算法交易提高了我國股票市場的定價效率嗎？*

王 凡

（山東大學商學院，山東 威海 264209）

一、引言

隨著計算機的普及，全球證券市場的交易方式發(fā)生了根本性變化，各國證券市場的大部分交易都實現(xiàn)電子化。利用計算機和算法執(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.，全球算法交易市場規(guī)模預計將從2019年的111億美元增長到2024年的188億美元②資料來源：Algorithmic Trading: HPC & AI Reference [EB/OL]. Delltechnologies, 2021-10-27.。算法活動在便利交易的同時，也容易造成證券市場出現(xiàn)較大震蕩。2010年美國股票市場“閃電崩盤”事件發(fā)生，學術(shù)界與監(jiān)管機構(gòu)等對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，確定每一時期提交訂單數(shù)量、金額與方向，最大限度減少大型訂單對市場的沖擊，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)平均價格（VMAP）等指標，減少執(zhí)行成本，在市場動蕩時期等待最佳交易時機的到來，有效抑制價格波動。但是另一方面，算法交易的自動快速執(zhí)行可能會助長暴漲暴跌，不利于證券市場的平穩(wěn)健康發(fā)展。2013年“光大烏龍指”事件的爆發(fā)，引起市場對交易結(jié)構(gòu)問題與監(jiān)管制度漏洞的警惕。2015年，上海公安機關(guān)偵破一起涉嫌操縱期貨市場的案件，伊世頓公司利用算法交易，2年內(nèi)非法獲利20億元。

相較于西方國家，我國證券交易市場建立時間晚，依靠人工撮合進行證券交易的歷史短，借助技術(shù)發(fā)展優(yōu)勢與海外經(jīng)驗，電子化交易系統(tǒng)自證券市場建立初期就已然配備。隨后，算法交易技術(shù)引進國內(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)趨勢進一步加強，在最大化收益與降低風險的利益驅(qū)動下，算法交易被廣泛使用。有報告顯示，中國的量化基金規(guī)模不斷增加，2020年備案量化/對沖策略的基金占當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：中國證券投資基金業(yè)年報2020[R].中國證券投資基金業(yè)協(xié)會, 2020。。

近年來，交易系統(tǒng)的完善和風險防范機制的健全使證券市場惡性事件發(fā)生頻率變低，且因大多數(shù)算法交易對市場的影響不易被察覺、媒體報道減少和技術(shù)新鮮感褪去，這一問題不再被投資者廣泛關(guān)注。當前我國對算法交易的學術(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其與當前我國金融市場發(fā)展之間關(guān)系的分析和理解。鑒于我國證券市場基本制度尚處于不斷完善建設中，機構(gòu)投資者與個體投資者的知識水平距離西方國家仍存差距，股市定價機制運轉(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股票市場的效率有待進一步考察。誠然，算法交易與人工交易相比有很多優(yōu)勢，算法交易的邏輯準確性和決策執(zhí)行速度，都能有效降低人類非理性行為所造成的股價波動，提高定價準確度。但是，算法交易也容易利用速度優(yōu)勢，不以成交為目的頻繁申報撤單，破壞證券市場秩序，給市場交易效率帶來新的挑戰(zhàn)。因此，厘清算法交易與我國股票市場關(guān)系，在技術(shù)變革的同時防范風險，對我國股票市場的健康發(fā)展至關(guān)重要。算法交易究竟是克服人類弱點的“理性交易者”或“價值發(fā)現(xiàn)者”，還是利用人類弱點擾動市場的“投機者”或“趨勢跟蹤者”？本文將算法交易的定價效率問題引入我國股票市場研究視野，利用實證數(shù)據(jù)探究算法交易如何影響股票定價效率。

本文可能的貢獻主要體現(xiàn)在以下幾個方面：第一，本文根據(jù)我國交易制度和算法交易執(zhí)行特點，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，為學者與監(jiān)管層等識別市場中的算法交易提供借鑒。第二，在國外算法交易的影響分析中，學者們往往局限于單一指標分析，不能有效衡量交易方式改變所產(chǎn)生的內(nèi)在傳導機制。事實上，定價效率的改變往往受到證券市場中其他渠道影響。本文結(jié)合我國實際背景，通過將股市的波動性、投資者異質(zhì)信念等納入到算法交易的影響機制分析中，更全面地對算法交易影響機制進行實證檢驗。第三，算法交易往往同時在多個交易場所進行，每個交易所都有不同的市場準入條件和微觀結(jié)構(gòu)，僅對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我國股票市場的影響。

二、文獻綜述

（一）算法交易的識別

由于識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尋找算法交易的代理變量。早期學者利用出售算法產(chǎn)品的經(jīng)紀人數(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）證明了在存在臨時價格影響和交易完成期限的情況下，最佳動態(tài)執(zhí)行策略是將訂單進行切分。技術(shù)進步將這一模型由理論變?yōu)楝F(xiàn)實，陳夢根（2013）認為，算法交易對資本市場的影響主要體現(xiàn)在算法交易通過大單分割減少了對市場產(chǎn)生的沖擊，可以有效降低交易成本。夏中寶（2017）也認為，算法交易的起源是為了有效降低大單交易的市場沖擊成本，對交易量較大的母單按照特定的交易策略和邏輯由計算機程序進行自動拆分，對拆分后較小子單進行定時定量自動報單交易，從而使整個交易獲得更優(yōu)的成交價格。

在實證研究方面，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，此衡量標準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年算法交易對全球42個股票市場的影響?！澳竼尾鸱帧钡奶攸c使得研究者能夠從多個維度來衡量算法交易。Weller（2018）利用美國證監(jiān)會的“市場信息數(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、每單交易量四個指標作為算法交易的代理變量，前兩個變量與算法交易活動正向相關(guān)，后兩個則反向相關(guān)。因部分證券交易所實現(xiàn)了從源頭上對交易主體進行識別，Hendershott等（2013）根據(jù)德國證券交易所的自動交易程序（ATP）信息來識別算法交易，這是最早試圖直接識別算法交易的研究之一。此后，Dubey等（2021）利用印度證券市場對算法交易訂單的獨特標識，提高了算法交易識別準確度。在日本證券市場，Saito等（2018）利用高頻數(shù)據(jù)中發(fā)出訂單服務器的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)來捕捉算法交易動態(tài)活動。

（二）股票市場定價效率

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

現(xiàn)有涉及資產(chǎn)定價效率的文獻主要集中在以下領(lǐng)域：在政策方面，學者們研究了融資融券（許紅偉和陳欣，2012）、賣空機制（李志生等，2015）、發(fā)行機制（周孝華等，2006）、資本市場雙向開放（彭紅楓和萬洋，2022）等對定價效率的影響；此外，還有相關(guān)研究者衡量新聞媒體報道（黃俊和郭照蕊，2014； 熊艷等，2014）、機構(gòu)投資者（李志輝等，2021）、知情交易（陳國進等，2019）以及投資者情緒（Luo等，2021）等因素對股票定價的作用機制。上述學者在當時的背景下有效評判了市場新興現(xiàn)象對證券定價效率的影響。然而遺憾的是，算法交易作為當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我國股票市場定價效率的影響。

（三）算法交易與股票市場定價效率

以往文獻表明，算法交易對證券市場能產(chǎn)生很大影響。Brogaard等（2014）探究了高頻交易商在價格發(fā)現(xiàn)和價格效率方面的作用，發(fā)現(xiàn)無論是在市場波動平緩時期還是在波動劇烈時期，高頻交易商都能在永久性價格變化方向或過渡性定價錯誤的相反方向進行交易，從而提高價格效率。此外，算法交易的預測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捕捉和行為識別模仿。Grossman等（1980）認為信息是存在成本的，算法交易前期建設成本高，但投入使用后邊際成本較低，較低的交易成本會鼓勵信息的收集和納入。Hendershott等（2011）認為收回建設成本的需求導致交易商在回報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差和逆向選擇程度。Foucault等（2016）對知情投機者在消息公布前進行交易（“快”）和公布后交易（“慢”）的最佳交易策略進行比較后發(fā)現(xiàn)，雖然投機者交易與消息公布前后的短期價格變動密切相關(guān)，但投機者也會根據(jù)其對資產(chǎn)長期價值的估計進行交易，從而為價格發(fā)現(xiàn)做出貢獻。Weller（2018）從動態(tài)角度衡量信息價格效率，將價格信息含量作為評估要素，利用美國證券市場的季度面板市場數(shù)據(jù)研究后發(fā)現(xiàn)，盡管算法交易對于信息轉(zhuǎn)化進價格非常重要，但同時也可能阻礙信息獲取并降低可獲得信息的價格效率。劉鵬（2019）指出，程序化交易促使資本市場聯(lián)動、協(xié)同定價現(xiàn)象的產(chǎn)生，在社交平臺、信息技術(shù)公司的影響下，程序化交易的耦合效應使得資本市場波動性加劇、風險傳染性更強。Boehmer等（2021）從全球股票市場角度探究算法交易對市場質(zhì)量的影響時，將流動性和波動性納入衡量的視角，結(jié)合信息效率綜合評判對整個市場的影響，發(fā)現(xiàn)算法交易會產(chǎn)生較窄的有效價差，提高市場流動性；同時，日內(nèi)回報的自相關(guān)絕對值也相對較小，提高了信息性。Chakrabarty等（2022）探究了算法交易在新冠疫情期間對美國股市流動性的作用，發(fā)現(xiàn)算法交易并沒有降低市場流動性，也沒有降低股市定價效率。從以上文獻可以看出，雖然衡量算法交易對市場影響并不存在技術(shù)復雜性，但其中的影響機制較為多元，其中特定市場結(jié)構(gòu)與特性傳導渠道的探究成為研究的重點趨勢。

三、理論分析與研究假設

以往文獻基于算法交易效應分析，大多認為算法交易能夠加快股票對信息的納入，交易方向與錯誤定價方向相反，對股票定價效率具有正向促進作用，但是多數(shù)文獻缺乏對我國市場定價效率特定影響的探討。尤其是由于我國“T+1”交易制度對高頻交易的限制，A股市場尚無做市商制度和指令驅(qū)動交易制度，散戶投資者比例較大，市場羊群效應較為顯著，算法交易的技術(shù)優(yōu)勢與理性特點可能會發(fā)揮更強的效力。具體來看，算法交易能夠分割大單委托指令，運用算法構(gòu)建組合選擇并制定交易策略（Nuti等，2011）；超越人類對信息價格的反應速度，更快地將市場信息納入價格，增強市場短周期內(nèi)的價格反映，有力提高盈利公告時的定價效率（Chakrabarty等，2015），降低市場整體買賣差價（Jovanovic等，2016）。此外，算法交易還能在股指期貨方面發(fā)揮定價糾正作用，加強期貨市場與股票市場之間的聯(lián)系，減少市場延遲，提高股票市場定價效率（Zhang，2018）?；诖耍疚奶岢鲆韵卵芯考僭O：

H1:算法交易能顯著提高我國股票市場定價效率。

算法交易可以跟蹤成交量加權(quán)平均價格（VWAP）指標，以減少執(zhí)行成本。這一點表明算法交易在市場價格動蕩時期可能會等待最佳價格才得以執(zhí)行（Hendershott等，2011）。Hendershott等（2013）、Jarnecic等（2014）研究表明，算法交易能在市場劇烈波動時提供持續(xù)流動性，增加市場價格彈性，有效抑制價格波動，算法交易的撤單行為也并未在高波動時期變得更加頻繁（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降低市場波動。以算法交易為代表的技術(shù)進步可以有效地減少摩擦對交易和資產(chǎn)價格動態(tài)變動的影響（Duffie，2010），有效縮短搜索時間，同時通過將大訂單分成小訂單來減少市場影響（Bertsimas等，1998），穩(wěn)定市場波動性。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整體不存在羊群效應，也不會據(jù)此增加波動性。目前針對高頻交易與公告前后價格變化的研究（Boehmer等，2021；Scholtus等，2014）大多都注重評判以秒為單位的波動性。由于我國并無短期持倉并頻繁交易的市場條件，這方面的影響力較弱，且這也并非是我國投資者們關(guān)注的重點，因此本文的分析更傾向于中長期影響。基于此，本文提出以下研究假設：

H2：算法交易能夠降低我國股票市場波動性，進而提高股票市場定價效率。

算法交易通過計算機系統(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。行為金融學認為，過度自信等心理偏差會帶來高估或低估股價等問題。信息經(jīng)濟學認為對于均衡價格的信念不同是交易發(fā)生原因之一，在資產(chǎn)定價過程中的人類投資者即使擁有相同信息，也會形成對股票價格的不同預期，即異質(zhì)信念（Grossman等，1980）。Miller（1977）證明了在賣空約束機制下，投資者異質(zhì)信念是影響資產(chǎn)價格的重要因素，異質(zhì)信念越強烈，股票價格偏離均衡水平的程度也相應越高，隨后這一理論被大量學者所證明（Harrison等，1978；Smith等，1988；張維和張永杰，2006）。我國股票市場建立時間較晚，散戶投資者占比較高，心理偏差所帶動的投機氛圍較為強烈。我國雖然在2010年出臺了融資融券制度，但機制設計上仍然不利于賣空，異質(zhì)信念的股價效應仍然具有理論與現(xiàn)實意義（包鋒和徐建國，2015）。相對理性的交易方式能夠?qū)蓛r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)展在我國可能對投資者異質(zhì)信念產(chǎn)生更大程度的影響，進而影響股票價格均衡。基于此，本文提出以下研究假設：

H2b：算法交易能夠減緩我國股票市場異質(zhì)信念程度，從而增強股票市場定價效率。

四、研究設計

（一）數(shù)據(jù)來源與樣本選取

本文數(shù)據(jù)來自于CSMAR國泰安數(shù)據(jù)庫與RESSET銳思數(shù)據(jù)庫中上海證券交易所與深圳證券交易所A股市場2016—2021年的股票日度數(shù)據(jù)。對所搜集的數(shù)據(jù)進行了相應處理：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，同時對所有的變量進行了上下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415.54萬個日度觀測樣本數(shù)據(jù)。

（二）變量定義

1.核心解釋變量：算法交易

我國交易所尚未實現(xiàn)對算法交易產(chǎn)生訂單的單獨標識，因而無法直接觀察到某一單是否由計算機算法產(chǎn)生，需依靠相關(guān)代理變量。鑒于我國目前算法交易尚不具備高頻條件，交易頻率和交易自動化程度與成熟證券市場尚有一定區(qū)別。在變量選取時，單純借鑒電子信息流量比率（Hendershott等，2011）和撤單率（Weller，2018）等指標有失偏頗?；谥贫瓤蚣芎屯顿Y者水平限制，我國目前的算法交易大多為基礎算法交易類型，例如成交量加權(quán)平均價（VWAP）、時間加權(quán)平均價格（TWAP）、時間比率成交（TPOV）等，此類算法的主要特征為對較大母單進行拆分，擇時擇量地按照不同的基準價格策略對子單進行交易?，F(xiàn)有文獻表明，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度成正比的。

本文基于Weller（2018）與Hendershott等（2011）對算法交易識別的方法，并結(jié)合我國算法交易本身的特征，將我國股票市場連續(xù)競價階段的小單成交量占比STR作為算法交易代理變量。鑒于我國個人投資者數(shù)量眾多的獨特市場微觀結(jié)構(gòu)，小單成交量占比STR對算法交易的識別可能存在噪音干擾，本文又構(gòu)建了掛單成交占比OTR來更全面準確衡量算法交易活動。

圖1 算法交易示意

算法交易的第一個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，其計算公式如下：

算法交易的第二個代理變量是掛單成交占比OTR，測度股票交易中申報價格次數(shù)與需撮合成交筆數(shù)之間的比例，其計算公式如下：

2.被解釋變量：定價效率

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

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

從式（6）可以看出，定價效率指標Efficiency1i,t與信息反應滯后指標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)濟意義保持一致，并且指標Efficiency1i,t越大，則該支股票的定價效率越高。

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收益率可解釋的程度，其信息滯后反應指標可表示為：

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

由上式可知，指標Efficiency2i,t越大，表明股票的定價效率越高。

3.其他變量

本文的中介變量為波動性與異質(zhì)信念。對于波動性的衡量，采用較為直觀的股票20日簡單移動平均收益率的波動率（Voli,t）來衡量。對于異質(zhì)信念，參考以往文獻做法（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)信念波動代理變量。

為了控制影響定價效率的其他因素，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差（Rspread）、知情交易概率（Vpin）、收盤價（Clpr）、流通市值自然對數(shù)（Trdshr）、日收益率（Dret）以及20日簡單移動平均市場收益率標準差（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）模型設定

為了檢驗假設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的STR指標與OTR指標，Controlsi,t為控制變量，θi,t和λi,t分別為行業(yè)固定效應和時間固定效應。若β1顯著為正，則表明算法交易提高了我國股票市場的定價效率。

為了檢驗假設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，且模型（12）中β2顯著為正，則說明算法交易確實能通過減輕股票市場波動性，提高股票定價效率。

為了檢驗假設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，且模型（15）中β2顯著為正，則說明算法交易確實能通過改善投資者異質(zhì)信念情況，提高股票定價效率。

五、實證分析

（一）描述性統(tǒng)計

從表2的描述性統(tǒng)計中可以看出，我國股票市場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。股票市場的日均換手率為2.6%，遠高于發(fā)達資本市場，說明投資者對未來股票價格的預期存在較大的不一致性。

表2 描述性統(tǒng)計

（二）回歸結(jié)果分析

1.算法交易對定價效率的基準回歸結(jié)果分析

本文基于模型（9）對算法交易與股票定價效率之間的關(guān)系進行檢驗，回歸結(jié)果如表3所示。在控制了其他可能影響定價效率的影響因素之后，算法交易STR與OTR與市場定價效率Efficiency1及Efficiency2在1%顯著性水平下顯著為正。這說明算法交易的運作能夠顯著提高股票市場定價效率，這與前文的分析與假設結(jié)果相一致，即假設1成立。進一步采用Hausman檢驗測度在固定效應和隨機效應模型下回歸結(jié)果的有效性，結(jié)果顯示固定效應優(yōu)于隨機效應，因此本文參照基準為固定效應模型。

表3 算法交易對定價效率的影響

2.基于減輕波動和減緩異質(zhì)信念的中介機制檢驗

表4報告了算法交易對定價效率中介機制的回歸結(jié)果，其中Panel A為減輕波動的中介效應檢驗，Panel B為減緩異質(zhì)信念的中介效應檢驗。從列（1）（2）的結(jié)果可以看出，STR與OTR對Vol的回歸系數(shù)均在1%顯著性水平下顯著為負，說明算法交易確實能夠減輕股票市場波動；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，表明算法交易通過減輕股票市場波動性提高了股票市場的定價效率，假設2a成立。

表4 算法交易影響定價效率的中介機制檢驗

從列（7）（8）的結(jié)果可以看出，STR與OTR對Turnover的回歸系數(shù)均在1%顯著性水平下顯著為負，說明算法交易可以有效減緩投資者異質(zhì)信念波動，改善市場投機性意愿；從列（9）-（12）的結(jié)果可以看出，STR與OTR在對定價效率的回歸中加入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，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定價效率，假設2b成立。

（三）穩(wěn)健性檢驗

1.替換算法交易代理變量

“母單拆分”是當前我國算法交易的主要策略，并針對這一策略產(chǎn)生了多維度的衡量標準?？紤]到算法交易難以捕捉，算法交易的衡量準確性可能會對定價效率回歸結(jié)果產(chǎn)生影響。為了降低“實證結(jié)果依賴于算法交易代理變量構(gòu)建”的擔憂，本文繼續(xù)利用算法交易特點，選取小單申報占比SOR作為定價效率指標進行穩(wěn)健性檢驗，驗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：

替換算法交易測度指標后的回歸結(jié)果如表5列（1）（2）?？梢钥闯?，SOR的回歸系數(shù)在1%顯著性水平下顯著為正，這表明算法交易對股票市場定價效率具有提升作用的假設依然成立。

2.工具變量回歸

為了進一步減少對算法交易的測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)滬深交易所股價異動信息披露標準的營業(yè)部地理位置作為工具變量。當披露的營業(yè)部處于深圳或上海時，工具變量Dumlocation賦值為1，未披露或處于其他地理位置時，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)滬深交易所股價異動信息披露標準的營業(yè)部具有使用算法交易的動機和實力，同時交易服務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，將營業(yè)部服務器靠近交易所附近，交易延遲的降低也并不能提高市場流動性，與定價效率并無關(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效率，與前文的假設和驗證相一致。

表5 穩(wěn)健性檢驗結(jié)果

六、異質(zhì)性分析

（一）股票價格的異質(zhì)性影響

前文研究表明，算法交易提高了股票市場定價效率，但基于我國股票市場的最小報價單位制度，股價的高低對算法交易的活躍程度可能也會產(chǎn)生影響。A股的最小報價單位為0.01元，假設每股1元的股票與每股5元的股票均變動0.01元，所產(chǎn)生的價格變動幅度是顯著不同的，前者價格變動了1%而后者變動了0.2%，這說明最小報價制度為不同股票價格劃分了不同價格變動精細程度，高市價股票的價格精細程度更高。同樣，在變動幅度相同的情況下（例如1%），高市價股票要比低市價股票變動的絕對價格更多，更需要交易者修改報價；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股票上的交易能力更強且交易效率更高。

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

表6 股票價格的異質(zhì)性影響

（二）市場流動性的異質(zhì)性影響

為進一步驗證算法交易在促進定價效率時是否受到流動性條件的影響，本文采用非流動性指標Illiq來衡量市場流動性，當Illiq低于過去20個交易日的均值時，說明流動性水平較高，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，實證結(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流動性充足時更有助于促進定價效率。

表7 市場流動性的異質(zhì)性影響

（三）市場情緒的異質(zhì)性影響

股票市場的定價效率容易受到投資者羊群效應的影響（吳崇林等，2021；許年行等，2013；孫怡龍和凌鴻程，2019），因此本文檢驗算法交易能否在市場情緒高漲中保持提升定價效率的穩(wěn)定性，甚至是在市場情緒高漲時發(fā)揮更強效力。本文設定CSSD（橫截面收益標準差）指數(shù)20日滾動均值高于樣本當年中位數(shù)時，羊群效應出現(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，回歸結(jié)果如表8所示。相比于市場情緒平緩（羊群效應未發(fā)生），算法交易在羊群效應下對定價效率的促進作用更強。這說明在市場定價受到情緒影響而偏離時，算法交易不僅沒有受到羊群效應的干擾，反而能利用市場錯誤定價發(fā)揮更強的價格糾正能力。

表8 市場情緒的異質(zhì)性影響

控制變量 Yes行業(yè)/時間 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)合我國現(xiàn)階段市場交易結(jié)構(gòu)和制度特點，采用小單成交量占比、掛單成交占比、小單申報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度我國算法交易活動，實證分析算法交易活動對定價效率的影響。實證結(jié)果顯示：第一，算法交易能有效提高我國股票市場定價效率，上述結(jié)果在控制了內(nèi)生性等問題后依然顯著。第二，中介效應分析發(fā)現(xiàn)，算法交易對股票市場波動性的減輕以及對投資者異質(zhì)信念的減緩是提高定價效率的重要途徑。第三，拓展性分析發(fā)現(xiàn)，算法交易對不同股票的定價效率存在差異性影響，對高市價股票的定價效率提升程度最高；同時在市場流動性充足的條件下，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羊群效應，改善錯誤定價。

本文的研究結(jié)論能夠為提升我國算法交易市場認知、合理引導機構(gòu)投資者應用算法交易、完善證券市場算法交易監(jiān)管、有效防控證券市場崩盤風險，在實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定價效率、減弱市場波動方面具有顯著的正面影響，我國應為證券市場信息技術(shù)的發(fā)展提供更多政策支持，加強證券市場的數(shù)字基礎設施建設，例如提供主機托管業(yè)務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產(chǎn)權(quán)保護法律框架內(nèi)進行有效確權(quán)，激發(fā)市場主體的創(chuàng)新動力，避免“算法趨同”造成的市場股價波動與非理性恐慌。

第二，加強對算法交易的監(jiān)管。算法交易即使在發(fā)達資本市場中仍然具有制造不穩(wěn)定因素的風險，我國應吸取經(jīng)驗教訓，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市場交易中的算法交易活動采用單獨標識，提高市場透明度，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。對算法交易訂單進行標識也為監(jiān)管機構(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，維護金融體系整體穩(wěn)定和市場良性運轉(zhuǎn)。