基于限價指令簿高頻動態演化的價格沖擊及日內模式研究

趙景東 朱洪亮 李心丹

(南京大學工程管理學院， 江蘇 南京 210093)

引言

股票價格的漲跌規律及其波動原因一直是現代資本市場研究的焦點。在新古典金融學的研究視角中，當市場是處于完全有效的狀態下時，股票價格的變化是由對應的市場信息的變化所決定的。Madhavan(1997)[6]將市場信息分為和交易無關的公共信息和實際交易體現出的交易信息，并建立了一個交易價格關于這兩類信息的線性模型。但是近年來，訂單驅動(order-driven)機制正逐漸形成市場交易的主流機制，越來越多的國家和地區的股票市場和金融衍生品市場開始采用電子限價指令簿，競價配對方式也由傳統的公開喊價方式發展到了計算機自動撮合方式，市場參與者可以根據自己的策略和限價指令簿的實時狀態進行市價訂單(market order)和限價訂單(limit order)的提交，這一改變大幅提升了股票市場的交易速度和交易頻率，也致使股票價格在短時間內的大幅波動現象經常發生，用傳統的信息驅動的思路來解釋這些高頻的價格變動就不再具有說服力。

從市場微觀結構的角度來解釋價格的快速波動為學者們提供了一個全新的角度，許多學者認為價格變化的微觀解釋是供需不平衡。目前的研究大多集中于交易層面的不平衡，分析由買方發起與由賣方發起的交易之間的差異來解釋價格變化。Kyle(1985)[5]從交易的層面出發，認為價格的變化是成交量的線性函數，并且這個價格變化是長期存在的。另一些研究者則認為價格的變化與交易量之間呈現出冪律關系，或者更為準確的將價格的變化定義成系數為正的交易速率(交易量除以交易時間)的冪函數形式，如Hasbrouck and Seppi(2001)[3]、Plerou et al.(2002)[9]、Almgren et al.(2005)[1]。然而對于訂單的層面產生的價格影響的研究卻十分有限。事實上，許多通過限價訂單提交到限價指令簿上的被動訂單也會造成顯著的市場影響(盡管有的訂單并沒有被執行)。另一方面，在金融市場里，已經廣泛存在利用限價訂單的提交形成的套利策略，并通過這些策略有效的操縱市場獲利(例如高頻交易)或是降低交易成本(例如冰山訂單)。

為了更全面的從微觀結構理論來解釋價格變化，許多學者開始將研究角度轉向訂單的層面。Weber and Rosenow(2005)[8]從股票價格變化的機理層面來解釋價格影響，他們發現股票價格的變化是因為買賣訂單的不平衡造成的。并且通過頻率為5分鐘跨度的數據分析，比較了由市價訂單和限價訂單匹配時造成的瞬時價格影響和長期價格影響之間的區別，發現瞬時價格影響是長期價格影響的四倍。相似的，王春峰等(2007)[14]通過劃分交易方向來構造訂單流不平衡這一指標，并通過實證分析訂單流不平衡的統計特征以及其對股票價格的沖擊效應。之后的學者開始不斷拓展訂單之間的供需關系與價格之間的完整關聯，Hopmann (2007)[2]不僅驗證了訂單流的不平衡是否是造成價格變化的原因，并且區分了私有信息和供需不平衡對于價格變化的影響。另外，作者認為，不同股票在流動性和市場深度不同時，對價格的沖擊是不同的，相關的參數估計也有所區別。陳收等(2010)[11]則同時考慮了訂單差和交易量對股票價格的沖擊，他們將研究標的按照公司規模分為大，中，小三類股票，研究時段分為牛市和熊市兩個時間周期，并通過實證分析發現，不同的公司規模，不同的市場態勢下，交易量和訂單差對價格的影響也不盡相同。類似的研究還包括張飛等(2013)[16]，麻文宇等(2013)[12]。

從另一個角度，很多學者提出，潛在的供需關系同樣體現在限價指令簿中，R.cont et al.(2011)[10]認為目前的研究大多是針對實際交易數據或者是已執行的訂單進行實證研究的，但是卻鮮有研究針對指令簿上的報價情況來分析價格的形成過程。尤其是使用外部的訂單數據，即限價指令簿上的報價數據。Stephens et al.(2009)[7]提出，傳統的價格影響大多是用單變量模型來度量，作者質疑，單變量模型是否能涵蓋足夠的訂單信息并準確的刻畫出價格影響。因此，更多的學者開始拓展模型的相關因素，并使用多維向量來更完整的刻畫訂單簿和股票自身特征的信息。例如Hautsch and Huang(2012)[4]使用了向量誤差修正模型(VEC)來刻畫訂單簿的變化與價格變化之間的動態關系，發現訂單簿上不同報價深度的變化對于價格沖擊的效應是明顯的，并且越靠近最優報價的深度變化，造成的沖擊效果越顯著。沈紅波(2012)[13]也使用了訂單簿的五檔數據，將限價指令簿中價格方面和數量方面的信息結合起來，引入了加權價格這一概念，并實證研究了限價指令簿與股票未來短期回報之間的關系。

盡管大部分的研究都希望能夠從訂單簿獲取足夠的信息來分析對于價格的沖擊作用，但由于完整的訂單數據或訂單簿的動態變化情況難以獲得，多數研究還是以實際成交的訂單數據來構造訂單不平衡指標，進行價格影響的研究，如陳收(2010)[11]等，而忽略了未成交訂單或是限價訂單的撤銷對實際交易價格的影響。另外，隨著市場參與者數量不斷增加，投資者種類也在不斷豐富，市場在日內交易時段所體現的活躍程度也會有所區別，在研究短期的價格變化模式時，不同市場狀況下的價格影響形式和價格影響程度也會隨之產生變化，而基于高頻數據的價格發現過程的刻畫就顯得尤為重要，這不僅有利于機構投資者實施最優投資(變現)策略降低交易成本，也能幫助監管部門對于一些新興的高頻交易策略可能造成的價格異常波動進行監管，并設計相關的交易機制。然而，目前對于高頻的價格變化以及價格沖擊的研究還十分有限。

因此，本文基于市場微觀結構理論，從限價指令簿的演化的角度來分析股票價格的沖擊效應，并回答以下幾個問題：(1)在高頻數據(5秒高頻數據)支持下，限價指令簿的動態演化(包括訂單的提交，執行和撤銷)是否能夠在一定程度上解釋短期價格變化；(2)在日內交易模式中，不同時段的市場活躍度也不相同，價格沖擊程度是否會隨著不同的交易時段有所區別。

標的證券的選取與數據描述

目前中國內地的兩個主要交易所為上海證券交易所和深圳證券交易所，兩個交易所均為訂單驅動型的市場。市場參與者可以向交易所的電子撮合系統提交訂單，提交的訂單按照對手方實時最優五個價位內的對手方價格為成交價逐次成交，剩余未成交部分參與者可以選擇撤銷或者按本方申報最新成交價轉為限價申報。

一、數據描述

兩個交易所在每個交易日的9∶15～9∶25為開盤集合競價時間，上海證券交易所在9∶30～11∶30、13∶00～15∶00為連續競價時間，而深圳證券交易所在9∶30～11∶30、13∶00～14∶57為連續競價時間，14∶57～15∶00為收盤集合競價時間。

為了排除開盤和收盤的集合競價機制對于實證的影響，本文選擇去除集合競價時間段的訂單數據。同時由于中國證券市場的交易制度為“T+1”的交易制度，因此在數據的處理時，剔除了集合競價時期的訂單數據。按照9∶30～10∶30，10∶30～11∶30，13∶00～14∶00和14∶00～15∶00四個時間段分別進行分析。選擇交易跨度為2016年11月～2016年12月共44個交易日，這44個交易日上證指數的平均日振幅為0.9726%，平均日成交量為208億，最高的日漲幅為1.3717%，最高的日跌幅為2.4719%，最高日成交量330億，總體來說市場在經歷過2015～2016年初的暴漲暴跌之后，市場逐漸開始回暖，兩市的日交易量相較于去年有一定程度的增長，處于一個較為溫和活躍的時期1。

本文選擇的數據是指令簿最優五檔限價訂單的報單數據。這些數據均為變動頻率為5秒的高頻數據。相較以往數據，本文數據特點在于頻率較高，以往的數據都是5分鐘或者10分鐘的數據，如陳收等(2010)[11]、沈紅波等(2012)[13]，這些數據間隔時間太久，無法刻畫價格的短期沖擊，而高頻數據的選取可以更完整的刻畫價格的動態演化。同時，以往的數據多使用實際交易數據，這些數據維度較低且滯后性較強，本文使用的訂單數據同時包括了訂單簿上訂單的提交和撤銷數據，能更詳細的描述訂單簿的動態演化過程以及產生的價格沖擊程度。

二、標的證券的選取與分類

在標的證券上，本文選取的標的證券為在A股公開發行的股票，包括在主板上市和在創業板上市的證券。并且按照以下原則排除了一些情況較為特殊的標的，(1)由于許多在半年內首次公開發行上市的股票的交易行為比較特殊2，本文將這一類的股票排除出目標證券范圍。(2)另外，本文也排除這40個交易日內出現摘牌，停牌，或者漲跌停等特殊情形的股票。(3)相似的，該40個交易日內出現股票增發配售的上市公司，也被排除出本文的標的證券選擇范圍。

本文按照公司的流通A股的規模將所有的上市公司分為大盤面股票，中盤面股票和小盤面股票三類，并按照11～12月的活躍度3來挑選每一類中最為活躍的10支股票，總共將其分為三類共30支標的證券。具體的描述性統計量可見表1。

模型的構建

一、限價指令簿的動態演化過程

假設當一個投資者希望以較高的價格出售股票時，那么該投資者會提交一個限價賣單，反之，他會提交一個限價買單。而對于那些希望立刻成交的投資者來說，他們會提交市價買單和市價賣單，市價買單和限價賣單匹配，市價賣單和限價買單匹配，當市價買單(賣單)數量足夠大時，股票的買賣價差會拉大，買賣報價中間價就會上升(下降)。

根據限價指令簿的動態演化過程，本文將訂單簿的變化分為報價有變化的動態演化和報價無變化的動態演化。對于任何一種動態演化，都有可能存在三種訂單行為，分別是市價訂單與限價訂單的匹配交易(圖1)，限價訂單在訂單簿上的提交并堆積(圖2和圖3)以及在限價指令簿上顯示的限價訂單的撤銷(圖4)。而此處用訂單簿的動態演化可以完整的刻畫這三種市場中的訂單行為。

表1 標的證券的不同指標的描述性統計

另外存在一種情況，參與者提交了大量的市價訂單與訂單簿上超過1個報價單位的限價訂單匹配成交。本文暫時不考慮該情況，因為在高頻的時間間隔下，這會明顯擴大交易成本，并且可操作性不高，所以本文假設這種情況并不會持續出現。

圖1 限價訂單與市價訂單的匹配成交

圖2 發生報價變化的限價訂單提交

圖3 不發生報價變化的限價訂單的提交

圖4 指令簿上限價訂單的撤銷

二、向量自回歸模型

使用向量自回歸模型來擬合價格沖擊與訂單變化之間的關系，向量自回歸的具體形式為：

用ti和ti+5來表示訂單簿狀態變化的兩個時間點，由于本文使用的是間隔為5秒的高頻數據，所以上述的幾種訂單簿的動態變化都發生在這5秒的時間間隔內。本文的目的是刻畫在ti至ti+5這一時間段內限價指令簿上的訂單狀態的動態變化對于時刻的價格沖擊。假設ti時刻的最新的交易價格為pt，ti+5時刻的最新的交易價格為Pti+5，那么在時間段(ti,ti+5)之間的相對價格變化(價格沖擊)為PIti+5=(Iti+5-Pti)/Pti。此處使用實際交易價格來計算價格沖擊，而并不是使用報價來計算價格沖擊，有如下兩個原因。(1)報價的變化是因為市場的訂單行為造成的訂單簿的價格變動，并不是實際的市場價格變化，例如最優報價的訂單全部撤銷并不會影響當期的市場交易價格，但是會改變指令簿報價。(2)當訂單簿發生有報價變化的動態變化時，使用報價來計算的價格沖擊無法涵蓋市場中的市場參與者者根據訂單簿的狀態進行的瞬時交易造成的短期價格沖擊。

為了捕捉訂單簿與價格沖擊之間的高頻動態變化關系，本文定義了一個(2+2*k)維的內生變量Yt，

此處假設限價指令簿上的最優買賣報價各有k個報價檔位，ti時期的限價指令簿的狀態是，ti+5時期的限價指令簿的狀態是，當訂單簿發生無報價變化的動態變化時，k個報價檔位的限價買單價格和k個報價檔位的限價賣單價格并不發生變化。為了避免某些報價上的訂單量過大而產生過量的影響，對 和 作對數化處理。

同時，本文將買賣價差Spread引入向量Yti中，買賣價差是衡量標的證券流動性的一個最基本的指標，并且，在高頻的交易環境中，當出現有報價變化的訂單簿變化時，一個最為直觀的表現就是買賣價差的變化，本文引入該變量來區分訂單簿在短期內的動態變化是否涉及報價的變動。買賣價差的計算方法是當前市場上最優買價和最優買價之間的差額。這兩個價位反映著下一筆交易成交的概率，也衡量著市場參與者提交委托的潛在執行成本。本文使用相對買賣價差，其中表示買賣報價中間價。

實證結果與分析

為了直觀的表現出訂單簿上市場深度的日內變化情況，本文選擇了標的證券中的金路集團作為代表，圖5給出了金路集團在2016年12月20日當天的限價指令簿的最優報價的市場深度和次優報價的市場深度。從圖中可以看出，相比較處于市場上可以即時交易的市價訂單，等待交易的限價訂單的訂單量更大，市場深度更高，表明在限價指令簿的非最優報價檔位上的訂單的信息量要更加豐富。更進一步的，最優報價的市場深度的變化和次優報價的市場深度的變化有高度的協同性，從市場微觀結構的角度解釋，有兩點原因，一是許多投資者在交易時，出于快速執行或者降低隱性交易成本的目的，將市價訂單在指令簿的不同價位上成交或是提交限價訂單在指令簿的不同價位上，造成了不同價格訂單量很強的聯動性；另一個原因是市場參與者對于價格和交易量的變化非常敏感，另外，他們也會根據訂單簿的動態變化情況來執行自己的交易策略，這一點也構成了所謂的價格沖擊。

為了盡可能的了解市場深度存在的序列相關情況，此處給出下式

圖5 金路集團2016年12月20日的指令簿上限價買賣單的市場深度

上式表明在限價指令簿上，第i層的報價買單市場深度和報價賣單市場深度滯后階數為l的自相關函數，由于篇幅問題，本文僅列出了金路集團在2016年12月20日當天限價指令簿不同檔位的市場深度在一天的四個時間段(9∶30～10∶30, 10∶30～11∶30, 13∶00～14∶00, 14∶00～15∶00)的市場賣單深度的自相關函數，并通過圖6表現出來。

從圖6可以看出，訂單簿上的訂單量在不同的時間段均存在明顯的自相關性，最優報價的訂單量的自相關性要弱于其它的次優報價訂單量的自相關性，且滯后階數明顯低于其它報價訂單量的滯后階數，這一點并不難解釋，因為最優報價的訂單總是最先被執行，這使得最優報價的訂單量的變化速度和變化頻率要遠遠高于其它報價。此外，可以發現在日內交易的不同時段，訂單量的自相關程度和滯后階數也有較為明顯的差別，在上午剛開盤和下午剛開盤的前一半交易時段的自相關程度較低，而在后一半的交易時段內自相關性程度較高，幾乎是前者的兩倍；同時，在早上剛開盤的一個小時內，自相關的滯后階數要明顯大于日內的其它交易時段，顯示出較強的記憶性。

由于向量自回歸模型的使用對內生變量序列有嚴格的平穩性要求，需對變量序列進行平穩性檢驗，為此，本文使用了兩種單位根檢驗方法來檢驗序列的平穩性，分別是ADF檢驗和KPSS檢驗，ADF檢驗出現較早，應用也較廣泛，但是需要對被檢驗序列作可能包含趨勢變量項和常數項的假設，而KPSS可以克服這些不便，因此本文同時使用兩種方法對30支股票44個交易日的日內交易數據進行單位根檢驗。

圖6 金路集團2016年12月20日四個時段的指令簿上不同報價的限價賣單的自相關函數

表2 不同規模的證券標的相關指標的平穩性檢驗

ADF檢驗通過在回歸方程右邊加入因變量yt的滯后差分項來控制高階序列相關。

而KPSS檢驗的原理是用從待檢驗序列中剔除截距項和趨勢項的序列構造LM統計量，通過檢驗殘差的估計序列是否存在單位根，從而來判斷原序列是否存在單位根，其中。

針對選擇的不同盤面大小的30支標的證券，表2給出了基于ADF檢驗和KPSS檢驗的變量序列的平穩性檢驗的統計。盡管由上圖可以看出訂單簿深度存在一定程度的自相關性，但是總體來說，在ADF和KPSS檢驗下，變量序列還是平穩的，表明使用向量自回歸模型是合理的。

由于本研究的目的在于使用向量自回歸模型探究訂單簿的動態變化與價格沖擊之間的動態變化，一個很重要的步驟就是確定模型的滯后階數，合理的選擇滯后階數不僅可以完整的刻畫訂單簿與價格沖擊之間的動態變化，也可以盡可能的減少不必要的參數估計，提升模型的自由度。此處本文使用最小信息準則中的HQC準則來確定滯后階數。

圖7 不同規模的證券標的在日內四個時段的VAR模型滯后階數

式中L為對數似然函數，n為觀測數目，k是被估計的參數個數，其中，表示VAR模型的殘差的協方差矩陣的估計。

圖7給出了不同市值規模股票在基于HQC準則的前提下，日內不同交易時段的滯后階數的確定，可以看出，盡管不同盤面的股票的滯后階數基本維系在1階(滯后5～7秒)左右，但是標的股票市值越大，滯后時間也會越長，即每一期的指令簿報價的動態變化對價格沖擊造成的影響持續時間會更久，原因可能是股票流通市值越大時，對于訂單的變化的反應速度會降低，消化程度也不如小市值股票那么明顯。另一個明顯的特征是在股票市場早盤和午盤剛開盤時，滯后時間要顯著大于日內的其它時段，這一效果在大盤股和中盤股上尤為明顯，這也對應了之前對于訂單深度的自相關分析結果。而在早盤開盤之后的交易時段內(10∶30～11∶30)，市場對于交易信息的敏感度則是最強的，在不同盤面的股票上，都表現為該時段的滯后時間為當日最低，即造成價格沖擊的平均持續時間降低了10～15%。

為了具體分析限價指令簿上的訂單行為造成的價格沖擊，本文用向量自回歸模型對一天的四個時段分別進行了估計，表3給出了針對小盤面股票的估計結果，每個時段的前四列的結果為44個交易日的日內交易結果的平均值，第五列為統計的出的顯著比例。由于買3-買5和賣3-賣5的估計結果差別并不明顯，所以此處本文只列出了買1-買3和賣1-賣3的估計結果。由上述結果可以看出，在最優報價附近的訂單的動態變化對價格造成的沖擊是非常顯著的，而相對應的在第二檔和第三檔的沖擊效果估計值的顯著度明顯要較弱，但是這些檔位的訂單的動態變化依然有60～70%的概率對價格造成沖擊。

另一方面，表3也顯示出在日內的開盤和收盤階段，顯著比例要遠高于日內的其它時段，平均顯著比例要高將近10%；另外價格沖擊程度也要大于日內其它時段(為了去除不顯著的估計結果對平均估計結果可能造成的影響，本文剔除不顯著結果重新計算了價格沖擊，發現依然存在類似的效應)。為了更清晰地看出這一效應，本文在圖8中匯總了限價指令簿不同檔位的訂單動態變化造成的價格沖擊估計，同樣的，由于大盤股和中盤股的總體活躍度較低，效果并不明顯，此處只單獨列出小盤股的價格沖擊。

表3 小盤股日內四個時段價格沖擊的回歸結果統計

可以看出，在日內交易的開始階段，價格沖擊系數在日內處于最高值，平均來看是其余時段的1.5倍。隨著交易時間的推進，價格沖擊會有明顯的降低，而在市場收盤前的交易時段，價格沖擊系數又會有一個較為明顯的增加。同時這個現象不僅僅局限于處于市場中的買1價和賣1價的訂單量的動態變化，在其余限價訂單量動態變化上也依然明顯，總體呈現出一個U字型的趨勢。不難發現，這并不僅僅是限價訂單的報價問題，而是一個在市場里普遍存在的現象。

圖8 小盤股5檔報價的訂單演化對價格產生的沖擊程度

本研究試圖從市場活躍程度和信息兩個層面來解釋這一現象，并給出了根據限價指令簿五檔數據計算的10支小盤股在兩個月內的日內平均市場深度和日內平均波動率。

平均市場深度的計算公式為：

由圖9、圖10可以發現，市場深度在日內模式中呈現一個逐步增加的狀態，這一整體趨勢與許多對市場深度的研究類似(R.Cont et al., 2011)[10]，并且在收盤前的階段，平均深度是要明顯高于日內其它時段的，另外從波動率也可以看出，在收盤前訂單簿的波動率更高，而開盤階段則處于一個較低的位置。在剛開盤時，從訂單的層面分析，限價訂單的提交并不活躍，市場深度整體較低，表明已經進入市場的投資者的活躍程度也較低。而由于隔夜信息的存在，市場中存在大量擁有私人信息的知情交易者和未知情交易者，使得開盤時信息非對稱程度較大，公共信息和市場信息都處于一個逐漸釋放的階段，此時處于市場外的投資者會對訂單和交易的表現尤為敏感，訂單簿的變化更容易造成直接的價格沖擊，許多機構投資者也更容易通過不同的訂單簿行為構造策略從而操縱價格。

在收盤前的階段，市場沖擊有一個小幅的提升，此時市場深度很高，幾乎是開盤時的兩倍，訂單簿訂單的變化速率也處于一天內的峰值，表明市場中的投資者比較活躍，但是這些訂單簿的行為更多的可能是試探性的行為，投資者對于真實交易的欲望并不十分強烈，這一點從很多研究結果可以得到佐證(很多學者發現尾盤的成交量盡管也很高，但是要遠遠低于開盤的成交量)。另一方面，隨著知情交易者競相釋放信息后，共同私有信息漸漸釋放，收盤前階段公共信息已經基本釋放完。王春峰等(2007)[14]的實證表明5，信息因素對股價波動的貢獻度要遠高于流動性，尤其是公共信息，這也解釋了投資者在尾盤階段交易欲望的降低，投資者在無法掌握充足的信息作為支持的情況下，會在訂單簿上提交更加安全的限價訂單，然而大部分限價訂單卻不會真正成交，導致了訂單的行為造成的價格沖擊沒有開盤時期高。

另一個重要的發現是，在日內交易的開盤階段，相對于限價指令簿的限價買單，限價賣單對價格產生的沖擊要更大，以9∶30～10∶30的買1和賣1為例，在相同的報價下，一單位的限價賣單對價格造成的沖擊的絕對值是限價買單的1.5倍，而隨著時間的推移，這一差異在逐步縮小。而從限價買單和限價賣單的平均市場深度也可以看出，平均的賣單深度要低于買單深度，表明投資者在進入市場之后，相對于限價賣單，市場的投資者對于限價買單的提交意愿更強烈，這是由于資本市場往往表現為負隔夜信息比正隔夜信息對波動性的影響更大，投資者一般對于負面信息的反應會更為強烈，為了規避風險，對于有出售意向的市場參與者，他們并不愿意提交限價訂單而承受等待被動成交的風險。這就導致了在開盤價段，價格對于限價賣單的動態變化要更加敏感。而隨著信息的釋放和市場供需不平衡的舒緩，這一不對稱也不再明顯。

結論與建議

本文利用了限價指令簿上訂單深度變化的高頻數據，刻畫了訂單的提交，執行和撤銷行為，來量化限價訂單的變化對價格產生的沖擊效應。本文使用了向量自回歸模型來將訂單的動態變化與產生的價格變化進行關聯，對不同市值大小的股票以及在日內不同交易時段訂單提交行為和產生的價格沖擊進行分析，數據和分析結果表明該模型能有效的捕捉訂單簿層面的訂單行為與價格影響之間的動態關聯。

根據實證分析本文可以得到如下發現，首先，限價訂單簿含有的信息量是十分豐富的，可以從微觀層面有效的解釋短期內價格的變動，尤其是在最優報價附近的訂單行為，對價格的沖擊效應尤為明顯。其次，從日內模式來看，限價訂單的動態變化在開盤和收盤階段造成的價格短期波動概率最大，同時價格沖擊幅度也顯著高于日內其它時刻。此外，在訂單買賣方向上，造成的價格沖擊是不對稱的，總體看來，限價賣單造成的價格沖擊要明顯大于限價買單，這一不對稱效應在早上開盤時最為突出，而隨著交易時段的推移，不對稱效應在逐漸消散。而對于監管部門來說，針對這些特性以及投資者的市場行為特點，可以通過對訂單的提交和撤銷次數方面的限制，以及對訂單提交的數量的控制來起到合理引導價格發現的作用，從而有效控制價格的異常波動。

另一方面，本研究依然存在一定的局限性，由于本研究的數據選取是在市場整體環境溫和的前提下，所以并沒有選取在其它市場環境下的數據(例如市場出現大漲或者大跌)，因此本研究的實證分析僅能代表市場行情較為平緩時的價格變化規律。而中國證券市場正處于發展和完善過程中，在某些極端行情出現時，價格的變化規律可能不完全相同，這是值得探討的問題，也是本文未來進一步對價格發現進行研究的方向。

注釋