论文部分内容阅读
摘要：本文从股价操纵案例出发，归纳出能反应市场操纵策略本质特征的指标，引入高频数据，构建股价操纵识别模型，并验证模型准确率。研究结果表明：在操纵者实施操纵策略时，会频繁多次提交额度较大买单，对限价指令的额度造成较大冲击;操纵者会连续提交高（低）于当前最佳盘口买（卖）价格的限价指令，对限价指令的价格造成冲击，使盘口买卖价差迅速缩小;通过实证研究，操纵事件发生前后，衡量额度冲击指标和衡量买卖价比指标发生显著变化，实证研究中得出的识别模型准确率较高，可以较好地识别市场中的股价操纵现象。
关键词：股价操纵;特征指标;识别模型;高频数据
中图分类号：F830.91 文献标志码：A 文章编号：1001-862X（2020）04-0119-007
一、引 言
自股票市场成立，股价操纵现象就一直存在。伴随着经济发展的良好态势，我国股票市场发展也十分迅猛。由于市场相关法律和监管制度的不完善，各种不当竞争事件频发，股价操纵便是其中之一。对于资本市场发展更早、法律和监管制度更为完善的欧美证券市场，股价操纵现象仍是制约其发展的一大难题。近年来，政府和监管部门也采取各种措施遏制股票市场操纵行为，但由于操纵策略和操纵技术的隐蔽性，操纵事件还是频频发生。操纵行为的表现形式多种多样，其中股价操纵是最重要的策略之一，股价操纵不仅在宏观上会影响金融市场的价格发现，破坏市场上的投资环境，制约金融市场的健康发展，威胁金融市场稳定，且从微观层面来说，会影响股票价格正常变化轨道，导致股市微观震荡。[1]
从个世纪90年代起，国内外学者开始陆续对股价操纵行为展开研究。Fischel和Ross（1991）首先定义金融市场股价操纵是带有不好意图的盈利性交易。Jarrow（1992）定义股价操纵为故意散布虚假的价格信号，导致价格偏离市场正常运行水平的交易行为。Kyle和Viswanathan（2008）定义股价操纵行为是影响资源配置效率、增加市场风险、降低经济效率的交易策略。
随着金融市场创新程度的不断提高，学者开始从不同角度研究股票市场操纵行为。最早，学者们集中研究操纵行为存在的可能性及操纵行为利润的可得性。Laroque（1989）证明金融市场的内部交易者均有能力与动机通过误导公众信息和预期来操纵股票价格。Allen和Gorton（1991）指出当流动性买家聚类现象不明显时，知情交易者更有可能充当买方的角色，从而导致股票价格向着有利于买方的方向发展，因此信息不对称可使股价操纵者（知情交易者）获利。Allen和Gale（1992）通过假设三种交易者类型：完全相同的理性投资者、有内幕消息的投资者、有影响力的操纵者，模拟分析三类交易者的行为，发现操纵者以较小的概率进入市场，当内幕交易者事实上并不拥有内幕消息时，操纵者会模仿内幕交易者的行为，由于理性投资者不确定究竟是内幕交易者还是操纵者，最后会达到一个混和均衡，在满足一定条件的情况下，操纵者能够获得正的收益。Hart（1977）、Jarrow（1992）通过建立预期价格模型，模拟市场交易环境，均都得出交易者可以通过资金或者舆论信息而使价格朝有利于自己的方向发展，证实操纵存在性。Bagnoli和Lipman（1996）分析操纵者在购入股票之后，联合散布公司被收购的虚假舆论，最后抛售股票而获利的操纵策略，建立了操纵利润可得性的模型。Benabou等（2004）证明信息不对称时，知情交易者在各期均衡状态下均可能具有市场操纵的动机。
随后，一些学者通过分析操纵事件的交易数据，从实证方面研究股价操纵的行为模式和操纵行为对市场的影响。刘元海（2003）分析了存在操纵样本的股票收益率、换手率和波动率在市场上的变化，找出操纵行为对指标的影响。施红俊等（2004）通过研究被操纵股票的市场指标，发现存在股价操纵行为的股票收益率、换手率、收益波动率在交易日的早盘和尾盘表现出明显的异常。Bruner（2004）对2001年之前30年间的并购案例进行分析，发现目标公司股东在股权移交过程中会操纵股价走向，使自己从中获利。周春生等（2005）研究了中国股票市场中交易型股价操纵问题，研究结果显示投资者的非理性投资和有限套利制约的存在，会使操纵者更容易从操纵中获利。张继龙（2006）研究指出中国股票市场投机氛围浓重，分析股指期货市场被操纵的可能性，研究股指期货市场被操纵的行为模式。Chiou（2007）建立马尔科夫模型和异方差模型，分析股价操纵事件发生期间市场波动率的变化情况。王欣（2009）在考虑波动率的基础上，引入包括股东持股比例、户均持股比例变动等变量，运用分位数回归模型对操纵行为进行识别。陆蓉（2009）分析被操纵股票在换手率、成交量、波动率、beta系数等方面的变化，发现在操纵前和操纵后阶段被操纵股票的收益率存在明显差异，且β系数在操纵期间呈现异常低值。Chan和Alfred（2013）利用香港证券市场交易研究潜在操縱活动，结果表明撤单率和操纵行为之间具有强相关性，同时指出，对高频数据的分析有助于提高对股票市场交易行为的认识。Kong和Wang（2014）利用中国股市的交易数据，研究股价操纵影响市场流动性和交易行为。朱学红和张宏伟（2017）以证监会公布的2013年高盛铝价操纵案为例，发现在操纵期内，期货和现货价格序列呈现出“非自然特征”，且在不同事件窗口都有显著为正的累计超额收益率，呈现较大波动。史永东等（2005）、熊熊等（2011）、周杰等（2017）均通过研究操纵行为，运用Logistic回归模型，建立了操纵事件的识别预警模型。马斌等（2017）以证监会公布的6起股价操纵案例为样本，对操纵事件发生时股票市场的共性进行研究，指出在操纵事件发生时股票会在收益率、波动性、股权集中度、股票流动性和股本规模等方面表现出共性特征，并结合GARCH模型建立了识别异常操纵行为的模型。周齐等（2019）在竞争性理性预期均衡的框架下，建立非知情交易者异质信念下风险资产定价模型，推导出关于风险资产的贝叶斯线性均衡价格函数，基于此揭示操纵手法。栾春阳（2019）以国内证券市场首个ETF（交易型开放式指数基金）操纵案——东海恒信操纵180ETF案为例，分析衍生品操纵行为的认定，提出衍生品操纵行为的规制思路及相关建议。彭明旭等（2019）基于Seppi的市场框架，分析在纯限价订单市场机制和混合市场机制下，庄家的交易策略、市场均衡价格和平均风险升水，比较市场交易机制在限制庄家操纵市场方面的优劣。 国外对股价操纵的研究开始较早，成果也较多，但是大都通过搜集被操纵股票的数据，利用线性逻辑回归模型对被操纵股票的回报率、波动性和流动性等信息进行建模。随着计算机技术的迅猛发展，影响市场波动的因素更为复杂，操纵的手段也越来越隐蔽，不可预测性更强。[2]近几年，少部分学者开始对操纵行为的量化特征进行研究，运用数据挖掘技术，建立复杂模型进行操纵行为检测。如Yang等（2012）应用数据挖掘技术中的强化学习模型对交易行为及限价指令簿的动态变化进行建模，该模型可以准确识别和区分各类交易策略及隐藏其中的操纵行为。Cao和Yao（2016）在此基础上应用支持向量机等数据挖掘技术对资本市场的正常交易和各类操纵行为的抽象特征进行数量研究分析，并建立相關的实时监测模型。姚远等（2016）抽象市场操纵事件的关键特征，通过量化，建立基于隐马尔科夫模型的市场操纵监测预警模型。
目前这些对市场操纵行为的诊断和监测均缺乏操纵策略本质特征的分析，使用的数据也多为股票市场日交易数据，而日交易数据反应市场交易的阶段量，但不能反应操纵策略实施时市场的微观变化，因此，本文从操纵案例和微观角度出发，设计反映操纵策略本质特征的新型指标，引入日内交易高频数据，希望得到更高的识别准确率。
二、监测指标设计
目前关于市场操纵的研究都是基于传统的统计指标，如价格波动率、流动性、收益率、换手率、投资回报率和交易量等，市场操纵行为会导致这些指标的变动。但是引起这些指标变动因素不仅包括可能存在的市场操纵，宏观政策的变动、经济周期的变化、交易者的情绪等都可能造成指标变动，因此，股价操纵可能引起传统指标的变化，但传统指标的变化并不能判定存在市场操纵。本文从具体股价操纵案例，分析操纵事件发生之时，股票市场上发生的实时微观变化，设计能反映操纵策略本质特征的指标。[3]
中国证监会2018年7月13日发布的行政处罚决定书〔2018〕61号中指出：2015年8月25日10：18：51至10：24：23，郁红高通过大额、多笔、连续买入拉抬“经纬纺机”价格，占同期市场成交量的77.63%，并在拉抬后半小时内反向卖出获利。在操纵期间内，“经纬纺机”股价上涨7.52%。在操纵期间内，账户组累计买入1，155，800股;在拉抬过程中累计卖出423，400股，成交金额6，615，358.00元;在拉抬后半小时内累计卖出300，000股，成交金额4，680，055.00元。
中国证监会2018年11月13日发布的行政处罚决定书〔2018〕108号中指出：2017年1月18日，上午9点15分，刘坚账户分5笔委托买入“*ST罗顿”，委托数量分别为150，000股、135，000股、430，000股、150，000股和26，000股，委托数量占集合竞价期间市场总委托买入量比例分别为6%、5%、16%、6%和1%;委托价格分别为12.5元/股、12.3元/股、13.41元/股、12.4元/股和13.3元/股，委托价格较前收盘价涨幅分别为3%、1%、10%、2%和9%，较市场申买均价涨幅分别为1%、-1%、8%、0%和7%;委托金额分别为1，875，000元、1，660，500元、5，766，300元、1，860，000元和345，800元。该5笔委托于9点16分至9点19分期间全部撤单。开盘后至10点前，卖出300，000股，获利23，036.54元。
从这两起案例的处罚决定书中可以看出：操纵事件过程中，操纵者利用手中多个账户持有大量操纵股股票，控制使用账户组，集中资金优势、持股优势，通过大额封涨停、虚假申报并封涨停、盘中拉抬并封涨停等方式来达到非法获利的操纵目的。在大量买卖操纵股的同时，操纵股实时数据与大盘数据发生大幅度偏移。[4]这两个案例都显示出操纵者在拉抬股价时，要大量在账户组间申报、撤销买单和卖单，因此本文归纳出股价操纵的行为交易特征：
特征1，操纵者在短时间内多次提交买单，每次额度较大;
特征2，连续提交高（低）于当前最佳盘口买（卖）价格的限价指令;
特征3，盘口买卖价差迅速缩小;
特征4，极短时间内取消之前提交的一系列限价指令。
结合操纵策略的行为特征，可以发现操纵者的买卖指令对于市场的冲击主要体现在额度和价格等方面，其中频繁提交额度较大的买卖指令，会对股票交易市场的成交额度形成冲击;提交高于盘口价格的买卖指令，会对交易市场的买卖价格形成冲击;短时间内多次提交额度较大的买卖指令，买卖价差缩小，盘口买卖价比变小;极短时间内取消大量买卖指令，撤单率大幅增加。[5]
通过案例中操纵行为对市场的冲击影响分析，归纳每一次指令对于交易盘口价格和额度的冲击，本文总结出反映交易特征的三个指标，具体如图1所示。
指标2：δpi用来衡量指令价格对于市场的冲击，Ai、Bi分别表示限价指令进入指令簿时的最佳卖价和买价。
三、实证分析
（一）样本的选取
本文选取2017—2019年中国证监会公开处罚的股票市场操纵案中叙述完整的被操纵事件数据作为研究样本。经过筛选，找出8支（英威腾、博云新城、市北新高、福达股份、张家港行、和胜股份、江阴银行、迪贝电气）操纵时间清晰、交易数据完整的股票数据，剔除停牌日后将这些数据作为操纵期数据。同时，选择这8只股票在操纵事件发生之前与操纵期持续时间相同的交易日数据作为非操纵期数据。将8只股票数据分成两组，第一组英威腾、博云新城、张家港行、和胜股份四支股票数据作为预测样本，进行模型预测，第二组市北新高、福达股份、江阴银行、迪贝电气四支股票作为检验样本，用来检验识别市场操纵模型的准确率。[7]
本文以样本的日内交易一分钟分时高频数据作为实证研究数据。相关数据主要来源于中国证监会网站公布的处罚公告、RESSET金融数据库和高频数据库，其中，剔除个股停牌日的有关数据，得到数据共29612条，其中预测样本数据19000条，检验样本数据10612条。 （二）模型和变量选取
本文采用Logistic回归模型来研究市场上一只证券被操纵的概率问题。Logistic回归模型对于识别问题事件有明显优势，模型使用的条件比较宽松，对进入模型的数据没有特别严格要求，预测值在（0，1）之间，误差项可以存在异方差。Logistic模型将该股票是否存在操纵作为被解释变量，把研究一只股票是否存在操纵问题转化成为研究该只股票存在操纵的概率，模型的基本判别思想是判断操纵事件发生的概率与预测向量之间存在如下回归关系：[7]
其中Pi表示操纵事件发生的概率，Xi表示第i个时期操纵事件的预测向量。计算模型参数，得出股价操纵事件发生的概率。
1.被解释变量
被解释变量是0-1型变量。具体如下所示：
Y=1，表示該股票存在操纵0，表示该股票不存在操纵
当状态变量Y=1，说明模型判断该股票存在股价操纵;当状态变量Y=0，说明模型判别该股票不存在股价操纵。
2.解释变量
解释变量选取第二部分中设计的三个指标：
（2）δpi用来衡量指令价格对于市场的冲击，Ai、Bi分别表示限价指令进入指令簿时的最佳卖价和买价。
（三）数据及指标处理
RESSET金融高频数据库记录了上证和深证股票市场每只股票从2000年到2019年的日内交易数据，日内交易一分钟分时高频数据包含证券代码，证券名称，行情时间，行情日期，买价1（元），买价2（元），买价3（元），买价4（元），买价5（元），买入数量1（股），买入数量2（股），买入数量3（股），买入数量4（股），买入数量5（股），卖价1（元），卖价2（元），卖价3（元），卖价4（元），卖价5（元），卖出数量1（股），卖出数量2（股），卖出数量3（股），卖出数量4（股），卖出数量5（股）等多个项目，数据库体量庞大。
对于衡量指令价格对于市场的冲击指标δpi，用当前成交价来表示指令的价格Lpi;当前的最佳卖价Ai用卖一价表示;当前的最佳买价Bi用买一价表示。
对于衡量盘口买卖价差的指标δqi，用卖一价与买一价之比取对数来表示。[8]
（四）识别模型的实证分析
1.变量检验
为了验证额度冲击、价格冲击、买卖价比对操纵事件的解释能力，首先运用两独立样本的非参数检验法对19000条预测样本数据的变量进行筛选。非参数检验法常用于两个总体分布的比例判断，该方法的原假设是两个独立样本的总体分布无明显差异。本节的非参数检验通过SPSS 22.0完成。非参数检验的结果如表1所示。
从平均值可以看出，额度冲击和买卖价比在操纵期间和非操纵期间显著不同，额度冲击在市场操纵时期绝对值明显变大，买卖价比在操纵时期的平均值变化明显，价格冲击在操纵期间和非操纵期间平均值变化不大;从标准偏差列可以看出，额度冲击在两个时期显著不同，在操纵期标准偏差更大，表示额度冲击在操纵期间变动更大、更分散;价格冲击的标准偏差在两个时期变化并不明显，买卖价比在操纵发生期间有变大趋势。
表2中额度冲击和买卖价比的F值和T值检验的显著性均小于显著水平0.05，同时，样本差值95%置信区间均没有跨0，可以认定额度冲击和买卖价比在操纵事件发生之前和发生之时方差和平均值存在显著差异;而价格冲击的T值显著性为0.169，大于显著水平0.05，同时，样本差值95%置信区间跨0，即操纵事件发生前和发生时价格冲击指标平均值不存在显著差异。
通过以上分析，额度冲击、买卖价比两个指标通过两独立样本T检验，价格冲击指标未能通过T检验。在进行模型的预测分析时，额度冲击、买卖价比两个指标进入模型。
2. Logistic模型回归
让预测样本四只股票的额度冲击和买卖价比两个指标进入Logistic模型，进行回归分析，得到股票市场的操纵识别模型。该模型的拟合优度为0.691，拟合度较高，说明Logistic模型有效。
表3显示分界点为0.5时当前模型的错判矩阵。可以看到，8259条非操纵数据中，模型正确识别出7569条，正确率为91.6%。10741条操纵数据中，模型将309条操纵事件识别为非操纵数据，正确率为97.1%。模型总的预测正确率为94.7%。因此，该模型能较好预测操纵数据。基于此，得到操纵事件识别模型：
其中，Pi表示该交易为操纵事件的概率，δvi表示限价指令的额度对于市场的冲击，δqi表示盘口买卖价比。
用上述操纵事件识别模型对市北新高、福达股份、江阴银行、迪贝电气四只检验样本股票进行模型识别正确率检验。识别过程中，取0.5作为判别临界值（阈值），预测结果如表4所示：
四只检验股票的数据总数10612条，其中包括操纵事件数据5838条，非操纵事件数据4774条。从上表得出，模型对操纵事件的识别正确率为91.0%，对非操纵事件的识别正确率为66.4%，模型总体识别成功率为79.9%，效果较好。[9]
四、结论与启示
本文通过分析具体股价操纵案例，归纳出操纵者实施操纵策略时的共性特征，包括操纵者在短时间内多次提交买单，每次额度较大;连续提交高（低）于当前最佳盘口买（卖）价格的限价指令，盘口买卖价差迅速缩小;极短时间内取消之前提交的一系列限价指令。针对这些操纵特征，设计出能反映这些操纵特征的市场指标，包括反映限价指令的额度对于市场的冲击指标，限价指令价格对于市场的冲击指标，股票成交时盘口买卖价差指标。经过实证分析，这些指标在识别市场操纵行为过程中是有效的。[10]
通过对数据进行描述性统计分析，结果显示在操纵事件发生时，额度冲击与操纵前阶段数据分布明显不同，表明操纵策略的实施会对市场上的成交量直接造成影响。在独立样本的T检验中，额度冲击、买卖价比两个指标通过两个独立样本T检验。表明市场操纵发生时，额度冲击、买卖价比指标存在显著差异，额度冲击、买卖价比两个指标符合进入模型的要求。在变量没有进入模型之前，操纵事件识别模型中非操纵事件识别正确率为66.4%，在变量进入模型之后，识别模型的操纵事件识别正确率提高到91.0%，表明额度冲击、买卖价比两个指标可以帮助进行操纵事件的识别，提高识别的准确率。检验样本市北新高、福达股份、江阴银行、迪贝电气四只股票的总体识别正确率达到79.9%，对操纵事件的识别率较高，可以认为能够用该模型进行股价的操纵异常判断。 股票操纵现象主要体现出我国股票市场的不完善和监管机构的监管不当，因此规范我国股票市场的关键是提高股票操纵的预测及防范效果。本文认为，为了加强对股票操纵行为的监管与防范，不仅需要规范市场交易行为，加强监管部门的监管力度，还需要从上市公司的角度出发，提出相应措施。[11]基于本文研究结果，提出以下几点建议：
（一）从监管部门的角度，股票操纵等违法违规现象屡禁不止，主要在于犯罪成本和收益的严重不符，因此，监管部门应该加大对此类违法行为的处罚力度，提升其违法成本，该方法在一定程度上可以降低股票操纵行为的发生次数。长期以来，国家监管部门也在努力改善市场环境，2012年成立稽查总队上海、深圳分队，以提高监管力度，取得了一定的成效，市场操纵行为得到一定程度的打击。随着监管力度的加大，市场操纵者的手段和方法也随之发生变化，更加隐蔽、复杂，很大程度上加大了监管难度，由于违法行为分散、监管部门执法力量不足，监管部门监管效率较低，在一定程度上提高了违法违规行为的发生。监管部门应当基于已有股票操纵现象的执法经验，建立针对股票操纵行为的监管系统，以提高监管效率;同时基于本文的研究，额度冲击和买卖价比会对股票成交量产生影响，建议监管部门针对此指标建立并完善股票操纵行为的监管体系。
（二）对于市场交易行为来说，鉴于违法违规成本与收益的严重不符是股票操纵行为频发的缘由，应该完善我国股票市场的交易制度，通过提高股票操纵的交易成本来降低此类违法违规事件的发生概率。由本文所提出的中国证监会发布行政处罚决定书中可以看出，操纵者的操纵行为主要体现为在大量买卖股票的同时，该股票实时数据与大盘数据发生大幅度偏移。为尽可能防范股票操纵行为，需要引入一系列设计，以进一步优化操纵行为的监测机制。本文提出一个方向：为避免买卖价比过大和额度冲击所引起的操纵行为，需采取一定的干预措施，该措施需结合我国股票市场的现状，并基于国际股票市场的发展趋势及监管机制来制定。
（三）对上市公司而言，公司应致力于提升其财务稳定性，避免成为被操纵的对象。中国证监会所披露的操纵案件的分析表明，财务稳定性差的公司更容易成为被操纵对象。目前我国上市公司的质量良莠不齐，原因在于一些公司运营质量和经营管理水平较低，且由于退市制度的不足，难以淘汰一些经营质量差的公司。而且，规模较小、流动性差的公司更容易成为操纵者的操控对象，监管部门应该加强对小型上市公司的监管力度，充分发挥我国的制度优势。同时，我国上市公司的治理水平需进一步提高，由于上市公司中存在股权集中等现象，股权的集中程度与被操纵的概率成正比。因此完善上市公司退市制度，提高上市公司治理结构，可以有效地减少操縱的违法现象。
（四）从投资者出发，一方面，对于个人投资者，研究结果表明操纵者在实施操纵策略时会对实时市场报价额度和买卖价比有显著影响。当前我国大部分股票投资者把投资与投机等价，并不关注股票市场的趋势和具体股票的细节，这种不理性的行为极易受到操纵者的操控，基于本文的研究结果，一般投资者可以根据这几个监测指标，有意识地判断哪些股票更易被操纵，来规避风险。同时，需要加强投资者的风险意识、心理素质教育，提高投资者的风险承受能力，也要加强投资者的投资方法教育，以寻求适合的投资方法。另一方面，对于机构投资者，要加强其内部管理，规范机构投资者的规章制度，同时，要加强外部监督，使机构投资者管理体系更加完善，推动机构投资者的合理发展与进步。[12]
参考文献：
[1]马斌，张莎莎，姚远.基于GARCH模型的股票市场股价操纵研究[J].济南大学学报（社会科学版），2017，（6）：129-139.
[2]栾春旭.金融衍生品市场操纵行为的识别与规制[J].福建金融，2019，（11）：64-69.
[3]赵莹.我国法定数字货币的金融监管制度构建[J].重庆社会科学，2020，（5）：74-83.
[4]林祥友，王明邦，邵雪灵.股指期货主力合约转换与价格发现能力研究[J].重庆工商大学学报（社会科学版）.2018，（4）：1-10.
[5]白雪，牛锋.金融机构系统性风险贡献的测度、检验与监管[J].山西财经大学学报，2018，（12）：45-59.
[6]李佳.金融结构变迁与银行资产证券化发展：影响机制及经验证据[J].金融经济学研究，2019，（1）：67-82.
[7]杨波，蒋如玥，方芳.我国企业资产证券化短期财富效应研究——基于 A 股上市公司的实证分析[J].现代经济探讨，2018，（2）：38-44.
[8]李翔，张一璇，周梦雅，陈浩.股票发行定价与发行后股东减持——基于中国股权分置改革后股票发行的经验证据[J].经济问题，2018，（1）：82-90.
[9]白俊，刘园园，邱善运. 金融资产配置与股价信息含量[J].南方经济，2019，（11）：53-71.
[10]甘茂智，黄柏翔，周书仪.宏观审慎评估体系下股市系统性风险防范研究[J].当代经济研究，2018，（9）：80-89.
[11]张健.中国互联网金融风险与监管体系改革的路径选择[J].亚太经济，2018，（6）：78-82.
[12]陈宁.国际金融市场 2017 年回顾及 2018 年展望[J].重庆理工大学学报（社会科学），2018，（7）：1-7.
（责任编辑 张亨明）
关键词：股价操纵;特征指标;识别模型;高频数据
中图分类号：F830.91 文献标志码：A 文章编号：1001-862X（2020）04-0119-007
一、引 言
自股票市场成立，股价操纵现象就一直存在。伴随着经济发展的良好态势，我国股票市场发展也十分迅猛。由于市场相关法律和监管制度的不完善，各种不当竞争事件频发，股价操纵便是其中之一。对于资本市场发展更早、法律和监管制度更为完善的欧美证券市场，股价操纵现象仍是制约其发展的一大难题。近年来，政府和监管部门也采取各种措施遏制股票市场操纵行为，但由于操纵策略和操纵技术的隐蔽性，操纵事件还是频频发生。操纵行为的表现形式多种多样，其中股价操纵是最重要的策略之一，股价操纵不仅在宏观上会影响金融市场的价格发现，破坏市场上的投资环境，制约金融市场的健康发展，威胁金融市场稳定，且从微观层面来说，会影响股票价格正常变化轨道，导致股市微观震荡。[1]
从个世纪90年代起，国内外学者开始陆续对股价操纵行为展开研究。Fischel和Ross（1991）首先定义金融市场股价操纵是带有不好意图的盈利性交易。Jarrow（1992）定义股价操纵为故意散布虚假的价格信号，导致价格偏离市场正常运行水平的交易行为。Kyle和Viswanathan（2008）定义股价操纵行为是影响资源配置效率、增加市场风险、降低经济效率的交易策略。
随着金融市场创新程度的不断提高，学者开始从不同角度研究股票市场操纵行为。最早，学者们集中研究操纵行为存在的可能性及操纵行为利润的可得性。Laroque（1989）证明金融市场的内部交易者均有能力与动机通过误导公众信息和预期来操纵股票价格。Allen和Gorton（1991）指出当流动性买家聚类现象不明显时，知情交易者更有可能充当买方的角色，从而导致股票价格向着有利于买方的方向发展，因此信息不对称可使股价操纵者（知情交易者）获利。Allen和Gale（1992）通过假设三种交易者类型：完全相同的理性投资者、有内幕消息的投资者、有影响力的操纵者，模拟分析三类交易者的行为，发现操纵者以较小的概率进入市场，当内幕交易者事实上并不拥有内幕消息时，操纵者会模仿内幕交易者的行为，由于理性投资者不确定究竟是内幕交易者还是操纵者，最后会达到一个混和均衡，在满足一定条件的情况下，操纵者能够获得正的收益。Hart（1977）、Jarrow（1992）通过建立预期价格模型，模拟市场交易环境，均都得出交易者可以通过资金或者舆论信息而使价格朝有利于自己的方向发展，证实操纵存在性。Bagnoli和Lipman（1996）分析操纵者在购入股票之后，联合散布公司被收购的虚假舆论，最后抛售股票而获利的操纵策略，建立了操纵利润可得性的模型。Benabou等（2004）证明信息不对称时，知情交易者在各期均衡状态下均可能具有市场操纵的动机。
随后，一些学者通过分析操纵事件的交易数据，从实证方面研究股价操纵的行为模式和操纵行为对市场的影响。刘元海（2003）分析了存在操纵样本的股票收益率、换手率和波动率在市场上的变化，找出操纵行为对指标的影响。施红俊等（2004）通过研究被操纵股票的市场指标，发现存在股价操纵行为的股票收益率、换手率、收益波动率在交易日的早盘和尾盘表现出明显的异常。Bruner（2004）对2001年之前30年间的并购案例进行分析，发现目标公司股东在股权移交过程中会操纵股价走向，使自己从中获利。周春生等（2005）研究了中国股票市场中交易型股价操纵问题，研究结果显示投资者的非理性投资和有限套利制约的存在，会使操纵者更容易从操纵中获利。张继龙（2006）研究指出中国股票市场投机氛围浓重，分析股指期货市场被操纵的可能性，研究股指期货市场被操纵的行为模式。Chiou（2007）建立马尔科夫模型和异方差模型，分析股价操纵事件发生期间市场波动率的变化情况。王欣（2009）在考虑波动率的基础上，引入包括股东持股比例、户均持股比例变动等变量，运用分位数回归模型对操纵行为进行识别。陆蓉（2009）分析被操纵股票在换手率、成交量、波动率、beta系数等方面的变化，发现在操纵前和操纵后阶段被操纵股票的收益率存在明显差异，且β系数在操纵期间呈现异常低值。Chan和Alfred（2013）利用香港证券市场交易研究潜在操縱活动，结果表明撤单率和操纵行为之间具有强相关性，同时指出，对高频数据的分析有助于提高对股票市场交易行为的认识。Kong和Wang（2014）利用中国股市的交易数据，研究股价操纵影响市场流动性和交易行为。朱学红和张宏伟（2017）以证监会公布的2013年高盛铝价操纵案为例，发现在操纵期内，期货和现货价格序列呈现出“非自然特征”，且在不同事件窗口都有显著为正的累计超额收益率，呈现较大波动。史永东等（2005）、熊熊等（2011）、周杰等（2017）均通过研究操纵行为，运用Logistic回归模型，建立了操纵事件的识别预警模型。马斌等（2017）以证监会公布的6起股价操纵案例为样本，对操纵事件发生时股票市场的共性进行研究，指出在操纵事件发生时股票会在收益率、波动性、股权集中度、股票流动性和股本规模等方面表现出共性特征，并结合GARCH模型建立了识别异常操纵行为的模型。周齐等（2019）在竞争性理性预期均衡的框架下，建立非知情交易者异质信念下风险资产定价模型，推导出关于风险资产的贝叶斯线性均衡价格函数，基于此揭示操纵手法。栾春阳（2019）以国内证券市场首个ETF（交易型开放式指数基金）操纵案——东海恒信操纵180ETF案为例，分析衍生品操纵行为的认定，提出衍生品操纵行为的规制思路及相关建议。彭明旭等（2019）基于Seppi的市场框架，分析在纯限价订单市场机制和混合市场机制下，庄家的交易策略、市场均衡价格和平均风险升水，比较市场交易机制在限制庄家操纵市场方面的优劣。 国外对股价操纵的研究开始较早，成果也较多，但是大都通过搜集被操纵股票的数据，利用线性逻辑回归模型对被操纵股票的回报率、波动性和流动性等信息进行建模。随着计算机技术的迅猛发展，影响市场波动的因素更为复杂，操纵的手段也越来越隐蔽，不可预测性更强。[2]近几年，少部分学者开始对操纵行为的量化特征进行研究，运用数据挖掘技术，建立复杂模型进行操纵行为检测。如Yang等（2012）应用数据挖掘技术中的强化学习模型对交易行为及限价指令簿的动态变化进行建模，该模型可以准确识别和区分各类交易策略及隐藏其中的操纵行为。Cao和Yao（2016）在此基础上应用支持向量机等数据挖掘技术对资本市场的正常交易和各类操纵行为的抽象特征进行数量研究分析，并建立相關的实时监测模型。姚远等（2016）抽象市场操纵事件的关键特征，通过量化，建立基于隐马尔科夫模型的市场操纵监测预警模型。
目前这些对市场操纵行为的诊断和监测均缺乏操纵策略本质特征的分析，使用的数据也多为股票市场日交易数据，而日交易数据反应市场交易的阶段量，但不能反应操纵策略实施时市场的微观变化，因此，本文从操纵案例和微观角度出发，设计反映操纵策略本质特征的新型指标，引入日内交易高频数据，希望得到更高的识别准确率。
二、监测指标设计
目前关于市场操纵的研究都是基于传统的统计指标，如价格波动率、流动性、收益率、换手率、投资回报率和交易量等，市场操纵行为会导致这些指标的变动。但是引起这些指标变动因素不仅包括可能存在的市场操纵，宏观政策的变动、经济周期的变化、交易者的情绪等都可能造成指标变动，因此，股价操纵可能引起传统指标的变化，但传统指标的变化并不能判定存在市场操纵。本文从具体股价操纵案例，分析操纵事件发生之时，股票市场上发生的实时微观变化，设计能反映操纵策略本质特征的指标。[3]
中国证监会2018年7月13日发布的行政处罚决定书〔2018〕61号中指出：2015年8月25日10：18：51至10：24：23，郁红高通过大额、多笔、连续买入拉抬“经纬纺机”价格，占同期市场成交量的77.63%，并在拉抬后半小时内反向卖出获利。在操纵期间内，“经纬纺机”股价上涨7.52%。在操纵期间内，账户组累计买入1，155，800股;在拉抬过程中累计卖出423，400股，成交金额6，615，358.00元;在拉抬后半小时内累计卖出300，000股，成交金额4，680，055.00元。
中国证监会2018年11月13日发布的行政处罚决定书〔2018〕108号中指出：2017年1月18日，上午9点15分，刘坚账户分5笔委托买入“*ST罗顿”，委托数量分别为150，000股、135，000股、430，000股、150，000股和26，000股，委托数量占集合竞价期间市场总委托买入量比例分别为6%、5%、16%、6%和1%;委托价格分别为12.5元/股、12.3元/股、13.41元/股、12.4元/股和13.3元/股，委托价格较前收盘价涨幅分别为3%、1%、10%、2%和9%，较市场申买均价涨幅分别为1%、-1%、8%、0%和7%;委托金额分别为1，875，000元、1，660，500元、5，766，300元、1，860，000元和345，800元。该5笔委托于9点16分至9点19分期间全部撤单。开盘后至10点前，卖出300，000股，获利23，036.54元。
从这两起案例的处罚决定书中可以看出：操纵事件过程中，操纵者利用手中多个账户持有大量操纵股股票，控制使用账户组，集中资金优势、持股优势，通过大额封涨停、虚假申报并封涨停、盘中拉抬并封涨停等方式来达到非法获利的操纵目的。在大量买卖操纵股的同时，操纵股实时数据与大盘数据发生大幅度偏移。[4]这两个案例都显示出操纵者在拉抬股价时，要大量在账户组间申报、撤销买单和卖单，因此本文归纳出股价操纵的行为交易特征：
特征1，操纵者在短时间内多次提交买单，每次额度较大;
特征2，连续提交高（低）于当前最佳盘口买（卖）价格的限价指令;
特征3，盘口买卖价差迅速缩小;
特征4，极短时间内取消之前提交的一系列限价指令。
结合操纵策略的行为特征，可以发现操纵者的买卖指令对于市场的冲击主要体现在额度和价格等方面，其中频繁提交额度较大的买卖指令，会对股票交易市场的成交额度形成冲击;提交高于盘口价格的买卖指令，会对交易市场的买卖价格形成冲击;短时间内多次提交额度较大的买卖指令，买卖价差缩小，盘口买卖价比变小;极短时间内取消大量买卖指令，撤单率大幅增加。[5]
通过案例中操纵行为对市场的冲击影响分析，归纳每一次指令对于交易盘口价格和额度的冲击，本文总结出反映交易特征的三个指标，具体如图1所示。
指标2：δpi用来衡量指令价格对于市场的冲击，Ai、Bi分别表示限价指令进入指令簿时的最佳卖价和买价。
三、实证分析
（一）样本的选取
本文选取2017—2019年中国证监会公开处罚的股票市场操纵案中叙述完整的被操纵事件数据作为研究样本。经过筛选，找出8支（英威腾、博云新城、市北新高、福达股份、张家港行、和胜股份、江阴银行、迪贝电气）操纵时间清晰、交易数据完整的股票数据，剔除停牌日后将这些数据作为操纵期数据。同时，选择这8只股票在操纵事件发生之前与操纵期持续时间相同的交易日数据作为非操纵期数据。将8只股票数据分成两组，第一组英威腾、博云新城、张家港行、和胜股份四支股票数据作为预测样本，进行模型预测，第二组市北新高、福达股份、江阴银行、迪贝电气四支股票作为检验样本，用来检验识别市场操纵模型的准确率。[7]
本文以样本的日内交易一分钟分时高频数据作为实证研究数据。相关数据主要来源于中国证监会网站公布的处罚公告、RESSET金融数据库和高频数据库，其中，剔除个股停牌日的有关数据，得到数据共29612条，其中预测样本数据19000条，检验样本数据10612条。 （二）模型和变量选取
本文采用Logistic回归模型来研究市场上一只证券被操纵的概率问题。Logistic回归模型对于识别问题事件有明显优势，模型使用的条件比较宽松，对进入模型的数据没有特别严格要求，预测值在（0，1）之间，误差项可以存在异方差。Logistic模型将该股票是否存在操纵作为被解释变量，把研究一只股票是否存在操纵问题转化成为研究该只股票存在操纵的概率，模型的基本判别思想是判断操纵事件发生的概率与预测向量之间存在如下回归关系：[7]
其中Pi表示操纵事件发生的概率，Xi表示第i个时期操纵事件的预测向量。计算模型参数，得出股价操纵事件发生的概率。
1.被解释变量
被解释变量是0-1型变量。具体如下所示：
Y=1，表示該股票存在操纵0，表示该股票不存在操纵
当状态变量Y=1，说明模型判断该股票存在股价操纵;当状态变量Y=0，说明模型判别该股票不存在股价操纵。
2.解释变量
解释变量选取第二部分中设计的三个指标：
（2）δpi用来衡量指令价格对于市场的冲击，Ai、Bi分别表示限价指令进入指令簿时的最佳卖价和买价。
（三）数据及指标处理
RESSET金融高频数据库记录了上证和深证股票市场每只股票从2000年到2019年的日内交易数据，日内交易一分钟分时高频数据包含证券代码，证券名称，行情时间，行情日期，买价1（元），买价2（元），买价3（元），买价4（元），买价5（元），买入数量1（股），买入数量2（股），买入数量3（股），买入数量4（股），买入数量5（股），卖价1（元），卖价2（元），卖价3（元），卖价4（元），卖价5（元），卖出数量1（股），卖出数量2（股），卖出数量3（股），卖出数量4（股），卖出数量5（股）等多个项目，数据库体量庞大。
对于衡量指令价格对于市场的冲击指标δpi，用当前成交价来表示指令的价格Lpi;当前的最佳卖价Ai用卖一价表示;当前的最佳买价Bi用买一价表示。
对于衡量盘口买卖价差的指标δqi，用卖一价与买一价之比取对数来表示。[8]
（四）识别模型的实证分析
1.变量检验
为了验证额度冲击、价格冲击、买卖价比对操纵事件的解释能力，首先运用两独立样本的非参数检验法对19000条预测样本数据的变量进行筛选。非参数检验法常用于两个总体分布的比例判断，该方法的原假设是两个独立样本的总体分布无明显差异。本节的非参数检验通过SPSS 22.0完成。非参数检验的结果如表1所示。
从平均值可以看出，额度冲击和买卖价比在操纵期间和非操纵期间显著不同，额度冲击在市场操纵时期绝对值明显变大，买卖价比在操纵时期的平均值变化明显，价格冲击在操纵期间和非操纵期间平均值变化不大;从标准偏差列可以看出，额度冲击在两个时期显著不同，在操纵期标准偏差更大，表示额度冲击在操纵期间变动更大、更分散;价格冲击的标准偏差在两个时期变化并不明显，买卖价比在操纵发生期间有变大趋势。
表2中额度冲击和买卖价比的F值和T值检验的显著性均小于显著水平0.05，同时，样本差值95%置信区间均没有跨0，可以认定额度冲击和买卖价比在操纵事件发生之前和发生之时方差和平均值存在显著差异;而价格冲击的T值显著性为0.169，大于显著水平0.05，同时，样本差值95%置信区间跨0，即操纵事件发生前和发生时价格冲击指标平均值不存在显著差异。
通过以上分析，额度冲击、买卖价比两个指标通过两独立样本T检验，价格冲击指标未能通过T检验。在进行模型的预测分析时，额度冲击、买卖价比两个指标进入模型。
2. Logistic模型回归
让预测样本四只股票的额度冲击和买卖价比两个指标进入Logistic模型，进行回归分析，得到股票市场的操纵识别模型。该模型的拟合优度为0.691，拟合度较高，说明Logistic模型有效。
表3显示分界点为0.5时当前模型的错判矩阵。可以看到，8259条非操纵数据中，模型正确识别出7569条，正确率为91.6%。10741条操纵数据中，模型将309条操纵事件识别为非操纵数据，正确率为97.1%。模型总的预测正确率为94.7%。因此，该模型能较好预测操纵数据。基于此，得到操纵事件识别模型：
其中，Pi表示该交易为操纵事件的概率，δvi表示限价指令的额度对于市场的冲击，δqi表示盘口买卖价比。
用上述操纵事件识别模型对市北新高、福达股份、江阴银行、迪贝电气四只检验样本股票进行模型识别正确率检验。识别过程中，取0.5作为判别临界值（阈值），预测结果如表4所示：
四只检验股票的数据总数10612条，其中包括操纵事件数据5838条，非操纵事件数据4774条。从上表得出，模型对操纵事件的识别正确率为91.0%，对非操纵事件的识别正确率为66.4%，模型总体识别成功率为79.9%，效果较好。[9]
四、结论与启示
本文通过分析具体股价操纵案例，归纳出操纵者实施操纵策略时的共性特征，包括操纵者在短时间内多次提交买单，每次额度较大;连续提交高（低）于当前最佳盘口买（卖）价格的限价指令，盘口买卖价差迅速缩小;极短时间内取消之前提交的一系列限价指令。针对这些操纵特征，设计出能反映这些操纵特征的市场指标，包括反映限价指令的额度对于市场的冲击指标，限价指令价格对于市场的冲击指标，股票成交时盘口买卖价差指标。经过实证分析，这些指标在识别市场操纵行为过程中是有效的。[10]
通过对数据进行描述性统计分析，结果显示在操纵事件发生时，额度冲击与操纵前阶段数据分布明显不同，表明操纵策略的实施会对市场上的成交量直接造成影响。在独立样本的T检验中，额度冲击、买卖价比两个指标通过两个独立样本T检验。表明市场操纵发生时，额度冲击、买卖价比指标存在显著差异，额度冲击、买卖价比两个指标符合进入模型的要求。在变量没有进入模型之前，操纵事件识别模型中非操纵事件识别正确率为66.4%，在变量进入模型之后，识别模型的操纵事件识别正确率提高到91.0%，表明额度冲击、买卖价比两个指标可以帮助进行操纵事件的识别，提高识别的准确率。检验样本市北新高、福达股份、江阴银行、迪贝电气四只股票的总体识别正确率达到79.9%，对操纵事件的识别率较高，可以认为能够用该模型进行股价的操纵异常判断。 股票操纵现象主要体现出我国股票市场的不完善和监管机构的监管不当，因此规范我国股票市场的关键是提高股票操纵的预测及防范效果。本文认为，为了加强对股票操纵行为的监管与防范，不仅需要规范市场交易行为，加强监管部门的监管力度，还需要从上市公司的角度出发，提出相应措施。[11]基于本文研究结果，提出以下几点建议：
（一）从监管部门的角度，股票操纵等违法违规现象屡禁不止，主要在于犯罪成本和收益的严重不符，因此，监管部门应该加大对此类违法行为的处罚力度，提升其违法成本，该方法在一定程度上可以降低股票操纵行为的发生次数。长期以来，国家监管部门也在努力改善市场环境，2012年成立稽查总队上海、深圳分队，以提高监管力度，取得了一定的成效，市场操纵行为得到一定程度的打击。随着监管力度的加大，市场操纵者的手段和方法也随之发生变化，更加隐蔽、复杂，很大程度上加大了监管难度，由于违法行为分散、监管部门执法力量不足，监管部门监管效率较低，在一定程度上提高了违法违规行为的发生。监管部门应当基于已有股票操纵现象的执法经验，建立针对股票操纵行为的监管系统，以提高监管效率;同时基于本文的研究，额度冲击和买卖价比会对股票成交量产生影响，建议监管部门针对此指标建立并完善股票操纵行为的监管体系。
（二）对于市场交易行为来说，鉴于违法违规成本与收益的严重不符是股票操纵行为频发的缘由，应该完善我国股票市场的交易制度，通过提高股票操纵的交易成本来降低此类违法违规事件的发生概率。由本文所提出的中国证监会发布行政处罚决定书中可以看出，操纵者的操纵行为主要体现为在大量买卖股票的同时，该股票实时数据与大盘数据发生大幅度偏移。为尽可能防范股票操纵行为，需要引入一系列设计，以进一步优化操纵行为的监测机制。本文提出一个方向：为避免买卖价比过大和额度冲击所引起的操纵行为，需采取一定的干预措施，该措施需结合我国股票市场的现状，并基于国际股票市场的发展趋势及监管机制来制定。
（三）对上市公司而言，公司应致力于提升其财务稳定性，避免成为被操纵的对象。中国证监会所披露的操纵案件的分析表明，财务稳定性差的公司更容易成为被操纵对象。目前我国上市公司的质量良莠不齐，原因在于一些公司运营质量和经营管理水平较低，且由于退市制度的不足，难以淘汰一些经营质量差的公司。而且，规模较小、流动性差的公司更容易成为操纵者的操控对象，监管部门应该加强对小型上市公司的监管力度，充分发挥我国的制度优势。同时，我国上市公司的治理水平需进一步提高，由于上市公司中存在股权集中等现象，股权的集中程度与被操纵的概率成正比。因此完善上市公司退市制度，提高上市公司治理结构，可以有效地减少操縱的违法现象。
（四）从投资者出发，一方面，对于个人投资者，研究结果表明操纵者在实施操纵策略时会对实时市场报价额度和买卖价比有显著影响。当前我国大部分股票投资者把投资与投机等价，并不关注股票市场的趋势和具体股票的细节，这种不理性的行为极易受到操纵者的操控，基于本文的研究结果，一般投资者可以根据这几个监测指标，有意识地判断哪些股票更易被操纵，来规避风险。同时，需要加强投资者的风险意识、心理素质教育，提高投资者的风险承受能力，也要加强投资者的投资方法教育，以寻求适合的投资方法。另一方面，对于机构投资者，要加强其内部管理，规范机构投资者的规章制度，同时，要加强外部监督，使机构投资者管理体系更加完善，推动机构投资者的合理发展与进步。[12]
参考文献：
[1]马斌，张莎莎，姚远.基于GARCH模型的股票市场股价操纵研究[J].济南大学学报（社会科学版），2017，（6）：129-139.
[2]栾春旭.金融衍生品市场操纵行为的识别与规制[J].福建金融，2019，（11）：64-69.
[3]赵莹.我国法定数字货币的金融监管制度构建[J].重庆社会科学，2020，（5）：74-83.
[4]林祥友，王明邦，邵雪灵.股指期货主力合约转换与价格发现能力研究[J].重庆工商大学学报（社会科学版）.2018，（4）：1-10.
[5]白雪，牛锋.金融机构系统性风险贡献的测度、检验与监管[J].山西财经大学学报，2018，（12）：45-59.
[6]李佳.金融结构变迁与银行资产证券化发展：影响机制及经验证据[J].金融经济学研究，2019，（1）：67-82.
[7]杨波，蒋如玥，方芳.我国企业资产证券化短期财富效应研究——基于 A 股上市公司的实证分析[J].现代经济探讨，2018，（2）：38-44.
[8]李翔，张一璇，周梦雅，陈浩.股票发行定价与发行后股东减持——基于中国股权分置改革后股票发行的经验证据[J].经济问题，2018，（1）：82-90.
[9]白俊，刘园园，邱善运. 金融资产配置与股价信息含量[J].南方经济，2019，（11）：53-71.
[10]甘茂智，黄柏翔，周书仪.宏观审慎评估体系下股市系统性风险防范研究[J].当代经济研究，2018，（9）：80-89.
[11]张健.中国互联网金融风险与监管体系改革的路径选择[J].亚太经济，2018，（6）：78-82.
[12]陈宁.国际金融市场 2017 年回顾及 2018 年展望[J].重庆理工大学学报（社会科学），2018，（7）：1-7.
（责任编辑 张亨明）