史永东、蒋贤锋：中国股票市场内幕交易的实证分析 21
为也可能变得积极、活跃或者更加倾向于风险喜好。因此，我们以被证监会按照内幕交易和相关规定处罚的股票的所有历史数据为样本（见第1章），这样的处理对问题的反映可能更加全面。
从对这些内幕交易案例的分析中，我们发现几乎每一起事件的前后都会发生股本的增加，或者是配股、送股（600878、600758等）或收购后增发（000629等）等。因此，这些重大事件的公告时间比较重要。同时，我们发现公告时间与股本实际增加的时间相差并不太远，而且相对于公告事件的收集而言，股本发生变动的时间更容易得到。因此，我们选择这些股票股本发生变动13前后的数据。经过反复试验后，我们选取股本发生变动时前后一个月（22个交易日）的平均日收益率（Return）和平均日换手率（Turnover）。日收益率为经过除权处理后的收益率再取自然对数，换手率为日成交股数与该股流通股本之商再乘以100后取自然对数。
由于我们选取股本发生变动的时间，因此在确定某一时期的股票是否为内幕交易案例时，我们经过反复的试验后采取如下规则：如果股本发生变动时间前后3个月（66个交易日）内发生了内幕交易，我们就将其定义为事件案例（取1），不在这段时间内的股票则不为事件案例（取0）。如果两次股本发生变动的时间间隔非常短（如送股后一个月内配股）并且短于100个交易日，则我们取第一次股本变动时间。经过这样的处理后，我们总共得到35个内幕交易数据（其中9个为1），这和我们前面的数据非常符合。
6.1.2 Logistic分析
相对于多元判别分析，Logistic分析在一定程度上克服了线性假设的缺点，并且不要求变量服从正态分布。另外，吴世农、卢贤义（2001）和汪贵浦（2002）及上海交大证券金融研究所课题组（2002）等的研究都表明Logistic分析方法要优于多元判别分析，因此我们采用Logistic模型建立判别体系。
设在给定判别体系各变量x (x=(x1,x2,x3…)t) 之后，事件y发生的条件概率为P=Prob(y=1|x)。其中，y只取两个值（1和0），1表示事件发生，0表示事件没发生。则Logistic模型具有如下形式：
pln()?a??x1?p。其中，a、β为待估计的参数向量。有时，由于经济变量之间可能存在着交
叉影响（齐治平、余妙志，2002），我们在判别体系中加入各变量的交叉项，即
2x?(x1,x2,x1x2,x12,x2,...)t。但是，随之而来的问题是如何确定自变量x，虽然从统计学的意义
上可以采取诸如向前筛选法、逐步判别法及最大似然值法等，但是我们发现这些方法对于具体实际应用的帮助并不大，主要表现为在对总体判别正确率较高的同时，对内幕交易发生的正确判别率非常小。为此，我们从实际应用的角度出发采用选择最优判别临界值相同的原则。
在运用Logistic模型进行判别时，通常将0.5作为临界值（阀值）。但是，事件的实际发生概率并不一定是0.5，尤其在事件期和非事件期的样本不对称时候更容易出现这种问题。因此，阀值在分析具体的问题时通常需要调整。如果阀值太高，事件很难被侦测出来，判别模型会失效；如果阀值太低，非事件也将会被当作事件处理。因此，和一般的计量模型一样，Logistic模型也面临着第一类错误14和第二类错误15的问题（格林，1998）。黄德华（2001）和长城证券课题组（2002）等提出了针对这个问题的有效解决办法。黄德华认为最优的阀值应该是在观测到事件预测概率时事件发生与否的条件概率相等时的值，但是这种方法有可能导致多个最优阀值（我们称之为第一个问题），而且如果实际的判别应用特别强调事件发生或不发生的概率时，分析者 1314
股本发生变动的情况包括送股、配股、增发、职工股上市、转配股上市、分拆等。 第一类错误即误拒错误，在这里表示内幕交易案例被判为非内幕交易案例。 15
第二类错误即误受错误，在这里表示非内幕交易案例被判为内幕交易案例。
史永东、蒋贤锋：中国股票市场内幕交易的实证分析 22
可以容忍这种最优阀值的丧失（第二个问题）。长城证券课组以总的误判率为第一筛选基准，但是这同样会导致上述中第二个问题不能得达到最好满足，并且我们在实验中发生了这种现象。由于内幕交易对市场破坏性非常大16，所以，防止内幕交易的发生应该是最重要的，从一个维护市场公平和健康环境的极端角度出发，我们宁愿在能够侦测出每个内幕交易案例的前提下可以容忍对非内幕交易案例在一定程度内的误判。因此，结合黄德华和长城课题组的工作以及我们的出发点，我们以正确判断出内幕交易的发生为首要目标、同时兼顾对非内幕交易事件判别的正确性，建立了如下的判断基准：
1. 把判断事件发生的条件概率划分为99个区间，[1%、2%、…99%]。在其中选择使第一类错误最小的概率点；
2. 若第一步中有相同的点，则选择使第二类错误最小的概率点； 3. 若第二步红有相同的点，则选择使总误判率最小的概率点； 4. 若第三步中有相同的点，则选择其中最小的概率点为最优阀值。
在选择自变量时，我们先确定自变量任意组合的Logistic模型（共有31个模型17）的最优阀值，然后按照最小第一类错误——最小第二类错误——最小总误判率——最大似然值的步骤确定最终选取哪些变量18。
6.2 判别分析
首先，表9分别给出了内幕交易样本样本在事件期、非事件期的均值、t-检验及非参数Kruskal-Wallis秩和检验的简单描述。从表中可以看出，对于内幕交易样本，t-检验和非参数检验表明日均换手率在两个时期存在着显著不同，日均收益率虽然不相等，但是并不显著。
表9 内幕交易股票在事件期间和非事件期间的收益率、换手率等描述性统计量
Return
均 值 事件期 非事件期 0.0037
0.0013 0.3250
t - 检 验 t-值 -0.91 -2.4378**
P-Val. 0.3694 0.0203
Kruskal-Wallis秩和检验 χ2-值 1.0385 5.3006**
P-Val. 0.3082 0.0213
Turnover 1.2588
注：除了非内幕交易期间的收益率不服从正态分布外，其余各变量均服从正态分布；***表示
是1%水平上显著，**表示5%水平上显著，*表示10%水平上显著。
表10分别列出了按照上述基准估计的内幕交易样本的Logistic模型参数。从表中可以看出，内幕交易的估计模型的似然比率（LR值）都是显著，这说明Logistic模型是有效的。在模型估计中，包含日均收益率项的系数都特别大，这是由于日均收益率本身的值特别小导致的。同时，日均换手率系数和常数项显著，日均换手率不显著。这样的结果与汪贵浦的比较类似，即日均换手率对内幕交易发生的预测能力比较强。但是，我们还把不显著的日均收益率即包含日均收益率的其他变量加入。下面接下来的分析将表明这样处理的实际效果非常好。 16
我们前面的分析显示内幕交易既使价格波动性增加、也使平均价格上升，这好像表明内幕交易对市场的整体的破坏性不是那么严重。但是考虑到内幕交易者获取的巨额非法所得、内幕交易加剧了交易过程中的信息不对称及本文没有考虑到的内幕交易对实物投资的影响等，得出内幕交易巨大破坏性的结论是可以接受的。
1718
1234531?c5?c5?c5?c5?c5。
当然，这样的基准可能导致不显著变量进入回归方程，但是我们目的是以实际应用为出发点。
史永东、蒋贤锋：中国股票市场内幕交易的实证分析 23
表10 内幕交易的Logistic模型
Return Turnover Return*Turnover
C LR. Prob.(LR)
Coef. 64.28 1.64 -12164.5 -2.03 9.61** 0.02
χ2 0.58 2.25** -1.32 -2.54*
P-Val. 0.56 0.02 0.19 0.01
******注：表示是1%水平下显著，表示5%水平下显著，表示10%水平下显著。
在内幕交易过程中，违规主体人的目的是获取巨额利润，但是反映价格变动的日均收益率对内幕交易发生的预测能力却相对小。另一方面，交易量是反映价格调整和信息含量的重要因素，反映交易量的日均换手率指标对内幕交易的判别作用相对大。这样的结果与股票市场的制度不是没有关系的。由于受到涨跌幅制度的限制，股价在任何一天内的波动都不能超过一定限度；但是交易量却不受类似外在力量的干涉。因此，反映价格变化的收益率反映内幕交易者的意图的作用要相对小，而反映交易量的换手率指标对主体投资者意识的反映程度相对大。
接下来，我们用上述Logistic模型对所选取的样本进行判别。首先，我们按照通常的做法取0.5为阀值，然后采用以前面提到的基准计算的阀值。表11列出了这两种阀值的判断结果。A部分显示在0.5的阀值下，内幕交易判别的总体正确率为82.86%，分别比汪贵浦对内幕交易判别的最高总体正确率（70.59%）高出12个百分点，比Scott and John的结果高出23个百分点。因此，加入不显著项及自变量的交叉项有利于总体正确率的提高。但是，高的总体判别正确率主要来对非内幕交易时间判别的高正确率（92.31%）。而对于内幕交易案例的发生，上述Logistic模型的判别正确地却比较低（55.56%），比汪贵浦的结果（57%左右）低2个百分点。因此，对于内幕交易这种具有恶劣影响的事件来说，这么低的正确判别率是不能接受的。这说明0.5不是最优阀值。
表11 内幕交易的判别
P(Dep=1)<=C P(Dep=1)>C Total Correct % Correct % Incorrect 24 2 26 24 92.31 7.69 A: cutoff=0.5 24 2 26 24 92.31 7.69 24 2 26 24 92.31 7.69 11 15 26 11 42.31 57.69 B：Cutoff=0.08 0 9 9 9 100.00 0.00 11 24 35 20 57.14 42.86
B部分的结果是按照我们在前面建立的基准计算的内幕交易判别的最优阀值，为0.08。它满足下列条件：在所有供选择的模型中第一类错误最小，即对内幕交易发生的正确判断率最高（都为100%）；在第一类错误最小的模型中第二类错误最小，即在对内幕交易发生的判别率最高的模型中对非内幕交易的事件判别率最高，为42.31；在前两类模型中似然函数值最大（-15.15）。在最优阀值下选定的模型满足我们的目标：对内幕交易的发生一定能判别出来，同时使对内幕交易的误判率最小。因此，我们可以容忍相对低的总体判别正确率（57.14%）。
内幕交易的发生与否不仅与个股本身的情况相关，还与整体的市场氛围有联系。在低迷不 19
一般的判别模型在对事件的正确判别率达到100%的同时对非事件的正确判别率通常为0或在10%以下。
史永东、蒋贤锋：中国股票市场内幕交易的实证分析 24
振的熊市中，交易不活跃，缺少市场信心，内幕交易一般比较少；而在涨势如天的牛市中，交易异常活跃，市场信心膨胀，内幕交易比较容易发生。同时，低迷的市场需要市场各方的刺激以恢复市场信心、促进市场发展，膨胀的市场需要外界的力量约束以防止巨大泡沫的产生和破裂。因此，最优阀值的选取可以体现监管层的成熟程度。监管层在不同的市场环境中应该相机抉择采用不同的阀值，即在市场氛围比较紧张的情况下选择最严厉的阀值（如我们上面计算出的0.08），在市场氛围比较宽松的情况选择一般的阀值即可（如0.5）。
6.3 小结
本章以我国股票市场上所有的发生过内幕交易股票的股本变动时期前后的数据为样本，选取事件期间的日均换手率和日均收益率，以Logistic模型建立了适合我国国情的判别体系。基于内幕交易对市场的恶劣影响这一前提，我们在判别时采取了极严厉的标准，以正确判别内幕交易的发生为首要目标，同时兼顾对非内幕交易的判别。最终的判别体系能够满足这样目的。我们发现，除了日均换手率之外的日均收益率、日均收益率与日均换手率的乘积项能提高对内幕交易的发生以及非内幕交易事件的正确判别率，此外，最优阀值的选取可以体现监管层监管水平的成熟程度。
7 基本结论、政策建议及进一步的研究方向
7.1 基本结论
我国现阶段的内幕交易非常复杂，总体上呈现出如下特点：内幕交易主体人以基本内幕人为主；内幕信息以兼并收购、利润分配为主；其它多种违规事实伴随内幕交易发生，使内幕交易变得很复杂；。内幕交易者所受的处罚以罚款为主，此外还受到取消或暂停营业资格、市场禁入等其它处罚。
内幕交易使股票的平均价格上升，但也增加了价格的波动性。内幕交易者所利用的信息确实是重大的并且都获取了正的超常收益。如果信息非常重大，那么一般情况下内幕交易者会在信息公告前结束交易。此外，如果内幕交易者同时采取市场操纵策略，那么他能获取更高的非法所得。内幕交易从总体上加剧了交易过程中的信息不对称，破坏了市场的公平性，而信息披露则有利于减少这种不对称的程度。
以股本变动时期前后的日均换手率和日均收益率为样本，我们以Logistic模型建立了适合我国国情的内幕交易判别体系。基于内幕交易对市场恶劣影响这一前提，我们在判别时采取了极严厉的标准，以正确判别内幕交易的发生为首要目标，同时兼顾对非内幕交易的判别。最终的判别体系能够满足这样目的。除了日均换手率之外的日均收益率、日均收益率与日均换手率的乘积项能提高对内幕交易的发生以及非内幕交易事件的正确判别率，这些变量对内幕交易、此外，最优阀值的选取可以体现监管层监管水平的成熟程度。
相关推荐：
loading