证券市场流动性研究综述

□

[电子科技大学 成都 611731]

流动性（liquidity）是证券市场的生命力所在。在流动性充足的市场，投资者可以快速低成本地交易股票，资产价格能及时反映资本市场上的信息，稀缺资源得到有效配置，证券市场的功能得以充分体现。一旦市场出现流动性不足甚至流动性枯竭（liquidity dry-ups）的情况，资产价格在短期内就会暴跌，进而引发金融危机。无论是1987年的纽约股市危机、2008年的全球金融危机，还是2015年的中国股灾，在股市发生危机期间，市场的流动性几乎枯竭，资产价格大幅下挫，投资者损失惨重，监管层面临严峻挑战。Amihud等[1]在系统阐述流动性与金融危机的关系时指出，理解流动性水平（liquidity level）和流动性风险（liquidity risk）与资产定价之间的关系是理解金融危机的核心。

关于市场流动性在金融领域的应用，相关研究大致可分为三个阶段。20世纪70～90年代，从交易成本的角度来研究流动性，主要应用于投资者计算不同投资策略在考虑交易成本之后的净收益。1980年之后，随着市场微观结构理论的发展，流动性成为其核心研究内容。2000年以后，对流动性的研究扩大到流动性的形成与影响因素、流动性与市场效率的关系、流动性与投资者行为的关系、流动性与公司金融的关系、流动性与资产定价、系统流动性等议题[2]。

一、流动性的定义

广义的流动性包含宏观、中观和微观三个层面：宏观流动性主要是指货币供给；中观流动性主要指金融市场或金融机构的流动性；微观流动性主要衡量金融资产在特定市场条件下与现金之间相互转换的能力[3]。本文探讨的是微观层面的流动性，即证券市场的流动性。

对于如何定义流动性，现有文献并未达成一致共识。Fisher[4]将流动性定义为资产快速转让且不造成价值大幅损失的能力。Demsetz[5]则将流动性定义为市场参与者为了交易的执行所必须承担的价格让步。Amihud和Mendelson[6]认为，流动性是立即交易所需的成本。Massimb和Phelps[7]则将流动性定义为两种能力：“为到达市场的订单提供立即执行交易的一种能力”（即“即时性”），以及“执行小额市价订单不会导致市场价格较大幅度变化的能力”（即“市场深度”或“弹性”）。O’Hara[8]认为，流动性就是“立即完成交易的价格”。Chordia等[9]则将流动性定义为一种以低成本快速买卖大量资产的能力。刘逖[10]认为，流动性实际上就是投资者根据市场的基本供给和需求状况，以合理的价格迅速交易一定数量资产的能力，或者说是迅速执行一定数量的成本。

综合上述定义，可以看出，在市场微观结构的研究中，流动性主要包含交易速度、交易数量以及交易成本三个方面。更进一步，Sarr和Lybek[11]认为流动性包含五个维度（如图1所示），分别为紧度（Tightness）、即时性（Immediacy）、深度（Depth）、广度（Breadth）以及弹性（Resiliency），其中紧度指的是交易成本，例如买卖价差、隐性成本等；即时性是指订单被执行以及结算的速度；深度指的是在当前成交价上下存在大量订单以满足潜在的买卖需求；广度是指具有丰富的交易量大且对价格影响小的订单；弹性是指市场吸收订单不平衡和恢复均衡价格的能力。

图1 流动性维度示意图（Díaz和Escribano[12]）

总而言之，如果交易者在其需要的时候能够以较低的交易成本快速地成交一定数量的证券，且对市场价格产生较小影响，则认为市场流动性好。反之，若市场不能及时满足交易者的交易需求，或者即使满足了交易需求但交易者却遭受了较大损失，则认为市场流动性差。

二、流动性测度指标

由图1可知，流动性是一个多维度的概念，有效测度流动性也需从不同维度进行。现有研究主要从交易成本（反映紧度）和价格冲击（反映深度、广度、即时性以及弹性）两个方面对流动性进行测度[13]。按照计算数据的不同，流动性测度指标可分为两类：一类是基于高频交易数据的高频指标，另一类则是基于日或月交易数据的低频指标。

基于高频交易数据，交易成本的测度指标主要包括买卖价差、有效价差以及实现价差，价格冲击成本的测度指标包括5分钟价格冲击[14]、静态价格冲击[13]以及Lambda系数[15]。基于高频交易数据的测度指标还包括市场深度、交易笔数、订单不平衡等[16]。需要特别说明的是，市场中的信息不对称程度会影响市场流动性。一旦流动性提供者察觉到被知情交易者逆向选择时，将会减少流动性的提供；在存在信息完全不对称的极端情形下，流动性提供者将退出市场，此时市场将失去流动性。因此，基于高频交易数据计算的知情交易概率（PIN）也能够反映市场的流动性。知情交易概率测度包括经典的PIN测度[17]、交易量同步的VPIN测度[18]和交易量加权的VWPIN测度[19]。

然而，由于高频交易数据的可获性以及高频指标计算的耗时性，实际研究中更倾向于采用低频数据计算流动性测度指标。为了测度交易成本，部分学者通过构建模型并利用日交易数据对买卖价差进行估计。例如，Roll[20]利用一阶差分的价格序列的协方差来估计买卖价差；Corwin和Stulz[21]利用日最高价和最低价来估计买卖价差；Abdi和Ranaldo[22]利用日收盘价、最高价和最低价来估计买卖价差。与此同时，相关研究还包括Lesmond等[23]、Holden[24]、Chung和Zhang[25]以及Fong等[26]。价格冲击测度指标中，Amihud[27]提出的非流动性测度应用较为广泛，此外还有Pástor和Stambaugh[28]提出的Gamma系数，以及Amivest比率。

Goyenko等[13]利用在美国股市中随机选取的400只股票1993～2005年的交易数据，以有效价差、实现价差以及价格冲击等高频指标为基准，根据横截面相关系数、时间序列相关系数和预测误差三项评估标准，对常用的流动性低频测度指标的有效性进行了实证分析。结果发现，流动性低频指标很好地捕捉了高频指标所刻画的市场流动性特征，而选择哪一种流动性测度指标才是最优的则依赖于具体的研究问题。Fong等[26]基于全球38个国家42个交易所的股票交易数据的研究发现，收盘时的报价价差以及Amihud测度是最优的流动性低频测度指标。

对于不同指标在中国股市的适用性，梁丽珍和孔东民[29]研究发现Amihud测度在捕捉流动性方面要优于换手率和Gamma系数测度。张峥等[30]利用中国股市1999～2009年的交易数据，以买卖价差为基准，实证研究了流动性低频指标的适用性。研究发现，收盘前报价价差和有效价差优于其他间接指标，Amihud测度是最优的低频指标。最近，万孝园等[31]利用中国股市2006～2015年的交易数据，以有效价差、实现价差、市场深度以及Lambda系数为基准指标，对常用的流动性低频指标进行了评估。研究发现，在中国股市上，Kim和Lee[32]提出的改进的Roll指标是宽度维度中最优的低频指标；交易量是深度维度中最优的低频指标；而杨朝军[33]提出的改进的Amihud测度是价格冲击维度中的最优指标，同时Amihud测度也是一个很好的流动性测度指标。

三、流动性与资产定价

（一）流动性水平与资产定价

流动性与资产定价的关系是流动性研究中最经典的议题。现有研究从股票特性和系统风险，即流动性水平和流动性风险两个方面对此展开研究[34]。作为股票特性，现有研究表明股票存在“非流动性溢价”（或称“流动性溢价”），即流动性越差的股票预期收益率越高。Amihud和Mendelson[6]以买卖价差作为非流动性指标，建立理论模型并实证验证了股票预期收益率与买卖价差之间存在正相关关系，且存在顾客效应（clientele effect）：投资者对流动性差的股票要求更高的收益率，以弥补未来交易时因流动性不好而增加的交易成本，投资期限长的投资者可持有流动性较差的股票获得较高的收益。随后，股票流动性与预期收益率之间的这种关系在更多的实证研究中得到了验证，例如，Amihud和Mendelson[35]、Brennan和Subrahmanyam[36]、Datar等[37]、Atkins和Dyl[38]、Amihud[27]、Korajcyk和Sadka[39]等。与此同时，Chan和Faff[40]、Liu[41]通过构建非流动性因子（流动性最差股票组合与流动性最好股票组合的收益率之差），并使用流动性调整的资本资产定价模型（CAPM），研究发现在澳大利亚以及美国股市中存在非流动性溢价。Amihud等[42]基于全球45个股票市场的实证研究表明，这种非流动性溢价现象在全球证券市场普遍存在。

国内，吴文锋等[43]对中国股市中的“风险补偿”和“非流动性补偿”假设进行了检验，结果发现“风险补偿”假设不成立，而“非流动性补偿”成立，且小公司的非流动性效应更显著。苏冬蔚和麦元勋[44]发现中国股市中存在显著的非流动性溢价，换手率低、交易成本高且流动性小的资产具有较高的预期收益率。谢赤等[45]利用高频数据，采用主成分分析法构造了一种新的股票流动性度量方法，并使用LR两阶段截面回归方法与似无关回归估计法，检验了上海股票市场的流动性溢价问题。实证结果表明，股票流动性降低时，股票的预期收益率会增加，即存在流动性溢价。梁丽珍和孔东民[29]结合常见的换手率、Amihud测度和Pastor-Stambaugh测度（即Gamma系数）等流动性指标，研究发现中国股市存在非流动性溢价效应。

陈青和李子白[46]改进了Liu[41]的方法求得流动性因子，进而构建了流动性调整下的CAPM模型，研究发现该模型能够充分解释流动性溢价现象。杨朝军和王灵芝[47]基于面板数据研究了沪深股市股票流动性水平、流动性风险与股票收益率之间的关系，研究发现流动性水平越高收益率越低，即存在流动性溢价效应。韩金晓和吴卫星[48]利用Crowin和Schultz[21]提出的方法，研究了中国股市2007～2015年的流动性溢价问题，发现股票收益的流动性溢价普遍存在。金春雨和张浩博[49]利用面板门限模型对上海股市流动性溢价的非对称效应进行了实证检验，实证结果表明上海股市流动性溢价现象存在显著的规模效应和价值效应，且市场小幅上涨与下跌时期的流动性溢价要高于快速上涨时期。李志辉等[50]基于2011～2017年上海股市分时高频交易数据，研究发现上海股市存在非流动性溢价，且当股市处于震荡与下跌阶段时，流动性对股票预期收益的影响更大。

（二）流动性风险与资产定价

流动性风险已成为市场微观结构理论的研究热点，并成为理解股市危机的核心研究内容。Pástor和Stambaugh[28]将流动性风险定义为证券收益对市场流动性的敏感性。Acharya和Pedersen[51]则将流动性风险作为资产定价的因素加入到标准资本资产定价模型中，建立流动性调整的资产定价模型（LCAPM），并且将流动性风险分解为三种：（1）流动性与市场流动性的协动性；（2）股票收益率对市场流动性的敏感性；（3）股票流动性对市场收益率的敏感性。

对于流动性风险的测度，现有研究分为两类：一是利用个股流动性的变化值（收益率）对市场流动性（收益率）的变化值进行回归得到的流动性贝塔（liquidity beta）；二是采用此回归模型得到的拟合优度（R2）。流动性贝塔或R2越大，说明个股的流动性（收益率）受市场整体流动性（收益率）的影响越严重，个股的流动性风险越高。

对于流动性风险的定价问题，现有研究结果不尽一致。Acharya和Pedersen提出的LCAPM在理论上验证了流动性风险应当被定价，然而他们的实证结果却发现个股流动性对市场收益率的敏感性在流动性风险定价中起主要作用。Lee[52]基于全球50个国家（地区）股票市场的交易数据对LCAPM的研究结果表明，个股流动性与所在市场的流动性以及所在市场（全球市场）的收益率的协动性对个股收益率存在显著影响。Moshirian等[53]基于全球39个证券市场的研究表明，个股流动性与市场流动性的协动性在大多数股票市场中被定价，且在发达市场中的定价效应更强。

国内学者对中国沪深股市的研究发现，个股的流动性风险同样被定价。例如，罗登跃等[54]对上海股票市场四类指数的研究表明，上海股市存在流动性风险溢价，且其主要来源于指数收益率对市场流动性的敏感性和指数流动性对市场收益的敏感性。孔东民[55]利用LCAPM对沪深股市进行了检验，结果发现LCAPM能够更好地拟合股票收益，表明流动性风险被定价。黄峰和杨朝军[56]通过引入内生流动性风险构建了改进的LCAPM，并实证研究发现沪深股市中个股定价中包含了显著的流动性风险溢价，且流动性较差的个股这种风险补偿更为显著。随后，邹小芃等[57]、周芳等[58-59]、张玉龙和李怡宗[60]等都发现流动性风险在沪深股市被定价。

其中，张玉龙和李怡宗采用随机折现因子的方法提出了SDF-LCAPM模型，并从流动性特征和流动性风险两个渠道实证分析了中国沪深股市的流动性定价问题。他们的理论结果表明，在市场收益率折现因子和市场流动性折现因子相等的情况下，个股流动性与市场流动性的协动性以及个股收益率对市场流动性的敏感性并不影响收益率；同时，他们通过实证分析发现，中国沪深股市中个股的流动性特征对收益率的解释力要强于流动性风险，且流动性特征和流动性风险对小公司和成长型股票的超额收益率的影响要高于大公司和价值型股票。

此外，部分文献着重对个股收益率对市场流动性的敏感性风险进行了分析。例如，Pástor和Stambaugh[28]、Sadka[61-62]、Watanabe和Watanabe[63]、Lang和Maffett[64]、Lou和Sadka[65]、Ng[66]、Cao和Petrasek[67-68]、罗登跃等[69]。

四、流动性共振

在流动性风险的研究中，现有文献对个股流动性与市场流动性之间的协动性，即流动性共振（liquidity commonality）关注最多。现有研究表明，流动性共振是全球大多数证券市场中普遍存在的现象。Chordia等[70]、Hasbrouk和Seppi[71]、Huberman和Halka[72]分别利用美国股市的交易数据对个股流动性与市场流动性之间的关系进行实证分析，发现个股流动性与市场总体流动性之间存在显著的共振，市场总体流动性对个股流动性的形成具有驱动作用。随后，Brochman和Chung[73]、Domowitz等[74]、Pukthuanthong-Le和Visaltanachoti[75]分别利用香港证券交易所、澳大利亚证券交易所、泰国证券交易所股票的交易数据的实证结果表明，个股流动性与市场总体流动性之间的共振现象同样存在于订单驱动型市场。Brochman等[76]、Karolyi等[77]对全球大多数证券交易所的流动性共振进行了研究，结果发现流动性共振是全球性普遍存在的现象，大多数交易所个股的流动性都受到市场的显著影响。

对于中国股市，宋逢明和谭慧[78]、王春峰和董向征[79]研究发现流动性共振在沪市中显著存在，且存在一定的规模效应。麦元勋[80]实证研究了沪深股市中的流动性风险，结果表明流动性越低的股票的流动性风险越高，但流动性共振相比另外两种形式的流动性风险较弱。于鑫和龚仰树[81]基于上海证券交易所股票交易数据的研究发现，我国股市存在明显的流动性共振，且较发达市场更为显著，同时还发现流动性共振存在周内效应。王于栋和赵越[82]基于中小板市场的交易数据研究发现，中小板市场中个股与市场总体的流动性共振程度大于主板市场，且个股之间存在显著差异，但在显著性方面则小于主板市场。张玉龙等[83]分析了中国股市的流动性共振问题，发现中国股市中只存在流动性共振统计上显著为正的股票，同时流动性共振随着公司规模的增大而减小，并且流动性共振具有一定的持续性。Narayan等[84]同样发现沪深两市存在显著的流动性共振，同时行业流动性变动对个股流动性存在较强影响。

对于流动性共振的决定因素或产生原因，现有研究主要从供给侧和需求侧两个方面进行了阐述。从供给侧来看，金融中介机构的融资约束是导致个股产生流动性共振的主要原因。例如，Brunnermeier和Pedersen[85]将流动性分为市场流动性（market liquidity）和融资流动性（funding liquidity），并通过构建理论模型发现融资流动性与市场流动性之间存在“流动性螺旋（liquidity spirals）”效应，融资紧缩会导致股市产生流动性共振。Coughenour和Saad[86]研究发现，由于共享资金和信息，同一经纪公司不同股票交易经纪人持有的股票之间存在流动性共振现象。Comerton-Forde等[87]的研究结果表明，当做市商的资产和现金流受到冲击时，他们交易的股票流动性也将受到影响。Hameed等[88]、Rösch和Kaserer[89]、Qian等[90]、Syamala等[91]分别基于美国股市、德国股市、中国股市，以及印度股市的研究表明，金融中介机构的融资紧缩会导致流动性共振在市场下行或波动时增大。

从需求侧来讲，机构持股、关联交易等因素是个股产生流动性共振的重要来源。例如，Kamara等[92]基于美国股市1963～2005年的交易数据研究发现，美国股市中大公司股票的流动性共振风险显著上升，而小公司股票显著下降；进一步研究发现，机构投资、关联交易以及指数化交易等因素是导致这种大小公司流动性共振风险分化的重要原因。Koch等[93]的研究结果表明，基金持股水平是导致股票流动性共振上升的重要原因，高基金持股的股票的流动性共振水平是低基金持股股票的两倍。Karolyi等[77]基于全球40个股票市场从供给侧和需求侧两个方面对流动性共振的来源进行了研究，实证结果更支持需求侧的解释。熊海芳和张泽[94]基于中国沪深A股的基金持股数据，检验了相关交易需求是否会引发流动性共振及其影响原因与渠道。结果发现，基金的相关交易需求导致流动性共振，而基金的羊群行为和面临的资金流冲击是导致其产生相关交易需求的重要原因。

此外，Naes等[95]、Moshirian等[53]研究表明宏观经济周期、信息环境、文化因素等对股票市场的流动性风险存在显著影响。Kahraman和Tookes[96]、Isshaq和Faff[97]则发现杠杆交易、股票的基本面等因素对股票的流动性风险也存在显著影响。

五、流动性螺旋：2015股灾

2015年中国股市经历了一次异常波动：上证综指由年初的3 000多点一路上扬，于6月12日达到最高时的5 178点；随后急剧下跌，于7月8日跌至3 421点，8月26日二次探底2 850点，短短75天跌幅达45%。股市震荡的余波直到9月才基本平息下来，此时股票市值蒸发已逾万亿，几乎是中国资本市场历史上最严重的一次股灾。2015年股市暴跌之所以被称为股灾，主要是因为上证指数在短期内悬崖式暴跌，期间更是出现了多达16次“千股跌停”的奇观和“千股停牌”的罕见现象。

针对此轮股灾发生的原因，较为一致的观点是：杠杆交易催生了股灾前的牛市，也是监管层的去杠杆行为引发了股灾[98]。在此轮股灾发生前，各种场内外的杠杆交易为市场提供了充足的融资流动性，而融资流动性又增加了市场流动性，导致股价不断攀升，“牛市”的一致性预期自我实现，形成了股灾之前的暴涨行情（见图2）。

图2 暴涨行情下的流动性正向螺旋效应

监管层对股票配资可能引起的风险有所警觉。2015年6月13日，证监会下发《关于加强证券公司信息系统外部接入管理的通知》，场外非法的高倍配资业务被查处。由于配资公司高杠杆资金的退出，导致某些股票快速下跌；股价下跌效应又引发了其它融资盘进入“警戒线”甚至“平仓线”，进而引起次级杠杆类资金的清仓强平，股价和抛盘形成了相互强化的多米诺骨牌效应。

更加严重的是，在股价下跌的过程中，本来就容易出现跌停板的磁吸效应，而配资公司为快速回笼本金，在客户无力补仓的情况下可能采取直接挂跌停价的卖出策略。极端情况下，部分杠杆投资者甚至在开盘就可能采取挂跌停价的策略。一旦这种策略被市场模仿，并且杠杆资金在出逃时一致采取该策略，那么公募基金在巨额赎回风险下也只能被迫跟随，最终导致在2015年股灾期间多次出现开盘就“千股跌停”的现象。

事实上，在股市暴跌的情况下，融资流动性与市场流动性本身就存在“流动性螺旋”效应，而涨跌幅限制又使得股价不能“一步调整到位”。由于面临强制平仓风险，如果杠杆投资者无法通过卖出流动性差的股票来止损，那么就只能卖出流动性好的股票，进而导致更多的股票价格下跌，引发投资者的恐慌性抛售，进而加大股票的流动性风险，导致大量股票跌停，引发全市场的流动性共振和流动性危机。在整个过程中，涨跌幅限制不但没有起到稳定市场的作用，反而扮演了“落井下石”的角色，加剧了市场的流动性风险，进一步加快市场流动性枯竭，最终酿成股灾（见图3）。

图3 2015年股灾微观机理示意图

韦立坚等[99]采用计算实验的方法，通过仿真模拟揭示高杠杆融资在投资者非理性行为和中国市场微观机制作用下引致股市流动性踩踏危机的机理，实验结果表明融资杠杆在投资者的技术分析策略和适应性转换动态资产配置作用下，对市场泡沫的形成与破灭起到推波助澜的作用，并引起个股板块联动和流动性缺失传染，最终导致连锁强行平仓，从而引发了流动性踩踏危机，而涨跌幅限制在股灾中加剧了流动性踩踏危机。

汤怀林等[100]基于此轮股市暴涨阶段的交易数据研究发现，前期市场流动性越差的股票在暴涨过程中涨停的次数越多，而导致这种“异常现象”的原因是前期市场流动性越差的股票在暴涨过程中由于更大增幅的杠杆交易所引起的市场流动性更大程度的提升。与此同时，汤怀林等[101]基于此轮股灾期间的研究表明，杠杆交易是股灾中个股流动性共振的重要驱动因素，杠杆交易越多、流动性共振程度越大的股票遭受越大的价格跌幅。

Hu等[102]基于此轮股灾的研究表明，在市场下跌过程中，杠杆交易者出于风险管理或满足保证金要求的目的，会选择卖出其它流动性或表现更好的股票，即去杠杆过程中存在明显的非流动性传染效应，且在行业之内以及行业之间都存在这种传染效应。这将引起股票之间产生流动性共振，进而导致整个市场的流动性枯竭，引发流动性危机。

六、结束语

流动性，特别是流动性风险，已然成为市场微观结构领域研究的核心。本文围绕股票市场流动性，在流动性的定义、测度、与资产定价的关系等方面对现有相关研究文献进行了系统回顾，并以2015年中国股灾为例，对杠杆交易和涨跌幅限制影响市场流动性进行了重点剖析和评述。我们认为，在2015年股灾中，杠杆交易的强制平仓机制导致股市在下行过程中形成了严重的“流动性螺旋”效应，而价格涨跌幅限制进一步加剧了市场的流动性枯竭，最终导致股灾发生。

通过梳理，我们发现有些问题还有待进一步实证研究。例如，哪种流动性（风险）测度指标在市场危机情况下能依然对市场流动性（风险）进行有效测度？如何构建一种流动性风险测度指标，可以对市场整体进行有效监测？中国股市中不同交易主体对股票的流动性风险又存在怎样的影响？特别地，涨跌幅限制作为重要的交易机制是否存在流动性溢出效应，进而加剧整个市场的流动性风险？对上述问题的研究不仅可以丰富和发展现有的市场微观结构理论，还可以为监管层合理有效地监管市场，改进和完善涨跌幅限制机制提供重要参考依据。