噪声交易与股票流动性:兼对“正(负)相关”理论的评析及“流动性黑洞”现象的解释

常说，股市是经济的晴雨表。然而，2015年上半年持续下行的经济态势和异军突起的股市行情却实实在在给出了反例。第一、第二季度，我国GDP增速仅为7%，创造了上世纪90年代以来的增速新低；不过，股市却从2014年底开始发力，到6月中旬，上证指数冲上5100点，深成指超越18000点，刷新了八年来的股指新纪录。至此，虚拟与实体渐行渐远。狂热的投资者所表现出的非理性“追涨”，为这次“牛市”推波助澜。然而不到一月，上证指数即失守3500点，深成指也跌至11000点附近。尽管央行、证监会、证金公司以及多家证券公司陆续公布救市计划，包括降息降准、IPO紧急叫停、“平准基金”以及蓝筹股ETF等，依旧未能阻止股价下挫。7月初，信心殆尽的投资者再一次表现出集体非理性，疯狂杀跌，最终酿成千股跌停的惨剧。

无疑，投资者的非理性在股市的暴涨暴跌中扮演了重要角色，噪声对股价波动(特别是过度波动)的作用不言而喻。那么，噪声交易会不会通过股价波动对流动性产生影响？该影响如何传导并发生作用？理性投资者和内幕知情者在上述影响中充当何种角色？理性投资者信息获取的能力和状况能否改变这一影响？这一影响又会不会因内幕知情者风险厌恶程度的改变而发生变化？本文目的，即对上述疑问给出理论和经验的答案，具体思路为：1)改进Kyle(1985)的假设，构建符合中国实际的流动性数理模型，据此推导出噪声交易与流动性之间的理论关系；2)利用沪深300指数成分股的数据，对上述关系进行实证；3)通过月历效应、市场行情效应等，检验信息不对称、风险容限等对这一关系的影响。

文章后续部分安排如下：第二节，梳理现有文献，提出本文的研究内容和创新点；第三节，构建流动性数理模型，推导相关假说；第四节，设计研究方案以验证假说；第五节，实证与检验的过程和结果；第六节，结论。

关于噪声的概念，最早源于Black(1986)，它是指与公司基本面信息无关的内容，基于噪声的交易被称作噪声交易，而噪声交易的行为人则为噪声交易者。那么，噪声交易究竟会对股票流动性产生怎样影响？对此，学界一直争议不断。

Kyle(1985)对噪声交易与流动性的关系进行了开创性探索。在做市商制度下，文章将噪声交易引入拍卖模型，推导出流动性数理公式，公式显示：流动性与股票价值波动负相关，与噪声交易程度正相关。不过，Kyle(1985)的假设与现实存在差距：首先，模型缺乏对理性投资者的分析；其次，参与人风险中性的假定过于严格；再者，以拍卖作为股票的主要交易方式是否合理，值得斟酌；最后，“不盈利的做市商”也与中国经济的现实不符。

后续学者对Kyle模型进行了不同角度的扩展。Holden and Subrahmanyam(1992)将单一内幕知情者拓展为多个内幕知情者；Wang(1998)不仅考虑了多个内幕知情者，而且还假设他们的私人信息存在异质性；Mendelson and Tunca(2004)基于此进一步研究了“私人信息和公开信息都只是资产价值一部分”的情况。几篇文章一致认为：噪声交易与资产流动性正相关。当然，这些文献与Kyle(1985)一脉相承，上述问题同样不可避免。

此外，Easley et al.(2002)、Handa et al.(2003)还分别利用似然函数和决策树模型研究发现：噪声交易的占比越低，则资产的买卖价差越大、流动性越弱。然而，上述文章的假设过于严苛：不仅要求做市商“不盈利”，而且还要求其对信息不知情(uninformed)。

De Long et al.(1990)从时代交叠模型出发，推导出投资者愿意持有资产头寸的数理公式。根据公式，噪声交易会引发资产价格波动，给投资者带来持股风险，出于对风险的厌恶，投资者不得不谨慎套利、减少头寸，这使股票流转受阻。不过，文章忽视了内幕交易对金融市场的作用(唐齐鸣、张学功，2006；张新宗，2008)。

Madhavan(1992)同样认同交易者厌恶风险。通过建模，作者发现：噪声不仅增加了投资者的不确定性，而且还增加了做市商的不确定性, 这导致做市商扩大买卖价差，客观上造成流动性下降。当然，文章依旧未能摆脱对做市商的种种假定。

Back et al.(2000)假设资产的价值服从某一特定随机过程。经过推导，作者指出，当私人信息即将被公开时，伴随信息交易的增多(噪声交易减少)，流动性的匮乏程度有所减轻(流动性得到改善)。这意味着，噪声交易与流动性负相关。然而，文章结论仅限于“私人信息即将被公开时”，更具一般性的分析还有待展开。

Vayanos(2001)在上文基础上进一步考虑了存在买(卖)空的情况。作者发现：随着噪声的增加，(具有信息的)大额交易者对于减持更加缺乏耐性，他们迫不及待地下单、成交，于是造成资产价格过度波动，阻碍了资产的流转。可见，噪声削弱了流动性。不过，大宗交易与常规交易分属不同系统，上述结论在常规交易中是否成立还需检验。

Lehmann and Modest(1994)发现，在开盘前一小时及收盘后半小时内，信息(噪声)交易的概率更大(小)，交易的强度更低，股票的价差更大，流动性更弱；相反在其它时段，流动性更好。但是，交易的强度(或者说频繁程度，换手率)并不能很好地反映出流动性的状况，因为它忽视了资产的价格波动(刘海龙等，2003)。

Easley et al.(1996)测算了信息交易概率并通过回归分析指出：信息交易概率对买卖价差有显著的正向影响。由于信息交易概率与噪声负相关，而价差又与流动性成反向变化关系，因此噪声交易对流动性有促进作用。不过，作者的分析方法过于简单：普通的OLS估计，且缺乏任何稳健性或内生性的讨论。

Berkman and Eles warapu(1998)以印度Badla体系为切入点，发现该体系废除后，噪声下降了36%，而深度(流动性的又一测算指标)下降了24%；Greene and Smart(1999)研究了《华尔街日报》“投资推荐栏”中股票的噪声情况，发现报纸刊出后，这些股票的噪声交易明显放大，且买卖价差有所减少、深度有所增加。这暗示，噪声可能提高了股票的流动性。当然，这一结论并未控制其它流动性影响因素，容易导致伪回归。

Lei and Wu(2005)扩展了Easley et al.(2002)的研究，给出新的信息交易概率TPIN，并利用其对因变量(价差)进行回归分析，结果发现前者对后者存在显著的正向作用。但是，文章的实证过程和结论受多重共线性的影响。

Lee et al.(1993)发现，从平均来看，公司在盈余公告的前两天，其股票的价差增加了1.28%~1.44%，而深度减少了3.09%~5.25%，也即，流动性有所下降。但是，这一时期内的噪声交易是否因信息的充斥而减少，尚缺乏直接、有力的证据。

Brown(1999)、Lee et al.(2002)分别使用不同的方法来衡量噪声交易，通过对封闭式基金、股票指数变化情况的研究，作者发现：噪声交易显著提高了基金价格、股票指数的波动程度。不过很遗憾，波动加剧是否进一步对流动性造成了不利影响，文献未有涉及。

Spalding et al.(2006)基于贝叶斯估计提出了测算噪声和价差的新方法。以AMGEN公司为例，作者认为，该公司的噪声规模在样本期间呈下降之势，同时股票的价差也相应走低。这意味着，噪声与流动性存在反向变化关系。当然，个案不具普遍性，说服力不足。

国内学者对“噪声交易-流动性”关系亦有探索。苏冬蔚(2008)基于VAR模型实证发现，噪声交易不仅扩大了价差，同时还提高了换手率，因此认为：噪声交易对我国股市流动性的影响比较复杂，阻碍与促进并存，具有“双刃剑”效果。

综上，对于“噪声交易-流动性”关系，“正、负相关”均不乏支持者，但各自也存在不少问题。理论研究方面，其推导大多基于“风险中性”、“拍卖方式”以及“做市商制度”等，这对中国资本市场的适用性有限；实证研究方面，有的误将换手率当作流动性指标(刘海龙等，2003)，还有的缺乏内生性、共线性等的探讨，可靠性不足。鉴于此，本文充分考虑上述问题，并立足中国实际来探索“噪声交易-流动性”关系，创新和发现在于：

第一，基于中国资本市场的典型特征，改进Kyle模型的假设，重构“噪声交易-流动性”理论关系：1)将两类参与主体扩展为三类：噪声交易者、理性投资者和内幕知情者。2)采用均值-方差效用函数，把风险及其厌恶引入最优化过程。3)去除拍卖假设，代之以自由交易假设，使模型得以包含套利、投机、买空和卖空等，贴近真实。4)用供求均衡替换做市商机制，使模型与中国资本市场的运行特点相符。最终模型认为，噪声交易与流动性负相关，且参与人信息不对称的程度越低、风险容限越大，两者关系越强。

第二，实证结果显示：1)噪声交易与流动性呈负相关关系；2)这一关系基于股价波动而传导；3)这一关系存在显著的月历和市场行情效应。上述结论具有丰富的现实和政策含义。一方面，正是噪声交易者的集体非理性杀跌行为造成“千股跌停”的局面，而骤然提高的持股风险又大大降低了参与者的投资意愿，遂导致流动性急速下降，出现“黑洞”。另一方面，公司削弱噪声以提高流动性的措施更应在“非3~4月”实施；同时，当局对噪声的控制更应在牛市中进行，这与当下证监会的调控思路——“牛控熊松”完全吻合。

第三，文章对“正(负)相关”理论的代表性文献进行了梳理和评析，指出上述文献在理论逻辑和实证检验中存在的不足，为“正、负相关”之争的清晰化、明朗化做出贡献。

考虑一个以股票为主要交易对象的金融市场，市场的参与主体有三类：噪声交易者、理性投资者和内幕知情者，他们根据不同信念进行交易。

首先，有代表性噪声交易者的信念和策略。噪声交易者的信念较为简单：随机买卖股票。以vtn指代噪声交易者n在t时刻交易股票的数量，其策略可定义为vtn~N(0, Σtn)。当vtn>0时，表示n购入数量为vtn的股票；而vtn < 0时，表示其卖出数量为vtn的股票(下同)。

其次，有代表性理性投资者的信念和策略。理性投资者交易股票的数量与当前均衡股价pt-1和对下一期股票价值的预期μt有关。以xt(xt与vtn相互独立)表示t时刻股票的价值，对持有信念xt~N(μtr, Σtr)的理性投资者r来说，其有如下线性投资策略：

其中，vtr是r愿意交易的股票数量；γtr为投资策略参数，由效用最大化过程决定。对任意的t-1时刻，忽略利息和股息，r的投资损益可表达为：

参考Kyle(1985)，不妨假定r对股价变化的感知(perceive)为：

令pt=pts，r对投资收益的期望和方差即为：

其中，ρn、ρr和ρi分别是三类参与主体——噪声交易者、理性投资者和内幕知情者的占比，取值非负且ρn+ρr+ρi≤1；φn、φr和φi为对应交易的股价调整参数，全部大于零。

给定r的效用满足均值-方差函数$ U_{t - 1}^r = E_{t - 1}^r\left({\pi _t^r} \right) - \left({1/2{\omega ^r}} \right){\mathop{\rm var}} _{t - 1}^r(\pi _t^r) $，将(4)和(5)代入其中，经最优化得：

其中，ωr>0为r的风险容限(risk tolerance)。

再次，有代表性内幕知情者的信念和策略。内幕知情者i获悉股票的真实价值xt，类比理性投资者，其投资策略可为vti=γti(xt-pt-1)，收益为πti=γti(xt-pt-1)(pt-pt-1)。仍假定i以pts观察pt，且以xt观察μt，令pt=pts、μt=xt，对i的收益取期望和方差，代入均值-方差效用函数并进行最优化，得到：

其中，ωi>0为内幕知情者i的风险容限。

最后，给出供求均衡下的“噪声交易-流动性”关系。考虑均衡价格p*使交易出清，令ρnvtn+ρrvtr+ρivti=0，求解p*得到：

正如Peress(2010)所指出的，股价受噪声交易的冲击反映了流动性的匮乏程度，根据(8)，流动性的匮乏程度λt可以表达为：

不妨定义流动性$ {\ell _t} = 1/{\lambda _t} $，记$ \Sigma _t^{Tn} = {\left({{\rho ^n}} \right)^2}\Sigma _t^n $，$ \Sigma _t^{Tr} = {\left({{\rho ^i}} \right)^2}\Sigma _t^r $，Mir=φrρr+φiρi，结合公式(6)和(7)，$ {\ell _t} $可表示为：

由此，噪声交易与股票流动性之间的理论关系可概括如下。

理论假说1：噪声交易的程度越大(小)，股票的流动性越差(好)。

数理推证。(10)式对ΣtTn偏导，得出：

由于参数ρr和ρi、ωr和ωi，以及Mir均大于零，所以$ \partial \;{\ell _t}/\partial \;\Sigma _{_t}^{^{Tn}} < 0 $。噪声交易的程度越大，股票的流动性越差；反之则反是。

从上式可知，“噪声交易-流动性”关系受多因素的影响，其中一个方面就是理性投资者对股票价值波动Σtr(ΣtTr)的把握。由于Σtr=E(xt-μtr)2，r所掌握的信息越充分，与i之间信息不对称的程度越轻，则r对股票价值的期望μtr就越趋近于真实价值xt；于是，Σtr将会缩小，ΣtTx也将随之下降，进而可得假说如下。

理论假说2：理性投资者与内幕知情者之间的信息不对称程度越严重(轻微)，“噪声交易-流动性”关系越弱(强)。

数理推证。(11)取绝对值后，再对求ΣtTr偏导，得出：

考虑到参数ρr、ωr、Mir均为正，因此上式小于零。ΣtTr越大，理性投资者与内幕知情者之间的信息不对称程度越严重，“噪声交易-流动性”关系越弱；反之则反是。

除信息不对称之外，风险容限也对“噪声交易-流动性”关系存在影响，假说如下。

理论假说3：理性投资者与内幕知情者的风险容限越大(小)，“噪声交易-流动性”关系越强(弱)。

数理推证。用(11)取绝对值，再对ωr和ωi分别求偏导，得出：

由于参数ρr、ρi和Mir均为正，因此上两式大于零。也即，ωr、ωi越大，理性投资者、内幕知情者的风险容限越高，“噪声交易-流动性”关系越强；反之则反是。

针对上述假说，这里设计相应模型以验证。“理论假说1”的实证模型可设定如下：

这里，StkLi, t, d代表股票i在年度t交易日d的流动性，Noisei, t, d表示噪声交易。Controli, t, d为控制变量，包括成交额、股价、换手率，以及公司规模和盈利能力等。若参数β1显著小于零，则假说成立；否则，不成立。

进一步，噪声交易之所以能影响股票流动性，是因为其扩大了股价波动，对理性投资者和内幕知情者带来持股风险，为验证这一传导机制，联立方程组模型设定如下：

其中，Valotilityi, t, d表示股价的波动程度。若β1′显著小于零且β1″显著大于零，则该传导机制被接受；否则被拒绝。

对于“理论假说2”，直接测算理性投资者与内幕知情者之间的信息不对称程度较为困难。不过，行为金融领域的“月历效应”为此提供了有益思路。在股票正常交易年度的3~4月，上市公司陆续公布上一年度财务报表。在报表公开前夕，已获悉信息的知情者可凭借信息买卖股票，获取超额收益；然而，理性投资者只能通过历史和经验对信息进行推断，再根据推断结果进行交易。因此，相对于其它月(1~2月、5~12月)来说，在3~4月时理性投资者在信息掌握的程度上明显处于不利地位。鉴于此，可将实证模型设定如下：

其中，DM为月历效应哑变量。如果交易日属于3月或4月，则取值为1，反之为零。若参数$ {\dot \beta _1} $显著小于零，且$ {\dot \beta _2} $显著大于零，则假说成立；否则，不成立。

对于“理论假说3”，测算投资者的风险容限同样困难。不过，风险容限与市场行情的相关性却提供了思路。牛市中，大部分股票呈上升态势，即使某些股票出现调整，投资者也会保持乐观，不大可能改变策略。此时，投资者对风险的容忍程度较高。相反在熊市，股价的下滑已成为大趋势，微小的价格波动都有可能被投资者当作进一步下滑的征兆，进而改变策略。此时，投资者对风险的容忍程度较低。由此，“理论假说3”的实证模型可设定为：

其中，DB为市场行情哑变量。如果交易日属于2015年1月~5月的牛市行情，则取值为1；如果交易日属于2015年6月~10月的熊市行情，则取值为0。若参数$ {\hat \beta _1}$和$ {\hat \beta _2} $都显著小于零，则假说成立；否则，不成立。

至于模型的估计方法，本文先对模型进行F检验、LM检验和Hausman检验，再根据检验结果确定混合效应、固定效应或随机效应。

股票流动性(匮乏)的测算方式很多，如成本、数量、时间以及冲击指标等等，这里选择有代表性的三种方法。第一，对Amihud(2002)的流动性匮乏指标作倒数处理，得到流动性指标StkLi, t, da=Volumei, t, d/|Returni, t, d|，其中，Volumei, t, d和Returni, t, d分别为股票i在年度t交易日d的成交额(单位：百万元人民币)和收益率；第二，借鉴Hui and Heubel(1984)，将上式的成交额、收益率替换为换手率、股价变化率，得到StkLi, t, db=Turnoveri, t, d/|δPi, t, d|，这里，Turnoveri, t, d表示该股票在该年度该交易日的换手率，而δPi, t, d是股价Pi, t, d的变化率；第三，参考骆玉鼎、廖士光(2007)，把Amihud指标中的收益率换成振幅，得到StkLi, t, dc=Volumei, t, d/|Ai, t, d|，其中，Ai, t, d为该股票在该年度该交易日振幅(单位：%)。最后，借鉴Hasbrouck(2009)，三个指标均进行了开方运算，仍表示为StkLi, t, da、StkLi, t, db和StkLi, t, dc。指标的数值越大，股票的流动性越好。

苏冬蔚(2008)根据De Long et al.(1990)的思路，提出了噪声交易的测算方法，主要分三个步骤：1)为样本股确定配对组合；2)计算样本股、配对组合的收益率；3)计算样本股的噪声交易序列。本文因循借鉴。

第一，为样本股确定配对组合。对样本股i，可将其同行业的其它非样本股j=1, ..., J作为配对组合备选。对任一配对备选j，可依据样本时段前一个交易日的交易数据计算Dij值：

这里，Pi和Pij分别是样本股i和其配对备选股j的股价，MVi和MVij、BMi和BMij以及DAi和DAij则分别为股票i和j的权益总市值、账面市值比以及资产负债率。函数f(a, b)={(a-b)/[(a+b)/2]}2。对所有的Dij(j=1, ..., J)，标记出数值最小的3个(不妨设为Dij1、Dij2和Dij3)，其对应的股票即为样本股i的配对组合。

第二，计算收益率。任意交易日d，样本股i的收益率为$ {R_{i, t, d}} = \ln \left({P_{i, t, d}^b} \right) - \ln (P_{i, t, d}^e)$，而配对组合的收益率为$ R_{i, t, d}^c = \left({1/\sum MV_{_{i, t, d}}^{^{{j_k}}}} \right)\{ \sum MV_{_{i, t, d}}^{^{{j_k}}}[\ln \left({P_{_{i, t, d}}^{^{{j_k}, b}}} \right) - \ln (P_{_{i, t, d}}^{^{{j_k}, e}})]\} $。其中，Pi, t, db和Pi, t, de($ P_{_{i, t, d}}^{^{{j_k}, b}} $和$ P_{_{i, t, d}}^{^{{j_k}, e}} $)分别为样本股i(配对组合)在该日的开盘价和收盘价。

第三，计算样本股的噪声交易序列。根据苏冬蔚(2008)，可对如下方程进行回归：

将Ri, t, d分解为与基本面相关(${\alpha _i} + {\beta _i}R_{_{i, t, d}}^{^c} + {\gamma _i}R_{_{i, t, d + 1}}^{^c} $)和无关(ui, t, d)的两个部分，而噪声交易序列可表示为$ Noise_{_{i, t, d}}^{^a} = {\left({{u_{i, t, d}}} \right)^2} $。严谨起见，本文尝试将Ri, t, d+1c从(20)中去除，重新回归得到$ Noise_{_{i, t, d}}^{^b} = {\left({u{'_{i, t, d}}} \right)^2} $；再者，还考虑将Ri, t, d-1c添加到(20)中，再一次回归得到$ Noise_{_{i, t, d}}^{^c} = {\left({u'{'_{i, t, d}}} \right)^2} $。

股价波动率一般可用Garch模型来测算，本文因循，采用Garch(1, 1)来进行计算；具体为：$ {R_{i, t, d}} = c + {u_{i, t, d}}, {u_{i, t, d}} = \sqrt {{h_{i, t, d}}} {e_{i, t, d}} $以及$ {h_{i, t, d}} = {\beta _{i, 0}} + {\beta _{i, 1}}{h_{i, t, d - 1}} + {\beta _{i, 2}}u_{_{i, t, d - 1}}^{^2} $。其中，Ri, t, d为股票收益率，ei, t, d~N(0, 1)，hi, t, d为条件方差，βi, 0、βi, 1和βi, 2为待估计参数。

结合国内外相关研究，这里控制了交易和企业层面的因素。前者包括成交额(Volume)、股价(Price)，以及换手率(Turnover)；后者有公司规模(Size)和盈利能力(ROE)。成交额以当日成交金额的对数表示。成交额反映交易的活跃程度，交易越活跃，投资者调整组合所需的时间就越短，头寸所暴露的风险就越低，因此买卖价差缩小，股票流动性增强(靳云汇、杨文，2002)。股票价格用当日收盘价衡量。Stoll(1978)认为价格越小的股票风险越高，这意味着更高的持有成本和更大的报价价差；而靳云汇、杨文(2002)却认为，股价越高，既定资金所提供的股票数量越少，市场深度下降，从而流动性减弱。可见，股价对于流动性的影响具有不确定性。换手率等于当日成交量与流通股总数之比。流通股总量不变，换手率越高说明成交量越大，成交量的上升意味着市场深度增加，而市场深度与股票流动性正相关(Cohen et al., 1981)。公司规模以当期股票总市值的对数表示。通常，规模大的公司相比小公司而言更易受到外部关注，同时也面临更大的监管压力，信息披露的质量往往更高，因此股票流动性也会更好(Kale and Loon, 2011；Gopalan et al., 2012)。盈利能力用净资产收益率反映。Kale and Loon(2011)通过实证发现，企业的盈利能力与股票流动性负相关。对此，一种可能的解释是，盈利能力越高的企业往往投资机会越多，而投资机会越多意味着未来利润的不确定性越大，那么股票流动性会倾向于下降。①

① 作者目前一项关于投资机会的研究已证实了这一点，欢迎有兴趣的读者与作者交流。

本文的研究样本为沪深300指数成分股在2015年的交易数据。这里，对样本进行了如下处理：1)从样本时段内所有被列为沪深300指数成分股的股票中，剔除在样本时段内入选或退出成分股的股票，以确保各子样的时间完整性；2)剔除ST类上市公司，因该类公司的财务状况往往较差，与其它正常公司不具可比性；3)剔除无法获取数据以计算解释或被解释变量的公司；4)剔除包含极端数据的观测值，借鉴国内外研究，极端数据界定为取值在0.1%分位点以下或99.9%分位点以上的数据。所有数据来源于锐思(RESSET)金融研究数据库，分析软件为STATA 12.0。

在实证之前，可先观察各变量的分布情况。描述性统计如表 1所示。

首先，流动性指标StkLa、StkLb和StkLc的均值分别为273.31、1.22和1.53。结合各自定义，每百万交易额能使股价及其振幅分别变化1.34×10-5和0.43，每单位换手率能让股价变化率调整0.67。②其次，噪声Noisea，Noiseb和Noisec的均值分别为2.31×10-2，2.33×10-2和2.32×10-2，取值接近，且低于Volatility的均值3.87×10-2，表明除噪声之外，还有其它因素影响股价波动。再次，沪深300指数成分股的平均价格在22.81元左右，日交易额达到8.37亿元人民币；③换手率为2.67%，大致37.45个交易日所有流通股股东将历经一次轮换。④最后，每只股票的市值约461.88亿人民币，⑤ 300只股票的总市值约占沪深股市总市值的35%左右；净资产收益率为7.43%，明显高于当年沪深股市5.11%的平均水平。

② 根据StkLa和StkLc的定义，每百万成交额对收益率的影响为(273.312)-1≈1.34×10-5，对振幅的影响为(1.532)-1≈0.43；而根据StkLb的定义，每单位换手率对股价变化率的影响为(1.222)-1×≈0.67。

③ 由于成交额进行了对数处理，这里做逆运算得到：EXP(20.55)≈8.37亿。

④ 根据换手率的定义，换手率=1/轮换周期；所以，轮换周期=1/换手率=1/2.67%≈37.45。

⑤ 由于市值进行了对数处理，做逆运算得到：EXP(24.56)≈461.88亿。

基于模型(15)实证噪声交易与股票流动性之间的关系，结果如表 2所示。对于各连续变量(即非0-1变量)，这里均进行了标准化处理。下同。

表 2中，第(1)~(3)栏是以噪声指标Noisea，Noiseb和Noisec为解释变量，以流动性指标StkLa为被解释变量的回归结果。解释变量对被解释变量的影响均为负：-0.271、-0.274和-0.269，且在1%的水平下显著。平均来看，若解释变量提高一个标准差，股票流动性StkLa将从273.31下降至206.613、205.924和207.056，降幅为24.043%、24.655%和24.241%。①同样，该表的第(4)~(6)栏(第(7)~(9)栏)也存在类似结果。Noisea、Noiseb和Noisec对StkLb(StkLc)的影响为-0.300、-0.303和-0.298(-0.140、-0.142和-0.139)，解释变量提高一个标准差，StkLb(StkLc)将从1.22(1.53)下降至0.919、0.917和0.922(1.417、1.415和1.418)，降幅为24.618%、24.840%和24.421%(7.344%、7.454%和7.281%)。

① Noisea、Noiseb和Noisec对StkLa的回归系数分别为-0.271、-0.274和-0.269，且根据描述性统计的结果StkLa的均值和标准差又分别为273.31和245.92；考虑到回归之前文章对各连续变量进行了标准化处理，Noise每增加一个标准差将使得StkLa从原均值水平改变为：273.31+245.92×(-0.271) =206.613(Noisea)，273.31+245.92×(-0.274) =205.924(Noiseb)，273.31+245.92×(-0.269) =207.056(Noisec)。对于StkLb和StkLc同理可得。

可见，噪声交易对股票流动性存在负面影响。进一步地，基于模型(16)检验这一影响的传导机制，结果如表 3所示。

如表 3所示。在第(1)~(3)栏，Volatility对StkLa的影响显著为负，大小(绝对值)为1.404、1.408和1.401；Noise(Noisea、Noiseb和Noisec)对Volatility的影响显著为正，大小(绝对值)为0.207、0.209和0.206。也即，以Volatility为传导中介，Noisea、Noiseb和Noisec最终对StkLa的影响程度分别为-0.290、-0.294和-0.288。这与表 3所示的回归结果大体一致。同样，在(4)~(6)栏((7)~(9)栏)中，以StkLb(StkLc)为被解释变量的回归也有类似结果。Noisea、Noiseb和Noisec对StkLb(StkLc)的影响程度分别为-0.314，-0.318和-0.311(-0.181、-0.182和-0.180)。因此，“理论假说1”得到证实。

噪声交易的程度越大，股票的流动性越差；反之则反是。事实上，出于对风险的厌恶，当噪声交易引发的股价波动对理性投资者和内幕知情者的投资利润造成不确定性时，两类参与人都会降低投资意愿。显然，这阻碍了股票的交易和流转。

特别地，在2015年6月~7月，正是由于噪声交易者集体的非理性杀跌行为，才数次造成了千股跌停的局面；无疑，这骤然提高了理性投资者和内幕知情者的投资风险，大大降低了他们的投资意愿，从而导致资本市场的流动性水平在短时间内迅速下降直至消失，形成所谓的“流动性黑洞”现象。

进一步地，文章基于模型(17)实证信息不对称与“噪声交易-流动性”关系。月历效应如表 4所示。

在(1)~(3)栏以StkLa为因变量的回归结果中，对于“非3月~4月”交易日，Noisea、Noiseb和Noisec对StkLa的影响为-0.254、-0.257和-0.252；但对“3月~4月”的交易日，这一影响有所回调，力度分别为0.010、0.101和0.101。同样，在(4)~(6)栏((7)~(9)栏)以StkLb(StkLc)为因变量的回归结果中，对于“非3月~4月”交易日，Noise对StkLb(StkLc)的影响为-0.283、-0.285和-0.280(-0.132、-0.134和-0.131)；不过对“3月~4月”交易日，该影响力度分别回调0.102、0.104和0.103(0.046、0.049和0.049)。由此，“理论假说2”经检验成立。

“噪声交易-流动性”关系呈现出显著的月历效应，在3 ~4月的交易日，这一关系有所减弱，而在其它交易日则有所加强。这与本文的理论预测一致：3~4月，理性投资者与内幕知情者之间的信息不对称程度较为严重，理性投资者对股票价值把握不足，面临的不确定性较大。所以即使噪声交易的程度有所下降，理性投资者也不敢贸然投资，以防落入内幕知情者的圈套。如此，理性投资者的投资意愿受限，股票流动性自然也不会得到明显改善，“噪声交易-流动性”关系被弱化；反之，在其它交易日，这一关系将被强化。

据此结论，上市公司更应注意对“非3月~4月”等交易日的使用，在这些交易日适时地披露公司相关信息，或者公布股利分配计划，这样才能通过够有效地控制噪声，并最大幅度地提高股票流动性。

最后，利用模型(18)实证风险容限与“噪声交易-流动性”关系。市场行情效应的回归结果如表 5所示。

在表 5的第(1)~(3)栏中，对于2015年6月~10月的熊市行情，Noisea、Noiseb和Noisec对StkLa的影响为-0.211、-0.213和-0.210；但对于同年1月~5月的牛市行情，该影响明显加大(反向加大)，力度为-0.135、-0.137和-0.134。同样，在第(4)~(6)栏和(7)~(9)栏中，对于熊市行情，Noisea、Noiseb、Noisec对StkLb和StkLc的影响为：-0.238、-0.239、-0.236和-0.116、-0.118、-0.114；不过对牛市行情，这一影响则有所增强(反向增强)，力度为-0.137、-0.139、-0.135和-0.053、-0.054、-0.054。因此，“理论假说3”完全成立。

“噪声交易-流动性”关系因市场行情的不同而存在差异：在牛市行情中表现得更强，在熊市中表现更弱。这意味着：对风险的容忍程度越高，投资者在投资活动中就越发表现得积极和大胆。于此情况下，一个既定的噪声负增量，有可能引发理性投资者和内幕知情者进行更大规模的套利，这缩短了噪声的持续时间、限制了噪声的冲击幅度，使得股票流动性可以在更大程度上得到改善。考虑到在牛市中理性投资者和内幕知情者具有更高的风险容限，所以此时“噪声交易-流动性”关系更强；而熊市行情中，上述关系则更弱。

这启示，相对熊市行情，监管当局更应注意在牛市行情中对股市(尤其是噪声交易)进行调控：培育理性投资者，帮助其树立良好的投资理念；同时，规范机构投资者的交易行为，提升其业务能力，发挥其价值投资的引领作用。特别地，当股指急速上升时，应及时对广大散户股民进行积极引导，这样才能避免因噪声急速增长使股票流动性掉头下滑。

本文使用了四种稳健性分析方法。第一，因变量的稳健性。文章使用的因变量(StkLa、StkLb和StkLc)在进行回归分析之前均作了开方运算。这里，尝试将其还原为原数值再进行回归分析。第二，自变量的稳健性。自变量Noisea、Noiseb和Noisec的测算借鉴了苏冬蔚(2008)的思路，而事实上，在上述变量的计算过程中，还可以在回归方程中添加Indext, dSH和Indext, dSZ，于是可到噪声交易Noisei, t, dd、Noisei, t, de和Noisei, t, df。其中，Indext, dSH和Indext, dSZ分别为上证指数和深圳成分指数的变化率。第三，实证模型的稳健性。文章的实证模型均为水平值模型，出于严谨，文章还考虑了差分模型。第四，估计方法的稳健性。本文模型的估计方法均为面板估计方法，包括混合效应、固定效应和随机效应等；作为稳健性分析，还使用了OLS估计方法。结果均显示：噪声交易对股票流动性有阻碍作用；并且，自变量及控制变量的回归系数(大小、显著性)也与上文基本一致。①

① 限于篇幅，这里省略了稳健性检验的具体结果，有兴趣的读者可向作者索要。

经典的囚徒博弈指出，个体的理性行为(坦白，坦白)达到了均衡，但均衡下的个体收益却存在帕累托改进；相反，非理性行为(合作，合作)并非均衡，但非均衡改善了个体收益，实现了帕累托效率。然而与此相悖，金融市场最典型的非理性行为——噪声交易，并未提高资产流动性、改善市场配置效率。本文从理论和经验两个层次证实了这一点。

首先，文章从参与主体、决策函数、交易方式和价格机制等方面改进了Kyle模型，推导出噪声交易与股票流动性的理论关系，探讨了信息不对称、风险容限对“噪声交易-流动性”关系的影响。随后，来自中国沪深300指数成分股的数据证实了噪声交易对股票流动性的负向作用：噪声交易增大了股价的波动范围，提高了投资者的持股风险，进而削弱了股票流动性。这很好地解释了2015年6月~7月出现的“千股跌停”局面及“流动性黑洞”现象。再者，根据本文理论，实证发现“噪声交易-流动性”关系存在显著的月历效应：相对于其它交易日，3~4月的“噪声交易-流动性”关系显得更弱。因此，上市公司应充分注意对“非3~4月”等交易日的利用，适时出台相关措施以削弱噪声、提高股票流动性。最后，“噪声交易-流动性”关系还存在显著的市场行情效应：相对于熊市行情，牛市行情中的“噪声交易-流动性”关系则显得更强。这启示，相比于熊市行情，当局更应在牛市行情下对噪声交易进行有效控制，而这事实上，这也正是当下证监会调控股市的主导思路——“牛控熊松”。

论文对“正(负)相关”理论进行了梳理和评析，为“正负之争”的清晰化、明朗化作出贡献。此外，论文对结论进行了稳健性检验，特别是在检验中提出的新的噪声交易测算方法，也不失为对现有研究的有益补充。