非知情交易者，做市商通过设置买卖价差以避免和知情交易者交易的损失。只要存在知情交易者，买卖价差就必然存在。Chiang、Venkatesh[1]，Hasbrouck[2,3]，Stoll[4]，Foster和Viswanathan(1990、1993)，Mclnish和Wood(1992)利用事后数据，由价差、或将价差拆解或是拆解有效价格来找出交易中所隐含的信息当作信息不对称的简单测度。
但是，中国这样的纯限价订单市场，并不存在做市商，买卖方投资者通过递交限价订单撮合交易。因此，买卖价差并不是做市商在信息不对称情况下，为避免和知情交易者交易而需要的补偿。根据穆启国等人对深圳证券交易所股票买卖价差的分解表明，买卖价差中的指令处理成本远远高于非对称信息成本[5]。这意味着纯限价订单市场的买卖价差更主要地反映了交易的成本，而非信息不对称程度。
近年来，部分学者开始建构模型以直接估计信息不对称规模，Easley等人首先针对做市商市场建构了知情交易概率理论模型（该模型简称为EKOP模型）[6～9]。模型假定做市商可从每笔交易的信息情况出发，估算出某一段时间的知情与非知情交易者在好消息、坏消息及没有消息下的期望委托单到达数，以知情交易者期望到达率为分子，所有交易者期望到达率为分母，计算出一段时间下的知情交易概率。由于EKOP模型优化方法简单，数据要求较低，迅速成为研究做市商市场知情交易概率的主要方法。但EKOP模型需要将交易数据转化为等距数据才能计算，可能损失其中的微观结构信息，也无法直接描述信息不对称与高频价格运动之间的关系。
目前，国内对非对称信息的测度大部分采用了Easley等人提出的模型，如杨之曙和姚松瑶[10]、王春峰[11]等人。另外有部分研究是利用非对称GARCH模型完成的，但GARCH模型不适用于频率过高的数据和非等距取样数据，无法用GARCH模型估计非对称信息对高频价格的影响。
笔者的研究试图将非对称信息融汇到高频价格变化中，寻找同时反映非对称信息和高频价格运动特征的变量，直接估计出在非对称信息状态下，价格各种可能变动的概率。
二、非对称信息与交易频率
每笔交易的发生可以视作一个点过程。点过程可以从三个方面完全刻画：时间发生的持续时间；风险比率函数以及一定时间间隔的计数过程。要直接反映非对称信息和价格运动，时间发生的持续时间（或者称交易间隔）是理想的代理变量。一方面，根据Easley和O'Hara等人(1992)的观点，交易间隔反映了市场活跃程度，如果市场活跃程度与市场信息状况有关，投资者可以通过观察交易频率推断信息非对称程度；另一方面，高频价格运动的最为本质特点在于交易时间的随机性。要得到高频价格运动的轨迹，必须得到价格变化和交易时间的联合分布，这意味着交易持续时间可以直接和价格运动过程联系起来。
中国证券市场作为一个新兴证券市场，存在较为明显的信息非对称现象。同时，投资者行为和成熟市场中投资者行为迥异，很大程度上表现为投资者缺乏理性，过度跟风现象严重。基于中国证券市场投资者特征，笔者提出考虑了非理性行为的非对称信息传递途径。假定，市场信息可以划分为三类，即好、坏、无三种状态（注：由于本文要建立信息非对称性与高频价格变化概率模型，而不是估计信息非对称程度，因此不对各类信息发生概率做假设。如果加入各类信息分布假定，则可以估计知情交易概率。）。在好消息到来的时候，知情交易者为了抓住机会获利，会提交积极的限价买单以迅速地买入证券。此时市场表现为价格开始上涨，交易频繁。非知情交易中通过观测市场买卖单以及价格的变化，可以推断信息状态，从而跟着提交积极的买单，买入证券。非知情交易者的行为为价格持续上涨提供了支撑，在导致波动聚居的同时又导致了交易持续活跃，使高频价格变化和交易间隔出现明显的自相关性。在坏消息到来时，知情交易者为了避免可能的损失，会提交积极的卖单，以迅速地卖掉证券，此时市场表现为价格开始下跌，交易频繁。非知情交易者观察到市场情况后，跟着提交积极卖单，使市场交易活跃。同样导致了价格运动过程的持续性和高自相关。如果市场不存在消息，知情交易者实际上就成为非知情交易者，但是他们不会轻易交易，会等待获得新的消息时才进行交易。此时市场上主要是非知情交易者，他们为了流动性需要而进行交易，跟风现象减弱，市场趋于平静。图1可以说明这样过程。
根据上面的分析，笔者提出三个假设：
1.交易频率反映了信息非对称状况。交易间隔短，意味着知情交易者比重大，市场存在好或者坏消息，此时买卖价差较大，波动剧烈；交易间隔长，意味着未知情交易者比重大，此时买卖价差较小，波动较小。
2.交易频率影响价格变化状态。交易间隔短的时候，高频价格变化概率增大；交易间隔长的时候，高频价格趋于稳定。
3.交易频率对价格涨或者跌具有对称影响。交易间隔短意味着市场存在信息，可能是好消息也可能是坏消息。好消息引起价格上涨的概率和坏消息引起价格下跌的概率具有对称性。
三、高频价格运动与信息冲击
不失一般性，把高频价格分析的主要问题归纳为标值点过程的分析。所关心的问题是如何刻画离散取值的标值即价格变化的运动轨迹。
（一）研究方法
中国沪深两市的最小变动单位是0.01元，每次的申报价格只能是0.01的整数倍，因此
也只能是最小报价单位的整数倍。为了方便叙述，对实际价格变化乘以了100，这样，=n（n为整数）意味着价格向上或者向下变化了n个最小报价单位。高频价格变化往往集中在某个值附近。一般情况下，=0的概率最大，极端情况出现概率非常小。如果把极端情况归类，那么价格变化实际上是状态可数的离散取值过程。因此，按照Russell(2005)[12]的方法，构造ACM-LACD模型，用ACM模型反映价格的离散取值和高频价格运动的相关性，用LACD模型反映随机点过程和非对称信息对价格的影响。具体的模型形式为：
四、实证分析
选取深发展(610001)2004年9月10日～2004年12月28日的数据为样本。原始数据共计71943个。在进行分析之前，对数据进行调整。剔除开盘集合竞价时异常的交易间隔（注：上交所在9:15～9:25开盘采用集合竞价，此时的间隔一般远远大于其它时间。因采用封闭竞价，不披露买卖价差等信息。），同时还剔除11:30～13:00以及15:00以后的数据，并对同一笔交易进行合并。这样最终得到的数据共计71605个。
（一）状态的划分和基本统计分析
从滞后1期来看：Tiao-Box相关矩阵左上角和右下角显示为显著的负相关，左下角和右上角显示为显著的正相关。这说明即期价格和上期存在反转关系，即上期如果是第1、第2状态，则下期可能出现第3、第4状态，意味着高频价格变化序列存在明显的一阶负自相关性。
从滞后2期来看：Tiao-Box相关矩阵主对角线元素显著为正，说明状态自身存在滞后相关性，且直到第5期，这种自身的滞后相关性仍然显著，即价格具有持续的涨或者跌。由于篇幅的限制，没有列出滞后6期以后的Tiao-Box相关矩阵，实际上直到滞后18期，状态之间的相关性仍然存在。滞后10期的多元Q统计量为425.1903，具有显著的相关性。从Tiao-Box相关矩阵说明，价格的变化可能具有对称性，即上期价格涨、下期价格跌的概率和上期价格跌、下期价格涨的概率应该基本一样。如果这个假设成立，那么ACM模型里面的参数矩阵具有对称性，并且极大地简化了待估参数。
表2 Tiao-Box相关性检验表
（二）模型的建立和估计
为避免日内效应导致的数据伪相关，建立模型之前应该首先剔出日内效应。首先用核估计得到需要分析变量的日内效应，值得指出的是，价格变化状态向量不存在明显的日内效应。
从各个变量的日内效应来看，交易间隔开、收盘时低，中间高。交易量的日内走势大致和波动率一致，这说明高波动往往伴随着大量交易。买卖价差日内走势大致为L型，在开盘时段较高，其后基本上没有明确的日内走势。在开、收盘时刻分布设两个节点，在交易期间设三个节点，用二次样条估计得到日内模式估计值（交易间隔日内模式的估计结果列在后表）。原始数据除去估计值即可得到剔除日内模式后的数据。通过二次样条平滑后的数据已经没有显著的日内趋势。
为了得到合适的模型，对ACM模型和ACD模型的残差分别作为多元Q检验和Ljung-Box检验，后得到的模型为ACM(3,1,1)-LACD(2,2)，即
ACM-LACD模型估计的具体结果见表3。
从估计结果看：首先对A，B，C矩阵作了对称性检验，得到的统计量为3.2，接受对称性假定。确定A矩阵为中心对称矩阵，即左上角和右下角元素相等，反映了涨后跌和跌后涨的概率，即价格反转效应，右上角和左下角元素相等，反映了涨或者跌状态的持续，即价格连续效应。B，C矩阵为对角矩阵，反映了每个状态自身的持续性。
为了检验买卖价差是否可以反映非对称信息，首先在ACM模型中去掉了交易间隔，代之以买卖价差，但有可能其估计结果并不理想，买卖价差前的系数不显著。对数据分析后发现，买卖价差基本上稳定在-1、-2左右，而无论价格如何改变，买卖价差基本保持稳定。因此，投资者无法从买卖价差观测到非对称信息的存在。去掉ACM模型里的买卖价差，重新加上交易间隔，并将买卖价差作为外生变量加入ACD模型，得到新模型系数均显著。这说明，交易间隔可以反映出买卖价差的影响。为了检验交易间隔短可能存在好消息或者坏消息，容易引起价格变化，而且好消息引起价格上涨的概率和坏消息引起价格下跌的概率相等的假设，故做了第二次似然比检验，原假设为
中的元素相等，得到的LR统计量为32，接受原假设，即交易间隔对价格涨或者跌的影响相同，交易间隔较长并不意味着存在坏消息。因此，Diamond和Verrecchia(1987)的观点不成立。的第1和第4个元素相等，并为负，反映交易间隔越长，价格发生大幅度涨或者跌的概率越小，而交易间隔越短，价格越可能发生剧烈变化。的第2和第3个元素相等且为正，说明交易间隔越长，价格发生小幅度变化的可能性越大。从ACD模型来看，交易间隔和买卖价差，以及交易量为负相关，即买卖价差越大，交易间隔越小，此时交易量较小。这说明，知情交易者为了避免自己的身份被其他交易者洞察，往往将一笔交易分拆为多笔进行。同时由于知情交易者递交积极的订单，吸收了当时市场最优的买卖订单。一方面导致次优买卖订单成为最优买卖单，另一方面导致其它买或卖方进一步提高或者降低自己的买卖报价，因此市场表现为频繁交易，但是成交量较小，买卖价差较大。知情交易者的频繁交易行为引起价格不断发生变化，甚至出现较大的波动。如果知情交易者足够机警，会迅速觉察知情交易行为，并跟着进行模仿，导致价格变化具有粘性，波动持续。
（三）不向交易频率下的价格变化
ACM(3,1,3)-LACD(2,2)模型已经验证了之前的假设，为了进一步说明交易间隔对价格变化的影响，模拟了500期价格在不同交易频率下的变化概率。
从图3来看：第1和第4种状态，即价格发生加大涨跌的概率变化基本一致；第2和第3种状态，即价格发生一个单位的涨跌的概率基本一致；第5个状态，即价格不发生变化的概率最大。这个结果和之前的分析是一致的，即价格在可数状态范围变化，且不变可能性最大。可以观察到，在交易间隔较短的时期，价格发生变化的可能性较大，涨和跌的可能性基本一样，这意味着交易间隔比较短时可能存在好消息也可能存在坏消息，其概率大致相等。随着交易间隔的增加，价格不变的可能性越大，价格变化的可能性越小。这说明交易间隔越长，意味着市场没有新的信息到来，知情交易者选择不交易而等候新的信息。市场上主要是流动性交易者，他们仅仅为了流动性而交易，整个市场交易比较清淡，价格走势比较平稳。
图3 不同交易频率下的价格变化轨迹图
五、结论
从中国证券市场情况出发，笔者提出了信息传递途径假设，采取交易频率作为衡量信息非对称的变量，并构建反映信息非对称与高频价格运动的模型。通过分析得出：中国证券市场存在信息不对称情况，交易频率对价格变化状态具有显著的影响。知情交易者为了保持获得的信息优势，往往选择提交积极订单以迅速交易。在知情交易者比重较大的时候，市场交易频繁，此时买卖价差较大，波动剧烈；反之，当交易间隔长时，意味着未知情交易者比重大，此时买卖价差较小，波动较小。交易间隔短意味着市场存在信息，可能是好消息也可能是坏消息。好消息引起价格上涨的概率和坏消息引起价格下跌的概率具有对称性。