中国股票市场的流动性供给与股价波动性问题研究

奥鹏网院作业

中国股票市场的流动性供给与股价波动性问题研究
——来自深圳市场订单簿逐笔数据的证据

摘 要： 本文使用2016年4月1日至2016年6月30日的深圳市场订单簿逐笔交易数据动态重构了不同时刻的限价订单簿，构造了与传统深度指标相比更为全面的流动性度量指标，并对其与股价波动性的关系进行了实证研究。研究发现：度量流动性的供给情况不能仅依赖报价深度，还要综合考虑深层报价上的挂单量在订单簿中的分布，当可视报价上的挂单量较多时并不意味着此时整体流动性供给充足，因此流动性供给匮乏的问题在我国股票市场中常有发生。同时，与国外交易限制较弱的订单驱动型市场相比，中国股票市场限价订单簿中的报价分布离散程度更大，从而进一步导致了流动性供给难以集中于靠近订单簿顶端的报价上，增加了未来由于流动性供给匮乏而产生剧烈波动的可能。本文根据研究结论提出了相应的政策建议。
关键词： 中国股票市场； 限价订单簿； 流动性供给； 股价波动性
一、引言
在中国股票市场短暂的发展历程中，由于流动性供给不足而引发股价剧烈波动甚至导致市场崩溃的现象屡见不鲜。2014年秋季开始，中国A股市场在一年内经历了从2 000点至5 000点的暴涨，随后自2015年6月15日起又遭受了“股灾”，短期内多次千股跌停，韦立坚等(2017)[1]指出，此次暴跌的直接原因即是流动性供给匮乏，因而在短时间内造成了较大的价格冲击。资本市场交易制度的核心职能是尽可能高效率地将投资者的交易需求转化为已经完成的交易量，因而交易制度表现出的功能即是为市场提供流动性。流动性供给的表现也影响着整个资本市场的价格波动，当流动性供给充足时当前的市场能够承受更大的价格冲击，从而使资产价格波动趋于稳定；反之，当流动性供给匮乏时，即使轻微的价格冲击也可能引起资产价格的剧烈波动。流动性供给方式的差异性是世界范围内各主要股票市场的一个重要区别，中国作为指令驱动型市场，买卖双方交易者通过交易系统中的订单簿直接互相配对发生交易。Glosten(1994)[2]认为当存在逆向选择时限价订单簿能够为市场供给最大的流动性，而订单簿中的限价订单充当着流动性供给者的角色，因此限价订单的分布最直观地呈现了市场中流动性供给的情况。综上所述，利用更加综合的度量指标对订单簿中完整的流动性供给分布进行刻画和研究，能够全面地呈现出我国股票市场的流动性分布情况，同时进一步分析其对市场波动性的影响，也能够为我国股票市场中时常发生的流动性供给匮乏现象寻找更加微观层面的原因，进而指导投资实践并且为监管层深化市场机制改革提供了参考。
二、文献综述
Demsetz(1968)[3]建立市场微观结构理论的基本框架至今，关于限价订单簿这一交易机制的核心被国际学术界讨论已久。其中Glosten(1994)[2]对于限价订单簿供给流动性的意义进行了讨论，证明了其在特定环境下对于流动性供给的重要性，而在订单簿中起到供给流动性作用的即是限价订单。对此Campbell等[4-8]通过理论模型说明这是由于交易者出于自身信息优势或流动性等目的发起交易时将会主动需求流动性，因此采用市价订单选择以最快的速度完成交易。而流动性供给者为了对冲自身的信息劣势而采用成交价格更优的限价订单，将限价订单执行价格与市场订单成交价格之间的价差作为了供给流动性的补偿。通过上述一系列文献的理论分析详细阐述了Ang等(2006)[9]提出的“限价订单的期权属性”，即买入限价订单可以被市价订单提交者视为以限价订单报买价为执行价格卖出一定数量股票的看跌期权，而限价订单的报价与成交价的价差可视为市价订单提交者购买此期权支付的期权费，因此限价订单提交者有偿的为市场供给了流动性。随后，Goettler等(2005，2009)[10-11]在理论分析中进一步指出，限价订单在订单簿中的分布最为直观、清晰地揭示了市场当前的流动性供给情况，并且不同报价档位上的订单提交与成交情况中包含着交易者关于未来资产价格波动的意见等重要信息。
另外，Acharya与Pedersen(2005)[12]、Foucault等(2007)[13]和Chordia等(2005、2008)[14，15]则讨论了限价订单簿的流动性供给对于波动性和价格发现过程的影响，经过研究指出对数报价价差和有限价差等传统流动性指标的提高有助于减弱波动性、提高价格发现过程的效率。同时，Campbell等[4-8]也建立了市场微观结构理论模型对流动性与波动性之间的关系进行了分析，他们将股价波动分类为由于系统性因素引起将改变股票基础价值的基本波动及受其他非系统因素引起的暂时性波动，证明了流动性供给与随后发生交易产生的价格冲击程度成负相关，流动性供给越充足由于非系统性因素引起的暂时性波动就越小，股价偏离其基础价值的程度越小，进而总体波动性也就越小。此后，Valenzuela等(2015)[16]提出“相对流动性”的概念来总结订单簿中报价和挂单量包含的信息，并使用1秒钟级别订单簿数据研究了伊斯坦布尔证券交易所上市股票的流动性和波动性的关系。
然而，尽管订单簿中呈现了关于流动性供给的最直观信息，由于我国股票市场交易规则的限制，投资者最多仅能够观测到前五或前十档报价，同时完整的订单簿逐笔数据获取难度和处理难度都较大，导致目前从更加微观的视角对订单簿中的流动性供给及其与波动性关系的研究仍然较少。靳云汇和杨文(2002)[17]、屈文洲和吴世农(2002)[18]、杨之曙和李子奈(2003)[19]等学者采用中低频数据从传统流动性指标出发对我国股票市场的流动性进行了刻画，欧阳红兵和傅毅夫(2012)[20]、周平等(2016)[21]则采用前五档报价高频分笔数据探究了订单簿中的流动性供给与波动性的关系，并都得出了二者负相关的结论。过往文献已经为订单簿高频数据在实证中的应用打下了坚实的基础，但由于并未使用更深层的报价数据而对流动性的度量稍有失全面性，而这种全面性的缺失是否有可能影响到对于总体流动性的度量？鉴于上述问题，本文有以下创新之处，研究中更进一步采用完整的订单簿逐笔数据动态重构了不同时刻的限价订单簿，利用Valenzuela等(2015)[16]提出“相对流动性”的概念构造了更加全面综合的流动性供给度量指标对以上研究问题进行了拓展，从更加微观的视角检验了流动性供给与波动性之间的关系，进而对我国股票市场中流动性匮乏现象频发的原因进行了分析。结论验证了“相对流动性”这一度量流动性的代理变量在中国股票市场的适用性，同时也证明了度量流动性不能仅考虑订单簿顶端可见报价的深度，还要综合考虑更深层报价的挂单量在整个订单簿中的分布情况。同时本文以中国这一新兴资本市场为样本从实证方面对Campbell等[4-8]和Goettler等(2005，2009)[10，11]的理论分析进行了进一步的验证，并且对于有数据获取优势的机构投资者，本文复现了深层次限价订单簿的思维也能够为其投资实践提供相应的指导。
三、理论分析与假设提出
在Campbell等[4-8]所提出的市场微观结构理论模型中，当市场中发生流动性冲击时，如果流动性供给者人数越少，流动性需求者的交易行为就会对资产的均衡价格产生越大的冲击，从而导致资产价格在未来更容易出现大幅度的波动。同时，由于资产价格的变化呈现出负的自相关趋势，因此流动性需求者的交易行为引发的价格冲击越大，这种负相关关系也就越明显，这也进一步放大了资产价格的波动。另外，流动性冲击会令资产的均衡价格出现一个由于流动性而引起的折价，当观测到冲击后为了能够尽快发生交易进行对冲，交易者愿意低于(当冲击为负时则为高于)均衡价格成交。因此当流动性供给越少，均衡价格中的折价部分越大，成交价格偏离资产基础价值的程度越大，因此产生的波动性也越大。此外，资产价格产生的变动中存在着由于信息融入的永久性变动部分和由于交易产生的流动性冲击而造成的暂时性变动的部分，将会随着时间向资产的真实价值回归。因此订单簿中报价上的流动性供给越充足，交易引起的价格冲击就越小，引发的资产价格波动性也越小，价格变动中的暂时性部分也就是偏离其基础价值的程度越小，价格发现的效率更高。从而本文提出假设1。
H1 限价订单的分布越集中于靠近订单簿顶端的报价，而不仅限于前五档最优报价时，未来市场中产生的剧烈波动的可能性越小。
中国股票市场与西方成熟资本市场相比，由于其特殊的历史原因和发展历程而呈现出体量大、中小型投资者众多且存在市场操纵等特征。中国作为指令驱动型市场，买卖双方交易者通过交易系统中的订单簿直接互相配对发生交易，限价订单在其中充当着流动性供给者的角色。Valenzuela等(2015)[16]对同为指令驱动型市场的土耳其股票市场订单簿中的流动性分布进行了检验，由于其市场机制允许参与者观测到完整的订单簿，不利于参与者隐藏信息，因此其限价订单的报价分布较为密集，仅有30个报价档位。与之相对，中国股票市场由于交易规则的限制投资者仅能观测到前五档报价，某些情况下也仅能够观测至前十档报价。因此交易者无法完整地了解市场对当前资产价格的意见，由于大部分投资者缺乏专业性技巧同时无法获取准确的信息，同时还可能存在一些极端报价的异常订单，因此订单的报价分布可能较为离散。因而当可视报价上的挂单量较多时并不意味着此时整体流动性供给充足，还要综合考虑不同报价上的挂单量在订单簿中的分布。一方面，中国股票市场限价订单簿中的报价分布离散程度更大，从而导致了流动性供给难以集中于靠近订单簿顶端的报价上。而另一方面，这种限价订单的分布也可能与市场操纵有关，大型投资者会在可视报价和不可视报价上分别设置不同量级的限价订单。因此中小型投资者以当前能够观测到的报价信息作为提交订单的依据时，可能会被诱导而错误估计价格变化的趋势和总体的流动性供给水平，因此流动性供给匮乏的问题在我国股票市场中常有发生。同时Easley(2011a、2011b)[22，23]与万谍等(2016)[24]也从内幕交易的角度解释了市场暴跌的原因。从而本文以上述分析为基础提出假设2。
H2 挂单量在订单簿不同价格档位上的分布中包含了传统报价深度指标中所没有的关于股价波动性的信息。
四、样本数据与研究设计
(一)研究中使用的订单簿超高频逐笔数据
本文中根据实时交易的逐笔数据动态重构了限价订单簿，其中订单簿的主要信息包括每一笔订单的提交时间、撤单时间、指定成交价格(limit price)、成交情况及订单编号。鉴于中国股票市场逐笔数据的数据量级极大，同时获取难度较大，仅深交所提供该数据，上交所数据目前暂不可得。且Goodhart和O′Hara(1997)[25]认为逐笔数据通常周期较短，每个交易日的数据中所反映的市场情况相当于历史上较长周期中低频数据所反映的情况，因此海外学者都仅选择了片段进行研究。如Cont等(2014)[26]使用50只股票一个月逐笔数据数据作为研究样本，Valenzuela等(2015)[16]的样本股为30只，样本周期仅为两个月。综上所述，鉴于我国市场逐笔数据可获得性和Goodhart和O′Hara(1997)[25]的论证，本文采用2016年4月1日至2016年6月30日共58个交易日的数据，同时出于普遍性的考虑选择了中证800指数成分股中的深圳市场股票，共377只股票的个股订单簿逐笔数据，及深成指指数分笔交易数据作为研究样本。另外，2016年我国股票市场波动也相对平稳具有一定的代表性，因此该样本能够使模型具有充分的说服力。
(二)变量构造与回归方程
1.流动性度量指标
(1)限价订单簿中的流动性分布(Order Book Distribution)。本文采用15分钟作为样本频率，剔除开收盘的集合竞价时段后，每个交易日从上午9∶45至下午14∶45共15个15分钟时点，以τ来表示，因此τ的取值范围为[0，14]。根据如下步骤得到订单簿中流动性分布状态。
第一步，将个股的报价和成交数据进行匹配，得到股票在交易日的每个15分钟时点上订单簿中未成交的订单，则τ=1时订单簿中包含了从9∶30至9∶45时未成交的订单，τ=15时订单簿中包含了从9∶30至14∶45时所有未成交的订单。
第二步，计算每个订单经过最小报价档位调整后的价格距离，记为Δ(如买一的价格距离为0，买五的价格距离为4；卖一的价格距离为0，卖五的价格距离为4)。对于股票i在τ时刻的订单簿，买方价格距离的定义如下

(1)
表示τ时刻订单簿中的最优报买价(即τ时刻的最低买入报价)，表示τ时刻第i个买入订单的指定成交价格。
卖方价格距离定义如下

(2)
表示时刻τ时订单簿中的最优报卖价(即τ时刻的最高卖出报价)，表示τ时刻第i个卖出订单的指定成交价格。
第三步，通过计算个股在每个交易日内买卖双方订单簿中每个订单i的挂单量占τ时刻总挂单量的比率，得到每个价格距离Δ上的个股订单簿流动性分布(indOBD)，Δ 取值范围为[0，Δmax]。至此，个股限价订单簿流动性分布中包含了每个报价的位置及其对应挂单量的信息。由于大量信息收集处理能力较弱的散户交易者和噪音交易者的存在可能令订单簿中出现价格距离较为异常的订单。综上考虑，仅采用前五档或前十档报价的数据进行研究有失全面性，同时为了滤除极端情况的报价可能造成的干扰，本文在买卖双方均选择了订单簿中从买一和卖一(即价格距离为0)开始的前70%有效订单作为研究对象，因此由数据统计可知买方Δmax=70，卖方Δmax=100。
第四步，计算个股订单簿流动性分布的等权重平均值，得到市场总体的订单簿流动性分布(aggOBD)，代表整个市场在某个报价水平上待成交的订单比率。在每个价格距离和时刻，市场总体的订单簿流动性分布的定义如下

(3)
表示股票s在τ时刻的买方订单簿流动性分布，S表示样本股数量。为了结论的稳健性，后文使用了流通市值和总市值两种加权方式计算aggOBD。
(2)相对流动性(Relative Liquidity)。由于订单簿流动性分布数据(aggOBD)中存在价格距离较多，且每个价格距离上的流动性分布之间的同质性较强等特点，因此需要选择合适的方法对其中的信息进行总结。主成分分析法具有可消除评价指标之间的相关影响、可减少指标选择的工作量等优势，特别是在其综合评价函数中，各主成分的权数为其贡献率，能够反映该主成分包含原始数据的信息量占全部信息量的比重，从而确定客观、合理的权重，克服了其他评价方法中外生权重所带来的主观性偏差。因此，本文采用主成分分析法得出的总结变量对订单簿中每个报价的位置和其挂单量所包含的信息进行总结。本文对买方价格距离70以内、卖方价格距离100以内的订单簿流动性分布(aggOBD)使用主成分分析法后，得到一系列作为总结变量的主成分，本文分别选择买卖双方的第一主成分作为订单簿中流动性分布的代理变量，即相对流动性(RL)。

图1 买卖双方相对流动性的因子载荷图
图1中分别给出了买卖双方相对流动性(RLbuy、RLsell)的载荷图，横轴为价格距离，纵轴为因子载荷，反映了该主成分与原始数据之间的相关关系。对于买卖双方，靠近最优报价即价格距离越小时相对流动性的载荷为正，而远离最优报价即价格距离较大时相对流动性的载荷为负。这表明靠近最优报价即订单簿顶端的未成交订单越多时，相对流动性水平越好，反之远离最优报价即订单簿底部的未成交订单越多时，相对流动性水平越差。上述特性意味着当订单簿中最优报价的绝对深度不足时，并不能说明其相对流动性水平也较差，因此相对流动性表示某一时刻未成交订单集中或离散分布在整个订单簿中的相对位置。从而本文以相对流动性指标刻画了流动性供给在订单簿中的分布状态。
2.二尺度已实现波动率(the two scales realized volatility estimator)
金融学文献中普遍采用已实现波动率作为积分波动率的代理变量，以此来估计波动性。但是已有研究表明，在由于高频和超高频数据中内生性的微观结构噪音和跳跃的存在，使已实现波动率作为积分波动率代理变量的准确性大幅降低。迄今为止，为了平滑微观结构噪音和跳跃，学者们进行了一系列的研究，如Aït-Sahalia等(2005)[27]，Bandi和Russell(2010)[28]尝试寻找能够剔除噪音的最优采样频率，Andersen等(2012)[29]提出了对于跳跃稳健的波动性估计量，Delattre等(2013)[30]则从订单流中估计有效价格从而避免噪音。本文采用Zhang等(2005)[31]及Aït-Sahalia等(2011)[32]提出的二尺度已实现波动率度量波动性(TSRV)。在对数资产价格服从几何布朗运动过程，噪音项是独立同分布且真实资产价格互相独立的假设下，TSRV能够成为积分波动率的一致无偏估计量。对TSRV的定义如下

(4)
本文采用30秒频率深证成指分笔数据按照Aït-Sahalia等(2011)[32]的方法估计。TSRV[Y,Y](avg)表示将第τ个15分钟划分为K个子样本后(K=5)，每个子样本中深证成指报价中点的已实现方差的平均值。为第τ个15分钟内深证成指对数报价中点的已实现方差。n为时刻τ观测值数量，鉴于TSRV是波动性的容噪估计量，但可能会被高频数据中的跳跃所影响，因此本文后续还选择了对跳跃保持稳定的波动性估计量来检验研究结论的稳健性。
3.控制变量
为了结论的稳健性，本文采用了一系列以往研究中表明能够影响未来波动性的指标作为控制变量。包括时刻τ时股票的交易笔数(NTτ)、平均每笔交易量(ATSτ)、相对买卖价差(relSPRτ)(Jones等，1994[33]；Foucault等，2007[13])；Amihud非流动性指标(Amiτ)(Amihud，2002[34])；对数报价斜率(logQSτ)(Hasbrouck和Seppi，2001[35])。同时，本文还加入了传统的绝对报价深度指标与相对流动性进行对比，包括买卖双方最优报价的未成交订单(即买一与卖一价上的挂单量，分别记为和前五档报价累积未成交订单(即买一至买五与卖一至卖五价上的累计挂单量，分别记为和及前十档报价累积未成交订单(即买一至买十与卖一至卖十价上的累计挂单量，分别记为和以上控制变量均采用了等权重平均值，后文中还使用了流通市值和总市值两种加权方式以增加结论的稳健性。
4.回归方程

(5)
在时刻τ，στ+1表示深证成指报价中点的未来波动性，以TSRV作为估计量；和分别表示买卖双方的相对流动性，即对aggOBD进行主成分分析后得到的第一主成分。控制变量如前文所述。同时本文引入虚拟变量Dummyi,τ控制波动性的日内模式，当j=τ时，Dummy取值为1，否则为0；并在回归中加入了波动性的滞后值(στ)以控制其自聚集效应[16]。为了使回归结果更便于观看和解释，本文在所有回归中都对解释变量进行了标准化处理，将被解释变量转换为百分数形式，同时为了节省空间省略了虚拟变量的回归系数。
五、超高频环境下订单簿流动性供给与股价波动性关系的实证研究
(一)关于限价订单簿中的描述性统计
图2和表1呈现了深圳市场买卖双方订单簿的平均流动性分布情况。买方订单簿共1 774个报价，最大价格距离为3 940，卖方订单簿共6 271个报价，最大价格距离为10 016。由于较大价格距离上的挂单量较少，因此图中仅给出了买卖双方最大价格距离为400时的情况，而土耳其股票市场中由于交易者可以看到所有报价，最大价格距离仅为30[16]。图2中可以看出买卖双方第二档报价即价格距离为1时的挂单量最多，且总体上订单的挂单量随着其价格距离的增大而减小，该特征与国外市场相似[8]。表中可以看出买卖双方的订单在开盘时段比收盘时段分布更加集中，但总体上买方分布比卖方更为集中，如买方价格距离在4以内，即前五档报价以内的累积挂单比率为0.116 2，卖方仅为0.055 3，由此反映了中国市场中大部分时间内买方投资者更加急于成交，因此选择提交执行价格更加靠近最优报价的订单。上述描述性统计表明：中国市场的报价和挂单量分布离散程度较大，这可能是由于交易机制造成了中国市场的交易者最多仅能观测到订单簿的前十档报价，并且中国股市的信息不对称程度较为严重，知情交易者为了利用自身的信息优势或隐藏自己的身份而选择以订单簿可见范围之外的报价提交订单。
表1 挂单量分布的描述性统计

表2 相对流动性与未来波动性

注：***、**和*分别表示双尾检验在1%、5%、10%的统计水平下显著；括号内数值为t统计量。

图2 价格距离与挂单量比率
(二)相对流动性与未来波动性
本文在实证研究中首先在总体上检验了构造的相对流动性指标与未来波动性之间的关系。从下表中可知，买卖双方的相对性指标均与未来一期的波动性在5%的水平上成显著负相关，回归系数分别为-0.031和-0.064。调整的R2为29%，当未加入虚拟变量时，该值为14%。控制变量的回归系数在大部分情况都与预期相符，并且在加入控制变量后相对流动性的解释能力并未受到影响。
正如图1所示，相对流动性指标增大代表此时订单簿中的流动性供给集中于靠近顶端的报价上，此时交易引起的价格冲击更小，引发的资产价格波动性也更小，价格变动中的暂时性部分也就是偏离其基础价值的程度更小，价格发现的效率更高。反之，当订单簿中的流动性供给集中于靠近底部的报价上，交易产生的价格冲击将引起较大的波动性，降低了价格发现的效率。综上所述，本文的实证结果验证了假设1。
表3 相对流动性与绝对报价深度

注：***、**和*分别表示双尾检验在1%、5%、10%的统计水平下显著；括号内数值为t统计量，下同。
(三)相对流动性与绝对报价深度
绝对报价深度代表特定报价水平上的待成交订单量，当最优报价上的深度不足，即订单簿较“薄”时，规模稍大的订单即可引发资产价格的变化，因此深度越小时未来出现较高波动性的可能性就越大；同时，相对流动性是对订单簿内多个报价和其待成交订单量的总结，当最优报价的深度指标较小时并不意味着订单簿顶端附近的流动性供给不足，即相对流动性指标也较小，此时仅使用深度来衡量流动性可能有失全面性。因此本文接下来对相对流动性和绝对报价深度对于未来波动性的解释能力进行了比较研究。
表4 关于波动性指标的稳健性检验

表4 关于波动性指标的稳健性检验(续)

从表3中知，买方绝对报价深度与未来波动性在10%的水平上显著负相关，卖方绝对报价深度与未来波动性在1%的水平上显著负相关，说明当订单簿更“薄”时会在未来引起较大的波动性。但是当回归中加入相对流动性指标时，绝对报价深度指标失去了其显著性，且相较于回归(1)时，深度指标的加入仅使模型增加了0.01左右的解释能力。上述实证结果表明：挂单量在订单簿不同价格档位上的分布中包含了传统报价深度指标中所没有的关于股价波动性的信息。也就是说度量流动性不能仅依赖报价深度，还要综合考虑不同报价上的挂单量在订单簿中的分布，当可视报价上的挂单量较多时并不意味着此时整体流动性供给充足，因此流动性供给匮乏的问题在我国股票市场中频发。本文认为可以通过尝试引入临时做市商制度在订单簿顶端缺乏限价订单时为市场供给紧急流动性，减弱市场中出现股价剧烈波动的可能性，从而提高市场效率，这一结论也与韦立坚等(2017)[1]的观点相符。上述实证结果在进一步验证了假设H1的同时，还证明了相对流动性中包含了传统深度指标无法解释的关于股价波动性的信息，从而也验证了假设H2。
六、超高频环境下中国市场流动性与股价波动性关系的多角度分析
本文从多个角度出发检验了相对流动性与股价波动性之间关系的稳健性。首先，本文使用多种波动性估计量替换TSRV作为解释变量检验了结论的稳健性。其中包括金融学研究中广为使用的已实现波动率(RV)；及一系列对高频数据中存在的跳跃稳健的波动性估计量，如Barndorff-Nielsen和Shephard(2004)[36]提出的双幂次变差已实现波动(BPV)和三幂次变差已实现波动(TPV)，与Andersen等(2012)[29]随后提出的最小值已实现方差(minRV)和中位数已实现方差(medRV)。其次，由于正文中使用了等权重的方式来计算变量的平均值，因此本文还使用了市值加权来计算变量的平均值。最后，本文还采用了30分钟频率的指标进行了研究。
(一)相对流动性与多种波动性度量指标的关系
文中表4给出了替换波动性度量指标的回归结果。从下表中可以看出，当使用已实现波动性(RV)、双幂次变差已实现波动(BPV)、三幂次变差已实现波动(TPV)最小值已实现方差(minRV)和中位数已实现方差(medRV)作为波动性的度量指标时，其与相对流动性之间的关系保持稳健。前文中采用了对于微观结构数据中的噪音保持稳定的波动性度量指标(TSRV)时总体回归结果相差不大，而上述RV、BPV、TPV、minRV和medRV则为对于微观结构数据中的跳跃保持稳定的波动性度量指标，说明相对流动性与股价波动性之间的关系无论对于微观结构噪音或是跳跃都能保持稳健性。
(二)不同加权方式对相对流动性与股价波动性关系的影响
随后本文按照流通市值和总市值加权重新计算了市场总体订单簿流动性分布(aggPDF)、交易笔数(NTτ)、平均每笔交易量(ATSτ)、相对买卖价差(relSPRτ)、Amihud非流动性指标(Amiτ)、对数报价斜率(logQSτ)等变量进行检验。表5中给出了按照两种市值加权回归得出的结果。从表中可以看出变换了指标计算的加权方式后相对流动性仍然在较高的显著性水平上对未来的波动性成负相关，因此说明相对流动性与股价波动性之间的关系对于变量计算的加权方式也是稳健的。
(三)不同样本频率对相对流动性与股价波动性关系的影响
最后，本文放宽了研究中的数据频率，从15分钟放宽至30分钟，用以检验在不同价格发现效率的环境下研究结论的稳健性。表6给出了将样本的频率放宽至30分种后的回归结果。从表中可以看出30分钟频率下，绝大多数情况相对流动性都能够保证和未来波动性之间的负相关关系，因此证明了在不同研究频率下相对流动性与股价波动性之间的关系都是稳健的。
表5 市值加权稳健性检验

表6 30分钟频率下样本的稳健性检验

七、结论与建议
近年来随着高频交易技术的快速发展和广泛应用，以订单簿日内数据为基础的学术研究日益增加，本文以中国深圳A股市场订单簿逐笔数据为对象，对市场中流动性供给匮乏现象频发的原因和流动性供给与波动性之间的关系进行了研究。以动态重构了不同时刻股票的限价订单簿，进而更加完整地度量了订单簿中的流动性。研究表明，限价订单的分布越集中于靠近订单簿顶端的报价，而不仅限于前五档或前十档最优报价时，交易产生的价格冲击对均衡价格的影响越小，未来市场中产生剧烈波动的可能性越小，股价在经历波动后的均值回归过程也越快。研究还进一步发现，挂单量在订单簿不同价格档位上的分布中包含了传统报价深度指标中所没有的关于股价波动性的信息。进而认为这部分信息可能与市场操纵有关，由于我国市场机制的限制令参与者无法观测到完整的订单簿，大型投资者可能分别在可视报价和不可视报价上设置不同量级的限价订单。因此中小型投资者以当前能够观测到的报价信息作为提交订单的依据时，可能会被诱导而错误估计价格变化的趋势和总体的流动性供给水平。度量流动性不能仅依赖报价深度，还要综合考虑不同报价上的挂单量在订单簿中的分布，当可视报价上的挂单量较多时并不意味着此时整体流动性供给充足。同时，与国外交易限制较弱的订单驱动型市场相比，中国股票市场限价订单簿中的报价分布离散程度更大，从而进一步导致了流动性供给难以集中于靠近订单簿顶端的报价上，因此流动性供给匮乏的问题在我国股票市场中频发，进而也增加了未来产生剧烈波动的可能。
本文的研究结论对于监管层如何改善市场流动性，降低市场总体波动维持平稳具有一定的启示。从总体上看，中国市场投资者提交限价订单的执行价格(limit price)离散程度较大，因此可以适当扩大最小价格变动档位(tick size)或按照股价的高低分类后分别设置不同的最小价格变动档位以减小限价订单分布的离散性，从而使在总量不变的情况下使流动性的分布更加集中。另外，投资者对未来的预期通过其提交的订单而反映在限价订单簿中，而卖方投资者提交的限价订单的离散程度大于买方投资者，说明买方更为急于成交，买方投资者对未来的预期可能过度自信。因此监管层应加强信息透明度，发展相关机构提高中小投资者的专业素质，对其进行正确引导，促使投资者合理预期，从而合理地提交限价订单，进而从限价订单簿的层面改善流动性供给。最后，本文认为可以通过尝试引入临时做市商制度在订单簿顶端缺少限价订单时为市场供给紧急流动性，减弱了市场中出现股价剧烈波动的可能性，从而提高市场效率。
参考文献
[1]韦立坚, 张维, 熊熊. 股市流动性踩踏危机的形成机理与应对机制[J]. 管理科学学报, 2017, 20(3): 1-23.
[2]GLOSTEN L R. Is the electronic open limit order book inevitable? [J]. The Journal of Finance, 1994, 49(4): 1127-1161.
[3]DEMSETZ H. The cost of transacting [J]. The Quarterly Journal of Economics, 1968, 82: 33-53.
[4]CAMPBELL J Y, GROSSMAN S J, WANG J. Trading volume and serial correlation in stock returns [J]. Quarterly Journal of Economics, 1993, 108(4): 905-939.
[5]VAYANOS D, WANG J. Liquidity and asset prices: a unified framework [J]. Social Science Electronic Publishing, 2009, 17: 269--364.
[6]HUANG J, WANG J. Liquidity and market crashes [J]. Review of Financial Studies, 2009, 22(7): 2607-2643.
[7]HUANG J, WANG J. Market liquidity, asset prices, and welfare [J]. Journal of Financial Economics, 2010, 95(1): 107-127.
[8]VAYANDOS D, WANG J. Liquidity and asset returns under asymmetric information and imperfect competition [J]. Review of Financial Studies, 2012, 25(5): 1339-1365.
[9]ANG A, CHEN J, XING Y. Downside risk [J]. The Review of Financial Studies, 2006, 19(4): 1191-1239.
[10]GOETTLER R L, PARLOUR C A, RAJAN U. Equilibrium in a dynamic limit order market [J]. The Journal of Finance, 2005, 60(5): 2149-2192.
[11]GOETTLER R L, PARLOUR C A, RAJAN U. Informed traders and limit order markets [J]. Journal of Financial Economics, 2009, 93(1): 67-87.
[12]ACHARYA V V, PEDERSEN L H. Asset pricing with liquidity risk [J]. Journal of Financial Economics, 2005, 77(2): 375-410.
[13]FOUCAULT T, MOINAS S, THEISSEN E. Does anonymity matter in electronic limit order markets? [J]. The Review of Financial Studies, 2007, 20(5): 1707-1747.
[14]CHORDIA T, ROLL R, SUBRAHMANYAM A. Evidence on the speed of convergence to market efficiency [J]. Journal of Financial Economics, 2005, 76(2): 271-292.
[15]CHORDIA T, ROLL R, SUBRAHMANYAM A. Liquidity and market efficiency [J]. Journal of Financial Economics, 2008, 87(2): 249-268.
[16]VALENZUELA M, ZER I, FRYZLEWICZ P, et al. Relative liquidity and future volatility [J]. Journal of Financial Markets, 2015, 24: 25-48.
[17]靳云汇，杨文．上海股市流动性影响因素实证分析[J]．金融研究，2002(6)：12-21．
[18]屈文洲，吴世农．中国股票市场微观结构的特征分析[J]．经济研究，2002(1)：56-63．
[19]杨之曙，李子奈．上海股市日内流动性——深度变化实证研究[J]．金融研究，2003(6)：25-37．
[20]欧阳红兵，傅毅夫．中国股市限价指令簿的流动性提供研究[J]．管理科学，2012，25(4)：91-99．
[21]周平，马景义，张辛连．限价指令簿与股票价格：信息扩散与动态反馈机制——来自沪深两市高频数据的证据[J]．投资研究，2016，35(9)：39-52．
[22]EASLEY D, DE PRADO M M L, O’HARA M. The microstructure of the “flash crash”: flow toxicity, liquidity crashes, and the probability of informed trading [J]. The Journal of Portfolio Management, 2011a, 37(2): 118-128.
[23]EASLEY D, DE PRADO M M L, O’HARA M. The exchange of flow toxicity [J]. The Journal of Trading, 2011b, 6(2): 8-13.
[24]万谍，王军波，杨晓光. 中国股市暴涨暴跌前有迹象吗[J]. 系统工程学报, 2016(5): 643-656.
[25]GOODHART C A E, O'HARA M. High frequency data in financial markets: issues and applications [J]. Journal of Empirical Finance, 1997, 4(2-3): 73-114.
[26]CONT R, KUKANOV A, STOIKOV S. The price impact of order book events [J]. Journal of Financial Econometrics, 2014, 12(1): 47-88.
[27]AIT-SAHALIA Y, MYKLAND P A, ZHANG L. How often to sample a continuous-time process in the presence of market microstructure noise [J]. The Review of Financial Studies, 2005, 18(2): 351-416.
[28]BANDI F M, RUSSELL J R. Microstructure noise, realized variance, and optimal sampling [J]. Review of Economic Studies, 2008, 75(2): 339-369.
[29]ANDERSEN T G, DOBREV D, SCHAUMBURG E. Jump-robust volatility estimation using nearest neighbor truncation [J]. Journal of Econometrics, 2012, 169(1): 75-93.
[30]DELATTREA S, ROBERT C Y, ROSENBAUMC M. Estimating the efficient price from the order flow: a brownian cox process approach [J]. Stochastic Processes & Their Applications, 2013, 123(7): 2603-2619.
[31]ZHANG L, MYKLAND P A, AIT-SAHALIA Y. A tale of two time scales: determining integrated volatility with noisy high-frequency data [J]. Social Science Electronic Publishing, 2005, 100(472): 1394-1411.
[32]AIT-SAHALIA Y, MYKLAND P A, ZHANG L. Ultra high frequency volatility estimation with dependent microstructure noise [J]. Journal of Econometrics, 2011, 160(1): 160-175.
[33]JONES C M, KAUL G, LIPSON M L. Transactions, volume, and volatility [J]. The Review of Financial Studies, 1994, 7(4): 631-651.
[34]AMIHUD Y. Illiquidity and stock returns：cross-section and time-series effects [J]. Journal of Financial Markets, 2002, 5(1):31-56.
[35]HASBROUCK J, SEPPI D J. Common factors in prices, order flows, and liquidity [J]. Journal of Financial Economics, 2001, 59(3):383-411.
[36]BARNDORFF-NIELSEN O E, SHEPHARD N. Power and bipower variation with stochastic volatility and jumps [J]. Economics Papers, 2004, 2(17): 1-37.