极端市场条件下指令不平衡与收益之间的关系1——来自我国股市2014-2015年极端波动期间的经验研究
张传海金鹰翔(中南财经政法大学金融学院，湖北武汉430073)
彭哲(WilfridLaurierUniversity商学院，安大略省滑铁卢)
作者简介：张传海：1986-，男，河南信阳人，讲师，数量经济学博士（通讯作者）通讯地址：湖北省武汉市中南财经政法大学金融学院，邮编：430073联系电话：(86)E-MAIL：chuanhaizhang86@.金鹰翔：中南财经政法大学金融学院硕士研究生E-MAIL：@彭哲：加拿大WilfridLaurierUniversity商学院博士研究生E-MAIL：peng6020@mylaurier.ca
1通讯作者：张传海，中南财经政法大学金融学院，邮政编码：430073，电子信箱：chuanhaizhang86@。
本文获中央高校基本科研业务经费的资助。
1 极端市场条件下指令不平衡与收益之间的关系 ——来自我国股市2014-2015年极端波动期间的经验研究 张传海金鹰翔彭哲 内容提要：研究指令不平衡相比研究股票的交易量能获得更多关于价格的信息，有助于加深人们对于市场微观结构的认识。
本文使用2014-2015年上证50成分股的高频数据，研究了极端市场条件下指令不平衡与收益的关系。
研究发现：
(1)指令不平衡与同期收益呈现显著的正相关关系；
(2)熊市期间的指令不平衡与同期收益的相关性要显著强于牛市。
在上证指数波动最剧烈的几个时间段内，指令不平衡与收益的相关性高于波动较低的时期；
(3)指令不平衡对收益具有显著的预测能力，股灾期间的指令不平衡对股票收益的预测力也强于一般时期；
(4)指令不平衡对收益的解释力没有被Fama-French三因子所包含。
这表明在异常波动时期，中国股票市场价格发现效率较低，交易机制亟待完善。
关键词：股灾指令不平衡股票收益 Orderimbalanceandstockreturnsinextrememarketsituations:EvidencefromtheChinesestockmarketduringtheperiodofextrememarket fluctuationsfrom2014to2015 Abstract:Comparedwithtradingvolumes,orderimbalancescontainmoreinformationaboutstockreturns,especiallywhenthemarketishighlyvolatile.TostudyhoworderimbalancesrelatetostockreturnsinChina,wepickup2014-2015,aperiodwhenabigbullmarketturnedbear,andexamineponentstocksofShanghaiStockExchange50Index(SSE50).Wefindthat:(1)orderimbalanceshaveapositive,significantcorrelationwithcontemporaneousreturns;(2)suchcorrelationsaresignificantlylargerinthebearmarketthaninthebull,andinperiodsofhighvolatilitythanoflow;(3)orderimbalancesispredictiveoffuturereturns,andsuchpredictivepowerisstrongerduringmarketcrash;(4)suchpredictabilitystillexistsevencontrollingfortheFamaFrenchthreefactors.Theseresultsindicatethatinperiodsofabnormalfluctuations,theChinesestockmarkettendstosufferfromlowpriceefficiency,thusnecessitatesanimprovementoveritstradingmechanism. Keywords:stockmarketcrash,orderimbalance,stockreturn一、导言与文献综述 投资者交易行为会对资产价格产生影响已是金融学中共识。
其中指令不平衡为刻画投资者交易行为的一项重要指标，被广泛地应用到投资者交易行为与收益关系的研究中。
指令不平衡，通常用某一特定时间长度中买方发起(Buyer-initiated)的交易量(或交易笔数)和卖方发起(Seller-initiated)的交易量(或交易笔数)的差额来度量。
指令不平衡同时捕捉了交易的绝对数量和交易方向这两个维度，包括判断买卖双方的压力以及这种压力的持续性(陈淼鑫)。
相对于传统的交易量指标，指令不平衡包含了更多的信息，首先，指令不平衡反映了投资者对于当前股票市场需求与供给的态度以及市场上买卖双方的压力；另一方面，通过交易，指令不平衡反映交易中的各种公开与私人信息，这些信息的变化引起了股票价格的变化。
通过研究指令不平衡与收益的关系，有助于我们从微观市场结构的角度研究股票价格
2 形成变化的原因。
2014年到2015年无疑是中国股票市场疯狂的一年，从2014年7月开始，上证指数从 2000点一路上涨，到2015年6月12日创出5178点的新高。
然而，从2015年6月15日开始，A股进入了三个月的连续暴跌期，上证综合指数在短短两个月内从5178点跌到了2850点，跌幅达44.9%。
在2016年1月27日上证综合指数达到最低2638点，沪市市值蒸发逾16万亿元，给整个金融市场以及投资者带来了巨大的损失。
在2014-2015年的股市极端波动期间，随着股市由牛市急速变为熊市，投资者的情绪也随之发生改变。
Hung(2016)指出投资者情绪显著地影响指令的提交，在乐观时期投资者交易更加积极。
在股市极端环境下，资产价格出现剧烈波动，而Wangetal.(2006)指出市场的波动会影响市场的情绪变化。
图12014年6月1日-2015年12月31日上证50指数走势图注：图中深色部分为2014-2015年上证50指数剧烈上涨时期（2014年11月24日—12月31日，2015年3月13日—6月12日），灰色部分为剧烈下跌时期（2015年6月15日—7月8日，2015年8月18日—26日）。
中国股票市场在这一年半时间内所经历的极端环境为研究异常波动下指令不平衡对股票收益变动的影响提供了一个理想的实验环境。
本文的研究表明随着股票市场状况的变化，指令不平衡与收益的关系也随之发生了改变。
现有关于指令不平衡与收益关系的研究绝大多数集中在股票市场上。
比如，Chordiaetal.(2002)和Chordia和Subrahmanyam(2004)对于纽约证券交易所内交易股票指令不平衡与流动性、波动性的关系，以及指令不平衡对于股票价格变动的影响进行了详细的研究。
他们的研究发现指令不平衡与同期的收益呈现正向相关关系并且指令不平衡对于收益具有一定的预测能力。
随后，各国学者也对不同国家股票市场的指令不平衡进行了相关实证研究，Smales(2012)对于澳洲股票市场指令不平衡与市场收益和宏观经济信息之间的关系进行了研究，他发现同期指令不平衡对市场收益有重大影响，指令不平衡与过去的市场收益相关。
Leeetal.(2004)对于台湾股票市场不同交易者类型的指令不平衡进行了研究，他们发现小型外资机构交易者的指令不平衡的持续性最强，而大型个体交易者持续性最弱。
除了股票市场，一些学者也使用指令不平衡对于远期市场、期货和期权市场进行了研究。
Huang和Chou(2007)比较了台指期货交易的两个市场——台湾期货交易所(TAIFEX)和新加坡衍生品交易所(SGX-DT)的指令不平衡对对期货市场的价差，流动性与流动性的影响，他们发现对于TAIFEX指令驱动型市场，当指令不平衡高时，价差最小；对于SGX-DT报价驱动型市
3 场，当指令不平衡高时，价差最高；指令不平衡对于这两个期货市场的流动性和波动性都有影响。
Smales(2013)研究了债券期货市场中指令不平衡与收益的关系，他发现指令不平衡与同期收益相关。
Muravyev(2016)研究了在做市商制度下，期权指令不平衡对于期权收益的影响，并且发现指令不平衡对于期权收益具有预测能力。
相比西方股票市场交易制度，中国A股市场交易采取的是指令驱动的交易方式，指令驱动市场中的流动性并非由做市商提供，而是由投资者提交的限价指令来提供。
其中，限价指令在提交时必须同时指定价格和交易数量，而市价指令只需指定交易数量。
指令的成交通常按照“价格优先，时间优先”的原则来进行(陈淼鑫，2011)。
作为新兴股票市场，中国股票市场有着自己的特点。
首先，中国股票市场的机构投资者较少，散户投资者较多。
个人投资者相对于机构投资者而言获取信息能力较弱，交易时滞长，交易量小，交易频率高。
Kyle(1985)认为机构投资者相对于普通投资者拥有更多的信息，利用这些信息，机构投资者可以获得更高的收益。
机构投资者为了减小短时间内大量订单对于价格的影响，他们会把一笔大订单拆分开来，使得指令不平衡具有持续性进而产生自相关关系。
而在中国股票市场，个人投资者处于主导地位，因而我们预计A股市场指令不平衡的自相关系数将会小于美国纽约证券交易所，同时，当股灾来临时，个人投资者盲目出逃，信用账户被连续平仓，预计熊市状态下指令不平衡的显著性明显高于牛市。
其次，相对于西方股票市场，中国股票市场交易机制尚不完善，创新金融工具较少，投资者规避风险能力较低。
最后，中国股市与全球其它市场关联性较低，只有不到2%的中国股票被外国人持有。
国外投资者只能通过QFII(qualifiedforeigninstitutionalinvestor)等方式有限地参与国内市场。
中国股市独特特征可能导致指令不平衡与收益之间关系异于诸如美国等西方国家股票市场的特征。
已有不少文献研究了中国股市指令不平衡对收益的可预测性，但是所得到结论并不一致。
比如，Shenoy和Zhang(2007)基于2004年6月-12月的数据研究了中国股票市场指令不平衡与收益的关系，他们发现中国A股市场指令不平衡存在一定的自相关性，指令不平衡与同期收益存在相关关系，这同Chordia和Subrahmanyam(2004)一文对于纽约证券交易所内交易股票指令不平衡与收益关系发现类似，但是不同于Chordia和Subrahmanyam(2004)，指令不平衡对于收益没有预测能力。
相反，Narayanetal.(2015)基于2008-2010年的数据采用面板预测模型发现中国股票市场指令不平衡对股票收益具有正的预测作用，并且他认为指令不平衡是中国股市低效的来源之一；类似，Baileyetal.(2009)基于2003年10月-2004年3月的专有帐户数据发现中国股市指令不平衡对资产价格具有显著的影。
最近，Laoetal.(2018)指出指令不平衡与收益关系会随着股市状态的变化而变化，而这也是已有文献发现不一致的原因；他们在我国股市2007-2008年这一极端市场条件下研究了指令不平衡对对收益的预测能力并且发现指令不平衡对于同期收益具有显著正向线性关系，但是滞后指令不平衡对于收益预测能力有限，而在异常波动下小盘股的指令不平衡对于收益具有显著的预测能力。
而在中文文献中，涉及到对中国股市指令不平衡与收益关系的研究还比较少，部分学者对于我国股市限价指令簿进行了部分研究。
其中，陈淼鑫(2011)对限价指令簿与指令驱动市场的国内外研究进行了述评；张肖飞(2012)研究了指令不平衡与价格发现效率和交易笔数的关系；郑振龙和戴嵩(2011)研究了限价指令簿信息与买卖价差之间的关系；沈红波等(2012)实证检验了限价指令簿的信息含量；刘红忠和叶军(2012)基于上海证券交易所Level2数据考察了限价指令簿的价格发现功能；欧阳红兵和傅毅夫(2012)对于中国股市限价指令簿的流动性提供进行了研究；周平等(2016)分析了限价指令簿对价格信息的扩散作用。
但是已有关于中国股市指令不平衡与收益关系的研究还存在一定的缺陷。
首先，Shenoy和Zhang(2007)以及Baileyetal.(2009)等研究所采用的数据样本期限都比较短，而且所选择样本时间短皆在股市正常波动期间，而Laoetal.(2018)发现指令不平衡与收益关系会随着股市状态的变化而变化。
其次，尽管Laoetal.(2018)研究了我国股市极端市场条件下指令不
4 平衡对对收益的预测能力，但是它们基于2007-2008年这一极端市场条件下，而2014-2015年这一极端波动期间相比2007-2008年极端波动时间具有独特性，这是因为2015年出现明显股市异常波动乃至发展为股灾，另外这一轮股灾期间同时涉及到信用交易，迅速下跌期间信用账户被连续平仓。
综上，研究对象不同，或者研究对象相同而选择的数据不同，采用的计量模型不同，学术界对于指令不平衡与收益的关系的实证结果仍然没有统一的结论。
在本文中，我们基于上证50的Level-2高频数据研究了在2014年到2015年这一特定极端市场条件下指令不平衡对收益的影响。
我们的研究结果表明：
(1)在横截面上，指令不平衡与收益呈现正相关关系，在样本内4个波动最大的区间内(图1阴影部分)指令不平衡与超额收益的相关系数大于整个样本期，并且快速下跌时的相关系数明显要比快速上涨的相关系数更加地显著；
(2)中国股票市场指令不平衡具有自相关性，但自相关系数相对于美国股票市场而言较低；
(3)指令不平衡与同期收益呈现出正相关关系，相比牛市，熊市中指令不平衡与同期收益的正相关比例与显著性比例均较高；
(4)在2014年到2015年的股灾期间中，滞后指令不平衡与超额收益之间呈现出正相关关系和较高的显著性，表明其对收益具有更强的预测能力；
(5)在控制了Famma三因子，即(Rmt−RFt)，SMBt，HMLt之后，我们发现指令不平衡和收益之间统计结果的显著性并没有改变。
相比已有文献，本文的主要贡献：
(1)研究最近2014-2015年极端市场条件下中国股票市场上指令不平衡与收益的相关关系，弥补了相关实证研究的空缺；
(2)首次对指令不平衡与收益的关系进行了稳健性检验，之前对于指令不平衡与收益的关系的研究均没有考虑是否包含在已有的研究变量之中(Chordia和Subrahmanyam2004，Laoetal.2018)，本文的研究发现指令不平衡与收益的关系没有被包含在Fama-French三因子变量之中；
(3)使用了最新的Level-2高频数据进行研究，与时事更为贴近，研究价值更高；
(4)本文对与本次股灾波动最为严重的几个时间段分别进行了详细的研究。
前人对于指令不平衡的研究，时间段比较长，主要研究了指令不平衡与收益长时间的关系。
本文对于本次股票市场波动最为剧烈的4个区间进行了单独研究，补充了指令不平衡在短时间的极端情况下和收益关系的实证。
本文的结构如下：第二部分对于变量与研究方法进行介绍；第三部提供了实证分析及其结果；第四部分提出结论和建议。
二、变量与研究方法 为了度量股票每日的指令不平衡，首先我们需要区分每一笔交易是由买方发起还是由卖方发起。
首先我们根据Lee和Ready(1991)一文，以最优买价和卖价的平均值作为报价中点。
如果一次交易以高于（低于）现行报价中点的价格，则将其归类为买方（卖方）交易。
如果交易正好在报价中点发生，那么根据最后一个非零价格变动为正（负），我们将该股票定为买方（卖方）发起的。
对于每一支股票，我们按照Chordiaetal.(2002)，Chordia和Subrahmanyam(2004)中的方法度量指令不平衡： OIBNUM：第t天买方发起的交易笔数减去卖方发起的交易笔数。
P_OIBNUM：第t天买方发起的交易笔数减去卖方发起的交易笔数除以买卖双方发起的交易笔数之和。
OIBSH：第t天买方发起交易的股票数量减去卖方发起的股票数量。
P_OIBSH：第t天买方发起交易的股票数量减去卖方发起的股票数量除以买卖双方发起交易的股票数量之和。
OIBVOL：第t天买方发起交易的交易总额减去卖方发起的交易总额。
P_OIBVOL：第t天买方发起交易的交易总额减去卖方发起的交易总额除以买卖双方发
5 起交易的交易额之和。
我们按照Chordia和Subrahmanyam(2004)的方法作为基础模型研究了指令不平衡与同 期收益的关系以及指令不平衡对于收益的预测能力。
首先，我们研究同期的指令不平衡和收益的关系。
其中，自变量为同期的指令不平衡和 滞后5期的指令不平衡，因变量为股票的超额收益，具体来说，我们对每个股票进行以下时间序列回归。
Rit−Rmt=ai+∑5k=0bikOIBi,t−k+eit
（1） 其中Rit是股票i在第t日使用收盘价计算的对数收益，Rmt是上证综合指数在第t日使用收盘价计算的对数收益，因此，公式左边测量的是股票i在第t日的超额收益。
OIBi,t是股票i在第t日指令不平衡。
使用交易笔数测量的指令不平衡相对于交易数量与交易总额而言遗漏了许多交易信息，因此在式
（1）的时间序列回归中我们剔除了OIBNUM和P_OIBNUM这两个变量，而使用其它4个指令不平衡的变量，包括OIBSH（OIBVOL）与P_OIBSH（P_OIBVOL）。
随后，我们研究了指令不平衡对于收益的预测能力。
我们使用OIBVOL作为指令不平衡的变量测量指令不平衡对收益的预测能力，但剔除了同期的指令不平衡，使用了滞后五期 的指令不平衡，收益同样使用单支股票相对于市场的超额收益。
Rit−Rmt=ai+∑5k=1bikOIBi,t−k+eit
（2）
三、实证分析（一）数据及描述性统计量 本研究以上证50指数成分股为研究对象，样本区间为2014年6月到2015年12月。
计算指令不平衡的上海证券交易所(SSE)Level-2逐笔成交高频数据来源于CSMAR，上证指数的日度数据来源于Wind，Fama-French三因子的日度数据来源于CSMAR数据库。
由于在处理高频数据的过程中部分股票的数据存在缺失，我们剔除了缺少1个月以上数据的股票，最后选取其中40支股票作为研究样本。
为了研究股市不同环境下指令不平衡与收益的关系，我们将数据分成上涨区间与下跌区间两段。
其中上涨区间为2014年6月1日-2015年6月15日，此时中国股票市场处于牛市，下跌区间为2015年6月16日-2015年12月31日此时中国股票市场处于熊市。
在表1中，我们给出了从2014年6月到2015年12月的40只股票日度数据的描述性统计量，包括按照基于交易次数、交易数量和交易总额以及百分比形式的指令不平衡指标在横截面上的平均值、中位数和标准差。
在表1的PanelA中，我们计算了整个样本时间段内的描述性统计量。
我们发现，基于每日交易笔数的指令不平衡的平均值为305，基于每日交易数量的指令不平衡为8,570,535，基于每日交易总额的指令不平衡为102,282,482，这三个指令不平衡指标都为正。
通过百分比计算这三个指令不平衡指标，我们发现交易数量和交易总额测量的指令不平衡的数量大致相同，并且幅度均小于交易笔数测量的指令不平衡。
这表明在2014年6月到2015年12月这段时间内，买方压力大于卖方压力。
PanelB与PanelC分别描述了在牛市（2014年6月-2015年6月15日）中与熊市（2015年6月16日-2015年12月31日）中的指令不平衡的描述性统计量。
与常理相一致，指令不平衡在牛市时呈现出正数，表明在牛市之中，买方的压力大于卖方，在熊市中呈现出负数，表明在熊市之中，卖方压力大于买方。
总体来说，本文的描述性统计结果与Chordiaetal.(2002)，Chordia和Subrahmanyam(2004)的相一致，但与Laoetal.(2018)中GroupIV对大盘蓝筹股的研究结果
6 不同，他们发现2007年与2008年中的指令不平衡指标都为正数，牛市与熊市下指令不平衡指标数值大小并没有明显差别。
而我们的实证表明从2014到2015年随着股市由牛市状态转为熊市状态，指令不平衡指标由正变负，我们认为产生这一结果的原因在于本次股灾中信用交易多，大量运用杠杆相关联。
当股票市场从牛市转为熊市后，保证金不足，使得信用账户被平仓，这使得市场陷入了暴跌-杠杆账户被平仓-卖方压力增大-股价进一步下跌-杠杆账户被平仓的恶性循环中(王健俊，2017)。
使得牛市与熊市的买卖压力差别明显。
表
1 描述性统计量 平均值 中位数 PanelA（2014年6月1日-2015年12月31日） OIBNUM 305.001 241.841 P_OIBNUM(%) 2.541 2.104 OIBSH 8,570,535.000 3,229,011.000 P_OIBSH(%) 0.493 0.155 OIBVOL 102,282,482.000 58,349,059.000 P_OIBVOL(%) 0.491 0.146 Panel
B（2014年6月1日-2015年6月15日） OIBNUM 447.716 416.093 P_OIBNUM(%) 4.006 3.685 OIBSH 14,625,258.000 8,137,610.000 P_OIBSH(%) 2.215 2.141 OIBVOL 168,094,193.000 122,407,350.000 P_OIBVOL(%) 2.232 2.121 Panel
C（2015年6月16日-2015年12月31日） OIBNUMP_OIBNUM(%)OIBSHP_OIBSH(%)OIBVOLP_OIBVOL(%) -42.244-0.195-2,712,212.000-2.735-18,513,445.000-2.772 -31.4190.157-2,415,006.000-2.894-19,885,553.000-2.974 标准差 208.0091.96611,161,884.0001.732117,220,502.0001.723 219.3082.20017,188,212.0001.978160,445,886.0001.975 341.6463.3429,240,085.0002.689101,772,333.0002.661 （二）横截面分析表2报告显示了使用日度数据测量的各种指标之间的相关系数，包括各种指令不平衡 的度量指标和超额收益。
其中，Re是股票的超额收益，即单个股票的当日对数收益减去对应上证综合指数的对数收益。
首先，我们发现各指令不平衡指标之间都存在着比较强的正相关关系。
其中基于交易笔数、交易数量与交易金额计算的指令不平衡指标之间的相关系数基本都在0.6以上，通过百分比计算的指令不平衡指标相关系数也都在0.6以上。
其中，OIBVOL和OIBSH的相关系数为0.976，通过百分比计算这两个测量指标的相关系数为
1，这表明基于交易量以及交易总额计算的指令不平衡指标之间高度相关。
其次，与Chordia和Subrahmanyam(2004)，Laoetal.(2018)的实证发现一致，我们发现指令不平衡与收益呈现出正相关关系，其中OIBNUM与收益的相关系数最高，为0.346，其他指令不平衡指标与收益的相关系数在0.2左右。
表3报告的是整个样本期间各指令不平衡指标的自相关系数。
Chordiaetal.(2002)，
7 Chordia和Subrahmanyam(2004)等文献认为，在做市商制度下指令不平衡具有持续性。
我们的研究发现，指令不平衡呈正自相关，这与与Chordia和Subrahmanyam(2004)对纽约证券交易所交易股票实证分析的结论相同。
我们发现在我们的样本区间内上证50成分股指令不平衡自相关系数低于Chordia和Subrahmanyam(2004)中在纽约证券交易所交易股票的指令不平衡自相关系数。
在Chordia和Subrahmanyam(2004)的研究中，OIBNUM的一阶滞后自相关系数为0.54；OIBSH的一阶滞后自相关系数为0.38；OIBVOL的一阶滞后自相关系数为0.47，而本文对应的三个一阶滞后相关系数分别为0.275，0.185以及0.197。
同时，自相关 表
2 OIBNUMP_OIBNUMOIBSHP_OIBSHOIBVOLP_OIBVOL P_OIBNUM0.904 截面相关系数 OIBSH0.6710.505 P_OIBSH0.6710.6660.680 OIBVOL0.6420.4660.9760.618 P_OIBVOL0.6720.6660.6821.0000.619 Re0.3460.2820.2400.1400.2430.143 表
3 指令不平衡自相关系数 OIBNUMP_OIBNUMOIBSHP_OIBSH PanelA（2014年6月1日-2015年12月31日） lag10.275 0.259 0.185 0.207 lag20.167 0.146 0.158 0.158 lag30.155 0.111 0.095 0.125 lag40.162 0.105 0.121 0.127 lag50.136 0.095 0.120 0.115 PanelB（2014年6月1日-2015年06月15日） lag10.220 0.218 0.128 0.160 lag20.140 0.118 0.164 0.136 lag30.103 0.059 0.123 0.090 lag40.116 0.058 0.141 0.101 lag50.097 0.062 0.096 0.092 PanelC（2015年6月16日-2015年12月31日） lag10.270 0.246 0.179 0.188 lag20.108 0.096 0.079 0.086 lag30.123 0.109 -0.0010.071 lag40.116 0.092 0.005 0.061 lag50.076 0.047 0.045 0.039 OIBVOL 0.1970.1670.1110.1360.136 0.1570.1750.1440.1590.110 0.1700.086-0.00010.0080.056 P_OIBVOL 0.2050.1570.1230.1260.114 0.1580.1340.0880.1000.090 0.1870.0850.0690.0590.037 系数从滞后一阶到五阶衰减的速度也要小于纽约证券交易所。
美国证券市场中指令不平衡衰减速度较慢，其中OIBNUM，OIBSH，OIBVOL五阶滞后自相关系数分别为为0.414，0.271，0.384。
而中国证券市场五阶滞后自相关系数基本在0.1左右。
因此上证50股票指令不平衡呈现出自相关系数小、衰减缓慢的特性这一现象。
指令不平衡自相关系数小的主要原
8 因在于中国股票市场的机构投资者较少，个人投资者处于主导地位，因此中国股票市场出现大笔订单拆现象弱于美国股票市场。
同时，指令不平衡自相关系数衰减缓慢原因在于我国股市上散户居多，个人投资者对于信息的反应速度比较慢，容易造成造成持续的买卖压力。
在PanelB与PanelC中，通过比较熊市和牛市状态下分别分析的结果，我们发现：熊市下的一阶滞后指令不平衡自相关系数要高于牛市，但滞后自相关系数的衰减速度要大于牛市。
为了比较在异常波动下指令不平衡与收益的关系，我们将2014年到15年中上涨与下跌最为剧烈的4个阶段进行单独研究。
这4个阶段分别为：第一个快速上涨区间，2014年11月24日到2014年12月31日，上涨30.03%；第二个快速上涨区间，2015年3月13日到2015年6月12日，上涨54%；第一个快速下跌阶段，2015年6月15日到2015年7月8日跌幅达32%；第二个快速下跌阶段，2015年8月18日到2015年8月26日跌幅29%，如图1所示。
表4报告的是4个异常波动期间各指令不平衡指标与超额收益之间的相关系数。
表
4 第一段第二段第三段第四段整体 股票市场剧烈波动时段的指令不平衡与收益的截面相关系数 OIBNUM0.4150.4110.4400.4570.345 P_OIBNUM0.4050.4140.4300.4310.283 OIBSH0.1690.2400.4100.3860.241 P_OINSH0.2140.3100.4310.3570.142 OIBVOL0.1750.2350.3990.3760.245 P_OIBVOL0.2160.3130.4290.3560.145 从表4中我们发现：第
一，与整个样本期一致，这四个指令不平衡指标都与收益呈现正相关关系；第
二，在这四段异常波动区间，OIBNUM指标在不同时间区间的差异不明显，而OIBSH与OIBVOL这两个指标在不同时间段有着较大的差异。
在第三段中OIBSH和OIBVOL与收益的相关系数分别为0.410与0.399。
第四段中OIBSH和OIBVOL与收益的相关系数分别为0.386与0.376，大于第一段中OIBSH和OIBVOL与收益的相关系数0.169，0.175以及第二段中对应的0.240，0.235，这表明在熊市中，指令不平衡与收益的相关关系要强于牛市；第
三，我们还发现，2014到2015年之间，指令不平衡与收益之间整体的相关系数要低于这4个异常波动区间对应的相关系数。
这表明在股票市场异常波动下指令不平衡与收益的关系更强。
Hung(2016)一文指出投资者的情绪会影响交易指令提交行为。
而我们发现在2014年到2015年的股灾中，当股票市场出现异常波动时，指令不平衡与收益的相关系数明显增大，表明当市场出现波动时投资者的情绪，指令的提交受到影响，从而使得指令不平衡与收益的关系随着市场的变化而变化。
（三）时间序列分析这一部分我们使用时间序列回归分析研究指令不平衡与收益的关系，我们先使用公式
(1)研究同期中指令不平衡与收益的关系，表5与表6分别给出了整个样本期以及牛熊市下回归分析的结果。
首先，从表5可以看出，与2014到2015时期的截面数据分析结果类似，四个指令不平衡指标都与收益呈现出正相关关系。
其次，我们分析基于两个百分比形式的指令不平衡指标P_OIBSH和P_OIBVOL下回归的结果，由表5的PanelA与PanelB，我们发现P_OIBSH
9 表
5 全样本时间序列回归结果 PanelA：使用测量指标为P_OIBSH平均系t值数 系数为显著占比正占比 P_OIBSH 3.1712.7270.8500.675 P_OIBSHt-11.2931.1560.8750.350 P_OIBSHt-2-0.425-0.4890.3000.175 P_OIBSHt-3-0.167-0.2400.4250.050 P_OIBSHt-4-0.167-0.2400.275 R2andadj-R20.050 0.037 PanelB：使用测量指标为P_OIBVOL 0.100 P_OIBVOL 3.212 2.774 0.850 0.675 P_OIBVOLt-11.2961.1600.8750.350 P_OIBVOLt-2-0.424-0.4890.3000.175 P_OIBVOLt-3-0.170-0.2440.4250.050 P_OIBVOLt-4-0.170-0.2440.2750.100 R2andadj-R20.051 0.038 PanelC：使用测量指标为OIBSH（coef*10,000,000） OIBSH 2.7405.0050.9750.925 OIBSHt-
1 1.0681.2820.7750.450 OIBSHt-
2 0.111 -0.6630.425 0.225 OIBSHt-
3 -1.292-0.7170.3250.300 OIBSHt-
4 -1.292-0.7170.1500.275 R2andadj-R20.105 0.093 PanelD：使用测量指标为OIBVOL（coef*10,000,000） OIBVOL 0.1604.9920.9750.900 OIBVOLt-
1 0.049 1.399 0.775 0.500 OIBVOLt-
2 -0.008-0.6040.425 0.250 OIBVOLt-
3 -0.015-0.7150.375 0.325 OIBVOLt-4R2andadj-R2 -0.0150.108 -0.7150.096 0.175 0.275 系数为负且显著占比000.1500.0500.075 系数为正且显著占比0.6750.3500.02500.025 000.1500.0500.075 0.6750.3500.02500.025 00.0250.2250.2500.250 0.9250.42500.0500.025 00.0250.2250.2750.275 0.9000.4750.0250.0500 和P_OIBVOL与收益均呈现出正相关的关系，有85%股票的指令不平衡与收益呈正相关关 系，有67.5%的股票指令不平衡与收益的关系显著，且均为显著的正相关关系，而显著负相 关关系的情况并不存在。
同样，滞后一期的指令不平衡与收益具有相关关系，有87.5%股票 呈正相关关系，但仅有35%的股票呈显著的正相关关系。
滞后二到四期的指令不平衡与收益 呈现出负相关关系，但显著相关的比例继续降低，达到20%以下。
再次，表5中PanelC和PanelD中使用的指令不平衡指标为OIBSH和OIBVOL。
由于 上证50的股票都是流通市值大的蓝筹股，每日交易量与指令不平衡数额巨大，收益率结果 一般为百分比形式，与指令不平衡的量值相比过小，因而若将收益率作为因变量，指令不平 衡作为自变量，回归得出的相关系数将太小，不便于观测和分析，为了便于观测，这里我们 将系数乘以
10,000,000。
实证结果表明，OIBSH和OIBVOL与收益亦呈现出正相关关系， 这与PanelA和PanelB的结果相一致。
在PanelC与PanelD中，几乎所有股票同期的指令 表
6 牛市与熊市时间段时间序列回归结果 10 平均系t值数 系数为正显著占比占比 系数为负且显著占比 系数为正且显著占比 PanelA使用OIBVOL测量2014年6月1日-2015年6月15日的关系（coef*10,000,000） OIBVOL 0.0962.7580.850 0.750 0.125 0.625 OIBVOLt-
1 0.0551.301 0.775 0.450 0.050 0.400 OIBVOLt-
2 0.019-0.0790.575 0.200 0.150 0.050 OIBVOLt-
3 0.0170.227 0.550 0.125 0.050 0.075 OIBVOLt-
4 0.0170.227 0.400 0.150 0.150
0 R2andadj-R20.1040.085 PanelB使用OIBVOL测量2015年6月16日-2015年12月的关系（coef*10,000,000） OIBVOL 0.2414.2451 0.950
0 0.950 OIBVOLt-
1 0.0340.613 0.675 0.350 0.100 0.250 OIBVOLt-
2 -0.008-0.2980.500 0.225 0.175 0.050 OIBVOLt-
3 -0.025-0.7100.400 0.350 0.275 0.075 OIBVOLt-4R2andadj-R2 -0.0250.213 -0.7100.180 0.325 0.200 0.175 0.025 不平衡与超额收益呈现出正相关关系，且显著性水平较高，90%以上的股票指令不平衡与收益的关系显著，基本没有股票的指令不平衡与收益呈负相关。
其中指令不平衡与收益呈正相 关关系且显著的股票同样在90%以上，没有股票的指令不平衡与收益呈正相关关系而不显著。
这一比例高于PanelA和PanelB，表明OIBSH，OIBVOL的与收益之间的线性相关关系强于指令不平衡指标P_OIBSH和P_OIBVOL。
而在滞后一期时，这两个指令不平衡指标与收益同样呈现出正相关关系，有77.5%的股票指令不平衡与收益呈正相关关系，但是显著性明显下降，在50%以下。
从滞后二期开始，指令不平衡与收益的显著性变得不太明显。
这一结果与Chordia和Subrahmanyam（2002，2004）以及Laoetal.(2018)的结果相一致。
我们的实证发现OIBVOL与收益之间的相关性最高，因此在后面的分析中我们使用OIBVOL作为指令不平衡指标进行报告。
最后，表6使用OIBVOL这一指令不平衡指标研究了在熊市与牛市的不同市场状态下同期的指令不平衡与收益的关系。
表6的PanelA呈现的是在牛市下指令不平衡与收益的关系。
我们发现在牛市中，同期的指令不平衡与收益呈现出正相关关系，85%的股票呈现正相关关系，仅有12.5%的股票呈现负相关关系。
但是牛市中指令不平衡与收益的显著性低于2014年到2015年整体区间水平的90%。
滞后一期的指令不平衡与收益同样呈现出正相关关系，相对于同期而言，显著性水平明显降低，降为45%，这也低于2014年到2015年整个样本区间水平的50%。
同上，滞后二期到四期的指令不平衡与收益同样呈现出负相关关系，但是系数显著性均较低。
表6的PanelB呈现的是熊市中指令不平衡与收益的关系。
中国股票市场快速下跌的期间中，我们发现指令不平衡与收益完全呈现出正相关关系，呈负相关关系的情况并不存在。
呈正相关关系且显著的股票比例高达97.6%。
与牛市相比，在熊市中指令不平衡与收益的相关系数呈正的股票比例较高，显著性比例也要高于牛市。
在滞后一阶中，熊市中有67.5%的股票相关系数为正，35%的股票显著为正，与牛市的区别不太明显。
但是在滞后二期之后，指令不平衡与收益的系数变为负数。
在这次股灾中，股票下跌的幅度与速度远远大于上涨速 度。
从2015年6月开始，上证综指短短两个月就从5178点跌到了2850点，跌幅达44.9%。
2015年6月15日到7月8日的17个交易日内，上证综指下跌32%。
与横截面结果相
一 11 表
7 指令不平衡对收益预测的时间序列回归结果 平均系t值数 系数为显著占比正占比 系数为负且显著占比 PanelA:2014年6月1日-2015年12月31日（coef*10,000,000） OIBVOL 0.078 2.1010.950 0.625 0.025 OIBVOLt-10.007 -0.1340.550 0.175 0.125 OIBVOLt-2-0.007-0.4190.475 0.325 0.225 OIBVOLt-3-0.013-0.4050.350 0.200 0.150 OIBVOLt-4R2&adj-R2 -0.0130.041 -0.4050.028 0.350 0.325 0.175 PanelB:2014年6月1日-2015年6月15日（牛市）（coef*10,000,000） OIBVOLt-10.054 1.3600.850 0.500 0.025 OIBVOLt-20.030 0.1540.625 0.200 0.125 OIBVOLt-30.023 0.4080.650 0.200 0.050 OIBVOLt-4-0.0010.0190.500 0.075 0.025 OIBVOLt-5R2&adj-R2 -0.0010.039 0.0190.020 0.550 0.225 0.100 PanelC:2015年6月16日-2015年12月（熊市）（coef*10,000,000） OIBVOLt-10.078 2.0810.950 0.625 0.025 OIBVOLt-20.007 -0.1320.550 0.175 0.125 OIBVOLt-3-0.007-0.4130.475 0.325 0.225 OIBVOLt-4-0.013-0.3970.350 0.200 0.150 OIBVOLt-5R2&adj-R2 -0.0130.041 -0.3970.028 0.350 0.325 0.175 系数为正且显著占比 0.6000.0500.1000.0500.150 0.4750.0750.1500.0500.125 0.6000.0500.1000.0500.150 致，上述分析表明，指令不平衡与同期收益的关系随市场环境的变化而变化。
接下来，我们使用公式
(2)研究指令不平衡对于收益的预测能力，结果通过表7报告。
Chordia和Subrahmanyam（2004）的研究认为，滞后期的指令不平衡与收益呈正相关关系，因此可以通过指令不平衡来预测收益。
Laoetal.(2018)的研究同样认为指令不平衡能够预测收益。
我们的研究与Chordia和Subrahmanyam（2004）和Laoetal.(2018)的研究结果相同，在2014年到2015年的股灾期间中，指令不平衡相对收益的预测能力高于Chordia和Subrahmanyam（2004）对于纽交所交易股票的分析以及Laoetal.(2018)对2008年股灾时期我国股市的分析。
我们发现t-1期的指令不平衡与收益的呈现出正相关关系，这种正相关关系与同期的结果相一致。
其中存在显著关系的股票占62.5%，存在正相关且显著的股票占60%。
这一结果远高于Chordia和Subrahmanyam（2004）的结果，在他们的研究中，滞后期指令不平衡与收益相关系数为正且显著的股票占25.95%，负相关且显著的股票占1.35%；我们的结果同样高于Laoetal.(2018)的结果，在他们的研究中，滞后期指令不平衡与收益相关系数为正且显著的股票为0%，负相关且显著的股票在20%左右。
在滞后2期时，指令不平衡与收益显著性同样高于纽约证券交易所。
我们的研究结果表明，在滞后2期时，指令不平衡与收益的显著性为17.5%。
而在Chordia和Subrahmanyam（2004）的研究结果中，滞后2期的指令不平衡与收益呈正相关关系且显著的股票占5%。
滞后3-5期时，显著性变化不太明显，但是依旧高于纽约证券交易所的结果。
12 PanelB与PanelC分别报告了在熊市与牛市下指令不平衡对于收益的预测能力，我们 发现，在熊市与牛市下，指令不平衡对于收益的预测能力区别不大。
指令不平衡对于收益的 预测表明，在2014年到2015的股灾当中，市场的有效程度大大降低，指令不平衡对于收益 的预测能力要强于其他时间段和其他市场，这表明中国股票市场交易机制的不完善，股票交 易者信息不足，存在着较大的套利空间。
（四）稳健性检验 表
8中我们将指令不平衡和各种其他可以预测未来股票收益的变量（FamaandFrench， 1992）进行回归，目的是检验指令不平衡对于收益的预测能力不被这些已有的预测变量所包 含。
我们使用的控制变量是Fama-French三因子，即市场风险溢价因子(Rmt−RFt)，市值因 子SMBt，账面市值比因子HMLt。
指令不平衡（OIB）的度量同表
6、表7，取为OIBVOL。
Rit−Rmt=ai+biOIBit+ci(Rmt−RFt)+siSMBt+hiHMLt+eit
（3） Rit−Rmt=ai+biOIBit−1+ci(Rmt−RFt)+siSMBt+hiHMLt+eit
（4） 表
8 指令不平衡和Fama-French三因子对收益预测的回归分析 平均系t值数 系数为正显著占比占比 系数为负且显著占比 系数为正且显著占比 PanelA:Fama三因子回归结果 Intercept -0.028 -0.393 0.650 0.050 0.050
0 RiskPremium-12.372-1.385 0.625 0.750 0.575 0.175 SMB 51.504 3.421 0.600 0.650
0 0.650 HMLR2andadj-R2 6.7530.237 -0.5910.231 0.600 0.700 0.375 0.325 PanelB:同期期指令不平衡回归分析和其他回报预测指标(OIB系数*10,000,000) Intercept -0.127 -1.125 0.200 0.425 0.425
0 OIBVOL 0.130 4.445 0.975 0.900 0.025 0.875 RiskPremium
-10.739-1.207 0.300 0.775 0.575 0.200 SMB 51.231 3.573 0.925 0.675
0 0.675 HMLR2andadj-R2 11.8560.284 -0.2660.277 0.525 0.700 0.325 0.375 PanelC:滞后期指令不平衡回归分析和其他回报预测指标(OIB系数*10,000,000) Intercept -0.084 -0.777 0.250 0.150 0.150
0 OIBVOL 0.073 2.135 0.950 0.700 0.025 0.675 RiskPremium
-12.396-1.403 0.325 0.750 0.575 0.175 SMB 52.950 3.529 0.950 0.675
0 0.675 HMLR2andadj-R2 8.6090.250 -0.4780.242 0.525 0.700 0.350 0.350 从表8中我们发现，在加入Fama-French三因子作为控制变量之后，同期指令不平衡与收益显著性百分比为90%，系数为正且显著占比为87.5%。
滞后期指令不平衡与收益的显著性占比为70%，系数为正且显著占比为67.5%。
指令不平衡与收益关系的显著性的统计结果与加入Fama-French三因子之前并无明显区别。
同时，加入了指令不平衡测量指标后，adjR2有了一定的提高，这表明指令不平衡与收益的关系并没有被已有的变量所包含。
13
四、结论与建议 本文研究了2014-2015年期间我国股市极端市场条件下指令不平衡与收益之间的关系。
我们的研究表明，中国股票市场指令不平衡的自相关系数低于美国纽约证券交易所，同时衰减速度较快，这是由于中国股市散户较多，而机构投资者较少。
指令不平衡与同期收益呈现出正相关关系。
在股票市场波动最为剧烈的时间段中，指令不平衡与收益的关系要强于整个样本期。
在2014-2015年期间，指令不平衡对于中国股票市场的预测能力要强于美国股票市场以及Laoetal.(2018)对我国2008年股市大跌期间的分析结果。
这表明投资者对于订单的提交受市场环境变化的影响，中国股票市场交易机制存在缺陷，市场有效性较差，存在较多套利机会。
相对于牛市而言，在熊市下受杠杆压力以及个人散户投资者的影响，指令不平衡的持续性更强，与收益的相关系数更高。
但指令不平衡对于收益的预测能力不受到市场状况的影响。
同时，指令不平衡对于收益的预测能力没有被Fama-French三因子所包含，表明本文的分析具有稳健性。
本文对指令不平衡与收益之间的关系的实证分析结果给我们以下启示：首先，应该增强市场监管力度，对于信用交易严加管控，而这是十九大报告中指出的防风险是金融工作重中之重，强监管是防范重大金融风险不可或缺的措施手段要义体现之
一。
在这次股灾之中，大量的杠杆交易是市场急速崩盘的主要推动力之
一。
为了稳定股票市场，减少证券市场的异常波动以及投机行为，必须加大对与股票市场的监督与控制，减少杠杆交易。
其次，应该完善市场交易机制，促进信息流通，优化投资者结构，引导个人投资者，发展机构投资者。
目前我国个人投资者较多，个人投资者相对机构投资者而言获取市场信息的能力较弱，当股票市场面临异常波动时，往往会出现羊群效应，迅速出逃，不仅自身损失惨重，还会加剧股灾的危害。
因此国家应该完善市场交易机制，使得个人投资者能够更好更有效的获得交易信息，避免盲从。
同时推进机构投资者的发展，优化投资者结构，加强证券市场的稳定。
最后，应该学习西方证券市场，进行金融工具创新，完善市场定价。
现阶段的我国证券市场不够完善，股票定价不合理，存在大量套利机会。
为此，应该积极学习西方证券市场的合理机制，加快股指期货市场的建设，推荐金融工具的创新，丰富交易策略，使得股票价格能够更好的反映股票内在价值，完善市场定价，减少套利机会。
参考文献 陈淼鑫，2011：《限价指令簿与指令驱动市场研究述评》，《厦门大学学报(哲学社会科学版)》第6期。
刘红忠、叶军，2012：《限价指令簿的价格发现功能》，《复旦学报(社会科学版)》第2期马丹、尹优平，2007：《交易间隔、波动性和微观市场结构——对中国证券市场交易间隔信息传导的实证分析》，《金融研究》第7期。
欧阳红兵、傅毅夫，2012：《中国股市限价指令簿的流动性提供研究》，《管理科学》第4期清华大学国家金融研究院课题组、陈晓升、王佳音、管清友,杨柳，2016：《中国股灾反思》，《中国经济报告》第1期沈红波、曹军、王雅莉，2012：《中国股票市场限价指令簿的信息含量研究》，《投资研究》,第9期。
王健俊、殷林森、叶文靖，2017：《投资者情绪、杠杆资金与股票价格——兼论2015～2016年股灾成因》，《金融经济学研究》第1期谢百
三、童鑫来，2015：《中国2015年“股灾”的反思及建议》，《价格理论与实践》第12期。
张肖飞，2012：《股市透明度与价格发现效率:指令不平衡驱动视角》，《南方经济》第12期。
郑振龙、戴嵩，2011：《买卖价差与限价指令簿信息:基于时变MRR模型的实证研究》，《金融评论》 14 第5期。
周平、马景义、张辛连，2016：《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》《投资研究》第9期。
AsciogluA,Comerton-FordeC,McinishTH.,2011,“Stealthtrading:ThecaseoftheTokyoStockExchange”,Pacific-Basin FinanceJournal,19
(2):194-207.Bailey,
W.,J.Cai,
Y.Cheung,andF.Wang.2009.“Stockreturns,orderimbalances,monality:Evidenceonindividual,institutional,andproprietaryinvestorsinChina”,JournalofBankingandFinance,33
(1):9–19.ChiaoY.C.,ChienA.,HsuY.-T..,2014,“Relationshipbetweenmarketordersandstockreturns:EvidencefromTaiwan”, ReviewofPacificBasinFinancialMarkets&Policies,17(02):1450-013.ChanK,FongWM.,2000,“Tradesize,orderimbalance,andthevolatility–volumerelation”,JournalofFinancial Economics,57
(2):247-273.CHARLESM.C.LEE.,1991,“InferringTradeDirectionfromIntradayData”,TheJournalofFinance,46
(2):733-746.ChordiaT,SubrahmanyamA.,2004,“Orderimbalanceandindividualstockreturns:Theoryandevidence”,Journalof FinancialEconomics,72
(3):485-518.FamaEF,FrenchKR.,1993,“CommonRiskFactorsinReturnsonStocksandBonds”,JournalofFinancialEconomics, 33
(1):3-56.Gallant,
A.Ronald,
R.,PeterE,Tauchen,
G.,1992,“StockPricesandVolume”,TheReviewofFinancialStudies,5
(2):199- 242.HiemstraC,JonesJD.,1994,“TestingforLinearandNonlinearGrangerCausalityintheStockPrice‐VolumeRelation”, JournalofFinance,49
(5):1639-1664.HungPH.,2016,“Investorsentiment,ordersubmission,andinvestmentperformanceontheTaiwanStockExchange”, Pacific-BasinFinanceJournal,39:124-140.HuangYC,ChouJH.,2007,“OrderImbalanceandItsImpactonMarketPerformance:Order-drivenvs.Quote-driven Markets”,JournalofBusinessFinanceandounting,34(9-10):1596–1614.KarpoffJM.,1987,“TheRelationBetweenPriceChangesandTradingVolume:Asurvey”,JournalofFinancialand QuantitativeAnalysis,22
(1):109-126.Kyle,
A.,1985,“Continuousauctionsandinsidertrading”,Econometrica,53
(6):1315–1335.LaoL,TianS,ZhaoQ.,2018,“WillOrderImbalancesPredictStockReturnsinExtremeMarketSituations?
Evidencefrom China”,EmergingMarketsFinanceandTrade,54
(4):921-934.Lee,
M.C.,Ready,
M.J.,1991,“Inferringtradedirectionfromintradaydata”,JournalofFinance,46
(2):733-746.Lee,
Y.-T.,Liu,
Y.-J.,Roll,
R.,Subrahmanyam,
A.,2004,“Orderimbalancesandmarketefficiency:Evidencefromthe TaiwanStockExchange”,JournalofFinancialandQuantitativeAnalysis,39
(2):327-341.LoAW,WangJ.,2000,“Tradingvolume:Definitions,dataanalysis,andimplicationsofportfoliotheory”,Reviewof FinancialStudies,13
(2):257-300.MarqueringW,VerbeekM.,2004,“Theeconomicvalueofpredictingstockindexreturnsandvolatility”,Journalofand FinancialQuantitativeAnalysis,39
(2):407-429.MuravyevD.,2016“Orderflowandexpectedoptionreturns”,JournalofFinance,71
(2):983–1009.NarayanPK,NarayanS,WesterlundJ.,2015,“DoorderimbalancespredictChinesestockreturns?
Newevidencefrom intradaydata”,Pacific-BasinFinanceJournal,34:136-151.Smales,
L.A.,2012,“Orderimbalance,marketreturnsandmacroeconomicnews:EvidencefromtheAustralianinterestrate futuresmarket”,ResearchinInternationalBusinessandFinance,26
(3):410-427.Smales,
L.A.,2013,“Bondfuturesandorderimbalance:Examininginternationallinkages”,JournalofInternational FinancialMarkets,InstitutionsandMoney,26
(1):113-132.Subrahmanyam,
C.T,
A.,2004,“Orderimbalanceandindividualstockreturns:Theoryandevidence”,JournalofFinancial 15 Economics,72
(3):485-518.Tarun,
C.,Roll,
R.,Subrahmanyam,
A.,2002,“Orderimbalance,liquidity,andmarketreturns”,JournalofFinancial Economics,65
(1):111-130.Wang,
Y.H.,KeswaniA.,Taylor,
S.J.,2006,“Therelationshipsbetweensentiment,returnsandvolatility”,International JournalofForecasting,22
(1):109-123.Westerlund,
J.,Narayan,
P.K.,2012,“Doesthechoiceofestimatormatterwhenforecastingreturns?
”,JournalofBanking andFinance,36
(9):2632-2640. 16
本文获中央高校基本科研业务经费的资助。
1 极端市场条件下指令不平衡与收益之间的关系 ——来自我国股市2014-2015年极端波动期间的经验研究 张传海金鹰翔彭哲 内容提要：研究指令不平衡相比研究股票的交易量能获得更多关于价格的信息，有助于加深人们对于市场微观结构的认识。
本文使用2014-2015年上证50成分股的高频数据，研究了极端市场条件下指令不平衡与收益的关系。
研究发现：
(1)指令不平衡与同期收益呈现显著的正相关关系；
(2)熊市期间的指令不平衡与同期收益的相关性要显著强于牛市。
在上证指数波动最剧烈的几个时间段内，指令不平衡与收益的相关性高于波动较低的时期；
(3)指令不平衡对收益具有显著的预测能力，股灾期间的指令不平衡对股票收益的预测力也强于一般时期；
(4)指令不平衡对收益的解释力没有被Fama-French三因子所包含。
这表明在异常波动时期，中国股票市场价格发现效率较低，交易机制亟待完善。
关键词：股灾指令不平衡股票收益 Orderimbalanceandstockreturnsinextrememarketsituations:EvidencefromtheChinesestockmarketduringtheperiodofextrememarket fluctuationsfrom2014to2015 Abstract:Comparedwithtradingvolumes,orderimbalancescontainmoreinformationaboutstockreturns,especiallywhenthemarketishighlyvolatile.TostudyhoworderimbalancesrelatetostockreturnsinChina,wepickup2014-2015,aperiodwhenabigbullmarketturnedbear,andexamineponentstocksofShanghaiStockExchange50Index(SSE50).Wefindthat:(1)orderimbalanceshaveapositive,significantcorrelationwithcontemporaneousreturns;(2)suchcorrelationsaresignificantlylargerinthebearmarketthaninthebull,andinperiodsofhighvolatilitythanoflow;(3)orderimbalancesispredictiveoffuturereturns,andsuchpredictivepowerisstrongerduringmarketcrash;(4)suchpredictabilitystillexistsevencontrollingfortheFamaFrenchthreefactors.Theseresultsindicatethatinperiodsofabnormalfluctuations,theChinesestockmarkettendstosufferfromlowpriceefficiency,thusnecessitatesanimprovementoveritstradingmechanism. Keywords:stockmarketcrash,orderimbalance,stockreturn一、导言与文献综述 投资者交易行为会对资产价格产生影响已是金融学中共识。
其中指令不平衡为刻画投资者交易行为的一项重要指标，被广泛地应用到投资者交易行为与收益关系的研究中。
指令不平衡，通常用某一特定时间长度中买方发起(Buyer-initiated)的交易量(或交易笔数)和卖方发起(Seller-initiated)的交易量(或交易笔数)的差额来度量。
指令不平衡同时捕捉了交易的绝对数量和交易方向这两个维度，包括判断买卖双方的压力以及这种压力的持续性(陈淼鑫)。
相对于传统的交易量指标，指令不平衡包含了更多的信息，首先，指令不平衡反映了投资者对于当前股票市场需求与供给的态度以及市场上买卖双方的压力；另一方面，通过交易，指令不平衡反映交易中的各种公开与私人信息，这些信息的变化引起了股票价格的变化。
通过研究指令不平衡与收益的关系，有助于我们从微观市场结构的角度研究股票价格
2 形成变化的原因。
2014年到2015年无疑是中国股票市场疯狂的一年，从2014年7月开始，上证指数从 2000点一路上涨，到2015年6月12日创出5178点的新高。
然而，从2015年6月15日开始，A股进入了三个月的连续暴跌期，上证综合指数在短短两个月内从5178点跌到了2850点，跌幅达44.9%。
在2016年1月27日上证综合指数达到最低2638点，沪市市值蒸发逾16万亿元，给整个金融市场以及投资者带来了巨大的损失。
在2014-2015年的股市极端波动期间，随着股市由牛市急速变为熊市，投资者的情绪也随之发生改变。
Hung(2016)指出投资者情绪显著地影响指令的提交，在乐观时期投资者交易更加积极。
在股市极端环境下，资产价格出现剧烈波动，而Wangetal.(2006)指出市场的波动会影响市场的情绪变化。
图12014年6月1日-2015年12月31日上证50指数走势图注：图中深色部分为2014-2015年上证50指数剧烈上涨时期（2014年11月24日—12月31日，2015年3月13日—6月12日），灰色部分为剧烈下跌时期（2015年6月15日—7月8日，2015年8月18日—26日）。
中国股票市场在这一年半时间内所经历的极端环境为研究异常波动下指令不平衡对股票收益变动的影响提供了一个理想的实验环境。
本文的研究表明随着股票市场状况的变化，指令不平衡与收益的关系也随之发生了改变。
现有关于指令不平衡与收益关系的研究绝大多数集中在股票市场上。
比如，Chordiaetal.(2002)和Chordia和Subrahmanyam(2004)对于纽约证券交易所内交易股票指令不平衡与流动性、波动性的关系，以及指令不平衡对于股票价格变动的影响进行了详细的研究。
他们的研究发现指令不平衡与同期的收益呈现正向相关关系并且指令不平衡对于收益具有一定的预测能力。
随后，各国学者也对不同国家股票市场的指令不平衡进行了相关实证研究，Smales(2012)对于澳洲股票市场指令不平衡与市场收益和宏观经济信息之间的关系进行了研究，他发现同期指令不平衡对市场收益有重大影响，指令不平衡与过去的市场收益相关。
Leeetal.(2004)对于台湾股票市场不同交易者类型的指令不平衡进行了研究，他们发现小型外资机构交易者的指令不平衡的持续性最强，而大型个体交易者持续性最弱。
除了股票市场，一些学者也使用指令不平衡对于远期市场、期货和期权市场进行了研究。
Huang和Chou(2007)比较了台指期货交易的两个市场——台湾期货交易所(TAIFEX)和新加坡衍生品交易所(SGX-DT)的指令不平衡对对期货市场的价差，流动性与流动性的影响，他们发现对于TAIFEX指令驱动型市场，当指令不平衡高时，价差最小；对于SGX-DT报价驱动型市
3 场，当指令不平衡高时，价差最高；指令不平衡对于这两个期货市场的流动性和波动性都有影响。
Smales(2013)研究了债券期货市场中指令不平衡与收益的关系，他发现指令不平衡与同期收益相关。
Muravyev(2016)研究了在做市商制度下，期权指令不平衡对于期权收益的影响，并且发现指令不平衡对于期权收益具有预测能力。
相比西方股票市场交易制度，中国A股市场交易采取的是指令驱动的交易方式，指令驱动市场中的流动性并非由做市商提供，而是由投资者提交的限价指令来提供。
其中，限价指令在提交时必须同时指定价格和交易数量，而市价指令只需指定交易数量。
指令的成交通常按照“价格优先，时间优先”的原则来进行(陈淼鑫，2011)。
作为新兴股票市场，中国股票市场有着自己的特点。
首先，中国股票市场的机构投资者较少，散户投资者较多。
个人投资者相对于机构投资者而言获取信息能力较弱，交易时滞长，交易量小，交易频率高。
Kyle(1985)认为机构投资者相对于普通投资者拥有更多的信息，利用这些信息，机构投资者可以获得更高的收益。
机构投资者为了减小短时间内大量订单对于价格的影响，他们会把一笔大订单拆分开来，使得指令不平衡具有持续性进而产生自相关关系。
而在中国股票市场，个人投资者处于主导地位，因而我们预计A股市场指令不平衡的自相关系数将会小于美国纽约证券交易所，同时，当股灾来临时，个人投资者盲目出逃，信用账户被连续平仓，预计熊市状态下指令不平衡的显著性明显高于牛市。
其次，相对于西方股票市场，中国股票市场交易机制尚不完善，创新金融工具较少，投资者规避风险能力较低。
最后，中国股市与全球其它市场关联性较低，只有不到2%的中国股票被外国人持有。
国外投资者只能通过QFII(qualifiedforeigninstitutionalinvestor)等方式有限地参与国内市场。
中国股市独特特征可能导致指令不平衡与收益之间关系异于诸如美国等西方国家股票市场的特征。
已有不少文献研究了中国股市指令不平衡对收益的可预测性，但是所得到结论并不一致。
比如，Shenoy和Zhang(2007)基于2004年6月-12月的数据研究了中国股票市场指令不平衡与收益的关系，他们发现中国A股市场指令不平衡存在一定的自相关性，指令不平衡与同期收益存在相关关系，这同Chordia和Subrahmanyam(2004)一文对于纽约证券交易所内交易股票指令不平衡与收益关系发现类似，但是不同于Chordia和Subrahmanyam(2004)，指令不平衡对于收益没有预测能力。
相反，Narayanetal.(2015)基于2008-2010年的数据采用面板预测模型发现中国股票市场指令不平衡对股票收益具有正的预测作用，并且他认为指令不平衡是中国股市低效的来源之一；类似，Baileyetal.(2009)基于2003年10月-2004年3月的专有帐户数据发现中国股市指令不平衡对资产价格具有显著的影。
最近，Laoetal.(2018)指出指令不平衡与收益关系会随着股市状态的变化而变化，而这也是已有文献发现不一致的原因；他们在我国股市2007-2008年这一极端市场条件下研究了指令不平衡对对收益的预测能力并且发现指令不平衡对于同期收益具有显著正向线性关系，但是滞后指令不平衡对于收益预测能力有限，而在异常波动下小盘股的指令不平衡对于收益具有显著的预测能力。
而在中文文献中，涉及到对中国股市指令不平衡与收益关系的研究还比较少，部分学者对于我国股市限价指令簿进行了部分研究。
其中，陈淼鑫(2011)对限价指令簿与指令驱动市场的国内外研究进行了述评；张肖飞(2012)研究了指令不平衡与价格发现效率和交易笔数的关系；郑振龙和戴嵩(2011)研究了限价指令簿信息与买卖价差之间的关系；沈红波等(2012)实证检验了限价指令簿的信息含量；刘红忠和叶军(2012)基于上海证券交易所Level2数据考察了限价指令簿的价格发现功能；欧阳红兵和傅毅夫(2012)对于中国股市限价指令簿的流动性提供进行了研究；周平等(2016)分析了限价指令簿对价格信息的扩散作用。
但是已有关于中国股市指令不平衡与收益关系的研究还存在一定的缺陷。
首先，Shenoy和Zhang(2007)以及Baileyetal.(2009)等研究所采用的数据样本期限都比较短，而且所选择样本时间短皆在股市正常波动期间，而Laoetal.(2018)发现指令不平衡与收益关系会随着股市状态的变化而变化。
其次，尽管Laoetal.(2018)研究了我国股市极端市场条件下指令不
4 平衡对对收益的预测能力，但是它们基于2007-2008年这一极端市场条件下，而2014-2015年这一极端波动期间相比2007-2008年极端波动时间具有独特性，这是因为2015年出现明显股市异常波动乃至发展为股灾，另外这一轮股灾期间同时涉及到信用交易，迅速下跌期间信用账户被连续平仓。
综上，研究对象不同，或者研究对象相同而选择的数据不同，采用的计量模型不同，学术界对于指令不平衡与收益的关系的实证结果仍然没有统一的结论。
在本文中，我们基于上证50的Level-2高频数据研究了在2014年到2015年这一特定极端市场条件下指令不平衡对收益的影响。
我们的研究结果表明：
(1)在横截面上，指令不平衡与收益呈现正相关关系，在样本内4个波动最大的区间内(图1阴影部分)指令不平衡与超额收益的相关系数大于整个样本期，并且快速下跌时的相关系数明显要比快速上涨的相关系数更加地显著；
(2)中国股票市场指令不平衡具有自相关性，但自相关系数相对于美国股票市场而言较低；
(3)指令不平衡与同期收益呈现出正相关关系，相比牛市，熊市中指令不平衡与同期收益的正相关比例与显著性比例均较高；
(4)在2014年到2015年的股灾期间中，滞后指令不平衡与超额收益之间呈现出正相关关系和较高的显著性，表明其对收益具有更强的预测能力；
(5)在控制了Famma三因子，即(Rmt−RFt)，SMBt，HMLt之后，我们发现指令不平衡和收益之间统计结果的显著性并没有改变。
相比已有文献，本文的主要贡献：
(1)研究最近2014-2015年极端市场条件下中国股票市场上指令不平衡与收益的相关关系，弥补了相关实证研究的空缺；
(2)首次对指令不平衡与收益的关系进行了稳健性检验，之前对于指令不平衡与收益的关系的研究均没有考虑是否包含在已有的研究变量之中(Chordia和Subrahmanyam2004，Laoetal.2018)，本文的研究发现指令不平衡与收益的关系没有被包含在Fama-French三因子变量之中；
(3)使用了最新的Level-2高频数据进行研究，与时事更为贴近，研究价值更高；
(4)本文对与本次股灾波动最为严重的几个时间段分别进行了详细的研究。
前人对于指令不平衡的研究，时间段比较长，主要研究了指令不平衡与收益长时间的关系。
本文对于本次股票市场波动最为剧烈的4个区间进行了单独研究，补充了指令不平衡在短时间的极端情况下和收益关系的实证。
本文的结构如下：第二部分对于变量与研究方法进行介绍；第三部提供了实证分析及其结果；第四部分提出结论和建议。
二、变量与研究方法 为了度量股票每日的指令不平衡，首先我们需要区分每一笔交易是由买方发起还是由卖方发起。
首先我们根据Lee和Ready(1991)一文，以最优买价和卖价的平均值作为报价中点。
如果一次交易以高于（低于）现行报价中点的价格，则将其归类为买方（卖方）交易。
如果交易正好在报价中点发生，那么根据最后一个非零价格变动为正（负），我们将该股票定为买方（卖方）发起的。
对于每一支股票，我们按照Chordiaetal.(2002)，Chordia和Subrahmanyam(2004)中的方法度量指令不平衡： OIBNUM：第t天买方发起的交易笔数减去卖方发起的交易笔数。
P_OIBNUM：第t天买方发起的交易笔数减去卖方发起的交易笔数除以买卖双方发起的交易笔数之和。
OIBSH：第t天买方发起交易的股票数量减去卖方发起的股票数量。
P_OIBSH：第t天买方发起交易的股票数量减去卖方发起的股票数量除以买卖双方发起交易的股票数量之和。
OIBVOL：第t天买方发起交易的交易总额减去卖方发起的交易总额。
P_OIBVOL：第t天买方发起交易的交易总额减去卖方发起的交易总额除以买卖双方发
5 起交易的交易额之和。
我们按照Chordia和Subrahmanyam(2004)的方法作为基础模型研究了指令不平衡与同 期收益的关系以及指令不平衡对于收益的预测能力。
首先，我们研究同期的指令不平衡和收益的关系。
其中，自变量为同期的指令不平衡和 滞后5期的指令不平衡，因变量为股票的超额收益，具体来说，我们对每个股票进行以下时间序列回归。
Rit−Rmt=ai+∑5k=0bikOIBi,t−k+eit
（1） 其中Rit是股票i在第t日使用收盘价计算的对数收益，Rmt是上证综合指数在第t日使用收盘价计算的对数收益，因此，公式左边测量的是股票i在第t日的超额收益。
OIBi,t是股票i在第t日指令不平衡。
使用交易笔数测量的指令不平衡相对于交易数量与交易总额而言遗漏了许多交易信息，因此在式
（1）的时间序列回归中我们剔除了OIBNUM和P_OIBNUM这两个变量，而使用其它4个指令不平衡的变量，包括OIBSH（OIBVOL）与P_OIBSH（P_OIBVOL）。
随后，我们研究了指令不平衡对于收益的预测能力。
我们使用OIBVOL作为指令不平衡的变量测量指令不平衡对收益的预测能力，但剔除了同期的指令不平衡，使用了滞后五期 的指令不平衡，收益同样使用单支股票相对于市场的超额收益。
Rit−Rmt=ai+∑5k=1bikOIBi,t−k+eit
（2）
三、实证分析（一）数据及描述性统计量 本研究以上证50指数成分股为研究对象，样本区间为2014年6月到2015年12月。
计算指令不平衡的上海证券交易所(SSE)Level-2逐笔成交高频数据来源于CSMAR，上证指数的日度数据来源于Wind，Fama-French三因子的日度数据来源于CSMAR数据库。
由于在处理高频数据的过程中部分股票的数据存在缺失，我们剔除了缺少1个月以上数据的股票，最后选取其中40支股票作为研究样本。
为了研究股市不同环境下指令不平衡与收益的关系，我们将数据分成上涨区间与下跌区间两段。
其中上涨区间为2014年6月1日-2015年6月15日，此时中国股票市场处于牛市，下跌区间为2015年6月16日-2015年12月31日此时中国股票市场处于熊市。
在表1中，我们给出了从2014年6月到2015年12月的40只股票日度数据的描述性统计量，包括按照基于交易次数、交易数量和交易总额以及百分比形式的指令不平衡指标在横截面上的平均值、中位数和标准差。
在表1的PanelA中，我们计算了整个样本时间段内的描述性统计量。
我们发现，基于每日交易笔数的指令不平衡的平均值为305，基于每日交易数量的指令不平衡为8,570,535，基于每日交易总额的指令不平衡为102,282,482，这三个指令不平衡指标都为正。
通过百分比计算这三个指令不平衡指标，我们发现交易数量和交易总额测量的指令不平衡的数量大致相同，并且幅度均小于交易笔数测量的指令不平衡。
这表明在2014年6月到2015年12月这段时间内，买方压力大于卖方压力。
PanelB与PanelC分别描述了在牛市（2014年6月-2015年6月15日）中与熊市（2015年6月16日-2015年12月31日）中的指令不平衡的描述性统计量。
与常理相一致，指令不平衡在牛市时呈现出正数，表明在牛市之中，买方的压力大于卖方，在熊市中呈现出负数，表明在熊市之中，卖方压力大于买方。
总体来说，本文的描述性统计结果与Chordiaetal.(2002)，Chordia和Subrahmanyam(2004)的相一致，但与Laoetal.(2018)中GroupIV对大盘蓝筹股的研究结果
6 不同，他们发现2007年与2008年中的指令不平衡指标都为正数，牛市与熊市下指令不平衡指标数值大小并没有明显差别。
而我们的实证表明从2014到2015年随着股市由牛市状态转为熊市状态，指令不平衡指标由正变负，我们认为产生这一结果的原因在于本次股灾中信用交易多，大量运用杠杆相关联。
当股票市场从牛市转为熊市后，保证金不足，使得信用账户被平仓，这使得市场陷入了暴跌-杠杆账户被平仓-卖方压力增大-股价进一步下跌-杠杆账户被平仓的恶性循环中(王健俊，2017)。
使得牛市与熊市的买卖压力差别明显。
表
1 描述性统计量 平均值 中位数 PanelA（2014年6月1日-2015年12月31日） OIBNUM 305.001 241.841 P_OIBNUM(%) 2.541 2.104 OIBSH 8,570,535.000 3,229,011.000 P_OIBSH(%) 0.493 0.155 OIBVOL 102,282,482.000 58,349,059.000 P_OIBVOL(%) 0.491 0.146 Panel
B（2014年6月1日-2015年6月15日） OIBNUM 447.716 416.093 P_OIBNUM(%) 4.006 3.685 OIBSH 14,625,258.000 8,137,610.000 P_OIBSH(%) 2.215 2.141 OIBVOL 168,094,193.000 122,407,350.000 P_OIBVOL(%) 2.232 2.121 Panel
C（2015年6月16日-2015年12月31日） OIBNUMP_OIBNUM(%)OIBSHP_OIBSH(%)OIBVOLP_OIBVOL(%) -42.244-0.195-2,712,212.000-2.735-18,513,445.000-2.772 -31.4190.157-2,415,006.000-2.894-19,885,553.000-2.974 标准差 208.0091.96611,161,884.0001.732117,220,502.0001.723 219.3082.20017,188,212.0001.978160,445,886.0001.975 341.6463.3429,240,085.0002.689101,772,333.0002.661 （二）横截面分析表2报告显示了使用日度数据测量的各种指标之间的相关系数，包括各种指令不平衡 的度量指标和超额收益。
其中，Re是股票的超额收益，即单个股票的当日对数收益减去对应上证综合指数的对数收益。
首先，我们发现各指令不平衡指标之间都存在着比较强的正相关关系。
其中基于交易笔数、交易数量与交易金额计算的指令不平衡指标之间的相关系数基本都在0.6以上，通过百分比计算的指令不平衡指标相关系数也都在0.6以上。
其中，OIBVOL和OIBSH的相关系数为0.976，通过百分比计算这两个测量指标的相关系数为
1，这表明基于交易量以及交易总额计算的指令不平衡指标之间高度相关。
其次，与Chordia和Subrahmanyam(2004)，Laoetal.(2018)的实证发现一致，我们发现指令不平衡与收益呈现出正相关关系，其中OIBNUM与收益的相关系数最高，为0.346，其他指令不平衡指标与收益的相关系数在0.2左右。
表3报告的是整个样本期间各指令不平衡指标的自相关系数。
Chordiaetal.(2002)，
7 Chordia和Subrahmanyam(2004)等文献认为，在做市商制度下指令不平衡具有持续性。
我们的研究发现，指令不平衡呈正自相关，这与与Chordia和Subrahmanyam(2004)对纽约证券交易所交易股票实证分析的结论相同。
我们发现在我们的样本区间内上证50成分股指令不平衡自相关系数低于Chordia和Subrahmanyam(2004)中在纽约证券交易所交易股票的指令不平衡自相关系数。
在Chordia和Subrahmanyam(2004)的研究中，OIBNUM的一阶滞后自相关系数为0.54；OIBSH的一阶滞后自相关系数为0.38；OIBVOL的一阶滞后自相关系数为0.47，而本文对应的三个一阶滞后相关系数分别为0.275，0.185以及0.197。
同时，自相关 表
2 OIBNUMP_OIBNUMOIBSHP_OIBSHOIBVOLP_OIBVOL P_OIBNUM0.904 截面相关系数 OIBSH0.6710.505 P_OIBSH0.6710.6660.680 OIBVOL0.6420.4660.9760.618 P_OIBVOL0.6720.6660.6821.0000.619 Re0.3460.2820.2400.1400.2430.143 表
3 指令不平衡自相关系数 OIBNUMP_OIBNUMOIBSHP_OIBSH PanelA（2014年6月1日-2015年12月31日） lag10.275 0.259 0.185 0.207 lag20.167 0.146 0.158 0.158 lag30.155 0.111 0.095 0.125 lag40.162 0.105 0.121 0.127 lag50.136 0.095 0.120 0.115 PanelB（2014年6月1日-2015年06月15日） lag10.220 0.218 0.128 0.160 lag20.140 0.118 0.164 0.136 lag30.103 0.059 0.123 0.090 lag40.116 0.058 0.141 0.101 lag50.097 0.062 0.096 0.092 PanelC（2015年6月16日-2015年12月31日） lag10.270 0.246 0.179 0.188 lag20.108 0.096 0.079 0.086 lag30.123 0.109 -0.0010.071 lag40.116 0.092 0.005 0.061 lag50.076 0.047 0.045 0.039 OIBVOL 0.1970.1670.1110.1360.136 0.1570.1750.1440.1590.110 0.1700.086-0.00010.0080.056 P_OIBVOL 0.2050.1570.1230.1260.114 0.1580.1340.0880.1000.090 0.1870.0850.0690.0590.037 系数从滞后一阶到五阶衰减的速度也要小于纽约证券交易所。
美国证券市场中指令不平衡衰减速度较慢，其中OIBNUM，OIBSH，OIBVOL五阶滞后自相关系数分别为为0.414，0.271，0.384。
而中国证券市场五阶滞后自相关系数基本在0.1左右。
因此上证50股票指令不平衡呈现出自相关系数小、衰减缓慢的特性这一现象。
指令不平衡自相关系数小的主要原
8 因在于中国股票市场的机构投资者较少，个人投资者处于主导地位，因此中国股票市场出现大笔订单拆现象弱于美国股票市场。
同时，指令不平衡自相关系数衰减缓慢原因在于我国股市上散户居多，个人投资者对于信息的反应速度比较慢，容易造成造成持续的买卖压力。
在PanelB与PanelC中，通过比较熊市和牛市状态下分别分析的结果，我们发现：熊市下的一阶滞后指令不平衡自相关系数要高于牛市，但滞后自相关系数的衰减速度要大于牛市。
为了比较在异常波动下指令不平衡与收益的关系，我们将2014年到15年中上涨与下跌最为剧烈的4个阶段进行单独研究。
这4个阶段分别为：第一个快速上涨区间，2014年11月24日到2014年12月31日，上涨30.03%；第二个快速上涨区间，2015年3月13日到2015年6月12日，上涨54%；第一个快速下跌阶段，2015年6月15日到2015年7月8日跌幅达32%；第二个快速下跌阶段，2015年8月18日到2015年8月26日跌幅29%，如图1所示。
表4报告的是4个异常波动期间各指令不平衡指标与超额收益之间的相关系数。
表
4 第一段第二段第三段第四段整体 股票市场剧烈波动时段的指令不平衡与收益的截面相关系数 OIBNUM0.4150.4110.4400.4570.345 P_OIBNUM0.4050.4140.4300.4310.283 OIBSH0.1690.2400.4100.3860.241 P_OINSH0.2140.3100.4310.3570.142 OIBVOL0.1750.2350.3990.3760.245 P_OIBVOL0.2160.3130.4290.3560.145 从表4中我们发现：第
一，与整个样本期一致，这四个指令不平衡指标都与收益呈现正相关关系；第
二，在这四段异常波动区间，OIBNUM指标在不同时间区间的差异不明显，而OIBSH与OIBVOL这两个指标在不同时间段有着较大的差异。
在第三段中OIBSH和OIBVOL与收益的相关系数分别为0.410与0.399。
第四段中OIBSH和OIBVOL与收益的相关系数分别为0.386与0.376，大于第一段中OIBSH和OIBVOL与收益的相关系数0.169，0.175以及第二段中对应的0.240，0.235，这表明在熊市中，指令不平衡与收益的相关关系要强于牛市；第
三，我们还发现，2014到2015年之间，指令不平衡与收益之间整体的相关系数要低于这4个异常波动区间对应的相关系数。
这表明在股票市场异常波动下指令不平衡与收益的关系更强。
Hung(2016)一文指出投资者的情绪会影响交易指令提交行为。
而我们发现在2014年到2015年的股灾中，当股票市场出现异常波动时，指令不平衡与收益的相关系数明显增大，表明当市场出现波动时投资者的情绪，指令的提交受到影响，从而使得指令不平衡与收益的关系随着市场的变化而变化。
（三）时间序列分析这一部分我们使用时间序列回归分析研究指令不平衡与收益的关系，我们先使用公式
(1)研究同期中指令不平衡与收益的关系，表5与表6分别给出了整个样本期以及牛熊市下回归分析的结果。
首先，从表5可以看出，与2014到2015时期的截面数据分析结果类似，四个指令不平衡指标都与收益呈现出正相关关系。
其次，我们分析基于两个百分比形式的指令不平衡指标P_OIBSH和P_OIBVOL下回归的结果，由表5的PanelA与PanelB，我们发现P_OIBSH
9 表
5 全样本时间序列回归结果 PanelA：使用测量指标为P_OIBSH平均系t值数 系数为显著占比正占比 P_OIBSH 3.1712.7270.8500.675 P_OIBSHt-11.2931.1560.8750.350 P_OIBSHt-2-0.425-0.4890.3000.175 P_OIBSHt-3-0.167-0.2400.4250.050 P_OIBSHt-4-0.167-0.2400.275 R2andadj-R20.050 0.037 PanelB：使用测量指标为P_OIBVOL 0.100 P_OIBVOL 3.212 2.774 0.850 0.675 P_OIBVOLt-11.2961.1600.8750.350 P_OIBVOLt-2-0.424-0.4890.3000.175 P_OIBVOLt-3-0.170-0.2440.4250.050 P_OIBVOLt-4-0.170-0.2440.2750.100 R2andadj-R20.051 0.038 PanelC：使用测量指标为OIBSH（coef*10,000,000） OIBSH 2.7405.0050.9750.925 OIBSHt-
1 1.0681.2820.7750.450 OIBSHt-
2 0.111 -0.6630.425 0.225 OIBSHt-
3 -1.292-0.7170.3250.300 OIBSHt-
4 -1.292-0.7170.1500.275 R2andadj-R20.105 0.093 PanelD：使用测量指标为OIBVOL（coef*10,000,000） OIBVOL 0.1604.9920.9750.900 OIBVOLt-
1 0.049 1.399 0.775 0.500 OIBVOLt-
2 -0.008-0.6040.425 0.250 OIBVOLt-
3 -0.015-0.7150.375 0.325 OIBVOLt-4R2andadj-R2 -0.0150.108 -0.7150.096 0.175 0.275 系数为负且显著占比000.1500.0500.075 系数为正且显著占比0.6750.3500.02500.025 000.1500.0500.075 0.6750.3500.02500.025 00.0250.2250.2500.250 0.9250.42500.0500.025 00.0250.2250.2750.275 0.9000.4750.0250.0500 和P_OIBVOL与收益均呈现出正相关的关系，有85%股票的指令不平衡与收益呈正相关关 系，有67.5%的股票指令不平衡与收益的关系显著，且均为显著的正相关关系，而显著负相 关关系的情况并不存在。
同样，滞后一期的指令不平衡与收益具有相关关系，有87.5%股票 呈正相关关系，但仅有35%的股票呈显著的正相关关系。
滞后二到四期的指令不平衡与收益 呈现出负相关关系，但显著相关的比例继续降低，达到20%以下。
再次，表5中PanelC和PanelD中使用的指令不平衡指标为OIBSH和OIBVOL。
由于 上证50的股票都是流通市值大的蓝筹股，每日交易量与指令不平衡数额巨大，收益率结果 一般为百分比形式，与指令不平衡的量值相比过小，因而若将收益率作为因变量，指令不平 衡作为自变量，回归得出的相关系数将太小，不便于观测和分析，为了便于观测，这里我们 将系数乘以
10,000,000。
实证结果表明，OIBSH和OIBVOL与收益亦呈现出正相关关系， 这与PanelA和PanelB的结果相一致。
在PanelC与PanelD中，几乎所有股票同期的指令 表
6 牛市与熊市时间段时间序列回归结果 10 平均系t值数 系数为正显著占比占比 系数为负且显著占比 系数为正且显著占比 PanelA使用OIBVOL测量2014年6月1日-2015年6月15日的关系（coef*10,000,000） OIBVOL 0.0962.7580.850 0.750 0.125 0.625 OIBVOLt-
1 0.0551.301 0.775 0.450 0.050 0.400 OIBVOLt-
2 0.019-0.0790.575 0.200 0.150 0.050 OIBVOLt-
3 0.0170.227 0.550 0.125 0.050 0.075 OIBVOLt-
4 0.0170.227 0.400 0.150 0.150
0 R2andadj-R20.1040.085 PanelB使用OIBVOL测量2015年6月16日-2015年12月的关系（coef*10,000,000） OIBVOL 0.2414.2451 0.950
0 0.950 OIBVOLt-
1 0.0340.613 0.675 0.350 0.100 0.250 OIBVOLt-
2 -0.008-0.2980.500 0.225 0.175 0.050 OIBVOLt-
3 -0.025-0.7100.400 0.350 0.275 0.075 OIBVOLt-4R2andadj-R2 -0.0250.213 -0.7100.180 0.325 0.200 0.175 0.025 不平衡与超额收益呈现出正相关关系，且显著性水平较高，90%以上的股票指令不平衡与收益的关系显著，基本没有股票的指令不平衡与收益呈负相关。
其中指令不平衡与收益呈正相 关关系且显著的股票同样在90%以上，没有股票的指令不平衡与收益呈正相关关系而不显著。
这一比例高于PanelA和PanelB，表明OIBSH，OIBVOL的与收益之间的线性相关关系强于指令不平衡指标P_OIBSH和P_OIBVOL。
而在滞后一期时，这两个指令不平衡指标与收益同样呈现出正相关关系，有77.5%的股票指令不平衡与收益呈正相关关系，但是显著性明显下降，在50%以下。
从滞后二期开始，指令不平衡与收益的显著性变得不太明显。
这一结果与Chordia和Subrahmanyam（2002，2004）以及Laoetal.(2018)的结果相一致。
我们的实证发现OIBVOL与收益之间的相关性最高，因此在后面的分析中我们使用OIBVOL作为指令不平衡指标进行报告。
最后，表6使用OIBVOL这一指令不平衡指标研究了在熊市与牛市的不同市场状态下同期的指令不平衡与收益的关系。
表6的PanelA呈现的是在牛市下指令不平衡与收益的关系。
我们发现在牛市中，同期的指令不平衡与收益呈现出正相关关系，85%的股票呈现正相关关系，仅有12.5%的股票呈现负相关关系。
但是牛市中指令不平衡与收益的显著性低于2014年到2015年整体区间水平的90%。
滞后一期的指令不平衡与收益同样呈现出正相关关系，相对于同期而言，显著性水平明显降低，降为45%，这也低于2014年到2015年整个样本区间水平的50%。
同上，滞后二期到四期的指令不平衡与收益同样呈现出负相关关系，但是系数显著性均较低。
表6的PanelB呈现的是熊市中指令不平衡与收益的关系。
中国股票市场快速下跌的期间中，我们发现指令不平衡与收益完全呈现出正相关关系，呈负相关关系的情况并不存在。
呈正相关关系且显著的股票比例高达97.6%。
与牛市相比，在熊市中指令不平衡与收益的相关系数呈正的股票比例较高，显著性比例也要高于牛市。
在滞后一阶中，熊市中有67.5%的股票相关系数为正，35%的股票显著为正，与牛市的区别不太明显。
但是在滞后二期之后，指令不平衡与收益的系数变为负数。
在这次股灾中，股票下跌的幅度与速度远远大于上涨速 度。
从2015年6月开始，上证综指短短两个月就从5178点跌到了2850点，跌幅达44.9%。
2015年6月15日到7月8日的17个交易日内，上证综指下跌32%。
与横截面结果相
一 11 表
7 指令不平衡对收益预测的时间序列回归结果 平均系t值数 系数为显著占比正占比 系数为负且显著占比 PanelA:2014年6月1日-2015年12月31日（coef*10,000,000） OIBVOL 0.078 2.1010.950 0.625 0.025 OIBVOLt-10.007 -0.1340.550 0.175 0.125 OIBVOLt-2-0.007-0.4190.475 0.325 0.225 OIBVOLt-3-0.013-0.4050.350 0.200 0.150 OIBVOLt-4R2&adj-R2 -0.0130.041 -0.4050.028 0.350 0.325 0.175 PanelB:2014年6月1日-2015年6月15日（牛市）（coef*10,000,000） OIBVOLt-10.054 1.3600.850 0.500 0.025 OIBVOLt-20.030 0.1540.625 0.200 0.125 OIBVOLt-30.023 0.4080.650 0.200 0.050 OIBVOLt-4-0.0010.0190.500 0.075 0.025 OIBVOLt-5R2&adj-R2 -0.0010.039 0.0190.020 0.550 0.225 0.100 PanelC:2015年6月16日-2015年12月（熊市）（coef*10,000,000） OIBVOLt-10.078 2.0810.950 0.625 0.025 OIBVOLt-20.007 -0.1320.550 0.175 0.125 OIBVOLt-3-0.007-0.4130.475 0.325 0.225 OIBVOLt-4-0.013-0.3970.350 0.200 0.150 OIBVOLt-5R2&adj-R2 -0.0130.041 -0.3970.028 0.350 0.325 0.175 系数为正且显著占比 0.6000.0500.1000.0500.150 0.4750.0750.1500.0500.125 0.6000.0500.1000.0500.150 致，上述分析表明，指令不平衡与同期收益的关系随市场环境的变化而变化。
接下来，我们使用公式
(2)研究指令不平衡对于收益的预测能力，结果通过表7报告。
Chordia和Subrahmanyam（2004）的研究认为，滞后期的指令不平衡与收益呈正相关关系，因此可以通过指令不平衡来预测收益。
Laoetal.(2018)的研究同样认为指令不平衡能够预测收益。
我们的研究与Chordia和Subrahmanyam（2004）和Laoetal.(2018)的研究结果相同，在2014年到2015年的股灾期间中，指令不平衡相对收益的预测能力高于Chordia和Subrahmanyam（2004）对于纽交所交易股票的分析以及Laoetal.(2018)对2008年股灾时期我国股市的分析。
我们发现t-1期的指令不平衡与收益的呈现出正相关关系，这种正相关关系与同期的结果相一致。
其中存在显著关系的股票占62.5%，存在正相关且显著的股票占60%。
这一结果远高于Chordia和Subrahmanyam（2004）的结果，在他们的研究中，滞后期指令不平衡与收益相关系数为正且显著的股票占25.95%，负相关且显著的股票占1.35%；我们的结果同样高于Laoetal.(2018)的结果，在他们的研究中，滞后期指令不平衡与收益相关系数为正且显著的股票为0%，负相关且显著的股票在20%左右。
在滞后2期时，指令不平衡与收益显著性同样高于纽约证券交易所。
我们的研究结果表明，在滞后2期时，指令不平衡与收益的显著性为17.5%。
而在Chordia和Subrahmanyam（2004）的研究结果中，滞后2期的指令不平衡与收益呈正相关关系且显著的股票占5%。
滞后3-5期时，显著性变化不太明显，但是依旧高于纽约证券交易所的结果。
12 PanelB与PanelC分别报告了在熊市与牛市下指令不平衡对于收益的预测能力，我们 发现，在熊市与牛市下，指令不平衡对于收益的预测能力区别不大。
指令不平衡对于收益的 预测表明，在2014年到2015的股灾当中，市场的有效程度大大降低，指令不平衡对于收益 的预测能力要强于其他时间段和其他市场，这表明中国股票市场交易机制的不完善，股票交 易者信息不足，存在着较大的套利空间。
（四）稳健性检验 表
8中我们将指令不平衡和各种其他可以预测未来股票收益的变量（FamaandFrench， 1992）进行回归，目的是检验指令不平衡对于收益的预测能力不被这些已有的预测变量所包 含。
我们使用的控制变量是Fama-French三因子，即市场风险溢价因子(Rmt−RFt)，市值因 子SMBt，账面市值比因子HMLt。
指令不平衡（OIB）的度量同表
6、表7，取为OIBVOL。
Rit−Rmt=ai+biOIBit+ci(Rmt−RFt)+siSMBt+hiHMLt+eit
（3） Rit−Rmt=ai+biOIBit−1+ci(Rmt−RFt)+siSMBt+hiHMLt+eit
（4） 表
8 指令不平衡和Fama-French三因子对收益预测的回归分析 平均系t值数 系数为正显著占比占比 系数为负且显著占比 系数为正且显著占比 PanelA:Fama三因子回归结果 Intercept -0.028 -0.393 0.650 0.050 0.050
0 RiskPremium-12.372-1.385 0.625 0.750 0.575 0.175 SMB 51.504 3.421 0.600 0.650
0 0.650 HMLR2andadj-R2 6.7530.237 -0.5910.231 0.600 0.700 0.375 0.325 PanelB:同期期指令不平衡回归分析和其他回报预测指标(OIB系数*10,000,000) Intercept -0.127 -1.125 0.200 0.425 0.425
0 OIBVOL 0.130 4.445 0.975 0.900 0.025 0.875 RiskPremium
-10.739-1.207 0.300 0.775 0.575 0.200 SMB 51.231 3.573 0.925 0.675
0 0.675 HMLR2andadj-R2 11.8560.284 -0.2660.277 0.525 0.700 0.325 0.375 PanelC:滞后期指令不平衡回归分析和其他回报预测指标(OIB系数*10,000,000) Intercept -0.084 -0.777 0.250 0.150 0.150
0 OIBVOL 0.073 2.135 0.950 0.700 0.025 0.675 RiskPremium
-12.396-1.403 0.325 0.750 0.575 0.175 SMB 52.950 3.529 0.950 0.675
0 0.675 HMLR2andadj-R2 8.6090.250 -0.4780.242 0.525 0.700 0.350 0.350 从表8中我们发现，在加入Fama-French三因子作为控制变量之后，同期指令不平衡与收益显著性百分比为90%，系数为正且显著占比为87.5%。
滞后期指令不平衡与收益的显著性占比为70%，系数为正且显著占比为67.5%。
指令不平衡与收益关系的显著性的统计结果与加入Fama-French三因子之前并无明显区别。
同时，加入了指令不平衡测量指标后，adjR2有了一定的提高，这表明指令不平衡与收益的关系并没有被已有的变量所包含。
13
四、结论与建议 本文研究了2014-2015年期间我国股市极端市场条件下指令不平衡与收益之间的关系。
我们的研究表明，中国股票市场指令不平衡的自相关系数低于美国纽约证券交易所，同时衰减速度较快，这是由于中国股市散户较多，而机构投资者较少。
指令不平衡与同期收益呈现出正相关关系。
在股票市场波动最为剧烈的时间段中，指令不平衡与收益的关系要强于整个样本期。
在2014-2015年期间，指令不平衡对于中国股票市场的预测能力要强于美国股票市场以及Laoetal.(2018)对我国2008年股市大跌期间的分析结果。
这表明投资者对于订单的提交受市场环境变化的影响，中国股票市场交易机制存在缺陷，市场有效性较差，存在较多套利机会。
相对于牛市而言，在熊市下受杠杆压力以及个人散户投资者的影响，指令不平衡的持续性更强，与收益的相关系数更高。
但指令不平衡对于收益的预测能力不受到市场状况的影响。
同时，指令不平衡对于收益的预测能力没有被Fama-French三因子所包含，表明本文的分析具有稳健性。
本文对指令不平衡与收益之间的关系的实证分析结果给我们以下启示：首先，应该增强市场监管力度，对于信用交易严加管控，而这是十九大报告中指出的防风险是金融工作重中之重，强监管是防范重大金融风险不可或缺的措施手段要义体现之
一。
在这次股灾之中，大量的杠杆交易是市场急速崩盘的主要推动力之
一。
为了稳定股票市场，减少证券市场的异常波动以及投机行为，必须加大对与股票市场的监督与控制，减少杠杆交易。
其次，应该完善市场交易机制，促进信息流通，优化投资者结构，引导个人投资者，发展机构投资者。
目前我国个人投资者较多，个人投资者相对机构投资者而言获取市场信息的能力较弱，当股票市场面临异常波动时，往往会出现羊群效应，迅速出逃，不仅自身损失惨重，还会加剧股灾的危害。
因此国家应该完善市场交易机制，使得个人投资者能够更好更有效的获得交易信息，避免盲从。
同时推进机构投资者的发展，优化投资者结构，加强证券市场的稳定。
最后，应该学习西方证券市场，进行金融工具创新，完善市场定价。
现阶段的我国证券市场不够完善，股票定价不合理，存在大量套利机会。
为此，应该积极学习西方证券市场的合理机制，加快股指期货市场的建设，推荐金融工具的创新，丰富交易策略，使得股票价格能够更好的反映股票内在价值，完善市场定价，减少套利机会。
参考文献 陈淼鑫，2011：《限价指令簿与指令驱动市场研究述评》，《厦门大学学报(哲学社会科学版)》第6期。
刘红忠、叶军，2012：《限价指令簿的价格发现功能》，《复旦学报(社会科学版)》第2期马丹、尹优平，2007：《交易间隔、波动性和微观市场结构——对中国证券市场交易间隔信息传导的实证分析》，《金融研究》第7期。
欧阳红兵、傅毅夫，2012：《中国股市限价指令簿的流动性提供研究》，《管理科学》第4期清华大学国家金融研究院课题组、陈晓升、王佳音、管清友,杨柳，2016：《中国股灾反思》，《中国经济报告》第1期沈红波、曹军、王雅莉，2012：《中国股票市场限价指令簿的信息含量研究》，《投资研究》,第9期。
王健俊、殷林森、叶文靖，2017：《投资者情绪、杠杆资金与股票价格——兼论2015～2016年股灾成因》，《金融经济学研究》第1期谢百
三、童鑫来，2015：《中国2015年“股灾”的反思及建议》，《价格理论与实践》第12期。
张肖飞，2012：《股市透明度与价格发现效率:指令不平衡驱动视角》，《南方经济》第12期。
郑振龙、戴嵩，2011：《买卖价差与限价指令簿信息:基于时变MRR模型的实证研究》，《金融评论》 14 第5期。
周平、马景义、张辛连，2016：《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》《投资研究》第9期。
AsciogluA,Comerton-FordeC,McinishTH.,2011,“Stealthtrading:ThecaseoftheTokyoStockExchange”,Pacific-Basin FinanceJournal,19
(2):194-207.Bailey,
W.,J.Cai,
Y.Cheung,andF.Wang.2009.“Stockreturns,orderimbalances,monality:Evidenceonindividual,institutional,andproprietaryinvestorsinChina”,JournalofBankingandFinance,33
(1):9–19.ChiaoY.C.,ChienA.,HsuY.-T..,2014,“Relationshipbetweenmarketordersandstockreturns:EvidencefromTaiwan”, ReviewofPacificBasinFinancialMarkets&Policies,17(02):1450-013.ChanK,FongWM.,2000,“Tradesize,orderimbalance,andthevolatility–volumerelation”,JournalofFinancial Economics,57
(2):247-273.CHARLESM.C.LEE.,1991,“InferringTradeDirectionfromIntradayData”,TheJournalofFinance,46
(2):733-746.ChordiaT,SubrahmanyamA.,2004,“Orderimbalanceandindividualstockreturns:Theoryandevidence”,Journalof FinancialEconomics,72
(3):485-518.FamaEF,FrenchKR.,1993,“CommonRiskFactorsinReturnsonStocksandBonds”,JournalofFinancialEconomics, 33
(1):3-56.Gallant,
A.Ronald,
R.,PeterE,Tauchen,
G.,1992,“StockPricesandVolume”,TheReviewofFinancialStudies,5
(2):199- 242.HiemstraC,JonesJD.,1994,“TestingforLinearandNonlinearGrangerCausalityintheStockPrice‐VolumeRelation”, JournalofFinance,49
(5):1639-1664.HungPH.,2016,“Investorsentiment,ordersubmission,andinvestmentperformanceontheTaiwanStockExchange”, Pacific-BasinFinanceJournal,39:124-140.HuangYC,ChouJH.,2007,“OrderImbalanceandItsImpactonMarketPerformance:Order-drivenvs.Quote-driven Markets”,JournalofBusinessFinanceandounting,34(9-10):1596–1614.KarpoffJM.,1987,“TheRelationBetweenPriceChangesandTradingVolume:Asurvey”,JournalofFinancialand QuantitativeAnalysis,22
(1):109-126.Kyle,
A.,1985,“Continuousauctionsandinsidertrading”,Econometrica,53
(6):1315–1335.LaoL,TianS,ZhaoQ.,2018,“WillOrderImbalancesPredictStockReturnsinExtremeMarketSituations?
Evidencefrom China”,EmergingMarketsFinanceandTrade,54
(4):921-934.Lee,
M.C.,Ready,
M.J.,1991,“Inferringtradedirectionfromintradaydata”,JournalofFinance,46
(2):733-746.Lee,
Y.-T.,Liu,
Y.-J.,Roll,
R.,Subrahmanyam,
A.,2004,“Orderimbalancesandmarketefficiency:Evidencefromthe TaiwanStockExchange”,JournalofFinancialandQuantitativeAnalysis,39
(2):327-341.LoAW,WangJ.,2000,“Tradingvolume:Definitions,dataanalysis,andimplicationsofportfoliotheory”,Reviewof FinancialStudies,13
(2):257-300.MarqueringW,VerbeekM.,2004,“Theeconomicvalueofpredictingstockindexreturnsandvolatility”,Journalofand FinancialQuantitativeAnalysis,39
(2):407-429.MuravyevD.,2016“Orderflowandexpectedoptionreturns”,JournalofFinance,71
(2):983–1009.NarayanPK,NarayanS,WesterlundJ.,2015,“DoorderimbalancespredictChinesestockreturns?
Newevidencefrom intradaydata”,Pacific-BasinFinanceJournal,34:136-151.Smales,
L.A.,2012,“Orderimbalance,marketreturnsandmacroeconomicnews:EvidencefromtheAustralianinterestrate futuresmarket”,ResearchinInternationalBusinessandFinance,26
(3):410-427.Smales,
L.A.,2013,“Bondfuturesandorderimbalance:Examininginternationallinkages”,JournalofInternational FinancialMarkets,InstitutionsandMoney,26
(1):113-132.Subrahmanyam,
C.T,
A.,2004,“Orderimbalanceandindividualstockreturns:Theoryandevidence”,JournalofFinancial 15 Economics,72
(3):485-518.Tarun,
C.,Roll,
R.,Subrahmanyam,
A.,2002,“Orderimbalance,liquidity,andmarketreturns”,JournalofFinancial Economics,65
(1):111-130.Wang,
Y.H.,KeswaniA.,Taylor,
S.J.,2006,“Therelationshipsbetweensentiment,returnsandvolatility”,International JournalofForecasting,22
(1):109-123.Westerlund,
J.,Narayan,
P.K.,2012,“Doesthechoiceofestimatormatterwhenforecastingreturns?
”,JournalofBanking andFinance,36
(9):2632-2640. 16
声明：
该资讯来自于互联网网友发布，如有侵犯您的权益请联系我们。