王耀君 高揚(yáng)

摘要：以20132016年391支股票的360搜索指數(shù)中的投資者關(guān)注度和媒體關(guān)注度的指數(shù)作為網(wǎng)絡(luò)關(guān)注度度量指標(biāo)，同時(shí)基于股票市場(chǎng)交易數(shù)據(jù)采用多種信息不對(duì)稱計(jì)算方法構(gòu)建了信息不對(duì)稱性度量指標(biāo)，并進(jìn)一步構(gòu)造了信息不對(duì)稱主成分綜合指標(biāo)。通過建立橫截面回歸模型，探究投資者和媒體關(guān)注度對(duì)我國股票市場(chǎng)的信息不對(duì)稱程度的影響作用。實(shí)證分析及穩(wěn)健性檢驗(yàn)結(jié)果表明：投資者關(guān)注度的增加會(huì)減少知情交易及信息不透明程度，從而減少了股票市場(chǎng)的信息不對(duì)稱程度，提高了股票市場(chǎng)的流動(dòng)性;媒體關(guān)注度對(duì)不同的信息不對(duì)稱性度量指標(biāo)的影響存在著不一致性。本研究通過探索投資者關(guān)注度及媒體關(guān)注度在新興市場(chǎng)中的應(yīng)用，對(duì)于我國證券市場(chǎng)監(jiān)管層制定政策以及對(duì)于普通投資者優(yōu)化投資策略都具有重要的參考意義。

關(guān)鍵詞： 信息不對(duì)稱;投資者關(guān)注度;媒體關(guān)注度;交易成本

中圖分類號(hào)：F831文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-7217（2019）01-0044-07

一、引言

投資者以及媒體對(duì)上市公司股票的關(guān)注度作為影響股票市場(chǎng)發(fā)展的重要因素，對(duì)投資者的決策行為以及股票市場(chǎng)的交易均會(huì)產(chǎn)生影響，進(jìn)而對(duì)股票交易市場(chǎng)產(chǎn)生影響，因此研究投資者或媒體關(guān)注度為代表的網(wǎng)絡(luò)關(guān)注度對(duì)股票市場(chǎng)交易的影響具有重要的意義。已有文獻(xiàn)主要對(duì)投資者關(guān)注度和股票收益率、波動(dòng)率等市場(chǎng)微觀結(jié)構(gòu)指標(biāo)之間的關(guān)系進(jìn)行了研究，然而信息不對(duì)稱作為股票市場(chǎng)存在的一種普遍現(xiàn)象，其存在破壞了股票市場(chǎng)秩序，損害了投資者利益，嚴(yán)重阻礙了我國金融市場(chǎng)的穩(wěn)定健康發(fā)展[1]。

因此研究投資者及媒體關(guān)注度對(duì)股票信息不對(duì)稱程度的影響有助于證券市場(chǎng)監(jiān)管層制定政策，同時(shí)有利于投資者優(yōu)化投資策略，對(duì)股票市場(chǎng)的健康運(yùn)行和持續(xù)發(fā)展具有深遠(yuǎn)的理論和現(xiàn)實(shí)意義。

已有較多文獻(xiàn)表明投資者或媒體關(guān)注度的變化可以引起股票價(jià)格以及波動(dòng)率的變化，但是對(duì)于投資者和媒體關(guān)注度的變化對(duì)市場(chǎng)信息不對(duì)稱程度的影響作用的關(guān)注較少。Jin和Myers[2]、Glosten和Milgrom[3]、Seyhun[4]以及Bank等[5]等的研究表明股票關(guān)注度的提高有助于降低信息不對(duì)稱性，增強(qiáng)信息透明度，進(jìn)而減少股票市場(chǎng)的波動(dòng)程度。在早期的研究中，股票異常收益率、交易量、新聞數(shù)量、分析師人數(shù)等指標(biāo)通常作為投資者或媒體關(guān)注度的度量，但是上述指標(biāo)由于存在較大的度量偏差，在實(shí)證研究中具有一定的局限性。在近期研究中，學(xué)者們逐漸開始運(yùn)用大數(shù)據(jù)的思維，采用網(wǎng)絡(luò)搜索指數(shù)來研究投資者或媒體關(guān)注度與股票交易之間的關(guān)系。本文從股票市場(chǎng)的信息不對(duì)稱理論出發(fā)，基于360搜索網(wǎng)站的子應(yīng)用網(wǎng)頁360指數(shù)構(gòu)建投資者和媒體關(guān)注度指標(biāo)，并進(jìn)一步分析了我國股票市場(chǎng)上投資者和媒體關(guān)注度對(duì)信息不對(duì)稱程度的影響作用。

本文在使用網(wǎng)頁爬蟲技術(shù)從360搜索網(wǎng)站的子應(yīng)用網(wǎng)頁360指數(shù)上獲取到投資者和媒體關(guān)注度搜索量的數(shù)據(jù)，基于此探究了我國股票市場(chǎng)上投資者和媒體關(guān)注度對(duì)股票市場(chǎng)信息不對(duì)稱程度的影響。研究內(nèi)容主要分為三個(gè)部分：首先，基于我國股票市場(chǎng)交易數(shù)據(jù)采用多種信息不對(duì)稱計(jì)算方法構(gòu)建了信息不對(duì)稱性度量指標(biāo)，分別研究了投資者和媒體關(guān)注度與七種信息不對(duì)稱度量指標(biāo)之間的關(guān)系。其次，基于多維度信息不對(duì)稱指標(biāo)構(gòu)建了信息不對(duì)稱主成分綜合指標(biāo)，并通過建立面板回歸模型對(duì)投資者或媒體關(guān)注度與主成分綜合指標(biāo)之間的關(guān)系進(jìn)行了研究。最后，通過對(duì)上市公司樣本數(shù)據(jù)按照主板、中小板、創(chuàng)業(yè)板的板塊分類，然后進(jìn)行了穩(wěn)健性檢驗(yàn)。

二、文獻(xiàn)回顧

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，信息技術(shù)的革新提高了信息的傳播速度和廣度，信息的獲取也變得更加便捷和及時(shí)。大數(shù)據(jù)時(shí)代也催生了各行業(yè)的以數(shù)據(jù)驅(qū)動(dòng)發(fā)展的模式，科學(xué)研究可以借助對(duì)網(wǎng)絡(luò)大數(shù)據(jù)的分析建模嘗試解決傳統(tǒng)的數(shù)據(jù)分析方法不擅長解決的問題。搜索引擎在從誕生起就一直發(fā)揮著重要的作用，現(xiàn)已成為人們走入互聯(lián)網(wǎng)世界的第一道門。人們不僅通過搜索引擎進(jìn)行資料查找和科學(xué)研究中的文獻(xiàn)獲取，在金融市場(chǎng)中普通投資者通常會(huì)使用搜索引擎獲取相關(guān)信息完成交易決策。所以，有研究者對(duì)搜索引擎關(guān)于股票名稱的搜索頻次與股票在交易市場(chǎng)中的表現(xiàn)開展了一些研究。Google是全球使用最廣泛的搜索引擎，一些國外學(xué)者基于Google搜索指數(shù)對(duì)投資者或媒體的關(guān)注度與股票市場(chǎng)價(jià)格或收益關(guān)系進(jìn)行了研究。Preis等[6]、Challet和Ahmed[7]、Tantaopas等[8]均通過實(shí)證研究發(fā)現(xiàn)Google搜索指數(shù)和市場(chǎng)預(yù)期收益之間存在正相關(guān)性，而Takeda和Wakao[9]和Bijl等[10]基于日本和美國股票市場(chǎng)的數(shù)據(jù)研究發(fā)現(xiàn)Google搜索指數(shù)與收益率之間存在負(fù)相關(guān)性。Ranco等[11]對(duì)美國股票市場(chǎng)的研究發(fā)現(xiàn)只采用Yahoo Finance搜索指數(shù)預(yù)測(cè)股價(jià)變化效果是不顯著的。類似地，關(guān)于網(wǎng)絡(luò)搜索指數(shù)與股票市場(chǎng)波動(dòng)率或流動(dòng)性等其他微觀結(jié)構(gòu)特征的研究也大多聚焦于Google搜索指數(shù)，并且研究表明網(wǎng)絡(luò)搜索信息有助于預(yù)測(cè)股票市場(chǎng)的波動(dòng)率或流動(dòng)性（Ding和Hou[12]，Lu等[13]，Zhang等[14]）。在研究投資者或媒體關(guān)注度對(duì)股票市場(chǎng)信息不對(duì)稱程度的關(guān)系方面，相關(guān)文獻(xiàn)較少。Glosten和Milgrom[3]、Seyhun[4]以及Admati和Pfleiderer[15]等認(rèn)為信息不對(duì)稱導(dǎo)致了知情交易發(fā)生，進(jìn)而使得股價(jià)波動(dòng)增大、流動(dòng)性變差。Amihud和Mendelson[16]指出，關(guān)注度高的股票，會(huì)吸引更多投資者參與交易，能夠降低市場(chǎng)的信息不對(duì)稱程度，提高交易股票的流動(dòng)性。Seasholes和Wu[17]以及Barber和Odean[18]等的研究也發(fā)現(xiàn)投資者的關(guān)注度會(huì)促進(jìn)小投資者產(chǎn)生積極凈買入的行為，提高投資者參與交易的意愿。

隨著市場(chǎng)微觀結(jié)構(gòu)理論的不斷完善，不少學(xué)者對(duì)非對(duì)稱信息的度量方法進(jìn)行了探索。早期的研究一般將買賣價(jià)差作為衡量市場(chǎng)信息不對(duì)稱程度的指標(biāo)[19]。隨后，Huang和Stoll[20]認(rèn)為做市商會(huì)通過增大價(jià)差來彌補(bǔ)他們與知情交易者進(jìn)行交易后造成的損失，提出把有效價(jià)差分解為逆向選擇成本和做市商可實(shí)現(xiàn)收益兩個(gè)部分。因此，有效價(jià)差和已實(shí)現(xiàn)價(jià)差之間的差值可以作為逆向選擇成本的估計(jì)值。在進(jìn)一步的研究中心，Huang和Stoll[21]建立了基于交易方向指示變量、價(jià)格變化和交易規(guī)模的交易成本模型，將交易成本分解為訂單處理成本、逆向選擇成本和存貨成本三部分并估計(jì)各成分的大小。類似模型的文獻(xiàn)還有Glosten和Harris[22]、Madanvan等[23]等。此類模型分析并度量了逆向選擇成本和交易成本，并且發(fā)現(xiàn)由于知情交易的存在，逆向選擇成本與交易成本存在顯著的日內(nèi)效應(yīng)[24]。上述度量信息不對(duì)稱程度的方法存在的一個(gè)共同點(diǎn)是均需要獲得高頻逐筆交易數(shù)據(jù)，然而在某些情況下研究者所考察的樣本時(shí)段內(nèi)的日內(nèi)高頻逐筆交易數(shù)據(jù)無法獲取，或者當(dāng)研究涉及多個(gè)國際市場(chǎng)時(shí)，高頻逐筆交易數(shù)據(jù)無法同時(shí)獲得。但是，相對(duì)而言高頻分時(shí)交易數(shù)據(jù)較容易獲取，而且高頻分時(shí)交易數(shù)據(jù)并不依賴報(bào)價(jià)數(shù)據(jù)和交易數(shù)據(jù)之間的匹配性，所以本文采用了基于日內(nèi)高頻分時(shí)交易數(shù)據(jù)的買賣價(jià)差估計(jì)方法。除了基于交易數(shù)據(jù)構(gòu)建價(jià)格模型來實(shí)現(xiàn)信息不對(duì)稱度量方法之外，Chang和Wang[25]基于行為金融學(xué)中的反向交易和隱蔽交易理論提出了四種度量知情交易的概率估計(jì)方法。此外，換手率和Amihud非流動(dòng)性指標(biāo)也被作為度量非對(duì)稱信息的補(bǔ)充方法，二者均與交易成本中的逆向選擇成本相關(guān)[2628]。

因此，本文采用的信息不對(duì)稱指標(biāo)包括基于交易成本測(cè)度的報(bào)價(jià)價(jià)差、日內(nèi)HighLow估計(jì)、逆向選擇成本、HS模型測(cè)度、PCL度量、TURNOVER和Amihud流動(dòng)性指標(biāo)等。

（二）數(shù)據(jù)選取

本文使用數(shù)據(jù)主要包括兩部分：

1.網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)。網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)由股票投資者關(guān)注度及媒體關(guān)注度數(shù)據(jù)構(gòu)成?；赑ython程序編寫網(wǎng)頁數(shù)據(jù)爬蟲程序，從360指數(shù)網(wǎng)站上抓取以股票名稱為關(guān)鍵詞的網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)。其中，媒體關(guān)注度是指媒體發(fā)布和轉(zhuǎn)載的與某上市公司及其股票相關(guān)的新聞數(shù)量統(tǒng)計(jì);投資者關(guān)注度是投資者利用360搜索引擎以股票名稱為關(guān)鍵字搜索股票相關(guān)信息的搜索頻次統(tǒng)計(jì)。

2.A股市場(chǎng)交易數(shù)據(jù)及公司財(cái)務(wù)數(shù)據(jù)。A股市場(chǎng)股票的日度和周度歷史交易數(shù)據(jù)及上市公司財(cái)務(wù)數(shù)據(jù)來自于國泰安數(shù)據(jù)庫，數(shù)據(jù)內(nèi)容主要包括股票開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)、成交量、市值、市盈率、換手率、上市公司年報(bào)等信息。

由表3結(jié)果可知，控制其他影響因素后，投資者的關(guān)注度增加將伴隨更高的市場(chǎng)透明度，即市場(chǎng)信息不對(duì)稱程度降低，市場(chǎng)流動(dòng)性增強(qiáng);對(duì)于媒體關(guān)注度而言，除了換手率和PCL指標(biāo)之外，媒體關(guān)注度的增加會(huì)伴隨著其余五種信息不對(duì)稱指標(biāo)值的降低。

投資者關(guān)注度增加可以減少由于知情交易造成的信息不透明程度，從而提高股票流動(dòng)性，其主要原因可以從兩方面來分析。一方面，基于選擇性注意理論，投資者會(huì)優(yōu)先分析引起他們注意的信息，并受到信息的刺激，產(chǎn)生相應(yīng)的投資行為。因此投資者關(guān)注度越高的股票，投資者參與交易的意愿越高，市場(chǎng)的信息不對(duì)稱程度將降低。另一方面，關(guān)注度高的股票因?yàn)樾畔⒏浞滞该鳎瑴p少了知情交易的發(fā)生，知情交易者之間的競(jìng)爭(zhēng)減少了不對(duì)稱信息擴(kuò)散的成本，股票買賣的交易成本降低，給市場(chǎng)提供了更高的流動(dòng)性。

對(duì)于媒體關(guān)注度指標(biāo)而言，除TURNOVER和PCL之外，其余信息不對(duì)稱度量指標(biāo)均與交易成本相關(guān)。媒體關(guān)注度越高，即媒體發(fā)布的信息越多，投資者獲取相關(guān)信息的成本就越低，投資者獲取的信息越充分。因此，投資者參與交易的數(shù)量增多，市場(chǎng)的信息不對(duì)稱程度降低。而對(duì)于TURNOVER和PCL指標(biāo)，在控制投資者關(guān)注度變量后，媒體關(guān)注度不再與市場(chǎng)的信息不對(duì)稱程度負(fù)相關(guān)。

（三）主成分回歸結(jié)果

由于衡量市場(chǎng)信息不對(duì)稱程度的指標(biāo)較多，本節(jié)采用主成分分析構(gòu)建了主成分及綜合得分作為信息不對(duì)稱程度的總體度量。由于前四個(gè)主成分的累計(jì)貢獻(xiàn)率為77.17%，本節(jié)保留了前四個(gè)主成分，并以每個(gè)主成分的方差貢獻(xiàn)率作為權(quán)數(shù)構(gòu)造了一個(gè)綜合指標(biāo)PRIN。由于第一個(gè)主成分PRIN1的方差貢獻(xiàn)率最高，本節(jié)分別以PRIN1和PRIN作為信息不對(duì)稱程度的度量，基于方程（16）進(jìn)行了回歸分析，結(jié)果如表4所示。

由表4結(jié)果可知，對(duì)于信息不對(duì)稱指標(biāo)的第一主成分PRIN1和指標(biāo)PRIN而言，投資者對(duì)股票搜索次數(shù)的增加會(huì)降低股票市場(chǎng)的信息不對(duì)稱程度，關(guān)注度高的股票因?yàn)樾畔⑤^為透明，股票買賣的交易成本降低，從而也會(huì)促使股票流動(dòng)性的提高，這一結(jié)論與單個(gè)信息不對(duì)稱指標(biāo)的回歸結(jié)果相一致。然而，媒體關(guān)注度對(duì)信息不對(duì)稱指標(biāo)的影響并不顯著。這是由于不同的信息不對(duì)稱指標(biāo)與媒體關(guān)注度之間的作用關(guān)系并不一致，基于交易成本的信息不對(duì)稱測(cè)度與媒體關(guān)注度負(fù)相關(guān)，而換手率（TURNOVER）和PCL指標(biāo)與媒體關(guān)注度正相關(guān)。

（四）穩(wěn)健性檢驗(yàn)

本節(jié)將研究樣本按照板塊進(jìn)行分類，分為主板市場(chǎng)、中小板市場(chǎng)以及創(chuàng)業(yè)板市場(chǎng)，基于三個(gè)不同的板塊進(jìn)行了穩(wěn)健性檢驗(yàn)，對(duì)方程（14）的回歸結(jié)果如表5所示。

由表5結(jié)果可知，無論是主板市場(chǎng)、中小板市場(chǎng)還是創(chuàng)業(yè)板市場(chǎng)，在控制其他影響因素后，投資者的關(guān)注度增加將加大市場(chǎng)流動(dòng)性及降低信息不對(duì)稱度;對(duì)于媒體關(guān)注度而言，其與信息不對(duì)稱指標(biāo)呈現(xiàn)負(fù)相關(guān)關(guān)系。其次，基于多維度信息不對(duì)稱指標(biāo)構(gòu)建了信息不對(duì)稱綜合因子，實(shí)證結(jié)果及穩(wěn)健型檢驗(yàn)的結(jié)果均表明投資者對(duì)股票搜索次數(shù)的增加，會(huì)降低股票市場(chǎng)的信息不對(duì)稱程度;對(duì)各板塊進(jìn)行比較，發(fā)現(xiàn)中小板塊的投資者更容易受到市場(chǎng)刺激信息的影響;但是媒體關(guān)注度對(duì)信息不對(duì)稱的影響上并不顯著。穩(wěn)健性檢驗(yàn)結(jié)果表明分板塊的研究結(jié)果與全樣本的實(shí)證結(jié)果相一致。

五、研究結(jié)論

本文在構(gòu)建基于滬深兩市391支股票的面板數(shù)據(jù)模型的基礎(chǔ)上，分別采用360指數(shù)的投資者關(guān)注度和媒體關(guān)注度兩個(gè)網(wǎng)絡(luò)指數(shù)的周度數(shù)據(jù)，并且運(yùn)用多種信息不對(duì)稱度量方法估計(jì)了投資者關(guān)注度及媒體關(guān)注度對(duì)我國股票市場(chǎng)信息不對(duì)稱程度影響程度，實(shí)證研究及分板塊的穩(wěn)健性檢驗(yàn)結(jié)果表明：

在設(shè)定公司規(guī)模、換手率、市盈率等其它變量對(duì)關(guān)注度的潛在影響為控制變量的前提下，實(shí)證結(jié)果表明投資者關(guān)注度和股票交易的信息不對(duì)稱程度呈負(fù)相關(guān)關(guān)系，投資者關(guān)注度的提高有助于減少由于知情交易等因素引起的市場(chǎng)信息不透明度，降低股票市場(chǎng)信息的不對(duì)稱程度，進(jìn)而提高股票的市場(chǎng)流動(dòng)性;對(duì)于媒體關(guān)注度而言，除了換手率和PCL指標(biāo)之外，其余信息不對(duì)稱度量指標(biāo)與媒體關(guān)注度之間呈現(xiàn)出負(fù)相關(guān)關(guān)系。

實(shí)證結(jié)果也驗(yàn)證了投資者對(duì)股票搜索次數(shù)的增加，會(huì)降低股票市場(chǎng)的信息不對(duì)稱程度，但是媒體關(guān)注度對(duì)信息不對(duì)稱的影響并不顯著。

（1）在控制其他影響因素后，投資者的關(guān)注度增加，外部信息刺激會(huì)影響投資者的交易決策，使得市場(chǎng)透明度變高，市場(chǎng)信息不對(duì)稱程度降低，市場(chǎng)流動(dòng)性變高。

（2）對(duì)于媒體關(guān)注度指標(biāo)而言，除TURNOVER和PCL之外，其余信息不對(duì)稱度量指標(biāo)均與交易成本相關(guān)。投資者對(duì)相關(guān)股票信息的獲取具有一定的獲取成本，媒體發(fā)布的信息越多，媒體關(guān)注度越高，投資者獲取信息的成本就越低，獲取信息內(nèi)容越充分。

六、本文貢獻(xiàn)

本文采用了多種信息不對(duì)稱的度量方法，全面系統(tǒng)地探究了投資者以及媒體關(guān)注度指數(shù)的變化對(duì)信息不對(duì)稱程度的影響。基于多種信息不對(duì)稱指標(biāo)構(gòu)建了信息不對(duì)稱綜合因子，實(shí)證分析采用了股票分板塊的穩(wěn)健型檢驗(yàn)，其結(jié)果表明投資者對(duì)股票搜索次數(shù)的增加，會(huì)降低股票市場(chǎng)的信息不對(duì)稱程度。

本文的結(jié)果不僅揭示中國證券市場(chǎng)的信息反應(yīng)機(jī)制，同時(shí)對(duì)于投資者和證券監(jiān)管部門具有重要的實(shí)踐啟示。對(duì)于投資者而言，有助于為其進(jìn)行投資和風(fēng)險(xiǎn)管理決策，提高投資收益;同時(shí)關(guān)注網(wǎng)絡(luò)信息對(duì)金融市場(chǎng)的影響有助于監(jiān)管者改進(jìn)股票市場(chǎng)監(jiān)測(cè)手段，優(yōu)化市場(chǎng)監(jiān)管績效，為市場(chǎng)監(jiān)管部門實(shí)施有效的金融監(jiān)管提供理論支撐。

參考文獻(xiàn)：

[1]Bagehot W. The only game in town[J]. Financial Analysts Journal， 1971， 27（2）： 1214.

[2]Jin L， Myers S C. R 2 around the world： New theory and new tests[J]. Journal of financial Economics， 2006， 79（2）： 257292.

[3]Glosten L R， Milgrom P R. Bid， ask and transaction prices in a specialist market with heterogeneously informed traders[J]. Journal of financial economics， 1985， 14（1）： 71100.

[4]Seyhun H N. Insiders' profits， costs of trading， and market efficiency[J]. Journal of Financial Economics， 1986， 16（2）： 189212.

[5]Bank M， Larch M， Peter G. Google search volume and its influence on liquidity and returns of German stocks[J]. Financial markets and portfolio management， 2011， 25（3）： 239264.

[6]Preis， T.， H.S. Moat， and H.E. Stanley， Quantifying Trading Behavior in Financial Markets Using Google Trends[R]. Scientific reports， 2013， 3： srep01684.

[7]Challet， D. and B.H.A. Ahmed， Predicting Financial Markets with Google Trends and Not so Random Keywords[R]. Social Science Electronic Publishing， 2013.

[8]Tantaopas， P.， C. Padungsaksawasdi， and S. Treepongkaruna， Attention effect via internet search intensity in AsiaPacific stock markets[J]. PacificBasin Finance Journal， 2016， 38： 107124.

[9]Takeda， F. and T. Wakao， Google search intensity and its relationship with returns and trading volume of Japanese stocks[J]. PacificBasin Finance Journal， 2014， 27： 118.

[10]Bijl L， Kringhaug G， Molnár P， et al. Google searches and stock returns[J]. International Review of Financial Analysis， 2016， 45： 150156.

[11]Ranco G， Bordino I， Bormetti G， et al. Coupling news sentiment with web browsing data improves prediction of intraday price dynamics[J]. PloS one， 2016， 11（1）： e0146576.

[12]Ding， R. and W. Hou. Retail investor attention and stock liquidity [J]. Social Science Electronic Publishing， 2015， 37： 1226.

[13]Lu X， Holzhauer H M， Wang J. Online Search Frequency， Information Asymmetry， and Market Liquidity[J]. The Journal of Index Investing， 2016， 6（4）： 7181.

[14]Zhang Y， Feng L， Jin X， et al. Internet information arrival and volatility of SME PRICE INDEX[J]. Physica A： Statistical Mechanics and its Applications， 2014， 399： 7074.

[15]Admati A R， Pfleiderer P. A theory of intraday patterns： Volume and price variability[J]. The Review of Financial Studies， 1988， 1（1）： 340.

[16]Amihud Y， Mendelson H. The Effects of Beta， Bid‐Ask Spread， Residual Risk， and Size on Stock Returns[J]. The Journal of Finance， 1989， 44（2）： 479486.

[17]Seasholes M S， Wu G. Predictable behavior， profits， and attention[J]. Journal of Empirical Finance， 2007， 14（5）： 590610.

[18]Barber B M， Odean T， Zhu N. Do retail trades move markets？[J]. The Review of Financial Studies， 2008， 22（1）： 151186.

[19]Biais B， Glosten L， Spatt C. Market microstructure： A survey of microfoundations， empirical results， and policy implications[J]. Journal of Financial Markets， 2005， 8（2）： 217264.

[20]Huang R D， Stoll H R. Dealer versus auction markets： A paired comparison of execution costs on NASDAQ and the NYSE[J]. Journal of Financial economics， 1996， 41（3）： 313357.

[21]Huang R D， Stoll H R. The components of the bidask spread： A general approach[J]. The Review of Financial Studies， 1997， 10（4）： 9951034.

[22]Glosten L R， Harris L E. Estimating the components of the bid/ask spread[J]. Journal of financial Economics， 1988， 21（1）： 123142.

[23]Madhavan A， Richardson M， Roomans M. Why do security prices change？ A transactionlevel analysis of NYSE stocks[J]. The Review of Financial Studies， 1997， 10（4）： 10351064.

[24]Sandas P. Adverse selection and competitive market making： Empirical evidence from a limit order market[J]. Review of Financial Studies， 2001， 14（3）： 705734.

[25]Chang S S， Wang F A. Adverse selection and the presence of informed trading[J]. Journal of Empirical Finance， 2015， 33： 1933.

[26]張宗新， 潘志堅(jiān)， 季雷. 內(nèi)幕信息操縱的股價(jià)沖擊效應(yīng)： 理論與中國股市證據(jù)[J]. 金融研究， 2005（4）： 144154.

[27]Amihud Y. Illiquidity and stock returns： crosssection and timeseries effects[J]. Journal of financial markets， 2002， 5（1）： 3156.

[28]Brennan M， Huh S W， Subrahmanyam A. An analysis of the Amihud illiquidity premium[J]. Review of Asset Pricing Studies， 2013， 3（1）： 133176.

（責(zé)任編輯：王鐵軍）