沈 冰，趙小康

(西南大學(xué)經(jīng)濟(jì)管理學(xué)院，重慶 400700)

?

基于支持向量機(jī)的內(nèi)幕交易識別研究

沈 冰，趙小康

(西南大學(xué)經(jīng)濟(jì)管理學(xué)院，重慶 400700)

內(nèi)幕交易的識別問題一直是證券市場的難題，學(xué)術(shù)界進(jìn)行了大量有益的探索，卻難以得到滿意的結(jié)果。本文選取了從2000—2015年被我國證監(jiān)會或司法機(jī)關(guān)查處的內(nèi)幕交易案例作為研究樣本，利用支持向量機(jī)模型對內(nèi)幕交易進(jìn)行識別。研究結(jié)果表明：累積超額收益率、股價波動持久性、超額換手率、股價信息含量以及股權(quán)制衡度是有效識別內(nèi)幕交易的重要指標(biāo)，總體識別準(zhǔn)確率達(dá)到了86.18%，該模型的識別效果比較理想。

證券市場；內(nèi)幕交易；支持向量機(jī)

各國證券市場的內(nèi)幕交易頻繁發(fā)生，已引起社會各界的廣泛關(guān)注，證券監(jiān)管機(jī)構(gòu)對此也十分重視，各國證券監(jiān)管機(jī)構(gòu)對內(nèi)幕交易的監(jiān)管及打擊力度都在不斷加強(qiáng)。美國證券監(jiān)管機(jī)構(gòu)對內(nèi)幕交易的打擊力度一直走在世界各國前列。2013年，美國對沖基金巨頭SAC資本合伙公司被指控為內(nèi)幕交易罪，并為此支付了18億美元的罰金，這是迄今為止美國證券監(jiān)管機(jī)構(gòu)對內(nèi)幕交易開出的最大罰單。作為新興的證券市場，中國的內(nèi)幕交易尤為嚴(yán)重，對證券市場造成了極大的負(fù)面影響。中國證監(jiān)會對內(nèi)幕交易問題也越來越重視，中國證監(jiān)會前主席郭樹清在任期間曾提出對內(nèi)幕交易“零容忍”，現(xiàn)任證監(jiān)會主席劉士余表示要保護(hù)中小投資者的利益，嚴(yán)厲打擊內(nèi)幕交易。近年來，中國證監(jiān)會采取了一系列措施，查處了一批內(nèi)幕交易案件?？梢姡鲊C券監(jiān)管機(jī)構(gòu)對內(nèi)幕交易都是難以容忍的。

為了防范內(nèi)幕交易的發(fā)生，需要證券監(jiān)管機(jī)構(gòu)采取有效的監(jiān)管措施。目前，中國證監(jiān)會在內(nèi)幕交易的監(jiān)管方面效率不高，一般都是通過舉報或者現(xiàn)場突擊檢查等，偏重于事后監(jiān)管，一般在內(nèi)幕交易發(fā)生1—2年后才查處出來，而且查處的案件偏少，監(jiān)管效率還有待提高。隨著云計算和大數(shù)據(jù)的興起，使得對內(nèi)幕交易的監(jiān)管進(jìn)行事前識別成為可能。通過選取恰當(dāng)?shù)淖R別指標(biāo)和識別模型，建立內(nèi)幕交易的識別系統(tǒng)，然后運(yùn)用大數(shù)據(jù)分析，一旦發(fā)現(xiàn)異動，可以立即跟蹤可疑證券賬戶，最后再進(jìn)行核查，這樣就能夠在第一時間發(fā)現(xiàn)并制止內(nèi)幕交易的發(fā)生，提高監(jiān)管效率。

然而，我國學(xué)術(shù)界對內(nèi)幕交易識別方面的研究還處于探索階段，在內(nèi)幕交易識別指標(biāo)的選取、識別模型的構(gòu)建方面還存在不少問題，缺乏一套科學(xué)、適用的內(nèi)幕交易識別系統(tǒng)，難以為證券監(jiān)管機(jī)構(gòu)建立有效的識別系統(tǒng)提供支撐。

一、文獻(xiàn)綜述

國外學(xué)者對證券市場內(nèi)幕交易的研究起步較早，研究成果較多，這些研究主要集中在內(nèi)幕交易的影響及監(jiān)管等方面。Jaffe[1]采用事件法，率先提出發(fā)生內(nèi)幕交易的股票的超常收益率顯著不為零。Kyle[2]認(rèn)為內(nèi)幕交易會提高股票的買賣價差，交易成本會相應(yīng)增加，從而降低證券市場的流動性。Leland[3]采用理性預(yù)期模型，發(fā)現(xiàn)內(nèi)幕交易會使內(nèi)幕交易者受益，外部交易者受損，內(nèi)幕交易的凈福利增加，內(nèi)幕交易行為應(yīng)該被禁止。Scott和 John[4]從財務(wù)虛假陳述的角度出發(fā)，構(gòu)建了內(nèi)幕交易的識別模型，得到56%—60%的識別準(zhǔn)確率。Huddart和Petronib[5]發(fā)現(xiàn)內(nèi)幕交易者一般在內(nèi)幕信息公布之前進(jìn)行內(nèi)幕交易，而在臨近內(nèi)幕信息公布時減少內(nèi)幕交易，從而增加了內(nèi)幕交易的監(jiān)管難度。Wu[6]發(fā)現(xiàn)內(nèi)幕交易發(fā)生的概率與上市公司股東權(quán)利大小有關(guān)，股東權(quán)利越大，內(nèi)幕交易發(fā)生的概率越大，證券市場對內(nèi)幕交易的反應(yīng)也就越大。Beny[7]研究發(fā)現(xiàn)，內(nèi)幕交易法律法規(guī)越嚴(yán)格的國家，證券價格越能反映各種信息，越不容易被操縱。Fernandes和Ferreira[8]則認(rèn)為，不同的國家在實(shí)施內(nèi)幕交易監(jiān)管法規(guī)的前后，股票價格的信息含量會發(fā)生變化，代理成本越高的國家，對內(nèi)幕交易的監(jiān)管效果越差。

國內(nèi)學(xué)者汪貴浦[9]以換手率作為內(nèi)幕交易的識別指標(biāo)，利用Logistic識別模型，得到了超過70%的總體識別成功率。史永東和蔣賢鋒[10]以股票的收益率和換手率作為識別因子，得出了內(nèi)幕交易總體識別率為75%的結(jié)論。張宗新等[11]等以收益率、β值、流動性指標(biāo)等作為識別指標(biāo)，使用決策樹模型對內(nèi)幕交易進(jìn)行識別，識別效果較好。而李心丹等[12]則運(yùn)用行為金融學(xué)，建立了內(nèi)幕交易行為的動機(jī)結(jié)構(gòu)模塊(SEM)識別模型。張宗新[13]改進(jìn)了Logistic識別模型，并引入了神經(jīng)網(wǎng)絡(luò)模型，使得內(nèi)幕交易的識別效果得到一定的提高。黃素心[14]利用股票市場表現(xiàn)、市場微觀結(jié)構(gòu)、公司財務(wù)和公司治理方面的指標(biāo)，構(gòu)建了內(nèi)幕交易的識別模型。唐齊鳴和張云[15]從公司治理的角度對內(nèi)幕交易進(jìn)行了實(shí)證研究，認(rèn)為內(nèi)幕交易的根本原因是公司治理不善。貝政新和袁理[16]把市場指標(biāo)作為識別指標(biāo)，從利好與利空信息角度出發(fā)，得出了利好與利空條件下的內(nèi)幕交易識別準(zhǔn)確率。許永斌和陳佳[17]利用市場變量和公司治理變量，對Logistic和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的識別能力更加優(yōu)越。郭萬山和鐘彩艷[18]運(yùn)用事件研究法和神經(jīng)網(wǎng)絡(luò)模型法對內(nèi)幕交易問題進(jìn)行了實(shí)證研究，并對這兩種方法的識別效果進(jìn)行了比較。而宋力和李煥婷[19]從治理結(jié)構(gòu)、股票表現(xiàn)、財務(wù)狀況三方面選取了59個識別指標(biāo)，利用Logistic模型，發(fā)現(xiàn)超常累計收益率等7個指標(biāo)的識別效果比較理想。經(jīng)煜甚[20]研究發(fā)現(xiàn)，在《司法解釋》出臺之后，內(nèi)幕交易的監(jiān)管有效性大幅提高，對內(nèi)幕交易行為起到了一定的震懾作用。李香麗和孫紹榮[21]則認(rèn)為中國內(nèi)幕交易的監(jiān)管主要停留在定性分析階段，造成了監(jiān)管執(zhí)行難的問題。因此，應(yīng)加大定量分析力度，建立科學(xué)的監(jiān)管模型，確定監(jiān)管指標(biāo)，才能提高內(nèi)幕交易的監(jiān)管效率。

總體來說，國內(nèi)外學(xué)者對證券市場內(nèi)幕交易的相關(guān)問題進(jìn)行了廣泛的研究，尤其是對內(nèi)幕交易的影響及監(jiān)管方面研究比較全面和深入，而對內(nèi)幕交易識別方面的研究相對較少，在識別指標(biāo)的選取、識別模型的構(gòu)建方面還缺乏比較系統(tǒng)的研究，有效的內(nèi)幕交易識別系統(tǒng)還沒有建立起來。因而，本文將對我國證券市場內(nèi)幕交易的識別問題進(jìn)行研究。

二、內(nèi)幕交易識別的理論分析

由于內(nèi)幕交易違背了證券市場的“三公”原則，損害了廣大投資者的合法權(quán)益，是證券監(jiān)管機(jī)構(gòu)打擊的重點(diǎn)，使得內(nèi)幕交易者在進(jìn)行交易時總是想方設(shè)法隱藏自己的非法行為，以免被發(fā)現(xiàn)而受到處罰。然而，不管內(nèi)幕交易者如何掩蓋自己的行為，總會露出一些蛛絲馬跡，從某些指標(biāo)的異常變化中反映出來。因而，通過相關(guān)指標(biāo)的異常變化就可以對內(nèi)幕交易進(jìn)行識別。

一般來說，知情者在利用上市公司的內(nèi)幕信息進(jìn)行內(nèi)幕交易的過程中，往往會在內(nèi)幕信息正式公布之前一段時間內(nèi)買賣相關(guān)公司的證券，尤其是一些機(jī)構(gòu)者和大戶，由于資金流較大，買進(jìn)的證券較多，這樣就容易造成該公司證券成交量和價格的異常變化。而成交量的變化和價格的波動又會吸引一部分趨勢投資者的跟風(fēng)，使其采取相應(yīng)的投資行為，這樣就會加劇成交量和價格等相關(guān)指標(biāo)的異常波動。因而，通過研究上市公司內(nèi)幕信息正式公布之前相關(guān)指標(biāo)的異常變化情況，就可以對相關(guān)上市公司的內(nèi)幕交易進(jìn)行識別。相關(guān)的研究表明，選取恰當(dāng)?shù)淖R別指標(biāo)與識別模型，構(gòu)建有效的內(nèi)幕交易識別系統(tǒng)，大體上就可以判斷某家上市公司的證券是否出現(xiàn)了內(nèi)幕交易，進(jìn)而有針對性地采取相應(yīng)的防范措施。

同時，證券監(jiān)管機(jī)構(gòu)還可以利用云計算和大數(shù)據(jù)分析，對涉嫌內(nèi)幕交易的投資者進(jìn)行分析，對相關(guān)投資者的交易數(shù)據(jù)、資金流向等進(jìn)行數(shù)據(jù)挖掘和分析，一旦發(fā)現(xiàn)交易數(shù)據(jù)出現(xiàn)異常情況，就及時跟蹤可疑的證券交易賬戶，分析相關(guān)賬戶異常交易的原因，了解和調(diào)查該投資者的開戶信息、社會關(guān)系、關(guān)聯(lián)交易情況、銀行資金流動情況、最近的通話情況、QQ及微信的聊天記錄等。通過調(diào)查和分析，可以進(jìn)一步判斷該投資者是否參與了內(nèi)幕交易，這樣就可以對內(nèi)幕交易進(jìn)行識別，并盡早采取相應(yīng)措施加以預(yù)防和制止。

因此，選取恰當(dāng)?shù)淖R別指標(biāo)、識別技術(shù)和識別方法，就可以對證券市場的內(nèi)幕交易行為進(jìn)行識別。內(nèi)幕交易的識別流程如圖1所示。

圖1 內(nèi)幕交易的識別流程圖

三、基于支持向量機(jī)的識別模型

(一)支持向量機(jī)模型

支持向量機(jī)(Support Vector Machine，SVM)由Vapnik[22]在1995年首先提出的一種基于統(tǒng)計學(xué)習(xí)理論的VC維理論、結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的識別模型，是一種新的機(jī)器學(xué)習(xí)技術(shù)。它的優(yōu)勢主要體現(xiàn)在解決小樣本、非線性和高維模式的識別中。由于它具有較強(qiáng)的泛化能力、學(xué)習(xí)技能以及取得全局最優(yōu)解等多種優(yōu)點(diǎn)，開始被一些學(xué)者應(yīng)用于金融領(lǐng)域，比如信用評分和保險理賠預(yù)測等。Kumar 和 Ravi[23]研究表明，支持向量機(jī)的識別能力超過其他識別方法。目前，該模型還很少運(yùn)用到內(nèi)幕交易的識別中，本文把它運(yùn)用到我國證券市場內(nèi)幕交易的識別中。支持向量機(jī)識別模型的原理如下：

把樣本的數(shù)據(jù)集T={(x1,y1),…(xn,yn)}∈(X×Y)n作為支持向量機(jī)的訓(xùn)練樣本，其中，xi∈X=Rn，yi∈Y=±1，i=1, 2, …, n。根據(jù)支持向量機(jī)的原理，可以構(gòu)成最優(yōu)目標(biāo)函數(shù)式：

s.t.[(w·xi)+b]≥1-ξi

ξi≥0,i=1,2,…,n

(1)

式(1)中，w表示權(quán)重向量，‖w‖2/2表示最小的分類面，即最優(yōu)分類面。C表示懲罰因子，主要是為了控制對錯分樣本懲罰的程度。ξi表示松弛變量，一般在出現(xiàn)線性不可分時，才會增加這一變量。利用Lagrange優(yōu)化方法，就可以轉(zhuǎn)化成對偶問題，并引入核函數(shù)K(x,x′)，則式(1)可以轉(zhuǎn)化為：

0≤αi≤C,i=1,2,…,n

(2)

式(2)中，αi表示Lagrange乘子。 把核函數(shù)引入后，就可以把非線性分類問題轉(zhuǎn)化為高維空間線性分類問題。研究表明，Guass徑向基核函數(shù)的支持向量機(jī)速度最快，分類效果也最佳。鑒于此，本文采用Guass徑向基核函數(shù)，即：

(3)

(二)模型參數(shù)的確定

基于Guass徑向基核函數(shù)的支持向量機(jī)，需要確定模型的兩個參數(shù)，即懲罰因子C和核參數(shù)σ2。如果參數(shù)選擇不當(dāng)，可能會出現(xiàn)模型過度擬合或擬合不夠的情況，這樣就會影響到識別的效果。本文利用粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法來確定和優(yōu)化這兩個參數(shù)。粒子群優(yōu)化是由kennedy和Eberhart在1995年開發(fā)的一種全局優(yōu)化算法，來源于模擬一個簡化的社會模型。該算法根據(jù)每一個個體對環(huán)境的適應(yīng)程度，將它們逐步轉(zhuǎn)移到較好的區(qū)域，最終尋找最優(yōu)解。因而，用粒子群優(yōu)化來確定模型的參數(shù)，識別效果比較理想。

四、樣本及變量的選擇

(一)樣本的選取與數(shù)據(jù)來源

本文選取從2000年初至2015年底被中國證監(jiān)會或司法部門依據(jù)內(nèi)幕交易法律法規(guī)查處的上市公司，*由于證券市場的內(nèi)幕交易往往比較隱蔽，收集證據(jù)比較困難，查處內(nèi)幕交易是一個十分復(fù)雜的過程，往往會滯后一段時間，有時內(nèi)幕交易發(fā)生之后經(jīng)過幾年才被查處。在已經(jīng)查處的案件中，內(nèi)幕交易發(fā)生的時間段為2000—2014年。共有123家作為研究的黑色樣本。另外，我們還按照1∶1的比例配對選取了123家上市公司作為白色樣本。配對的白色樣本與黑色樣本盡量同在一個交易所、同屬一個行業(yè)、公司規(guī)模相當(dāng)。最終選取的樣本一共有246個，包括123個黑色樣本和123個白色樣本。為了驗(yàn)證識別模型準(zhǔn)確率的需要，本文把2000年初到2011年底的148個樣本作為模型的訓(xùn)練樣本，把2012年初到2014年底的98個樣本作為模型的測試樣本。

選取樣本的時間區(qū)間對研究內(nèi)幕交易的識別十分重要，如果把樣本的時間區(qū)間設(shè)置太長，可能會誤把其他因素也被納入到識別模型之中，容易引起識別結(jié)果的偏差；反之，如果把樣本的時間區(qū)間設(shè)置太短，可能會使內(nèi)幕交易效應(yīng)難以顯現(xiàn)出來，研究結(jié)論的真實(shí)性會受到質(zhì)疑。至于理想的時間區(qū)間應(yīng)該選多長，學(xué)術(shù)界并沒有統(tǒng)一的標(biāo)準(zhǔn)。本文借鑒張宗新等[11]的研究成果，上市公司重大信息正式公布之前的30個交易日，發(fā)生內(nèi)幕交易的可能性最大。因而，本文也選擇這一時間區(qū)間來進(jìn)行研究。在分析過程中，如果樣本在研究期間出現(xiàn)了股本變動，為了保持?jǐn)?shù)據(jù)的連續(xù)性，要對相關(guān)的證券價格進(jìn)行復(fù)權(quán)處理，全部采取向后復(fù)權(quán)后的數(shù)據(jù)。本文的數(shù)據(jù)來源于國泰安(CSMAR)數(shù)據(jù)庫，使用的軟件主要有SPSS 19.0和Matlab 7.1。

(二)變量的選取與確定

1.變量的選取

本文把內(nèi)幕交易發(fā)生的概率作為識別模型的因變量，把樣本的收益性指標(biāo)、波動性指標(biāo)、流動性指標(biāo)、市場相關(guān)性指標(biāo)和股權(quán)結(jié)構(gòu)性指標(biāo)作為識別模型的自變量。其中，收益性指標(biāo)由日均收益率和累積超額收益率構(gòu)成；波動性指標(biāo)由股價收益波動率和股價波動持久性構(gòu)成；流動性指標(biāo)由超額換手率和非流動比率構(gòu)成；市場相關(guān)性指標(biāo)由系統(tǒng)性風(fēng)險和股價信息含量構(gòu)成；股權(quán)結(jié)構(gòu)性指標(biāo)由股權(quán)集中度和股權(quán)制衡度構(gòu)成。研究變量的具體說明如表1所示。

2.識別因子的確定

并不是前面所有的指標(biāo)都適合用來作為識別模型的識別因子，一般選擇黑色樣本與白色樣本差異顯著的指標(biāo)更適合作為識別因子，識別效果更加理想。為了確定模型的識別因子，本文利用非參數(shù)的Mann-Whitney U檢驗(yàn)和Kolmogorov-Smirnov檢驗(yàn)，對兩類樣本的各個變量是否存在顯著差異進(jìn)行檢驗(yàn)，非參數(shù)檢驗(yàn)結(jié)果如表2所示。結(jié)果表明，兩類樣本的Return、CAR、Sum、ΔTurnover、INFO與Z在1%或5%的置信水平下都存在顯著的差異。而Volatility、Illiquidity、Beta及Herf指標(biāo)的差異都不顯著。在識別模型中，我們只納入兩類樣本差異顯著的指標(biāo)，剔除兩類樣本差異不顯著的指標(biāo)。

雖然兩類樣本的Return和CAR都在1%或5%的置信水平下存在顯著差異，但由于這兩個變量都屬于收益性指標(biāo)，相關(guān)性比較高，相對來說，CAR的差異更顯著，為了避免出現(xiàn)多重共線性的問題，我們在模型中把Return排除。因而，本文最終確定的識別因子為CAR、Sum、ΔTurnover、INFO和Z。

表1 研究變量說明

表2 兩類樣本各變量的非參數(shù)檢驗(yàn)

注：為了對比兩類樣本各變量的差異是否顯著，Z值(1)為運(yùn)用非參數(shù)的Mann-Whitney U檢驗(yàn)的Z值，Z值(2)為Kolmogorov-Smirnov檢驗(yàn)的Z值。***和**表示在1%和5%的顯著性水平下顯著。

五、實(shí)證結(jié)果與分析

(一)描述性統(tǒng)計

我們對黑色樣本與白色樣本在重大信息公布之前30個交易日的識別因子進(jìn)行描述性統(tǒng)計，表3顯示了CAR、Sum、ΔTurnover、INFO及Z的描述性統(tǒng)計結(jié)果。

表3 兩類樣本識別因子的描述性統(tǒng)計

(二) 實(shí)證結(jié)果分析

利用Matlab7.1軟件，把因變量及識別因子輸入到基于支持向量機(jī)的識別模型中，模型的參數(shù)由粒子群優(yōu)化算法來進(jìn)行確定。在進(jìn)行模型識別時，先要確定懲罰因子C的范圍與步長，本文確定的C的范圍是2-10—210之間，步長是0.1000。模型識別結(jié)果表明，當(dāng)該模型的參數(shù)C為4.5800，σ2為3.0500時，該模型的識別效果達(dá)到最佳，總體識別準(zhǔn)確率達(dá)到了86.18%，而國內(nèi)外同類研究的總體識別準(zhǔn)確率一般在80%左右，因而，模型的總體識別效果比較理想。訓(xùn)練樣本的識別準(zhǔn)確率為85.81%，說明模型對訓(xùn)練樣本的擬合程度較高；測試樣本的識別準(zhǔn)確率達(dá)到86.73%，說明該模型對內(nèi)幕交易識別的效果較好。從黑色樣本與白色樣本的識別準(zhǔn)確率來看，該模型對黑色樣本與白色樣本的總體識別準(zhǔn)確率分別為85.37%和86.99%，具體如表4所示。可見，上市公司重大信息公布之前30個交易日的累積超額收益率、股價波動持久性、超額換手率、股價信息含量和股權(quán)制衡度是有效識別內(nèi)幕交易的重要指標(biāo)?；谥С窒蛄繖C(jī)的識別模型具有較高的分類精度和較好的泛化性能，適合作為我國證券市場內(nèi)幕交易的識別模型。

表4 支持向量機(jī)模型的識別結(jié)果

對于有些涉嫌內(nèi)幕交易的上市公司沒有被識別出來，原因可能在于大盤處于弱勢，內(nèi)幕交易者買賣相關(guān)公司證券的數(shù)量較少，沒有引起普通投資者的跟風(fēng)，導(dǎo)致相關(guān)證券價格漲跌幅度不大，交易量變化不明顯，波動幅度較小。因而，利用相關(guān)的指標(biāo)難以識別，需要通過其他識別方式進(jìn)行彌補(bǔ)，如通過云計算和大數(shù)據(jù)分析對證券交易賬戶在信息敏感期的異常交易數(shù)據(jù)進(jìn)行識別等。

而一些上市公司被誤判為內(nèi)幕交易，原因可能在于這些上市公司的證券受其他因素的影響，如各種市場傳聞或被人為操縱等，這些證券表現(xiàn)比較活躍，走勢相對獨(dú)立，證券價格漲跌幅度較大，交易量變化比較明顯，波動性增加，這樣就容易被模型誤判為內(nèi)幕交易。因此，對于模型識別出來涉嫌內(nèi)幕交易的上市公司，還不能直接定性為內(nèi)幕交易，還需要通過其他方式進(jìn)一步確認(rèn)。

六、研究結(jié)論

本文選取了2000年初到2015年底被中國證監(jiān)會或司法機(jī)關(guān)查處的內(nèi)幕交易案例作為研究的黑色樣本，并按照1∶1的比例配對選取了白色樣本。利用支持向量機(jī)識別模型，把上市公司重大信息公布之前30個交易日的累積超額收益率、股價波動持久性、超額換手率、股價信息含量和股權(quán)制衡度5個指標(biāo)作為識別因子，對我國證券市場的內(nèi)幕交易進(jìn)行識別。研究表明，該模型的總體識別準(zhǔn)確率達(dá)到了86.18%，其中，訓(xùn)練樣本的識別準(zhǔn)確率為85.81%，測試樣本的識別準(zhǔn)確率為86.73%，識別準(zhǔn)確率高于同類研究水平，說明該模型的識別效果比較理想?？梢?，用這5個指標(biāo)來識別我國證券市場的內(nèi)幕交易是十分有效的。因此，中國證監(jiān)會在防范內(nèi)幕交易時要有所側(cè)重，可以對這5個指標(biāo)進(jìn)行重點(diǎn)監(jiān)控，并利用這些指標(biāo)，建立內(nèi)幕交易的識別系統(tǒng)，利用大數(shù)據(jù)進(jìn)行實(shí)施監(jiān)測，提高監(jiān)管精度和監(jiān)管效率，盡量減少內(nèi)幕交易的發(fā)生，以保護(hù)中小投資者的合法權(quán)益，促進(jìn)我國證券市場的健康發(fā)展。

[1] Jaffe, J.F.Special Information and Insider Trading[J].Journal of Business, 1974,47(3):410-428.

[2] Kyle，A.S.Continuous Auctions and Insider Trading[J].Econometrica,1985,53(6)：1316-1335.

[3] Leland, H.E.Insider Trading: Should It Be Prohibited[J].Journal of Political Economy, 1992,100(4)：859-887.

[4] Scott，L.S., John,T.S.Fraudulently Misstated Financial Statements and Insider Trading: An Empirical Analysis[J].The Accounting Review, 1998,73(1):131-146.

[5] Huddart, B.K.,Petronib, S.What Insiders Know about Future Earnings and How They Use It: Evidence From Insider Trades[J].Journal of Accountancy, 2003：35(3):315-346.

[6] Wu,J.Corporate Governance and Insider Trading[R].Duke University Working Paper, 2004.

[7] Beny, L.A Comparative Empirical Investigation of Agency and Market Theories of Insider Trading[R].University of Michigan Working Paper, 2004.

[8] Fernandes, N., Ferreira, M.Insider Trading Laws and Stock Price Informativeness[J].Review of Financial Studies , 2009，22(5): 1845-1887.

[9] 汪貴浦.中國證券市場內(nèi)幕交易的信息含量研究[D].西安：西安交通大學(xué)博士學(xué)位論文，2002.

[10] 史永東，蔣賢鋒.內(nèi)幕交易、股價波動和信息不對稱[J].世界經(jīng)濟(jì)，2004，(12) ：55-65.

[11] 張宗新，潘志堅，季雷.內(nèi)幕交易的股價沖擊效應(yīng)：理論與中國股市證據(jù)[J].金融研究，2005，(4)：144-154.

[12] 李心丹，施東暉，傅浩，等.內(nèi)幕交易與市場操縱的行為動機(jī)與判別監(jiān)管研究[N].中國證券報，2007-08-17.

[13] 張宗新.內(nèi)幕交易行為預(yù)測：理論模型與實(shí)證分析[J].管理世界，2008，(4)：24-35.

[14] 黃素心.中國證券市場內(nèi)幕交易的實(shí)時監(jiān)控、行為甄別與最優(yōu)監(jiān)管[D].武漢：華中科技大學(xué)博士學(xué)位論文，2008.

[15] 唐齊鳴，張云.基于公司治理視角的中國股票市場非法內(nèi)幕交易研究[J].金融研究，2009，(6)：95-100.

[16] 貝政新，袁理.中國股票市場內(nèi)幕交易行為甄別監(jiān)控機(jī)制研究[J].上海商學(xué)院學(xué)報，2009,(5)：79-84.

[17] 許永斌，陳佳.基于數(shù)據(jù)挖掘思想下的中國證券市場內(nèi)幕交易判別研究[J].經(jīng)濟(jì)學(xué)家，2009，(1)：77-84.

[18] 郭萬山，鐘彩艷.我國股市內(nèi)幕交易行為的識別方法與實(shí)證檢驗(yàn)[D].沈陽：遼寧大學(xué)碩士學(xué)位論文，2012.

[19] 宋力，李煥婷.證券市場內(nèi)幕交易行為識別研究[J].商業(yè)經(jīng)濟(jì)，2012，(3)：96-97.

[20] 經(jīng)煜甚.我國證券市場內(nèi)幕交易監(jiān)管有效性及市場反應(yīng)研究[D].上海：上海交通大學(xué)碩士學(xué)位論文，2014.

[21] 李香麗，孫紹榮.中國上市公司控制權(quán)市場內(nèi)幕交易的ARIMA監(jiān)管模型的實(shí)證研究[J].西安財經(jīng)學(xué)院學(xué)報，2015，(5)：35-39.

[22] Vapnik, V.N.The Nature of Statistical Learning Theory[M].New York: Springer，1995.

[23] Kumar, P.R., Ravi, V.Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques: A Review[J].Expert Systems with Applications, 2007,180(1) :1-28.

(責(zé)任編輯：楊全山)

2016-08-02

國家社會科學(xué)基金項(xiàng)目“我國證券市場內(nèi)幕信息操縱的形成與預(yù)警研究”(13BJY174)；重慶市社會科學(xué)規(guī)劃項(xiàng)目“中國股市內(nèi)幕交易的形成機(jī)理與識別機(jī)制研究”(2012YBJJ028)

沈 冰(1969-)，男，四川簡陽人，博士，副教授，碩士生導(dǎo)師，主要從事金融市場與證券投資研究。E-mail：shenbing@swu.edu.cn

趙小康(1991-)，男，重慶人，碩士研究生，主要從事金融市場研究。E-mail：15923531264@163.com

F830.91

A

1000-176X(2016)10-0059-07