基于新型指標的股票價格操縱識別模型研究

劉振清 王旭 姚遠

摘要：本文從股價操縱案例出發，歸納出能反應市場操縱策略本質特征的指標，引入高頻數據，構建股價操縱識別模型，并驗證模型準確率。研究結果表明：在操縱者實施操縱策略時，會頻繁多次提交額度較大買單，對限價指令的額度造成較大沖擊;操縱者會連續提交高（低）于當前最佳盤口買（賣）價格的限價指令，對限價指令的價格造成沖擊，使盤口買賣價差迅速縮小;通過實證研究，操縱事件發生前后，衡量額度沖擊指標和衡量買賣價比指標發生顯著變化，實證研究中得出的識別模型準確率較高，可以較好地識別市場中的股價操縱現象。

關鍵詞：股價操縱;特征指標;識別模型;高頻數據

中圖分類號：F830.91? ? 文獻標志碼：A? ? 文章編號：1001-862X（2020）04-0119-007

一、引 言

自股票市場成立，股價操縱現象就一直存在。伴隨著經濟發展的良好態勢，我國股票市場發展也十分迅猛。由于市場相關法律和監管制度的不完善，各種不當競爭事件頻發，股價操縱便是其中之一。對于資本市場發展更早、法律和監管制度更為完善的歐美證券市場，股價操縱現象仍是制約其發展的一大難題。近年來，政府和監管部門也采取各種措施遏制股票市場操縱行為，但由于操縱策略和操縱技術的隱蔽性，操縱事件還是頻頻發生。操縱行為的表現形式多種多樣，其中股價操縱是最重要的策略之一，股價操縱不僅在宏觀上會影響金融市場的價格發現，破壞市場上的投資環境，制約金融市場的健康發展，威脅金融市場穩定，且從微觀層面來說，會影響股票價格正常變化軌道，導致股市微觀震蕩。[1]

從個世紀90年代起，國內外學者開始陸續對股價操縱行為展開研究。Fischel和Ross（1991）首先定義金融市場股價操縱是帶有不好意圖的盈利性交易。Jarrow（1992）定義股價操縱為故意散布虛假的價格信號，導致價格偏離市場正常運行水平的交易行為。Kyle和Viswanathan（2008）定義股價操縱行為是影響資源配置效率、增加市場風險、降低經濟效率的交易策略。

隨著金融市場創新程度的不斷提高，學者開始從不同角度研究股票市場操縱行為。最早，學者們集中研究操縱行為存在的可能性及操縱行為利潤的可得性。Laroque（1989）證明金融市場的內部交易者均有能力與動機通過誤導公眾信息和預期來操縱股票價格。Allen和Gorton（1991）指出當流動性買家聚類現象不明顯時，知情交易者更有可能充當買方的角色，從而導致股票價格向著有利于買方的方向發展，因此信息不對稱可使股價操縱者（知情交易者）獲利。Allen和Gale（1992）通過假設三種交易者類型：完全相同的理性投資者、有內幕消息的投資者、有影響力的操縱者，模擬分析三類交易者的行為，發現操縱者以較小的概率進入市場，當內幕交易者事實上并不擁有內幕消息時，操縱者會模仿內幕交易者的行為，由于理性投資者不確定究竟是內幕交易者還是操縱者，最后會達到一個混和均衡，在滿足一定條件的情況下，操縱者能夠獲得正的收益。Hart（1977）、Jarrow（1992）通過建立預期價格模型，模擬市場交易環境，均都得出交易者可以通過資金或者輿論信息而使價格朝有利于自己的方向發展，證實操縱存在性。Bagnoli和Lipman（1996）分析操縱者在購入股票之后，聯合散布公司被收購的虛假輿論，最后拋售股票而獲利的操縱策略，建立了操縱利潤可得性的模型。Benabou等（2004）證明信息不對稱時，知情交易者在各期均衡狀態下均可能具有市場操縱的動機。

隨后，一些學者通過分析操縱事件的交易數據，從實證方面研究股價操縱的行為模式和操縱行為對市場的影響。劉元海（2003）分析了存在操縱樣本的股票收益率、換手率和波動率在市場上的變化，找出操縱行為對指標的影響。施紅俊等（2004）通過研究被操縱股票的市場指標，發現存在股價操縱行為的股票收益率、換手率、收益波動率在交易日的早盤和尾盤表現出明顯的異常。Bruner（2004）對2001年之前30年間的并購案例進行分析，發現目標公司股東在股權移交過程中會操縱股價走向，使自己從中獲利。周春生等（2005）研究了中國股票市場中交易型股價操縱問題，研究結果顯示投資者的非理性投資和有限套利制約的存在，會使操縱者更容易從操縱中獲利。張繼龍（2006）研究指出中國股票市場投機氛圍濃重，分析股指期貨市場被操縱的可能性，研究股指期貨市場被操縱的行為模式。Chiou（2007）建立馬爾科夫模型和異方差模型，分析股價操縱事件發生期間市場波動率的變化情況。王欣（2009）在考慮波動率的基礎上，引入包括股東持股比例、戶均持股比例變動等變量，運用分位數回歸模型對操縱行為進行識別。陸蓉（2009）分析被操縱股票在換手率、成交量、波動率、beta系數等方面的變化，發現在操縱前和操縱后階段被操縱股票的收益率存在明顯差異，且β系數在操縱期間呈現異常低值。Chan和Alfred（2013）利用香港證券市場交易研究潛在操縱活動，結果表明撤單率和操縱行為之間具有強相關性，同時指出，對高頻數據的分析有助于提高對股票市場交易行為的認識。Kong和Wang（2014）利用中國股市的交易數據，研究股價操縱影響市場流動性和交易行為。朱學紅和張宏偉（2017）以證監會公布的2013年高盛鋁價操縱案為例，發現在操縱期內，期貨和現貨價格序列呈現出“非自然特征”，且在不同事件窗口都有顯著為正的累計超額收益率，呈現較大波動。史永東等（2005）、熊熊等（2011）、周杰等（2017）均通過研究操縱行為，運用Logistic回歸模型，建立了操縱事件的識別預警模型。馬斌等（2017）以證監會公布的6起股價操縱案例為樣本，對操縱事件發生時股票市場的共性進行研究，指出在操縱事件發生時股票會在收益率、波動性、股權集中度、股票流動性和股本規模等方面表現出共性特征，并結合GARCH模型建立了識別異常操縱行為的模型。周齊等（2019）在競爭性理性預期均衡的框架下，建立非知情交易者異質信念下風險資產定價模型，推導出關于風險資產的貝葉斯線性均衡價格函數，基于此揭示操縱手法。欒春陽（2019）以國內證券市場首個ETF（交易型開放式指數基金）操縱案——東海恒信操縱180ETF案為例，分析衍生品操縱行為的認定，提出衍生品操縱行為的規制思路及相關建議。彭明旭等（2019）基于Seppi的市場框架，分析在純限價訂單市場機制和混合市場機制下，莊家的交易策略、市場均衡價格和平均風險升水，比較市場交易機制在限制莊家操縱市場方面的優劣。

國外對股價操縱的研究開始較早，成果也較多，但是大都通過搜集被操縱股票的數據，利用線性邏輯回歸模型對被操縱股票的回報率、波動性和流動性等信息進行建模。隨著計算機技術的迅猛發展，影響市場波動的因素更為復雜，操縱的手段也越來越隱蔽，不可預測性更強。[2]近幾年，少部分學者開始對操縱行為的量化特征進行研究，運用數據挖掘技術，建立復雜模型進行操縱行為檢測。如Yang等（2012）應用數據挖掘技術中的強化學習模型對交易行為及限價指令簿的動態變化進行建模，該模型可以準確識別和區分各類交易策略及隱藏其中的操縱行為。Cao和Yao（2016）在此基礎上應用支持向量機等數據挖掘技術對資本市場的正常交易和各類操縱行為的抽象特征進行數量研究分析，并建立相關的實時監測模型。姚遠等（2016）抽象市場操縱事件的關鍵特征，通過量化，建立基于隱馬爾科夫模型的市場操縱監測預警模型。

目前這些對市場操縱行為的診斷和監測均缺乏操縱策略本質特征的分析，使用的數據也多為股票市場日交易數據，而日交易數據反應市場交易的階段量，但不能反應操縱策略實施時市場的微觀變化，因此，本文從操縱案例和微觀角度出發，設計反映操縱策略本質特征的新型指標，引入日內交易高頻數據，希望得到更高的識別準確率。

二、監測指標設計

目前關于市場操縱的研究都是基于傳統的統計指標，如價格波動率、流動性、收益率、換手率、投資回報率和交易量等，市場操縱行為會導致這些指標的變動。但是引起這些指標變動因素不僅包括可能存在的市場操縱，宏觀政策的變動、經濟周期的變化、交易者的情緒等都可能造成指標變動，因此，股價操縱可能引起傳統指標的變化，但傳統指標的變化并不能判定存在市場操縱。本文從具體股價操縱案例，分析操縱事件發生之時，股票市場上發生的實時微觀變化，設計能反映操縱策略本質特征的指標。[3]

中國證監會2018年7月13日發布的行政處罰決定書〔2018〕61號中指出：2015年8月25日10：18：51至10：24：23，郁紅高通過大額、多筆、連續買入拉抬“經緯紡機”價格，占同期市場成交量的77.63%，并在拉抬后半小時內反向賣出獲利。在操縱期間內，“經緯紡機”股價上漲7.52%。在操縱期間內，賬戶組累計買入1，155，800股;在拉抬過程中累計賣出423，400股，成交金額6，615，358.00元;在拉抬后半小時內累計賣出300，000股，成交金額4，680，055.00元。

中國證監會2018年11月13日發布的行政處罰決定書〔2018〕108號中指出：2017年1月18日，上午9點15分，劉堅賬戶分5筆委托買入“*ST羅頓”，委托數量分別為150，000股、135，000股、430，000股、150，000股和26，000股，委托數量占集合競價期間市場總委托買入量比例分別為6%、5%、16%、6%和1%;委托價格分別為12.5元/股、12.3元/股、13.41元/股、12.4元/股和13.3元/股，委托價格較前收盤價漲幅分別為3%、1%、10%、2%和9%，較市場申買均價漲幅分別為1%、-1%、8%、0%和7%;委托金額分別為1，875，000元、1，660，500元、5，766，300元、1，860，000元和345，800元。該5筆委托于9點16分至9點19分期間全部撤單。開盤后至10點前，賣出300，000股，獲利23，036.54元。

從這兩起案例的處罰決定書中可以看出：操縱事件過程中，操縱者利用手中多個賬戶持有大量操縱股股票，控制使用賬戶組，集中資金優勢、持股優勢，通過大額封漲停、虛假申報并封漲停、盤中拉抬并封漲停等方式來達到非法獲利的操縱目的。在大量買賣操縱股的同時，操縱股實時數據與大盤數據發生大幅度偏移。[4]這兩個案例都顯示出操縱者在拉抬股價時，要大量在賬戶組間申報、撤銷買單和賣單，因此本文歸納出股價操縱的行為交易特征：

特征1，操縱者在短時間內多次提交買單，每次額度較大;

特征2，連續提交高（低）于當前最佳盤口買（賣）價格的限價指令;

特征3，盤口買賣價差迅速縮小;

特征4，極短時間內取消之前提交的一系列限價指令。

結合操縱策略的行為特征，可以發現操縱者的買賣指令對于市場的沖擊主要體現在額度和價格等方面，其中頻繁提交額度較大的買賣指令，會對股票交易市場的成交額度形成沖擊;提交高于盤口價格的買賣指令，會對交易市場的買賣價格形成沖擊;短時間內多次提交額度較大的買賣指令，買賣價差縮小，盤口買賣價比變小;極短時間內取消大量買賣指令，撤單率大幅增加。[5]

通過案例中操縱行為對市場的沖擊影響分析，歸納每一次指令對于交易盤口價格和額度的沖擊，本文總結出反映交易特征的三個指標，具體如圖1所示。

指標2：δpi用來衡量指令價格對于市場的沖擊，Ai、Bi分別表示限價指令進入指令簿時的最佳賣價和買價。

三、實證分析

（一）樣本的選取

本文選取2017—2019年中國證監會公開處罰的股票市場操縱案中敘述完整的被操縱事件數據作為研究樣本。經過篩選，找出8支（英威騰、博云新城、市北新高、福達股份、張家港行、和勝股份、江陰銀行、迪貝電氣）操縱時間清晰、交易數據完整的股票數據，剔除停牌日后將這些數據作為操縱期數據。同時，選擇這8只股票在操縱事件發生之前與操縱期持續時間相同的交易日數據作為非操縱期數據。將8只股票數據分成兩組，第一組英威騰、博云新城、張家港行、和勝股份四支股票數據作為預測樣本，進行模型預測，第二組市北新高、福達股份、江陰銀行、迪貝電氣四支股票作為檢驗樣本，用來檢驗識別市場操縱模型的準確率。[7]

本文以樣本的日內交易一分鐘分時高頻數據作為實證研究數據。相關數據主要來源于中國證監會網站公布的處罰公告、RESSET金融數據庫和高頻數據庫，其中，剔除個股停牌日的有關數據，得到數據共29612條，其中預測樣本數據19000條，檢驗樣本數據10612條。

（二）模型和變量選取

本文采用Logistic回歸模型來研究市場上一只證券被操縱的概率問題。Logistic回歸模型對于識別問題事件有明顯優勢，模型使用的條件比較寬松，對進入模型的數據沒有特別嚴格要求，預測值在（0，1）之間，誤差項可以存在異方差。Logistic模型將該股票是否存在操縱作為被解釋變量，把研究一只股票是否存在操縱問題轉化成為研究該只股票存在操縱的概率，模型的基本判別思想是判斷操縱事件發生的概率與預測向量之間存在如下回歸關系：[7]

其中Pi表示操縱事件發生的概率，Xi表示第i個時期操縱事件的預測向量。計算模型參數，得出股價操縱事件發生的概率。

1.被解釋變量

被解釋變量是0-1型變量。具體如下所示：

Y=1，表示該股票存在操縱0，表示該股票不存在操縱

當狀態變量Y=1，說明模型判斷該股票存在股價操縱;當狀態變量Y=0，說明模型判別該股票不存在股價操縱。

2.解釋變量

解釋變量選取第二部分中設計的三個指標：

（2）δpi用來衡量指令價格對于市場的沖擊，Ai、Bi分別表示限價指令進入指令簿時的最佳賣價和買價。

（三）數據及指標處理

RESSET金融高頻數據庫記錄了上證和深證股票市場每只股票從2000年到2019年的日內交易數據，日內交易一分鐘分時高頻數據包含證券代碼，證券名稱，行情時間，行情日期，買價1（元），買價2（元），買價3（元），買價4（元），買價5（元），買入數量1（股），買入數量2（股），買入數量3（股），買入數量4（股），買入數量5（股），賣價1（元），賣價2（元），賣價3（元），賣價4（元），賣價5（元），賣出數量1（股），賣出數量2（股），賣出數量3（股），賣出數量4（股），賣出數量5（股）等多個項目，數據庫體量龐大。

對于衡量指令價格對于市場的沖擊指標δpi，用當前成交價來表示指令的價格Lpi;當前的最佳賣價Ai用賣一價表示;當前的最佳買價Bi用買一價表示。

對于衡量盤口買賣價差的指標δqi，用賣一價與買一價之比取對數來表示。[8]

（四）識別模型的實證分析

1.變量檢驗

為了驗證額度沖擊、價格沖擊、買賣價比對操縱事件的解釋能力，首先運用兩獨立樣本的非參數檢驗法對19000條預測樣本數據的變量進行篩選。非參數檢驗法常用于兩個總體分布的比例判斷，該方法的原假設是兩個獨立樣本的總體分布無明顯差異。本節的非參數檢驗通過SPSS 22.0完成。非參數檢驗的結果如表1所示。

從平均值可以看出，額度沖擊和買賣價比在操縱期間和非操縱期間顯著不同，額度沖擊在市場操縱時期絕對值明顯變大，買賣價比在操縱時期的平均值變化明顯，價格沖擊在操縱期間和非操縱期間平均值變化不大;從標準偏差列可以看出，額度沖擊在兩個時期顯著不同，在操縱期標準偏差更大，表示額度沖擊在操縱期間變動更大、更分散;價格沖擊的標準偏差在兩個時期變化并不明顯，買賣價比在操縱發生期間有變大趨勢。

表2中額度沖擊和買賣價比的F值和T值檢驗的顯著性均小于顯著水平0.05，同時，樣本差值95%置信區間均沒有跨0，可以認定額度沖擊和買賣價比在操縱事件發生之前和發生之時方差和平均值存在顯著差異;而價格沖擊的T值顯著性為0.169，大于顯著水平0.05，同時，樣本差值95%置信區間跨0，即操縱事件發生前和發生時價格沖擊指標平均值不存在顯著差異。

通過以上分析，額度沖擊、買賣價比兩個指標通過兩獨立樣本T檢驗，價格沖擊指標未能通過T檢驗。在進行模型的預測分析時，額度沖擊、買賣價比兩個指標進入模型。

2. Logistic模型回歸

讓預測樣本四只股票的額度沖擊和買賣價比兩個指標進入Logistic模型，進行回歸分析，得到股票市場的操縱識別模型。該模型的擬合優度為0.691，擬合度較高，說明Logistic模型有效。

表3顯示分界點為0.5時當前模型的錯判矩陣。可以看到，8259條非操縱數據中，模型正確識別出7569條，正確率為91.6%。10741條操縱數據中，模型將309條操縱事件識別為非操縱數據，正確率為97.1%。模型總的預測正確率為94.7%。因此，該模型能較好預測操縱數據。基于此，得到操縱事件識別模型：

其中，Pi表示該交易為操縱事件的概率，δvi表示限價指令的額度對于市場的沖擊，δqi表示盤口買賣價比。

用上述操縱事件識別模型對市北新高、福達股份、江陰銀行、迪貝電氣四只檢驗樣本股票進行模型識別正確率檢驗。識別過程中，取0.5作為判別臨界值（閾值），預測結果如表4所示：

四只檢驗股票的數據總數10612條，其中包括操縱事件數據5838條，非操縱事件數據4774條。從上表得出，模型對操縱事件的識別正確率為91.0%，對非操縱事件的識別正確率為66.4%，模型總體識別成功率為79.9%，效果較好。[9]

四、結論與啟示

本文通過分析具體股價操縱案例，歸納出操縱者實施操縱策略時的共性特征，包括操縱者在短時間內多次提交買單，每次額度較大;連續提交高（低）于當前最佳盤口買（賣）價格的限價指令，盤口買賣價差迅速縮小;極短時間內取消之前提交的一系列限價指令。針對這些操縱特征，設計出能反映這些操縱特征的市場指標，包括反映限價指令的額度對于市場的沖擊指標，限價指令價格對于市場的沖擊指標，股票成交時盤口買賣價差指標。經過實證分析，這些指標在識別市場操縱行為過程中是有效的。[10]

通過對數據進行描述性統計分析，結果顯示在操縱事件發生時，額度沖擊與操縱前階段數據分布明顯不同，表明操縱策略的實施會對市場上的成交量直接造成影響。在獨立樣本的T檢驗中，額度沖擊、買賣價比兩個指標通過兩個獨立樣本T檢驗。表明市場操縱發生時，額度沖擊、買賣價比指標存在顯著差異，額度沖擊、買賣價比兩個指標符合進入模型的要求。在變量沒有進入模型之前，操縱事件識別模型中非操縱事件識別正確率為66.4%，在變量進入模型之后，識別模型的操縱事件識別正確率提高到91.0%，表明額度沖擊、買賣價比兩個指標可以幫助進行操縱事件的識別，提高識別的準確率。檢驗樣本市北新高、福達股份、江陰銀行、迪貝電氣四只股票的總體識別正確率達到79.9%，對操縱事件的識別率較高，可以認為能夠用該模型進行股價的操縱異常判斷。

股票操縱現象主要體現出我國股票市場的不完善和監管機構的監管不當，因此規范我國股票市場的關鍵是提高股票操縱的預測及防范效果。本文認為，為了加強對股票操縱行為的監管與防范，不僅需要規范市場交易行為，加強監管部門的監管力度，還需要從上市公司的角度出發，提出相應措施。[11]基于本文研究結果，提出以下幾點建議：

（一）從監管部門的角度，股票操縱等違法違規現象屢禁不止，主要在于犯罪成本和收益的嚴重不符，因此，監管部門應該加大對此類違法行為的處罰力度，提升其違法成本，該方法在一定程度上可以降低股票操縱行為的發生次數。長期以來，國家監管部門也在努力改善市場環境，2012年成立稽查總隊上海、深圳分隊，以提高監管力度，取得了一定的成效，市場操縱行為得到一定程度的打擊。隨著監管力度的加大，市場操縱者的手段和方法也隨之發生變化，更加隱蔽、復雜，很大程度上加大了監管難度，由于違法行為分散、監管部門執法力量不足，監管部門監管效率較低，在一定程度上提高了違法違規行為的發生。監管部門應當基于已有股票操縱現象的執法經驗，建立針對股票操縱行為的監管系統，以提高監管效率;同時基于本文的研究，額度沖擊和買賣價比會對股票成交量產生影響，建議監管部門針對此指標建立并完善股票操縱行為的監管體系。

（二）對于市場交易行為來說，鑒于違法違規成本與收益的嚴重不符是股票操縱行為頻發的緣由，應該完善我國股票市場的交易制度，通過提高股票操縱的交易成本來降低此類違法違規事件的發生概率。由本文所提出的中國證監會發布行政處罰決定書中可以看出，操縱者的操縱行為主要體現為在大量買賣股票的同時，該股票實時數據與大盤數據發生大幅度偏移。為盡可能防范股票操縱行為，需要引入一系列設計，以進一步優化操縱行為的監測機制。本文提出一個方向：為避免買賣價比過大和額度沖擊所引起的操縱行為，需采取一定的干預措施，該措施需結合我國股票市場的現狀，并基于國際股票市場的發展趨勢及監管機制來制定。

（三）對上市公司而言，公司應致力于提升其財務穩定性，避免成為被操縱的對象。中國證監會所披露的操縱案件的分析表明，財務穩定性差的公司更容易成為被操縱對象。目前我國上市公司的質量良莠不齊，原因在于一些公司運營質量和經營管理水平較低，且由于退市制度的不足，難以淘汰一些經營質量差的公司。而且，規模較小、流動性差的公司更容易成為操縱者的操控對象，監管部門應該加強對小型上市公司的監管力度，充分發揮我國的制度優勢。同時，我國上市公司的治理水平需進一步提高，由于上市公司中存在股權集中等現象，股權的集中程度與被操縱的概率成正比。因此完善上市公司退市制度，提高上市公司治理結構，可以有效地減少操縱的違法現象。

（四）從投資者出發，一方面，對于個人投資者，研究結果表明操縱者在實施操縱策略時會對實時市場報價額度和買賣價比有顯著影響。當前我國大部分股票投資者把投資與投機等價，并不關注股票市場的趨勢和具體股票的細節，這種不理性的行為極易受到操縱者的操控，基于本文的研究結果，一般投資者可以根據這幾個監測指標，有意識地判斷哪些股票更易被操縱，來規避風險。同時，需要加強投資者的風險意識、心理素質教育，提高投資者的風險承受能力，也要加強投資者的投資方法教育，以尋求適合的投資方法。另一方面，對于機構投資者，要加強其內部管理，規范機構投資者的規章制度，同時，要加強外部監督，使機構投資者管理體系更加完善，推動機構投資者的合理發展與進步。[12]

參考文獻：

[1]馬斌，張莎莎，姚遠.基于GARCH模型的股票市場股價操縱研究[J].濟南大學學報（社會科學版），2017，（6）：129-139.

[2]欒春旭.金融衍生品市場操縱行為的識別與規制[J].福建金融，2019，（11）：64-69.

[3]趙瑩.我國法定數字貨幣的金融監管制度構建[J].重慶社會科學，2020，（5）：74-83.

[4]林祥友，王明邦，邵雪靈.股指期貨主力合約轉換與價格發現能力研究[J].重慶工商大學學報（社會科學版）.2018，（4）：1-10.

[5]白雪，牛鋒.金融機構系統性風險貢獻的測度、檢驗與監管[J].山西財經大學學報，2018，（12）：45-59.

[6]李佳.金融結構變遷與銀行資產證券化發展：影響機制及經驗證據[J].金融經濟學研究，2019，（1）：67-82.

[7]楊波，蔣如玥，方芳.我國企業資產證券化短期財富效應研究——基于 A 股上市公司的實證分析[J].現代經濟探討，2018，（2）：38-44.

[8]李翔，張一璇，周夢雅，陳浩.股票發行定價與發行后股東減持——基于中國股權分置改革后股票發行的經驗證據[J].經濟問題，2018，（1）：82-90.

[9]白俊，劉園園，邱善運. 金融資產配置與股價信息含量[J].南方經濟，2019，（11）：53-71.

[10]甘茂智，黃柏翔，周書儀.宏觀審慎評估體系下股市系統性風險防范研究[J].當代經濟研究，2018，（9）：80-89.

[11]張健.中國互聯網金融風險與監管體系改革的路徑選擇[J].亞太經濟，2018，（6）：78-82.

[12]陳寧.國際金融市場 2017 年回顧及 2018 年展望[J].重慶理工大學學報（社會科學），2018，（7）：1-7.

（責任編輯 張亨明）