基于面板数据的我国知情交易与股价信息含量研究|地理国情普查数据

　　摘 要：知情交易概率是指知情交易委托单占总交易委托单的比重，用于度量我国知情交易强度。R2代表公司回报率能被市场回报率解释的程度，R2越大，股价信息含量越低。在以往的研究基础上，利用面板数据来考察知情交易概率与股价信息含量的关系，发现知情交易概率越低，R2越高，股价信息含量越低。在控制了流动性与部分公司财务指标后，实证结果依然显示我国股价信息含量与知情交易概率存在正相关关系，说明我国知情交易者进行交易时，更有利于公司特质信息进入股票价格。
　　关键词： 知情交易概率；股价信息含量；公司特质信息
　　中图分类号：F830.91 文献标识码： A 文章编号：1003-7217(2012)02-0043-05
　　一、引 言
　　信息是影响股价波动的重要因素之一，投资者会对信息进行收集与加总。信息不对称导致投资者获取的信息不一样，即使他们获得相同的信息，由于投资者本身的差异，对信息的理解与反应也就不尽相同。
　　与公司价值相关的信息，包含公开信息与私有信息。公开信息主要是指公众信息的发布，如市场存贷利率、公司的年报。而私有信息是指某些投资者所拥有的信息，其可以分为市场范围内的私有信息与公司特定的私有信息。市场范围内的私有信息是指可影响多个证券的私有信息，其尚未被市场反应；而公司特定的私有信息只影响该公司股票交易，不对其他公司股票交易造成影响。
　　根据交易主体拥有信息的差异，可以将投资者区分为知情交易者与不知情交易者。知情交易者主要包括了内部人、机构投资者与证券分析师，他们一般拥有更多的信息来源以及专业的分析能力。知情交易者充当了信息媒介的作用，使信息可以反应到股票的价格中，从而股票价格更能反应其真实价值，提高市场定价的效率。但是对于知情交易者进行交易时，究竟是有利于市场范围内的私有信息还是公司特有的私有信息反映到股价中,对此进行探讨的并不多见。Piotroski和Roulstone［1］研究了三种知情交易者的交易行为，发现证券分析师与R2呈正相关关系，说明证券分析师有利于行业信息进入股价；而内部人与R2呈负相关关系，说明内部人可以增加股价中公司层面的信息；机构投资者与R2的关系不确定。Chan和Hameed［2］认为在新兴资本市场中，证券分析师较多的股票，R2比较高，故证券分析师主要收集的是市场层面的信息，而非公司层面的�信息。
　　我国的资本市场中，知情交易者获得的私有信息究竟是以公司还是市场层面的信息为主是值得研究的。本文把知情交易者看成一个总体，考察他们获得的信息是以公司层面的信息为主，还是市场层面的信息为主。如果知情交易者主要有利于公司特质信息进入股票价格，则知情交易概率越高，股价信息含量较高。如果知情交易者主要有助于市场层面的信息进入股票价格，则知情交易概率越高，股价信息含量较低。本文的研究发现，随着知情交易概率的增加，R2变小，公司层面的私有信息更多被股价所反应，知情交易者获得的更多是公司特质信息。
　　二、文献回顾
　　本文使用知情信息交易概率来衡量知情交易者强度，使用R2来衡量股价信息含量，即公司特质信息融入股价的程度，故文献主要包含两个方面。
　　一方面是与知情交易概率相关的文献。对知情交易进行度量是市场微观结构的难点之一。早期的研究采用市场交易中的一些间接指标来度量知情交易，例如买卖价差、成交量，但是这些指标无法对知情交易作出准确地度量。Easley、Kiefer、O’Hara、Paperman［3］（简称EKOP）基于序贯交易模型提出了用知情交易概率PIN（Probability of Informed Trading）对信息交易进行直接度量。PIN的值越大，信息不对称的程度越低，知情交易的人越多，信息融入股价的速度越快。学者们针对EKOP模型进行了大量的研究。Easley、Kiefer、O’Hara运用EKOP模型中的PIN来代表信息不对称风险，发现信息风险对资产定价具有影响 ［4］。国内也有部分学者对知情交易概率进行研究。林忠国采用�PIN对私有信息进行了度量［5］；刘莎莎等研究了PIN是否可以作为定价因子［6］。�
　　财经理论与实践(双月刊)2012年第2期2012年第2期(总第176期)彭 益,刘自城：基于面板数据的我国知情交易与股价信息含量研究
　　另一方面，是与R2相关的文献。R2衡量了公司回报率能被市场回报率所能解释的程度。R2的统计含义是对一个回归方程拟合程度的进行度量的指标，R2越大，意味着回归模型对实际的拟合程度较高，模型的解释能力越强。最先用R2对股价信息含量进行度量的是Roll［7］。Roll发现不同的股票R2存在着差异且R2的值较小,不能解释股价的波动，认为股票价格中还包含了私有信息，且R2越小，股价中私有信息就越多。此后，大量的学者对R2的经济含义进行了研究。Durnev、Mrick、Yeung、Zarowin发现低的R2与现在的回报以及未来的盈利能力有紧密的联系，表明R2越小，代表着越多的公司层面信息进入了股票价格，股票信息含量越高［8］。Jin、Myers研究了公司透明度对R2的影响，认为公司透明度越低，外部持有的公司特质信息越少，R2越高［9］。国内很多学者支持R2代表公司特质信息。侯宇等学者直接用R2来衡量股价中公司特质信息［10］。另一些学者就R2对股价中公司特质信息进行衡量的有效性进行了实证检验。袁知柱等认为R2越低，股票价格更能反映未来会计盈余信息，故R2能有效地测度我国上市公司的股价信息含量［11］。冯用富等采用逻辑演绎的方法推导出R2可作为私有信息套利的度量指标［12］。许多学者认可了R2，故在本文中用R2来度量股价中公司特质信息的含量，R2越大，股价信息含量越低。
　　三、研究设计
　　（一）样本的选择以及数据的来源
　　本文选取上证180指数的样本股作为研究对象，样本选取的期间为2009年1月1日至2010年12月31日。其中采用的日内分笔高频交易数据来自于CCER色诺芬分笔高频数据库，而日频率数据以及财务指标则来源于国泰安公司的CSMAR数据库。
　　对样本做出以下调整：（1）为了排除股票进入与退出对结果的影响，剔除2009年与2010年间调进与调出上证180指数的股票，进而构成平衡面板数据；（2）剔除金融、保险类上市公司，因为该行业的资产特征与其它行业有较大的区别；（3）剔除在两年中某个季度未满三十个交易日的股票；（4）剔除财务数据缺失的股票，共计得到公司样本观测值为110个。为了与上市公司季报的时间相匹配，获得相应的财务数据，我们选取季度作为时间单位。
　　（二）知情信息交易概率的度量
　　EKOP模型将交易者分为知情交易者和不知情交易者，不知情交易者是出于流动性需求进行交易的，而知情交易者知道信息事件是否发生与股票的真实价值。在一个交易日里，知情交易者提交的买（卖）单均服从参数为μ的泊松分布，不知情交易者到达市场的概率服从参数为ε的泊松分布。
　　�模型假设在每一个交易日开始之前，由“自然”决定与股票价值相关的信息事件是否发生，信息事件之间相互独立，其发生的概率为α。这意味着信息事件每天最多发生一次。如果信息事件不发生，则知情交易者不进行交易，不知情交易者的买单到达率与卖单到达率均为(1－α)ε。如果信息事件发生，是坏消息的概率为δ，则好消息的概率为1－δ。故在发生好消息时，知情交易者的买单到达率为�α(1－δ)μ，不知情交易者的买单到达率与卖单到达率均为α(1－δ)ε。发生坏消息时，知情交易者的卖单到达率为αδμ，不知情交易者的买单到达率与卖单到达率均为αδε。故知情交易者的委托单到达率为α(1－δ)μ+αδμ=αμ，不知情交易者的委托单到达率为2(1－α)ε+2α(1－δ)ε+2αδε=2ε，而总的委托单到达率为2ε+αμ。
　　知情信息交易概率即所有成交的委托单中拥有私人信息的知情交易者的委托单的概率。在这些参数的设定下，则可以得到知情交易概率为:
　　PIN=αμ2ε+αμ（1）
　　可以采用极大似然估计方法对未知参数α、δ、ε、μ进行估计，从而计算PIN。�Aktas�、李朋采取了委托不平衡指标对该方法进行了简化，本文采用简化后的方法进行计算［13，14］。在给定某天发生了B次买方发起的交易和S次卖方发起的交易的基础�上，有:
　　Ε(Β+S)=α(1－δ)(ε+μ+ε)+
　　 αδ(μ+ε+ε)+(1－α)(ε+ε)2ε+αμ（2）
　　Ε(Β－S)=α(1－δ)(ε+μ－ε)+
　　 αδ［ε－(ε+μ)］+(1－α)(ε－ε)
　　=αμ(1－2δ)（3）
　　根据前面的假设，在某一天里面，如果没有信息事件发生，则α=0；如果有好消息发生，则δ=0；如果是坏消息发生，则δ=1。可以得到:
　　Ε(|Β－S|)=αμ（4）
　　则PIN可以表示为下式：
　　PIN=αμ2ε+αμ=Ε(|Β－S|)Ε(Β+S)（5）
　　 其中S-B是每日委托单买卖量差额，S+B是每日委托单买卖量总额。但是买卖次数并不能反映股票交易量，交易量大的买单与交易量小的买单在PIN的计算中是等价的，故我们引入交易量。用Β�v表示Β次买单的总交易量，S�v表示S次卖单的总交易量，故得到：
　　PIN�*=Ε(|Β�v－S�v|)Ε(Β�v+S�v)（6）
　　�虽然知情交易概率最初是建立在报价驱动机制基础上，但是EKOP模型中是通过买卖定单的不平衡来对信息交易的概率进行测度的，同时提供限价指令的交易者可以看成是隐形的做市商，故中国股票市场的信息交易概率可以用PIN�*进行度量。某股票时间段内PIN�*的平均值可以反映该股票信息交易概率的状况。
　　（三）股价信息含量的度量
　　我们以日交易数据为基础，根据Roll ［7］、袁知柱［11］的方法，通过计算下面的回归模型的拟合系数来对股价信息含量进行衡量：�
　　r��i,t=α�i+β�1r��m,t+β�2r��m,t-1+β�3r��m,t-2+ε��i,t（7）
　　其中r��i,t表示公司i第t天的收益率，r��m,t表示第t天的市场收益率，ε��i,t为随机扰动项，表示市场信息无法解释的部分。滞后期r��m,t-1，r��m,t-2的加入是因为知情交易者会影响价格对信息反应的及时性。该方法本质上是将公司i的收益率对市场收益率及其一阶滞后项、二阶滞后项进行回归，得到的拟合系数来衡量股价信息含量。R2的经济含义是指个股价格的变动可以被股票市场波动所能解释的部分。R2越大，股价信息含量越低。
　　这样进行计算得到的R2取值是在0与1之间，不符合最小二乘法的回归要求。为了使其符合计量经济学的要求，采用�MYY、Durnev�的方法，对R2进行对数转换，并将其定义为R2*。
　　R2*=Log(R�21-R�2)
　　经过这样的对数变换以后，R2*的分布更加接近于正态分布。R2*越大，说明该公司股票的回报率越接近市场回报率，意味着股价反映了较少的公司特质信息，股价信息含量越低。
　　（四）面板数据回归模型的设计
　　由于本文的目的在于研究我国知情交易者是有利于市场层面还是公司层面的信息进入股价，为了控制公司本身特征对所研究问题的影响，我们还定义了其它的控制变量。
　　�首先，定义了股票流动性指标。流动性会影响价格调整的速度，从而影响股价信息含量。采用Amihud（2002）的流动性比率指标来对股票的流动性测度进行度量。Amihud的流动性指标为：
　　�ILLIQ��it=1Day��it∑r��itdVol��itd（8）
　　其中ILLIQ��it表示股票i在t季度的日均流动性，而r��itd与Vol��itd分别表示股票i在t季度的t日收益率的绝对值与成交金额（以亿元为单位），Day��it则表示股票i在第t季度的交易天数。该指标越大，表示该股票的流动性越差。
　　�其次，定义了其它可能影响股价信息含量的财务指标。规模（�SIZE）为季末流通市值的自然对数。一般认为，公司规模越大，受到的关注越多，相关的信息也会越多。账面市值比（BM）为季末总资产与市场价值的比重，该比重可对公司的成长性进行衡量，账面市值比越大，成长性越低。资产负债率（LEV）为负债总额与资产总额的比重。固定资产比率（PP）是固定资产净额占总资产的比例。�
　　为了分析股价信息含量与知情交易概率的关系，建立如下面板变截距多元线性回归方程。
　　 �R2*=β�0+v+β�1PIN�*+β�2ILLIQ��it+
　　 β�3SIZE+β�4BM+β�5LEV+β�6PP+ε （9）
　　 其中v代表个体效应，还需要根据数据本身的特征决定方程最后的形式。如果检验显示应采用混合OLS回归，则v为0，否则v为个体的固定效应或者个体的随机效应。
　　四、实证结果分析
　　（一）研究变量的计算与描述性统计分析
　　�在处理高频数据的时候，剔除集合竞价阶段和收盘后的观测值，即去掉每天9∶30以前，3∶00以后的交易数据；剔除数据接收记录错误的日期，但是在其它期间内按正常计算。在计算知情交易概率时，采用Lee and Ready（1991）的标记检验方法来判断每笔交易是由买方发起还是卖方发起。采用先日内再季度平均的计算方法获得季度�PIN�*值。
　　而在计算R2时，股票市场的收益率采用上证综合指数的收益率来表示。冯用富等［12］发现行业收益率与市场收益率之间的相关性很强，在计算R2时，如果加入行业收益率会引起比较严重的多重共线性问题，故本文没有考虑行业收益率。
　　110只样本股的R2、R2*、知情交易概率、流动性指标、规模、账面市值比、资产负债率、固定资产比率的描述性统计如表1所示。�
　　由表1可以看到， R2均值为0.4973，说明在我国股票市场上，同涨共跌的现象比较普遍，股价信息含量偏低。而知情交易概率（PIN�*）�均值仅为�0.0904，说明知情交易委托单交易量占到总委托单交易量的比重较低，仅为9.04%。
　　（二）知情交易与股价信息含量
　　�以R2*作为因变量，用110只股票的样本数据对方程（1）进行面板数据回归。先进行了F检验来判断固定效应模型与混合�OLS�模型的优劣。F检验的原假设H��0为样本个体间的差异不显著。再进行LM�检验来判断随机效应模型与混合OLS模型的优劣。最后用Hausman检验来确定固定效应与随机效应模型的优劣。如表2所示，模型1中的自变量仅包含了知情交易概率，�F�检验值为4.73，在1%的水平上显著，表明固定效应模型优于混合OLS模型。LM检验值为296.26，在1%的水平上显著，表明随机效应模型也优于混合OLS模型。最后运用Hausman检验，Hausman检验值为4.77，在1%的水平上显著，说明固定效应模型优于随机效应模型。最终采用固定效应的面板最小二乘法模型来进行估计。模型1的固定效应模型中，知情交易概率的回归系数为�-1.6341，t统计量为-2.44，在1%的水平上显著为负。根据模型1的结果，股票的知情交易概率越高，�R�2越低，股票的信息含量越高，说明知情交易者有利于公司层面的信息进入股票价格。知情交易委托单交易量占所有委托单交易量的比例较低时，公司层面信息融入价格的速度比较慢，股价中包含的公司层面的信息量比较低，从而股价的信息含量�较高。
　　模型2中的控制变量仅考虑了股票的非流动性，可以看到�PIN的系数依然显著为负数，PIN与R2呈负相关关系。而非流动性的回归系数为�7.7538，t�统计量为5.48，在1%的水平上显著为正。�ILLIQ��it代表的是股票的非流动性，ILLIQ��it�越小，股票的流动性越高，表明股票在市场上受到的关注也越多，不断增加的信息流入该股票的价格中，信息不对称程度低，股价更多地反映公司层面的信息，股价信息含量变高。
　　模型3中的控制变量考虑了股票的流动性、公司规模、账面市值比、资产负债率和固定资产比率。�PIN和流动性指标的符号没有改变，并且具有统计显著性。公司规模与R2正相关。规模越大的公司，受到宏观因素与市场的影响越大，其收益率与市场收益率的相关程度越大，同时大公司在影响市场回报率中亦占有一定的比重，故R2越大。账面市值比较低的公司，成长性越高，R2越低。资产负债率较高的公司，投资这些公司风险比较大，公司未来的不确定性较大，但是有可能获得较高的收益，投资者会积极地收集与运用该公司的信息，以期获得超额回报，故其R2较低。而固定资产比率不显著。�
　　（三）稳健性测试
　　本文进行了以下的稳健性测试：（1）去掉具有最高1%和最低1%的知情交易概率、�R2的样本，发现面板模型回归结果在符号和显著性方面不发生变化。（2）先对每季度的截面计算相关系数，然后再将季度的相关系数取均值，发现R2与知情交易概率呈负相关关系，结果与之前一致。（3）对每季度的样本进行了横截面回归，将知情交易概率的回归系数取均值，该回归系数也是负值，结果与之前一致。
　　五、结 论
　　以2009~2010年上证180指数的样本股的平衡面板数据为样本，对中国股票市场的知情交易者主要基于何种信息进行交易进行了检验。研究发现知情交易概率大的股票，其股价信息含量越高，这表明知情交易者更有利于公司层面的信息进入股票价格。知情交易者利用拥有的信息优势进行交易，使得他们交易股票的股价中包含了更多公司层面的信息，提高了市场定价的效率。
　　
　　参考文献：
　　［1］�Piotroski J., Roulstone D. The influence of analysts, institutional investors, and insiders on the incorporation of market, industry, and firm-specific information into stock prices ［J］. Accounting Review，2004, 79: 1119-1151.
　　［2］�Chan K., Hameed A. Stock price synchronicity and analyst coverage in emerging markets［J］. Journal of Financial Economics, 2006,80:115-147.
　　［3］�Easley D., Kiefer N., O"Hara M., Papermam. Liquidity iinformation and less frequently traded stocks［J］. Journal of Finance, 1996, 51:1405-1436.
　　［4］�Easley D., Hvidkjaer S., O"Hara M. Is information risk a determinant of asset returns? ［J］. Journal of Finance, 2002, 10(5): 2185-2221.
　　［5］�林忠国, 韩立岩. 机构交易的正面效应：波动率和市场效率的角度［J］. 系统工程理论与实践,2011,(4):606-616.
　　［6］�刘莎莎, 孔东民, 邢精平. 私有信息风险被市场定价了吗――来自中国股市的证据［J］. 2011,(1):61-74.
　　［7］�Roll R. R2［J］. Journal of Finance, 1988, 43(3):541-566.
　　［8］�Durnev A., Randall Morck, Bernard Yeung, Paul Zarowin. Does greater firm-specific return variation mean more or less informed stock pricing?［J］. Journal of Accounting Research, 2003, 41:797-836.
　　［9］�Jin L, Myers S. C. R2 around the world:new theory and new tests ［J］. Journal of Financial Economics, 2006, 79(2): 257-292.
　　［10］�侯宇, 叶冬艳. 机构投资者、知情人交易和市场效率――来自中国资本市场的实证［J］. 金融研究, 2008,(4):131-145.
　　［11］�袁知柱, 鞠晓峰. 基于面板数据模型的股价波动同步性方法测度股价信息含量的有效性检验［J］.中国软科学,2009,(3):174-185.
　　［12］�冯用富, 董艳, 袁泽波, 杨仁眉. 基于R2的中国股市私有信息套利分析［J］. 经济研究,2009,(8):50-59.
　　［13］�Aktas N., Bodt E., Declerk F., Van Oppens. Probability of informed trading? some evidence around corporate events［J］. EFMA Conference, 2004.
　　［14］�李朋, 刘善存. 信息性交易概率分解与买卖价差研究［J］. 南方经济, 2006,(2):13-22.
　　(责任编辑:王铁军)
　　
　　Research on Probability of Informed Trading and Information Content of Stock Price Based on the Panel Data Model
　　PENG Yi,LIU Zi-cheng
　　�（College of Finance and Statistics of Hunan University,Changsha Hunan 410079,China)�
　　Abstract：The probability of informed trading is used to measure the intensity of informed trading. �R�2� means to what extent the firm-level stock returen can be explained by market return. The larger �R��2 is, the lower information content of stock price is. After control companies" liquidity and some financial indicators, empirical analysis shows that information content of stock price is positively related to probability of informed trading, which means the informed traders primarily facilitate the incorporation of firm specific information into stock prices.
　　Key words：Probability of informed trading; Information content of stock price; Firm specific information

推荐访问:股价 知情 含量 面板