中國股票市場信息不對稱測度的比較——基于證監(jiān)會行政處罰案例的研究

郇鈺 高揚

(1.中國工商銀行博士后科研工作站，北京 100032；2.北京工業(yè)大學(xué)經(jīng)濟與管理學(xué)院，北京 100124)

引言

信息不對稱的存在嚴(yán)重阻礙了中國金融市場的健康穩(wěn)定發(fā)展：首先，信息成本是造成市場價差的主要原因(Bagehot, 1971)[2]，具體而言，信息不對稱的存在會造成逆向選擇成本升高，擴大買賣報價的價差，從而對市場流動性和資產(chǎn)價格的形成造成影響；其次，少數(shù)知情交易者的獲利是以犧牲非知情交易者的利益為代價的，這種行為嚴(yán)重影響了大多數(shù)交易者的投資信心，不利于金融市場的穩(wěn)定。因此，內(nèi)幕交易行為一直是中國證券監(jiān)管部門重點查處的方向之一。目前，監(jiān)管部門對內(nèi)幕交易的稽查多存在于事后發(fā)現(xiàn)，很少能在內(nèi)幕交易發(fā)生前或進行過程中有所預(yù)知并加以防范?，F(xiàn)有的監(jiān)測措施主要包括監(jiān)控相關(guān)上市公司控股股東、董事長、高層管理人員等內(nèi)幕知情者在特定窗口期的賬戶交易情況，或是在上市公司停牌或重大事項公告后核查之前內(nèi)幕信息知情者的交易情況。雖然這些措施能在一定程度上監(jiān)控內(nèi)幕交易的發(fā)生，但為了躲避監(jiān)管，內(nèi)幕交易行為正在向隱蔽化、群體化的方向發(fā)展：一方面，雖然監(jiān)管機構(gòu)和交易所登記了知情人名單，但無法及時覆蓋和掌握間接信息共享的相關(guān)人員情況，內(nèi)幕消息知情者為了躲避監(jiān)管，往往會使用旁系親屬或朋友的賬號操作并從中獲利，而這部分人群通常不在監(jiān)管機構(gòu)的知情者數(shù)據(jù)庫中，監(jiān)測無法覆蓋；另一方面，很多內(nèi)幕信息大多通過私下傳遞信息，一般不會留下明顯的證據(jù)，這給監(jiān)管部門調(diào)查取證又帶來了很大的困難。因此，如何全面有效地監(jiān)測內(nèi)幕交易，提前發(fā)現(xiàn)異常交易信號，預(yù)防內(nèi)幕交易的發(fā)生是本文研究的關(guān)鍵問題。

盡管理論上可從機構(gòu)或內(nèi)幕交易者的訂單、個人投資者的訂單對市場的沖擊來對內(nèi)幕交易進行識別，但在實際中卻缺乏這方面的數(shù)據(jù)，因此，需要采用一些反映信息不對稱強度的代理指標(biāo)來對內(nèi)幕交易進行度量，這些度量的結(jié)果往往可以反映市場在一段時間內(nèi)知情交易的活躍程度或者在一定數(shù)量的訂單流中由知情交易者發(fā)起的訂單所占的比例。隨著市場微觀結(jié)構(gòu)理論的不斷完善，對信息不對稱的研究大致經(jīng)歷了由簡單考慮信息不對稱的概念，到具體考慮信息結(jié)構(gòu)模型的發(fā)展過程。Huang and Stoll (1996)[21]認(rèn)為做市商會通過擴大價差來彌補他們與知情交易者進行交易后造成的損失，他們把有效價差分解為逆向選擇成分和做市商可以實現(xiàn)的收益，因此有效價差和已實現(xiàn)價差之間的差值可以作為逆向選擇成本的估計值。Glosten and Harris (1988)[15]將交易方向指示變量與資產(chǎn)價格變化、以及交易規(guī)模等變量聯(lián)系起來建立交易成本模型，同時提出交易成本包括兩部分，一部分是由信息不對稱造成的逆向選擇成本，另一部分是存貨成本、清算成本等不影響資產(chǎn)真實價值的暫時性成分，并估計各成分的大小比例，即來自信息不對稱的影響和訂單處理成本的影響分別造成的價格沖擊。此類模型的基本思想在于做市商接收賣出指令之后會降低對資產(chǎn)價值的預(yù)期從而降低報價，而在接收買入的指令后會提高對資產(chǎn)價值的預(yù)期從而提高報價，類似思路的文獻還有Glosten and Milgrom (1985)[16]、Kyle (1985)[23]、Huang and Stoll (1997)[22]、Madhavan et al.(1997)[25]、Huang and Stoll (1994)[20]等。Glosten and Harris(1988)[15]模型分析并度量了逆向選擇成本和交易成本，并且認(rèn)為紐約證券交易所(NYSE)存在大量的普通股，其價差是由于信息不對稱的存在而造成的。隨后，Hasbrouck(1991a, 1991b)[18][19]提出的未預(yù)期價格沖擊反應(yīng)函數(shù)從信息比例的角度測度了信息不對稱的程度。Hasbrouck構(gòu)造了報價與交易相關(guān)變量的VAR模型，并據(jù)此分析交易對價格的沖擊反應(yīng)以及交易中蘊含的私有信息含量，發(fā)現(xiàn)知情交易與價格響應(yīng)正相關(guān)。Blume et al.(1994)[3]采用VAR模型，分析了交易量的信息含量以及交易者運用貝葉斯學(xué)習(xí)過程能從中獲取的信息量。Dufour and Engle (2000)[8]對Hasbrouck的VAR模型進行了拓展，引入了交易久期，并且發(fā)現(xiàn)隨著交易強度的增加，交易對價格的沖擊響應(yīng)增加，即快速交易通常意味著知情交易的發(fā)生。Brennan and Subrahmanyam (1996)[4]結(jié)合Hasbrouck模型和Foster and Viswanathan (1993)[14]模型，提出了一個擴展的HFV模型。

Easley et al.(1996)[11]提出用EKOP模型對知情交易概率(PIN)進行測度，這是第一個直接對知情交易程度進行衡量的指標(biāo)。知情交易概率PIN是指一次交易來自于擁有私人信息的知情交易者的概率，PIN值越低即知情交易概率越低，說明該資產(chǎn)的信息不對稱程度越低。PIN理論自從被提出就受到了廣泛關(guān)注，學(xué)者們采用PIN展開了大量的金融實證研究，例如Easley et al.(2001)[12]基于PIN來研究股票拆細(xì)是否能夠減少信息不對稱，Vega (2006)[27]認(rèn)為PIN可以作為私有信息的組成部分來檢驗市場有效性；此外，PIN的提出也為定價研究帶來了許多新思路，例如Easley et al.(2002)[9]把PIN作為第四個因子加入到Fama and French (1993)[13]三因子模型中進行回歸，發(fā)現(xiàn)知情交易概率PIN的回歸系數(shù)為正且顯著，即知情交易的概率越高，所需的風(fēng)險補償也越高，因此他們認(rèn)為PIN可以作為一種風(fēng)險因子。國內(nèi)學(xué)者對EKOP模型和PIN理論的研究也逐漸增多，楊之曙和姚松瑤(2004)[30]利用PIN測度檢驗了上海證券交易所中股票的知情交易概率與買賣價差之間的關(guān)系；韓立巖等(2008)[28]以EKOP模型為基礎(chǔ)，研究了上海證券交易所股票知情交易概率的特征，并檢驗了知情交易概率的風(fēng)險定價能力，發(fā)現(xiàn)在中國市場PIN作為定價因子是有解釋力的，但是對收益產(chǎn)生的是負(fù)效應(yīng)；張宗新(2008)[31]基于PIN測度，發(fā)現(xiàn)在中國上市公司很多重大事件的背后都有著私人信息交易行為，存在內(nèi)幕交易的可能性很高。與此同時，也有一些學(xué)者關(guān)注PIN模型本身是否真的可以測度知情交易概率的問題。Mohanram and Rajgopal (2009)[26]發(fā)現(xiàn)PIN對預(yù)期收益率的影響是不穩(wěn)健的，從而質(zhì)疑PIN是否能夠真正地反映出信息不對稱風(fēng)險；Duarte and Young (2009)[7]認(rèn)為 PIN之所以被定價是由于非流動性因素而不是信息不對稱因素；Aktas et al.(2007)[1]通過分析在1995～2000年期間發(fā)生在巴黎證券交易所(Euronext Paris)的并購重組案例，認(rèn)為EKOP模型提出的PIN并沒有事前識別出來明顯存在的信息泄露情況。針對中國市場，劉莎莎等(2011)[29]采用Fama-MacBeth兩階段橫截面檢驗，并結(jié)合多因子模型發(fā)現(xiàn)知情交易的因子負(fù)載無法預(yù)測資產(chǎn)收益。

上述度量方法一般是從不同的角度提煉價格變化方向訂單流的規(guī)模以及訂單不平衡所釋放的信息，很少有文獻對這些測度信息不對稱的方法進行橫向比較，篩選出真正有效的信息不對稱度量指標(biāo)。本文基于中國證監(jiān)會發(fā)布的行政處罰公告中涉及內(nèi)幕交易的案例1，橫向檢驗上述不同信息不對稱指標(biāo)的度量效果。本文采用證監(jiān)會處罰過的內(nèi)幕交易股票案例作為研究對象的原因主要有三方面：首先是因為證監(jiān)會處罰過的案例是通過刑偵等手段已經(jīng)確認(rèn)存在過內(nèi)幕交易情況的股票案例，并不是通過某些指標(biāo)推斷出來的可能存在內(nèi)幕信息或者信息泄露的情況2，后者的推斷不能完全等價于前者的事實認(rèn)定；其次，證監(jiān)會公布的行政處罰公告中，有很多內(nèi)幕交易案例都標(biāo)注了內(nèi)幕信息敏感期，證監(jiān)會對內(nèi)幕信息敏感期的劃分主要是以事件為導(dǎo)向3，內(nèi)幕敏感期的劃定為本文研究提供了便利；第三，證監(jiān)會的處罰案例中，涉及的內(nèi)幕信息類型，除了有并購重組案例之外，還有財務(wù)報告、利潤分配方案等信息提前泄露的情況，分析場景更加多元化。

本文的創(chuàng)新之處在于以下兩點：一方面，針對EKOP模型被質(zhì)疑的有效性問題，提出了日度PIN的估計思路，為信息不對稱的測度提供了新的度量方法；另一方面，基于證監(jiān)會懲處的內(nèi)幕交易股票案例，本文對包括日度PIN在內(nèi)的四種信息不對稱測度進行橫向比較，實證結(jié)果表明Huang-Stoll價差分解指標(biāo)和Glosten-Harris長久價格沖擊指標(biāo)無法準(zhǔn)確衡量信息不對稱程度，而Hasbrouck未預(yù)期價格沖擊指標(biāo)與本文提出的日度PIN指標(biāo)作對比，后者能夠更好地刻畫信息結(jié)構(gòu)演化過程。因此，日度PIN指標(biāo)可以用來預(yù)警未來內(nèi)幕交易案件的發(fā)生，為監(jiān)管機構(gòu)提供一定的參考，并且有助于投資者和金融實證領(lǐng)域?qū)W者識別股票市場的信息風(fēng)險。

知情交易測度

一、信息模型回顧

1.Huang-Stoll價差分解指標(biāo)

Huang and Stoll (1996)[21]對有效價差進行簡單分解，將其分為逆向信息成分和做市商已實現(xiàn)的部分，因此可以將有效價差中做市商沒有實現(xiàn)的利潤作為逆向選擇成本的估計值。他們定義有效價差的一半為交易價格與交易發(fā)生時買賣報價的中點之間差值的絕對值；已實現(xiàn)價差的一半定義為上一次交易價格為買價時的成交價變化值或上一次交易價格為賣價時的成交價變化負(fù)值；逆向選擇成本的估計就是有效價差的一半減去已實現(xiàn)價差的一半。

2.Glosten-Harris長久價格沖擊指標(biāo)

Glosten and Harris (1988)[15]首次提出交易指示回歸模型，并以顯性的方式提出交易成本估計及分解公式。他們將買賣價差分解為暫時(transitory)成分和長久(permanent)成分。暫時成分反映了指令處理成本、存貨成本等，而長久成分則反映了做市商與知情交易者之間的信息不對稱，因為只有私有信息才會真正影響資產(chǎn)價值，對價格造成長久沖擊。

令Zt=z0+z1Vt為價差中的價格沖擊成分，Ct=c0+c1Vt為指令處理成分，二者均為交易量Vt的線性函數(shù)，則模型設(shè)定如下：

其中，Pt為資產(chǎn)在t時刻成交的交易價格，Mt為資產(chǎn)在t時刻的不可觀測到的真實價值，Qt為買賣方向的示性變量，Ut為誤差項。故有，

其中xt=VtQt，是具有買賣方向的交易量。

根據(jù)Madhavan et al.(1997)[25]、Huang and Stoll(1997)[22]提供的思路，這里可以采用廣義矩估計(GMM)方法可得到模型(3)的估計。值得注意的是，Glosten和Harris認(rèn)為Zt=z1Vt，Ct=c0是最好的模型。即此時

因此，z1值越大，價格則越容易受到帶買賣方向的交易量的影響。z1被認(rèn)為是可以衡量由于信息不對稱而造成的價格沖擊的指標(biāo)。

3.Hasbrouck未預(yù)期價格沖擊指標(biāo)

Hasbrouck (1991a, 1991b)[18][19]根據(jù)Hasbrouck(1988)[17]交易對報價多期沖擊的單一函數(shù)模型，進一步推導(dǎo)出了報價與交易相關(guān)系數(shù)的VAR模型，并據(jù)此分析交易對價格的沖擊和交易中蘊含的內(nèi)幕信息含量。Hasbrouck(1991a, 1991b)[18][19]將價格變化的方差分解為交易相關(guān)和不相關(guān)兩部分，由于內(nèi)幕消息的價值是通過交易反映到價格中，因此價格變化中交易相關(guān)的部分就可以作為信息不對稱程度的一種度量，即未預(yù)期價格沖擊指標(biāo)?；贖asbrouck提出的(5)式中的VAR模型可得到未預(yù)期價格沖擊指標(biāo)的估計：

其中rt是對數(shù)價差中點的變化，Xt可以是買賣方向示性變量Qt，也可以是Qt和交易量Vt的向量組合{Qt,QtVt}。本文采用Hasbrouck(1991)[19]提出的度量指標(biāo)對模型(5)進行OLS估計后，將模型(5)轉(zhuǎn)化為VMA模型的表達形式，再根據(jù)其提出的引理1，計算得到未預(yù)期價格沖擊的相對指標(biāo)

二、日度PIN指標(biāo)

Easley et al.(1996)[11]在Glosten and Milgrom (1985)[16]的市場微觀結(jié)構(gòu)理論模型基礎(chǔ)上進行擴展，開創(chuàng)性地提出了度量知情交易概率(Probability of Informed Trading，簡稱PIN)的EKOP模型。該模型認(rèn)為在滿足某些假設(shè)條件的交易機制下，根據(jù)每個交易日買方發(fā)起的訂單數(shù)量和賣方發(fā)起的訂單數(shù)量，可以直接估計知情交易者提出交易的概率。

在市場微觀結(jié)構(gòu)中，EKOP模型考慮了一種簡單的序貫結(jié)構(gòu)的交易模型。定義i=1,…,I為I個交易日，t∈[0，T]代表每個交易日內(nèi)的連續(xù)時刻。對于任何一只股票來說，在每個交易日開始前，是否有決定資產(chǎn)價值的新消息產(chǎn)生是由概率α決定的。假設(shè)一天至多只有一個新消息產(chǎn)生，如果有新消息，該消息是利空消息的概率為δ，是利好消息的概率為1-δ。在一天內(nèi)，該股票市場上每筆交易(無論買方發(fā)起或賣方發(fā)起)的到達服從相互獨立的泊松過程。本文認(rèn)可市場上存在兩類交易者，分別是知情交易者和非知情交易者。知情交易者可以提前觀察到新消息，而非知情交易者只能觀察到價格。假設(shè)，非知情交易者提交買賣訂單的到達速率均為ε，知情交易者提交買賣訂單的到達速率為μ。在沒有新信息出現(xiàn)的交易日，知情交易者無利可圖，不會參與到市場中，此時只有非知情交易者進行交易，所以這時的買賣交易到達率均為ε。在有消息的交易日里，當(dāng)知情交易者捕捉到利好消息時，他們會買進；當(dāng)他們認(rèn)為是利空消息時，便會賣出。而非知情交易者由于沒有消息，他們的買賣訂單到達率仍為ε。圖1展示了上述模型假設(shè)的交易機制。

從而，知情交易概率PIN定義為

式(6)中，αμ+2ε可以理解為全部訂單到達速率，αμ為知情交易訂單到達速率，因此PIN也可以理解成所有訂單中來自知情交易者的訂單所占的比率。

對EKOP模型，要得到PIN的估計值，需要每日買賣交易筆數(shù)數(shù)據(jù)，對參數(shù)θ=(αδεμ)進行估計。假設(shè)B表示某交易日買方發(fā)起的交易次數(shù)，S為賣方發(fā)起的交易次數(shù)。利用I個交易日的買賣成交筆數(shù)(Bi,Si)I i=1，可以得到下列似然函數(shù)：

以往文獻主要采用極大似然估計方法得到PIN的估計值，然而在極大化模型(7)求解的過程中會遇到很多問題，例如Easley et al.(2010)[10]、Aktas et al.(2007)[1]都發(fā)現(xiàn)，交易越頻繁的股票，在進行極大似然估計時越容易遇到計算溢出等問題。Easley et al.(2010)[10]提出了一種改進的對數(shù)似然函數(shù)，對(8)式取對數(shù)后再做重排，(7)式可轉(zhuǎn)化為(9)式：

其中，Mi=[min(Bi, Si)+max(Bi, Si)]/2, x=ε/(ε+μ)。盡管模型(9)的提出可以一定程度上改善PIN估計的計算溢出問題，但是并不能從根本上解決溢出問題，尤其是當(dāng)股票每天的交易筆數(shù)普遍很大時，進行極大似然估計時總是會遇到計算溢出問題。

圖1 交易過程樹形

因此，本文提出一種新的思路對PIN進行改進。EKOP模型可以采用60天的時間窗口對PIN進行估計，也可以使用21天作為一個月的交易天數(shù)對PIN進行估計。實際上，無論天數(shù)I如何選擇，都是假設(shè)在I天之內(nèi)EKOP模型的各個參數(shù)真值固定，特別是每天信息發(fā)生的概率α、流動性交易者提交訂單的速率ε和知情交易者提交訂單的速率μ在一段時間內(nèi)均保持不變。該假設(shè)是否符合真實資本市場的信息傳遞以及交易情況有待商榷。同時，由EKOP模型得到的PIN值表示在I天內(nèi)資產(chǎn)存在內(nèi)幕交易的可能性，如果時間窗口選擇較長，PIN估計的準(zhǔn)確性和利用價值都會受到影響。此外，其他信息不對稱的度量指標(biāo)(Huang-Stoll價差分解指標(biāo)、Glosten-Harris長久價格沖擊指標(biāo)和Hasbrouck未預(yù)期價格沖擊指標(biāo))均可以計算日度結(jié)果，如果能夠同時獲取PIN的日度估計，就可以基于同一個維度對上述幾個信息指標(biāo)進行比較和評價。因此，本文提出一種估計日度PIN的方法。根據(jù)中國市場每天的交易情況，開盤時間從上午9∶30-11∶30(不考慮集合競價階段)，下午1∶00-3∶00，共四個小時。在任何一個交易日，每隔5分鐘4記錄一次買方發(fā)起的訂單數(shù)bt和賣方發(fā)起的訂單數(shù)st，因而每天可以得到樣本容量為48的一組序列(bt, st)48t=1。考慮將每天的(bt, st)48t=1代入模型(9)，得到日度PIN的估計值。在I個交易日內(nèi)可以得到一組長度為I的動態(tài)日度PIN序列。采用劃分日內(nèi)區(qū)間并進行PIN估計的原因主要在于：首先，理論上EKOP模型假設(shè)買賣訂單到達過程是相互獨立的Poisson過程，根據(jù)Poisson過程所具備的獨立平穩(wěn)增量的性質(zhì)，劃分的時間間隔無論是5分鐘(T=1/48)還是一天(T=1)，都不會影響對真實速率ε和μ的估計，同時也不會影響PIN的計算；其次，獨立增量的性質(zhì)使得極大似然估計仍然可行，并且因為時間間隔劃分更細(xì)之后，每5分鐘的(bt,st)較之每日的(Bi,Si)在數(shù)量上有了大幅減少，極大似然估計可能出現(xiàn)的計算溢出問題得到解決；最后，每天用48組數(shù)據(jù)進行計算，樣本容量大小合適，與EKOP模型提出的60天時間窗口相差不大。因此，基于上述方法得到的日度PIN估計和日度信息到達和交易過程相關(guān)的參數(shù)θ估計，不但更加符合真實交易市場的情況(信息傳播和交易過程是動態(tài)的)，同時也可以拓展PIN在金融實證領(lǐng)域的應(yīng)用研究。

實證研究與分析

一、數(shù)據(jù)和變量

本文篩選了截至2017年4月25日中國證監(jiān)會在其網(wǎng)站發(fā)布的行政處罰決定中，涉及內(nèi)幕交易的全部案例，共137例。其中，選擇公告內(nèi)容明確標(biāo)注內(nèi)幕交易敏感期時間段，并且敏感期內(nèi)的有效交易天數(shù)大于5天的案例。同時，對于每個案例，分別選取敏感期前和敏感期后各60個的交易日，和敏感期一起作為樣本的數(shù)據(jù)區(qū)間。本文保留數(shù)據(jù)區(qū)間完全落入2010年1月1日～2015年12月31日期間的案列，同時剔除了個別缺少高頻交易記錄的案例，最終得到46個數(shù)據(jù)完整的案例。表1匯總了46個內(nèi)幕交易案例的基本特征，其中24只為深證A股股票，16只為上證A股股票，6只為創(chuàng)業(yè)板股票。敏感期長度大部分集中于40日以內(nèi)的為24個案例，大于等于40日但小于80日的為14個案例，超過80日的有8個案例，其中敏感期最長的為173天，最短是11天。內(nèi)幕信息類型中，大部分是并購重組信息，共計31例，其中收購失敗的案例數(shù)為5，作為被收購方的案例數(shù)為2，涉及重大資產(chǎn)重組信息的案例有6例；涉及定向增發(fā)或非公開發(fā)行股票進行融資、投資項目或合資項目的案例為8例；其他類型的信息泄露，如財務(wù)報表、利潤分配、業(yè)績預(yù)虧、項目中標(biāo)等信息，共計7例。

本文使用的高頻交易數(shù)據(jù)來自于Resset高頻數(shù)據(jù)庫，包括每只股票每個交易日每筆交易的成交價格、買一價和賣一價、交易量等分筆交易數(shù)據(jù)，同時按照Lee and Ready (1991)[24]的算法判定每筆交易的方向，即買方發(fā)起、賣方發(fā)起或無法判斷。

本文的主要變量和信息不對稱指標(biāo)的簡單統(tǒng)計如表2所示。按照每個股票案例在相應(yīng)時間窗口內(nèi)的日均流通市值對46個案例進行排序分組，記為1、2、3、4組以及總體組?？傮w來看，日平均買方發(fā)起的交易數(shù)為565筆，日平均賣方發(fā)起的交易數(shù)為566筆，而如果按照5分鐘時間間隔對交易日進行劃分后，5分鐘內(nèi)平均買方發(fā)起交易數(shù)和賣方發(fā)起交易數(shù)均僅為12筆。時間加權(quán)的日平均相對報價價差為0.2%，日平均交易量為9,813,869股，流通股數(shù)的日平均換手率為2.8%。另一方面，隨著公司規(guī)模的擴大(按市值分組從1組到4組)，日均買賣筆數(shù)(無論是全天訂單數(shù)還是5分鐘內(nèi)訂單數(shù))都隨之增大，日均交易量迅速增加；時間加權(quán)的日均相對報價價差隨著公司規(guī)模的擴大而下降，而流通股數(shù)的日均換手率卻呈現(xiàn)出了先降后升的趨勢。同時，隨著公司規(guī)模的擴大，本文采用的4種信息不對稱指標(biāo)(分別簡記為H-S、G-H、Hsbrk和日度PIN)在整個事件研究窗口內(nèi)的平均水平大致呈現(xiàn)逐漸減小的趨勢，例如日度PIN從0.221降低到0.204，其橫截面平均水平為0.212。這些特征均驗證了公司規(guī)模越大的股票，內(nèi)幕交易的相對比例較低，逆向選擇成本也偏低的現(xiàn)象[32]。

表1 內(nèi)幕交易案例特征

二、實驗設(shè)計

為了橫向比較4種信息不對稱指標(biāo)(Huang-Stoll價差分解指標(biāo)、Glosten-Harris長久價格沖擊指標(biāo)、Hasbrouck未預(yù)期價格沖擊指標(biāo)和日度PIN指標(biāo))是否能夠有效地測度信息風(fēng)險，本文基于證監(jiān)會已發(fā)布的內(nèi)幕交易行政處罰案例中當(dāng)事人在敏感期內(nèi)確實發(fā)生內(nèi)幕交易的行為，并且在敏感期結(jié)束后內(nèi)幕信息被公開的基礎(chǔ)上，比較4種信息不對稱指標(biāo)在內(nèi)幕交易敏感期前后的變化情況。Aktas et al.(2007)[1]在檢驗EKOP模型的有效性時，將并購重組案例的事件研究窗口分為公告前第180天-前第66天、公告前第65天-前第6天、公告后第3～63天。他們之所以選擇保留公告前長達180個交易日作為研究的時間窗口，是因為他們無法知道公告前內(nèi)幕交易敏感期究竟有多長，只能根據(jù)文獻中提及其他市場或案例的實證結(jié)果進行借鑒研究，例如Chakravarty and McConnell (1997, 1999)[5][6]討論雀巢(Nestle)并購卡納森公司(Carnation)期間著名的伊萬?博斯基(Ivan Boesky)非法交易就發(fā)生在并購公告日前3個月內(nèi)。而本文案例均明確地標(biāo)注內(nèi)幕消息敏感期，敏感期的時間長度從十幾天到上百天不等。保留敏感期前60個交易日作為基準(zhǔn)階段，將進入敏感期和敏感期結(jié)束后60個交易日的信息不對稱指標(biāo)水平與基準(zhǔn)階段的信息不對稱指標(biāo)水平作對比，用三個階段完整展示信息結(jié)構(gòu)的演化過程。此外，趙西亮和鄒海峰(2010)[32]認(rèn)為，采用30個交易日作為事件研究窗口可以更好地捕捉信息結(jié)構(gòu)的變化過程。因此，將敏感期前60個交易日和期后60個交易日再分別進行等分，研究期前第60～31天，期前第30～1天，敏感期內(nèi)，期后第1～30天，期后第31～60天，共五個階段信息指標(biāo)的變化情況。更進一步地，本文比較了敏感期結(jié)束前后信息不對稱程度的動態(tài)變化，以信息公告日(若公告日在停牌期間，則取復(fù)牌后第一個交易日)為原點，保留其前后各60個交易日數(shù)據(jù)，研究信息公開前后的各個指標(biāo)動態(tài)趨勢。

表2 主要變量和指標(biāo)的簡單統(tǒng)計

三、實證結(jié)果分析

基于本文第2部分和第3部分介紹的4個指標(biāo)的計算方法，得到46個股票案例在各自的事件研究窗口內(nèi)的各個指標(biāo)的日度序列。對每一個案例，根據(jù)不同的窗口劃分(三階段或者五階段)，計算其在相應(yīng)階段內(nèi)的日均信息指標(biāo)，最后對全部案例做橫截面平均，并計算橫截面均值的變化率，結(jié)果如表3和表4所示。其中括號里的內(nèi)容表示當(dāng)前橫截面均值相對于前一時段均值的變化率及其顯著性檢驗結(jié)果。

表3展示了各個指標(biāo)在三階段劃分窗口內(nèi)的橫截面均值以及變化情況。Huang-Stoll價差分解指標(biāo)(簡記為H-S指標(biāo))是將有效價差和已實現(xiàn)價差的差值作為逆向選擇成本的度量。該指標(biāo)在進入敏感期后有-9.52%的下降，而敏感期結(jié)束后反而有7.15%的上升，這與逆向選擇成本理論，即內(nèi)幕信息產(chǎn)生造成逆向選擇成本增大，內(nèi)幕信息消失則逆向選擇成本應(yīng)當(dāng)減小相悖。Glosten-Harris長久價格沖擊指標(biāo)簡記為G-H指標(biāo)，根據(jù)表3的結(jié)果，G-H指標(biāo)在三階段窗口內(nèi)經(jīng)歷了兩次下降，下降程度分別為-11.13%和-12.82%。類似地，Hasbrouck未預(yù)期價格沖擊指標(biāo)(簡記為Hsbrk指標(biāo))和本文提出的日度知情交易概率PIN均經(jīng)歷了兩次下降(分別是-1.06%和-3.03%，以及-1.69%和-5.30%)，但與G-H不同的是，Hsbrk和日度PIN兩個指標(biāo)在敏感期結(jié)束后的下降程度(-3.03%和-5.30%)均通過了顯著性水平為5%的顯著性檢驗，這符合內(nèi)幕信息被釋放之后，信息不對稱程度應(yīng)該降低的理論假設(shè)。

表3 各指標(biāo)在三階段事件研究窗口的橫截面均值及變化

表4 各指標(biāo)在五階段事件研究窗口的橫截面均值及變化

為了更細(xì)致地刻畫信息指標(biāo)的演化過程，表4展示了各指標(biāo)在五個階段的橫截面均值和變化過程。H-S指標(biāo)在敏感期前先經(jīng)歷了一次下降(-2.47%)，進入敏感期后經(jīng)歷了更大程度的下降(-8.36%)，但是敏感期結(jié)束后先有了一次較大幅度的上升(15.27%)，之后又大幅度下降(-14.09%)且通過了顯著性水平為0.1的顯著性檢驗。G-H指標(biāo)在進入敏感期前先上升(5.09%)，進入敏感期后下降(-13.24%)，敏感期結(jié)束后略有反彈(1.03%)，而進入最后一個階段有了顯著的下降(-27.41%)。Hsbrk指標(biāo)在進入敏感期前顯著下降(-2.72%)，進入敏感期后略有上升(0.33%)，敏感期結(jié)束后有了較為顯著的下降(-2.35%)，之后持續(xù)下降(-1.40%)。最后一個是日度PIN指標(biāo)，它在進入敏感期前略有上升(1.24%)，而進入敏感期后有所下降(-2.27%)，但與其他指標(biāo)不同的是，日度PIN指標(biāo)在敏感期結(jié)束后有非常顯著的下降趨勢(-8.60%，通過了顯著性水平0.01的顯著性檢驗)，最后一個階段又顯著回升(7.20%)。

通過分析表3和表4的結(jié)果可以發(fā)現(xiàn)，指標(biāo)H-S和G-H的動態(tài)變化規(guī)律不符合內(nèi)幕信息從產(chǎn)生到公開的發(fā)展過程，主要體現(xiàn)在內(nèi)幕信息公開后這兩個指標(biāo)都沒有出現(xiàn)降低的趨勢，而指標(biāo)Hsbrk和日度PIN出現(xiàn)了不同程度的顯著下降。為了更進一步研究信息公開前后指標(biāo)的動態(tài)演化過程，取每個案例的信息公開日為原點，對原點前后的每一個交易日，計算各個指標(biāo)的股票案例橫截面均值，并記為該指標(biāo)在當(dāng)日的股票平均值。信息公開日前后各60日的股票平均指標(biāo)的演化過程，如圖2所示。

圖2(a)是H-S指標(biāo)在信息公開前后各60日的動態(tài)走勢圖，在信息公開40日前，H-S指標(biāo)略有上升趨勢，最高可達0.018左右；從信息公開前40日起至前10日，日H-S指標(biāo)逐步下降，最低點低于0.01；信息公開前10日內(nèi)，H-S指標(biāo)走勢趨于平穩(wěn)，大約維持在0.012左右的水平；而信息公開之后，大約在27個交易日內(nèi)，H-S又再次走高，直到30個交易日后才逐漸趨于平穩(wěn)。圖2(b)是G-H指標(biāo)的動態(tài)序列圖，除了在個別交易日(如公開日原點，-5，-25)有波動之外，整體呈現(xiàn)平穩(wěn)的狀態(tài)，沒有明顯的增大或減小趨勢，即使是在信息公開之后，G-H指標(biāo)取值依然穩(wěn)定。圖2(c)是Hsbrk指標(biāo)的變化情況，大約在-40日前有上升趨勢，最高達到0.31，-40日后開始下滑，在公開日前20日趨于平穩(wěn)。大約穩(wěn)定在0.27-0.28左右，在公開日當(dāng)天Hsbrk驟降到最低點0.23，但緊接著在敏感期結(jié)束后立刻回升，最高到達0.29，一直到20日之后才逐漸平穩(wěn)于0.27左右。圖2(d)是日度PIN的情況，在信息公開日以前的階段日度PIN的走勢與Hsbrk走勢有相似之處，-40日之前上升至最高點0.26，之后下降一段時間，-30開始穩(wěn)定在0.21左右的水平，而與圖2(c)不同的是，日度PIN在信息公開日之后立刻驟降到最低點0.16左右，之后有一段較為緩慢的上升階段，并且其整體水平明顯低于信息公開前的日度PIN值水平，大約在30日后日度PIN的走勢也趨于平穩(wěn)，穩(wěn)定在0.2左右。

無論是研究指標(biāo)在不同事件窗口階段的平均分布還是以信息公開日為原點研究指標(biāo)動態(tài)演變過程，H-S指標(biāo)和G-H指標(biāo)的表現(xiàn)都差強人意。理論上，內(nèi)幕信息被公開之后，交易者的逆向選擇成本應(yīng)當(dāng)降低，因而刻畫該信息成本的指標(biāo)也應(yīng)當(dāng)下降。然而在本文選取的案例中，H-S指標(biāo)和G-H指標(biāo)均沒有呈現(xiàn)出上述信息發(fā)展的變化。

圖2 各指標(biāo)在信息公開日前后的動態(tài)變化

通過比較Hsbrk和日度PIN的表現(xiàn)可以看出，二者在內(nèi)幕信息公開之前，都有過一段先升后降，之后趨于穩(wěn)定的過程，通過對具體案例的分析認(rèn)為這是合理的。因為內(nèi)幕交易不可能臨近消息被公開時才發(fā)生，知情人在得知內(nèi)幕信息已形成的第一時間通常就會參與市場，進行隱蔽的內(nèi)幕交易，而越是臨近公開之時，出于避嫌等心理越可能停止交易，耐心等候消息被公開之后的股市漲跌，坐享其成。而對比兩個指標(biāo)在消息公開之后的表現(xiàn)，可以認(rèn)為日度PIN指標(biāo)刻畫的信息不對稱變化過程更符合理論假設(shè)。雖然Hsbrk在公開當(dāng)日有明顯下降，但是之后立刻反彈并且恢復(fù)到公開前的信息不對稱水平，這一點并不合理。而日度PIN在公開之后有明顯的跳躍式下降過程，可以說明內(nèi)幕消息被釋放之后市場上的信息不對稱程度也立刻被釋放，之后的緩慢提高過程可能是由于其他新信息的產(chǎn)生而造成，這些沒有被證監(jiān)會的行政處罰公告記錄在案，在此僅提出一種可能的解釋。盡管如此，這個緩慢上升的過程也沒有達到內(nèi)幕信息公開前的信息不對稱水平，更遠(yuǎn)遠(yuǎn)不及內(nèi)幕信息形成過程中的日度PIN值最高水平，因此采用日度PIN作為信息不對稱的指標(biāo)對市場上的信息傳播情況進行度量和解釋是相對理想的。

結(jié)論與建議

本文運用中國證監(jiān)會發(fā)布的行政處罰公告中在2010～2015年內(nèi)涉及內(nèi)幕交易的46個股票案例，對Huang-Stoll價差分解指標(biāo)、Glosten-Harris長久價格沖擊指標(biāo)、Hasbrouck未預(yù)期價格沖擊指標(biāo)和以EKOP模型為基礎(chǔ)拓展的日度PIN指標(biāo)在內(nèi)幕信息敏感期前中后各階段，以及內(nèi)幕信息公開前后的變化進行了比較和分析。實證研究表明，在內(nèi)幕信息敏感期的H-S指標(biāo)和G-H指標(biāo)均低于其在內(nèi)幕信息敏感期結(jié)束后的取值，因此可以認(rèn)為這兩個指標(biāo)無法準(zhǔn)確地反映信息不對稱的程度。而Hsbrk和日度PIN指標(biāo)的變化符合信息不對稱理論的假設(shè)，在內(nèi)幕信息被公開后，信息不對稱程度隨之降低。通過進一步比較Hsbrk和日度PIN可以發(fā)現(xiàn)，日度PIN刻畫的信息結(jié)構(gòu)變化更加合理，符合市場上信息傳播特點，因為日度PIN指標(biāo)在內(nèi)幕信息結(jié)束后有跳躍式的下降，并且在信息公開后的20日內(nèi)PIN指標(biāo)的整體水平遠(yuǎn)低于信息公開前的PIN值水平，這說明內(nèi)幕信息被公開的確對市場上信息不對稱程度有一個很大程度的釋放，而Hsbrk指標(biāo)并沒有表現(xiàn)出上述特征。另一方面，針對本文提出來的拓展的日度PIN估計，在理論上新的模型思路并沒有違背EKOP模型的假設(shè)，在實際操作中日度PIN估計可以有效地解決EKOP模型極大似然估計存在的計算溢出問題。因此，本文提出的日度PIN指標(biāo)可以作為衡量信息不對稱的理想指標(biāo)。

日度PIN指標(biāo)作為市場微觀結(jié)構(gòu)模型EKOP的延伸，更加充分地挖掘并利用了高頻交易信息，而且技術(shù)上解決了極大似然估計可能出現(xiàn)的計算溢出問題。此外，與其他信息指標(biāo)相比，日度PIN指標(biāo)能夠更加準(zhǔn)確地刻畫信息擴散過程，說明該指標(biāo)可以被廣泛可信地應(yīng)用于中國股票市場進行研究。因此，一方面，日度PIN指標(biāo)可以成為目前監(jiān)管當(dāng)局和交易所常用的量價信息、換手率、價差等監(jiān)測手段之外的有效補充，為內(nèi)幕交易的預(yù)警和甄別提供依據(jù)；另一方面，該指標(biāo)也可以作為有效的信息不對稱測度與金融實證領(lǐng)域的重要問題相結(jié)合，如資產(chǎn)定價、風(fēng)險管理等，這也是本文下一步的研究方向。

注釋