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

王春峰 ， 熊春連，2， 房振明， 黃曉彬

(1. 天津大學管理與經(jīng)濟學部， 天津 300072； 2. 天津城建大學理學院， 天津 300384; 3. 渤海證券股份有限公司， 天津 300381)

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

王春峰1， 熊春連1，2， 房振明3， 黃曉彬1

(1. 天津大學管理與經(jīng)濟學部， 天津 300072； 2. 天津城建大學理學院， 天津 300384; 3. 渤海證券股份有限公司， 天津 300381)

針對已有流動性深度日內(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。進一步以交易量為流動性深度的代理指標，研究了中國股市的流動性深度日內(nèi)模式。研究發(fā)現(xiàn)：異常交易量確實對我國股市的深度日內(nèi)模式有影響；由于對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，對信息敏感的中、小市值股票具有W型模式，而對信息相對不敏感的大市值股票呈U型模式；由于不同市場走勢下，投資者對市場信息的敏感程度不同，我國股市深度日內(nèi)模式受市場走勢的影響，牛市時，深度日內(nèi)模式呈U型，而熊市時，深度日內(nèi)模式呈W型。

流動性； 深度； 日內(nèi)模式； 馬爾科夫調(diào)制泊松過程

證券市場流動性是證券市場的生命力所在。對證券市場流動性模式的研究一方面能夠揭示信息傳導和價格發(fā)現(xiàn)過程的本質(zhì)，尋找市場運行的規(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，對證券市場流動性模式的研究始終是證券市場微觀結(jié)構(gòu)研究領(lǐng)域的重要問題之一。

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

可見，已有研究沿著構(gòu)建各種不同的流動性深度代理指標，考察不同交易機制下不同證券市場的流動性深度模式及產(chǎn)生原因的方向發(fā)展。但存在幾點不足：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)污染的觀測數(shù)據(jù)，而這些異常事件很可能會造成研究結(jié)果偏誤。這就不難解釋為什么不同市場甚至相同市場，研究者得出的流動性深度模式不同；其次，已有文獻未區(qū)分不同規(guī)模股票的流動性深度模式，證券市場的實踐表明，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)模股票的流動性深度模式混合起來研究可能很難得出真實的結(jié)論；最后，已有的研究局限于整個樣本期，未區(qū)分牛市和熊市時的流動性深度模式。不同市場態(tài)勢下投資者的行為不同，如風險厭惡程度、投資者情緒等不同，而市場流動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)制泊松過程，本文構(gòu)建一個交易量分離模型，該模型可以將交易量中的異常交易量分離出來，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)為研究對象的局限。進一步，基于構(gòu)建的交易量分離模型實證研究我國股市的流動性深度模式。首先，研究我國股市的流動性深度模式是否受異常交易量數(shù)據(jù)影響；其次，研究我國股市牛市和熊市時的流動性深度日內(nèi)模式是否相同；最后，研究不同規(guī)模股票的流動性深度日內(nèi)模式是否相同。本文的研究不僅擴展了數(shù)據(jù)分離方法在交易量的研究領(lǐng)域的應用，而且豐富了我國股市流動性模式的研究，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

馬爾科夫調(diào)制泊松過程(Markov modulated Poisson process，MMPP)是一個泊松過程，其瞬時泊松到達率是一個平穩(wěn)的隨機過程，且受到另一個泊松過程的調(diào)制，這另一個泊松過程的發(fā)生與否取決于一個不可觀測的隱馬爾科夫過程所處的狀態(tài)。由MMPP產(chǎn)生的數(shù)據(jù)是觀測數(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)制泊松過程和隱馬爾科夫鏈近年來在資產(chǎn)定價、價格行為及期權(quán)定價等金融領(lǐng)域逐步得到應用。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)制泊松過程進一步應用到分離證券市場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隱馬爾科夫調(diào)制泊松過程產(chǎn)生的觀測數(shù)據(jù)，將異常事件的發(fā)生看作是隱一個馬爾科夫鏈，這個隱馬爾科夫鏈產(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)制非齊次泊松過程模型建模交易量，進而分離交易量中的異常交易量。具體建模步驟如下。

將時間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)計推斷的原理，本文選擇共軛先驗分布作為變量λ0、δ、η的先驗分布，從而保證后驗分布具有與先驗分布相同的分布形式，進而為后面的統(tǒng)計推斷帶來方便。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，但不可通過交易數(shù)據(jù)觀測到。本文把異常事件z(t)看作是一個具有2個狀態(tài)的一階隱馬爾科夫過程，即

其中Dir(·)為Dirichlet分布。當z(t)≠0時，假設(shè)N1(t)服從到達率為γ(t)的非齊次泊松過程。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，但可通過下面式(1)的積分化簡得到N1(t)的邊際分布。

(1)

其中NBin(·)為負二項分布。因此當z(t)≠0時，可以通過隨機模擬的方法生成服從負二項分布的異常交易量N1(t)。

3. 模型參數(shù)的估計

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

第一步，給定N0(t)，估計λt的三個參數(shù)λ0、δ、η，從而獲得λt的估計， 首次計算時以觀測序列N(t)代替N0(t)；第二步，給定N(t)、λt、Mz估計狀態(tài)z(t)，首次計算時狀態(tài)轉(zhuǎn)移概率矩陣Mz取先驗值；第三步，根據(jù)步驟二得出的z(t)，計算z(t)各個值之間的轉(zhuǎn)移頻率，從而獲得Mz各個元素的值，進而更新Mz；第四步，給定N(t)、λt、z(t)，采用MCMC的方法估計N0(t)、N1(t)。然后不斷循環(huán)上述四個步驟，直到各參變量取值滿足收斂標準時停止。最后通過如下兩個手段評價模型估計的效果：第一，估計參數(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)似然值評價。由于篇幅所限，以上具體的估計過程參考Scott[10]等、Ihler[11]等的研究。

二、數(shù)據(jù)描述與實證方法

1. 樣本選擇與數(shù)據(jù)

本文整個樣本區(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中國股市。中證100中只選取了84只股票是因為在樣本期，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的指數(shù)中。

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

2. 實證方法

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，并在此基礎(chǔ)上研究我國股市的流動性深度日內(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)計上檢驗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，則說明我國股市的流動性深度日內(nèi)模式受異常交易量的影響，因此研究我國股市的流動性深度日內(nèi)模式應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股市的流動性深度日內(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，即得到我國股市不同規(guī)模股票的流動性深度日內(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)計上檢驗不同規(guī)模股票的流動性深度日內(nèi)模式是否顯著。

第四步，在牛市和熊市時，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N0(t)的日內(nèi)模式，即得到我國股市牛市和熊市時的流動性深度日內(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)計上檢驗牛市和熊市時的流動性深度日內(nèi)模式是否顯著。

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

(2)

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

為了避免多重共線性，回歸方程中去除第9個交易時段虛擬變量T9，因本文日內(nèi)交易時段共分為48個，因此，該回歸方程中共47個虛擬變量。各虛擬變量的取值如下：若Vt是日內(nèi)第1個時段對應的5分鐘交易量，則此時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；c為常數(shù)項。本文采用最小二乘法進行回歸參數(shù)估計,并采用LM檢驗誤差項的自相關(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)最小二乘法進行回歸參數(shù)的估計。若誤差項既存在自相關(guān)又存在異方差時則采用加權(quán)最小二乘法AR(P)組合程序來校正異方差和自相關(guān)。下文僅僅報告回歸系數(shù)和一些關(guān)鍵統(tǒng)計量的結(jié)果。

三、實證結(jié)果與分析

1. 整個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的深度相對較大，似乎整個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)對整個樣本期的N(t)、N0(t)進行回歸。對N(t)回歸時，回歸方程中的Vt取整個樣本期284只樣本股票的5分鐘交易量序列N(t)的平均值序列；對N0(t)回歸時，回歸方程中的Vt取整個樣本期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是整個樣本期剔除異常交易量前后整個股市的深度日內(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段前的系數(shù)較大，開盤后，隨著交易進行，日內(nèi)時段的系數(shù)逐漸變小，到中午收盤附近達到最小，下午開盤后，日內(nèi)時段的系數(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段前的系數(shù)較大，開盤后，隨著交易進行，日內(nèi)時段的系數(shù)逐漸變小，到中午收盤附近達到最小，下午開盤后5分鐘的系數(shù)突然變大，然后有一小段時間的系數(shù)變小，最后日內(nèi)時段的系數(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?？梢姡蕹惓＝灰琢壳昂蟮纳疃热諆?nèi)模式存在差異，這表明研究我國股市的流動性深度日內(nèi)模式確受異常事件的影響。因此，有關(guān)流動性深度日內(nèi)模式的研究有必要剔除交易量中的異常交易量?；诖耍竺嫖覀兎謩e研究剔除異常交易量后不同規(guī)模股票和不同市場態(tài)勢下的深度日內(nèi)模式。

2 .整個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，我國股市的流動性深度日內(nèi)模式研究確有必要剔除交易量中的異常交易量，這里對剔除異常交易量后不同規(guī)模股票的深度日內(nèi)模式進行研究。

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)計上檢驗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)對整個樣本期不同規(guī)模股票的N0(t)進行回歸。對大市值股票的N0(t)回歸時，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；對中、小市值股票的N0(t)回歸時，回歸方程中的Vt的取法與此類似。

圖2 整個樣本期不同規(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間所帶來的風險，在下午收盤時調(diào)整其投資組合，導致交易需求增大，深度也明顯增大；而在早晨開盤時，一方面，不知情交易者周期性的資產(chǎn)組合調(diào)整，導致交易需求增加，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，對于短暫的中午休市期，由于這段時間給投資者帶來的風險相對較小，因此，中午收盤時投資者的資產(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，由于中午休市所積累的信息，導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，相對于中小市值股票而言，大市值股票對信息的反應不夠敏感，從而在中午開盤時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態(tài)勢下的深度日內(nèi)模式

同樣，由于前文表明，我國的流動性深度日內(nèi)模式研究確有必要剔除交易量中的異常交易量，這里對剔除異常交易量后不同市場態(tài)勢下的深度日內(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較大，且均呈現(xiàn)W型，所不同的是熊市時中午開盤深度增加幅度較牛市時更大。

為了從統(tǒng)計上檢驗剔除異常交易量后牛市和熊市時的我國股市深度日內(nèi)模式是否存在顯著差異，根據(jù)式(2)對整個樣本股票在牛市和熊市時的N0(t)分別進行回歸。對牛市的N0(t)回歸時，回歸方程中的Vt是對牛市時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；而對熊市的N0(t)回歸時，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N0(t)的日內(nèi)模

表3是剔除異常交易量后牛市和熊市時的深度日內(nèi)模式回歸結(jié)果，該結(jié)果表明：牛市時，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，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。這說明我國股市剔除異常交易量后不同市場態(tài)勢下的深度日內(nèi)模式存在顯著差異，熊市時中午開盤深度增加幅度較牛市時增加幅度更顯著。產(chǎn)生這一差異的原因可能是：熊市市場震蕩劇烈，風險厭惡的投資者對市場信息更加敏感，從而在中午開盤時基于信息的交易需求增加顯著。而牛市市場相對穩(wěn)定，風險厭惡的投資者對市場信息相對不敏感，從而在中午開盤時基于信息的交易需求增加則相對不顯著。

表3 剔除異常交易量后牛市和熊市時的日內(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分別代表牛市時和熊市時的N0(t)。

4. 穩(wěn)健性檢驗

為了進一步檢驗結(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，以進一步檢驗規(guī)模變量是否對深度有顯著影響。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，本文還將市場態(tài)勢作為虛擬變量加入到式(2)中，以進一步檢驗市場態(tài)勢是否對深度有顯著影響。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)模變量和市場態(tài)勢變量到式(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，這說明規(guī)模對深度有顯著影響，這進一步驗證了不同規(guī)模股票的深度模式不同；M2的系數(shù)顯著，這說明市場態(tài)勢對深度有顯著影響，這進一步驗證了牛市和熊市時的深度模式不同。

四、結(jié) 語

基于馬爾科夫調(diào)制泊松過程模型，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。進一步研究了中國股市的流動性深度日內(nèi)模式，得出以下結(jié)論：1) 異常交易量確實對我國股市的深度日內(nèi)模式有影響；2) 由于對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，對信息敏感的中、小市值股票具有W型模式，而對信息相對不敏感的大市值股票呈U型模式；3) 由于不同市場走勢下，投資者對市場信息的敏感程度不同，我國股市深度日內(nèi)模式受市場走勢的影響：牛市時，深度日內(nèi)模式呈U型；而熊市時,深度日內(nèi)模式呈W型。

表4 穩(wěn)健性檢驗回歸

為了進一步研究我國股市的流動性深度日內(nèi)模式，基于本文構(gòu)建的交易量分離模型，研究牛市和熊市時不同規(guī)模股票的流動性深度日內(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)流動性:深度變化實證研究[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.流動性與風險管理：一個基于二元t分布GARCH估計方法的L-VAR模型[J].天津大學學報：社會科學版,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.

教育部長江學者和創(chuàng)新團隊發(fā)展計劃資助項目(IRT1028)；國家自然科學基金面上資助項目(71271146).

王春峰(1966— )，男，博士，教授.

熊春連, xiongchunlian@163.com.

F830

A

1008-4339(2014)02-097-08