上海股票市场日内买卖价差的随机波动 2017毕业论文下载

一、引言
　　　对证券价格行为的分析包括了长期均衡价格的波动模型和短期证券价格的形成

关于前者的大量实证研究发现长期证券价格的波动表现出时变的特征，而短期证券价格的波动通常被看作是对交易机制（如交易成本等）引起的长期或持续信息成分和暂时成分的反应，它们实际上是微观结构效应，包括随机交易成本、波动集中、价格离散等

市场微观结构相关文献中的理论和实证证据都说明了买卖报价中反应了交易成本，而价格离散则是影响股票价格波动率的一个重要的因素

波动集中最初也是从证券价格波动的经验现象中开始引起关注的

本文将从证券价格波动的微观效应出发，探讨中国股票市场日内交易成本的动态波动特征

　　　关于交易成本时变性研究的一个典型问题是交易成本的随机波动，也就是说，交易成本分布的均值和方差参数随着时间的变化而变化

如果交易成本的均值是随机的，那么它可能会表现出一定的系统变动模式；如果交易成本的方差是随机的，那么它就是异方差的

比如说，交易成本可能是序列相关的，可能会表现出波动集中的特征

现有文献对随机交易成本的研究主要是从均值和方差的随机波动两个方面考虑

　　　Harris（1986）等在研究纽约证券交易所上交易对买卖价差、交易量和价格波动的影响中发现买卖价差有U型的日内波动模式以及短期的序列相关

而Admati和Pfleiderer（1988）等研究者为这些实证结果提供了理论解释

McInish和Wood（1992）等分别对不同国家股票交易所的日内季节性进行研究，发现买卖价差有规则的日内模式，表现为“U”型或“L”型

　　　关于买卖价差日内模式的研究都建立在市场参数方差确定的条件下，但是，随着Engle（1982）提出的ARCH类模型的发展，对随机交易成本的研究还考虑了波动的随机性

Bollerslev和Melvin（1994）用ARCH类模型表示外汇市场的买卖，考虑了交易成本的随机波动

类似研究还有Engle，Ito和Lin（1990）等

Hasbrouck（1999a，1999b）研究了离散买卖买卖和波动集中对交易成本随机波动的影响，与之前研究的不同之处在于考虑了交易成本的离散性

　　　对于国内的股票市场，屈文洲和吴世农（2002）运用高频数据对我国深圳股票市场的买卖买卖价差的变动模式进行实证分析，发现买卖价差呈现出“L”型的变动规律

杨之曙（2000）、孙培源和施东晖（2002）对中国股市买卖价差的研究，也得出日内价差曲线呈不对称U型或L型的研究结论

穆启国、吴冲锋和刘海龙（2004）把买卖价差分解为非对称信息成本和指令处理成本，并采用深市的实时交易历史数据进行了实证分析

结果表明交易成本呈L型，并随股票价格的降低而减少，随换手率的降低而增加

而雷觉铭和曾勇（2006）对上海股市买卖价差成分的分析则认为逆向选择成本曲线和订单处理成本曲线均呈“L”型并不能保证日内价差曲线也呈“L”型

这些研究都说明我国股票市场的日内买卖价差有时变的波动特征，但是对买卖价差随机波动特征的深入研究却很少见，这也是本文研究的出发点

在本文的中，我们将使用上海股票市场的高频交易数据，对日内买卖价差的均值和方差的变化进行实证研究，进而确定买卖价差日内的随机波动特征

　　　本文余下部分的安排是：第二部分介绍了实证研究中使用的数据和模型，第三部分介绍了实证研究结果，最后一部分给出研究的结论

　　　二、数据和模型选择
　　　1. 数据说明
　　　本文的实证数据选择为上证50股票指数的成份股票的分时交易数据，样本区间从2005年7月1日到2005年9月30日，数据来源于分析家证券分析系统

剔除样本中卖出买卖缺失的股票，最后样本中包含49个样本股票在66个交易日的高频交易数据

基于样本中的买卖买卖数据，将买卖价差定义为每分钟内最后一笔交易的相对买卖价差，即买卖买卖之差与买卖买卖中间值的比

每个交易日里，从连续竞价交易开始，样本时期共有240个，即每个样本股票在每个交易日有240个买卖价差数据

　　　对时间序列数据模型分析的一个重要假设是序列平稳，图1显示了加权买卖价差的时间图，其中等权买卖价差为每分钟买卖价差的算术平均数，即权重为样本股票数量的倒数（1/49），价值加权买卖价差的权重为每个样本股票在样本期间内的平均月总市值与所有样本股票在样本期间内的平均月总市值和的比值

直观来看，加权买卖价差序列没有随机趋势，它们的单位根检验也验证了这一点

而且，对个别样本股票买卖价差的单位根检验也都拒绝了序列非平稳的零假设，即日内交易成本波动没有随机趋势

标签：

王夫子