基于非參數日內跳躍檢驗和高頻數據的公司信息披露對股市價格波動影響研究

劉志東，楊競一

(中央財經大學管理科學與工程學院，北京 100081)

?

基于非參數日內跳躍檢驗和高頻數據的公司信息披露對股市價格波動影響研究

劉志東，楊競一

(中央財經大學管理科學與工程學院，北京 100081)

本文以2012年1月4日至2013年12月31日之間的共481個交易日作為樣本期間，以樣本期間上交所發布的“上證180”成分股中的上市公司的經營公告、財務報告及證券分析師根據上述信息披露的股評三種信息為主要研究對象，從驗證方法選擇、高頻數據選取、信息考察窗口優化及基于面板數據多元Logistics回歸模型構建等四個方面將跳躍與不同信息相聯系，分析股價波動與不同信息披露的關系。研究結果表明，當信息范圍為公司特定的經營公告、財務報告及分析師建議時，經營公告是最具影響力的信息披露渠道，而分析師建議并不是引起股價異常波動最重要的信息。同時，本文研究揭示僅有20%的跳躍與此類信息披露相關，當解釋變量覆蓋代表宏觀信息“系統性事件”和行業、板塊信息的“行業事件”時，也僅40% 的價格跳躍發生和信息披露有關。本文的研究不僅表明哪一種信息可能更具有投資價值，而且揭示在此研究基礎上繼續探究引起股價異常波動的其他起因事件可能更具有重要意義。

股價跳躍；信息披露；價格發現；日內高頻數據

1 引言

證券市場最基本的職能就是用價格的信號機制來實現對資源的合理配置，以獲得最大的投資回報。要使價格的信號機制發揮作用，價格波動必須反應與公司價值相關的特定信息變化。公司價值相關的特定信息主要包括上市公司的經營公告、財務報告及證券分析師根據上述信息發布的建議等信息。自從Womack[1]采用事件研究法進行研究后，傳統的學術觀點認為分析師建議是最為重要的信息披露渠道(Michaely和Womack[2]，Ramnath, Rock和Shane[3])。但近幾年，Altinkilic和Hansen[4]、Altinkilic，Balashov和Hansen[5]等學者的研究則對分析師建議重要性提出挑戰。他們使用分析師建議發布日內收益數據(Intraday Returns)，發現分析師的報告并沒有帶來股價明顯的變化，股價的波動經常發生在分析師報告的發布時間之前，據此推斷出分析師建議對股價的影響是借助了那些能夠真正影響股價的信息作用。同樣地，Loh和Stulz[6]研究結果發現，當排除與企業特定信息披露時間相近的報告，僅單獨研究分析師發布的信息，平均2天的異常收益率快速下降。Bradley等[7]綜合IBES數據庫的財務報告、分析師建議及First Call經營公告并對證券市場信息重新進行檢驗，通過將IBES、First Call與其他新聞媒體的信息披露時間進行對比，研究者發現兩大數據庫的信息披露時間平均存在2.4小時的系統性延遲，使用修正后的信息真實發布時間計算得到的股票異常收益率較高，即分析師建議具有信息價值，這一結果直接反駁了Altinkilic和Hansen認為分析師建議無效的觀點，認為分析師建議是最重要的信息披露渠道。

國內也有一些研究關注于股價信息含量以及各種信息發布對于股價波動的影響。袁知柱等[8]以中國上市公司為研究樣本，依據股價波動非同步性指標來度量股價信息含量，從公司層面考察會計信息質量對股價信息含量的影響。實證結果表明：會計信息質量與股價信息含量顯著正相關，高水平信息披露政策能有效增加上市公司股價信息含量。孫偉等[9]檢驗了企業社會責任信息披露對股價波動率的影響后發現，企業社會責任信息披露程度與股價波動率幅度存在顯著的負相關關系，認為投資者可以利用上市公司披露的企業社會責任信息，降低自身與企業內部人的信息不對稱，從而影響投資決策。于忠泊等[10]以中國上市公司為研究樣本，探討了上市公司臨時報告對資本市場信息環境的影響，發現了臨時公告對資本市場信息環境的積極提升作用，上市公司臨時報告提高了股票價格中的公司個體層面的信息含量，臨時報告降低了股票價格的同步性，增加了收益率的異質波動性，增加了信息交易的概率。在信息不對稱程度較高的上市公司中，臨時報告提高股票價格信息含量的作用更加明顯，臨時報告使得上市公司信息傳遞更加平穩，降低了股票價格暴跌的風險，臨時報告提高了盈余信息反應到股價中的速度和程度，提高了盈余反應系數，降低了盈余公告后的漂移程度。

朱紅軍等[11]通過研究，發現證券分析師的信息搜尋活動能夠提高股票價格的信息含量，使其包含更多公司基本面的信息并降低股價的同步性。儲一昀等[12]研究了分析師定價預測的一致性、意見分歧以及分析師跟進的人數對公司首日上市市場表現的影響。研究發現，分析師定價預測的一致性與公司上市首日收盤價在統計上沒有顯著差異，并能很好地解釋公司上市首日收盤價，這表明分析師預測的價格是值得信賴的，可以作為公司IPO上市首日價格的估量。伍燕然等[13]通過使用參數及非參數方法，驗證中國分析師盈利預測偏差的存在，并認為利益驅動是偏差存在的主要原因。而薛祖云等[14]則認為證券分析師同時扮演者信息競爭和信息補充的角色。此外，潘越等[15]考察了公司信息透明度與個股暴跌風險之間的內在關系，以及證券分析師關注程度對這種關系的影響。研究表明，在我國投資者法律保護環境尚不理想的情況下，證券分析師作為一種有效的法律外替代機制，其對股票的關注大大降低了信息不透明對個股暴跌風險的影響。李春濤等[16]以分析師盈利預測分歧、預測誤差和股價的市場同步性作為上市公司不透明程度的測度指標，比較了我國商業銀行和普通工商企業在透明度上的差異。研究發現，雖然分析師預測可能存在羊群效應，但較多的分析師跟蹤仍然能降低預測誤差和增加股票價格的信息含量，從而增加公司的透明度。游家興等[17]基于中國的實證研究表明激勵機制扭曲下分析師預測行為發生系統性偏差的現象，在股市高漲時，分析師隨波逐流，常常發表過度樂觀的預測，而當泡沫消退時，分析師則會掉頭轉向，發布與之前形成強烈反差的盈余預期或股票推薦。馮旭南等[18]使用中國A股數據，從信息溢出的角度研究分析師跟進與股價聯動之間的關系。結果表明，分析師跟進較多的上市公司，其股價變化對行業內其它公司股價變化的邊際影響更為強烈。這說明信息更容易從高分析師跟進的公司溢出到低分析師跟進的公司，從而引起股價聯動。周銘山等[19]對我國股票市場分析師跟蹤與股價同步性的關系進行研究發現，即使明星、非明星分析師提供相似的信息，明星分析師顯著降低了股價同步性，而非明星分析師則不能降低股價同步性。信息提供并不能完全解釋我國明星分析師降低股價同步性的現象，明星分析師跟蹤及評級調整與短期動量效應、中長期反轉效應以及異常成交額存在顯著的正向關系，明星分析師通過引起投資者過度反應而降低股價同步性。

以往這些研究大多采用年、月、日數據對公司價值相關的特定信息進行單獨研究，很少考慮其他信息的影響。同時，采用年、月、日數據有可能不能準確確定信息的發布時間，不僅不能準確測定信息披露對股價產生的瞬時影響，也可能混淆不同種類信息對股價波動的影響,很難判定不同信息對股價的相對影響效果。

劉迪[20]以股價單日漲跌停事件為研究對象，檢驗了在基本面信息、概念信息、行業信息和其他信息披露下的股價事后反應，研究表明，漲跌停時，投資者對異質信息有不同的反應，投資者對基本面信息存在一定的反應不足，漲停時投資者對行業信息和其他信息反應過度，對概念信息反應過度更為嚴重，跌停時投資者對于所有信息都不存在反應過度。唐勇等[21]基于非參數方法，結合A-J跳躍檢驗統計量，構建新的跳躍方差和連續樣本路徑方差、對跳躍方差建模。利用上證綜指高頻數據，對跳躍方差統計特征、跳躍方差貢獻、跳躍幅度以及跳躍與經濟信息關系進行分析。結果顯示經濟信息公布與上證綜指跳躍總是正相關的，并對一些異常現象給予解釋。Andersen等[23], Balduzzi等[24]，Ederington 和 Lee[25], Harvey 和Huang[26], Jiang, Lo和Verdelhan[27]，朱宏泉等[28]采用日內高頻數據研究宏觀上的信息披露對股票價格和波動性的影響。Busse 和 Green[29]檢驗CNBC分析師在特定時間建議發布對股票價格影響。這些研究發現大部分股票價格在信息披露的幾分鐘內進行調整。

鑒于此，本文主要目地是在鑒別不同種類的公司基本層面信息與股價波動之間內在聯系基礎上，使用日內高頻數據究分析師建議對中國股市價格變化的影響。通常股票價格發生跳躍是股票價格過程中較為顯著的波動，并被認為在重要信息披露時出現。本文主要創新是在通過日內高頻數據檢測跳躍的基礎上，采用基于面板數據的多元Logistics回歸模型，將跳躍與不同信息相聯系，分析股價波動與不同信息披露的關系。由于本文使用日內高頻數據，本文可以準確測定信息披露對股價產生的瞬時影響，這是每日數據所不能達到的。

本文主要研究三種不同類型的信息：上市公司財務報告、經營公告及證券投資分析師根據上述信息披露的股評。雖然并未涵蓋證券市場全部信息，但本文選擇這三種信息有充分的依據：首先，這三種信息曾被廣泛的研究，具有扎實的理論基礎；其次，這三種信息經常在同一天發布，這使得學者們很難使用每日數據進行研究，而本文使用日內數據則可鑒別其相對影響效果；最后，通過Wind資訊終端，本文可以獲得每一種信息事件的全部發布時刻點。

本文使用54家樣本公司的15分鐘日內高頻數據，通過非參數跳躍檢測方法進行研究。選用非參數方法是因為其對模型不加任何限制，通過高頻數據即可對跳躍的檢驗及估計問題進行研究，無需尋找具體的解析函數，從而避免函數“誤設定”及參數難以估計的問題。自Barndorff-Nielsen和Shephard在非參數領域進行突破性的研究并提出BNS跳躍檢驗方法后，非參數跳躍檢驗方法目前包括BNS、CPR、ADS、PZ、JO、ASJ及LM等。具體見Barndorff-Nielsen 和Shephard[30], Jiang 和Oomen[31], Lee和Mykland[22],Andersen, Bollerslev和Dobrev[32], Ait-Sahalia 和Jacod[33]參考文獻。而本文選取Lee和Mykland的LM非參數跳躍檢驗方法則是不僅因為其穩健的檢測強度和優異的“偽跳”處理，而且該方法是唯一能較準確確定日內跳躍發生時刻，而其他非參數跳躍檢驗方法只能檢驗到每天是否發生跳躍。

通過實證研究，本文發現存在近15%的財務信息披露會引起股價的異常波動，少于10%的分析師建議及經營公告能夠解釋跳躍的出現；但在移除與同一時間發布的重合信息相關的跳躍后，只有少于5%的財務信息與跳躍相關，近6%的經營信息與跳躍相關。基于此，本文很難判定不同信息對股價的相對影響效果。因此，通過多元Logistic回歸，將信息與跳躍相結合，并發現經營信息對股價波動的影響最為顯著，這種信息使觀測到跳躍的概率增加近13倍；基于我國實際情況，本文在回歸中繼續添加代表宏觀信息的“系統性事件”和“行業性事件”，這兩個變量使觀測到跳躍的概率擴大95倍和132倍，并與我國的“政策市”異象不謀而合。

本文的結構如下：第一部分主要介紹問題提出的背景、國內外相關研究綜述，以及本文的研究思路；第二部分對LM參數跳躍檢驗方法原理和可行性進行分析；第三部分為實證研究，闡述本文的樣本選擇過程和實證分析的結果；第四部分總結全文并提出未來后繼研究建議。

2 研究方法：LM非參數跳躍檢驗

2.1 基礎理論及假設

股價的收益過程包含跳躍部分及擴散部分，本文假定股價波動中較為平穩的擴散部分由正常的交易活動所引起，而股價突然性的跳躍則是由超預期信息的進入(見 Merton[34]，Maheu和McCurdy[35])。首先，本文引入具有“固定的完備概率空間”(Fixed complete probability space)(Ω，Ft, P)的一維資產收益過程，其中Ft是一個右連續的信息域。本文將金融資產的連續復利收益表示為dlog S(t)，其中S(t)為在t時資產價格。當市場未受到超預期信息沖擊，市場價格保持相對平穩，即未發生跳躍時，S(t)可以表示為：

dlogS(t)=μ(t)dt+σ(t)dW(t)

(1)

其中：W(t)為自適應信息域Ft的標準布朗運動；μ(t)為信息域Ft的漂移項；σ(t)為信息域Ft的擴散項。當超預期信息進入市場并導致股票價格異常波動，即市場產生跳躍時，S(t)可以表示為：

dlogS(t)=μ(t)dt+σ(t)dW(t)+Y(t)dJ(t)

(2)

2.2 LM非參數跳躍檢測定義

在介紹本文采用的LM非參數跳躍檢測的方法之前，首先引入瞬時波動率(Instantaneous Volatility)的概念。假定本文在ti時刻進行單獨的跳躍檢測，而在ti時刻的前后本文并不知道是否有跳。在股市中本文常觀測到兩種情況，一種是市場在某一時刻真實發生跳躍，此時資產收益率高于往常，而且那一時點的波動率同樣較高；另一種情況是市場并沒有發生跳躍，而這一時點不僅波動率高，以離散觀測值得到的資產收益率同樣很高。為了鑒別上述兩種情況，本文需要使用某種措施將收益率標準化，而這一措施就是能夠解釋連續價格過程中局部變化的瞬時波動率，在本文中用σ(ti)表示。實際上，使用瞬時波動率對收益率標準化是LM非參數跳躍檢驗的主要思想。

對于如何估計瞬時波動率，一種廣泛使用的非參數估計值為“已實現的二次變差”(Realized quadratic variation)，即對數收益率的平方和：

(3)

在檢測實踐之前，通過上述方法并使用高頻收益率可以得到一個波動率的估計值。然而，這一估計值卻與跳躍存在情況下所得波動估計值存在較大出入。因此，本文通過“已實現的雙冪次變差”(Realized bipower variation)進行一些微小修改，將瞬時波動率定義為股價連貫的對數收益率絕對值聯乘和：

(4)

這一改變，使得股價收益過程中無論出現大跳、小跳抑或無跳，都能夠確保波動率的估計值保持一致。LM方法中包含這一估計值，使得跳躍檢測過程與跳躍是否存在相互獨立，增加了檢測的準確度。即使在一個市場環境極度不穩定跳躍難以檢測的情況下，只要使用高頻觀測值，本文甚至可以準確鑒別出稀有的泊松跳。至此，結合瞬時波動率，本文給出LM跳躍檢測統計量的表達式：

定義1：檢測統計量L(i)，表示在ti時檢測(ti-1，ti)時間區間內是否存在跳躍，其數學表達式如下：

(5)

(6)

上式中，K為移動考察窗口大小。本文使用已實現的雙冪次變差得到瞬時波動率并將其作為檢測統計量的分母，這可以有效提高跳躍檢測敏感度。對于K的設定標準，則主要依據能否消除跳躍對波動率估計值的不利影響，后文將對K的選擇詳細說明。

可以看出，本文在上一結果中忽略了漂移項。實際上，如果在分析中使用高頻數據，那么漂移項相對于擴散項及“跳”在數學上是可以忽略的。此外，漂移項估計值有較高的標準誤差，若將其包含在波動率的估計中將會導致波動率估計值準確度的下降，因此本文在此使用一個較為簡單的不包含漂移項的模型，即μ=0。

2.3ti時刻無跳躍發生時，L(i)的漸進分布

當ti時刻無跳躍發生時，可以通過推導得出檢測統計量L(i)的漸進分布，如定理1所示：

(7)

(8)

2.4ti時刻發生跳躍時，L(i)的變化

當ti時刻發生跳躍時，資產收益過程如等式(2)所示，定理2表明當抽樣間隔Δt→0時，檢測統計量L(i)將趨近于無窮大以至于本文可以在ti時檢測到跳躍的發生。

定理2：令L(i)如定義1所示，窗口大小K=Op(Δtα)，其中-1<α<-0.5。假定資產價格過程服從(2)且滿足“假設1”所述。假定在任一時點τ∈(ti-1，ti]發生跳躍。那么：

(9)

其中，Y(τ)代表在τ時點真實跳躍的大小，其他字符含義同定理1。由上式可以發現，當Δt→0時，L(i)→∞。但若在任意時刻τ∈(ti-1，ti]沒有發生跳躍，L(i)則服從定理1中描述。(具體證明這里省略)

接下來，本文討論窗口大小K的選擇問題。上文中提及，使用二次變差方法是為了保持瞬時波動率估計值的一致性。為了保留這一效果，K應盡可能的大，但它也應該小于本文的觀測值個數n。為滿足上述要求，K=Op(Δtα)，-1<α<-0.5，因此抽樣頻率Δt的大小決定著K的數值。

2.5 拒絕域的選擇

根據定理1及定理2的描述，檢測統計量L(i)根據是否存在跳躍會呈現出完全不同的極限特征。當沒有跳躍時，統計量近似服從正態分布；發生跳躍時，統計量趨近于正無窮。為了設定一個合理的拒絕域，本文應明確當沒有跳躍時，L(i)最大會有多大。因此本文應首先研究在任意時間(ti-1，ti]不發生跳躍，檢測統計量L(i)近似分布的最大極限。這樣的一個極限分布能幫助本文選定合理臨界值以鑒別跳躍是否存在。最大極限分布如引理1所示：

(10)

(11)

n為觀測值數量。(具體證明這里省略)

簡而言之，選取拒絕域的主要思想為，如果本文所觀測到的某一時刻檢驗統計量沒有出現在最大極限范圍內，那么這一時刻的收益率就不應來自于股價連續的擴散模型，即這一時刻發生了跳躍。當顯著性水平為1%時，(|L(i)|-Cn)/Sn的極限值為β*，即P(ξ≤β*)=exp(-e-β*)=0.99，那么β*=-log(-log(0.99))=4.6001。因此，當[|L(i)|-Cn]/Sn>4.6001時，本文可以拒絕ti時刻不存在跳的原假設。根據耿貝爾分布(Gumbel Distribution)，1%的顯著性水平所對應的極限值是檢測跳躍統計量的極限分布最大值。而且使用較為保守的顯著性水平，能夠有效排除“偽跳”的影響。

2.6 誤判問題

誤判問題是大部分跳躍檢測都難以避免的問題之一。在這一部分，對于四種不同類型的誤判(Misclassification)，本文可以證明當使用高頻觀測值時，采用LM跳躍檢測法發生誤判的概率相對較低。對于單一時刻ti，存在兩種誤判。其一是在(ti-1，ti]內存在跳躍，但本文沒有將其檢測出來，這種誤判本文稱之為ti時刻的FTDi(Failure to detect actual jump)；第二種誤判是在(ti-1，ti]本沒有跳，但本文錯誤的認為存在跳，這種誤判本文稱之為ti時刻的SDi(Spurious detection of jump)。一般情況下，本文經常以時間序列數據重復上述檢測若干次，因此上述概念很容易擴展到全部樣本情況下。即若在整個時間軸[0，T]內，沒有檢測出任何一個跳躍時，本文稱之為GFTD(Global failure to detect actual jump)。若在整個時間軸[0，T]內，某些過高的收益率并非源于跳躍的出現，而本文的程序錯誤認為任何一個高收益都源于跳躍時，這種誤判稱為GSD (Global spurious detection of jump)。可以從數學上證明，無論是條件還是非條件的GFTD概率都趨近于0。GSD的條件概率迅速趨近于0。表明本文可以準確的分辨真跳及偽跳，這樣使用本文的非參方法就可以得到準確的跳躍強度估計值。

(具體證明這里省略)

至此，本文已經從股票價格跳躍的理論基礎、不同的非參數跳躍檢驗方法比較、LM檢測統計量的數學定義、無跳時統計量的漸進分布、存在跳躍時統計量的極限分布及跳躍誤判等六個方面系統的闡述了LM跳躍的檢測原理及方法，具備了進行后續研究的理論依據。接下來，本文以該方法所檢測到的跳躍作為媒介，在股價的異常波動及證券市場信息披露間建立聯系，衡量市場信息的有效性及相對影響力度。

3 實證研究

3.1 數據來源與處理

本文研究所需主要數據包括樣本公司數據、股票價格交易數據及證券市場信息數據。對于樣本公司的選擇，本文以2012年1月4日至2013年12月31日之間的共481個交易日作為樣本期間，以樣本期間上交所發布的“上證180”成分股為基礎，排除樣本期間成分股調整、股票停盤5日以上以及無分析師建議、財務報告或經營公告中任意信息披露的樣本股，最終將樣本公司數確定為54家，詳細目錄這里省略，需要可以和作者索取。

對于股價交易數據，本文采用15分鐘高頻數據。文本股價交易數據來自于Wind資訊金融數據庫，并且為了排除股票配股、增發、分紅等對股價的影響，本文將全部價格數據進行向后復權處理。選擇15分鐘作為抽樣頻率及后文信息考察窗口主要出于以下兩個方面的權衡，首先，若使用較低頻率數據(如每日交易數據)，根據本文LM跳躍檢測方法，極易發生誤判而影響檢測結果；而且根據前文證明及Lee[37]的蒙特卡洛模擬，15分鐘高頻數據足以使發生誤判的可能性忽略不計；另外，雖然使用更高頻率的數據能夠得較為理想的實證結果，但過高的抽樣頻率會使得大部分中小盤股票因不頻繁交易而導致價格波動不穩定進而被排除在樣本股之外；此外，過高的抽樣頻率必須考慮市場微觀結構噪聲的影響，即因現實的金融市場不滿足有效市場的假設，因買賣報價差、不同步交易、流動性效應等因素，使得資產觀測到的價格偏離其有效價格，二者之差構成市場微觀結構噪聲。在使用低頻數據時，噪聲對價格波動的影響可忽略不計，但在高頻數據研究中，其影響不容忽視。當抽樣頻率增加時，由噪聲引起的市場微觀結構誤差也會隨之加大，進而引起日內收益率自相關現象，并最終導致“已實現波動率”不再是無偏估計量。共采集54支股票481個交易日的情況，每個交易日有16個股價，共415584個價格數據。

對于證券市場信息數據，分析師建議、財務報告及經營公告全部來源于Wind資訊金融數據庫，并以數據庫統計的信息披露時間作為此信息的初次發布時間；此外，當一只股票在同一天中獲得多家券商的股評時，本文僅選用當天最早發布的分析師建議。共采集4880個樣本信息，其中分析師建議2047個，經營信息2224個，財務信息609個。公司公告首先披露于上交所網站(網站上僅有披露日期，無具體時間)及深交所網站(網站上有披露日期，但僅有最新一天的具體時間)，wind數據庫隨后轉載。根據wind客服介紹，如果是開盤期間，公告會即時更新，另外本文作者也隨機抽查了一些公告，延遲時間均在3分鐘以內。因此，數據對本文采用15分鐘的頻率做法影響很小。

3.2 跳躍檢驗及統計性描述

由于本文使用15分鐘數據，根據前文所述，為保證使用二次變差方法時瞬時波動率估計值的一致性效果，滾動窗口長度K設為156。同時，由于數據獲取的原因，本文將前一交易日收盤至下一交易日開盤后9:45的時間段劃分為一個“夜間—開盤”窗口(期間包含非交易日的情況)，將每個交易日午間11:30至13:15劃分為一個“午間”窗口，而這一交易日的剩余交易時間(上午9：45至11:30、下午1:15至3:00)根據15分鐘的間隔劃分為14個小窗口。這樣，一只樣本股票在一個完整的交易日將會有16個小窗口，樣本期間內共有7697(16*481)個小窗口。

根據前述方法，在檢測ti時刻是否有跳時，首先使用ti-154時刻至ti-1時刻的前155個小窗口的對數收益率數據，通過二次變差方法得到瞬時波動率σ(ti)的估計值，再用此估計值對ti時刻(第156個小窗口)的對數收益率進行調整，進而得到跳躍檢測統計量L(i)。為有效地排除偽跳躍影響，除使用高頻數據外，本文還使用較為保守的顯著性水平1%并根據L(i)的累積分布函數確定假設檢驗的臨界值4.6001。因此，當Δt→0時，若L(i)的標準化極限值大于4.6001，本文拒絕在ti時刻無跳躍發生的原假設，認為這時發生跳躍。

當本文在ti檢測到跳躍的存在時，引入一個新的變量——跳躍指示變量λ(i)并令其等于1；反之當本文沒有檢測到跳躍發生時，令其為0。本文使用跳躍指示變量來代表信息事件對股價產生正向或負向的異常波動，因為本文更側重信息事件能否對股價產生顯著影響，并不關注信息的內容對股價產生何種影響。

接下來，本文對全部樣本股票應用LM跳躍檢測法，由于篇幅所限，單支股票跳躍個數統計結果這里省略。表1為基于15分鐘抽樣頻率數據得到的跳躍統計性描述。

表1 跳躍的統計性描述

首先，在跳躍頻率方面，本文在24個月481個交易日中共檢測到1899個跳躍，平均每家公司每年發生17.58個跳躍，跳躍數量相對于每家公司7697個15分鐘收益觀測值來說，數量極其稀少。其次，在跳躍幅度方面， 15分鐘跳躍的絕對收益率為3.40%，而發生跳躍一小時之前與一小時之后的絕對收益率各為0.33%和0.42%，這說明跳躍發生時間點的前后沒有發生收益率的反向波動，即股票價格發生較為持久的大幅波動。最后，在跳躍時段方面，開盤期間發生跳躍1048個，占比55.19%，這與大量信息在夜間或開盤前的清晨披露不無相關。

3.3 跳躍的單變量統計分析

在這一部分的研究中，本文將跳躍與證券市場信息相結合，通過一些統計性分析，概括性地了解市場信息與跳躍的關聯程度，即信息披露對股價波動的影響。首先，本文引入樣本信息并對其構成進行簡單的描述。在24個月的樣本期間內，根據Wind資訊金融數據庫，本文共采集4880個樣本信息，其中分析師建議2047個，占樣本信息總數的41.94%；經營信息2224個，占樣本總數45.57%；財務信息609個，占樣本總數12.47%。在全部分析師建議樣本中，增持評級1927個，減持評級120個，前者約為后者的16倍，這一倍數關系不僅絕非偶然，甚至與國內學者對分析師建議的統計描述基本一致。這一現象主要是“由于分析師具有一定的“羊群效應”，其在做分析的時候會參考同行的意見并對同支股票加以關注，進而導致此類信息有些泛濫，本文為避免此種因素影響，在樣本選取時僅考慮同支股票當天最先發布的分析師股評，略后發布的股評予以排除；而更深層次的原因則是證券分析師出于權衡各方利益的考慮，如當投資者因大盤走勢的下滑而恐懼股市減少交易時，證券分析師為了刺激交易增加傭金收入、促銷所在券商承銷的股票，會更傾向與給出增持評級。即使股市環境極其嚴峻時，他們也會更傾向于給予中性評級，而非減持評級”對于經營公告占據全部樣本的近50%，與經營公告包含較多的信息種類相關，在本文研究中，共收納了包括資金投向、資產重組、收購兼并、重大合同、關聯交易、借貸擔保及人事變動等在內的7種信息；而樣本期間內54家公司僅有609個財務信息，則是由于樣本期間僅有上市公司季報、中報、年報、少量業績報告及相關補充更正發布。

在掌握樣本信息的基本情況后，本文便可以考察信息披露與股價跳躍的相關性。在這一分析過程中，時間窗口的選擇會較大程度影響實證效果。梳理國內外文獻，發現大部分研究，如：Wocmack[1]及Ivkovic和Jegadeesh[38]均以發生跳躍的(-1，+1)天作為考察區間。但為避免納入與本研究無關事件信息，并準確捕捉信息披露對股價波動的作用效果，本文以日內15分鐘高頻數據為基礎，對應的考察在跳躍發生的(ti-1，ti)的同一時間窗口內是否存在信息披露。由于本文考察的信息范圍僅包括上市公司經營公告、財務報告及分析師建議等基本面信息，缺乏對國家宏觀經濟環境、行業走勢及政策趨勢等方面的考察，因此在用LM檢測法檢測出的全部1899個跳躍中，僅有361個跳躍與信息披露相關，占全部跳躍的18%。此處所述的跳躍與信息相關包含跳躍與一種信息對應相關，與兩種信息及三種信息同時相關的情況。

表2統計了同一時間窗口下，跳躍與信息的相關性。雖然分析師建議分為“增持評級”和“減持評級”，但本文并未發現“減持評級”導致了跳躍的發生，因此在后續的研究中將“增持評級”和“減持評級”統一歸為分析師建議。

表2 與不同信息相關的跳躍個數

括號內數字為與某種信息披露相關的跳躍的概率(跳躍概率=該種信息相關的跳躍/該種信息披露數量)

在表2中，本文統計了市場信息披露之后，在考察窗口內出現跳躍的可能性：全部361個與信息相關的跳躍中，166個跳躍與分析師建議相關，220個跳躍與經營公告相關，87個跳躍與財務信息相關。根據本文的直觀判斷，僅有不到10%的分析師建議及經營公告能夠解釋跳躍的出現，而存在近15%的財務信息披露會引起股價的異常波動，那么財務信息就是最具影響力的信息類別嗎？

表2的分析或許使本文對每種信息事件對股市的影響有了一個基本的了解，但表上的數字并未考慮到某一時間窗口有兩種或兩種以上的信息同時發布的情況，進而使本文無法推測出單一信息事件對股市的相對影響力度。事實上，一方面由于90%以上的經營公告和財務報告都是在收盤之后發布的，而多數分析師傾向于在第二天開盤之前發布對公司經營財務信息的相關解讀；而另一方面本文依據15分鐘的間隔將交易時間劃分為15個小窗口，而將前一天的收盤至第二天的開盤后15分鐘劃為第16個小窗口，因此，在這一隔夜窗口中，存在大量兩種信息或是三種信息同時發布的情況。

表3 與重合信息相關的跳躍統計

由表3可知，與重合信息相關的跳躍共86個，其中與兩種信息相關的跳躍60個，與三種信息同時相關的跳躍26個。在經營公告及財務報告披露后，存在較為顯著的分析師建議發布的情況。上述統計信息對本文的實證結果有重要影響，為了確定每種信息時間的獨立影響力度，本文依據表3將與重合信息相關的跳躍從表2中移除，并得到表4。

表4 與不同信息相關的跳躍個數(排除與重合信息相關的跳躍)

括號內數字為與某種信息披露相關的跳躍的概率(跳躍概率=該種信息相關的跳躍/該種信息披露數量)

通過觀察本文可以發現，在排除與重合信息相關的跳躍后，與分析師建議相關的跳躍個數由表2中的166下降到93個，與經營公告相關的跳躍個數由表2中的220個銳減至155個，與財務報告相關的跳躍所剩無幾，且其跳躍概率從14.29%大幅下降至4.43%。表4的結果表明，重合信息的存在對財務報告有效性有著異常顯著的影響并對表2的直觀結論提出質疑。

基于此，本文很難僅僅通過信息事件所引起跳躍的單變量統計分析來判斷某一種信息的相對影響。以分析師建議為例，如果本文僅考慮表2的結果，即將與重合信息相關的跳躍包含在內，本文有可能夸大分析師建議的影響，因為這一跳躍有可能是同一時間窗口內發布的其他信息引起的；而如果本文僅考慮表4的結果，即將與重合信息相關的跳躍全部排除，本文又有可能低估分析師建議的影響，因為那個與重合信息相關的跳躍有可能確實是股評所引發的。接下來，本文將與重合信息相關的跳躍考慮在內，采用多元Logistic回歸模型來準確測定單一信息事件對股市的影響情況。

3.4 基于面板數據的多元Logistic回歸分析

在這一部分，本文使用多元Logistic回歸方法鑒別經營公告、財務報告及分析師建議三種市場信息對股市的相對影響力度。使用多元Logistic回歸方法主要是出于以下兩個原因的考慮：首先如前文所述，本文使用股價波動產生的跳躍作為信息事件的表現形式，因此本文將被解釋變量設為虛擬變量(即上文提及的跳躍指示變量λ(i)，在ti時若有跳，令其為1；若無跳，令其為0)，在這樣的情況下標準的多元線性回歸無法準確的表示不同自變量與因變量之間的線性關系，因此本文轉為使用多元Logistic回歸。其次，通過上一部分的單變量統計分析本文知道，在同一時間發布的重合信息嚴重地影響了實證結果，而使用多元Logistic回歸更大的優點，是既將重合信息考慮在內，又有效地克服重合信息的影響，進而測定三種不同信息事件的效果。

本文所使用的多元Logistic回歸具體模型如下：

(12)

上式中，λj(i)為被解釋變量，代表j公司在(ti-1，ti)時段內發生跳躍的概率；α為截距項，θ為本文的待估系數，代表當某種信息出現時，股市出現跳躍的概率增加值；Xj(i)為解釋變量，代表j公司在相應考察窗口內所發生的全部信息事件，它同樣由多個信息指示變量構成：Xj(i)=[Xj,1(i)，Xj,2(i)，…，Xj,M(i)]。由表達式可知，Xj(i)為1*M的行向量，其中M為信息的種類數；中括號內的Xj,1(i)代表j公司在(ti-1，ti)時段內是否有“第1種”信息披露，若有則此指示變量為1(否則為0)。在這一回歸模型中，由于本文使用面板數據對樣本期間內的全部樣本公司同時進行回歸，因此每一個公司j的解釋變量可以表示為一個包含樣本期間全部時點Xj(i)，i=(1,…,n)(n為樣本觀測值個數)的大矩陣Xj：

本文在分析過程共創建三個模型，“模型一”僅包含分析師建議、經營報告及財務公告三種信息，考察三種信息之間相對重要性；“模型二”中添加一個“系統性事件”的解釋變量，探究股市政策及宏觀事件對個股跳躍及證券市場信息的影響；“模型三”中添加 “行業事件”的解釋變量，研究行業信息或事件對個股跳躍及證券市場信息的影響。表5 是“模型一”回歸結果，Logistic回歸的觀測值個數為407160，因變量為0觀測值個數405261，因變量為1觀測值個數為1899。Logistic回歸的觀測值個數(407160)少于價格數據(415584)，是因為判斷是否存在跳時，每只股票的前156個價格數據會為計算瞬時波動率而損失，54支股票共損失8324個數。

表5 分析師建議、經營報告及財務公告與跳躍的回歸結果

表6 分析師建議、經營報告、財務公告及系統性事件與跳躍的回歸結果

上表中X1、X2、X3含義同表5，X4代表“系統性事件”。在添加新的解釋變量后，本文不僅發現“系統性事件”的系數為正并顯著，能夠影響跳躍出現的概率；而且該解釋變量的系數超越經營公告的作用效果，成為引起股市波動最為重要的因素之一。由表6可知，“系統性事件”的系數高達4.91，這意味著當存在市場層面信息披露時，觀測到跳躍的概率擴大95.21倍。而對于分析師建議、經營公告及財務報告這三個解釋變量而言，雖然其影響系數出現了輕微幅度的增加，但并未改變這三種信息對個股跳躍影響程度的排序，經營公告仍是最具影響力的信息披露渠道，分析師建議次之，財務信息則排位最后。

同樣，本文可以對比添加“系統性事件”變量后，跳躍的相關統計性描述。首先，單變量統計時本文曾得到，當不含“系統性事件”時，與本文信息相關的跳躍個數共361個；當本文將市場信息包含在內時，與信息相關的跳躍個數躍升為741個。

實際上，除個股層面的相關信息和系統性事件外，還存在如行業或板塊等信息和事件，它們既可能影響相關個股波動，但又不至于引發系統性事件。為進一步探究“行業事件”對個股波動的影響，本文在“模型一”的基礎上創建“模型三”，因“系統性事件”和“行業事件”相關系數較高，為避免解釋變量多重共線性，“模型三”中僅添加“行業事件”。即添加“行業事件”解釋變量。根據WIND行業分類，文本將研究對象54支股票劃分為包括銀行、證券、保險、房地產、建筑、金屬在內的共21個行業，并以各個行業指數所發生的跳躍代表“行業事件”的發生。同樣，文本以15分鐘頻率的行業指數進行跳躍檢測，當發生跳躍時，令“行業事件”指示變量賦值為1，否則為0。由于在2012年01月04日9:45 至2013年12月30日15:00， WIND高頻數據庫行業指數高頻數據不全，因此，本部分研究采用的15min行業指數高頻數據來源為東方財富Choice資訊中的高頻數據。表7為添加行業變量后模型回歸結果，Logistic回歸的觀測值個數為406295，因變量為0觀測值個數404402，因變量為1觀測值個數為1893。

表7 分析師建議、經營報告、財務公告及行業事件與跳躍的回歸結果

上表中X1、X2、X3含義同表5，X5代表“行業事件”。對比表6與表7，“行業事件”的系數5.31超過表7中 “系統性事件”的系數4.91，對個股波動的影響進一步擴大。當“行業事件”發生時，發生跳躍的概率擴大132.18倍。而對于分析師建議、經營公告及財務報告這三個解釋變量而言，影響系數輕微波動，但并未改變這三種信息對個股跳躍影響程度的排序，經營公告仍是最具影響力的信息披露渠道，分析師建議次之，財務信息則排位最后。

實際上，以上關于“系統性事件”和“行業事件”回歸結果，都是對我國股市的真實寫照。由于我國股市成立至今不過20余年，法律體系健全度、市場監管有效性、投資者結構和成熟度、信息傳導機制等方面尚不健全。一方面，政府希望通過相關宏觀、行業政策及法規的出臺規范股市行為，并協調與經濟發展的關系，因此政府總是不斷根據宏觀經濟的需要而制定新政策，這不僅導致我國股市是按照國家在特定時期經濟工作部署的要求在運作，而脫離了市場自身規律，而且使得股市對政策管理的依賴性不斷加深；另一方面，我國股市尚未建立完善的風險預警機制，投資者風險意識及投資理念尚不成熟，即使小規模的市場事件也會引起大量投資者對市場盲目的追逐或恐慌，加之投資者的“羊群效應”，使得政策性信息或系統性事件對個股的影響不斷被放大并對股市的異常波動起到了決定性的作用。

4 結語

為了研究中國股市價格異常波動與信息披露的關系，本文以上市公司財務報告、經營公告及證券投資分析師根據上述信息披露的股評三種特定信息為出發點，采用LM非參數跳躍檢驗法、通過個股跳躍將市場信息披露與價格發現相結合，經過詳細的理論敘述及具體的實證分析，得出以下結論。

首先，單變量分析中，本文通過簡單的數據統計探索信息與跳躍的相關性。在不考慮同一窗口重合信息影響時，基本上每種信息構成的10%都會與跳躍相關；然而由于大部分經營公告及財務報告都是在收盤后的夜間窗口發布，分析師也會趕在開盤前發布相關信息解讀，導致重合信息大量存在。在全部剔除與重合信息相關的跳躍后，每種信息事件僅有5%左右與跳躍相關。這樣，一方面本文需要將重合信息的影響考慮在內，另一方面不能使用簡單的單變量分析，因此本文使用多元Logistic回歸繼續探究。

在基于面板數據的多元Logistic回歸分析中，若僅包含三種證券市場信息變量，對價格發現機制影響最為顯著的是經營公告的發布，最不顯著的是財務信息的發布。當本文添加代表市場政策性信息或系統性波動等的“系統性事件”和代表行業信息及事件的“行業事件”解釋變量后，“行業性”因素和“系統性”因素超越經營公告成為最為重要的影響因素，而這一回歸結果正是我國股市的真實描述。我國股市“政策市”的稱號由來已久，政府頻繁通過對股市的政策指導與國家的宏觀經濟發展相適應，導致股市對政策依賴逐步深化，加之投資者因相關政策對股市的盲目追逐或恐慌，政策事件影響效果不斷放大并成為個股異常波動的首要因素。

雖然本文較為全面的統計了2年內上交所主流上市公司股價跳躍情況并創造性地以跳躍為媒介將信息披露與股價波動相結合，但研究結果表明，當信息范圍為公司特定的經營公告、財務報告及分析師建議時，僅有20%的跳躍與此類信息披露相關；當解釋變量覆蓋股市“系統性事件”時，也僅解釋了40% 的跳躍來源。剩余60%股價跳躍可能與市場微觀結構有關，如：交易量大小、交易方向、交易間隔期、流動性等訂單流信息、以及內部交易可能對價格產生的暫時性和永久性影響。因此，從微觀市場結構角度繼續探究剩余60%股價跳躍的起因事件是本文后續的研究方向。

[1] Womack K L. Do brokerage analysts’ recommendations have investment value? [J].Journal of Finance, 1996, 51(1):137-167.

[2] Michaely R, Womack K. Brokerage recommendations: Stylized characteristics, market responses, and biases[M]//Thaler, R H, Advances in Behavioral Finance, II. NJ Princeton：Princeton University Press，2005.

[3] Ramnath S, Rock S, Shane P B. Financial analysts′ forecasts and stock recommendations: A review of the research [J].Foundations and Trends in Finance, 2008, (4):311-420.

[4] Altinkilic, O, Hansen R S. On the information role of stock recommendation revisions [J].Journal of Accounting and Economics, 2009, 48(1):17-36.

[5] Altinkilic O, Balashov V S, Hansen R. Evidence that analysts are not important information intermediaries[R]. Working paper, Tulane University,2010.

[6] Loh R, Stulz R.When are analyst recommendation changes influential? [J]. Review of Financial Studies, 2011, 24(2):593-627.

[7] Bradley D, Clark J, Lee S S, et al.Are analysts’ recommendations informative? Intraday evidence on the impact of time stamp delays [J].The Journal of Finance, 2014, 69(2): 645-673.

[8] 袁知柱，鞠曉峰.中國上市公司會計信息質量與股價信息含量關系實證檢驗 [J].中國管理科學，2008，16(10)：231-234.

[9] 孫偉，周瑤.企業社會責任信息披露與資本市場信息不對稱關系的實證研究 [J].中國管理科學，2012，16(10)：889-893.

[10] 于忠泊，田高良，曾振.上市公司臨時報告對資本市場信息傳遞的影響 [J].系統工程理論與實踐，2012，32(6):1151-1165.

[11] 朱紅軍，何賢杰，陶林.中國的證券分析師能夠提高資本市場的效率嗎—基于股價同步性和股價信息含量的經驗證據 [J].金融研究，2007，(2):110-121.

[12] 儲一昀，倉勇濤. 財務分析師預測的價格可信嗎?—來自中國證券市場的經驗證據 [J]. 管理世界，2008, (3): 58-69.

[13] 伍燕然，潘可，胡松明，等.行業分析師盈利預測偏差的新解釋 [J].經濟研究，2012，(4):149-160.

[14] 薛祖云，王沖.信息競爭抑或信息補充：證券分析師的角色扮演—基于我國證券市場的實證分析 [J].經濟研究，2011，(11):167-182.

[15] 潘越，戴亦一，林超群.信息不透明、分析師關注與個股暴跌風險 [J].金融研究，2011，(9):138-151.

[16] 李春濤，胡宏兵，譚亮.中國上市銀行透明度研究-分析師盈余預測和市場同步性的證據 [J].金融研究，2013，(6):118-132.

[17] 游家興，邱世遠，劉淳.證券分析師預測“變臉”行為研究—基于分析師聲譽的博弈模型與實證檢驗 [J].管理科學學報，2013，16(6)：67-84.

[18] 馮旭南，徐宗宇.分析師、信息傳播與股價聯動:基于中國股市信息溢出的研究 [J].管理工程學報，2014，28(4)：75-81.

[19] 周銘山，林靖，許年行.分析師跟蹤與股價同步性—基于過度反應視角的證據 [J].管理科學學報，2016，19(6)：49-73.

[20] 劉迪.股價漲跌停事后反應:異質信息的影響 [J].管理工程學報,2015,29(2):240-250.

[21] 唐勇，張伯新.基于高頻數據的中國股市跳躍特征實證分析 [J].中國管理科學，2013，21(5)：29-39.

[22] Lee S, Mykland P.Jumps in financial markets: A new nonparametric test and jump dynamics [J]. Review of Financial Studies, 2008, 21(6):2535-2563.

[23] Andersen T G, Bollerslev T, Diebold F X,et al. Micro effects of macro announcements: Real-time price discovery in foreign exchange [J]. American Economic Review, 2003,93(1):38-62.

[24] Balduzzi P, Green T C,Elton E J. Economic news and the yield curve: Evidence from the U.S. treasury market [J].Journal of Financial and Quantitative Analysis, 2001, 36:523-543.

[25] Ederington, L H, Lee J H. How markets process information: News releases and volatility [J].Journal of Finance, 1993, 48(4):1161-1191.

[26] Harvey C R, Huang R D. Volatility in the foreign currency futures market [J].Review of Financial Studies, 1991;4(3): 543-569.

[27] Jiang G J, Lo I, Verdelhan A.Information shocks, liquidity shocks, jumps, and price discovery: Evidence from the U S treasury market [J].Journal of Financial and Quantitative Analysis, 2011, 46(2):527-551.

[28] 余秋玲,朱宏泉. 宏觀經濟信息與股價聯動-基于中國市場的實證分析 [J].管理科學學報， 2014，17(3):15-26

[29] Busse J A, Green T C. Market efficiency in real time [J]. Journal of Financial Economics, 2002, 65(3): 415-437.

[30] Barndorff-Nielsen O E, Shephard N. Econometrics of testing for jumps in financial economics using bipower variation [J].Journal of Financial Econometrics, 2006;4(1): 1-30.

[31] Jiang G J, Oomen R C A.Testing for jumps when asset prices are observed with noise-a “swap variance” approach [J].Journal of Econometrics，2008, 144(2):352-370.

[32] Andersen T G, Bollerslev T, Dobrev D. No-arbitrage semi-martingale restrictions for continuous-time volatility models subject to leverage effects, jumps, and i.i.d. noise: Theory and testable distributional implications [J].Journal of Econometrics, 2007, 138(1):125-180.

[33] Ait-Sahalia Y, Jacod J.Testing for jumps in a discretely observed process [J]. Annals of Statistics, 2009, 37(1):184-222.

[34] Merton R C. Option pricing when underlying stock returns are discontinuous [J]. Journal of Financial Economics, 1976;3(1-2):125-144.

[35] Maheu J, McCurdy T H.News arrival, jump dynamics, and volatility components for individual stock returns [J].Journal of Finance, 2004, 59(2):755-793.

[36] Protter P. Stochastic integration and differential equations: A new approach[M]. New York：Spinger，2004.

[37] Lee S. Jumps and information flow in financial markets [J]. Review of Financial Studies, 2012, 25(2):439-479.

[38] Ivkovic Z, Jegadeesh N.The timing and value of forecast and recommendation revisions [J]. Journal of Financial Economics, 2004, 73(3): 433-463.

A Study of Firm Specific Information Disclosure on the Price Variation with Nonparametric Intraday Jumps Detection in High Frequency Data

LIU Zhi-dong,YANG Jing-yi

(School of Management Science and Engineering, Central University of Finance and Economics,Beijing 100081,China)

Using an intraday LM non-parameter jump detection technique in a multivariate framework, firm-specific information disclosure and its impact on stock price reaction are explored in this paper. The three common avenues are linked for information disclosure: analyst recommendations, earnings announcements, and management guidance with jump in price, the sample consists of stocks listed on the Shanghai 180 index for the two year period between January 2012 and December 2013. After controlling for confounding events and through multivariate logistic regression based on two different models, empirical research indicates that management guidance are more likely than either earnings announcements or analyst recommendations to cause a stock price jump, and analyst recommendations are not so appear informative in China. Meanwhile, although the paper can reveal that relative importance of recommendations, earnings announcements and guidance to investment decision, but those information collectively explain only 20% of all firm-specific jumps calculated using the nonparametric intraday jumps detection in high frequency data. Even considering the impact of macroeconomic news releases or industry information on volatility and prices, the rate only increase to 40%. Thus, more research needs to be done to identify the types of other unknown events that cause jumps in the market.

price jump; information disclosure; intraday price discovery; high frequency data

2015-04-11；

2016-02-16

國家自然科學基金資助項目(71271223,70971145)；教育部新世紀人才支持計劃(NECT-13-1054)

簡介：劉志東(1973-)，男(漢族)，內蒙古赤峰人，中央財經大學管理科學與工程學院博士，教授，博士研究生導師，研究方向：金融工程與金融計量，E-mail：liu_phd@163.com.

1003-207(2016)10-0022-13

10.16381/j.cnki.issn1003-207x.2016.10.003

F830

A