上海股票市场买卖价差随机波动.doc

上海股票市场买卖价差随机波动 　　摘要：本文基于股票价格的随机波动性，利用上证180成分股票的买卖报价数据，实证分析了上海股票市场买卖价差的随机波动特征。对于日间数据的实证分析发现买卖价差的均值和方差都表现出了随机波动的特征。而且，买卖价差对市场冲击的反应还是非对称的。 关键词：买卖价差，投资组合，非对称效应 一、引言 根据市场微观结构理论，由交易机制引起的信息成分和暂时成分会导致证券价格的短期波动。这是一种微观结构效应，可能表现为随机交易成本、波动集中、价格离散等。其中，交易成本可以用买卖价差度量；价格离散则是影响股票价格波动率的一个重要因素，见Hasbrouck（1996）；而波动集中最初也是从证券价格波动的经验现象开始引起关注的。交易成本与证券价格是相关的，交易成本的动态波动特征与价格波动的微观效应也应该是相关的。这是本文研究的出发点。 大量的实证研究表明资产价格并不像有效市场假设所说的那样服从随机游走过程，而是序列相关的。股票买卖报价也是一种股票价格，也可能有序列相关。比如说，知情交易者的交易策略就可能会使连续订单的报价彼此相关，因为这些订单基于同样的知情信息。如果买卖报价序列相关，那么反映交易成本的买卖价差也不可避免是序列相关的。价格离散性也是影响买卖报价波动的重要微观结构特征，证券价格不连续性的实证后果就是价格波动的集中。Ball， Torus和Tschoel （1985） 发现伦敦黄金市场存在波动集中的现象。对美国证券市场的研究也发现有很强的波动集中特征，表现为股票价格更有可能保持在整数的水平上，很少停留在最小报价单位的奇数倍上，相关研究如Harris （1991）等。而Bessembinder （1994），Bollerslev和Melvin （1994）在对外汇市场买卖价差的研究中，发现了买卖价差的波动集中特征。从经济学的角度来看，在市场参与者对价格增量意见一致时，波动集中就会出现。 由于资产价格波动表现出的这种时变特征，实证研究中或者假设参数不随时间变化，或者假设有确定的波动率。而ARCH类模型则考虑了随机的参数变化。这些模型最初主要用于日收益或更长期的收益序列波动特征的描述，但随着ARCH模型应用的扩展，使用较高频率的样本可以改进对波动性的估计以及波动性预测的评价，相关研究有Engle， Ito和Lin （1990）等。不过，ARCH类模型用于高频数据的估计时也有其局限性，它们不能体现市场的结构特征，而这些特征在市场微观结构模型中通常是影响价格波动的重要因素。因此，在市场微观结构变量的基础上构建模型，将有助于更好地解释随机参数变化。Hasbrouck （1999）提出了一种基于Gibbs抽样的随机模拟方法描述离散买卖报价的波动性，但是这种方法的操作性较差。因此，本文仍然选择相对简便、可行的ARCH类模型描述买卖价差的波动性。 从国内现有文献来看，对资产价格随机波动的研究已经非常普遍了，但是对于微观市场价格随机波动特征的研究还很少见，这也是我们研究中国股票市场买卖价差随机波动的出发点。本文余下部分的安排是：第二部分介绍了实证研究中使用的数据和模型，第三部分介绍了实证研究结果，最后一部分给出研究的结论。 二、数据和模型选择 1. 数据说明 一般而言，买卖价差是对证券交易成本比较常见且完整的度量。为了便于比较，文中只考虑了两个相对买卖价差，即报价价差和有效价差的随机波动特征。报价价差定义为买卖报价之差与买卖报价中间值的比，适用于证券交易以买卖报价成交时买卖价差的估计，这符合我国股票市场的情况。而有效价差的定义源于Roll（1984）的研究，表示为资产收益率一阶自协方差相反数的算术平方根。特别地，若一阶自协方差为负，则有效价差为零。有效价差一般适用于反映有效市场下证券买卖价差中固定不变的部分，如订单处理成本等。有效价差通常会低于报价价差的水平。 样本数据选择为2004年1月1日到2007年12月31日期间上证180指数成份股票的高频交易数据，数据来源于分析家证券分析系统。为了确保估计结果的有效性，我们剔除了样本期间内调出或调入指数的成分股票和ST股票。经过筛选，样本中最后剩下74个股票。利用这些数据，报价价差表示为每日内每笔交易报价价差的算术平均值，并用每日内1分钟股票交易的对数收益率来计算有效价差。 图1显示了加权报价价差在2004-2005年间的时间图。等权报价价差为每日报价价差的算术平均数，权重为样本股票数量的倒数（1/74）；价值加权报价价差的权重为每个样本股票在样本期间内的平均月总市值与所有样本股票在样本期间内的平均月总市值和的比值。直观来看，加权报价价差序列应该没有随机趋势，对这两个序列的单位根检验也验证了这一点。此外，我们还对个别样本