上 海 钻 石 简 报

2010 年 上 海 钻 交 所 钻 石 交 易 、

相 关 钻 石 业 情 况 分 析

近年来，随着中国经济率先走出全球金融危机的影响，中国国内生产总值持续保持约10%的增速，从而为中国钻石市场的增长奠定基础，上海钻石交易所的钻石交易也取得显著发展。

20##年，我国钻石首饰成品钻进口额达到12.92亿美元，连续第二年超越日本，稳居全球第二大钻石消费市场。上海钻石交易所去年的钻石交易总额（包括一般贸易进出口和所内交易）创下历史新高，达到28.61亿美元，同比增长88.1%。

综合我办近期开展的调研和国内外钻石市场数据，现对20##年上海钻石交易所的钻石交易及相关钻石业情况进行简要分析。

一、全球钻石业的复苏

（1）世界经济回暖推动钻石业的复苏

钻石市场在很大程度上是依赖于宏观经济的发展。自20##年9月爆发世界金融危机后，欧美国家的钻石消费市场需求在20##年下降了40%。进入20##年后，世界经济逐步走出金融危机影响，全球钻石业也开始复苏。全球各主要钻石消费国的市场需求大幅增长，尤其是以中国、印度为代表的新兴市场成为全球钻石业亮点。

图表1:20##-2010年全球主要钻石消费国成品钻进口额比较

金额：亿美元

（2）上海钻交所交易增幅全球领先

随着全球钻石消费需求的回升，世界各大钻石交易所的钻石交易规模也恢复甚至超越金融危机爆发前的水平。依托国内钻石市场的崛起，以及逐渐规范的国内交易秩序，上海钻石交易所自金融危机爆发后连续两年保持稳定增长，进一步提高了其在世界钻石业界的地位。

图表2:20##-2010年世界各大钻石交易所钻石进出口额比较

金额：亿美元

二、全球钻石价格的上涨

由于受供给垄断的特殊性，全球钻石的价格受到产业链两端——毛钻供给和市场供求两方面因素的影响。

自金融危机爆发后，全球钻石消费需求萎缩，钻石价格迅速大幅下挫。国际毛钻垄断供货商——戴比尔斯集团减小毛坯钻石产量，控制钻石资源供给，钻石价格在20##年保持低位稳定。20##年初，全球钻石业刚开始显露平稳复苏迹象，戴比尔斯集团将毛坯钻石一手销售价格一举提高10%，钻石产业链下游的钻石加工商、批发商、零售商开始在价格上相互博弈，对钻石涨价有所抵抗，但最终全球钻石零售市场的强劲需求消化了钻石价格的上涨。

纵观20##年全球钻石价格上涨的现象，主要有三个特点：

（1）上半年涨幅大，下半年较为稳定。上半年，由于受货源紧缺、毛钻涨价等因素影响，全球成品钻价格平均上涨9.2%。下半年，钻石商的高价钻石库存逐渐被新兴市场以及欧美节日销售旺季所消化，成品钻价格趋于稳定，平均上涨1%。

（2）钻石颗粒越大，价格涨幅越大。20##年，钻石价格平均上涨了10.2%，大钻涨幅明显超过小钻涨幅，基本呈现钻石颗粒越大，价格涨幅越大。

图表3:2010年不同颗粒大小的钻石价格涨幅

（3）美元贬值推高钻石价格。

作为全球钻石定价的基础货币，美元在20##年的走势是先扬后抑。美元汇率从下半年开始下跌，在美国公布新一轮规模6000亿美元的定量宽松货币政策后，美元指数在11月份跌入谷底。对于全球两大钻石消费市场中国和日本，美元兑人民币和兑日元的汇率，全年下跌了3.0%和10.8%。

以中国市场为例，美元贬值从两方面推高钻石价格，一是人民币的升值提升了消费者对进口商品的购买力，钻石市场需求增长；二是美元的贬值缩小了钻石进口商的利润空间（购汇和结汇存在时间差，汇率波动会影响利润）。

三、中国钻石市场的崛起

中国经济在本次全球金融危机中率先企稳反弹，成为中流砥柱。与此同时，中国市场也成为本次全球钻石业衰退中一枝独秀的明星。20##年，在钻石行业受金融危机影响最严重的时期，中国市场钻石需求增长30.2%，一举超越日本市场。20##年，中国市场的钻石进口额加速增长，同比增幅达85.3%，继续稳居全球钻石第二大消费市场。

当前，中国市场已赢得全球钻石业的瞩目，引发一场“钻石业中国热”。综合分析崛起的中国钻石市场，主要可概括为四个特点。

（1）中国钻石婚庆消费市场力量巨大。由于戴比尔斯集团在中国近20年对钻石的市场营销，中国人已普遍认可钻石的情感联系和保值特性。因此中国的钻石消费群体非常广泛，但购买钻石的用途以订婚钻戒为主。据统计，中国每年有一千万对新婚夫妇，其中65%购买了钻石，北京、上海等大城市购买比例达到80%。20##年接踵而来的中国婚庆消费需求不仅推动吸收了全球钻石价格的上涨，甚至改变了全球钻石商的销售习惯，将旺季由原来的一个圣诞季延长到第二年的春节季。

（2）中国钻石市场的增长将良性循环。目前，中国市场消费的钻石主要用于单粒镶嵌婚戒，以20分-40分为主，但50分以上以及1克拉以上的钻石需求增长很快。随着中国经济的增长，中国市场的钻石消费规模会扩大、消费水平会提升；而消费增长带来的钻石涨价会进一步增强中国钻石消费的信心指数，“买账不买跌”的心理会继续推动1克拉以上高端钻石市场的发展。

（3）钻石在投资领域面临长期挑战。当前，中国经济的通货膨胀日益加剧，随着房产投资被调控，证券投资未升温，人们对保值品的投资需求与日俱增。从短期看，随着钻石价格的稳步提高，1克拉以上的钻石会继续受到一部分投资者的青睐。但从长期看，钻石仍然较难成为投资品的热点。从全球近十年来的投资性商品价格分析，虽然高端钻石的价格在保持稳定增长，但钻石的投资回报率仍然无法和黄金媲美，更无论黄金无可比拟的流通性。而从近年来《中国黄金首饰流行趋势》研究也印证了钻石面临的挑战，我国首饰消费者购买意向中，黄金首饰始终是首选，从20##年的43%上升到20##年61%；铂金、钻石次之。

图表4:20##-2010年全球投资品回报率比较

（4）钻石在奢侈品等消费领域面临多重挑战。根据《世界奢侈品协会官方报告》，作为全球第二大奢侈品消费市场，20##年中国奢侈品市场消费总额已达107亿美元，同比增长13.8%。同为奢侈品的一部分钻石（高端品牌钻石或大颗粒钻石）一方面享受着富裕人群的购买力带来的高增长，例如在去年世博会期间，比利时欧盟联合馆就销售了近2000粒钻石，其中最贵的钻石售价9万美元。另一方面，钻石也面临着其他琳琅满目的奢侈品带来的冲击。举例来说，在节庆假日期间，个人的奢侈品预算往往只能在一个LV包和一件钻石首饰之间做出选择。而对于年轻人来说，度假旅游和IPAD等高科技快速消费品也是高端消费选项。

20##年是上海钻石交易所跨越式发展的一年，也是中国钻石业隆重崛起的一年。虽然国内社会经济仍然面临诸多挑战，但相信只要中国在“和谐社会”的建国理念下持续发展，中国钻石业和上海钻交所的未来将令人期待。

第二篇：上海股市的知情交易概率及其影响因素 上海证券交易所 研究报告 20xx年4月

上海证券交易所　

　

上海股市的知情交易概率　

及其影响因素　　

　

　

上海证券交易所研究中心

20xx年4月

上海股市的知情交易概率及其影响因素

研究中心 施东晖

摘要

? 上海股市知情交易的无条件概率接近40%，远大于Easley, Kiefer, O’Hara & Paperman（1996）和Nyholm（2002，2003）对纽约证券交易所实证分析的结果。

? 知情交易对价格的影响程度远远大于不知情交易，是知情交易导致了股票价格根本性的大幅度的变化，而非知情交易只对股票价格形成短暂而微小的冲击。

? 知情交易概率的日内形态具有如些特点：开盘后的知情交易概率水平最高，随着交易的进行，信息逐渐传播，知情交易概率也随之下降，但在收盘前又有所增加。

? 公司的基本面因素会影响股票的知情交易概率，其中，流通市值与知情交易概率为负相关关系；而财务杠杆比率、主营业务增长率以及股权集中度与知情交易概率为正相关关系。

? 高流动性和低波动性会吸引知情交易者进场交易，反过来知情交易者的进场交易将导致流动性降低和波动性增大。

一、如何衡量市场的信息不对称性

信息不对称性和内幕交易行为一直都是各国股市在迈向有效市场路途上备受关注的课题，但如何衡量信息的不对称性却颇具争议。Hasbrouck(1991)认为，信息不对称应该是下列三项变量的函数：一是潜在知情交易者的比率；二是发现私有信息的概率；三是私有信息的准确性。然而，上述观点在实证研究上却面临相当的困难，因为这三个变量无法直接根据市场数据获得，而必须通过相关的非 1

外生变量进行间接衡量。

基于上述思路，早期的研究文献大都以买卖价差、非系统性风险、内部人持股、公司成长性等指标来间接衡量市场的信息不对称。但事实上，这些度量指标要么是信息不对称的结果(如价差和非系统性风险)，要么是信息不对称的原因(内部人持股、公司成长性)，因此并不能够对信息不对称程度形成清晰而准确的定量化描述，并且很难在不同证券或不同市场间进行比较和分析。直到最近几年，Easley，Kiefer, O’Hara和Paperman(1996)，Handa，Schwartz和Tiwari(1999)，Nyholm(2000)以及Ma，Hsieh和Chen(2000)的研究提出了新的理论分析思路，用知情交易概率(Probability of Informed Trading)来描述市场上到底有多少的交易(或投资者)属于知情交易(知情交易者)，从而来直接衡量市场的信息非对称程度。

作为转轨经济过程中发展起来的新兴市场，中国证券市场的发育尚不成熟，上市公司的信息披露不够规范，加上监管手段缺乏及执法力度不够，使得投资者之间存在较严重的信息不对称性。因此，对中国股市知情交易概率的分析具有重要的现实意义：一方面可以使监管层对证券市场中的信息不对称水平有一个总体的认识，然后通过完善交易机制和强化信息披露来降低信息不对称水平；另一方面有助于我们更加深刻地理解信息在价格形成机制中的角色和作用，动态了解知情交易的概率水平，甚至可以基于此监控和追踪内幕交易等违法行为。本文的目的就是通过建构竞价交易制度下知情交易概率的测度模型，对上海股市的知情交易概率进行定量分析，并分析相关的影响因素。

本文结构如下：除本节引言外，第二节为研究文献综述；第三节基于上海股市的竞价交易制度，提出一个测度知情交易概率的新模型；第四节介绍研究样本与数据；第五节运用上海股市的高频交易数据，对上海股市的知情交易概率及其影响因素进行了实证分析；第六节为本文的结论部份。

二、对既有研究文献的综述

Bagehot(1971)指出，根据投资者所掌握信息的不同，可以将其分为知情交易者(Informed Trader)和非知情交易者(Uninformed Trader)。其中，知情交易者拥有关于证券真实价值的私有信息；而非知情交易者主要根据公共信息或谣言进行交 2

易，成为噪音交易者(Noise Trader)，或是仅仅出于流动性需求而进行交易，成为流动性交易者(Liquidity Trader)。沿袭这一思路，近年来金融学术界提出了一系列计量模型，来测度和评估市场的知情交易概率和信息不对称水平。

Easley、Kiefer、O’Hara和Paperman(1996)，以及Easley、Kiefer和 O’Hara(1997)的论文最早对知情交易概率这一问题进行了研究。他们的研究以做市商市场为背景，建立了一个做市商在每一交易日面临的委托到达过程的模型，在此基础上以决策树的方法计算出知情交易者和非知情交易者在面临好消息、坏消息和没有消息时的委托单到达数，然后以知情交易者的期望委托单到达数为分子，所有交易者的期望委托单到达数为分母，求出知情交易概率。由于做市商市场下投资者的委托数与成交笔数等同，因此Easley等人定义的知情交易概率实质上是市场总成交笔数中知情交易者的成交笔数所占的比例。Easley等人的研究在学术界引起了较大反响，随后，Heidle ＆ Huang(2000)、Ma, Hsieh & Chen(2000)等在模型参数、估计方法等方面对这一理论架构进行了修正和拓展

Nyholm(2002)提出了完全不同的知情交易概率测度方法，该方法主要构建在做市商的报价行为和价差关联性的基础上。做市商根据所有可观察到的信息来推断一笔交易是来自知情还是非知情交易者，进而可算出一段时间内的知情交易概率。相对于以前的研究文献，Nyholm(2002)的优点在于运用了成交信息，并且可以估计每一笔交易或者每一段交易时间内的知情交易概率，这样就可以研究知情交易概率的变化规律，也符合不同时间知情交易概率不同的常识。Nyholm(2003)对模型又进行了相应的拓展，增加考虑了交易量这一因素。

Handa, Schwartz & Tiwari(2003)首先研究了委托驱动市场中的知情交易概率，他们也采用了决策树方法，但是面对决策树的不再是做市商，而是非知情交易者。因此，该文中的知情交易概率是交易者中知情交易者的比例，并可根据买卖价差、委托失衡等信息，通过一定的结构化模型倒推出来。但是，Handa et.al的模型有着极其严格但又不符合实际的假定，比如假定知情交易者只以市价委托的形式进行交易，而不能采用限价委托。

总体上来说，上述这些研究利用理论模型和计量经济学方法，在一定的框架内可以估计市场中知情交易发生的概率，即利用交易和委托数据度量市场的信息非对称程度，这些模型得到的估计量有更好的经济学含义和现实意义，与信息非 3

对称程度的直觉意义也更加接近。但是，由于各国(地区)股市的交易机制具有相当大的差异，例如，我国沪深证券市场属于纯粹的订单驱动市场，只有限价订单没有市价订单，不能够直接应用Nyholm（2002，2003）的模型，因此我们借鉴其建立模型的方法，从完全不同的假设推导出能够适用在竞价市场的知情交易概率测度模型，并且在参数估计上采用的数学方法也不相同。

三、竞价市场中测量知情交易概率的模型

证券市场上的交易者可以区分为两类：一类是知情交易者(Informed Trader)，是指获得了关于证券真实价值的私有信息，同时利用这些私有信息进行交易的投资者；另一类是非知情交易者(Uninformed Trader)，这类交易者在交易时可能处于流动性需求而进行交易，成为流动性交易者(Liquidity Trader)；或者是根据公共信息或谣言进行交易，成为噪音交易者(Noise Trader)。

定义某股票在时点t时的交易量为Qt，该交易量由知情交易者的交易量Qi和

非知情交易者的交易量Qu所组成。根据Kyle（1985）在订单驱动连续竞价市场模式下定义的递归线性均衡（Recursive Linear Equilibrium），交易价格与成交量存在线性关系，即

?Pt=λQi+Qu+εt (1) 式中的λ反映了交易量对市场价格的影响，为市场深度的倒数。市场深度定义为市场价格变动一个单位所需要的交易量，如果市场需要很大的交易量才能够使市场价格波动一个单位，则说明市场深度大。?Pt代表第t笔交易引起的价格

变化，为第t笔交易价格Pt与第t-1笔交易价格Pt?1之差。εt为市场中其他因素引

起的价格变化，比如公开信息的到达使得市场各方同步调整价格，假设εt服从白噪声过程。

为了使价格变化与交易量具有对应关系，我们定义一个虚拟变量Dt，当交 4()

易是由买方主动引起时，Dt等于1；而当交易由卖方主动引起时，Dt等于－1。将(1)式改写为：

?Pt=λQtDt+εt (2) 为了衡量知情交易对股票价格及交易量的影响，我们引入一个指标变量It，当交易量由知情交易者引起时，It=1；当交易量由不知情交易者引起时，It=0。这样，可以将(2)式表示为：

?Pt=(α0+α1It)QtDt+

εt (3) 上式中，α0为非知情交易对价格变化的影响， α1为知情交易相对于不知情

交易对价格变化的额外影响

IT又被称作体制（Regime）变量，存在{0,1}两个状态，取值为1的无条件概率记作p，则取值为0的无条件概率为1?p。因为是否为知情交易由交易者拥有的信息的自然状态决定，所以我们假定其分布为跨期的i.i.d.。则可得?PT的无条件密度

f(?P?(?P2?

T)=1?p??T?α?

?0QT)

??

?2σ2??

???????PT?(α0+α1)Q2 (4)

T????

?2?

?2σ??

若已知?PT，则可以形成IT=1的条件概率判断，即交易为知情交易的概率

判断。由条件概率的定义，可以得出

Pr(I(?PT,IT=1)f(?PTIT=1)

T=1?PT)=Pr

f?P=p×

Tf?P (5)

T根据（7）式就可以完成知情交易概率的测度问题。但是在进行测度之前，还必须解决未知参数α0,α1,σ2,p的估计问题。令未知参数组成向量 5

θ=(α0,α1,σ2,p)′，假设有N个时间间隔的观察数据?PT和QT，则对数似然函数

为

N

L(θ)=∑log{f(?PT;θ)} (6)

T=1

该似然函数无法求出解析解，只能够采用数值算法，我们这里提供一种高效

?使L(θ)达到最率的算法。取对数似然函数L(θ)的导数并令其等于零，以求解θ

?便是θ的最优估计。对数似然的导数为 大值，θ

?L(θ)N??f(?PT)??1?=∑?×? (7) ?θ?θ?T=1??f?PT?

根据（6）式我们可以求出?f(?PT)，得 ?θ

?f(?PT)(?PT?α0QT)QTPr(?PT,IT=0)=2?α0σ

??PT?(α0+α1)QT?QTPr?P,I=1+(TT)2 (8) σ

?PT?(α0+α1)QT?QT?f(?PT)?=Pr(?PT,IT=1) (9) σ2?α1

2?f(?PT)?(?PT?α0QT)1?=??2??Pr(?PT,IT=0)4?σ2σ22σ????

???P?(α+α)Q?21?TT?01?+??2??Pr(?PT,IT=1)42σ2σ???? (10)

?f(?PT)=Pr(?PTIT=1)?Pr(?PTIT=0) (11) ?p

将（10）（11）（12）（13）式分别代入（9）式，并令其等于零，可得 6

?0=α

?Q∑{?PQ-α

T

T

N

2

1T

T=1

Pr(IT=1?PT)

2T

}

∑Q

T=1

N

(12)

?1=α

∑{(?PQ

T

T=1

NT=1

N

T

?0QT2)Pr(IT=1?PT)?α

2T

}

∑{Q

N

Pr(IT=1?PT)

}

(13)

?=σ

2

?0QT)∑{(?PT?α

T=1

2

?1QT+2α?0α?1QT2+α?12QT2)Pr(IT=1?PT)+(?2?PTα

N

}

(14)

?p=

∑{Pr(I

T=1

N

T

=1?PT)

}

N

(15)

由θ的记作θ(0)的任意初始猜测开始，根据（7）式计算Pr(IT=1?PT)，然后计算式（14）（15）（16）（17）的右侧项，则左侧得出一个新的估计θ(1)。用该估计θ(1)重新计算Pr(IT=1?PT)和式（14）（15）（16）（17）的右侧项，可得θ(2)。持续这一迭代方式直至θ(m+1)与θ(m)的差比指定的收敛标准小为止。该迭代算法为Dempster, Laird & Rubin（1977）建立的EM原理的特例，可以证明该算法的每次迭代都增加了似然函数的数值。

四、研究样本与数据

本文实证研究的数据取自上海证券市场的逐笔申报和成交数据库。申报数据库包含11个字段的信息，分别是：申报编号、申报日期、申报时间、证券代码、股东代码、买卖方向、申报价格、申报数量、申报余额、成交标识、申报席位。成交数据库包含13个字段的信息，分别是：成交编号、成交日期、申报时间、成交时间、证券代码、股东代码、买卖方向、成交价格、成交数量、本次余额、

7

成交金额、申报编号、席位代码。

样本区间是20xx年4月至20xx年9月共117个交易日。由于样本时间比较长，为防止数据量过于庞大，我们以上证180指数成份股票作为研究对象。基于其科学客观的选择方法，通常认为上证180指数的成份股票具有很好的代表性，能够代表上海证券市场的概貌和运行状况。另外，需要指出的是，由于集合竞价的交易撮合方式完全不同于连续竞价并且交易稀少，所以本文的研究剔除了集合竞价部分，只选取了连续竞价时段的数据，即上午9:30到11:30和下午13点到

15点之间的数据。

五、实证结果及分析

1.上海股市知情交易概率的描述性分析

为使估计出来的α0和α1值不至于太小，价格变化?PT以分为单位，交易量Qt

以万元为单位。分别取1分钟和10分钟作为计算?PT和Qt的时间间隔，令

θ(0)=[0.1,1,1,0.5]应用（7）（13）（14）（15）式进行迭代，终止标准为θ(m+1)与θ(m)

相比每一项的差异都不超过0.1%，我们计算出180只股票的参数向量，其均值和标准差列于表2。由于我们在前面的迭代算法中没有限制参数的取值范围，即

α0≥0、α1≥0、σ2>0和0≤p≤1，在个别计算中会出现p>1的奇异点，解决

方法是不理会该奇异点，取一个不同的初始点进行迭代，便可以找到新的合理的结果。

表1 参数估计结果

取1分钟为 时间间隔 取10分钟为 时间间隔

α0 α1

1.298788 0.567020 0.174810 0.060993

σ2

1.277962 0.614398 7.516469 4.860570

p

0.429714 0.174131 0.377360 0.206596

均 值 0.102178 标准差 0.084928 均 值 0.044756 标准差 0.071867

8

α0衡量的是不知情交易对价格的影响幅度，而α1衡量的是知情交易对价格

的影响幅度。从表1我们可以发现，α1远远大于α0，说明知情交易对价格的影

响程度远远大于不知情交易，是知情交易导致了股票价格根本性的大幅度的变化，而不知情交易只对股票价格形成短暂而小的冲击。以10分钟为时间间隔算得的α0和α1，比以1分钟为时间间隔算得的α0和α1要小，说明在较长的时间段

内用无论不知情交易还是知情交易都需要更大的交易金额才能够推动股票价格变化。p为对知情交易无条件概率的测度结果，取时间间隔为1分钟和10分钟计算得出的结果基本一致，都接近40%，但前者大于后者，说明在更长的时间间隔内知情交易容易被掩盖，难于被发现。就其数值来说，我国证券市场的知情交易概率远大于Easley, Kiefer, O’Hara & Paperman（1996）和Nyholm（2002，2003）对纽约证券交易所实证分析的结果。这种差异也许可以用我国证券市场的不成熟、信息传递不畅等原因来解释，但是由于测度模型和市场微观结构有很大差别，因此不能武断地下此结论。

在4个参数中，我们更关注的是知情交易无条件概率p值。把以10分钟为时间间隔算得的180只股票p值的分布示于图1，会发现其分布接近于正态。事实上，以1分钟为时间隔算得的p值的分布与图1十分相似，为了缩减篇幅，不再列出。应用检验分布是否为正态分布的Jarque-Bera检验。两者都在5%的置信水平上通过了检验。图1中知情交易无条件概率p值最大的一些股票值得特别关注，因此本研究方法在某种程度上也有助于证券交易监管。

9

图1 上证180指数成份股知情交易无条件概率p值分布

2.知情交易概率的时间影响因素

测度出每一个时间间隔的知情交易条件概率Pr(IT=1?PT)，取117个交易日和180只股票的平均值，即得知情交易概率的日内变化型态，如图2所示。线状图为以1分钟为时间间隔算得的知情交易条件概率；柱状图为10分钟的。任何时刻，1分钟时间间隔的知情交易条件概率都要高于10分钟的，说明在长时间间隔下知情交易被掩盖，难于被发现。从图2的知情交易概率日内型态我们可以发现，经过一夜的信息累积，投资者之间的信息不均衡拉大，开盘后的知情交易概率水平最高，随着交易的进行，信息逐渐传播，知情交易概率也随之下降。开盘后40分钟到收盘前20分钟的知情交易概率水平基本稳定，只是中午收盘前的20分钟的知情交易概率略有升高。收盘前的20分钟知情交易概率水平呈下降趋势。收盘前2分钟知情交易概率水平快速升高，原因可能有两方面，一方面收盘临近，知情交易者急于完成交易；另一方面收盘价格在全天成交价格中影响力最大，庄家有操纵的动机。除了收盘前2分钟，图2绘出的知情交易概率的日内型态与Nyholm（2002）根据纽约证券交易所数据得出的结果基本一致，这也说明我国沪深证券市场的收盘价格确定机制的确有变革的必要。

10

图2 上证180指数成份股知情交易无条件概率p值日内变化形态

0.60.550.50.450.40.35

9:30

9:40

91:0005:00

100:1

100:2

100:3

100:4

100:5

110:0

110:1

110:2

110:3

130:1

130:2

130:3

130:4

130:5

140:0

140:1

140:2

140:3

140:4

140:5

15:0

接下来，我们以一般线性模型来检验知情交易概率的日内型态，为防止参数过多，取以10分钟为时间间隔算得的Pr(IT=1?PT)进行回归，模型如下

24

Pr(IT=1?PT)=α0+∑αiIi,T+εT (16)

i=1

式中Ii为虚拟变量，若处在交易日内的第i个时段则取值为1，若处在其余时段则取值为0。

180只股票的算术平均αi值列于表3，括号里的数字为αi通过5%显著性检验的股票个数，从中我们可以发现除了开盘后20分钟这一时段大部分股票的知情交易概率特别高之外，其余时段的知情交易概率均不受时间显著影响。

表2 知情交易概率的日内型态的线性回归结果

α1

0.388311 (156)

α2

0.153856 (132)

α3

0.135156 (63)

α4

0.103211 (62)

α5

0.101761 (43)

α6

0.0796 (46)

α7

0.08105 (36)

α8

0.099406 (39)

α9

0.076161 (40)

α10

0.085744 (42)

α11

0.07445 (56)

α12

0.1071 (73)

α13 α14 α15 α16 α17 α18

11

0.094506 (57) 0.06145 (29) 0.067672 (36) 0.071422 (34) 0.076389 (45) 0.060289 (41)

α19

0.056906 (33)

α20

0.066717 (30)

α21

0.05675 (36)

α22

0.050416 (28)

α23

0.052882 (22)

α24

0.039289 (21)

需要补充说明的是，除了知情交易概率的日内形态之外，我们还研究了日间形态，比如周效应和月初月末效应等，但是没有发现显著并有意义的特征。

3.知情交易概率的公司影响因素分析

上市公司的特征也会影响股票的知情交易概率。我们以流通市值Size、财务杠杆比率Leverage、无形资产占总资产比率Tangible、主营业务增长率Growth、流通股占总股本的比例Proportion、前十大流通股东持有市值比例Holdings这6个指标与知情交易无条件概率p值作多元线性回归，模型如下

pi=α0+α1Sizei+α2Leveragei+α3Tangiblei+α4Growthi

+α5Proportioni+α6Holdings+εi

(17)

在选取（19）式右侧的自变量时，我们遵循了这样一个原则，即自变量不能是信息本身。例如，如果加入每股收益增长率这一自变量，那么其他自变量对于知情交易无条件概率p来说都无足轻重了，但是这样的回归也不再有意义，因为每股收益增长率其实就是信息本身。在计算自变量的时候也遵循了上述原则，所有的指标都取的是三年平均值，而不是一年的数值。

回归结果列于表3，除了流通股占总股本的比例这一因素不显著外，其余因素均对知情交易概率有显著影响。

流通市值的大小与知情交易概率负相关，并且在1%的水平上显著，与Easley,

Hvidkjaer & O’Hara（2000）和Nyholm（2002）的结果相一致。原因在于大盘股经营比较稳健，信息披露规范，适合长期投资，而小盘股经营波动性比较大，容易受到庄家的操纵。或者也可以用Chiang & Venkatesh（1988）的解释，公司规模越小，则内部人越少，内部信息成为公众信息的速度就越慢，私有信息的保留度越高，自然证券市场的知情交易概率就会维持在一个比较高的水平。

财务杠杆比率高的上市公司更加充分地利用了融资工具，但财务成本也更

12

高，导致其经营业绩有更大幅度的波动，因此也更容易受到知情交易者的光顾，统计上在5%的置信水平上显著。

无形资产比有形资产转化为利润的途径更加间接，因此也会造成上市公司的业绩波动较大，引起知情交易概率的增加，但是此项统计只在10%的置信水平上显著。

事实上，我们认为财务杠杆比率和无形资产占总资产比率这两个指标与知情交易概率正相关的原因不仅仅在于会引起经营业绩的波动，还有一个原因可能在于利润操纵。我国上市公司进行利润操纵的主要手法便是调整财务费用和无形资产估值，而利润操纵势必引起知情交易概率的大幅度提高。

主营业务增长率是衡量一个公司成长性的最常用也是最主要的指标，它与知情交易概率正相关的结果与Hedge & McDermott（2000）的结论相一致。成长型的公司在价值评估上本来就存在很大的不确定性，并且所处竞争环境也是多变的，知情交易者所掌握的信息就相对比较准确，也更有价值，因此知情交易概率水平会比较高。

股权结构也是可能应该知情交易概率的因素，我们用两个指标来分析。一个指标是流通股占总股本的比例，结果是并不显著，这样的结果也好理解，在161个样本股票中绝大多数的控股方均为国有非流通股股东，至于流通股比例高一点或低一点并没有什么影响；另一个指标是前十大流通股东持有市值比例，结果是在5%置信水平上正相关，说明股权集中度高会导致高知情交易概率。

表3 知情交易无条件概率与公司特征影响因素的横截面分析

流通市值×10?8α t值 显著性水平 -0.1379 -3.12 <1%

0.0393 2.07 <5%

1.75 <10% 财务杠杆比率 无形资产占总资产比率 0.0132

主营业务增长率 0.1279 2.97 <5% 流通股占总股本的比例 -0.0129

前十大流通股东持有市值比例 0.1261 -0.53 2.37 不显著 <5% 13

4.知情交易概率的市场影响因素分析

知情交易作为发生在证券市场中的交易行为，势必要受到市场中各类因素的影响，反过来知情交易也会影响市场的运行。流动性、波动性和透明度是证券市场的三大主要特征，它们都与知情交易概率有密切关系。知情交易者通常选择流动性好的时刻进入市场，这样他们的行为更容易被掩盖，付出的交易成本也低；反过来，市场上知情交易概率较高时，不知情交易者通常选择不进行交易，以避免损失，从而降低了流动性。因此流动性与知情交易概率可能存在双向因果关系，即流动性影响知情交易概率，知情交易概率同时影响流动性。在波动性高的时刻，知情投资者不愿意进行交易，因为交易价格不确定，并且交易成本较高；反过来，较高的知情交易概率会导致较高的波动性。所以波动性也与知情交易概率可能存在双向因果关系。透明度应该与知情交易概率只存在单向的因果关系，即高透明度导致低知情交易概率。然而，上述关系只是我们的推测，是否真的存在还需要实证分析。

遗憾的是，我们很难直接实证分析知情交易概率与市场流动性、波动性和透明度的关系。这是因为，一方面，流动性、波动性和透明度这三者本身就是一个指标体系，彼此互相影响，比如通常认为高流动性同时伴随着低波动性；另一方面，流动性、波动性和透明度这三者各自也并不存在一个公认的简单可测的指标来衡量。因此，如果我们尝试直接分析知情交易概率与流动性、波动性和透明度这三者之间的关系，不但会篇幅大大增加，超出本文允许的限度，而且会陷入这些指标是否真实准确地衡量了流动性、波动性和透明度的争论，而这些争论并不属于本文的范畴。为了避免这样的问题，我们直接分析知情交易概率与价格变化、交易金额和买卖价差三个指标之间的关系。这三个指标不但简单易测，并且分析它们与知情交易概率之间的关系还可以大致了解流动性、波动性和透明度与知情交易概率的关系。

为明确知情交易概率与价格变化、交易金额和买卖价差之间的关系，特别是因果关系，我们采用时间序列的向量自回归（VAR）方法。但是，这里不能直接采用p值做回归，因为它只是在整个样本时间段内知情交易的无条件概率，并非 14

时间序列，我们采用条件概率Pr(IT=1?PT)作VAR回归。也不能直接采用价格变化?PT作回归，因为?PT是有正负号的，而Pr(IT=1?PT)没有正负号，知情交易可能是买入也可能是卖出，所以我们采用价格变化?PT的绝对值?PT作回归。在应用VAR方法之前，还需要作知情交易条件概率Pr(IT=1?PT)、价格变化绝对值?PT、交易金额QT和买卖价差SpreadT的平稳性检验，否则不能应用VAR方法。经过我们对180只股票在样本区间的ADF（Augmented Dichey-Fuller）平稳性检验，有172只股票所有4个指标都通过5%置信水平的平稳性检验，则取这172只股票作为我们后面回归的样本。然后还需要确定VAR模型的滞后阶数，为避免滞后阶数过多，我们采用10分钟时间间隔，这样我们取一阶滞后就可以了，因为我们很难认为20分钟前的交易信息还对当前的决策有很大的影响。由于知情交易条件概率Pr(IT=1?PT)与价格变化绝对值?PT、交易金额QT和买卖价差SpreadT的VAR模型完全一样，我们只列出与交易金额QT的VAR模型如下

Pr(IT=1?PT)=β0+β1Pr(IT?1=1?PT?1)+β2QT+β3QT?1+εTQT=γ0+γ1QT?1+γ2Pr(IT=1?PT)+γ3Pr(IT?1=1?PT?1)+?T

(18)

其中β0、γ0为常数项；β1、γ1为一阶自回归系数；β2、γ2、β3、γ3为滞后不同阶数的回归系数；εT、?T为两式的误差项。

对每只通过平稳性检验的股票估计VAR模型的参数。152只股票各自估计出的参数的算术平均值列于表4，其中括号里面的数字为通过5%显著性水平的股票数目。绝大多数股票通过了知情交易条件概率Pr(IT=1?PT)与价格变化绝对值?PT、交易金额QT和买卖价差SpreadT的双向Granger因果关系检验，显著性水平为5%，说明知情交易概率是动态变化的，不但受市场其他因素的影响，反过来也影响市场的其他因素。T期知情交易概率Pr(IT=1?PT)与T-1期知情交易概率Pr(IT?1=1?PT?1)正相关说明知情交易概率有聚集现象，通常当期较高的知情交易概率也预示着下一期的高知情交易概率。T期知情交易概率

15

Pr(IT=1?PT)与T-1期的价格变化?PT?1、交易金额QT?1和买卖价差SpreadT?1负相关，这说明知情交易者通常选择价格变化小、交易金额低和价差窄的时机入场，以实现成交价格确定、成交不引起市场注意和交易成本低的目的。而T期知情交易概率Pr(IT=1?PT)与T期的价格变化绝对值?PT、交易金额QT和买卖价差

SpreadT正相关，这又说明知情交易者的入场导致了价格变化增大、交易金额增加和价差变宽。T-1期知情交易概率Pr(IT?1=1?PT?1)与T期的价格变化绝对值

?PT和交易金额QT负相关，而与买卖价差SpreadT正相关，说明不知情交易者

意识到知情交易的存在后，为防止信息上的劣势导致损失从而降低了交易意愿，使得价格变化减小、交易金额减少和价差变宽。进一步引申下去，我们可以得出这样的结论，即高流动性和低波动性吸引知情交易者进场交易，反过来知情交易者的进场交易导致流动性降低和波动性增高。

表4 VAR模型的实证结果

应变量

Pr(IT=1?PT)Pr(IT?1=1?PT?1)

/ 0.45951

(132)

0.172692 (147) -0.032153 (127)

?PT

0.012298 (139)

/

?PT?1

-0.019754 (128) 0.329783 (151)

Pr(IT=1?PT)

?PT

159只股票通过了PrIT=1?PT与

应变量

()

?PT双向Granger因果关系检验

QT

0.037258

(132)

/

Pr(IT=1?PT)Pr(IT?1=1?PT?1)

/ 1.47653 (145)

0.157632 (147) -0.143753 (127)

QT?1

-0.019754 (127) 0.396831 (151)

Pr(IT=1?PT)

QT

148只股票通过了PrIT=1?PT与QT双向Granger因果关系检验

应变量

()

Pr(IT=1?PT)Pr(IT?1=1?PT?1)

/ 0.85643

(135)

0.187213 (147) 0.095851 (119)

SpreadT

0.019274 (137)

/

SpreadT?1

-0.010654 (118) 0.135731 (143)

Pr(IT=1?PT)

SpreadT

16

142只股票通过了PrIT=1?PT与SpreadT双向Granger因果关系检验

()

六、结论

本文建立了知情交易概率的测度模型，并将之运用于上海股市的实证研究，得到了如下一些研究结论：

(1)知情交易对价格的影响程度远远大于不知情交易，是知情交易导致了股票价格根本性的大幅度的变化，而不知情交易只对股票价格形成短暂而小的冲击。

(2)上海股市知情交易的无条件概率接近40%，远大于Easley, Kiefer, O’Hara & Paperman（1996）和Nyholm（2002，2003）对纽约证券交易所实证分析的结果。

(3)知情交易概率的日内型态具有一些特点：开盘后的知情交易概率水平最高，随着交易的进行，信息逐渐传播，知情交易概率也随之下降，但在收盘前又有所增加。

(4)公司的基本面因素会影响股票的知情交易概率，其中，流通市值与知情交易概率负相关；而财务杠杆比率、主营业务增长率以及股权集中度与知情交易概率为正相关关系。

(5)高流动性和低波动性吸引知情交易者进场交易，反过来知情交易者的进场交易导致流动性降低和波动性增高。

上述结论在理论和实践两个层面都具有重要价值。从理论层面来看，本文提出的知情交易测度模型可以检验市场微观结构理论模型的有效性，以及验证行为金融中的相关模型和结论。从实践层面来看，对知情交易的研究将有利于充分理解订单驱动市场的信息传递机制，可以作为跨市场跨机制比较知情交易风险高低的基础指标，有利于证券交易所及市场监管部门为提高市场质量做出合理的政策选择。

17