王 凡

（山東大學(xué)商學(xué)院，山東 威海 264209）

一、引言

隨著計(jì)算機(jī)的普及，全球證券市場(chǎng)的交易方式發(fā)生了根本性變化，各國(guó)證券市場(chǎng)的大部分交易都實(shí)現(xiàn)電子化。利用計(jì)算機(jī)和算法執(zhí)行交易決策的方式被稱為算法交易。算法交易已經(jīng)成為股票交易的主流模式，在歐美地區(qū)，大部分交易都是通過算法程序完成的。公開數(shù)據(jù)顯示，2018年算法交易占美國(guó)股票交易的60%-73%①資料來源：Global Algorithmic Trading Market to Surpass US$ 21,685.53 Million by 2026[EB/OL]. Businesswire, 2019-02-15.，全球算法交易市場(chǎng)規(guī)模預(yù)計(jì)將從2019年的111億美元增長(zhǎng)到2024年的188億美元②資料來源：Algorithmic Trading: HPC & AI Reference [EB/OL]. Delltechnologies, 2021-10-27.。算法活動(dòng)在便利交易的同時(shí)，也容易造成證券市場(chǎng)出現(xiàn)較大震蕩。2010年美國(guó)股票市場(chǎng)“閃電崩盤”事件發(fā)生，學(xué)術(shù)界與監(jiān)管機(jī)構(gòu)等對(duì)算法交易的看法開始產(chǎn)生分歧。一方面，算法可以自行制定合理的訂單提交策略，確定每一時(shí)期提交訂單數(shù)量、金額與方向，最大限度減少大型訂單對(duì)市場(chǎng)的沖擊，減少交易執(zhí)行成本。例如，算法交易可以通過跟蹤成交量加權(quán)平均價(jià)格（VMAP）等指標(biāo)，減少執(zhí)行成本，在市場(chǎng)動(dòng)蕩時(shí)期等待最佳交易時(shí)機(jī)的到來，有效抑制價(jià)格波動(dòng)。但是另一方面，算法交易的自動(dòng)快速執(zhí)行可能會(huì)助長(zhǎng)暴漲暴跌，不利于證券市場(chǎng)的平穩(wěn)健康發(fā)展。2013年“光大烏龍指”事件的爆發(fā)，引起市場(chǎng)對(duì)交易結(jié)構(gòu)問題與監(jiān)管制度漏洞的警惕。2015年，上海公安機(jī)關(guān)偵破一起涉嫌操縱期貨市場(chǎng)的案件，伊世頓公司利用算法交易，2年內(nèi)非法獲利20億元。

相較于西方國(guó)家，我國(guó)證券交易市場(chǎng)建立時(shí)間晚，依靠人工撮合進(jìn)行證券交易的歷史短，借助技術(shù)發(fā)展優(yōu)勢(shì)與海外經(jīng)驗(yàn)，電子化交易系統(tǒng)自證券市場(chǎng)建立初期就已然配備。隨后，算法交易技術(shù)引進(jìn)國(guó)內(nèi)，融資融券制度和股指期貨的推出為算法交易投資提供了更多樣化選擇，促使這一技術(shù)趨勢(shì)進(jìn)一步加強(qiáng)，在最大化收益與降低風(fēng)險(xiǎn)的利益驅(qū)動(dòng)下，算法交易被廣泛使用。有報(bào)告顯示，中國(guó)的量化基金規(guī)模不斷增加，2020年備案量化/對(duì)沖策略的基金占當(dāng)年私募證券投資基金數(shù)量的30.96%，算法交易在股市總交易量中的占比約為20%-30%③資料來源：中國(guó)證券投資基金業(yè)年報(bào)2020[R].中國(guó)證券投資基金業(yè)協(xié)會(huì), 2020。。

近年來，交易系統(tǒng)的完善和風(fēng)險(xiǎn)防范機(jī)制的健全使證券市場(chǎng)惡性事件發(fā)生頻率變低，且因大多數(shù)算法交易對(duì)市場(chǎng)的影響不易被察覺、媒體報(bào)道減少和技術(shù)新鮮感褪去，這一問題不再被投資者廣泛關(guān)注。當(dāng)前我國(guó)對(duì)算法交易的學(xué)術(shù)研究存在不足，算法交易和程序化交易的定義范圍不明確，缺乏合適的度量技術(shù)工具，阻礙算法交易本身及對(duì)其與當(dāng)前我國(guó)金融市場(chǎng)發(fā)展之間關(guān)系的分析和理解。鑒于我國(guó)證券市場(chǎng)基本制度尚處于不斷完善建設(shè)中，機(jī)構(gòu)投資者與個(gè)體投資者的知識(shí)水平距離西方國(guó)家仍存差距，股市定價(jià)機(jī)制運(yùn)轉(zhuǎn)不夠完全順暢，算法交易所具有的變革性力量如何影響我國(guó)股票市場(chǎng)的效率有待進(jìn)一步考察。誠(chéng)然，算法交易與人工交易相比有很多優(yōu)勢(shì)，算法交易的邏輯準(zhǔn)確性和決策執(zhí)行速度，都能有效降低人類非理性行為所造成的股價(jià)波動(dòng)，提高定價(jià)準(zhǔn)確度。但是，算法交易也容易利用速度優(yōu)勢(shì)，不以成交為目的頻繁申報(bào)撤單，破壞證券市場(chǎng)秩序，給市場(chǎng)交易效率帶來新的挑戰(zhàn)。因此，厘清算法交易與我國(guó)股票市場(chǎng)關(guān)系，在技術(shù)變革的同時(shí)防范風(fēng)險(xiǎn)，對(duì)我國(guó)股票市場(chǎng)的健康發(fā)展至關(guān)重要。算法交易究竟是克服人類弱點(diǎn)的“理性交易者”或“價(jià)值發(fā)現(xiàn)者”，還是利用人類弱點(diǎn)擾動(dòng)市場(chǎng)的“投機(jī)者”或“趨勢(shì)跟蹤者”？本文將算法交易的定價(jià)效率問題引入我國(guó)股票市場(chǎng)研究視野，利用實(shí)證數(shù)據(jù)探究算法交易如何影響股票定價(jià)效率。

本文可能的貢獻(xiàn)主要體現(xiàn)在以下幾個(gè)方面：第一，本文根據(jù)我國(guó)交易制度和算法交易執(zhí)行特點(diǎn)，構(gòu)建了小單成交量占比和掛單成交占比等代理變量捕捉算法交易活動(dòng)，為學(xué)者與監(jiān)管層等識(shí)別市場(chǎng)中的算法交易提供借鑒。第二，在國(guó)外算法交易的影響分析中，學(xué)者們往往局限于單一指標(biāo)分析，不能有效衡量交易方式改變所產(chǎn)生的內(nèi)在傳導(dǎo)機(jī)制。事實(shí)上，定價(jià)效率的改變往往受到證券市場(chǎng)中其他渠道影響。本文結(jié)合我國(guó)實(shí)際背景，通過將股市的波動(dòng)性、投資者異質(zhì)信念等納入到算法交易的影響機(jī)制分析中，更全面地對(duì)算法交易影響機(jī)制進(jìn)行實(shí)證檢驗(yàn)。第三，算法交易往往同時(shí)在多個(gè)交易場(chǎng)所進(jìn)行，每個(gè)交易所都有不同的市場(chǎng)準(zhǔn)入條件和微觀結(jié)構(gòu)，僅對(duì)單一交易所分析存有局限性。本文利用深圳證券交易所和上海證券交易所的數(shù)據(jù)，能夠較為有效地衡量算法交易對(duì)我國(guó)股票市場(chǎng)的影響。

二、文獻(xiàn)綜述

（一）算法交易的識(shí)別

由于識(shí)別算法交易比較困難，大多數(shù)研究者利用算法交易的特點(diǎn)尋找算法交易的代理變量。早期學(xué)者利用出售算法產(chǎn)品的經(jīng)紀(jì)人數(shù)據(jù)作為算法交易的代理變量（Hendershott等，2013），但是這種衡量方法并沒有從算法交易的本質(zhì)特點(diǎn)出發(fā)且數(shù)據(jù)頻次和樣本量均不充足。Bertsimas等（1998）證明了在存在臨時(shí)價(jià)格影響和交易完成期限的情況下，最佳動(dòng)態(tài)執(zhí)行策略是將訂單進(jìn)行切分。技術(shù)進(jìn)步將這一模型由理論變?yōu)楝F(xiàn)實(shí)，陳夢(mèng)根（2013）認(rèn)為，算法交易對(duì)資本市場(chǎng)的影響主要體現(xiàn)在算法交易通過大單分割減少了對(duì)市場(chǎng)產(chǎn)生的沖擊，可以有效降低交易成本。夏中寶（2017）也認(rèn)為，算法交易的起源是為了有效降低大單交易的市場(chǎng)沖擊成本，對(duì)交易量較大的母單按照特定的交易策略和邏輯由計(jì)算機(jī)程序進(jìn)行自動(dòng)拆分，對(duì)拆分后較小子單進(jìn)行定時(shí)定量自動(dòng)報(bào)單交易，從而使整個(gè)交易獲得更優(yōu)的成交價(jià)格。

在實(shí)證研究方面，Hendershott等（2011）利用紐約證券交易所的電子信息流量捕捉算法交易，這些信息流量包括了電子訂單提交量、撤單和交易記錄等，用每100美元交易量所包含的電子信息量來衡量算法交易，此衡量標(biāo)準(zhǔn)與算法交易拆分大額訂單的邏輯相一致。Boehmer等（2021）使用Hendershott等（2011）的方法研究了2001-2011年算法交易對(duì)全球42個(gè)股票市場(chǎng)的影響。“母單拆分”的特點(diǎn)使得研究者能夠從多個(gè)維度來衡量算法交易。Weller（2018）利用美國(guó)證監(jiān)會(huì)的“市場(chǎng)信息數(shù)據(jù)分析系統(tǒng)”MIDAS構(gòu)建了碎股交易量占比、撤單率、訂單成交比率、每單交易量四個(gè)指標(biāo)作為算法交易的代理變量，前兩個(gè)變量與算法交易活動(dòng)正向相關(guān)，后兩個(gè)則反向相關(guān)。因部分證券交易所實(shí)現(xiàn)了從源頭上對(duì)交易主體進(jìn)行識(shí)別，Hendershott等（2013）根據(jù)德國(guó)證券交易所的自動(dòng)交易程序（ATP）信息來識(shí)別算法交易，這是最早試圖直接識(shí)別算法交易的研究之一。此后，Dubey等（2021）利用印度證券市場(chǎng)對(duì)算法交易訂單的獨(dú)特標(biāo)識(shí)，提高了算法交易識(shí)別準(zhǔn)確度。在日本證券市場(chǎng)，Saito等（2018）利用高頻數(shù)據(jù)中發(fā)出訂單服務(wù)器的ID來定位使用算法交易的投資者，結(jié)合該ID的訂單數(shù)據(jù)來捕捉算法交易動(dòng)態(tài)活動(dòng)。

（二）股票市場(chǎng)定價(jià)效率

在股票價(jià)格反映信息方面，基于方差比檢驗(yàn)隨機(jī)游走假設(shè)的方法曾經(jīng)被廣泛使用（Lo等，1988；Poterba等，1988；Charles等，2009）。Granger等（1963）在研究股票量?jī)r(jià)關(guān)系時(shí)首次提出了“股票價(jià)格自相關(guān)系數(shù)”，隨后許多學(xué)者利用股價(jià)自相關(guān)系數(shù)衡量當(dāng)前股價(jià)與歷史股價(jià)的關(guān)系（Chan，1993；Chen等，2002；吳崇林等，2021）?？蓻Q系數(shù)比率被用來衡量個(gè)股回報(bào)率被市場(chǎng)整體回報(bào)率所解釋的程度。Durnev等（2003）在Collins等（1994）和Roll（1988）的基礎(chǔ)上，將可決系數(shù)的差值作為信息量的衡量標(biāo)準(zhǔn)，來反映當(dāng)前股票價(jià)格預(yù)測(cè)未來收益的程度。Easley等（1987）指出，交易規(guī)模會(huì)借助改變?nèi)藗儗?duì)相關(guān)資產(chǎn)價(jià)值的看法進(jìn)而影響證券價(jià)格，這也為我們對(duì)算法交易影響股票定價(jià)提供了理論前提。但Collin-Dufresne等（2015）證明了在衡量此影響時(shí)，反映知情交易的措施并不能完全代表知情交易行為。當(dāng)前測(cè)度算法交易影響股票定價(jià)效率的過程中，算法交易者如果僅是依據(jù)價(jià)格與成交量等公開信息進(jìn)行交易，盡管能促進(jìn)價(jià)格對(duì)信息的獲取，但此類交易并非完全是知情交易，上述模型所衡量的真實(shí)信息量也可能是較低的。Morse（1981）和Meulbroek（1992）探究了股價(jià)在信息公告前后的反映機(jī)制，其使用價(jià)格跳躍比率來衡量盈利公告前的價(jià)格變化。Meulbroek（1992）在論證內(nèi)幕交易是否影響股票價(jià)格時(shí)，使用累計(jì)異常收益來判斷內(nèi)幕交易收益是否顯著，這些衡量標(biāo)準(zhǔn)都較為有效地避開了信息納入價(jià)格方式的干擾。Weller（2018）則認(rèn)為，累計(jì)異常收益雖然衡量了在公司公告之前提前納入價(jià)格的信息量，但缺乏對(duì)未納入價(jià)格信息水平的衡量；其將累計(jì)異常收益進(jìn)行標(biāo)準(zhǔn)化，以公告后價(jià)格變動(dòng)與公告前包含公告的價(jià)格變動(dòng)比率衡量信息納入。

現(xiàn)有涉及資產(chǎn)定價(jià)效率的文獻(xiàn)主要集中在以下領(lǐng)域：在政策方面，學(xué)者們研究了融資融券（許紅偉和陳欣，2012）、賣空機(jī)制（李志生等，2015）、發(fā)行機(jī)制（周孝華等，2006）、資本市場(chǎng)雙向開放（彭紅楓和萬(wàn)洋，2022）等對(duì)定價(jià)效率的影響；此外，還有相關(guān)研究者衡量新聞媒體報(bào)道（黃俊和郭照蕊，2014； 熊艷等，2014）、機(jī)構(gòu)投資者（李志輝等，2021）、知情交易（陳國(guó)進(jìn)等，2019）以及投資者情緒（Luo等，2021）等因素對(duì)股票定價(jià)的作用機(jī)制。上述學(xué)者在當(dāng)時(shí)的背景下有效評(píng)判了市場(chǎng)新興現(xiàn)象對(duì)證券定價(jià)效率的影響。然而遺憾的是，算法交易作為當(dāng)前較為常見的交易方式，鮮有研究者從算法交易的視角分析其對(duì)我國(guó)股票市場(chǎng)定價(jià)效率的影響。

（三）算法交易與股票市場(chǎng)定價(jià)效率

以往文獻(xiàn)表明，算法交易對(duì)證券市場(chǎng)能產(chǎn)生很大影響。Brogaard等（2014）探究了高頻交易商在價(jià)格發(fā)現(xiàn)和價(jià)格效率方面的作用，發(fā)現(xiàn)無(wú)論是在市場(chǎng)波動(dòng)平緩時(shí)期還是在波動(dòng)劇烈時(shí)期，高頻交易商都能在永久性價(jià)格變化方向或過渡性定價(jià)錯(cuò)誤的相反方向進(jìn)行交易，從而提高價(jià)格效率。此外，算法交易的預(yù)測(cè)與信息納入并非將其信息公開化，算法交易本身很可能只是一種趨勢(shì)捕捉和行為識(shí)別模仿。Grossman等（1980）認(rèn)為信息是存在成本的，算法交易前期建設(shè)成本高，但投入使用后邊際成本較低，較低的交易成本會(huì)鼓勵(lì)信息的收集和納入。Hendershott等（2011）認(rèn)為收回建設(shè)成本的需求導(dǎo)致交易商在回報(bào)率較高的證券中投入算法交易，這也解釋了為何算法交易顯著減少了較大市值股票的價(jià)差和逆向選擇程度。Foucault等（2016）對(duì)知情投機(jī)者在消息公布前進(jìn)行交易（“快”）和公布后交易（“慢”）的最佳交易策略進(jìn)行比較后發(fā)現(xiàn)，雖然投機(jī)者交易與消息公布前后的短期價(jià)格變動(dòng)密切相關(guān)，但投機(jī)者也會(huì)根據(jù)其對(duì)資產(chǎn)長(zhǎng)期價(jià)值的估計(jì)進(jìn)行交易，從而為價(jià)格發(fā)現(xiàn)做出貢獻(xiàn)。Weller（2018）從動(dòng)態(tài)角度衡量信息價(jià)格效率，將價(jià)格信息含量作為評(píng)估要素，利用美國(guó)證券市場(chǎng)的季度面板市場(chǎng)數(shù)據(jù)研究后發(fā)現(xiàn)，盡管算法交易對(duì)于信息轉(zhuǎn)化進(jìn)價(jià)格非常重要，但同時(shí)也可能阻礙信息獲取并降低可獲得信息的價(jià)格效率。劉鵬（2019）指出，程序化交易促使資本市場(chǎng)聯(lián)動(dòng)、協(xié)同定價(jià)現(xiàn)象的產(chǎn)生，在社交平臺(tái)、信息技術(shù)公司的影響下，程序化交易的耦合效應(yīng)使得資本市場(chǎng)波動(dòng)性加劇、風(fēng)險(xiǎn)傳染性更強(qiáng)。Boehmer等（2021）從全球股票市場(chǎng)角度探究算法交易對(duì)市場(chǎng)質(zhì)量的影響時(shí)，將流動(dòng)性和波動(dòng)性納入衡量的視角，結(jié)合信息效率綜合評(píng)判對(duì)整個(gè)市場(chǎng)的影響，發(fā)現(xiàn)算法交易會(huì)產(chǎn)生較窄的有效價(jià)差，提高市場(chǎng)流動(dòng)性；同時(shí)，日內(nèi)回報(bào)的自相關(guān)絕對(duì)值也相對(duì)較小，提高了信息性。Chakrabarty等（2022）探究了算法交易在新冠疫情期間對(duì)美國(guó)股市流動(dòng)性的作用，發(fā)現(xiàn)算法交易并沒有降低市場(chǎng)流動(dòng)性，也沒有降低股市定價(jià)效率。從以上文獻(xiàn)可以看出，雖然衡量算法交易對(duì)市場(chǎng)影響并不存在技術(shù)復(fù)雜性，但其中的影響機(jī)制較為多元，其中特定市場(chǎng)結(jié)構(gòu)與特性傳導(dǎo)渠道的探究成為研究的重點(diǎn)趨勢(shì)。

三、理論分析與研究假設(shè)

以往文獻(xiàn)基于算法交易效應(yīng)分析，大多認(rèn)為算法交易能夠加快股票對(duì)信息的納入，交易方向與錯(cuò)誤定價(jià)方向相反，對(duì)股票定價(jià)效率具有正向促進(jìn)作用，但是多數(shù)文獻(xiàn)缺乏對(duì)我國(guó)市場(chǎng)定價(jià)效率特定影響的探討。尤其是由于我國(guó)“T+1”交易制度對(duì)高頻交易的限制，A股市場(chǎng)尚無(wú)做市商制度和指令驅(qū)動(dòng)交易制度，散戶投資者比例較大，市場(chǎng)羊群效應(yīng)較為顯著，算法交易的技術(shù)優(yōu)勢(shì)與理性特點(diǎn)可能會(huì)發(fā)揮更強(qiáng)的效力。具體來看，算法交易能夠分割大單委托指令，運(yùn)用算法構(gòu)建組合選擇并制定交易策略（Nuti等，2011）；超越人類對(duì)信息價(jià)格的反應(yīng)速度，更快地將市場(chǎng)信息納入價(jià)格，增強(qiáng)市場(chǎng)短周期內(nèi)的價(jià)格反映，有力提高盈利公告時(shí)的定價(jià)效率（Chakrabarty等，2015），降低市場(chǎng)整體買賣差價(jià)（Jovanovic等，2016）。此外，算法交易還能在股指期貨方面發(fā)揮定價(jià)糾正作用，加強(qiáng)期貨市場(chǎng)與股票市場(chǎng)之間的聯(lián)系，減少市場(chǎng)延遲，提高股票市場(chǎng)定價(jià)效率（Zhang，2018）?；诖耍疚奶岢鲆韵卵芯考僭O(shè)：

H1:算法交易能顯著提高我國(guó)股票市場(chǎng)定價(jià)效率。

算法交易可以跟蹤成交量加權(quán)平均價(jià)格（VWAP）指標(biāo)，以減少執(zhí)行成本。這一點(diǎn)表明算法交易在市場(chǎng)價(jià)格動(dòng)蕩時(shí)期可能會(huì)等待最佳價(jià)格才得以執(zhí)行（Hendershott等，2011）。Hendershott等（2013）、Jarnecic等（2014）研究表明，算法交易能在市場(chǎng)劇烈波動(dòng)時(shí)提供持續(xù)流動(dòng)性，增加市場(chǎng)價(jià)格彈性，有效抑制價(jià)格波動(dòng)，算法交易的撤單行為也并未在高波動(dòng)時(shí)期變得更加頻繁（Groth，2011）。從算法交易執(zhí)行速度上來看，Gsell（2008）發(fā)現(xiàn)算法交易的低延遲會(huì)降低市場(chǎng)波動(dòng)。以算法交易為代表的技術(shù)進(jìn)步可以有效地減少摩擦對(duì)交易和資產(chǎn)價(jià)格動(dòng)態(tài)變動(dòng)的影響（Duffie，2010），有效縮短搜索時(shí)間，同時(shí)通過將大訂單分成小訂單來減少市場(chǎng)影響（Bertsimas等，1998），穩(wěn)定市場(chǎng)波動(dòng)性。Groth（2011）從算法交易策略同質(zhì)化角度反證，算法策略和人類策略同樣多樣化，算法交易者作為一個(gè)整體不存在羊群效應(yīng)，也不會(huì)據(jù)此增加波動(dòng)性。目前針對(duì)高頻交易與公告前后價(jià)格變化的研究（Boehmer等，2021；Scholtus等，2014）大多都注重評(píng)判以秒為單位的波動(dòng)性。由于我國(guó)并無(wú)短期持倉(cāng)并頻繁交易的市場(chǎng)條件，這方面的影響力較弱，且這也并非是我國(guó)投資者們關(guān)注的重點(diǎn)，因此本文的分析更傾向于中長(zhǎng)期影響?；诖耍疚奶岢鲆韵卵芯考僭O(shè)：

H2：算法交易能夠降低我國(guó)股票市場(chǎng)波動(dòng)性，進(jìn)而提高股票市場(chǎng)定價(jià)效率。

算法交易通過計(jì)算機(jī)系統(tǒng)執(zhí)行交易，可以很大程度上避免人類交易所產(chǎn)生的非理性行為。行為金融學(xué)認(rèn)為，過度自信等心理偏差會(huì)帶來高估或低估股價(jià)等問題。信息經(jīng)濟(jì)學(xué)認(rèn)為對(duì)于均衡價(jià)格的信念不同是交易發(fā)生原因之一，在資產(chǎn)定價(jià)過程中的人類投資者即使擁有相同信息，也會(huì)形成對(duì)股票價(jià)格的不同預(yù)期，即異質(zhì)信念（Grossman等，1980）。Miller（1977）證明了在賣空約束機(jī)制下，投資者異質(zhì)信念是影響資產(chǎn)價(jià)格的重要因素，異質(zhì)信念越強(qiáng)烈，股票價(jià)格偏離均衡水平的程度也相應(yīng)越高，隨后這一理論被大量學(xué)者所證明（Harrison等，1978；Smith等，1988；張維和張永杰，2006）。我國(guó)股票市場(chǎng)建立時(shí)間較晚，散戶投資者占比較高，心理偏差所帶動(dòng)的投機(jī)氛圍較為強(qiáng)烈。我國(guó)雖然在2010年出臺(tái)了融資融券制度，但機(jī)制設(shè)計(jì)上仍然不利于賣空，異質(zhì)信念的股價(jià)效應(yīng)仍然具有理論與現(xiàn)實(shí)意義（包鋒和徐建國(guó)，2015）。相對(duì)理性的交易方式能夠?qū)蓛r(jià)均衡產(chǎn)生影響。算法交易雖在某種程度上可以看作是人類意識(shí)的延伸，但是其在具體執(zhí)行方面并不具備人類思維，可以看作是較為理性的投資者。因此，算法交易的發(fā)展在我國(guó)可能對(duì)投資者異質(zhì)信念產(chǎn)生更大程度的影響，進(jìn)而影響股票價(jià)格均衡?；诖耍疚奶岢鲆韵卵芯考僭O(shè)：

H2b：算法交易能夠減緩我國(guó)股票市場(chǎng)異質(zhì)信念程度，從而增強(qiáng)股票市場(chǎng)定價(jià)效率。

四、研究設(shè)計(jì)

（一）數(shù)據(jù)來源與樣本選取

本文數(shù)據(jù)來自于CSMAR國(guó)泰安數(shù)據(jù)庫(kù)與RESSET銳思數(shù)據(jù)庫(kù)中上海證券交易所與深圳證券交易所A股市場(chǎng)2016—2021年的股票日度數(shù)據(jù)。對(duì)所搜集的數(shù)據(jù)進(jìn)行了相應(yīng)處理：去掉樣本區(qū)間內(nèi)被特殊處理和首次上市的股票，剔除金融行業(yè)類股票，刪除關(guān)鍵變量缺失的樣本，同時(shí)對(duì)所有的變量進(jìn)行了上下1%水平的Winsorize縮尾處理以避免極端值影響。最終得到了1923支股票共計(jì)415.54萬(wàn)個(gè)日度觀測(cè)樣本數(shù)據(jù)。

（二）變量定義

1.核心解釋變量：算法交易

我國(guó)交易所尚未實(shí)現(xiàn)對(duì)算法交易產(chǎn)生訂單的單獨(dú)標(biāo)識(shí)，因而無(wú)法直接觀察到某一單是否由計(jì)算機(jī)算法產(chǎn)生，需依靠相關(guān)代理變量。鑒于我國(guó)目前算法交易尚不具備高頻條件，交易頻率和交易自動(dòng)化程度與成熟證券市場(chǎng)尚有一定區(qū)別。在變量選取時(shí)，單純借鑒電子信息流量比率（Hendershott等，2011）和撤單率（Weller，2018）等指標(biāo)有失偏頗?；谥贫瓤蚣芎屯顿Y者水平限制，我國(guó)目前的算法交易大多為基礎(chǔ)算法交易類型，例如成交量加權(quán)平均價(jià)（VWAP）、時(shí)間加權(quán)平均價(jià)格（TWAP）、時(shí)間比率成交（TPOV）等，此類算法的主要特征為對(duì)較大母單進(jìn)行拆分，擇時(shí)擇量地按照不同的基準(zhǔn)價(jià)格策略對(duì)子單進(jìn)行交易?，F(xiàn)有文獻(xiàn)表明，較高的小單交易比率表明有更多的算法交易，交易中小型訂單所占比例是與算法交易的強(qiáng)度成正比的。

本文基于Weller（2018）與Hendershott等（2011）對(duì)算法交易識(shí)別的方法，并結(jié)合我國(guó)算法交易本身的特征，將我國(guó)股票市場(chǎng)連續(xù)競(jìng)價(jià)階段的小單成交量占比STR作為算法交易代理變量。鑒于我國(guó)個(gè)人投資者數(shù)量眾多的獨(dú)特市場(chǎng)微觀結(jié)構(gòu)，小單成交量占比STR對(duì)算法交易的識(shí)別可能存在噪音干擾，本文又構(gòu)建了掛單成交占比OTR來更全面準(zhǔn)確衡量算法交易活動(dòng)。

圖1 算法交易示意

算法交易的第一個(gè)代理變量是小單成交量占比STR，表征小單成交量占總成交量的比例，其計(jì)算公式如下：

算法交易的第二個(gè)代理變量是掛單成交占比OTR，測(cè)度股票交易中申報(bào)價(jià)格次數(shù)與需撮合成交筆數(shù)之間的比例，其計(jì)算公式如下：

2.被解釋變量：定價(jià)效率

Hou等（2005）提出利用股票價(jià)格對(duì)信息的延遲來描述影響股票市場(chǎng)摩擦的嚴(yán)重程度，此種方法被不少學(xué)者（Saffi等，2011； Blau等，2017）所采用。李志生等（2015）基于上述方法，將我國(guó)證券市場(chǎng)的股票日度收益率以及滯后市場(chǎng)收益率進(jìn)行回歸，構(gòu)建股價(jià)信息反應(yīng)滯后指標(biāo)來衡量我國(guó)股票市場(chǎng)的定價(jià)效率。方立兵和肖斌卿（2015）則將信息反應(yīng)滯后指標(biāo)進(jìn)行修正，以保持與定價(jià)效率的正向一致性。本文參照了上述研究，將滯后的市場(chǎng)收益率對(duì)個(gè)股的解釋程度作為定價(jià)效率的代理變量，構(gòu)建了Efficiency1和Efficiency2兩個(gè)指標(biāo)。具體的測(cè)算方法如下：

為了將上述構(gòu)建方法與定價(jià)效率的正向性保持一致，本文參考方立兵和肖斌卿（2015）做法，將上述指標(biāo)進(jìn)行修正，把個(gè)股i的第一個(gè)定價(jià)效率指標(biāo)定義為：

從式（6）可以看出，定價(jià)效率指標(biāo)Efficiency1i,t與信息反應(yīng)滯后指標(biāo)Delay1i,t的主要區(qū)別在于，前者是后者的倒數(shù)，這能確保兩者之間的經(jīng)濟(jì)意義保持一致，并且指標(biāo)Efficiency1i,t越大，則該支股票的定價(jià)效率越高。

除了利用回歸方程的可決系數(shù)，還可利用回歸方程中解釋變量的參數(shù)值來衡量即期股票收益率被歷史市場(chǎng)收益率可解釋的程度，其信息滯后反應(yīng)指標(biāo)可表示為：

Delay2i,t可理解為滯后市場(chǎng)收益率的回歸系數(shù)占包含即期回歸系數(shù)的比重，其取值越大，則定價(jià)效率越低。為了保持與定價(jià)效率的正向一致性，將上述指標(biāo)取倒數(shù)，第二個(gè)定價(jià)效率指標(biāo)定義為：

由上式可知，指標(biāo)Efficiency2i,t越大，表明股票的定價(jià)效率越高。

3.其他變量

本文的中介變量為波動(dòng)性與異質(zhì)信念。對(duì)于波動(dòng)性的衡量，采用較為直觀的股票20日簡(jiǎn)單移動(dòng)平均收益率的波動(dòng)率（Voli,t）來衡量。對(duì)于異質(zhì)信念，參考以往文獻(xiàn)做法（Hong等，2007；Boehmer等，2006； 張崢和劉力，2006），采用換手率（Turnoveri,t）作為投資者異質(zhì)信念波動(dòng)代理變量。

為了控制影響定價(jià)效率的其他因素，參考Hendershott等（2011）、李志生等（2015）、侯宇和葉冬艷（2008）的研究，在模型中引入有效價(jià)差（Rspread）、知情交易概率（Vpin）、收盤價(jià)（Clpr）、流通市值自然對(duì)數(shù)（Trdshr）、日收益率（Dret）以及20日簡(jiǎn)單移動(dòng)平均市場(chǎng)收益率標(biāo)準(zhǔn)差（Stdmr）作為控制變量。文中所有變量定義見表1。

表1 變量定義

（三）模型設(shè)定

為了檢驗(yàn)假設(shè)1，本文建立如模型（9）所示面板數(shù)據(jù)回歸模型，其中ATi,t為捕捉算法交易活動(dòng)的STR指標(biāo)與OTR指標(biāo)，Controlsi,t為控制變量，θi,t和λi,t分別為行業(yè)固定效應(yīng)和時(shí)間固定效應(yīng)。若β1顯著為正，則表明算法交易提高了我國(guó)股票市場(chǎng)的定價(jià)效率。

為了檢驗(yàn)假設(shè)2a，本文建立如模型（10）-（12）所示的面板數(shù)據(jù)回歸模型。若回歸系數(shù)β1顯著為負(fù)，且模型（12）中β2顯著為正，則說明算法交易確實(shí)能通過減輕股票市場(chǎng)波動(dòng)性，提高股票定價(jià)效率。

為了檢驗(yàn)假設(shè)2b，本文建立如模型（13）-（15）所示的面板數(shù)據(jù)回歸模型。若回歸系數(shù)β1顯著為負(fù)，且模型（15）中β2顯著為正，則說明算法交易確實(shí)能通過改善投資者異質(zhì)信念情況，提高股票定價(jià)效率。

五、實(shí)證分析

（一）描述性統(tǒng)計(jì)

從表2的描述性統(tǒng)計(jì)中可以看出，我國(guó)股票市場(chǎng)小單成交量占比均值約為0.274，買賣次數(shù)占買賣成交筆數(shù)的均值約為0.335，即平均一次買賣大概需3筆交易才能完成。股票市場(chǎng)的日均換手率為2.6%，遠(yuǎn)高于發(fā)達(dá)資本市場(chǎng)，說明投資者對(duì)未來股票價(jià)格的預(yù)期存在較大的不一致性。

表2 描述性統(tǒng)計(jì)

（二）回歸結(jié)果分析

1.算法交易對(duì)定價(jià)效率的基準(zhǔn)回歸結(jié)果分析

本文基于模型（9）對(duì)算法交易與股票定價(jià)效率之間的關(guān)系進(jìn)行檢驗(yàn)，回歸結(jié)果如表3所示。在控制了其他可能影響定價(jià)效率的影響因素之后，算法交易STR與OTR與市場(chǎng)定價(jià)效率Efficiency1及Efficiency2在1%顯著性水平下顯著為正。這說明算法交易的運(yùn)作能夠顯著提高股票市場(chǎng)定價(jià)效率，這與前文的分析與假設(shè)結(jié)果相一致，即假設(shè)1成立。進(jìn)一步采用Hausman檢驗(yàn)測(cè)度在固定效應(yīng)和隨機(jī)效應(yīng)模型下回歸結(jié)果的有效性，結(jié)果顯示固定效應(yīng)優(yōu)于隨機(jī)效應(yīng)，因此本文參照基準(zhǔn)為固定效應(yīng)模型。

表3 算法交易對(duì)定價(jià)效率的影響

2.基于減輕波動(dòng)和減緩異質(zhì)信念的中介機(jī)制檢驗(yàn)

表4報(bào)告了算法交易對(duì)定價(jià)效率中介機(jī)制的回歸結(jié)果，其中Panel A為減輕波動(dòng)的中介效應(yīng)檢驗(yàn)，Panel B為減緩異質(zhì)信念的中介效應(yīng)檢驗(yàn)。從列（1）（2）的結(jié)果可以看出，STR與OTR對(duì)Vol的回歸系數(shù)均在1%顯著性水平下顯著為負(fù)，說明算法交易確實(shí)能夠減輕股票市場(chǎng)波動(dòng)；從列（3）-（6）的回歸結(jié)果來看，STR與OTR回歸結(jié)果在1%顯著性水平下顯著為正，而Vol的回歸系數(shù)顯著為負(fù)，表明算法交易通過減輕股票市場(chǎng)波動(dòng)性提高了股票市場(chǎng)的定價(jià)效率，假設(shè)2a成立。

表4 算法交易影響定價(jià)效率的中介機(jī)制檢驗(yàn)

從列（7）（8）的結(jié)果可以看出，STR與OTR對(duì)Turnover的回歸系數(shù)均在1%顯著性水平下顯著為負(fù)，說明算法交易可以有效減緩?fù)顿Y者異質(zhì)信念波動(dòng)，改善市場(chǎng)投機(jī)性意愿；從列（9）-（12）的結(jié)果可以看出，STR與OTR在對(duì)定價(jià)效率的回歸中加入Turnover后系數(shù)在1%顯著性水平下顯著為正，而Turnover的回歸系數(shù)顯著為負(fù)，表明算法交易可以通過減緩異質(zhì)信念有效提高股票市場(chǎng)定價(jià)效率，假設(shè)2b成立。

（三）穩(wěn)健性檢驗(yàn)

1.替換算法交易代理變量

“母單拆分”是當(dāng)前我國(guó)算法交易的主要策略，并針對(duì)這一策略產(chǎn)生了多維度的衡量標(biāo)準(zhǔn)?？紤]到算法交易難以捕捉，算法交易的衡量準(zhǔn)確性可能會(huì)對(duì)定價(jià)效率回歸結(jié)果產(chǎn)生影響。為了降低“實(shí)證結(jié)果依賴于算法交易代理變量構(gòu)建”的擔(dān)憂，本文繼續(xù)利用算法交易特點(diǎn)，選取小單申報(bào)占比SOR作為定價(jià)效率指標(biāo)進(jìn)行穩(wěn)健性檢驗(yàn)，驗(yàn)證前文算法交易代理變量選取的合理性。變量的具體定義如下：

替換算法交易測(cè)度指標(biāo)后的回歸結(jié)果如表5列（1）（2）。可以看出，SOR的回歸系數(shù)在1%顯著性水平下顯著為正，這表明算法交易對(duì)股票市場(chǎng)定價(jià)效率具有提升作用的假設(shè)依然成立。

2.工具變量回歸

為了進(jìn)一步減少對(duì)算法交易的測(cè)量誤差或遺漏變量問題產(chǎn)生的內(nèi)生性問題，本文參考Boehmer等（2021）的方法，將觸發(fā)滬深交易所股價(jià)異動(dòng)信息披露標(biāo)準(zhǔn)的營(yíng)業(yè)部地理位置作為工具變量。當(dāng)披露的營(yíng)業(yè)部處于深圳或上海時(shí)，工具變量Dumlocation賦值為1，未披露或處于其他地理位置時(shí)，Dumlocation賦值為0。該工具變量符合相關(guān)性與外生性的約束條件：一方面，觸發(fā)滬深交易所股價(jià)異動(dòng)信息披露標(biāo)準(zhǔn)的營(yíng)業(yè)部具有使用算法交易的動(dòng)機(jī)和實(shí)力，同時(shí)交易服務(wù)器位于交易所所在城市能減少訂單提交延遲，降低延遲成本；另一方面，將營(yíng)業(yè)部服務(wù)器靠近交易所附近，交易延遲的降低也并不能提高市場(chǎng)流動(dòng)性，與定價(jià)效率并無(wú)關(guān)系。表5列（3）-（6）的回歸結(jié)果顯示，在考慮算法交易與定價(jià)效率之間可能存在的內(nèi)生性問題之后，加入工具變量的回歸系數(shù)在1%顯著性水平下顯著為正，表明算法交易能夠顯著提高定價(jià)效率，與前文的假設(shè)和驗(yàn)證相一致。

表5 穩(wěn)健性檢驗(yàn)結(jié)果

六、異質(zhì)性分析

（一）股票價(jià)格的異質(zhì)性影響

前文研究表明，算法交易提高了股票市場(chǎng)定價(jià)效率，但基于我國(guó)股票市場(chǎng)的最小報(bào)價(jià)單位制度，股價(jià)的高低對(duì)算法交易的活躍程度可能也會(huì)產(chǎn)生影響。A股的最小報(bào)價(jià)單位為0.01元，假設(shè)每股1元的股票與每股5元的股票均變動(dòng)0.01元，所產(chǎn)生的價(jià)格變動(dòng)幅度是顯著不同的，前者價(jià)格變動(dòng)了1%而后者變動(dòng)了0.2%，這說明最小報(bào)價(jià)制度為不同股票價(jià)格劃分了不同價(jià)格變動(dòng)精細(xì)程度，高市價(jià)股票的價(jià)格精細(xì)程度更高。同樣，在變動(dòng)幅度相同的情況下（例如1%），高市價(jià)股票要比低市價(jià)股票變動(dòng)的絕對(duì)價(jià)格更多，更需要交易者修改報(bào)價(jià)；而算法交易的持續(xù)更新訂單與切分訂單能力都使得其在高市價(jià)股票上的交易能力更強(qiáng)且交易效率更高。

基于上述分析，本文將股票價(jià)格按照低、中、高分為3組，分別對(duì)這3組進(jìn)行算法交易與定價(jià)效率的回歸，回歸結(jié)果如表6所示。本文發(fā)現(xiàn)，在定價(jià)效率與算法交易的不同衡量指標(biāo)回歸中，回歸系數(shù)隨著股價(jià)的提升而增大，且均在1%顯著性水平下顯著為正。這與前文的預(yù)想相一致，即算法交易對(duì)定價(jià)效率的促進(jìn)作用隨著股價(jià)的升高而提升。

表6 股票價(jià)格的異質(zhì)性影響

（二）市場(chǎng)流動(dòng)性的異質(zhì)性影響

為進(jìn)一步驗(yàn)證算法交易在促進(jìn)定價(jià)效率時(shí)是否受到流動(dòng)性條件的影響，本文采用非流動(dòng)性指標(biāo)Illiq來衡量市場(chǎng)流動(dòng)性，當(dāng)Illiq低于過去20個(gè)交易日的均值時(shí)，說明流動(dòng)性水平較高，虛擬變量Dumliq取值為1，否則取值為0。在模型中引入Dumliq以及算法交易與Dumliq的交乘項(xiàng)，實(shí)證結(jié)果如表7所示。算法交易變量STR、PTR以及它們與Dumliq的交乘項(xiàng)的回歸系數(shù)均在1%顯著性水平下顯著為正，說明算法交易在市場(chǎng)流動(dòng)性充足時(shí)更有助于促進(jìn)定價(jià)效率。

表7 市場(chǎng)流動(dòng)性的異質(zhì)性影響

（三）市場(chǎng)情緒的異質(zhì)性影響

股票市場(chǎng)的定價(jià)效率容易受到投資者羊群效應(yīng)的影響（吳崇林等，2021；許年行等，2013；孫怡龍和凌鴻程，2019），因此本文檢驗(yàn)算法交易能否在市場(chǎng)情緒高漲中保持提升定價(jià)效率的穩(wěn)定性，甚至是在市場(chǎng)情緒高漲時(shí)發(fā)揮更強(qiáng)效力。本文設(shè)定CSSD（橫截面收益標(biāo)準(zhǔn)差）指數(shù)20日滾動(dòng)均值高于樣本當(dāng)年中位數(shù)時(shí)，羊群效應(yīng)出現(xiàn)，虛擬變量Dumcssd取值為1，否則取值為0。在模型中引入Dumcssd變量以及算法交易與Dumcssd的交乘項(xiàng)，回歸結(jié)果如表8所示。相比于市場(chǎng)情緒平緩（羊群效應(yīng)未發(fā)生），算法交易在羊群效應(yīng)下對(duì)定價(jià)效率的促進(jìn)作用更強(qiáng)。這說明在市場(chǎng)定價(jià)受到情緒影響而偏離時(shí)，算法交易不僅沒有受到羊群效應(yīng)的干擾，反而能利用市場(chǎng)錯(cuò)誤定價(jià)發(fā)揮更強(qiáng)的價(jià)格糾正能力。

表8 市場(chǎng)情緒的異質(zhì)性影響

控制變量 Yes行業(yè)/時(shí)間 Yes R2 0.181 Yes Yes Yes Yes Yes Yes 0.166 0.168 0.155

七、結(jié)論與建議

本文以2016—2021年A股股票數(shù)據(jù)為樣本，結(jié)合我國(guó)現(xiàn)階段市場(chǎng)交易結(jié)構(gòu)和制度特點(diǎn)，采用小單成交量占比、掛單成交占比、小單申報(bào)占比以及每百元成交股數(shù)所包含訂單量等代理變量來測(cè)度我國(guó)算法交易活動(dòng)，實(shí)證分析算法交易活動(dòng)對(duì)定價(jià)效率的影響。實(shí)證結(jié)果顯示：第一，算法交易能有效提高我國(guó)股票市場(chǎng)定價(jià)效率，上述結(jié)果在控制了內(nèi)生性等問題后依然顯著。第二，中介效應(yīng)分析發(fā)現(xiàn)，算法交易對(duì)股票市場(chǎng)波動(dòng)性的減輕以及對(duì)投資者異質(zhì)信念的減緩是提高定價(jià)效率的重要途徑。第三，拓展性分析發(fā)現(xiàn)，算法交易對(duì)不同股票的定價(jià)效率存在差異性影響，對(duì)高市價(jià)股票的定價(jià)效率提升程度最高；同時(shí)在市場(chǎng)流動(dòng)性充足的條件下，算法交易能更好地發(fā)揮作用；此外算法交易還能有效克服市場(chǎng)羊群效應(yīng)，改善錯(cuò)誤定價(jià)。

本文的研究結(jié)論能夠?yàn)樘嵘覈?guó)算法交易市場(chǎng)認(rèn)知、合理引導(dǎo)機(jī)構(gòu)投資者應(yīng)用算法交易、完善證券市場(chǎng)算法交易監(jiān)管、有效防控證券市場(chǎng)崩盤風(fēng)險(xiǎn)，在實(shí)踐和政策層面帶來以下啟示：

第一，為算法交易提供有利的發(fā)展環(huán)境。鑒于算法交易在提高股票市場(chǎng)定價(jià)效率、減弱市場(chǎng)波動(dòng)方面具有顯著的正面影響，我國(guó)應(yīng)為證券市場(chǎng)信息技術(shù)的發(fā)展提供更多政策支持，加強(qiáng)證券市場(chǎng)的數(shù)字基礎(chǔ)設(shè)施建設(shè)，例如提供主機(jī)托管業(yè)務(wù)來提升訂單傳播速度等。明晰算法代碼及數(shù)據(jù)本身的法律屬性并將其納入知識(shí)產(chǎn)權(quán)保護(hù)法律框架內(nèi)進(jìn)行有效確權(quán)，激發(fā)市場(chǎng)主體的創(chuàng)新動(dòng)力，避免“算法趨同”造成的市場(chǎng)股價(jià)波動(dòng)與非理性恐慌。

第二，加強(qiáng)對(duì)算法交易的監(jiān)管。算法交易即使在發(fā)達(dá)資本市場(chǎng)中仍然具有制造不穩(wěn)定因素的風(fēng)險(xiǎn)，我國(guó)應(yīng)吸取經(jīng)驗(yàn)教訓(xùn)，提前謀劃算法交易發(fā)展，完善算法交易監(jiān)管體系。其中，可供考慮的舉措是對(duì)市場(chǎng)交易中的算法交易活動(dòng)采用單獨(dú)標(biāo)識(shí)，提高市場(chǎng)透明度，從而有效防范多層嵌套和技術(shù)遮蓋手段下的監(jiān)管套利。對(duì)算法交易訂單進(jìn)行標(biāo)識(shí)也為監(jiān)管機(jī)構(gòu)構(gòu)建算法交易跟蹤監(jiān)管系統(tǒng)提供了底層技術(shù)支持，維護(hù)金融體系整體穩(wěn)定和市場(chǎng)良性運(yùn)轉(zhuǎn)。