王春峰 ， 熊春連，2， 房振明， 黃曉彬

(1. 天津大學(xué)管理與經(jīng)濟(jì)學(xué)部， 天津 300072； 2. 天津城建大學(xué)理學(xué)院， 天津 300384; 3. 渤海證券股份有限公司， 天津 300381)

中國(guó)股市流動(dòng)性深度日內(nèi)模式
——基于馬爾科夫調(diào)制泊松過(guò)程模型

王春峰1， 熊春連1，2， 房振明3， 黃曉彬1

(1. 天津大學(xué)管理與經(jīng)濟(jì)學(xué)部， 天津 300072； 2. 天津城建大學(xué)理學(xué)院， 天津 300384; 3. 渤海證券股份有限公司， 天津 300381)

針對(duì)已有流動(dòng)性深度日內(nèi)模式的研究數(shù)據(jù)受異常事件污染的局限，基于馬爾科夫調(diào)制泊松過(guò)程，構(gòu)建了交易量分離模型，該模型可分離交易量中的異常交易量。進(jìn)一步以交易量為流動(dòng)性深度的代理指標(biāo)，研究了中國(guó)股市的流動(dòng)性深度日內(nèi)模式。研究發(fā)現(xiàn)：異常交易量確實(shí)對(duì)我國(guó)股市的深度日內(nèi)模式有影響；由于對(duì)信息的敏感程度不同，不同規(guī)模股票的深度日內(nèi)模式不同，對(duì)信息敏感的中、小市值股票具有W型模式，而對(duì)信息相對(duì)不敏感的大市值股票呈U型模式；由于不同市場(chǎng)走勢(shì)下，投資者對(duì)市場(chǎng)信息的敏感程度不同，我國(guó)股市深度日內(nèi)模式受市場(chǎng)走勢(shì)的影響，牛市時(shí)，深度日內(nèi)模式呈U型，而熊市時(shí)，深度日內(nèi)模式呈W型。

流動(dòng)性； 深度； 日內(nèi)模式； 馬爾科夫調(diào)制泊松過(guò)程

證券市場(chǎng)流動(dòng)性是證券市場(chǎng)的生命力所在。對(duì)證券市場(chǎng)流動(dòng)性模式的研究一方面能夠揭示信息傳導(dǎo)和價(jià)格發(fā)現(xiàn)過(guò)程的本質(zhì)，尋找市場(chǎng)運(yùn)行的規(guī)律，另一方面能為投資和監(jiān)管提供重要的依據(jù)和參考。因此，對(duì)證券市場(chǎng)流動(dòng)性模式的研究始終是證券市場(chǎng)微觀結(jié)構(gòu)研究領(lǐng)域的重要問(wèn)題之一。

在微觀結(jié)構(gòu)的研究中，流動(dòng)性通常包括四個(gè)維度：寬度、深度、彈性和及時(shí)性。流動(dòng)性模式的研究主要集中于寬度和深度兩個(gè)維度。有關(guān)流動(dòng)性深度模式研究主要集中于三個(gè)方面：第一，針對(duì)交易量和換手率等交易指標(biāo)的日內(nèi)和周內(nèi)模式分析[1-2]；第二，利用高頻報(bào)價(jià)交易數(shù)據(jù)，構(gòu)建復(fù)雜的高頻報(bào)價(jià)交易指標(biāo)，分析不同交易機(jī)制下不同證券市場(chǎng)的流動(dòng)性深度模式[3-6]；第三，從信息的角度出發(fā)，將信息與流動(dòng)性變化模式相結(jié)合，探討流動(dòng)性變化的本質(zhì)原因[7-8]。

可見，已有研究沿著構(gòu)建各種不同的流動(dòng)性深度代理指標(biāo)，考察不同交易機(jī)制下不同證券市場(chǎng)的流動(dòng)性深度模式及產(chǎn)生原因的方向發(fā)展。但存在幾點(diǎn)不足：首先，已有的研究都是基于一些受異常事件(如金融危機(jī)爆發(fā)、突發(fā)性的宏觀事件及突發(fā)性的公司事件等)污染的觀測(cè)數(shù)據(jù)，而這些異常事件很可能會(huì)造成研究結(jié)果偏誤。這就不難解釋為什么不同市場(chǎng)甚至相同市場(chǎng)，研究者得出的流動(dòng)性深度模式不同；其次，已有文獻(xiàn)未區(qū)分不同規(guī)模股票的流動(dòng)性深度模式，證券市場(chǎng)的實(shí)踐表明，不同規(guī)模股票的交易活躍程度具有很大不同，把不同規(guī)模股票的流動(dòng)性深度模式混合起來(lái)研究可能很難得出真實(shí)的結(jié)論；最后，已有的研究局限于整個(gè)樣本期，未區(qū)分牛市和熊市時(shí)的流動(dòng)性深度模式。不同市場(chǎng)態(tài)勢(shì)下投資者的行為不同，如風(fēng)險(xiǎn)厭惡程度、投資者情緒等不同，而市場(chǎng)流動(dòng)性深度水平極大地受投資者的這些行為影響。

基于馬爾科夫調(diào)制泊松過(guò)程，本文構(gòu)建一個(gè)交易量分離模型，該模型可以將交易量中的異常交易量分離出來(lái)，從而得到不受異常事件污染的交易量數(shù)據(jù)，這克服了以往研究都以受異常事件污染的交易數(shù)據(jù)為研究對(duì)象的局限。進(jìn)一步，基于構(gòu)建的交易量分離模型實(shí)證研究我國(guó)股市的流動(dòng)性深度模式。首先，研究我國(guó)股市的流動(dòng)性深度模式是否受異常交易量數(shù)據(jù)影響；其次，研究我國(guó)股市牛市和熊市時(shí)的流動(dòng)性深度日內(nèi)模式是否相同；最后，研究不同規(guī)模股票的流動(dòng)性深度日內(nèi)模式是否相同。本文的研究不僅擴(kuò)展了數(shù)據(jù)分離方法在交易量的研究領(lǐng)域的應(yīng)用，而且豐富了我國(guó)股市流動(dòng)性模式的研究，所建構(gòu)的交易量分離模型為開展交易量的相關(guān)研究奠定了基礎(chǔ)。

一、交易量分離模型的構(gòu)建與參數(shù)估計(jì)

馬爾科夫調(diào)制泊松過(guò)程(Markov modulated Poisson process，MMPP)是一個(gè)泊松過(guò)程，其瞬時(shí)泊松到達(dá)率是一個(gè)平穩(wěn)的隨機(jī)過(guò)程，且受到另一個(gè)泊松過(guò)程的調(diào)制，這另一個(gè)泊松過(guò)程的發(fā)生與否取決于一個(gè)不可觀測(cè)的隱馬爾科夫過(guò)程所處的狀態(tài)。由MMPP產(chǎn)生的數(shù)據(jù)是觀測(cè)數(shù)據(jù)，而由隱馬爾科夫鏈產(chǎn)生的數(shù)據(jù)則是隱數(shù)據(jù)。馬爾科夫調(diào)制泊松過(guò)程和隱馬爾科夫鏈近年來(lái)在資產(chǎn)定價(jià)、價(jià)格行為及期權(quán)定價(jià)等金融領(lǐng)域逐步得到應(yīng)用。Easley和O’hara(2011)[9]在研究中提出了交易量服從泊松分布的假設(shè)，這為將馬爾科夫調(diào)制泊松過(guò)程進(jìn)一步應(yīng)用到分離證券市場(chǎng)交易量中的異常交易量奠定了基礎(chǔ)。本文將交易量看作一個(gè)隱馬爾科夫調(diào)制泊松過(guò)程產(chǎn)生的觀測(cè)數(shù)據(jù)，將異常事件的發(fā)生看作是隱一個(gè)馬爾科夫鏈，這個(gè)隱馬爾科夫鏈產(chǎn)生的數(shù)據(jù)即是異常交易量數(shù)據(jù)。具體地，我們采用Scott[10]的馬爾科夫調(diào)制非齊次泊松過(guò)程模型建模交易量，進(jìn)而分離交易量中的異常交易量。具體建模步驟如下。

將時(shí)間t的股票交易量N(t)看作異常交易量(異常事件引起的交易量)N1(t)和剔除異常交易量后的交易量N0(t)的疊加。即N(t)=N0(t)+N1(t),其中N(t)、N0(t)及N1(t)均大于等于0的整數(shù)。

1. 剔除異常交易量后的交易量N0(t)的建模

根據(jù)貝葉斯統(tǒng)計(jì)推斷的原理，本文選擇共軛先驗(yàn)分布作為變量λ0、δ、η的先驗(yàn)分布，從而保證后驗(yàn)分布具有與先驗(yàn)分布相同的分布形式，進(jìn)而為后面的統(tǒng)計(jì)推斷帶來(lái)方便。即假設(shè)

2. 異常交易量N1(t)的建模

異常事件引發(fā)異常交易量，但不可通過(guò)交易數(shù)據(jù)觀測(cè)到。本文把異常事件z(t)看作是一個(gè)具有2個(gè)狀態(tài)的一階隱馬爾科夫過(guò)程，即

其中Dir(·)為Dirichlet分布。當(dāng)z(t)≠0時(shí)，假設(shè)N1(t)服從到達(dá)率為γ(t)的非齊次泊松過(guò)程。即

其中P(·)為泊松分布。

因γ(t)為泊松分布的參數(shù)，而泊松分布的共軛先驗(yàn)分布是伽馬(Gamma)分布，故假定γ(t)～Γ(γ,aγ,bγ)。N1(t)的泊松分布中，N和γ均未知，但可通過(guò)下面式(1)的積分化簡(jiǎn)得到N1(t)的邊際分布。

(1)

其中NBin(·)為負(fù)二項(xiàng)分布。因此當(dāng)z(t)≠0時(shí)，可以通過(guò)隨機(jī)模擬的方法生成服從負(fù)二項(xiàng)分布的異常交易量N1(t)。

3. 模型參數(shù)的估計(jì)

本文采用馬爾科夫鏈蒙特卡羅模擬方法完成模型參數(shù)的估計(jì)及相關(guān)變量的數(shù)值模擬。其過(guò)程分為四步。

第一步，給定N0(t)，估計(jì)λt的三個(gè)參數(shù)λ0、δ、η，從而獲得λt的估計(jì)， 首次計(jì)算時(shí)以觀測(cè)序列N(t)代替N0(t)；第二步，給定N(t)、λt、Mz估計(jì)狀態(tài)z(t)，首次計(jì)算時(shí)狀態(tài)轉(zhuǎn)移概率矩陣Mz取先驗(yàn)值；第三步，根據(jù)步驟二得出的z(t)，計(jì)算z(t)各個(gè)值之間的轉(zhuǎn)移頻率，從而獲得Mz各個(gè)元素的值，進(jìn)而更新Mz；第四步，給定N(t)、λt、z(t)，采用MCMC的方法估計(jì)N0(t)、N1(t)。然后不斷循環(huán)上述四個(gè)步驟，直到各參變量取值滿足收斂標(biāo)準(zhǔn)時(shí)停止。最后通過(guò)如下兩個(gè)手段評(píng)價(jià)模型估計(jì)的效果：第一，估計(jì)參數(shù)的穩(wěn)定性；第二，構(gòu)建包含所有參數(shù)的似然函數(shù)，根據(jù)似然值評(píng)價(jià)。由于篇幅所限，以上具體的估計(jì)過(guò)程參考Scott[10]等、Ihler[11]等的研究。

二、數(shù)據(jù)描述與實(shí)證方法

1. 樣本選擇與數(shù)據(jù)

本文整個(gè)樣本區(qū)間為：2007.7.16—2008.1.18，共135天；牛市期為2007.7.16—2007.10.12；熊市期為2007.10.22—2008.1.18。牛市和熊市各占65天。選取中證800指數(shù)中的284只股票作為樣本股票，其中84只股票選自中證100指數(shù)，100只股票選自中證200指數(shù)，另外100只股票選自中證500指數(shù)，它們分別代表大、中、小規(guī)模的股票，全部樣本則代表整個(gè)中國(guó)股市。中證100中只選取了84只股票是因?yàn)樵跇颖酒?，只有這些股票一直保留在中證100中，其他選取的股票在樣本期則一直保留在相應(yīng)的指數(shù)中。

學(xué)術(shù)界對(duì)流動(dòng)性深度衡量目前尚缺乏統(tǒng)一標(biāo)準(zhǔn)，基于交易量的流動(dòng)性衡量方法是較常使用的一種方法，本文以交易量為流動(dòng)性深度衡量指標(biāo)。采用國(guó)泰安高頻分筆交易量數(shù)據(jù)。以5分鐘為時(shí)間窗口加總交易量，從而把每日交易時(shí)段9：30—11：30和13：00—15：00的交易量數(shù)據(jù)分為48個(gè)時(shí)間段數(shù)據(jù)，這樣在整個(gè)樣本期，每只股票樣本得到一個(gè)5分鐘加總的交易量序列，序列長(zhǎng)度為130×48=6 420，整個(gè)樣本的數(shù)據(jù)總數(shù)為284×130×48=1 772 160。

2. 實(shí)證方法

本文基于構(gòu)建的交易量分離模型將交易量中的異常交易量分離出來(lái)，并在此基礎(chǔ)上研究我國(guó)股市的流動(dòng)性深度日內(nèi)模式。

第一步，基于構(gòu)建的交易量分離模型將284只樣本股票的5分鐘交易量序列N(t)分離為N0(t)和N1(t)，其中N1(t)是異常交易量，而N0(t)是剔除異常交易量后的交易量。

第二步，在全樣本期間，將上述全部樣本股票的N(t)和N0(t)依次按股票及交易日和交易時(shí)段取平均，得到全樣本期間全部股票N(t)和N0(t)的日內(nèi)模式，即得到我國(guó)股市剔除異常交易量前后的深度日內(nèi)模式。畫出它們的日內(nèi)模式圖，并觀察它們的圖形是否有差異，最后統(tǒng)計(jì)上檢驗(yàn)剔除異常交易量前后的深度日內(nèi)模式是否顯著。如果研究結(jié)果發(fā)現(xiàn)N(t)和N0(t)的日內(nèi)模式有顯著差異，則說(shuō)明我國(guó)股市的流動(dòng)性深度日內(nèi)模式受異常交易量的影響，因此研究我國(guó)股市的流動(dòng)性深度日內(nèi)模式應(yīng)剔除交易量中的異常交易量。下面第三步和第四步的研究都是在得出我國(guó)股市的流動(dòng)性深度日內(nèi)模式受異常交易量影響的基礎(chǔ)上展開的。

第三步，在全樣本期間，將大、中和小規(guī)模樣本股票的N0(t)分別按第二步的方法取平均，得到全樣本期間的大、中和小規(guī)模股票的N0(t)的日內(nèi)模式，即得到我國(guó)股市不同規(guī)模股票的流動(dòng)性深度日內(nèi)模式。畫出它們的日內(nèi)模式圖，并觀察它們的圖形是否有差異，最后統(tǒng)計(jì)上檢驗(yàn)不同規(guī)模股票的流動(dòng)性深度日內(nèi)模式是否顯著。

第四步，在牛市和熊市時(shí)，分別將全部樣本股票的N0(t)按第二步的方法取平均，得到牛市和熊市時(shí)N0(t)的日內(nèi)模式，即得到我國(guó)股市牛市和熊市時(shí)的流動(dòng)性深度日內(nèi)模式。畫出它們的日內(nèi)模式圖，并觀察它們的圖形是否有差異，最后統(tǒng)計(jì)上檢驗(yàn)牛市和熊市時(shí)的流動(dòng)性深度日內(nèi)模式是否顯著。

為了檢驗(yàn)上述各種研究情形下的流動(dòng)性深度日內(nèi)模式的顯著性，建立如下回歸模型：

(2)

式中：ln(Vt)為對(duì)上述各種情形下的5分鐘交易量序列取對(duì)數(shù)；TD為交易時(shí)段t的虛擬變量。

為了避免多重共線性，回歸方程中去除第9個(gè)交易時(shí)段虛擬變量T9，因本文日內(nèi)交易時(shí)段共分為48個(gè)，因此，該回歸方程中共47個(gè)虛擬變量。各虛擬變量的取值如下：若Vt是日內(nèi)第1個(gè)時(shí)段對(duì)應(yīng)的5分鐘交易量，則此時(shí)T1取1，否則取0，以此類推；βD為虛擬變量TD前的系數(shù)；εt為誤差項(xiàng)；c為常數(shù)項(xiàng)。本文采用最小二乘法進(jìn)行回歸參數(shù)估計(jì),并采用LM檢驗(yàn)誤差項(xiàng)的自相關(guān)性，若存在自相關(guān)則采用廣義差分的方法克服自相關(guān)，即用AR(P)模型修正回歸方程殘差序列的自相關(guān)。此外，還采用懷特檢驗(yàn)是否存在異方差，若存在異方差則采用加權(quán)最小二乘法進(jìn)行回歸參數(shù)的估計(jì)。若誤差項(xiàng)既存在自相關(guān)又存在異方差時(shí)則采用加權(quán)最小二乘法AR(P)組合程序來(lái)校正異方差和自相關(guān)。下文僅僅報(bào)告回歸系數(shù)和一些關(guān)鍵統(tǒng)計(jì)量的結(jié)果。

三、實(shí)證結(jié)果與分析

1. 整個(gè)樣本期剔除異常交易量前后的深度日內(nèi)模式

圖1是整個(gè)樣本期剔除異常交易量前后的深度日內(nèi)模式圖，從該圖可知，整個(gè)樣本期的N(t)、N0(t)的日內(nèi)模式均呈現(xiàn)W型，早晨和中午開盤及下午收盤時(shí)的深度相對(duì)較大，似乎整個(gè)樣本期全樣本的深度模式受異常事件的影響并不大。但N(t)、N0(t)的這種W型日內(nèi)模式在統(tǒng)計(jì)上是否均顯著，剔除異常交易量前后的深度日內(nèi)模式是否有顯著差異呢？為此，我們根據(jù)式(2)對(duì)整個(gè)樣本期的N(t)、N0(t)進(jìn)行回歸。對(duì)N(t)回歸時(shí)，回歸方程中的Vt取整個(gè)樣本期284只樣本股票的5分鐘交易量序列N(t)的平均值序列；對(duì)N0(t)回歸時(shí)，回歸方程中的Vt取整個(gè)樣本期284只樣本股票的剔除異常交易量后的5分鐘交易量序列N0(t)的平均值序列。

圖1 N0(t)和N(t)的日內(nèi)模式

表1是整個(gè)樣本期剔除異常交易量前后整個(gè)股市的深度日內(nèi)模式的回歸結(jié)果。從表1可以發(fā)現(xiàn)，未剔除異常交易量的回歸系數(shù)除變量T25、T43、T44及T45前的不顯著外，其他在1%顯著性水平下均顯著，而顯著的日內(nèi)虛擬變量前的系數(shù)表明，日內(nèi)早晨開盤和下午收盤時(shí)段前的系數(shù)較大，開盤后，隨著交易進(jìn)行，日內(nèi)時(shí)段的系數(shù)逐漸變小，到中午收盤附近達(dá)到最小，下午開盤后，日內(nèi)時(shí)段的系數(shù)又逐漸變大，因此，未剔除異常交易量的深度模式整體大致呈 U型；剔除異常交易量的回歸系數(shù)除變量T44和T45前的不顯著外，T25前的系數(shù)在5%顯著性水平下顯著，其他系數(shù)在1%顯著性水平下均顯著，而顯著的日內(nèi)虛擬變量前的系數(shù)表明，日內(nèi)早晨開盤和下午收盤時(shí)段前的系數(shù)較大，開盤后，隨著交易進(jìn)行，日內(nèi)時(shí)段的系數(shù)逐漸變小，到中午收盤附近達(dá)到最小，下午開盤后5分鐘的系數(shù)突然變大，然后有一小段時(shí)間的系數(shù)變小，最后日內(nèi)時(shí)段的系數(shù)又逐漸變大，因此，剔除異常交易量的深度模式整體大致呈W型。可見，剔除異常交易量前后的深度日內(nèi)模式存在差異，這表明研究我國(guó)股市的流動(dòng)性深度日內(nèi)模式確受異常事件的影響。因此，有關(guān)流動(dòng)性深度日內(nèi)模式的研究有必要剔除交易量中的異常交易量?；诖?，后面我們分別研究剔除異常交易量后不同規(guī)模股票和不同市場(chǎng)態(tài)勢(shì)下的深度日內(nèi)模式。

2 .整個(gè)樣本期剔除異常交易量后不同規(guī)模股票的深度日內(nèi)模式

前文表明，我國(guó)股市的流動(dòng)性深度日內(nèi)模式研究確有必要剔除交易量中的異常交易量，這里對(duì)剔除異常交易量后不同規(guī)模股票的深度日內(nèi)模式進(jìn)行研究。

圖2是剔除異常交易量后的大、中和小規(guī)模股票在整個(gè)樣本期的深度日內(nèi)模式。從該圖可知，剔除異常交易量后的大規(guī)模股票的深度顯著大于中、小規(guī)模股票的深度，且大規(guī)模股票的深度日內(nèi)模式似乎也不同于中、小規(guī)模股票的深度模式，大規(guī)模股票呈現(xiàn)更陡峭的W型模式，而中、小股票則呈現(xiàn)更扁平的W型模式。

為了從統(tǒng)計(jì)上檢驗(yàn)剔除異常交易量后的大、中和小市值股票的深度日內(nèi)模式是否存在差異，我們根據(jù)式(2)對(duì)整個(gè)樣本期不同規(guī)模股票的N0(t)進(jìn)行回歸。對(duì)大市值股票的N0(t)回歸時(shí)，回歸方程中的Vt由所有剔除異常交易量后的大市值股票的5分鐘交易量序列N0(t)取平均得到；對(duì)中、小市值股票的N0(t)回歸時(shí)，回歸方程中的Vt的取法與此類似。

圖2 整個(gè)樣本期不同規(guī)模股票的N0(t)的日內(nèi)模式

表2是剔除異常交易量后不同規(guī)模股票的深度日內(nèi)模式的回歸結(jié)果，該結(jié)果表明：大規(guī)模股票回歸系數(shù)除變量T25、T44及T45前的不顯著外，其他在1%顯著性水平下均顯著，與表1的分析類似，根據(jù)顯著的日內(nèi)虛擬變量前的系數(shù)，可以得出剔除異常交易量后大規(guī)模股票的深度日內(nèi)模式大致呈U型；而中、小規(guī)模股票的所有回歸系數(shù)在1%顯著性水平下均顯著，同樣根據(jù)顯著的日內(nèi)虛擬變量前的系數(shù)，可以得出剔除異常交易量的深度日內(nèi)模式兩者均大致呈W型模式。

中、小規(guī)模股票剔除異常交易量的深度日內(nèi)模式整體呈W型模式，可用Brock和Kleidon(1992)[12]的周期性需求增加理論解釋。首先，由于存在周期性的晚間休市期，知情投資者和不知情投資者為了避免這段時(shí)間所帶來(lái)的風(fēng)險(xiǎn)，在下午收盤時(shí)調(diào)整其投資組合，導(dǎo)致交易需求增大，深度也明顯增大；而在早晨開盤時(shí)，一方面，不知情交易者周期性的資產(chǎn)組合調(diào)整，導(dǎo)致交易需求增加，另一方面，由于隔夜信息的存在，知情投資者基于信息的交易需求增加，從而深度明顯增大。另外，對(duì)于短暫的中午休市期，由于這段時(shí)間給投資者帶來(lái)的風(fēng)險(xiǎn)相對(duì)較小，因此，中午收盤時(shí)投資者的資產(chǎn)組合調(diào)整未見明顯增加，從而深度未見明顯增加；而中午開盤時(shí)，由于中午休市所積累的信息，導(dǎo)致知情投資者基于信息的交易需求增加，深度增加，但這較早晨的深度的增加要小。而大市值股票產(chǎn)生U型深度日內(nèi)模式的原因可能是，相對(duì)于中小市值股票而言，大市值股票對(duì)信息的反應(yīng)不夠敏感，從而在中午開盤時(shí)的基于信息的交易需求增加不顯著。

表1 剔除異常交易量前后的日內(nèi)深度回歸

注：**、*分別表示在1%和5%的水平下顯著

3. 剔除異常交易量后不同市場(chǎng)態(tài)勢(shì)下的深度日內(nèi)模式

同樣，由于前文表明，我國(guó)的流動(dòng)性深度日內(nèi)模式研究確有必要剔除交易量中的異常交易量，這里對(duì)剔除異常交易量后不同市場(chǎng)態(tài)勢(shì)下的深度日內(nèi)模式展開研究。

圖3是剔除異常交易量后全部樣本股票在牛市和熊市時(shí)的深度日內(nèi)模式。從該圖可知，牛市期的股票深度明顯大于熊市期的股票深度，但牛市和熊市期的股票深度日內(nèi)模式形狀相似，均表現(xiàn)為早晨和中午開盤及下午收盤附近深度相對(duì)較大，且均呈現(xiàn)W型，所不同的是熊市時(shí)中午開盤深度增加幅度較牛市時(shí)更大。

為了從統(tǒng)計(jì)上檢驗(yàn)剔除異常交易量后牛市和熊市時(shí)的我國(guó)股市深度日內(nèi)模式是否存在顯著差異，根據(jù)式(2)對(duì)整個(gè)樣本股票在牛市和熊市時(shí)的N0(t)分別進(jìn)行回歸。對(duì)牛市的N0(t)回歸時(shí)，回歸方程中的Vt是對(duì)牛市時(shí)全樣本股票剔除異常交易量后的5分鐘交易量序列N0(t)取平均得到的平均值序列；而對(duì)熊市的N0(t)回歸時(shí)，Vt的取法與此類似。

表2 剔除異常交易量后不同規(guī)模股票的日內(nèi)深度回歸

注：“**”、“*”分別表示在1%和5%的水平下顯著；N0(t)_B、N0(t)_M、N0(t)_S分別代表大、中、小規(guī)模股票的N0(t)。

圖3 牛市和熊市時(shí)N0(t)的日內(nèi)模

表3是剔除異常交易量后牛市和熊市時(shí)的深度日內(nèi)模式回歸結(jié)果，該結(jié)果表明：牛市時(shí)，回歸系數(shù)除變量T8、T25、T44及T45前的不顯著外，其他在1%顯著性水平下均顯著，與表1的分析類似，根據(jù)顯著的日內(nèi)虛擬變量前的系數(shù)，可以得出剔除異常交易量后的牛市深度日內(nèi)模式大致呈 U型；而熊市時(shí)，回歸系數(shù)除變量T8、T44及T45前的不顯著外，其余回歸系數(shù)在1%顯著性水平下均顯著，同樣根據(jù)顯著的日內(nèi)虛擬變量前的系數(shù)，可以得出剔除異常交易量后的熊市深度日內(nèi)模式大致呈W型。這說(shuō)明我國(guó)股市剔除異常交易量后不同市場(chǎng)態(tài)勢(shì)下的深度日內(nèi)模式存在顯著差異，熊市時(shí)中午開盤深度增加幅度較牛市時(shí)增加幅度更顯著。產(chǎn)生這一差異的原因可能是：熊市市場(chǎng)震蕩劇烈，風(fēng)險(xiǎn)厭惡的投資者對(duì)市場(chǎng)信息更加敏感，從而在中午開盤時(shí)基于信息的交易需求增加顯著。而牛市市場(chǎng)相對(duì)穩(wěn)定，風(fēng)險(xiǎn)厭惡的投資者對(duì)市場(chǎng)信息相對(duì)不敏感，從而在中午開盤時(shí)基于信息的交易需求增加則相對(duì)不顯著。

表3 剔除異常交易量后牛市和熊市時(shí)的日內(nèi)深度回歸

注：“**”、“*”分別表示在1%和5%的水平下顯著；N0(t)_Bull、N0(t)_Bear分別代表牛市時(shí)和熊市時(shí)的N0(t)。

4. 穩(wěn)健性檢驗(yàn)

為了進(jìn)一步檢驗(yàn)結(jié)果的穩(wěn)健性，本文將規(guī)模變量作為虛擬變量加入到式(2)中，以進(jìn)一步檢驗(yàn)規(guī)模變量是否對(duì)深度有顯著影響。用S1、S2和S3分別表示大、中和小規(guī)模股票的虛擬變量。為了避免多重共線性，僅把變量S1和S3放入回歸方程。同樣，本文還將市場(chǎng)態(tài)勢(shì)作為虛擬變量加入到式(2)中，以進(jìn)一步檢驗(yàn)市場(chǎng)態(tài)勢(shì)是否對(duì)深度有顯著影響。用M1和M2分別代表牛市和熊市虛擬變量。為了避免多重共線性，僅把變量M2放入回歸方程。表4是 分別加入規(guī)模變量和市場(chǎng)態(tài)勢(shì)變量到式(2)中的回歸結(jié)果。該結(jié)果表明：S1和S3的系數(shù)是顯著的，這說(shuō)明規(guī)模對(duì)深度有顯著影響，這進(jìn)一步驗(yàn)證了不同規(guī)模股票的深度模式不同；M2的系數(shù)顯著，這說(shuō)明市場(chǎng)態(tài)勢(shì)對(duì)深度有顯著影響，這進(jìn)一步驗(yàn)證了牛市和熊市時(shí)的深度模式不同。

四、結(jié) 語(yǔ)

基于馬爾科夫調(diào)制泊松過(guò)程模型，構(gòu)建了交易量分離模型，該模型可分離出交易量中的異常交易量。進(jìn)一步研究了中國(guó)股市的流動(dòng)性深度日內(nèi)模式，得出以下結(jié)論：1) 異常交易量確實(shí)對(duì)我國(guó)股市的深度日內(nèi)模式有影響；2) 由于對(duì)信息的敏感程度不同，不同規(guī)模股票的深度日內(nèi)模式不同，對(duì)信息敏感的中、小市值股票具有W型模式，而對(duì)信息相對(duì)不敏感的大市值股票呈U型模式；3) 由于不同市場(chǎng)走勢(shì)下，投資者對(duì)市場(chǎng)信息的敏感程度不同，我國(guó)股市深度日內(nèi)模式受市場(chǎng)走勢(shì)的影響：牛市時(shí)，深度日內(nèi)模式呈U型；而熊市時(shí),深度日內(nèi)模式呈W型。

表4 穩(wěn)健性檢驗(yàn)回歸

為了進(jìn)一步研究我國(guó)股市的流動(dòng)性深度日內(nèi)模式，基于本文構(gòu)建的交易量分離模型，研究牛市和熊市時(shí)不同規(guī)模股票的流動(dòng)性深度日內(nèi)模式是本文后續(xù)研究的一部分。

[1]Jain P, Joh G. The dependence between hourly prices and trading volume[J].JournalofFinancialandQuantitativeAnalysis， 1988, 23(3): 269-28.

[2]Foster F D, Viswanathan S. Variations in trading volume, return volatility, and trading costs： Evidence on recent price formation models[J].TheJournalofFinance，1993, 48(1): 187-211.

[3]Lee C M, Mucklow B, Ready M J. Spreads, depths, and the impact of earnings information: An intraday analysis[J].ReviewofFinancialStudies， 1993, 6(2): 345-374.

[4]Ahn H, Cheung Y. The intraday patterns of the spread and depth in a market without market makers: The stock exchange of Hong Kong[J].Pacific-BasinFinanceJournal， 1999, 7(5): 539-556.

[5]Frino A, Lepone A,Wearin G. Intraday behavior of market depth in a competitive dealer market: A note[J].JournalofFuturesMarkets， 2008, 28(3): 294-307.

[6]李子奈，楊之曙. 上海股市日內(nèi)流動(dòng)性:深度變化實(shí)證研究[J]. 金融研究,2003(6):25-37.

[7]Brockman P, Chung D Y. An analysis of depth behavior in an electronic, order-drivenenvironment[J].JournalofBankingandFinance， 1999, 23(12): 1861-1886.

[8]沈豪杰，黃 峰.流動(dòng)性與風(fēng)險(xiǎn)管理：一個(gè)基于二元t分布GARCH估計(jì)方法的L-VAR模型[J].天津大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版,2010，12(3)：197-202.

[9]Easley D, López De Prado M, O’Hara M. The microstructure of the ‘flash crash’: Flow toxicity, liquidity crashes and the probability of informed trading[J].TheJournalofPortfolioManagement, 2011, 37(2): 118-128.

[10]Scott S L, Smyth P. The Markov modulated Poisson process and Markov Poisson cascade with applications to web traffic data[J].BayesianStatistics, 2003, 7: 671-680.

[11]Ihler A, Hutchins J, Smyth P. Learning to detect events with Markov-modulated poissonprocesses[J].TransactionsonKnowledgeDiscoveryfromData, 2007, 1(3): 13-20.

[12]Brock W A, Kleidon A W. Periodic market closure and trading volume: A model of intraday bids and asks[J].JournalofEconomicDynamicsandControl,1992, 16(3): 451-489.

TheIntradayPatternsoftheLiquidityDepthinChineseStockMarkets—Based on Markov Modulated Poisson Process

Wang Chunfeng1, Xiong Chunlian1,2, Fang Zhenming3, Huang Xiaobin1

(1. Faculty of Management and Economics, Tianjin University, Tianjin 300072， China;2. Department of Basic Science, Tianjin Chengjian University , Tianjin 300384, China；3. Bohai Securities Co..Ltd, Tianjin 300381, China)

The data of the studies about the patterns of the liquidity depth in the stock markets is limited by abnormal events. To overcome this shortcoming, this paper suggests a disjunctive model about trading volume based on Markov modulated Poisson process, which separates the abnormal trading volume from the trading volume. Furthermore, it defined the trading volume to be the proxy variable of the liquidity depth and then empirically tested the intraday patterns of the liquidity depth in Chinese stock markets .The empirical results showed： the intraday patterns of the liquidity depth in Chinese stock markets are really affected by the abnormal trading volume. Due to the sensitivity of different information, different sizes of stock differs from each other in the depths of intraday patterns. Middle and small-sized stocks, sensitive to the information, show a shape of W, while large-sized stocks, unsensitive to the information, show a shape of U. Because the traders react differently when the information arrives in bull and bear markets. The intraday patterns of the liquidity depth are affected by the market trend in China: in bull market, it shows a shape of U. However in bear market, it shows a shape of W.

liquidity; market depth; intraday pattern; Markov modulated Poisson process

2013-03-01.

教育部長(zhǎng)江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃資助項(xiàng)目(IRT1028)；國(guó)家自然科學(xué)基金面上資助項(xiàng)目(71271146).

王春峰(1966— )，男，博士，教授.

熊春連, xiongchunlian@163.com.

F830

A

1008-4339(2014)02-097-08