基于改進信息交易概率模型的信息風險測度研究

楊寶臣，郭 燦，常建勇,2

1 天津大學 管理與經濟學部，天津 300072 2 首都師范大學，北京 100048

基于改進信息交易概率模型的信息風險測度研究

楊寶臣1，郭 燦1，常建勇1,2

1 天津大學 管理與經濟學部，天津 300072 2 首都師范大學，北京 100048

準確測度信息不對稱是研究金融市場信息不對稱問題的基礎。在詳細考察經典的信息交易概率模型的建模過程和假設條件的基礎上，針對信息交易者和非信息交易者在不同信息狀態下的訂單提交狀況，提出考慮外生信息狀態概率、異質期望和交易活躍度的改進的信息交易概率模型；通過帶機制轉換的向量自回歸模型估計外生信息狀態概率，綜合考慮多方面的市場交易信息，提高模型估計的準確性。實證結果表明，改進的信息交易概率模型可以較好地刻畫證券市場的信息不對稱程度。從截面上看，信息交易概率與標的資產的壟斷優勢和話題性相關，壟斷優勢越強的股票信息交易概率越低，話題性越強的股票信息交易概率越高；從時間上看，信息交易概率的變化受公告信息的影響，公告信息發布前的信息交易概率較高，公告信息發布后的信息交易概率較低。因此，在防范信息風險時，應重點關注話題性較強的版塊，特別是股價比較容易受輿論影響波動的個股；同時，在公告信息發布之前的時段，應對市場波動和信息動向給予更多關注。

信息風險；PIN模型；交易活躍度；異質期望；信息狀態

1 引言

證券市場中的信息不對稱水平是投資者和市場監管者都十分關心的問題。金融市場微觀結構理論認為，信息交易者和非信息交易者是證券市場中普遍存在的交易主體[1]，信息交易者有準確認知信息的能力，而非信息交易者則沒有這樣的優勢。信息不對稱問題的存在，不僅給非信息交易者帶來額外的或有損失，損害市場的流動性供應能力，從而影響市場的有效性和資源配置能力，制約證券市場對經濟發展的促進作用；而且有可能引發證券市場的劇烈波動，甚至導致經濟泡沫化，造成不可估量的損失。但是，由于制度設計的不健全和投資者的不成熟，中國證券市場的信息不對稱程度較高，散戶的價值發現過程有限，加上機構投資者的操控行為和媒體對散戶的引導作用，使中國證券市場中的價值泡沫和投機交易大量存在。

傳統資產定價理論假設所有投資者都可以及時、免費地獲得充分的市場信息，在這樣的理想市場中，證券的市場價格就是其內在價值的完全反映，沒人能利用信息獲取超額收益。但在實際市場中，信息的搜集成本是不可忽略的，投資者把握信息的能力也是有限的。Grossman等[2]認為，只要信息成本存在，完全信息均衡市場就不會出現，由信息不對稱帶來的偏差就不可忽略。但是，迄今為止，學術界對于信息不對稱水平的準確測度方法尚無定論，最為廣泛應用的信息交易概率模型及其PIN指標[3-5]更是受到國內外不少學者的質疑。因此，本研究在詳細考察信息交易概率模型的建模過程和假設條件的基礎上，對該模型在模型設計和估計過程中存在的問題進行梳理，并提出相應的改進。

2 相關研究評述

Bagehot[6]、Glosten等[1]和Kyle[7]最早關注投資者交易行為的信息現象，并提出序貫交易模型和批量交易模型等信息模型。由于知情交易很難從市場中直接觀測，早期信息風險的實證研究大多從信息不對稱的影響因素入手，通過買賣價差、成交量和換手率以及上市公司內部的持股比例等指標間接測度信息不對稱的水平和程度[6,8]。但是，僅依靠間接指標無法準確測度信息交易的比例及其影響，不能直接反映投資者在市場中面臨的信息不對稱風險的大小。因此，許多學者更深入地分析信息交易的過程及其影響，并提出逆向選擇成本[9-11]和信息交易概率[3-4,12]等直接度量信息不對稱的指標。

Easley等[3-4,12]提出的信息交易概率模型(EKOP模型)和PIN指標受到最為廣泛的關注。因為簡單易用，許多研究都不加驗證地直接使用PIN指標作為信息不對稱程度的替代變量[13-15]。但信息交易概率指標能否合理衡量信息不對稱也受到國內外眾多學者的質疑[16-22]，除對于規模較大、交易頻繁的樣本無法估計以外，模型自身設計的不合理性[18]和模型對不同樣本區間數據估計結果的不一致[16]是眾多學者質疑的焦點。

信息交易概率模型刻畫的是做市商從交易者提交的訂單中獲得信息的貝葉斯學習過程[4]，模型最初關注的是投資者行為對市場信息的反應[23]，而不是市場的信息不對稱程度。信息交易概率模型中有兩類待估參數，即信息狀態概率和各類型訂單的到達率。模型構建的依據是信息交易者和非信息交易者在不同信息狀態下會有不同的決策表現，但僅通過不同類型訂單的提交量很難同時準確估計出信息狀態概率和信息交易者比例這兩類參數。值得注意的是，從估計結果看，該模型對市場信息狀態的估計往往顯示出較大的誤差[3]。Easley等[5,24-25]將基于買賣訂單到達強度不平衡的信息交易概率(PIN)模型擴展為基于買賣交易量不平衡的信息交易概率(VPIN)模型時，甚至放棄了對不可觀測的市場信息狀態變量的估計。這也說明該模型在反映市場實際信息狀態方面的局限。

事實上，市場盤面信息中的所有交易指標都是投資者行為的反映，都在一定程度上反映了市場的實際信息狀態[23,26-27]。正常情況下，這些交易指標會按照一定的規則和模式在一定范圍內相互影響變化。沒有新信息進入市場，各指標間的相互影響關系就不會改變，而當市場信息狀態發生改變時，新信息會隨著投資者的交易行為匯入市場[28-31]，在此過程中，各交易指標間的相互影響關系有可能發生相應的改變。因此，本研究在對信息交易概率模型進行估計之前，先通過帶機制轉換的向量自回歸模型(MSVAR模型)估計出信息狀態概率，再將其代入信息交易概率模型估計其他參數。而且，這種外生確定信息狀態概率的方法也可以減少信息交易概率模型本身的待估參數，提高模型估計的效率和準確性。

另外，經典的信息交易概率指標PIN不但與信息交易者和非信息交易者的訂單到達率有關，還與信息發生的概率有關，這就決定了不同信息條件下的信息交易概率并不具有可比性。其實，現有的信息不對稱指標大都沒有考慮實際信息狀態對信息不對稱的影響。需要強調的是，正如Easley等[5]所認為的，在證券市場中，市場所關心的信息不僅是與資產基礎價值相關的公司和產品資訊，還包括市場整體的交易狀況和流動性需求。這種廣義的信息定義意味著信息事件的發生有可能是頻率較高的事件。相對而言，市場中的信息不對稱水平(信息交易者的比例)在一定時段內應該是相對穩定的。特別的，當以高頻數據為研究對象時，沒有剔除信息狀態的信息不對稱指標很大程度上反映的是實際信息狀態的變化，而不是單純的信息不對稱水平。這也是在VPIN模型[5]中VPIN指標可以在一定程度上預測市場暴跌的原因，但這樣的模型并不能保證準確測度信息不對稱風險的有效性。其實，最早的信息交易概率模型(EO模型)的信息交易概率[23]原本與市場實際信息狀態無關，由于未提交的潛在訂單量很難直接觀測，EO模型在實證中的應用不多。Easley等[4]曾嘗試以5分鐘無交易的時間間隔數作為未發生的潛在交易量的替代指標，但當時間間隔取不同的長度時，所得估計結果差異很大。因此，本研究考慮通過添加交易活躍度指標來解決對潛在訂單量的估計問題。

因此，本研究在詳細考察經典的信息交易概率模型的建模過程和假設條件的基礎上，針對信息交易者和非信息交易者在不同信息狀態下的訂單提交狀況，提出考慮外生信息狀態概率、異質期望和交易活躍度的改進的信息交易概率模型，外生的信息狀態概率通過帶機制轉換的向量自回歸模型(MSVAR模型)估計得到，這樣既綜合考慮了多方面的市場交易信息，又減少了傳統信息交易概率模型的待估參數，可以在一定程度上提高模型估計的準確性。

3 改進的信息交易概率模型的構建

3.1 經典的信息交易概率模型：EKOP模型

EKOP模型[3]假設市場中存在唯一的風險資產、單一的風險中性的做市商以及多個信息交易者和多個非信息交易者，做市商連續給出資產的買賣報價，并承諾在任意時間以所給報價與交易者達成交易。假設在T個交易日的樣本期內，每一個交易日中信息交易者和非信息交易者都與做市商進行以風險資產為標的的交易，每個交易日內時間連續，記為t∈[0,T]。假設完全競爭的做市商期望利潤為零，那么在任意時刻，做市商提出的報價應該等于其基于自身所知信息推斷出的該風險資產的期望價值。圖1給出經典的信息交易概率模型中做市商視角下的某一個股票在一個交易日內的交易過程。

在圖1中，每個交易日開盤前(第1個節點時刻)，自然(nature，指外生的決定隨機變量概率分布的特殊機制，也可看作博弈分析中虛擬的參與人)就已經決定了該交易日是否有信息事件發生。假設所有信息事件的發生獨立，且每天信息事件發生的概率都為α。在有信息事件發生的情況下，自然會進一步確定信息狀態為好消息還是壞消息，壞消息發生的概率為δ，好消息發生的概率為(1-δ)。同時，假設所有新信息都會在當日完全匯入資產價格，而不會影響下一個交易日的資產價值。

注：α為某交易日信息事件發生概率，δ為壞消息發生概率，(1-δ)為好消息發生概率，μ為信息交易者買、賣訂單到達率。

圖1EKOP模型中做市商視角下的資產日交易過程
Figure1DailyTradingProcessofAssetsfromthePerspectiveofMarketMakerinEKOPModel

信息交易者和非信息交易者在不同信息狀態下的交易決策不同，信息交易者是愿意并有能力依據資產真實信息做出買、賣決策的投資者。相對于非信息交易者，信息交易者擁有較大的信息優勢，他們只在有信息的情況下交易，且交易方向與資產價格的實際變動方向一致。非信息交易者或者不關心、或者沒有能力正確把握資產價值的變動方向，所以他們的交易與資產實際價值變動關系不大。假設信息交易者和非信息交易者的訂單到達率都服從泊松分布，且各交易日之間的買、賣訂單到達率彼此獨立。信息交易者的訂單到達率服從期望值為μ的泊松分布，非信息交易者買入和賣出訂單的到達率分別服從期望值為εb和εs的泊松分布。那么，好消息發生時，信息交易者會以μ的到達率提出買單，非信息交易者則分別以εb和εs的到達率提出買單和賣單，此時總買單到達率為εb+μ，總賣單到達率為εs；同理，壞消息發生時，信息交易者會以μ的到達率提出賣單，非信息交易者的交易狀態不變，此時的總買單到達率為εb，總賣單到達率為εs+μ；沒有信息發生時，只有非信息交易者交易，買單和賣單的到達率分別為εb和εs。

3.2 最早的信息交易概率模型：EO模型

實際上，最早的信息交易概率模型并不是EKOP模型，而是Easley等[12, 23]提出的EO模型，EO模型的基本假設與EKOP模型一致。圖2給出EO模型的資產日交易過程。

注：η為市場中信息交易者買、賣訂單所占比例，(1-η)為市場中非信息交易者買、賣訂單所占比例，γ為非信息交易者傾向于賣出的概率，(1-γ)為非信息交易者傾向于買入的概率，εB為所有傾向于買入的非信息交易者中實際發生交易的比例，εS為所有傾向于賣出的非信息交易者中實際發生交易的比例。

圖2EO模型中做市商視角下的資產日交易過程
Figure2DailyTradingProcessofAssetsfromthePerspectiveofMarketMakerinEOModel

然而，如圖2所示，EO模型并沒有添加訂單到達率的分布條件假設，而是直接假設市場中由信息交易者提交訂單的比例為η，好消息狀態下以η比例買入訂單，壞消息狀態下以η比例賣出訂單；非信息交易者的交易與實際信息狀態無關，假設任意時刻都會有γ比例的非信息交易者有賣出股票傾向，但其中只有εS比例實際提交了賣出訂單，而剩下的(1-εS)比例考慮賣出股票的非信息交易者卻因各樣原因沒有賣出；同樣，更傾向于買入股票的(1-γ)比例的非信息交易者中也只有εB比例提交了買入訂單。通過構建圖2所示的日交易模型，就可直接估計出信息交易者提交訂單的比例η。

EO模型的不交易訂單所反映的狀況在證券市場中大量存在，除了相當比例以長期持有為目的的不活躍證券外，大多數證券不交易的原因與證券持有者對市場信息狀態的無信息判斷有關。與實際信息狀態的無信息狀態一致，投資者的不交易決策意味著投資者認為市場尚未出現足以影響他們對資產價值判斷的新信息。對于非信息交易者，他們在所有信息狀態下都可能對市場看平，而無信息狀態下決定不交易的信息交易者依然關注著市場，且有提交訂單的可能，只是出于信息優勢，他們會對市場走勢看平，并做出不交易的決策。由于不交易量難以估計，后來的EKOP模型通過訂單到達率泊松分布的假設回避了對不交易量的估計問題。但本研究認為，可以通過考慮異質期望和交易活躍度構造更符合實際的信息交易概率模型，同時也可以解決不交易量的估計問題。

3.3 改進的信息交易概率模型的構建

與經典的信息交易概率模型一樣，假設每交易日的信息狀態由自然在每交易日開盤前決定，信息狀態依然是無信息(O)、好消息(H)和壞消息(L)3種狀態之一，各信息狀態概率取值也與經典模型一致，分別為P(O)=1-α，P(H)=α(1-δ)，P(L)=αδ。由于本研究的信息狀態概率是外生給定的，在模型估計時不需要對參數α和δ進行估計。

假設某具體時段內，各類型交易者的比例及其分別可操作的訂單量相對穩定。記某證券被投資者關注且有可能被交易的比例為該證券的活躍度ρ，其中被信息交易者和非信息交易者的交易行為影響的比例，即信息交易者和非信息交易者買賣訂單所占比例分別為η和(1-η)。在此，本研究通過添加活躍度指標ρ，剔除了相當一部分以長期持有為目的的不活躍證券，因為這些訂單的不交易與市場實際的信息狀態無關，不需要在模型中加以考慮。假設信息交易者提交訂單的交易方向與實際信息狀態一致，即好消息時買入、壞消息時賣出、無信息時不交易；非信息交易者在所有信息狀態下，主動買入、主動賣出和不交易的訂單比例分別為θB、θS和(1-θB-θS)。那么，一個交易日內的交易過程可以用圖3的交易結構圖來表示。

從圖3的交易結構圖中可以看出，好消息H、壞消息L和無信息O共3種信息狀態下的買、賣訂單和不交易訂單的比例分別滿足

P(B,S,N|H)=[η+(1-η)θB]B[(1-η)(1-θB-

θS)]N[(1-η)θS]S

P(B,S,N|L)=[(1-η)θB]B[(1-η)(1-θB-θS)]N·

[η+(1-η)θS]S

P(B,S,N|O)=[(1-η)θB]B[η+(1-η)(1-θB-

θS)]N[(1-η)θS]S

則，第t個交易日的交易行為可以通過以下似然函數表示，即

L(θ|Bt,St,Nt)=αδ[η+(1-η)θB]Bt[(1-η)(1-θB-

θS)]Nt[(1-η)θS]St+α(1-δ)·

[(1-η)θB]Bt[(1-η)(1-θB-

θS)]Nt[η+(1-η)θS]St+

(1-α)[(1-η)θB]Bt[η+(1-η)(1-

θB-θS)]Nt[(1-η)θS]St

圖3 改進信息交易概率模型中做市商視角下的資產日交易過程Figure 3 Daily Trading Process of Assets from the Perspective of Market Maker in the Improved PIN Model

其中，Bt為第t個交易日活躍證券中總買入的數量，St為第t個交易日活躍證券中總賣出的數量，Nt為第t個交易日活躍證券中不交易的數量，θ=(α,δ,η,θB,θS)。假設證券交易在T個交易日的樣本期內互相獨立，那么樣本期內交易過程的似然函數可表示為

其中，M=((B1,S1,N1),…,(BT,ST,NT))；i為樣本期中的第i個交易日，i=1,2,…,T。通過對以上似然函數的估計，可以得到參數向量θ。與EO模型相同，模型估計所得的參數η就是信息交易概率指標。

4 數據來源和樣本選取

本研究從滬、深兩市2010年之前上市且一直處于正常交易狀態的股票中隨機選取30支股票為研究樣本，其中滬市16支，深市14支，對這些股票在2010年1月至2012年6月的日交易數據進行分析。數據來源于新華社金融數據平臺，除基本價量信息之外，日交易數據中還包括內、外盤指標。內盤和外盤分別是交易量中以主動賣出價格和主動買入價格成交的數量，這兩個指標通常可以被看作多、空雙方總體實力的表現。內、外盤數量差距較大，說明市場多、空雙方力量比較懸殊，如當總體內盤數量遠遠高于總體外盤數量時，股價往往會下行，這是很多人積極拋出的結果。

在估計信息交易概率模型時，本研究以月度為單位進行計算。以月度作為單位的主要原因在于，股票市場本身是一個充滿變化的市場，過長時間間隔內的信息狀態和交易活動都有可能有較大的差異，相對而言，1個月的時間較短，可以認為模型參數在這段時間內比較穩定。

為了使讀者了解模型估計的具體過程，本研究以在上海交易所上市的交易代碼為600000的浦發銀行股票的日交易數據為例演示信息交易概率模型的構建和估計過程。然后，用同樣的方法估計得到所有樣本的信息不對稱指標，并對其進行統計分析。

5 改進的信息交易概率模型的估計

5.1 外生信息狀態概率估計

通過對價量指標的分析和考察，綜合考慮可得性、相關性和可比性等因素，本研究選取日均價和日收益率作為被解釋變量，選取日內波幅、換手率和訂單不平衡程度作為解釋變量，構建MSVAR模型，并對外生信息狀態概率進行估計。各指標的計算方式如下。

根據前文分析，模型的機制個數應取3，即模型應在無消息、好消息和壞消息3種信息狀態間轉換。通過比較各模型的似然函數值和信息準則值，選定MSIAH(3)-VARX(1)的模型形式，得到表1所示估計結果。對比表1中不同機制下指標系數間的關系可以看出，在機制Ⅰ的收益模型和價格模型中，換手率、日內波幅和訂單不平衡程度3個指標當期的系數都顯著為負，即這種信息狀態下，股票的交易量越大、波動越劇烈、買賣訂單越不平衡，股票的價格就越低，收益就越少。顯然，這是股票市場處于壞消息狀態下的表現。同理，機制Ⅱ中換手率、日內波幅和訂單不平衡程度3個指標與同期股票收益率和股票價格正相關，應是股票市場好消息狀態的反映。與前兩個機制不同，在機制Ⅲ中，雖然換手率對同期價格和收益仍有顯著的正影響，但日內波幅和訂單不平衡程度的影響并不顯著。即在此狀態下，高換手率會帶來高收益，但此時訂單的增加是買單和賣單同時增加的結果，高交易強度并沒有帶來股價的大幅波動，這也是市場流動性好的表現。也就是說，在這種機制狀態下，交易強度的增加是由于流動性需求的推動，而不是信息交易的需要。因此可以判定，機制Ⅲ反映了無信息的市場狀態。因此，機制Ⅰ、機制Ⅱ和機制Ⅲ分別表示的是壞消息、好消息和無信息的狀態，可將所求得的信息狀態概率代入信息交易概率模型中做進一步分析。

5.2 信息交易概率模型的估計及替代指標的計算

在實證分析時需要考慮樣本所處的實際市場環境。傳統的EKOP模型是基于報價驅動市場提出的，模型分析的主要是做市商的信息獲取過程。但中國的交易所市場并不是報價驅動的，而是指令驅動的。指令驅動市場并不存在做市商，此時的股價也不再是投資者與做市商博弈的結果，而是市場中多、空雙方勢力的比拼。其實，報價驅動市場最終的走勢也是由市場中多、空雙方勢力決定的，做市商只不過充當了分離股票空頭與多頭的中介，他的存在有利于提高股票市場的流動性，降低噪聲交易對市場的沖擊，但卻不會最終決定股票的實際價值和市場的整體走勢。因此，針對指令驅動市場依然可以采用信息交易概率模型對不同信息狀態下不同類型的投資者的交易狀態進行分析，但由于此時的“做市商”不再是有形的市場主體，而是由所有投資者組成的市場集合，在模型實證中也需要做出一些調整，主要是對買、賣訂單筆數估計方法的調整。

表1 機制轉換模型估計結果Table 1 Estimation Output of the MSVAR Model

注：r_1為滯后一階的日收益率，p_1為滯后一階的日均價，StB_1為滯后一階的訂單不平衡程度，v_1為滯后一階的日內波幅，TR_1為滯后一階的換手率。依據統計學慣例，對于大樣本數據(n>30)，以t>1.700為標準確定顯著性。

傳統的信息交易概率模型主要考察買、賣交易的筆數，而沒有考慮每筆交易的數量。Jones等[32]認為，報價驅動市場的交易次數幾乎可以解釋波動現象的全部，而每筆交易的大小甚至總交易量對波動的解釋力都相對不足。因為報價驅動市場中的做市商面對的是獨立訂單，所以會對直觀的訂單筆數變化更敏感。但在指令驅動市場，買、賣訂單的區分很難再簡單地以筆數來衡量，市場整體所關心的也不再是一個個單獨的訂單，而是等待以不同價格成交的不同數量的委托買、賣訂單的集合。因此，本研究選取的是內、外盤的總交易量指標，同時為了避免不同股票流通盤大小的差異，本研究以各股票單位時間內的平均交易量為標準對交易量進行轉換，將交易量化為等價的交易筆數。實證結果顯示，當所取單位交易量標準小幅變動時，不會影響模型的估計結果。

以2010年1月600000的日交易數據為例，除去元旦假期和周末，2010年1月共有20個有效的日交易數據。將內、外盤交易量以及流通股指標和外生信息狀況概率代入似然函數，可以得到表2所示的估計結果。

表2 改進的信息交易概率模型的估計結果Table 2 Estimation Output of the Improved PIN Model

表2的估計結果顯示了在交易數據背后的市場信息結構和交易者特征，該股票每天大概有1.917%發生交易，被信息交易者關注而發生的交易比例有近16.130%，而剩下的近84%的交易是由非信息交易者提出的，非信息交易者買入、賣出和不交易的比例分別為28.001%、29.108%和42.891%。

6 信息交易概率指標的估計結果及統計特性分析

運用同樣的方法，本研究對每一支股票的信息狀態和信息交易概率參數進行估計，并通過統計箱圖和描述統計分析直觀地展示了不同時段、不同樣本信息交易概率的波動范圍和離散程度，具體見圖4、圖5以及表3和表4。

從圖4和圖5的截面和時序統計箱圖可以看出，各樣本、各時段的信息交易概率的平均水平都在15%～35%之間，即在通常情況下，市場中各股票發生的交易中大概有15%～35%的交易量是由信息交易者提出的，這樣的信息交易比例應該比較適中。從取值范圍看，各樣本、各時段的信息交易概率的變化幅度及其取值分布情況的差異都比較大。信息交易概率超過50%的情況并不少見，個別樣本某些時段的信息交易概率甚至接近80%。這說明在某些情況下，信息交易者會在市場中占主導地位，他們的交易會影響市場整體的走勢。因此，不能因為市場大多數情況下的正常就忽視其中潛藏的信息風險危機。

為了更全面、準確地把握市場中信息交易概率的水平及其變化情況，本研究進一步對估計結果進行時序和截面統計。均值和方差分別顯示了信息交易概率的平均水平和取值的離散狀況。偏度和峰度主要反映信息交易概率取極端值的概率，峰度越高，分布曲線的尾部也就越厚，信息交易概率取極端值的概率就越大；偏度越高(低)，信息交易概率就更有可能取到較大(小)的極端值。

各樣本的截面統計結果按均值排序可以得到表3所示的結果。從表3可以發現，信息交易概率水平相近的個股，其所屬的類別也具有一定的相似性。信息交易概率水平較低的股票(如安信信托、貴州茅臺、中興通訊、中儲股份等)，其標的資產主要是與金融、物流和資源等與稀有壟斷資源相關的公司，這些公司較強的競爭優勢和行業壁壘，加上所處行業較高的市場集中度，使利用信息對這些股票進行炒作的可能性相對較小。因此，這些樣本信息交易概率的均值和方差都較小，即這些股票的信息交易概率相對較低，且波動幅度不大。相對而言，信息交易概率水平較高的股票(如深南電A、隆平高科、北京旅游和華新水泥等)主要屬于能源化工、高新科技、房地產相關和旅游行業，這些行業的特點是市場參與者較多，發展較快，話題性較強，容易被炒作而成為信息交易者關注的對象，所以這些股票自然擁有較高的信息交易概率。同時，這些股票較大的方差也反映了其信息交易概率分布較高的離散程度，這意味著信息交易者會在不同時期給予這些股票不同程度的關注，這是投資者對這些股票較強的投機傾向的反映，這些股票應成為信息不對稱風險監控和管理中重點關注的對象。信息交易概率中等的股票(如九芝堂、中國聯通、深圳機場和美的電器等)大多為醫藥、家電、公用事業等與民生相關的行業，這些股票的標的資產大多沒有太大的壟斷優勢，話題性也相對較弱。從偏度和峰度看，市場中大多數樣本都具有正偏和尖峰厚尾的分布，即使有個別偏度或峰度小于0的樣本，其負偏和平峰的程度都非常低，更直接地說明市場中的信息交易概率風險不可忽視，即使大多數的情況下信息風險不會對市場造成太大影響，但信息不對稱水平突然發生異常升高的狀況并不是小概率事件，圖4和圖5中許多過大的異常值正是正偏和尖峰厚尾分布的直觀反映。

圖4 各股票信息交易概率箱圖Figure 4 Boxplots of Each Stock′s PIN

圖5 各月份信息交易概率箱圖Figure 5 Boxplots of Each Month′s PIN

表3 各股票信息交易概率統計表(按均值升序排列)Table 3 Statistical Table of Each Stock′s PIN (Ascending Means)

表4 各月份信息交易概率統計表Table 4 Statistical Table of Each Month′s PIN

從時序角度看，圖5各月份信息交易概率的數據統計箱圖顯示出一定的季節趨勢，對信息交易概率按月份統計可以得到表4所示的結果。統計結果顯示，PIN數值最低的3個月份依次是5月、11月和8月，這3個時間分別與股票的年報、半年報和季報的業績公布時間有關。一般來說，一季度季報要在4月底公布完畢，半年報是在7月起至8月底公布完畢，三季度的季報需要在10月底公布完畢，而年度報告則需在第二年的1月中旬起至4月底公布完畢。因此，每年的5月、8月和11月應該是上市公司信息集中披露完畢之后未公開信息最少的時刻，這些月份較低的信息交易水平合乎市場實際。而PIN數值最高的2月則與春節較長的年假休市有關，因為在較長的不可交易時段會有大量的信息發生，這些私有信息的存在增加了信息交易者憑借自身的信息優勢獲利的機會，信息交易概率相對較高也是正常的。因此，為了維護市場的公平和穩定，相關監管者應該在業績公告之前的時段和較長的休市時段更多關注信息風險。

7 結論

本研究在詳細考察信息交易概率模型的建模過程和假設條件的基礎上，通過重新梳理信息交易者和非信息交易者在不同信息狀態下的訂單提交狀況，提出考慮異質期望、交易活躍度和外生信息狀態概率的改進的信息交易概率模型。實證結果表明，所構建的模型可以較好地刻畫市場的實際信息狀況，中國證券市場的信息交易概率水平與標的資產的壟斷優勢和話題性相關，壟斷優勢越強的股票信息交易概率越低，話題性越強的股票信息交易概率越高。因此，在防范信息風險時，應重點關注話題性較強的版塊，特別是股價比較容易受輿論影響波動的個股。從時間上看，信息交易概率的變化也會受公告時間的影響，公告信息發布前后的信息交易概率變化較大，公告信息發布之后的信息交易概率會大幅減小。因此，相關管理者應該加強公告信息發布機制的制度建設和監管，在公告信息發布之前的時段更多關注市場波動和信息動向。

本研究構建的模型是在經典的信息交易概率模型的基礎上，針對此類信息模型對外生信息狀態的依賴問題以及經典模型對信息交易者在無信息狀態下的行為特點考慮不足的問題提出的。通過本研究模型的修正，可以排除市場信息水平波動對信息交易概率估計的干擾，解決現有的信息不對稱指標在不同信息狀態下可比性較低的問題，從而提高市場信息不對稱水平測度的準確性。在今后的研究中可以將這一指標應用到資產定價和風險管理中，深入研究信息風險對資產價格行為的影響，并對信息風險的管理提供理論支持。

[1]Glosten L R,Milgrom P R.Bid,ask and transaction prices in a specialist market with heterogeneously informed traders[J].Journal of Financial Economics,1985,14(1):71-100.

[2]Grossman S J,Stiglitz J E.On the impossibility of informationally efficient markets[J].The American Economic Review,1980,70(3):393-408.

[3]Easley D,Kiefer N M,O′Hara M,Paperman J B.Liquidity,information,and infrequently traded stocks[J].The Journal of Finance,1996,51(4):1405-1436.

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

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

[6]Bagehot W.The only game in town[J].Financial Analysts Journal,1971,27(2):12-14,22.

[7]Kyle A S.Continuous auctions and insider trading[J].Econometrica,1985,53(6):1315-1335.

[8]Copleand T E,Galai D.Information effects on the bid-ask spread[J].The Journal of Finance,1983,38(5):1457-1469.

[9]Glosten L R,Harris L E.Estimating the components of the bid/ask spread[J].Journal of Financial Economics,1988,21(1):123-142.

[10] Dufour A,Engle R F.Time and the price impact of a trade[J].The Journal of Finance,2000,55(6):2467-2498.

[11] 許敏,劉善存.基于VAR模型的知情交易者信息性交易概率研究[J].北京航空航天大學學報:社會科學版,2010,23(5):69-71.

Xu Min,Liu Shancun.The probability of informed trading based on VAR model[J].Journal of Beijing University of Aeronautics and Astronautics:Social Sciences Edition,2010,23(5):69-71.(in Chinese)

[12] Easley D,O′Hara M.Time and the process of security price adjustment[J].The Journal of Finance,1992,47(2):577-605.

[13] 鄭振龍,楊偉.基于經典PIN模型的股票信息風險測度研究[J].管理科學,2010,23(6):91-99.

Zheng Zhenlong,Yang Wei.Measuring information risk of stocks based on classical PIN model[J].Journal of Management Science,2010,23(6):91-99.(in Chinese)

[14] 許敏,劉善存.交易者市場到達率及影響因素研究[J].管理科學學報,2010,13(1):85-94.

Xu Min,Liu Shancun.Arrival rate of traders and influencing factors[J].Journal of Management Sciences in China,2010,13(1):85-94. (in Chinese)

[15] 陳輝,顧乃康,朱雪嫣.信息不對稱、異質性交易與企業資本結構的決定[J].山西財經大學學報,2012,34(2):95-105.

Chen Hui,Gu Naikang,Zhu Xueyan.Information asymmetry,heterogeneous trading and the determinants of capital structure[J].Journal of Shanxi Finance and Economics University,2012,34(2):95-105.(in Chinese)

[16] Aktas N,de Bodt E,Declerck F,Van Oppens H.The PIN anomaly around M&A announcements[J].Journal of Financial Markets,2007,10(2):169-191.

[17] 韓立巖,鄭君彥,李東輝.滬市知情交易概率(PIN)特征與風險定價能力[J].中國管理科學,2008,16(1):16-24.

Han Liyan,Zheng Junyan,Li Donghui.The feature of probability of informed trading and risk pricing in Shanghai stock market[J].Chinese Journal of Management Science,2008,16(1):16-24.(in Chinese)

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

[19] 朱元琪,劉善存.交易信息含量與資產定價:來自A股的經驗證據[J].系統工程,2010,28(6):1-8.

Zhu Yuanqi,Liu Shancun.Trading information content and asset pricing:Evidence from Chinese A shares[J].Systems Engineering,2010,28(6):1-8.(in Chinese)

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

[21] Easley D,López de Prado M M,O′Hara M.VPIN and the flash crash:A rejoinder[J].Journal of Financial Markets,2014,17:47-52.

[22] Andersen T G,Bondarenko O.Reflecting on the VPIN dispute[J].Journal of Financial Markets,2014,17:53-64.

[23] Easley D,O′Hara M.Price,trade size,and information in securities markets[J].Journal of Financial Economics,1987,19(1):69-90.

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

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

[26] Hasbrouck J.Trading costs and returns for U.S. equities:Estimating effective costs from daily data[J].The Journal of Finance,2009,64(3):1445-1477.

[27] 張強,劉善存,邱菀華,林千惠.流動性特征對知情、非知情交易的影響研究[J].管理科學學報,2013,16(7):55-65.

Zhang Qiang,Liu Shancun,Qiu Wanhua,Lin Qianhui.Informed trading,uninformed trading and liquidity[J].Journal of Management Sciences in China,2013,16(7):55-65.(in Chinese)

[28] 王春峰,于婧晗,房振明.基于公司年報披露的交易量與信息不對稱研究[J].管理科學,2006,19(6):74-80.

Wang Chunfeng,Yu Jinghan,Fang Zhenming.Empirical research on information asymmetry and trading volume based on the disclosure of corporate earning announcements[J].Journal of Management Science,2006,19(6):74-80.(in Chinese)

[29] Gagnon L,Karolyi G A.Information,trading volume,and international stock return comovements:Evidence from cross-listed stocks[J].Journal of Financial and Quantitative Analysis,2009,44(4):953-986.

[30] Banerjee S,Kremer I.Disagreement and learning:Dynamic patterns of trade[J].The Journal of Finance,2010,65(4):1269-1302.

[31] 林虎,劉沖.投資者分歧、異常交易量和股票橫截面收益率預測:基于中國股票市場的經驗證據[J].投資研究,2011,30(10):42-55.

Lin Hu,Liu Chong.Investor divergence,abnormal trading volume and cross-sectional stock returns:Evidence from Chinese stock market[J].Review of Investment Studies,2011,30(10):42-55.(in Chinese)

[32] Jones C M,Kaul G,Lipson M L.Transactions,volume,and volatility[J].The Review of Financial Studies,1994,7(4):631-651.

StudyonMeasuringInformationRiskBasedonanImprovedPINModel

Yang Baochen1，Guo Can1，Chang Jianyong1,2

1 College of Management and Economics, Tianjin University, Tianjin 300072, China 2 Capital Norman University, Beijing 100048, China

Measuring information asymmetry accurately is the research basis of financial market′s information asymmetry issue. Based on the modeling and assumption of the classical PIN model, this paper examines different order submission behavior of information traders and non-information traders under different information states. Herein, an improved PIN model, which takes the information state probability as the exogenous variable and considers the heterogeneous beliefs and trading activity, is built up. The exogenous information state probability is estimated by Markov-switching vector autoregressive (MSVAR) model, which takes various market trading information into consideration, so the accuracy of the model could be improved. The empirical results indicate that the advanced model is more accurate in measuring the information asymmetry of financial market. First, the probability of informed trading (PIN) is related to the monopolistic advantage and topicality of underlying asset. On one hand, strong monopolistic advantage always results in a lower PIN; on the other hand, high topicality is usually accompanied by high PIN. Furthermore, the PIN vibration is influenced by reports. The PIN is always in a high level before the information being opened to the public, and subsequently decreases significantly after being reported. Therefore, for preventing information risk, it is needed to focus on the stocks that are easy to be influenced by public opinion and to pay more attention on the market fluctuations and the trends of information before announcement of related information released.

information risk；PIN model；trading activity；heterogeneous beliefs；information state

Date:July 17th, 2014

DateOctober 7th, 2014

FundedProject:Supported by the National Natural Science Foundation of China(71171144,71471129) and the Specialized Research Fund for the Doctoral Program of Higher Education of China(20130032110016)

Biography:Dr.Yang Baochen, a Hebei Tangshan native (1966-), graduated from Tianjin University and is a Professor and Ph.D.Advisor in the College of Management and Economics at Tianjin University. His research interests include economic system modeling and analysis, quantitative analysis of the financial markets and fixed income securities management, etc. E-mail：bchyang@tju.edu.cn

F830.9

A

10.3969/j.issn.1672-0334.2014.06.011

1672-0334(2014)06-0121-11

2014-07-17修返日期2014-10-07

國家自然科學基金(71171144,71471129)；高等學校博士學科點專項科研基金(20130032110016)

楊寶臣(1966-)，男，河北唐山人，畢業于天津大學，獲博士學位，現為天津大學管理與經濟學部教授、博士生導師，研究方向：經濟系統建模與分析、金融市場定量分析、固定收益證券管理等。E-mail：bchyang@tju.edu.cn

□