信息不对称对股指期现货市场流动性不稳定的预警研究

李延军 贺佳宁

摘   要：本文构建TVAR模型并将知情交易概率作为门限变量，研究得出知情交易概率存在双门限值，据此将信息不对称划分为三个区制，发现在低区制流动性溢出效应不显著，在中间区制流动性溢出效应开始变得显著，在高区制流动性溢出效应明显增强。此外，在不同信息不对称区制下，随着区制转换，知情交易概率對现货市场流动性的影响由正向变为负向，对期货市场流动性的影响由负向变为正向。区制分析表明，知情交易概率门限值可以作为市场流动性匮乏、流动性关联异化和市场不稳定的预警指标，通过建立知情交易概率分级预警制度，监管者可以尽早监测到市场的异常变化，尽早防范和化解风险。

关键词：流动性溢出;知情交易概率;TVAR模型;预警

中图分类号：F830.91  文献标识码：A  文章编号：1674-2265（2020）10-0065-10

DOI：10.19647/j.cnki.37-1462/f.2020.10.011

一、引言

股指期货于20世纪80年代诞生于美国，随后全球主要发达国家和地区纷纷推出股指期货。历经长期筹备，我国股指期货于2010年4月16日在中金所正式推出。股指期货自诞生以来就伴随着质疑。1987年股灾之后，美国发布《布雷迪报告》将股灾原因归咎于组合保险和指数套利，然而事后学者分析指出这个结论并不准确，因为组合保险和指数套利的交易额占比相对较小，报告对期货维持市场稳定的机制认识不清。在中国2015年股灾中，从 6月15日开始，不到一个月的时间内，沪深300指数从5221点狂泻到3663点，后续一路下跌到3025点，有些投资者将此次股灾归结于股指期货市场的恶意做空，随后中金所出台了限制股指期货交易的严格措施，两市场一度处于深度贴水的状态，股指期货价量齐跌，流动性匮乏，市场功能的发挥受到了影响。事实上，2015年股灾并不能完全归因于股指期货，投资者羊群行为导致的股市泡沫和流动性踩踏是股市下跌的重要原因。中美股灾中均出现了股指期现货市场的风险传染。本质上，股票现货和股指期货一方为基础金融产品，另一方为衍生金融产品，两个市场的风险紧密关联，且它们之间的内在联系是股指期货发挥市场功能的基础，因此股指期现货跨市场交易是需要重点监管的领域。

2020年7月11日国务院金融稳定发展委员会（简称金融委）第三十六次会议对资本市场长期稳定健康发展提出了更高的要求，除了金融委，中国证监会对股指期现货市场实行集中统一的监督管理，沪深证券交易所和中金所分别对股票现货和股指期货的交易数据和信息进行监测。鉴于交易数据跨市场，股指期现货跨市场监管制度的建立十分有必要，而且跨市场流动性和流动性风险监督管理制度对发挥市场功能和稳定金融市场具有重要意义。随着金融市场的发展，有效的跨市场流动性监管不仅需要对流动性异常状况进行管理和处罚，还需要在风险事件发生之前预警。本文从市场微观结构角度出发，以知情交易概率作为市场信息不对称的代理指标，研究不同信息不对称区制下，沪深300股指期现货流动性溢出的动态性以及知情交易概率对沪深300股指期现货流动性的非线性影响。本文提出以知情交易概率作为预警指标，以知情交易概率门限值作为预警阈值，一方面可以直接对投资者的行为进行监测，另一方面也能对由信息不对称引发的其他市场质量指标的变化进行预警。

二、文献回顾与理论假设

（一）文献回顾

流动性是证券市场上迅速、低成本地执行大量交易而不会造成价格大幅波动的能力。学者总结了宽度、深度、弹性和及时性四个维度的流动性测度方法，各个维度下测度流动性的指标比较丰富。比较而言，应用较为广泛的是Amihud（2002）[1]提出的非流动性指标，与其他流动性指标相比，其从“价格”和“交易量”两个尺度测度股市流动性（Goyenko等，2009;Fong等，2017）[2，3]。股指期货与现货在交易制度和交易方式上有一定差异，姚登宝（2019）[4]借鉴赵伟雄等（2010）[5]的期铜市场流动性指标，在Amihud（2002）[1]非流动性指标基础上使用价格、成交量和持仓量构建股指期货非流动性指标。随着高频交易的发展，对流动性的测度从年度、月度发展到更高频的日度和日内测度，使用日内高频数据测度能够提供更多市场信息，如Qiao等（2019）[6]采用5分钟高频交易数据估计沪深300股指期现货的流动性。

股指期现货之间的联动关系是目前国内外学术和实践中讨论的热点问题，与其相关的研究主要集中于以下三个方面：第一，研究股指期货推出对股票现货市场的影响。罗洎和王莹（2011）[7]以及郦金梁等（2012）[8]研究表明股指期货推出后降低了现货波动率，提高了现货市场流动性;周亮（2019）[9]则认为股指期货推出降低的是现货市场的长期波动。第二，研究股指期现货的价格发现和引导关系。当市场达到强式有效时，信息能同时到达期货市场和现货市场，由于股票市场尚未达到强式有效，因此学者一般认为期货市场在价格发现中发挥重要作用，并且对不同期限和政策下期货对现货价格的引导作用进行了更加细微的分析（宋科艳，2016;许荣和刘成立，2019）[10，11]。第三，研究股指期现货市场的波动溢出效应，波动溢出是两市场跨市场影响的重要表现，赵慧敏等（2018）[12]和朱莉（2019）[13]研究了不同市场态势和期限下的波动溢出效应。

现有文献对股指期现货联动关系的研究大多集中于上述三方面，是对两市场功能的研究，而股指期现货市场流动性作为两市场发挥功能的基础性因素，研究两市场流动性之间关系也具有重要意义。姚登宝等（2019）[4]使用月度数据和频谱分析法研究沪深300股指期现货流动性的周期性和交互敏感性。本文研究的着眼点在于信息不对称对两市场流动性和流动性溢出的影响，使用日内高频数据构建日度指标，并通过TVAR模型的模型特征和门限值在更短时间内对单一市场流动性和两市场流动性溢出的异常状况进行预测或者预警。其中门限的含义是当门限变量处于由门限阈值确定的不同区制时，适用不同的方程，通过区制分析，可以研究非线性和动态的影响（张玉鹏和王茜，2016;刘玲等，2020;刘金全和艾昕，2020;陈忠阳和许悦，2016）[14-17]。关于TVAR模型在证券市场微观结构研究方面的应用，Kulshrestha（2019）[18]以市场波动作为门限值，研究市场不确定性对股票市场规模指数波动率与流动性关系的影响;Wang等（2020）[19]分别以时间和市场波动作为门限变量，研究上证指数量价关系的结构性变化和非对称效应。

（二）理论假设

根据市场微观结构和行为金融理论，信息会影响投资者的交易决策，而投资者的交易行为最终会以流动性的形式表现出来，因此研究市场信息不对称对市场流动性的影响能更好地认识金融市场的运行。在市场微观结构理论中，投资者行为分为知情交易者行为和非知情交易者行為，知情交易行为的发生应至少包含两类条件：其一是市场并非完全有效，否则资产的价格已经完全包含了信息，掌握信息的投资者也无法获得超额收益;其二是投资者对信息的解读是异质的，即影响证券市场的信息是错综复杂的，或许信息还存在一定不确定性，投资者即使基于相同的信息，做出的行为也不同。

知情交易概率（PIN）的计算由Easley等（1996）[20]在序贯交易模型的基础上提出，但是PIN模型存在对假设参数进行估计时使用极大似然法估计的滞后性缺陷。Easley等（2012）[21]在PIN模型的基础上，提出基于等交易量（Volume Bucket）测算的知情交易概率（VPIN），这种非参数估计方法能够直接计算知情交易概率值，受到业内广泛认可。知情交易概率模型中的信息被定义为与资产未来价值有关的信息，信息对证券市场的影响最终通过投资者基于掌握的信息和对信息的判断进行决策来完成，因此知情交易概率对信息不对称的测算并非直接分析市场上信息的数量，而是通过对投资者的交易行为进行测算。

知情交易概率的值不同，表示市场信息风险和信息不对称程度不同，当知情交易概率值较大时，代表知情交易占比大，信息不对称程度较高。由于中国投资者理性预期更加缺乏，羊群效应更加显著，所以知情交易概率值高时投资者的行为与知情交易概率值低时投资者的行为可能存在差异，而投资者行为会直接影响流动性，从而导致知情交易概率对市场流动性的影响存在门限效应。市场知情交易概率是通过期货市场高频交易数据计算得出的，其对现货市场流动性的影响基于期现货市场间的高度关联性，如投资者捕获现货市场信息后用于期货交易。高扬（2014）[22]构建VAR模型对沪深300股指期现货市场微观结构指标之间的关系进行检验，其中包括两市场流动性之间的关系，线性和非线性Granger因果关系检验表明两市场流动性均存在双向Granger因果关系，即存在双向溢出。而由于不同的信息不对称程度下，市场流动性状况不同，因此我们推测流动性溢出效应也不同。据此本文提出以下假设：

假设一：知情交易概率对市场流动性的影响存在门限效应。

假设二：沪深300股指期现货存在双向流动性溢出，随着信息不对称程度加深，流动性溢出效应增强。

接下来，需要进一步回答，市场知情交易概率对未来市场流动性的影响方向。在知情交易理论模型中，知情交易者根据其掌握的好消息和坏消息与非知情交易者进行交易，知情交易者与非知情交易者之间存在的信息不对称导致非知情交易者成为流动性的提供者，知情交易者根据拥有的信息获利，非知情交易者则因此承担损失。由于逆向选择，非知情交易者会暂时退出市场，知情交易者的存在导致市场流动性供需不平衡，进而引发流动性崩溃，此时知情交易者与非知情交易者都很难获利，因此知情交易概率对市场流动性存在负向影响，周强龙等（2015）[23]在高频环境下研究得出同样的结论。基于以上理论和实证研究，本文做出以下假设：

假设三：知情交易概率对股指期现货市场流动性有预测作用，对股指期现货市场流动性均有负向影响，而且随着信息不对称程度的加深，信息不对称对流动性的负向影响增强。

根据上述三个假设，市场知情交易概率对两市场流动性存在负向影响，市场知情概率升高将会恶化市场的流动性水平，并且在高信息不对称区制下，两市场流动性溢出效应增强，因此以知情交易概率门限值划分的高信息不对称区制内可能存在流动性匮乏、高市场不确定性和高流动性溢出，可以进一步考虑知情交易概率门限值的预警作用。Easley等（2012）[21]研究表明E-mini S&P500股指期货市场构建的VPIN能够对美股闪电崩盘发挥很好的预警功能;国内学者刘文文和张合金（2013）[24]、周强龙等（2015）[23]和陈国进等（2019）[25]研究表明VPIN对股指期现货市场的影响和极端走势的预警作用显著，因此本文提出以下假设：

假设四：知情交易概率的门限值能对市场流动性匮乏和市场不稳定的状况进行预警。

在文献回顾中，本文对流动性测度方法、股指期现货联动关系和门限模型的应用进行了综述，发现学者多研究两市场波动之间的关系，两市场流动性之间的关系尚没有定论。本文借鉴学者对市场流动性的测度方法和TVAR模型以门限变量划分区制的方法，并对信息不对称与流动性、流动性溢出之间的关系做了理论假设和实证分析。相比已有研究，潜在贡献如下：第一，使用信息不对称的代理指标知情交易概率作为门限变量，将信息不对称程度分为不同的区制，以避免传统区间效应检验中主观设定门限值的弊端，通过统计方法来估计门限值，是已有文献使用波动率或宏观经济变量作为门限变量的补充。第二，通过对模型的门限值和区制进行分析，表明在信息不对称程度更高的区制下，沪深300股指期现货存在流动性溢出，结合高区制所覆盖的时间范围，得出使用知情交易概率门限值作为市场不稳定的预警阈值的结论。

三、模型、变量与数据

（一）TVAR模型

多区制VAR模型主要包括马尔科夫转换向量自回归模型（MSVAR）、平滑转移向量自回归模型（STVAR）以及门限向量自回归模型（TVAR），多区制VAR模型在研究时间序列的非对称性和动态特征上具有很大优势。其中，TVAR模型的门限变量既可以是外生变量，也可以是内生变量，门限值可以设置为一个或多个，每一个区制都可以通过门限变量的门限值来确定边界，能够明确区制转换过程。因此，本文使用TVAR模型进行研究，不仅关注不同区制下模型系数矩阵的变化和系数显著性变化，还关注门限变量的门限值本身。

（三）变量描述性统计

TVAR模型要求变量均平稳，表1的Panel A描述性统计中，ADF检验结果表明所有变量都是平稳的，J-B统计量结果表明所有变量均拒绝了正态分布的假设。沪深300股指期现货流动性均呈左偏和高峰的态势。知情交易概率的最小值为0.022，最大值为0.322，表明不同时间市场投资者信息不对称程度差异较大。沪深300指数波动呈右偏和高峰的态势。从表1的Panel B可以看出，VPIN与FL和SL的相关性均不高，此结论可以用于后续模型分析。

根据图1（a）沪深300指数的流动性走势，在2015年7月—2016年6月以及2018年，沪深300指数流动性匮乏且存在波动聚集特征，这两个时间段分别为中国股市的全面熊市和结构性熊市期间。从图1（b）股指期货流动性走势来看，2015年9月沪深300股指期货流动性骤然降低，原因在于中金所于2015年9月2日实施了严格的股指期货限制交易措施，股指期货交易量萎缩了90%，流动性“跳水”;直到2016年4月，股指期货流动性才较为稳定，但是流动性水平仍低于限制交易措施实施前;此后，中金所于2017年2月、2017年9月以及2018年12月对限制交易措施进行了“松绑”，每次“松绑”都伴随着股指期货市场流动性的提升;2018年结构性熊市期间，期货市场流动性波动明显小于现货市场，2019年沪深300股指期货流动性更加稳定，表明市场状态相对稳定。

四、实证分析

（一）不同信息不对称区制的流动性溢出效应

本文构建[SLt，FLt，thvt-1Tt=1]系统研究不同信息不对称下沪深300股指期现货流动性溢出效应，其中[thvt-1]表示外生门限变量。本文选择知情交易概率作为外生门限变量，先进行LR检验，判断门限非线性特征是否成立以及门限值个数，然后构建TVAR模型研究知情交易概率门限值划分的不同区制下沪深300股指期现货流动性溢出效应。

1. 门限值估计结果。以知情交易概率作为门限变量估计发现，沪深300股指期现货流动性之间的关系发生了非线性变动，且1个门限值和2个门限值都通过了LR检验（见表2）。本文选择2个门限值，将全样本分为三个区制。

2.区制分析。图2为知情交易概率作为门限变量的区制转换图①，表2中的双门限值从小到大分别在图2中标记为thv-VPIN1和thv-VPIN2，将信息不对称程度划分为低、中、高三个区制，分别为区制（1）、区制（2）和区制（3），为了能直观展示区制所覆盖的时间和市场态势之间的关系，本文也在图2中增加了沪深300指数波动率走势（RVS）。在区制转换中主要关注两方面：一方面是知情交易概率日度动态值和知情交易概率门限值，当知情交易概率值升高时，表示市场信息不对称程度升高，当知情交易概率值极端高时，市场投资者行为异常，极有可能引发市场流动性匮乏和异常波动;另一方面是知情交易概率门限值划分的区制对应的时期、市场稳定性和市场流动性状况。区制（3）信息不对称程度最高，覆盖的时间范围为2014年12月—2016年7月、2018年1月—2018年12月以及2020年1月—2020年2月（使用矩形方框进行了标识），包含了2015年股市危机之前的股市暴涨、2015年受杠杆因素影响的股市危机、2018年受中美贸易战影响的结构性熊市以及2020年初受新冠肺炎疫情影响的股市大跌。相应地，这些区间内沪深300指数波动率（RVS）较高，表明通过TVAR模型确定的知情交易概率门限值能将市场不稳定的时间识别出来。区制（2）的时间范围与区制（3）相差不大，区制（1）覆盖了2014年7月—2014年11月、2016年8月—2017年12月以及2019年，这些区间内股市较为平稳，RVS相对较低。

3. 不同信息不对称区制下的流动性溢出实证结果。表3为知情交易概率门限值划分的不同信息不对称区制下，沪深300股指期现货流动性溢出的回归结果。在区制（1），SL方程中仅有SL的滞后解释变量显著，FL方程中同样只有FL的滞后解释变量显著，这表明在经济意义上，当市场信息不对称程度较低时，沪深300股指期现货流动性不存在溢出效應。区制（2）SL方程中FL（-2）在10%的显著性水平下显著，FL方程中SL滞后解释变量不显著，表明存在期货流动性向现货流动性的微弱负向溢出效应。在区制（3），SL方程中FL（-1）在5%的显著性水平下显著，FL方程中SL（-1）在1%的显著性水平显著，由此可以推断在知情交易概率较高时，即市场投资者信息不对称程度高时，沪深300股指期现货流动性存在双向的正向溢出效应，这一结果表明在高信息不对称区制下，一个市场流动性匮乏会引发两市场流动性风险的传染。基于此结论，监管者既要监测单个市场的流动性状况，也要监测跨市场流动性风险的传染。此外，发生风险传染时，监管者针对一个市场制定的政策对另外一个市场也会产生影响。根据区制（3）下沪深300股指期现货市场流动性存在双向溢出的结论，结合区制分析中高信息不对称区制对应的时间和市场波动状况，推断出沪深300股指期现货流动性溢出发生在市场波动大、不稳定时期，也证明了假设二和假设四是正确的。

（二）检验知情交易概率对流动性的影响

为检验知情交易概率对沪深300股指期现货流动性的影响，建立[SLt，VPINtTt=1]和[FLt，VPINtTt=1]两个VAR系统，并均以内生变量[VPINt-1]作为门限变量。在VPIN显著的区制内，流动性包含滞后的VPIN信息，或者说滞后的VPIN能够对SL和FL 进行预测。在不同区制下，知情交易概率与流动性之间的关系发生变化，表明作为区制边界的门限值具有重要作用。在两个系统中，主要分析SL方程、FL方程中知情交易概率对流动性的影响。

1.门限值估计结果。表4为两个TVAR系统的非线性检验结果，结果表明两个系统中1个门限值和2个门限值均通过了LR检验，因此均选择2个门限值，将全样本划分为3个区制。

2.知情交易概率对沪深300指数流动性的非线性影响。表5为知情交易概率对沪深300指数流动性影响的回归结果。在3个区制下，SL方程中均包含了VPIN滞后解释变量的显著项。在区制（1）和区制（2）下，显著项均为VPIN（-6），滞后阶数表明在这两个区制内知情交易概率对沪深300指数流动性的影响是周度的，这是因为知情交易概率以股指期货市场交易数据构建，而投资者在期货市场的交易又以现货市场未来资产价格相关信息为基础，因此由期货市场构建的信息不对称指标对周度未来现货市场流动性有影响。在低信息不对称的区制（1）中的影响为正向，因为此时信息透明度较高，知情交易者对信息持有异质信念，不会过度消耗市场流动性。在区制（2）影响为负向，在高信息不对称的区制（3），显著项为VPIN（-3）和VPIN（-5），综合两个解释变量的系数值来看影响为负向，与区制（2）的VPIN（-6）负向影响相比，滞后阶数变小，负系数值变大且显著性增强，表明知情交易概率跨越0.127的门限值后，知情交易行为消耗了市场流动性，跨越0.150的门限后，对流动性的消耗更为显著，滞后阶数变小是因为信息不对称程度越高，投机者的短期投机行为越活跃，并且现货市场存在卖空限制，容易形成羊群效应，从而更容易导致流动性崩溃。根据上述分析，知情交易概率对沪深300指数流动性有预测作用，知情交易概率值升高代表未来现货市场流动性的恶化。

3. 知情交易概率对股指期货流动性的非线性影响。表6为知情交易概率对股指期货流动性影响的回归结果。在区制（1），方程FL中VPIN的滞后解释变量均不显著，表明此时知情交易概率对期货流动性几乎没有影响。在区制（2），VPIN（-1）、VPIN（-2）、VPIN（-3）和VPIN（-4）的系数均在1%的显著性水平显著，总体来看知情交易概率对流动性有负向影响。而在区制（3），VPIN（-1）、VPIN（-2）和VPIN（-5）的系数值为正，表明在极端信息不对称情形下，知情交易概率反而对期货市场流动性有正向影响，这可能归因于期货市场买空和卖空的双向交易机制。股指期货市场参与者分为套期保值者、套利者和投机者，基于股指期货T+0的交易制度，在极端信息不对称情形下，投机者能够在短期内频繁进行买卖操作，为股指期货市场提供流动性。在2015年股市危机中，投机者确实为股指期货提供了流动性，中金所为限制投机实行限制股指期货交易的政策后，市场处于深度贴水状态，增加了现货市场的抛压。

总而言之，知情交易概率对沪深300股指期现货流动性存在非线性影响的结果证明了假设一。对于假设三，不同信息不对称下知情交易概率对两市场流动性的影响更为复杂，知情交易概率的预测作用主要表现在对现货市场流动性的预测上，因为当知情交易概率值跨越0.127的门限，其对现货流动性的影响一直保持为负向，信息不对称增加必然会导致现货市场流动性恶化。

五、稳健性检验

（一）三变量TVAR模型

为检验第四部分实证结果的稳健性，本文构建了三变量TVAR模型，将VPIN作为内生变量，建立的系统为[SLt，FLt，VPINtTt=1]，将门限变量设置为[VPINt-1]，先进行非线性检验，然后对三变量TVAR模型进行实证分析。

1. 门限值估计结果。表7中1个门限值和2个门限值均通过了LR检验，对于三变量TVAR模型，选择2个门限值进行实证分析。VPIN的两个门限值分别为0.137和0.148，与第四部分VPIN作为外生门限变量时的结果（0.136和0.146）相差不大，表明门限值确定的稳健性。

2. 三变量TVAR模型实证结果。三变量TVAR模型结果与第四部分实证结果相比，有如下结论：第一，在稳健性检验中，知情交易概率跨越第一个门限值后，即在区制（2）和区制（3），跨市场流动性溢出效应变得显著，这与第四部分不同信息不对称区制下的流动性溢出实证结果相同。第二，稳健性检验中知情交易概率对沪深300指数流动性的影响与第四部分表5的结果基本一致，在区制（2）和区制（3）下均表现为负向影响，区别在于稳健性检验结果表明區制（1）知情交易概率对沪深300指数没有影响，而表5结果表明区制（1）时有正向影响，可能是模型中知情交易概率滞后阶数不同。第三，稳健性检验中知情交易概率对股指期货流动的影响与第四部分表6的结果基本一致。

（二）进一步选择门限变量VPIN的滞后阶数

上述分析均选择滞后一阶的知情交易概率作为门限变量，虽然在三变量TVAR模型中证实了知情交易概率门限值的稳健性，但这是基于主观的判断。本文以滞后2日—22日的知情交易概率移动平均值作为门限变量，对知情交易概率门限值的预警作用做进一步检验。图3中的门限值结果均通过了LR检验，并且不同门限变量下，均为中间区制开始存在流动性溢出效应，高区制下流动性溢出更加显著（受篇幅所限，非线性检验和回归结果不再列示）。表8为对图3中门限值的描述性统计和结构性变点检验，不同滞后期门限变量的同类门限值标准差较小，结构性变点检验进一步表明不同滞后期的同类门限值并未发生结构性变化，说明受移动平均方法的影响，虽然随着移动平均滞后期的拉长，模型识别的门限值呈下降趋势，但是并不影响知情交易概率作为预警指标的可靠性。

根据知情交易概率存在双门限值，可以建立知情交易概率分级预警制度，并且根据预警指标的滞后阶数选择不同的预警阈值，将测度的知情交易概率指标与预设的预警阈值范围进行比较，当知情交易概率超过第一个阈值时，输出存在中风险，当知情交易概率超过第二个阈值时，输出存在高风险。因为当知情交易概率达到第一个门限值时，流动性溢出效应不是特别明显，监管者对证券市场采取一定措施可以防止市场过度高涨和过度萎缩，及早防范和化解风险;而当市场达到极端信息不对称时，市场波动过大，流动性极端匮乏，很容易导致股市崩盘。

六、结论与政策建议

本文在VAR框架下检验沪深300股指期现货流动性溢出效应和知情交易概率对沪深300股指期现货流动性的影响，传统的VAR方法只能解释静态的流动性溢出，因此本文引入TVAR模型方法，研究不同信息不对称下沪深300股指期现货流动性溢出的动态性。本文的研究结果是：第一，与学者认为沪深300股指期现货价格、收益和波动存在长期高正相关的结论不同，本文的研究结果表明沪深300股指期现货流动性溢出效应显著发生于高信息不对称区制，低信息不对称下，两市场不存在显著的流动性溢出。第二，关于知情交易概率对沪深300股指期现货流动性的影响，研究表明知情交易概率的上升代表现货市场流动性恶化，而在极端信息不对称下，受股指期货双向交易制度的影响，知情交易概率对股指期货流动性的影响为正向。第三，以知情交易概率作为流动性匮乏、流动性溢出以及市场不稳定的预警指标具有可行性和可靠性，且知情交易概率门限值可以作为预警阈值。

研究结果对于监管者建立流动性跨市场监管制度和投资者更好理解证券市场的信息结构和信息风险具有重要意义。监管者需要兼顾宏微观审慎监管，可以将知情交易概率纳入流动性跨市场监管体系中，建立知情交易概率分级预警制度，当知情交易概率值达到第一个预警阈值时，启动预警机制，监管者要及时关注证券市场流动性的变化，监测操纵和扰乱市场的行为，找到市场态势变化的原因，通过实施相应的政策和市场操作进行调整，尽早防范和化解风险，避免知情交易概率达到第二个预警阈值后发生流动性过度匮乏和市场过度波动。对于投资者，知情交易概率指标可以作为投资者流动性风险管理和投资博弈的参考指标;对于非知情交易者，知情交易概率指标可以用于分析市场上其他投资者的行为。

注：

①图2中，VPINt-1对应RVSt，并以t期的日期作为横坐标，本文研究t-1期的知情交易概率对t期市场流动性、流动性溢出与市场稳定性的影响，这样处理可以更准确地识别三个区制所对应的时间。

参考文献：

[1]Amihud Y. 2002. Illiquidity and Stock Returns：
Cross-section and Time-series Effects [J].Journal of Financial Markets，25（1）.

[2]Goyenko R Y，Holden C W，Trzcinka C A. 2009. Do Liquidity Measures Measure Liquidity？ [J].Journal of Financial Economics，92（2）.

[3]Fong K Y L，Holden C W，Trzcinka C. 2017. What are the Best Liquidity Proxies for Global Research？ [J].Review of Finance，（4）.

[4]姚登宝.股指期货、现货市场流动性之间的周期联动效应 [J].浙江工商大学学报，2019，（2）.

[5]赵伟雄，何建敏，贾万敬.我国期铜市场流动性与货币供给关系的实证研究 [J].数理统计与管理，2010，29（4）.

[6]Qiao G，Teng Y，et al. 2019. The Cross-Market Dynamic Effects of Liquidity on Volatility：Evidence from Chinese Stock Index and Futures Markets [J].Applied Economics，52（1）.

[7]罗洎，王莹.股指期货对证券市场波动性和流动性的影响——基于中国市场的经验研究 [J].宏观经济研究，2011，（6）.

[8]郦金梁，雷曜，李树憬.市场深度、流动性和波动率——沪深300股票指数期货启动对现货市场的影响 [J].金融研究，2012，（6）.

[9]周亮.股指期货上市对股市波动率的影响——基于双重差分模型的分析 [J].西南大学学报（自然科学版），2019，41（3）.

[10]宋科艳.我国股指期货与指数现货价格引导关系研究——基于非对称门限协整模型的分析 [J].财经问题研究，2016，（9）.

[11]许荣，刘成立.限制交易政策如何影响期现关系？——对股指期货价格发现功能的实证检验 [J].金融研究，2019，（2）.

[12]赵慧敏，陈晓倩，黄嵩.中国股指期货和现货市场信息传导关系在牛熊市中的异化现象 [J].系统工程理论与实践，2018，38（4）.

[13]朱莉.沪深300股指期现货市场信息溢出的因果检验——基于股指期货市场政策频繁调整期的数据 [J].金融理论与实践，2019，（8）.

[14]张玉鹏，王茜.政策不确定性的非线性宏观经济效应及其影响机制研究 [J].财贸经济，2016，（4）.

[15]刘玲，陈乐一，李玉双.全球经济政策不确定性与中国粮食价格——基于非对称性视角的分析 [J].农业技术经济，2020，（5）.

[16]刘金全，艾昕.经济政策不确定性视角下宏观杠杆的调控效应及其策略选择 [J].改革，2020，（3）.

[17]陈忠阳，许悦.我国金融压力指数的构建与应用研究 [J].当代经济科学，2016，38（1）.

[18]Kulshrestha K， Bhaduri S N. 2019. The Joint Dynamics of Liquidity and Volatility Across Small-and Large-index Indian Funds [J].Journal of Emerging Market Finance， 18（2）.

[19]Wang P，Ho T，Li Y. 2020. The Price-Volume Relationship of the Shanghai Stock Index：
Structural Change and the Threshold Effect of Volatility [J]. Sustainability，12（8）.

[20]Easley D，Nicholas K，et al. 1996. Liquidity，Information，and Infrequently Traded Stocks [J].Journal of Finance， 51（4）.

[21]Easley D，Prado M，O"Hara M. 2012. Flow Toxicity and Liquidity in a High-frequency World [J].Review of Financial Studies，25（5）.

[22]高揚.股指期现货市场间流动性、波动率与交易活跃度考察 [J].统计与决策，2014，（22）.

[23]周强龙，朱燕建，贾璐熙.市场知情交易概率、流动性与波动性——来自中国股指期货市场的经验证据 [J].金融研究，2015，（5）.

[24]刘文文，张合金.测量高频交易领域中的指令流毒性——基于我国沪深300指数期货的实证研究 [J].中国经济问题，2013，（1）.

[25]陈国进，张润泽等.知情交易、信息不确定性与股票风险溢价 [J].管理科学学报，2019，22（4）.