Charles M. Jones, Gautam Kaul, Marc L. Lipson

Journal of Financial Economics 36(1994)

摘要

通过比较交易和非交易期间股票收益波动行为，我们检验了交易和信息流对短期股票价格的影响。本文将非交易时期定义为交易所和公司股票交易正常开放，但投资者自己选择不交易的时期，在修正报价反弹和粘性后，我们刚发现大部分日内股票波动发生在没有交易的情况下，特别是大公司，这种现象非常突出。此外，我们提供了一个新的证据：公开信息是短期收益波动的主要来源。

研究问题

　交易以及公开或私人信息如何影响短期股票收益的波动？

研究逻辑

由于交易与非交易时期在两个关键方面是可比的，一方面，一旦非交易时期不可预测，交易者的信息收集和交易活动就不会依赖他们的交易能力；另一方面，一旦公司正常运行，释放公开信息的活动是不改变的。这样我们可以直接度量交易和股票收益波动之间的关系。由于不存在代理人获得信息的困惑，收益的波动可能反应了信息的出现，所以我们重点会强调信息流与波动的关系。

首先，通过比较交易和非交易时期股票收益的方差，研究了交易和波动的关系，计算了交易（周一收盘到周五收盘收益的波动）和非交易（周五收盘到下周一收盘收益的波动）日的方差比率，并使用买卖价差和价格粘性修正了方差比率。发现大公司非交易与交易时期的方差比率比小公司高出50%。

其次，使用交易和非交易分类评价了决定短期波动的公开或私有信息的重要性。假设当交易所和公司都正常营业，公开信息以固定比率出现，并融入资产价格中，而私有信息的出现是随机的，交易需要这些信息来影响股价。在这种情况下，非交易与交易的方差比率有明确的经济含义：他们反映了决定收益波动公开信息的重要性。

最后，假设私有信息占总信息流的一小部分，公开信息主导了投资者交易。具体来讲，每天有数以万计的企业和宏观层面的信息公开宣布，有大量的证据支持投资者交易与这些信息的公布相关。在这种情况下，非交易与交易方差比率有不同的解释：他们反映了非交易日和交易日内公开信息的流动。

到底哪一种假设说法是正确的呢？验证他们有利于理解信息与波动的关系。

研究结论

（1）公开信息显著地决定了股票收益的波动，而且私有信息在其中也扮演了主要角色。

（2）为了区分两种假设，本文在非交易定义下检验了市场微观结构特征，研究发现逆向选择成分占报价价差的一小部分。我们进一步比较了交易日与非交易日证券的买卖价差，如果私有信息在在波动决定中扮演主要角色，非交易日的买卖价差应该比交易日小，否则，说明公有信息在波动决定性扮演主要角色。研究发现公开信息在波动决定中扮演者主要角色，而且私有信息只占总体信息的一小部分。

 Jeff Fleming,  Chris Kirby,  Barbara Ostdiek
 
 Journal of Financial Econimics 49(1988)

摘要

本文建立了简单的投机交易模型，研究了股票市场、债券市场和货币市场之间波动联系的本质，该模型用市场共同信息预测了市场之间的强波动联系，同时，共同信息影响了各市场预期，通过市场的羊群效应引起了信息溢出。为了度量市场波动之间的联系，我们使用了GMM估计了四个交易模型的随机波动的代理变量，结果表明：我们的设定解释了许多可观测的数据特征，三个市场确实存在较强的波动联系，而且波动联系在1987年股票市场崩盘后变得更强。

研究问题

当期望股票市场波动增加时，组合管理者常常会从股票投资转移到债券投资上，因此，不同市场之间的波动联系对投资和风险管理决定来说越来越重要，是什么决定了股票、债券和货币市场的波动？

研究逻辑

如果股票、债券和货币市场的波动是相关的，债券不可能为投资者提供一个安全的避风港，当交易者在不同市场分配仓位时，其暴露的净波动取决于市场波动的相关性。投资者如果考虑了交易市场波动的相关性，可以有效地进行风险管理。

各市场之间的波动联系以波动与信息流的相关想为基础(Ross,1989),为了检验不同市场间的波动联系，做了如下工作：

1.建立了投机交易模型，刻画了不同市场间的波动联系，做出了信息如何作用不同市场的联系。在这个模型中，这种联系有两个不同的来源，一是信息同时影响多个市场的期望收益，二是市场间的集群效应引起信息溢出。信息事件影响了投资者的预期，直接影响的投资者对该资产的需求。信息事件对单个资产的影响通过溢出效应传递到其他市场，改变了其他市场的预期，从而使得不同市场的波动具有相关性。

2.建立了一个随机波动模型，探索了波动与信息流入的关系，通过GMM对模型施加约束，估计了不同市场信息流的相关性。

投机交易模型

假设经济中包含大量的主动投机者，这些投机者持有多头或空头头寸，交易对手超过一个，这些交易者对未来市场的预期不同，并且每天市场都处于均衡状态。当新信息出现后，投资者会修正他们对未来的预期，交易成本为零时，信息事件一直产生交易直到市场价格达到新的均衡，每天的交易数量取决于当天的信息含量。

让\(F_{t,T}^s\)代表t时刻到期日为T的股票期货合约的价格，\(S_{T}^s\)为T时刻股票现货的实现价格，投资者t时刻持有多头期货头寸，期望获得利润为:

\[E[\pi_{t,T}^s] \equiv E[S_T^s]-F_{t,T}^s\]

假设在收益方差受约束下，投资者最大化收益，应用均值方差有效理论，可以得到每个交易者的需求函数如下：

\[ Q_s=\frac{E[\pi_{t,T}^s]}{2\alpha \sigma_s^2} (1)\] 其中，\(Q_s\)股票期货合约的需求数量，\(\alpha\)是投资者的风险厌恶系数，\(\sigma_s^2\)是投资收益\(\pi_{t,T}^s\)的方差。

在方程1中，投资者对合同的需求数量取决于三个参数：

（1）期货合同的期望收益

（2）投资者的风险厌恶水平

（3）期货合同的收益波动

当期望收益\(E[\pi_{t,T}^s] >0\)时，投资者持有多头头寸，当期望收益\(E[\pi_{t,T}^s] <0\)时,投资者持有空头头寸，其头寸的多少更期望收益的大小成正相关，跟风险厌恶程度和方差负相关。

进一步一般化这个模型，假设不同市场收益具有相关性，需求函数具有跨市场依赖性，让\(\beta_b\)代表股票期货和债券期货收益的回归系数，\(\sigma^2_{s|b}\)代表回归误差的方差，类似地我们定义\(\beta_s\)和\(\sigma^2_{b|s}\)分别为债券期货跟股票期货收益的回归系数和误差的方差。通过均值—方差最优决策，我们的到不同市场的需求函数如下：

\[Q_s=\frac{E[\pi_{t,T}^s]}{2\alpha \sigma_{s|b}^2}-\beta_b\frac{E[\pi_{t,T}^b]}{2\alpha \sigma_{s|b}^2}\]

\[Q_b=\frac{E[\pi_{t,T}^b]}{2\alpha \sigma_{b|s}^2}-\beta_s\frac{E[\pi_{t,T}^s]}{2\alpha \sigma_{b|s}^2}\]

表明交易者对股票期货的需求与其期望收益成正比，与风险厌恶和波动成反比。当股票收益和债券收益相关时，可以对冲风险。交易者对股票期货的需求随可利用的债券合同增加。

两个需求函数揭示了信息是如何建立了市场之间的联系，一方面信息同时影响不同市场的期望收益，产生交易量和波动，另一方面，信息通过集群效应改变了市场的预期和波动。

研究结论

本文研究了创造波动的信息在不同市场中的作用，建立了简单的交易投机模型，一方面共同信息影响了投资者对于不同市场的预期，另一方面，由于市场集群效应的存在改变了市场期望。

Jacob Boudoukh, Ronen Feldman, Shimon Kogan, Matthew Richardson

The Review of Financial Studies,2019,32(3)

摘要

什么推动了股票价格？以前的文献认为交易相关的私有信息是初级的推动者，我们通过文本分析来识别基本面信息，重新审视这个问题。我们发现，在多种消息类型的摩擦下，私有信息占隔夜特质波动的49.6%（vs 交易期间的占比为12.4%），我们使用公开信息出现的度量重新研究了以前文献中关于股票收益与总因子回归的\(R^2\)。

研究问题

不同类型的信息如何影响股票收益的波动？股票收益的波动到底是公开信息、私有信息，还是投资者定价误差引起？

文献观点

1.由于信息逐渐通过交易反应到资产价格中，因此，私有信息在交易时间内可能影响收益波动，理性交易的私有信息是收益波动的主要驱动者（French and Roll,1986）。

2.一小部分股价波动可以被相关的公开信息解释，股价动量是大量为考虑的公开信息的反应（Hirshleifer,2001）

研究逻辑

本文认为公司层面的公开信息是股票收益波动的一个非常重要成分，我们使用文本分析从新闻中识别出具体公司事件相关的公开信息，然后重新检验现存关于交易或非交易日的相关研究结论。

许多文献都将新闻文章作为公开信息的代理变量，由于企业可能发布许多与基本面无关的消息，使得 这种代理的信息效率较低。而研究者关注的是通过新闻消息可以辨别出那些与上市公司相关，那些无关，处理巨量的新闻消息是一项繁重的任务，幸运地是文本分析可以帮助我们来更好地识别相关新闻。本文用两种方法来识别新闻中的消息事件：

1.可利用的商业信息提取平台（VIP）

2.机器学习方法

使用这两种方法，我们可以把每一篇文章的日期与股票代码进行匹配，形成一个相同价值相关的信息和未被识别的信息事件序列，然后，围绕具体信息事件检验交易日和非交易日收益波动。消息被识别日期股票收益的波动时其他日期波动的2倍。

结论

文本分析的创新可以让我们更好地识别新闻相关性及其内容。使用监督学习的方法识别了公司层面事件，把事件相关的股票收益方差识别出来。文章中使用的方法对于深度分析股价和信息相关性非常有用。

Does more information in stock price lead to greater or smaller idiosyncratic return volatility?

 Dong Wook Lee; Marke H. Liu
 
 Journal of Banking and Finance