徐光魯 馬超群 劉江龍 米先華

基金項(xiàng)目：國家社會(huì)科學(xué)基金項(xiàng)目（19AZD014）、國家自然科學(xué)基金項(xiàng)目（71850012）

作者簡(jiǎn)介：徐光魯（1990—），男，山東聊城人，博士，中國農(nóng)業(yè)銀行博士后科研工作站博士后，研究方向：市場(chǎng)微觀結(jié)構(gòu);馬超群（1964—），男，湖南岳陽人，博士，湖南大學(xué)工商管理學(xué)院教授，博士生導(dǎo)師，研究方向：金融創(chuàng)新與風(fēng)險(xiǎn)管理。

摘 要：基于2018-2020年滬深300指數(shù)成分股的高頻數(shù)據(jù)，構(gòu)建累計(jì)拆分訂單比變量度量市場(chǎng)訂單拆分行為，考慮訂單拆分行為對(duì)知情交易概率及其風(fēng)險(xiǎn)定價(jià)能力的影響。實(shí)證發(fā)現(xiàn)：訂單拆分行為增加了不同算法下知情交易概率的差異，這一差異對(duì)流動(dòng)性和訂單規(guī)模因素具有穩(wěn)健性。進(jìn)一步研究發(fā)現(xiàn)：不同的訂單拆分水平下，知情交易概率與風(fēng)險(xiǎn)定價(jià)之間呈現(xiàn)非線性關(guān)系，高訂單拆分水平降低了知情交易概率的風(fēng)險(xiǎn)定價(jià)能力。

關(guān)鍵詞：訂單拆分;知情交易概率;風(fēng)險(xiǎn)定價(jià)

中圖分類號(hào)：F830.91 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-7217（2021）06-0067-08

一、引 言

知情交易概率作為度量市場(chǎng)信息不對(duì)稱的主要指標(biāo)，是金融市場(chǎng)微觀結(jié)構(gòu)研究的熱點(diǎn)。然而，關(guān)于知情交易概率指標(biāo)與風(fēng)險(xiǎn)定價(jià)的研究，目前還沒有統(tǒng)一定論。Easley等（1996）[1]首先基于理性預(yù)期理論提出知情交易者利用其信息優(yōu)勢(shì)，以非知情交易者的損失為代價(jià)獲得超額收益，從而知情交易概率指標(biāo)對(duì)資產(chǎn)收益產(chǎn)生正向定價(jià)效應(yīng)。而后續(xù)學(xué)者的實(shí)證研究卻發(fā)現(xiàn)知情交易概率指標(biāo)的定價(jià)效果并不顯著[2]甚至產(chǎn)生負(fù)向效應(yīng)[3]。對(duì)于這一矛盾性結(jié)論并無法從知情交易概率指標(biāo)估計(jì)的樣本選取和參數(shù)選擇的角度進(jìn)行解釋[4]。事實(shí)上，知情交易者基于信息不對(duì)稱進(jìn)行獲利，需要以隱藏其信息優(yōu)勢(shì)為前提。特別地，知情交易者通過主動(dòng)拆分訂單方式隱藏其交易主動(dòng)性，對(duì)于基于訂單買賣主動(dòng)性不平衡為度量基礎(chǔ)的VPIN指標(biāo)估計(jì)[5]及其市場(chǎng)表現(xiàn)[6，7]產(chǎn)生重要影響。

國內(nèi)外學(xué)者圍繞VPIN指標(biāo)主要研究訂單買賣方向劃分[8]對(duì)VPIN估計(jì)的影響，以及不同算法下VPIN指標(biāo)在事件預(yù)警[9，10]、波動(dòng)率預(yù)測(cè)[11]、流動(dòng)性預(yù)測(cè)[12]、風(fēng)險(xiǎn)定價(jià)[13]等方面的表現(xiàn)。但是即使基于同樣參數(shù)設(shè)置和樣本數(shù)據(jù)，VPIN市場(chǎng)表現(xiàn)也存在一定差異。以往文獻(xiàn)忽略了VPIN值差異背后的拆分訂單行為，而這一行為又可能造成VPIN指標(biāo)的市場(chǎng)表現(xiàn)具有截然相反的效應(yīng)。特別是，知情交易概率的本質(zhì)是訂單買賣不平衡性的度量，而訂單拆分行為顯著影響了買賣訂單的不平衡性，這是以往文獻(xiàn)忽略的因素。另外，雖然部分研究認(rèn)為訂單拆分對(duì)知情交易概率產(chǎn)生重要影響[5，14]，但是鮮有文獻(xiàn)直接檢驗(yàn)拆分訂單行為對(duì)知情交易概率的影響機(jī)制。這主要是因?yàn)榛诮灰變r(jià)格變化度量的市場(chǎng)拆分訂單指標(biāo)受主觀劃分交易規(guī)模因素影響，其研究結(jié)論缺少穩(wěn)健性。同時(shí)，上述指標(biāo)只能間接驗(yàn)證市場(chǎng)拆分訂單行為的存在性，難以量化拆分訂單行為及其影響。

本文重點(diǎn)研究拆分訂單行為對(duì)知情交易概率指標(biāo)的影響，并力圖彌補(bǔ)以往研究不足。首先，研究表明知情交易概率指標(biāo)對(duì)估計(jì)算法的選取具有一定的敏感性，這一敏感性源于市場(chǎng)投資者拆分訂單行為。實(shí)證結(jié)果表明，訂單拆分行為增加了兩種算法下VPIN值差異，這一邊際效應(yīng)對(duì)流動(dòng)性和規(guī)模因素具有穩(wěn)健性。其次，驗(yàn)證了我國股票市場(chǎng)存在的拆分訂單行為，并在Pppe等（2016）[5]研究基礎(chǔ)上提出了累計(jì)拆分訂單比指標(biāo)以度量拆分訂單交易行為。該指標(biāo)有助于克服間接指標(biāo)受主觀劃分交易規(guī)模的不利影響。最后，本文研究有助于解釋知情交易概率指標(biāo)對(duì)風(fēng)險(xiǎn)定價(jià)產(chǎn)生或正或負(fù)的矛盾性結(jié)論。研究表明，在高訂單拆分水平下VPIN指標(biāo)具有顯著負(fù)向風(fēng)險(xiǎn)定價(jià)能力;反之，VPIN對(duì)風(fēng)險(xiǎn)定價(jià)產(chǎn)生正向影響。

二、算法回顧與研究假設(shè)

（一）知情交易概率估計(jì)：真實(shí)值算法（RVA算法）VS啟發(fā)式算法（BVC算法）

Easley等（1996[1]，1997[15，16]）提出度量知情交易概率的PIN指標(biāo)，Easley等（2012[14]，2011[17]，2012[18]）進(jìn)一步拓展PIN指標(biāo)并將其發(fā)展成適用于高頻環(huán)境的VPIN指標(biāo)。根據(jù)Easley等（2012[14]，2011[17]，2012[18]）的研究，VPIN的計(jì)算公式為

其中，n為總交易籃子數(shù)，V表示每個(gè)等交易量籃子τ包含的交易量，VBτ、VSτ分別是每個(gè)等交易量籃子τ中買、賣交易量，即V=VBτ+VSτ。

對(duì)于每個(gè)交易籃子中買賣交易量的劃分，通常采用真實(shí)值算法（RVA算法）和啟發(fā)式算法（BVC算法）兩種算法。下文中提及的兩種VPIN值指兩種算法下計(jì)算的VPIN值。兩種算法的區(qū)別在于，前者根據(jù)逐筆交易數(shù)據(jù)記錄的買、賣標(biāo)識(shí)計(jì)算每個(gè)交易籃子中買賣訂單不平衡，后者根據(jù)每個(gè)交易籃子內(nèi)交易價(jià)格變化，近似劃分買賣訂單不平衡。其中在BVC算法劃分買賣交易過程中，通常選取1 min作為每個(gè)等交易量籃子中的交易間隔，根據(jù)交易間隔價(jià)格變化ΔPi和價(jià)格變化標(biāo)準(zhǔn)差σΔP，劃分該交易籃子τ中的買賣交易量，即式（1）中VBτ、VSτ不再基于逐筆交易數(shù)據(jù)買賣字段劃分，而是根據(jù)交易籃子價(jià)格變化近似劃分，其劃分過程如下：

其中，V為每一分鐘對(duì)應(yīng)的交易量，t（τ）為每個(gè)等交易量籃子τ中包含的時(shí)間間隔數(shù)，Z為累計(jì)分布函數(shù)。

（二）研究假設(shè)

市場(chǎng)參與者學(xué)習(xí)到知情交易者傳遞的信息時(shí)，知情交易者并不能獲得超額收益[19]。因此，拆分訂單行為是市場(chǎng)投資者隱藏交易信息的一種交易策略。不同學(xué)者以訂單流不平衡存在的相關(guān)性，驗(yàn)證了不同市場(chǎng)存在的拆分訂單行為[20-22]。但拆分訂單行為對(duì)兩種算法下VPIN指標(biāo)的影響并不相同。交易者進(jìn)行訂單拆分意味著交易量固定的情況下，交易筆數(shù)增加。這一訂單拆分行為增加的交易筆數(shù)，影響了市場(chǎng)流動(dòng)性，改變了市場(chǎng)潛在的買賣訂單不平衡性，影響了基于真實(shí)值算法下度量的VPIN（RVA）。例如，Duarte和Young（2009）[3]基于公共事件引發(fā)的流動(dòng)性沖擊與知情交易之間存在的相關(guān)性，實(shí)證發(fā)現(xiàn)VPIN（RVA）指標(biāo)度量的風(fēng)險(xiǎn)因素可能包含流動(dòng)性風(fēng)險(xiǎn)因素，從而VPIN（RVA）指標(biāo)容易受到市場(chǎng)流動(dòng)性沖擊的影響。李平等（2020）[23]發(fā)現(xiàn)在不同的流動(dòng)性水平下VPIN（RVA）表現(xiàn)并不相同。因此，拆分訂單行為影響了VPIN（RVA）估計(jì)水平。而基于交易價(jià)格近似劃分買賣訂單不平衡的VPIN（BVC）指標(biāo)，避免了拆分訂單這一行為的影響。Pppe等（2016）[5]實(shí)證發(fā)現(xiàn)交易筆數(shù)變量對(duì)兩種算法下VPIN值的差異具有顯著解釋效應(yīng)。因此，本文提出如下研究假設(shè)：

H1 市場(chǎng)存在的訂單拆分行為增加了兩種算法下VPIN值的差異。

已有文獻(xiàn)分別以美國[13]、中國[23]、中國臺(tái)灣[24]證券市場(chǎng)為研究對(duì)象，發(fā)現(xiàn)知情交易概率指標(biāo)的風(fēng)險(xiǎn)定價(jià)能力并不相同。盡管部分文獻(xiàn)從流動(dòng)性因素[3]和日歷效應(yīng)[25]等角度對(duì)VPIN（RVA）風(fēng)險(xiǎn)定價(jià)差異進(jìn)行了解釋，但由于上述文獻(xiàn)在研究對(duì)象和參數(shù)設(shè)置方面存在不一致，其研究結(jié)論缺乏可比性，更難以挖掘不同算法下VPIN市場(chǎng)表現(xiàn)差異背后的原因。特別是，知情交易者通過拆分訂單以隱藏其交易主動(dòng)性，并進(jìn)一步偽裝成流動(dòng)性提供者，顯著降低了非知情交易者要求的風(fēng)險(xiǎn)溢價(jià)補(bǔ)償[7]。這一隱藏交易行為，一方面，挑戰(zhàn)了理性預(yù)期理論中非知情交易者要求更高的風(fēng)險(xiǎn)溢價(jià)以彌補(bǔ)知情交易者帶來的逆向選擇風(fēng)險(xiǎn)結(jié)論;另一方面，使知情交易者提交的訂單僅停留在交易簿一側(cè)，將其置于交易被動(dòng)方以等待非知情交易者主動(dòng)發(fā)起交易，降低指令流“毒性”，從而降低了交易價(jià)格中非知情交易者所要求的流動(dòng)性風(fēng)險(xiǎn)溢價(jià)，進(jìn)一步影響了基于真實(shí)值算法下度量的VPIN（RVA）指標(biāo)的風(fēng)險(xiǎn)定價(jià)能力。對(duì)于啟發(fā)式算法下的VPIN（BVC）指標(biāo)，其風(fēng)險(xiǎn)定價(jià)能力受拆分訂單行為的影響較小。陳國進(jìn)等（2019）[26]發(fā)現(xiàn)VPIN（BVC）顯著影響橫截面和時(shí)序風(fēng)險(xiǎn)溢價(jià)，并且在控制了其他市場(chǎng)因素后，VPIN（BVC）定價(jià)效果依然顯著。基于此，從風(fēng)險(xiǎn)溢價(jià)的角度提出如下研究假設(shè)：

H2 市場(chǎng)拆分訂單水平越高，兩種算法下VPIN指標(biāo)的風(fēng)險(xiǎn)定價(jià)能力差別越大。

三、研究設(shè)計(jì)

（一）樣本選擇與數(shù)據(jù)來源

本文研究樣本為滬深300指數(shù)成分股267只股票（剔除日交易數(shù)據(jù)不完整的樣本33個(gè)）2018年1月到2020年2月共531天的數(shù)據(jù)，合計(jì)樣本量為141777。使用的日內(nèi)高頻交易數(shù)據(jù)即逐筆交易數(shù)據(jù)來自國泰安Level-2高頻數(shù)據(jù)庫，其他數(shù)據(jù)來自萬得（Wind）數(shù)據(jù)庫。高頻數(shù)據(jù)的批量處理和計(jì)算，使用Matlab2012b軟件，實(shí)證研究使用Stata13.0軟件。

（二）變量定義

1.被解釋變量（VPIN_delta）和股票收益率（Return）。

因變量VPIN_delta為VPIN（RVA）值和VPIN（BVC）值之差。在參數(shù)選擇方面，兩種算法均采用相同參數(shù)設(shè)置以確?？杀刃裕妶D1。每個(gè)等交易量籃子的交易量V為月均交易量的五十分之一，每個(gè)VPIN包含的交易籃子數(shù)n為50，交易間隔為1 min。股票收益率Return為月度收益率。

2.累計(jì)拆分訂單比（OrderSlice）。圖2給出了日內(nèi)5 min時(shí)間段平均訂單流不平衡統(tǒng)計(jì)柱狀圖?？梢钥闯?，訂單流不平衡序列呈現(xiàn)聚集性，這與王春峰等（2007）[21]、Shenoy和Zhang（2007）[22]研究中發(fā)現(xiàn)的我國股票市場(chǎng)存在訂單拆分行為的研究結(jié)論相一致。由于日內(nèi)訂單拆分行為也可以來自市場(chǎng)存在的羊群效應(yīng)和其他流動(dòng)性投資者的“試水”行為。前者模仿他人拆分訂單的行為，并偽裝成真正私有信息的擁有者，延緩了買壓、賣壓的釋放，其行為效果可視同隱藏信息的交易者;后者考慮到市場(chǎng)交易成本的存在可以忽略①。為了避免上述因素帶來的研究偏誤，下文考慮了流動(dòng)性分組和規(guī)模分組對(duì)拆分訂單的影響。

參考Pppe等（2016）[5]的研究，本文基于逐筆交易數(shù)據(jù)中主動(dòng)買、賣標(biāo)識(shí)字段和委托買、賣ID字段統(tǒng)計(jì)拆分訂單次數(shù)，采用累計(jì)拆分訂單比形式度量市場(chǎng)隱藏交易者拆分訂單行為。累計(jì)拆分訂單比變量表達(dá)式為：

其中，n為逐筆交易數(shù)據(jù)中主動(dòng)買賣標(biāo)識(shí)為連續(xù)重復(fù)的買或賣方標(biāo)識(shí)的區(qū)間個(gè)數(shù)，nj為某個(gè)區(qū)間內(nèi)連續(xù)重復(fù)的委買ID或委賣ID次數(shù)之和，nk為總交易次數(shù)。具體講，首先，統(tǒng)計(jì)每個(gè)VPIN內(nèi)逐筆交易數(shù)據(jù)中主動(dòng)買賣標(biāo)識(shí)為連續(xù)重復(fù)的買或賣方標(biāo)識(shí)的區(qū)間個(gè)數(shù)n。其次，對(duì)于區(qū)間標(biāo)志為主動(dòng)買方標(biāo)志的區(qū)間j，統(tǒng)計(jì)該區(qū)間內(nèi)連續(xù)重復(fù)的委賣ID次數(shù)，記為主動(dòng)拆分訂單次數(shù);反之，統(tǒng)計(jì)該區(qū)間內(nèi)連續(xù)重復(fù)的委買ID次數(shù)，記為主動(dòng)拆分訂單次數(shù)。最后，累計(jì)所有連續(xù)區(qū)間內(nèi)委買和委賣ID次數(shù)，記為主動(dòng)拆分訂單次數(shù)，并與總交易次數(shù)相除，得到每個(gè)VPIN下累計(jì)拆分訂單比。

3.時(shí)間區(qū)間（TimeBars）。

參考Andersen和Bondarenko（2014）[4]的研究，時(shí)間區(qū)間變量為每個(gè)VPIN值包含的交易間隔數(shù)。

4.交易量波動(dòng)率（VolumeVola）和收益波動(dòng)率（ReturnVola）。由于交易量和價(jià)格并不能直接作為解釋變量，參考Pppe等（2016）[5]的研究，選取交易量波動(dòng)率和收益波動(dòng)率作為反映特定交易模式的變量。

5.行情指標(biāo)（MarketRet）。

行情指標(biāo)（MarketRet）反映了每個(gè)VPIN值所對(duì)應(yīng)的交易區(qū)間內(nèi)的收益情況，0代表正收益，-1代表負(fù)收益。

6.其他控制變量。參考李平等（2020）[23]的研究，選取換手率、市值規(guī)模、貝塔系數(shù)和賬面市值比作為控制變量，其中上述變量采用面板數(shù)據(jù)形式。

（三）模型設(shè)計(jì)與研究方法

本文構(gòu)建計(jì)量模型進(jìn)一步分析以上解釋變量對(duì)VPIN值差異的邊際效應(yīng)，模型1的基本表達(dá)式為：

四、實(shí)證分析與結(jié)果

表1表明兩種算法下知情交易概率之差VPIN_delta的均值為0.115，通過顯著性檢驗(yàn)發(fā)現(xiàn)，VPIN_delta均值不顯著為0，說明兩種算法下知情交易概率值存在不同。累計(jì)拆分訂單比最高值與最低值相差0.55，說明不同股票之間市場(chǎng)投資者拆分訂單行為存在一定差異，這為從拆分訂單行為角度解釋不同知情交易概率指標(biāo)及其定價(jià)效果之間的差異提供了充分依據(jù)。本文采用常用的面板單位根檢驗(yàn)方法LLC和IPS方法進(jìn)行檢驗(yàn)，以避免偽回歸問題。表2給出了檢驗(yàn)結(jié)果。由表2可知，在兩種單位根檢驗(yàn)下，均強(qiáng)烈拒絕“面板數(shù)據(jù)存在單位根”的原假設(shè)，即認(rèn)為該面板數(shù)據(jù)是平穩(wěn)的，可以用于面板數(shù)據(jù)分析。

考慮到長面板數(shù)據(jù)可能存在組間異方差、組內(nèi)自相關(guān)、組間截面相關(guān)等問題，采用Greene及Wooldridge提供的沃爾德檢驗(yàn)，進(jìn)行組間異方差和組間自相關(guān)檢驗(yàn)，而組間截面相關(guān)問題，則采用Pesaran、Friedman提出的半?yún)?shù)檢驗(yàn)以及 Frees提供的參數(shù)檢驗(yàn)方法。表3給出了模型1的最終檢驗(yàn)結(jié)果，其中組間方差沃爾德檢驗(yàn)的結(jié)果為2041.92，在1%顯著性水平下強(qiáng)烈拒絕組間同方差的原假設(shè)，表明存在組間異方差;組內(nèi)自相關(guān)沃爾德檢驗(yàn)的結(jié)果為317.083，強(qiáng)烈拒絕不存在一階組內(nèi)自相關(guān)的原假設(shè)，表明樣本數(shù)據(jù)內(nèi)存在組內(nèi)自相關(guān)性;而組間自相關(guān)檢驗(yàn)，至少兩種檢驗(yàn)方法在1%顯著性水平下拒絕無組間同期相關(guān)的原假設(shè)，可以認(rèn)為存在組間自相關(guān)問題。因此，本文選擇全面FGLS方法對(duì)模型1進(jìn)行估計(jì)。表4給出了模型1的估計(jì)結(jié)果，各自變量對(duì)被解釋變量均具有較強(qiáng)的解釋效應(yīng)。進(jìn)一步通過比較FGLS、LSDV、全面FGLS回歸結(jié)果，總體估計(jì)結(jié)果并未出現(xiàn)顯著差異，說明各解釋變量與被解釋變量之間的關(guān)系相當(dāng)穩(wěn)健。各模型在加入個(gè)體虛擬變量前后，其解釋變量的估計(jì)系數(shù)未發(fā)生顯著變化，但是收益波動(dòng)率變量ReturnVola的系數(shù)出現(xiàn)了反轉(zhuǎn)。已有研究表明交易量[27]和收益波動(dòng)率變量[28]在其他交易因素的影響下具有較強(qiáng)的個(gè)體效應(yīng)。換言之，本文模型可能存在較強(qiáng)的個(gè)體固定效應(yīng)。從交易量波動(dòng)率變量和收益率波動(dòng)率變量在加入虛擬變量前后的表現(xiàn)看，交易量波動(dòng)率變量在加入個(gè)體虛擬變量前后，其系數(shù)和顯著性均未發(fā)生顯著改變，而收益率波動(dòng)率變量在加入虛擬變量前后，系數(shù)發(fā)生了反轉(zhuǎn)。這主要由于估計(jì)VPIN所采用的固定交易量尺度抵消了交易量變量的個(gè)體效應(yīng)，因此其回歸系數(shù)并不受個(gè)體效應(yīng)的影響;而收益率波動(dòng)率受到個(gè)體效應(yīng)影響，在加入虛擬變量前后，其系數(shù)發(fā)生顯著變化，這也證實(shí)了收益波動(dòng)率所具有的個(gè)體效應(yīng)。基于此，本文在模型中加入虛擬變量控制各股票的個(gè)體效應(yīng)以防止遺漏變量?？傮w看，全面FGLS回歸結(jié)果比僅考慮組內(nèi)自相關(guān)的FGLS方法和僅考慮組間異方差、組間同期相關(guān)的面板校正標(biāo)準(zhǔn)誤方法LSDV的估計(jì)結(jié)果更為可靠。下文分析主要以全面FGLS回歸結(jié)果為主。從表4估計(jì)結(jié)果可以看出，累計(jì)拆分訂單比變量OrderSlice的系數(shù)顯著為正，這一結(jié)果符合前文研究假設(shè)部分中的分析[5];同時(shí)，從流動(dòng)性角度來看，其主動(dòng)隱藏自身交易的行為，降低了市場(chǎng)價(jià)格信息含量，更容易引發(fā)市場(chǎng)羊群效應(yīng)，進(jìn)一步加劇市場(chǎng)買賣訂單不平衡性，從而使得VPIN（RVA）高估的誤差偏大，增加了兩種VPIN值差異，這一結(jié)果驗(yàn)證了假設(shè)1，說明隱藏交易者拆分訂單行為增加了兩種算法下VPIN值的差異。

通過表4進(jìn)一步分析發(fā)現(xiàn)，時(shí)間區(qū)間變量Timebars的系數(shù)為正且顯著，說明交易強(qiáng)度越強(qiáng)，兩種VPIN值差別越大。Chung等（2016）[29]代表性的研究認(rèn)為交易強(qiáng)度的增加源于噪聲交易。交易噪聲對(duì)即時(shí)價(jià)格的沖擊具有更強(qiáng)的效應(yīng)[30]，同時(shí)這一噪聲具有明顯的個(gè)體效應(yīng)[31]。而模型1在控制了個(gè)體效應(yīng)后，時(shí)間區(qū)間變量的系數(shù)仍然顯著為正，說明時(shí)間區(qū)間變量對(duì)VPIN值差異解釋顯著的背后，并非噪聲沖擊所帶來的交易強(qiáng)度變化造成的，而是源于信息驅(qū)動(dòng)交易者“有意而為之”的交易行為，即在交易強(qiáng)度較高進(jìn)而非知情交易者聚集的情況下，知情交易者得以通過主動(dòng)拆分訂單行為隱藏了其交易主動(dòng)性，從而交易強(qiáng)度越高，兩種算法下VPIN值的差異越大。市場(chǎng)行情指標(biāo)MarketRet系數(shù)為正，說明市場(chǎng)行情上漲的情況下，兩種算法下VPIN值的差異較大;而在市場(chǎng)行情下跌的情況下，VPIN值的差異越小。

表5給出分組檢驗(yàn)的回歸結(jié)果，其中流動(dòng)性分組以交易筆數(shù)變量作為分組變量，規(guī)模分組以交易量變量作為分組變量?？梢钥闯?，各分組下累計(jì)拆分訂單比變量OrderSlice對(duì)VPIN_delta的影響均顯著為正，進(jìn)一步驗(yàn)證了假設(shè)1，即拆分訂單行為增加了兩種算法下度量的VPIN差異，這一差異對(duì)流動(dòng)性和訂單規(guī)模因素仍然穩(wěn)健。本文進(jìn)一步通過Suest檢驗(yàn)研究了累計(jì)拆分訂單比變量OrderSlice的邊際效應(yīng)。在進(jìn)行分組估計(jì)和組間系數(shù)檢驗(yàn)之前，首先，對(duì)面板數(shù)據(jù)各變量進(jìn)行去中心化處理，以消除存在的個(gè)體效應(yīng);其次，進(jìn)行Suest檢驗(yàn)。檢驗(yàn)結(jié)果表明，Prob>Chi2=0.0027<0.01，拒絕“兩組回歸系數(shù)不存在顯著差別”的原假設(shè)，可以認(rèn)為，不同流動(dòng)性分組下累計(jì)拆分訂單比變量OrderSlice對(duì)兩種算法下VPIN差異的邊際效應(yīng)存在顯著不同。這主要由于，高流動(dòng)性市場(chǎng)環(huán)境中存在較為明顯的羊群效應(yīng)，投資者之間的相互模仿行為，延緩了買賣壓的釋放，更加顯著地影響了市場(chǎng)潛在的訂單不平衡，對(duì)兩種算法下VPIN差異影響更大，因此，在不同的流動(dòng)性分組下，拆分訂單的邊際效應(yīng)存在顯著差異;對(duì)于規(guī)模分組而言，檢驗(yàn)結(jié)果表明，Prob>chi2結(jié)果大于0.01，無法拒絕“兩組回歸系數(shù)不存在顯著差別”的原假設(shè)，可以認(rèn)為，不同規(guī)模分組下累計(jì)拆分訂單比變量OrderSlice對(duì)兩種算法下VPIN差異的邊際效應(yīng)不存在顯著不同。這主要因?yàn)?，雖然不同訂單規(guī)模對(duì)價(jià)格沖擊程度不同[32，33]，但交易成本的存在使得小規(guī)模訂單仍不可避免地對(duì)價(jià)格形成沖擊[6]，這使得基于價(jià)格劃分買賣訂單不平衡的VPIN（BVC）指標(biāo)更加穩(wěn)健。因此，在不同規(guī)模訂單水平下，拆分訂單行為對(duì)兩種算法下VPIN值差異的邊際影響不存在顯著不同。綜上，不同的流動(dòng)性分組以及不同規(guī)模分組下，拆分訂單對(duì)兩種算法下VPIN值的差異的邊際影響不同，但對(duì)兩種算法下VPIN值差異的影響均顯著，進(jìn)一步驗(yàn)證了假設(shè)1。

五、拆分訂單對(duì)知情交易概率指標(biāo)與股票收益

的影響

隱藏交易者通過拆分訂單的方式是否真正“拆分”了知情交易概率指標(biāo)度量的信息風(fēng)險(xiǎn)？換言之，拆分訂單行為是否影響了兩種算法下VPIN指標(biāo)被定價(jià)的能力。本文在以上研究基礎(chǔ)上進(jìn)一步分析了拆分訂單行為對(duì)知情交易概率與風(fēng)險(xiǎn)定價(jià)關(guān)系的影響?；貧w模型2設(shè)定為：

為了避免VPIN日內(nèi)交易模式對(duì)收益率的影響，模型2采用月度數(shù)據(jù)進(jìn)行回歸。同時(shí)，對(duì)解釋變量采用滯后一期處理以避免內(nèi)生性問題，并進(jìn)一步在解釋變量中加入被解釋變量Return的滯后項(xiàng)以防止遺漏變量問題。表6給出了模型2的估計(jì)結(jié)果，其中表6中（1）代表采用VPIN（RVA）估計(jì)的結(jié)果，（2）代表采用VPIN（BVC）估計(jì)的結(jié)果。

表6顯示虛擬變量以累計(jì)拆分訂單比變量為分組依據(jù)，1代表高累計(jì)拆分訂單比，0代表低累計(jì)拆分訂單比?？梢钥闯?，不同的累計(jì)拆分訂單比水平顯著影響了股票收益，并且對(duì)知情交易概率指標(biāo)與股票收益的關(guān)系產(chǎn)生影響。具體來講，在低累計(jì)拆分訂單比分組中，兩種算法下VPIN對(duì)股票收益產(chǎn)生正向影響;而在高累計(jì)拆分訂單比組中，兩種算法下VPIN對(duì)股票收益的邊際效應(yīng)相反，驗(yàn)證了假設(shè)2。其中真實(shí)值算法下VPIN（RVA）對(duì)股票收益率產(chǎn)生顯著的負(fù)向效用。本文認(rèn)為，主要存在以下兩點(diǎn)原因：一是隱藏交易者對(duì)訂單進(jìn)行拆分，增加了交易筆數(shù)，進(jìn)一步增加了買賣訂單不平衡性，從而使得基于真實(shí)值算法下計(jì)算的VPIN（RVA）值存在高估的可能;二是隱藏交易者通過拆分訂單方式使自身處于交易的被動(dòng)方，隱藏了其交易主動(dòng)性，造成市場(chǎng)指令流毒性和逆向選擇風(fēng)險(xiǎn)降低的表象，蒙蔽了非知情交易者，使得其要求的風(fēng)險(xiǎn)溢價(jià)降低，從而VPIN（RVA）與資產(chǎn)收益率生了顯著負(fù)向效應(yīng)。這與已有研究中采用真實(shí)值算法計(jì)算的VPIN（RVA）對(duì)資產(chǎn)收益產(chǎn)生負(fù)向效應(yīng)的結(jié)論相一致[19]。

六、穩(wěn)健性檢驗(yàn)

模型1的準(zhǔn)確估計(jì)仍面臨內(nèi)生性問題。根據(jù)表3中模型1的沃爾德檢驗(yàn)結(jié)果，擾動(dòng)項(xiàng)存在一階組內(nèi)自相關(guān)性。而采用滯后項(xiàng)作為工具變量的差分GMM方法由于T較長存在較大偏差，因此使用偏差校正LSDV法進(jìn)行動(dòng)態(tài)面板估計(jì)以避免內(nèi)生性問題。同時(shí)，為了避免指標(biāo)選取對(duì)本文結(jié)論造成偏誤，參考Pppe等（2016）[5]的研究，對(duì)模型1采用累計(jì)拆分訂單次數(shù)OrderSlicenum進(jìn)行變量替換，其中累計(jì)拆分訂單次數(shù)為公式（3）中的∑nj=1∑nji=1IDi，其結(jié)論均未改變，限于篇幅，未詳細(xì)列出。

七、結(jié) 論

理性預(yù)期理論指出信息不對(duì)稱帶來的逆向選擇風(fēng)險(xiǎn)增加了市場(chǎng)投資者要求的風(fēng)險(xiǎn)溢價(jià)，從而信息不對(duì)稱水平越高，資產(chǎn)收益越高。然而基于買賣訂單不平衡性為度量基礎(chǔ)的知情交易概率指標(biāo)對(duì)資產(chǎn)收益的影響并不一致，甚至產(chǎn)生截然相反的定價(jià)效應(yīng)。針對(duì)這一矛盾性結(jié)論，以往研究忽略了市場(chǎng)存在的拆分訂單行為對(duì)知情交易概率指標(biāo)估計(jì)及其市場(chǎng)表現(xiàn)的影響。特別是，知情交易者通過拆分訂單的交易方式隱藏了交易的主動(dòng)性，對(duì)基于買賣主動(dòng)性不平衡為度量基礎(chǔ)的VPIN指標(biāo)產(chǎn)生顯著影響。本文考慮訂單拆分這一隱藏交易行為，并構(gòu)建了累計(jì)拆分訂單比指標(biāo)度量拆分訂單的隱藏交易行為，分析拆分訂單對(duì)VPIN估計(jì)及風(fēng)險(xiǎn)定價(jià)的影響。研究發(fā)現(xiàn)：（1）拆分訂單行為增加了兩種算法下VPIN值的差異，通過進(jìn)一步流動(dòng)性分組和交易規(guī)模分組，發(fā)現(xiàn)這一差異對(duì)流動(dòng)性因素和交易規(guī)模因素具有穩(wěn)健性;（2）在風(fēng)險(xiǎn)定價(jià)方面，啟發(fā)式算法下VPIN（BVC）指標(biāo)對(duì)資產(chǎn)收益具有顯著正向解釋效應(yīng)，其風(fēng)險(xiǎn)定價(jià)能力更加穩(wěn)健;而真實(shí)值算法下的VPIN（RVA）指標(biāo)的風(fēng)險(xiǎn)定價(jià)能力隨不同拆分訂單水平不同產(chǎn)生截然相反的定價(jià)效果，其中在高拆分訂單水平下VPIN（RVA）指標(biāo)對(duì)股票收益率產(chǎn)生顯著負(fù)向效應(yīng)。這一研究發(fā)現(xiàn)解釋了已有研究中知情交易概率指標(biāo)對(duì)股票收益產(chǎn)生或正或負(fù)的矛盾性結(jié)論。

本文的分析及結(jié)論對(duì)知情交易概率與風(fēng)險(xiǎn)定價(jià)關(guān)系的研究具有重要意義。根據(jù)研究結(jié)論，提出以下建議：（1）知情交易概率指標(biāo)對(duì)不同估計(jì)算法的選取具有一定的敏感性，這一敏感性源于市場(chǎng)存在的拆分訂單的隱藏交易行為。在知情交易概率指標(biāo)的相關(guān)研究中，需要考慮相關(guān)研究結(jié)論對(duì)拆分訂單行為因素的穩(wěn)健性。（2）啟發(fā)式算法下度量的知情交易概率指標(biāo)比真實(shí)值算法下的知情交易概率指標(biāo)更加穩(wěn)健，能夠克服交易模式和交易策略帶來的影響，可以作為一種有效的監(jiān)管手段，應(yīng)用到市場(chǎng)微觀結(jié)構(gòu)等其他領(lǐng)域。

注釋：

① 高頻交易者基于交易策略的驅(qū)動(dòng)通常會(huì)拆分訂單以獲利，其拆分訂單行為動(dòng)機(jī)和行為表現(xiàn)與隱藏信息的知情交易者并不矛盾。通常高頻交易者具有一定信息優(yōu)勢(shì)，也是知情交易者。另外，對(duì)于其他原因?qū)е碌娜臻g拆分訂單行為不予考慮，主要因?yàn)?，一是日間拆分訂單行為可視同基于不同信息的隱藏交易行為;二是日間訂單流不平衡自相關(guān)性并不顯著[21，22]。

參考文獻(xiàn)：

[1] Easley D， Kiefer N M， OHara M， et al. Liquidity， information， and infrequently traded stocks[J]. Journal of Finance， 1996， 51（4）：1405-1436.

[2] Agudelo D A， Giraldo S， Villarraga E. Does PIN measure information？ Informed trading effects on returns and liquidity in six emerging markets[J]. International Review of Economics & Finance， 2015， 39：149-161.

[3] Duarte J， Young L. Why is PIN priced？[J]. Journal of Financial Economics， 2009， 91（2）：119-138.

[4] Andersen T G， Bondarenko O. VPIN and the flash crash[J]. Journal of Financial Markets， 2014， 17：1-46.

[5] Pppe T， Moos S， Schiereck D. The sensitivity of VPIN to the choice of trade classification algorithm[J]. Journal of Banking & Finance， 2016（73）：165-181.

[6] Kyle A.S. Continuous auctions and insider trading[J]. Econometrica：Journal of the Econometric Society， 1985，56（6）：1315-1335.

[7] Anand A， Chakravarty S. Stealth trading in options markets[J]. Journal of Financial and Quantitative Analysis， 2007，42（1）：167-187.

[8] Chakrabarty B， Pascual R， Shkilko A. Evaluating trade classification algorithms：Bulk volume classification versus the tick rule and the Lee-Ready algorithm[J]. Journal of Financial Markets， 2015， （25）：52-79.

[9] Easley D， López de Prado M M， OHara M. The microstructure of the “flash crash”：flow toxicity， liquidity crashes， and the probability of informed trading[J]. Journal of Portfolio Management， 2011， 37（2）：118-128.

[10]Bugeja M， Patel V， Walter T. The microstructure of Australian takeover announcements[J]. Australian Journal of Management， 2015， 40（1）：161-188.

[11]Kang J， Kwon K Y， Kim W. Flow toxicity of high-frequency trading and its impact on price volatility：Evidence from the KOSPI 200 futures market[J]. Journal of Futures Markets， 2020， 40（2）：164-191.

[12]Cheung W M， Chou R K， Lei A C. H. Exchange-traded barrier option and VPIN：Evidence from Hong Kong[J]. Journal of Futures Markets， 2015， 35（6）：561-581.

[13]Borochin P， Rush S. Identifying and pricing adverse selection risk with VPIN[EB/OL]. （2016-02-01）[2021-09-25].http：∥ssrn.com/abstract=2599871.

[14]Easley D， Lopez de Prado M， OHara M. Bulk classification of trading activity[J]. Johnson School Research Paper Series， 2012， 8（6）：14.

[15]Easley D， Kiefer N M， OHara M. One day in the life of a very common stock[J]. Review of Financial Studies， 1997， 10（3）：805-835.

[16]Easley D， Kiefer N M， OHara M. The information content of the trading process[J]. Journal of Empirical Finance， 1997， 4（2/3）：159-186.

[17]Easley D， López de Prado M M， OHara M. The exchange of flow toxicity[J]. Journal of Trading， 2011， 6（2）：8-13.

[18]Easley D， López de Prado M M， OHara M. Flow toxicity and liquidity in a high-frequency world[J]. Review of Financial Studies， 2012， 25（5）：1457-1493.

[19]馬超群，徐光魯，劉偉， 等. 詢價(jià)制度改革、知情交易者概率與 IPO 溢價(jià)[J]. 中國管理科學(xué)， 2018， 26（8）：1-12.

[20]Chordia T， Roll R， Subrahmanyam A. Evidence on the speed of convergence to market efficiency[J]. Journal of Financial Economics， 2005， 76（2）：271-292.

[21]王春峰， 孫永亮， 房振明， 等. 訂單流不平衡對(duì)股票價(jià)格的沖擊效應(yīng)實(shí)證研究[J]. 北京理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2007 （2）：71-75.

[22]Shenoy C， Zhang Y J. Order imbalance and stock returns：Evidence from China[J]. The Quarterly Review of Economics and Finance， 2007， 47（5）：637-650.

[23]李平，湯懷林，王張琦，等. 知情交易概率與風(fēng)險(xiǎn)定價(jià)——基于不同 PIN 測(cè)度方法的比較研究[J]. 管理科學(xué)學(xué)報(bào)， 2020， 23（1）：33-46.

[24]Lee Y H， Liu W C， Hsieh C L. Informed trading of futures markets during the financial crisis：Evidence from the VPIN[J]. International Journal of Economics and Finance， 2017， 9（9）：123-132.

[25]Kang M. Probability of information-based trading and the January effect[J]. Journal of Banking & Finance， 2010， 34（12）：2985-2994.

[26]陳國進(jìn)，張潤澤，謝沛霖，等. 知情交易， 信息不確定性與股票風(fēng)險(xiǎn)溢價(jià)[J]. 管理科學(xué)學(xué)報(bào)， 2019 （4）：53-74.

[27]陳浪南，羅嘉雯，劉昊. 基于 TVP-VAR-GCK 模型的量?jī)r(jià)時(shí)變關(guān)系研究[J]. 管理科學(xué)學(xué)報(bào)， 2015， 18（9）：72-85.

[28]Dutt T， Humphery-Jenner M. Stock return volatility， operating performance and stock returns：International evidence on drivers of the ‘low volatilityanomaly[J]. Journal of Banking & Finance， 2013， 37（3）：999-1017.

[29]Chung K H， Ryu D. Trade duration， informed trading， and option moneyness[J]. International Review of Economics & Finance， 2016， 44：395-411.

[30]謝文杰，李牧遙，周煒星. 噪聲交易者、交易行為多樣性與即時(shí)價(jià)格沖擊[J]. 管理科學(xué)學(xué)報(bào)， 2020， 23（4）：98-109.

[31]Cai B M， Cai C X， Keasey K. Which trades move prices in emerging markets？：Evidence from Chinas stock market[J]. Pacific-Basin Finance Journal， 2006， 14（5）：453-466.

[32]Chan K， Fong W M. Trade size， order imbalance， and the volatility-volume relation[J]. Journal of Financial Economics， 2000， 57（2）：247-273.

[33]Alexander G J， Peterson M A. An analysis of trade-size clustering and its relation to stealth trading[J]. Journal of Financial Economics， 2007， 84（2）：435-471.

（責(zé)任編輯：厲 亞）