中國股票市場操縱對市場效率的影響研究

李志輝 王 近

一、引 言

自滬深交易所成立以來，中國股票市場在規(guī)模上取得了巨大發(fā)展。截至 2016年底，滬深兩市上市公司數(shù)量超過3000家，總市值達到51萬億元。除在外延上的增長以外，股票市場的運行質(zhì)量如何同樣值得關(guān)注。尤其是 2015年股市出現(xiàn)異常波動后，涉及交易制度、上市公司法人治理、中小投資者保護等各方面的問題集中暴露出來，需要對異常波動的深層次原因加以反思，更加大了分析中國股票市場質(zhì)量水平與探究市場質(zhì)量制約因素的緊迫性。為此，構(gòu)建針對中國資本市場質(zhì)量的評估框架就成為當務之急。

資本市場設立的初衷在于發(fā)揮其資源配置、分散風險、財富管理的功能(中國社會科學院金融研究所課題組等，2015)。根本上講，資本市場質(zhì)量的高低取決于其功能能否充分發(fā)揮，特別是存量與增量資源配置的效率以及證券定價的效率，因而市場效率(Market Efficiency)是評估市場質(zhì)量的重要維度。同時，富有效率的股票市場必須以維護市場公正透明為前提，才能確保中小投資者的合法權(quán)益受到保護(胡汝銀，2004)。因此，市場公正(Market Integrity)也是評估市場質(zhì)量時不容忽視的方面。事實上，市場效率與公正已成為全球主要證券交易所共同追求的目標(Siow and Aitken，2003)。據(jù)此，Aitken和 Harris(2011)將市場效率和公正作為兩個衡量市場質(zhì)量的維度，初步構(gòu)建了資本市場質(zhì)量評估框架。作為兩個衡量股票市場質(zhì)量的維度，效率與公正并非彼此獨立，而是存在相互影響的動態(tài)關(guān)系(Aitken and Harris et al.，2015)。因此，為全面深入地了解中國股票市場的運行質(zhì)量，有必要弄清中國股票市場公正與效率之間的相互影響關(guān)系。

有鑒于此，本文引入收盤價操縱的識別模型，以可疑收盤價操縱的嚴重程度來度量股票市場的公正性；同時，本文構(gòu)建了成交額加權(quán)相對有效價差指標，實現(xiàn)了交易成本和市場效率的更為準確的測度。進一步地，本文立足于資本市場質(zhì)量的研究框架，采用滾動 VAR模型和廣義的脈沖響應及方差分解技術(shù)分析了上海證券交易所層面操縱行為影響市場效率的方向、程度、渠道，以探究公正與效率之間關(guān)系在中國股票市場的體現(xiàn)。本文借助廣義脈沖響應及方差分解結(jié)果的時變過程，還刻畫了不同市場行情(上漲、下跌及震蕩)下操縱行為對市場效率影響程度的演變。

本文的貢獻主要體現(xiàn)在以下三點：第一，文章實現(xiàn)了交易型操縱中收盤價操縱行為的有效識別，為采用事件分析法以外的方法研究操縱行為如何影響市場效率創(chuàng)造了條件。文章引入了成交額加權(quán)相對有效價差指標，實現(xiàn)了對市場效率更加準確的測度。第二，本文采用廣義的脈沖響應與方差分解方法來分析操縱行為對市場效率的作用與影響，克服了正交的脈沖響應與方差分解結(jié)果對變量次序的依賴性(Pesaran and Shin，1998；Yang et al.，2006；Alter and Beyer，2012；梁琪等，2015；李政，2017)。第三，基于滾動 VAR模型的廣義脈沖響應分析及方差分解，本文刻畫出系統(tǒng)變量間動態(tài)作用的時變過程，從而捕捉到了操縱行為對市場效率影響程度在不同市場行情下的演變。

二、文獻回顧

市場微觀結(jié)構(gòu)理論(Market Microstructure Theory)認為，資本市場在交易機制、監(jiān)管制度等方面的安排會顯著影響市場行為，從而建議通過更好的市場設計來改善市場表現(xiàn)(Glen，1994)。該觀點內(nèi)在地包含了市場交易行為會明顯影響市場運行質(zhì)量。以該理論為基礎，國內(nèi)外學者圍繞資本市場質(zhì)量展開了大量研究，其中市場操縱行為如何影響市場效率是不容忽視的重要方面。在國外與之有關(guān)的研究方面，Aitken和 Harris等(2015)的研究表明，市場操縱的發(fā)生次數(shù)減少 50%,會導致相對報價價差降低 6%,～11%,，驗證了提升市場公正度有助于減小價差和促進市場效率提升。Comerton-Forde和 Putnins(2011)發(fā)現(xiàn)，被操縱期間股票的收益率、買賣價差及交易規(guī)模等會顯著增大。在國內(nèi)，李夢雨(2015)基于中國股票市場操縱案例的實證研究指出，操縱行為會導致交易成本增加和市場有效性降低。李志輝等(2018)基于可疑收盤價操縱監(jiān)測結(jié)果的實證分析指出，收盤價操縱會導致股票交易成本上升和流動性下降。

上述研究成果表明，國內(nèi)外學者主要基于交易所及監(jiān)管機構(gòu)所披露的市場操縱案例采用事件分析法來展開研究，與真實發(fā)生的操縱行為相比，被披露的操縱案例數(shù)量明顯較少；而且研究操縱行為對市場效率影響的目標之一在于構(gòu)建市場操縱行為的預警體系，而事件分析法具有一定的滯后性，不利于操縱行為識別方法的開發(fā)與預警體系的構(gòu)建。

操縱行為影響市場效率研究的前提在于操縱行為的有效識別與測度。有鑒于此，本文利用股票市場實時交易數(shù)據(jù)，重點關(guān)注交易型操縱①交易型操縱是指通過二級市場證券交易以使證券價格發(fā)生偏離的市場操縱方式。中的收盤價操縱行為，并以證券交易價格在開盤、收盤期間的變動特征構(gòu)建了該行為的判定標準。進一步地，基于對上述操縱行為的識別，本文采用滾動VAR模型和廣義的脈沖響應及方差分解方法，深入分析了操縱行為影響市場效率的方向、程度。Foucault(1998)給出了關(guān)于操縱行為與市場效率關(guān)系的理論闡釋：當市場操縱行為加劇證券價格波動后，訂單非執(zhí)行風險會相應下降，投資者會選取更為保守的報價策略，即在遠離最佳買入賣出價的價格上提交訂單，從而增大買賣價差和交易成本。本文也嘗試通過廣義的脈沖響應分析及方差分解對該理論闡釋進行論證。在資本市場質(zhì)量的研究框架下，本文的實證分析闡明了公正與效率兩個維度之間的關(guān)系，這有利于深化對我國股票市場公正與效率內(nèi)在關(guān)系的認識，從而為系統(tǒng)地構(gòu)建中國股票市場質(zhì)量評估框架奠定基礎。

三、可疑收盤價操縱的識別與樣本數(shù)據(jù)

操縱行為對市場效率影響研究的核心是兩者內(nèi)涵及測度方法的明確。對于市場操縱，引導證券成交價格變化并從中獲利是比較常見的操縱策略。因此，通?？梢酝ㄟ^證券價格在不同交易時刻的變化特征來構(gòu)建操縱行為的監(jiān)測方法。對于市場效率，現(xiàn)有成果除關(guān)注狹義上證券的價格發(fā)現(xiàn)效率以外，也將信息、交易技術(shù)、監(jiān)管、市場參與者等均納入市場效率的影響因素，并采用交易成本來度量②若交易成本越低，即投資者在現(xiàn)金資產(chǎn)與股票資產(chǎn)之間轉(zhuǎn)換越便利，則投資者所參與的股票市場越有效率。(Glen，1994；Aitken and Harris et al.，2015)。下面，筆者對如何測度股票市場操縱行為及效率水平做詳細介紹。

（一）操縱行為監(jiān)測

本文主要關(guān)注通過二級市場證券交易以使證券價格發(fā)生偏離的市場操縱方式，這類操縱方式為交易型操縱(Allen and Gale，1992；李夢雨，2015)。在各類交易型操縱策略中，在收盤時操縱證券價格是較為常見的策略之一。現(xiàn)有針對收盤價操縱的研究成果為構(gòu)建可疑操縱行為的識別模型奠定了基礎。一方面，有學者發(fā)現(xiàn)發(fā)生收盤價操縱后，股票價格會在收盤前發(fā)生不同于其他交易日的異常波動。比如，Carhart等(2002)發(fā)現(xiàn)美國證券市場股價上漲主要集中在收盤前半小時內(nèi)。Hillion和 Suominen(2004)發(fā)現(xiàn)巴黎證券交易所往往在收盤前最后幾分鐘內(nèi)出現(xiàn)股票價格及成交量大幅波動，并將其歸因于市場操縱。Comerton-Forde 和 Putnins(2011)發(fā)現(xiàn)，受收盤價操縱的影響，尾市期間交易活動及股票收益率顯著增加；另一方面，也有學者發(fā)現(xiàn)股票價格傾向于在被操縱的下一交易日內(nèi)發(fā)生回轉(zhuǎn)。Ben-David等(2013)研究發(fā)現(xiàn)對沖基金重倉股在季末表現(xiàn)出 0.30%,的異常收益后，會在下一交易日發(fā)生 0.25%,的收益回轉(zhuǎn)。Aggarwal和 Wu(2006)研究表明股票價格在被操縱期間上漲后，往往會在隨后的時期內(nèi)出現(xiàn)明顯下降。

總之，受改善基金業(yè)績、從股票衍生品持倉中獲利或在預先安排的場外交易中獲得有利價格等潛在動機的驅(qū)使，市場操縱者傾向于在收盤時推高目標股票價格。但是當操縱意圖實現(xiàn)后，股票價格往往會在下一交易日迅速下跌，從而表現(xiàn)出以下特征：股票價格在收盤結(jié)束前的最后時間內(nèi)呈現(xiàn)出不同于其他交易日的異常波動，并在下一交易日回轉(zhuǎn)至相對均衡的水平?；谠撎卣鳎疚臉?gòu)建了以下尾市價格偏離模型(End of Day Price Dislocation Model)。具體來說，股票被判定為發(fā)生收盤價操縱需同時滿足以下條件。

其一，交易結(jié)束前15分鐘內(nèi)股票價格出現(xiàn)異常變化，即：

其中，表示交易日t內(nèi)股票i收盤價相對收盤前15分鐘成交價格的變化率，為交易日 t前 30個交易日的滾動窗口下ΔEODit的平均值，σi為相同時間窗口下ΔEODit的標準差。

其二，與當天交易日收盤價相比，下一交易日股票開盤價出現(xiàn)價格回轉(zhuǎn)，且價格回轉(zhuǎn)幅度達到上一交易日尾市價格變化的50%,以上，即：

其中，CPt、CPt-15m分別為股票 i在交易日 t的收盤價及收盤前 15分鐘的成交價格，OPt+1為股票i在交易日t+1的開盤價。

另外，需要注意的是，符合上述判定條件的股票價格變化也可能是源于上市公司披露公告、謠言澄清等因素的影響，而與收盤價操縱無關(guān)。鑒于此，本文也采用Reuters全球新聞數(shù)據(jù)庫過濾掉了由上述因素導致的股票價格在收盤及開盤階段的異常變動，以提升收盤價操縱識別監(jiān)測的準確性與有效性。

（二）市場效率與交易成本

本文關(guān)注更廣范疇的市場效率，此時除市場信息以外交易技術(shù)、監(jiān)管、市場參與者等均是關(guān)系市場效率高低的因素。交易成本(Transaction Cost)反映了投資者買入賣出股票資產(chǎn)的便利程度，常用于評估廣義范疇的市場效率。一般而言，交易成本既包含傭金、印花稅等顯性成本，也涉及買賣價差等隱性成本(Glen，1994)。買賣價差是指股票最高買入價與最低賣出價之間的距離，其常見度量指標為收盤時刻報價價差和交易日內(nèi)按時間加權(quán)的相對報價價差等。收盤時刻報價價差僅涵蓋了交易日內(nèi)最后一個樣本點的訂單報價信息，只能度量交易最后時刻的股票交易成本；時間加權(quán)相對報價價差(Time Weighted Relative Quoted Spreads)的計算公式如下：

其中，PAit和 PBit分別為股票 i在交易日內(nèi) t時刻的最佳賣出價格和最佳買入價格，PMit為股票 i在 t時刻 PAit和PBit的均值，Wit為股票 i在交易日內(nèi) t時刻價差持續(xù)時間占當日總交易時間的比重(Siow and Aitken，2003)。盡管時間加權(quán)相對報價價差考慮了最佳買賣報價每一次變化所產(chǎn)生的影響，但該指標忽略了股票價格會因訂單執(zhí)行而發(fā)生變動以及隨之引起的訂單執(zhí)行成本的變化，這在一定程度上影響了其度量交易成本的準確性。

考慮到收盤報價價差和時間加權(quán)相對報價價差的內(nèi)在缺陷，本文借鑒Venkataraman(2001)的做法，引入成交額加權(quán)的相對有效價差(Value Weighted Relative Effective Spreads)，將其作為衡量交易成本的指標。該指標將交易日內(nèi)第k筆交易所對應的最佳買入賣出價格的平均值PMik作為股票i的內(nèi)在價值，通過測算第k筆訂單成交價格相對PMik的偏離程度實現(xiàn)交易成本的度量。其計算公式如下：

其中，Pik為股票i在交易日內(nèi)第k筆交易的成交價格，PMik為股票i在交易日內(nèi)第k筆交易最佳賣出價格和最佳買入價格的均值，|Pik-PMik|確保了不管交易為買方主動型交易(A Buyer-Initiated Trade)還是賣方主動型交易(A Seller-Initiated Trade)，相對有效價差均為正值①當交易為買方主動型交易時，買方會出不低于最低賣出價的報價以促成買入訂單成交，此時 Pik＞PMik；當交易為賣方主動型交易時，賣方會出不高于最高買入價的報價以促成賣出訂單成交，此時Pik＜PMik。。|Pik-PMik|需乘以 2是因為該指標旨在度量投資者買入股票后立即賣出時所面臨的潛在交易成本。Wik為股票i在交易日內(nèi)第k筆訂單成交額占當日總成交額的比重。

為分析操縱行為影響市場效率的渠道并論證證券交易活躍度和價格波動程度是否從中發(fā)揮作用，本文將證券交易活躍性和波動性納入模型系統(tǒng)。對于交易活躍性，通常采用訂單深度(Quoted Depth)來度量。訂單深度是指最佳買入賣出報價(Quote at the Best Bid and Offer)所對應的訂單價值，能夠反映瞬間達成交易的訂單規(guī)模的大小。該指標越大，表明市場交易活躍程度越強，市場流動性越高。其計算公式為：

其中，BestAskit和Bestbidit分別為股票i在交易時間t的最低賣出報價和最高買入報價，Volume_askit和 Volume_bidit分別為股票 i在交易時間 t最低賣出報價和最高買入報價所對應的成交數(shù)量。

除市場流動性以外，波動性也是反映股票二級市場運行狀況的重要指標。本文設定20個交易日的滾動窗口來計算交易日t股票i收益率的標準差，用以衡量股票價格波動性水平。具體計算公式如下：

其中，Ri，t＝log(Pit)-log(Pit-1)為股票 i在交易日 t的對數(shù)收益率，為交易日t-19～交易日t期間股票i收益率的平均值。

（三）樣本數(shù)據(jù)及研究方法

本文所選取的樣本區(qū)間為2013年1月4日至2016年9月30日，并以2013年1月4日前在上海證券交易所上市的股票為樣本來分析操縱行為對市場效率的影響。本文剔除了樣本區(qū)間內(nèi)存在退市風險警示或其他風險警示實施記錄的股票，以避免實施風險警示股票價格的異常波動對研究結(jié)論產(chǎn)生影響。經(jīng)過處理后，符合要求的股票共計832只。

本文重點關(guān)注整個市場層面操縱行為發(fā)生次數(shù)的多少對市場效率的影響，而不考慮該影響關(guān)系在股票層面的體現(xiàn)。據(jù)此，本文以樣本股票的分時交易數(shù)據(jù)為基礎，構(gòu)建交易所層面操縱行為發(fā)生情況、交易成本、交易活躍性及波動性的度量指標。對于操縱行為發(fā)生情況，本文根據(jù)前述市場操縱行為的判定依據(jù)，對樣本區(qū)間內(nèi)每個交易日股票是否存在操縱情形加以判斷，從而得到每個交易日內(nèi)滬市發(fā)生操縱的預警概率(Alert Incidence)。其具體計算公式如下：

其中，nt為在交易日t被判定存在市場操縱情形股票的數(shù)量，Nt為在交易日t滬市樣本股票中剔除停牌股票后的總數(shù)量①在計算操縱預警概率時，如果不剔除停牌股票的影響，可能會導致操縱預警概率被低估。同時，本文在計算各交易日內(nèi)成交額加權(quán)相對有效價差、訂單深度和日收益率標準差的平均值時，也將交易日當天停牌即未發(fā)生交易的股票排除在外。。

對于交易成本，首先按照公式(4)計算得到各樣本股票在樣本區(qū)間內(nèi)每個交易日的成交額加權(quán)相對有效價差，然后在每個交易日內(nèi)對各只股票的成交額加權(quán)相對有效價差進行簡單算術(shù)平均，并以平均值作為市場層面交易成本的度量指標。對訂單深度進行相同處理，可以得到市場層面交易活躍性的度量指標。對于波動性水平，本文以樣本股票日收益率的平均值來衡量市場層面的收益率水平，并按照公式(6)計算得到市場層面收益率的標準差，作為市場波動性的度量指標。

為減少異方差和保證數(shù)據(jù)平穩(wěn)性，本文對訂單深度和市場波動性進行對數(shù)處理。市場層面操縱預警概率、成交額加權(quán)相對有效價差、訂單深度和波動性水平分別用AI、SPREAD、DEPTH和VOL來表示。

在論證中國股票市場操縱對市場效率的影響時，不僅需要明確其影響方向，而且涉及影響程度的大小。本文選擇廣義的脈沖響應與方差分解方法來分析操縱行為對市場效率的作用與影響。

N維VAR過程為：

其中，Xt為協(xié)方差平穩(wěn)的 N維列向量，εt為N維隨機擾動項，且服從期望為 0、方差協(xié)方差矩陣為Σ的獨立同分布，即εt～iid(0,Σ)，因而εt不存在序列相關(guān)性，但各分量之間同期相關(guān)。

由于VAR模型的動態(tài)系數(shù)矩陣Φi難以直接解釋，通常將VAR模型寫為無限階的VMA過程：，VMA系數(shù)矩陣Ai服從如下遞歸表達式其中A0為N階單位矩陣；當j＞p時，Φj=0。此時，當變量i受到1單位標準差的沖擊時，Xt的H步廣義脈沖響應函數(shù)①關(guān)于廣義脈沖響應及廣義方差分解的詳細介紹可參閱 Pesaran和 Shin(1998)、Yang等(2006)、Alter和Beyer(2012)、梁琪等(2015)、李政(2017)的研究。為：

在廣義方差分解下變量ix的H步預測誤差方差中由變量jx信息所解釋的比例為：

其中，Σ為εt的方差協(xié)方差矩陣，σii為Σ的第i個對角元素，ei為選擇列向量，第i個元素為 1，其余元素均為 0。鑒于廣義方差分解下，一般采取行加總的方式進行標準化，即：

經(jīng)標準化處理后，測度了變量xi的預測誤差方差中由變量xj信息沖擊影響的比例。具體來說，、分別代表了變量 xi的預測誤差方差中來自自身信息及其他變量信息沖擊影響的比例。

四、實證結(jié)果分析

（一）變量描述性統(tǒng)計

表 1給出了各主要變量的描述性統(tǒng)計量。從其中可以看出，滬市股票操縱預警概率的平均值為 0.24%,，即每 1000只在上海證券交易所上市交易的股票中，平均有 2.4只股票存在收盤價操縱的情形。滬市股票成交額加權(quán)相對有效價差的平均值為0.2159%,，即滬市股票的平均交易成本為 0.2159%,。從偏度來看，與相對有效價差、訂單深度和市場波動性相比，操縱預警概率明顯地表現(xiàn)為右偏分布，即在均值右側(cè)存在較大的異常值。從峰度來看，操縱預警概率也比其他三個變量呈現(xiàn)出更高程度的尖峰厚尾形態(tài)。另外，J-B統(tǒng)計量也表明四個變量均不具有正態(tài)性。

表1 變量描述性統(tǒng)計

在建立VAR模型并進行廣義的脈沖響應分析及方差分解之前，本文采用ADF方法對所有變量進行單位根檢驗。由表1中檢驗結(jié)果可知，在 10%,的顯著性水平下，各變量均拒絕“存在單位根”的原假設，即模型中4個變量均是平穩(wěn)的I(0)過程。

為揭示系統(tǒng)變量間動態(tài)關(guān)系的時變過程，本文基于滾動的 VAR模型進行廣義的脈沖響應分析及方差分解。滾動分析的窗口為 120，即每個滾動子樣本包含 120個交易日的觀測數(shù)據(jù)。對于每一個滾動子樣本，筆者首先通過 AIC準則來確定 VAR模型的最優(yōu)滯后階數(shù)。對滾動子樣本VAR模型的滯后階數(shù)進行統(tǒng)計后發(fā)現(xiàn)，滯后階數(shù)為 1階的頻率最高，達到 87.86%,。最優(yōu)滯后階數(shù)的分布狀況表明，中國股票市場質(zhì)量相關(guān)變量之間的影響過程較快，系統(tǒng)內(nèi)變量新的變化能夠在很短的時間內(nèi)對其他變量產(chǎn)生影響。在確定每一個滾動子樣本下模型的滯后階數(shù)后，本文對各VAR模型的參數(shù)分別加以估計，并按照公式(9)和公式(11)分別計算了各滾動子樣本下每一個系統(tǒng)變量對自身及其他變量的脈沖響應函數(shù)及預測誤差方差分解的解釋比例。接下來，本文將據(jù)此分析系統(tǒng)內(nèi)變量間尤其是操縱行為對市場效率的作用與影響。

（二）基于滾動VAR模型的廣義脈沖響應分析

基于樣本期內(nèi)變量間脈沖響應結(jié)果的時變過程，可以計算不同預測期變量間脈沖響應序列的均值水平以及相鄰預測期之間脈沖響應序列的相關(guān)系數(shù)(如表2所示)。其中，脈沖響應的均值水平從總體上反映了變量間相互作用的方向，均值隨預測期的變化刻畫了信息沖擊發(fā)生后系統(tǒng)變量的波動過程，相關(guān)系數(shù)體現(xiàn)了各預測期脈沖響應序列隨時間變化趨勢的相對一致性。

以操縱預警概率AI對相對有效價差SPREAD所產(chǎn)生的沖擊為例，首先，當預測期H為 1時，樣本期內(nèi)脈沖響應序列的平均值為正，這表明操縱行為會導致股票市場交易成本上升和流動性下降；其次，在第 1～6個預測期內(nèi)，脈沖響應序列的平均值均保持為正，并呈現(xiàn)逐步減少的趨勢，表明盡管操縱行為對相對有效價差的正向作用逐步減弱，但仍表現(xiàn)出一定的持續(xù)性；最后，各相鄰預測期脈沖響應序列的相關(guān)系數(shù)基本上保持在0.8以上，表明不同預測期之間操縱行為對相對有效價差影響的波動特征基本一致。從其他變量間廣義脈沖響應的結(jié)果來看，在作用的持續(xù)性以及波動特征的跨預測期比較上，也表現(xiàn)出與AI對SPREAD沖擊大體相同的特征。

表2 不同預測期廣義脈沖響應結(jié)果比較

考慮到系統(tǒng)變量間廣義脈沖響應序列在不同預測期具有比較一致的波動特征，本文以上述脈沖響應結(jié)果在第 1～6個預測期的平均值來分析變量間作用關(guān)系的時變特征；進一步地，本文主要關(guān)注操縱行為影響市場效率的方向、程度及渠道，因而重點選取了與操縱預警概率、相對有效價差有關(guān)的廣義脈沖響應結(jié)果的時變過程，并將其整理在圖1中。結(jié)合表2與圖1可以明晰以下幾點。

首先，在操縱行為影響市場效率的方向方面，當 AI出現(xiàn) 1單位標準差的上升時，滾動樣本期內(nèi)SPREAD在第1～6個預測期將平均增加0.38%,；進一步來看，在2015年6月中旬中國股市結(jié)束單邊上漲行情后，第1～6個預測期內(nèi)AI對SPREAD的平均影響水平呈現(xiàn)逐步上升趨勢，并于2015年8月26日達到3.86%,。同樣，在2016年1月中國股市發(fā)生異常波動期間，第1～6個預測期內(nèi)AI對SPREAD的平均影響程度也有所增強。這充分說明，與震蕩、上漲的市場行情相比，下跌行情下操縱行為對交易成本及市場效率的消極影響往往更為顯著。

其次，在操縱行為影響市場效率的渠道方面，本文發(fā)現(xiàn)，引起市場波動程度上升和交易活躍程度減弱可能是市場操縱影響市場效率的方式。一方面，當AI出現(xiàn)1單位標準差的上升時，滾動樣本期內(nèi)VOL在第1～6個預測期將平均增加1.22%,，并且在87%,的樣本期內(nèi)AI對VOL脈沖響應的數(shù)值為正，表明操縱行為會促進市場波動加??；當市場操縱概率提升引起市場波動加劇后，可能會進一步導致交易成本上升。這是因為，根據(jù)VOL對SPREAD的脈沖響應結(jié)果，當VOL出現(xiàn)1單位標準差的上升時，滾動樣本期內(nèi)SPREAD在第1～6個預測期將平均增加0.33%,，并且在83%,的樣本期內(nèi)VOL對SPREAD脈沖響應的數(shù)值為正，表明市場波動加劇會導致交易成本上升。

另一方面，當AI出現(xiàn)1單位標準差的上升時，滾動樣本期內(nèi)DEPTH在第1～6個預測期將平均減少 2.38%,，并且在 76%,的樣本期內(nèi) AI對 DEPTH脈沖響應的數(shù)值為負，表明操縱行為會降低市場交易活躍程度；當市場操縱概率提升引起交易活躍度下降后，可能會進一步導致交易成本上升。這是因為，根據(jù)DEPTH對SPREAD的脈沖響應結(jié)果，當DEPTH出現(xiàn)1單位標準差的減少時，滾動樣本期內(nèi)SPREAD在第1～6個預測期將平均增加0.15%，并且在74%,的樣本期內(nèi)DEPTH對SPREAD脈沖響應的數(shù)值為負，表明市場交易活躍程度下降會導致交易成本上升。這可以解釋為盡管市場操縱會導致被操縱股票的交易量明顯增加(Comerton-Forde and Putnins，2011；李夢雨，2015)，但操縱行為的發(fā)生違背了市場公正原則，侵害了絕大多數(shù)投資者的合法權(quán)益，會惡化投資者信心，降低其參與市場交易的意愿。此時，市場總體的交易活躍程度可能會有所減弱，并促使市場流動性降低和交易成本上升。

最后，本文還發(fā)現(xiàn)，當DEPTH出現(xiàn)1單位標準差的上升時，滾動樣本期內(nèi)VOL在第1～6個預測期將平均增加1.04%,，并且在 77%,的樣本期內(nèi) DEPTH對VOL脈沖響應的數(shù)值為正，表明市場交易活躍程度的提升會加劇市場波動。這可能是因為隨著市場交易活躍程度的提升，有越來越多的流動性交易者、不知情交易者參與到市場中，從而提升了市場交易中噪聲交易的占比，而噪聲交易增加會加劇股票市場摩擦，進而導致市場波動程度加大(蘇冬蔚，2008)。進一步來看，在 2014年下半年中國股市進入單邊上漲階段后，市場交易活躍程度對市場波動的影響明顯增強，并于2015年6月中國股市發(fā)生異常波動后迅速減弱，表明市場交易活躍度對市場波動的影響程度呈現(xiàn)出與市場行情相一致的特征。

圖1 系統(tǒng)主要變量間廣義脈沖響應結(jié)果的時變過程(單位：%,)

（三）基于滾動VAR模型的廣義方差分解

與前述廣義脈沖響應結(jié)果的分析類似，本文以不同預測期變量間解釋比例的均值比較以及相鄰預測期解釋比例序列的相關(guān)系數(shù)(如表3所示)來分析系統(tǒng)變量間作用程度的總體特征。由表3可以看出，對于操縱預警概率AI對相對有效價差SPREAD波動的解釋度，當進入第 2個預測期以后，該解釋度在樣本期內(nèi)的平均值保持在 13%,以上，表明操縱行為對市場效率的影響在第2個預測期基本達到穩(wěn)定狀態(tài)；同時，相鄰預測期該解釋比例序列的相關(guān)系數(shù)介于 0.84～1.00之間，表明不同預測期內(nèi)操縱行為對市場效率影響的波動具有較高的一致性。從其他廣義方差分解結(jié)果來看，在變量間作用程度以及作用程度隨時間波動的跨預測期比較上，也表現(xiàn)出與 AI對 SPREAD波動解釋度大體相同的特征。

表3 不同預測期廣義方差分解結(jié)果比較

變量間解釋比例序列的均值水平基本上在6個預測期內(nèi)達到穩(wěn)定，鑒于此，本文以廣義方差分解結(jié)果在第1～6個預測期的平均值來分析變量間作用程度的時變特征。與前述廣義脈沖響應分析相一致，本文選取了與操縱預警概率、相對有效價差有關(guān)的廣義方差分解結(jié)果的時變過程，并將其整理在圖2中。結(jié)合表3與圖2可以看出：首先，從操縱行為對相對有效價差的綜合影響來看，市場操縱對相對有效價差波動的解釋比例大致保持在5%,～30%,之間，表明市場操縱行為會對交易成本產(chǎn)生較大影響。進一步來看，在2015年股市異常波動期間該解釋比例出現(xiàn)明顯提升，于2015年8月26日達到峰值，接近44%,。這進一步印證了前述廣義脈沖響應分析的結(jié)論：操縱行為對市場效率的影響往往在下跌行情下更為顯著。其次，對于操縱行為通過加劇市場波動影響市場效率的作用路徑，操縱行為對市場波動的解釋比例大致保持在0～15%,之間，市場波動對相對有效價差波動的解釋比例大致保持在0～20%,之間；對于操縱行為通過降低市場交易活躍度影響市場效率的作用路徑，操縱行為對訂單深度的解釋比例大致保持在0～8%之間，訂單深度對相對有效價差波動的解釋比例大致保持在0～20%之間。這充分表明“AI→VOL→SPREAD”、“AI→DEPTH→SPREAD”是操縱行為作用于市場效率的兩個不容忽視的傳導渠道。進一步地，從市場波動與訂單深度對相對有效價差解釋度的時變過程來看，兩者的相關(guān)系數(shù)高達-0.57，即市場波動與訂單深度對相對有效價差的影響呈相反變動趨勢，并且市場波動的影響往往在下跌行情里更為顯著，而訂單深度的影響往往在震蕩及上漲行情里更為顯著。

圖2 系統(tǒng)主要變量間廣義方差分解結(jié)果的時變過程(單位：%,)

五、結(jié)論與政策啟示

本文從資本市場質(zhì)量的研究視角出發(fā)，引入交易型操縱中收盤價操縱行為的識別模型和成交額加權(quán)的相對有效價差指標，實現(xiàn)了對中國股票市場操縱行為及市場效率的有效測度。進一步地，本文采用滾動VAR模型和廣義的脈沖響應及方差分解方法分析了上海證券交易所層面操縱行為影響市場效率的方向、程度、渠道，并基于廣義脈沖響應及方差分解結(jié)果的時變過程，對不同市場行情下操縱行為對市場效率的影響進行了比較。

市場公正與效率是兩個重要的衡量股票市場質(zhì)量的維度。經(jīng)過筆者測算，滬市股票操縱預警概率的平均值為 0.24%?；跐L動VAR模型的廣義響應分析及方差分解，本文還發(fā)現(xiàn)：(1)操縱行為會導致股票市場交易成本上升，并且操縱行為對市場效率的影響往往在下跌行情里更為顯著。(2)操縱行為可能通過兩個渠道對市場效率產(chǎn)生影響：一是通過加劇市場波動導致相對有效價差擴大，從而在一定程度上佐證了“操縱行為—加劇市場波動—降低訂單非執(zhí)行風險—投資者報價策略趨于保守—價差擴大及交易成本上升”的作用渠道。二是通過降低市場交易活躍度導致相對有效價差擴大，這意味著操縱行為由于破壞了市場公正，會侵害絕大多數(shù)投資者的合法權(quán)益，從而惡化投資者信心，降低其參與市場交易的意愿。此時，市場總體的交易活躍程度可能會有所減弱，并促使市場流動性降低和交易成本上升。(3)市場交易活躍程度的提升往往會加劇市場波動，并且市場交易活躍度對市場波動的影響程度呈現(xiàn)出與市場行情相一致的特征。

上述實證分析結(jié)論對探索提升我國股票市場質(zhì)量的路徑具有深刻的政策啟示。一方面，鑒于收盤價操縱行為往往會導致股票價格在收盤前出現(xiàn)異常變化，建議監(jiān)管部門據(jù)此開發(fā)和設計可疑收盤價操縱行為的監(jiān)測體系，并結(jié)合涉及客戶詳細訂單信息的全賬簿數(shù)據(jù)對監(jiān)測體系加以調(diào)整與完善，從而提升其有效性。以該監(jiān)測體系為工具，監(jiān)管部門得以將監(jiān)管重點集中于被監(jiān)測出的可疑收盤價操縱行為，從而提升市場操縱行為監(jiān)管的效率；另一方面，鑒于市場操縱行為往往會導致交易成交上升和市場運行效率下降，建議監(jiān)管部門在增強操縱行為發(fā)現(xiàn)能力的同時，進一步加大對這類行為的處罰力度來提升其違法違規(guī)成本。

［1］胡汝銀.中國證券市場發(fā)展：對關(guān)鍵問題的審視[J].中國金融，2004(8)：50-52.

［2］梁 琪，李 政，郝項超.中國股票市場國際化研究：基于信息溢出的視角[J].經(jīng)濟研究，2015(4)：150-164.

［3］李夢雨.中國股票市場操縱行為及預警機制研究[J].中央財經(jīng)大學學報，2015(10)：32-42.

［4］李 政.“811匯改”提高了人民幣匯率中間價的市場基準地位嗎？[J].金融研究，2017(4)：1-16.

［5］李志輝，王 近，李夢雨.中國股票市場操縱對市場流動性的影響研究——基于收盤價操縱行為的識別與監(jiān)測[J].金融研究，2018(2)：136-153.

［6］蘇冬蔚.噪聲交易與市場質(zhì)量[J].經(jīng)濟研究，2008(9)：82-95.

［7］中國社會科學院金融研究所課題組，王國剛，董裕平.完善中國金融市場體系的改革方案研究[J].金融評論，2015(3)：1-16.

［8］Aggarwal R.K.，Wu G.Stock Market Manipulations[J].Journal of Business，2006，79(4)：1915-53.

［9］Aitken M.J.，Harris F.H.D.Evidence-Based Policy Making for Financial Markets：A Fairness and Efficiency Framework for Assessing Market Quality[J].Journal of Trading，2011，6(3)：22-31.

［10］Aitken M.J.，Harris F.H.D.B.，Ji S.A Worldwide Examination of Exchange Market Quality：Greater Integrity Increases Market Efficiency[J].Journal of Business Ethics，2015，132(1)：147-70.

［11］Allen F.，Gale D.Stock-Price Manipulation[J].Review of Financial Studies，1992，5(3)：503-29.

［12］Alter A.，Beyer A.The Dynamics of Spillover Effects During the European Sovereign Debt Turmoil[J].Journal of Banking &Finance，2014，42(4)：134-53.

［13］Ben-David I.，F(xiàn)ranzoni F.，Landier A.，et al.Do Hedge Funds Manipulate Stock Prices?[J].Journal of Finance，2013，68(6)：2383-434.

［14］Carhart M.M.，Kaniel R.，Musto D.K.，et al.Leaning for the Tape：Evidence of Gaming Behavior in Equity Mutual Funds[J].Journal of Finance，2002，57(2)：661-93.

［15］Comerton-Forde C.，Putnins T.J.Measuring Closing Price Manipulation[J].Journal of Financial Intermediation，2011，20(2)：135-58.

［16］Foucault T.Order Flow Composition and Trading Costs in a Dynamic Limit Order Market[J].Journal of Financial Markets，1998，2(2)：99-134.

［17］Glen J.D.An Introduction to the Microstructure of Emerging Markets[J].Social Science Electronic Publishing，1994，53(1)：394-403.

［18］Hillion P.，Suominen M.The Manipulation of Closing Prices [J].Journal of Financial Markets，2004，7(4)：351-75.

［19］Pesaran H.H.，Shin Y.Generalized Impulse Response Analysis in Linear Multivariate Models[J].Economics Letters，1998，58(1)：17-29.

［20］Siow A.S.，Aitken M.J.Ranking World Equity Markets on the Basis of Market Efficiency andIntegrity[Z].Social Science Electronic Publishing，2004.

［21］Venkataraman K.Automated Versus Floor Trading：An Analysis of Execution Costs on the Paris and New York Exchanges[J].Journal of Finance，2001，56(4)：1445-85.

［22］Yang J.，Cheng H.，Li Q.，et al.The Emerging Market Crisis and Stock Market Linkages：Further Evidence[J].Journal of Applied Econometrics，2006，21(6)：727-44.