【JF论文速递】知情交易强度

• 这是“金融学前沿论文速递”第1452篇推送

• 选文:张泽宇 审稿:徐菁桦 终审:吕静 编辑:李雨

• 仅用于学术交流，原文版权归原作者和原发刊所有

原刊和作者：

The Journal of Finance 2024年4月

Vincent Bogousslavsky (Boston College) 

Vyacheslav Fos (Boston College)

Dmitriy Muravyev (Michigan State University)

（一）主检验：数据驱动法能识别知情交易

1. 训练数据

首先，用持股超过5%门槛后需报告的13D表的交易来训练ITI，考察该指标的基本属性，期望13D样本比稍后使用的其他知情交易样本（即机会型内幕交易者和卖空者）具有更高的“信噪比”。投资者需在13D报告中披露在备案日前60日内的所有交易。Collin-Dufresne and Fos (2015)首先收集了这些交易数据并表明他们是知情的。本文方法并不要求所有的交易都为知情交易，为简便起见，称其为知情交易。知情交易也可能发生在不在13D表中的交易日。本文方法假设，13D交易日比接近13D交易日，平均发生更多的知情交易。

2. 算法

构建ITI指标的第二个关键要素是GBT算法。用一组41个并发的日度变量来训练模型，这些变量受微观结构理论支撑，可以捕获流动性、收益、波动率和交易量。用随机森林算法代替GBT算法，结论稳健。相比之下，线性回归和Lasso算法会被随机森林和GBT算法取代。这说明，非线性和相互作用对于检测有知情交易的交易日很重要。因此，本文使用GBT算法。

3. 几个主要发现

（二）机制检验：捕捉交易量和波动率的非线性

ITI为何有效？ITI中的大多数输入变量都重要，但与交易量相关的变量最重要。然而，本文虽将有知情交易与没有知情交易的日期在交易量上进行匹配，ITI仍能强烈地检测出有知情交易的日期，这表明该度量的有效性不能仅归因于交易量。本文用偏相关图检验了非线性，发现ITI在交易量上增加且凹，在波动率上减少且凸。代理树(surrogate trees)是一种解释机器学习模型的流行方法，它表明变量的交互作用对ITI也很重要。具体而言，交易量高但波动率低时，ITI特别高；同样，交易量低且非流动性高时，ITI特别低。

（三）证真：ITI度量知情交易的进一步证据

1. 其他样本稳健性
将ITI指标外推至1993-2019年（约1700万个交易日）美国普通股的全样本。模型参数根据约60,000个交易日的13D交易数据估计。估计模型再用当日输入变量计算每个股票交易日的ITI。从全样本中排除13D的训练样本（占样本0.35%）。外推时假设ITI学习的日内变量与已实现的知情交易间的关系在全样本中基本成立。需承认，13D交易样本外，信噪比可能会更低。因此，除了捕获知情交易，ITI还可以在更大的无限制样本中反映不知情交易。虽然机器学习都会发生伪阳判断，但该问题在本文情境中更严峻，因为知情交易不可观测，甚至事后也是。因此，本文进行了各种信度检验，表明ITI始终优于现有度量。

2. 收益反转预测
首先，用美国普通股的全样本发现，ITI能预测价格反转的强度。已实现的知情交易与不知情交易导致的价格变化的根本区别在于，不知情交易导致的价格变化预计是短暂的(Hasbrouck, 1988, 1991)。因此，预测在已实现知情交易多的日期，收益比其他交易日的收益反转更少。证据与预测一致，进一步说明ITI捕捉了知情交易。结果在控制收益与换手率、收益与波动率、收益与有效价差间的相互作用后具有稳健性。因此，ITI并非仅是换手率、波动率或流动性的代理指标。

3. 事件日表现

其次，即使在控制了标准的流动性、交易量和波动率指标后，ITI也会在几类信息事件日增加。特别是盈余公告前ITI会增加。ITI能预测盈余公告日的巨大超额收益，说明ITI能反映意外盈余前的知情交易增加。ITI还会在计划外的信息事件（如计划外的信息发布和并购公告）前以及公告后的几日内增加。由于信息处理能力的异质性，信息的披露会增加信息不对称，知情投资者也可利用交易量增加来掩饰其交易。

（四）证伪：ITI并非流动性度量

人们可能会质疑，ITI是否为市场流动性的度量指标？ITI在盈余公告前增加这一证据反驳了该观点，因为流动性在盈余公告前往往会恶化。此外，之前已说明控制了流动性变量后，ITI还会随主动交易的规模而增加。因此，虽然ITI与流动性变量可能相关，因为知情投资者会对流动性择时，但ITI并不等同于流动性度量。

（五）数据驱动法的应用
1. 为知情交易经济学提供证据
首先利用13D交易数据的一个有用特性来说明“耐心”("patient")与“急躁”("impatient")交易的重要区别。在持股超过5%门槛后，须在10日内向SEC提交13D文件。13D申报者因而在临近申报时交易更积极。本文利用数据的这一特征将ITI分解为“耐心”ITI和“急躁”ITI，ITI（耐心）和ITI（急躁）分别在60日填报窗口的前40日和后20日进行训练。研究发现，急躁的知情交易更易被发现。该结果支持了Kaniel and Liu (2006)等的理论，即知情交易者倾向于更积极地下订单，因为其信息视域缩短了。特别是，ITI（耐心）和ITI（急躁）都与换手率呈正相关，ITI（急躁）的正相关性更强。此外，ITI（急躁）与已实现波动率呈正相关，而ITI（耐心）呈相反的模式；ITI（急躁）在盈余公告前两日强劲增长，而ITI（耐心）则没有。这些发现说明，ITI（急躁）能检测出积极的知情交易日期。ITI（急躁）也能检测非法内幕交易(Ahern, 2020)。

2. 揭示知情交易的共性
本文表明，ITI也能检测其他类别的知情交易，例如机会型内幕交易(opportunistic insider trades)和卖空高峰(spikes in short selling)。交易环境的波动可能会在知情交易中产生共性，但控制标准的流动性指标只能解释部分共性。此外，即使控制了在这些数据集上训练的ITI指标，ITI也能检测机会型内幕交易和卖空高峰。因此，一类知情交易可以通过研究其他类型知情交易而获得增量信息。然而，知情交易中的共性力量在事前并不清楚。本文通过比较在13D数据上训练的ITI指标与在其他数据集上训练的ITI指标，首次解决了这个问题。

3. 建模
数据驱动指标揭示的知情交易经济学问题还可用于建模，模型中交易量和绝对订单失衡都与已实现知情交易呈正相关，即使在相互控制的情况下；但波动率与已实现知情交易呈负相关。基于一系列知情交易模型的模拟数据表明，知情交易的这个维度很难捕捉。在所有考虑的模型中，没有一个能够同时匹配这三个关系。值得注意的是，当控制五种众所周知的知情交易指标时，ITI指标仍能显著检测出知情交易日。

4. 预测股票收益
本文通过检验知情交易能否预测未来股票收益，提供了ITI的一个简单应用。在面板回归中，以更高ITI来度量的已实现知情交易增加与更高的未来月度收益相关。前、后十分位ITI组合的Fama-French四因子alpha的差值为每月52个基点，即年化6.4%，t值6.2。其他ITI指标（除了对卖空数据进行训练的ITI）也能正向预测收益。本文结果表明，已实现的知情交易与未来收益正相关，这支持了买比卖股票包含更多知情信息的理论。相比之下，研究结果仅有限支持信息风险定价理论。

本文直接从知情交易数据中学习，提出一种新的度量知情交易的方法。用机器学习算法来识别有知情交易的日期。用与交易量、波动率和流动性相关的一组当日变量来预测知情交易日指标。用观察到的知情交易数据来训练并估计模型，将其外推至包括未直接观测知情交易的股票所有交易日。该过程产生了一种新的度量知情交易的指标——ITI。

研究发现，ITI显著预测样本外知情交易，并且是各种信息事件的显著预测因子。特别是在盈余公告、并购公告和非计划信息发布之前，ITI会增加。此外，高ITI日的收益比其他交易日的收益更少反转，这与知情交易的价格影响是永久性的直觉一致。这些结果证实ITI能作为知情交易的度量指标。

研究表明，本文数据驱动方法能解决知情交易经济学问题。首先，与理论一致，本文发现了急躁交易与耐心交易间的强烈区别证据。其次，一类知情交易可以通过研究其他类知情交易而获得增量信息。再次，本文方法突出了现有模型难以捕捉的知情交易的特定特征。ITI未被现有的基于理论的度量所吸收。这些典型事实为今后研究提供了启示。

ITI可应用于许多环境。本文提供了资产定价的一个应用，考察知情交易是否在股票收益的横截面中定价，因为先前研究的结果存在矛盾。本文表明，ITI增加与月度横截面未来高收益相关，这种可预测性与买、卖股票中的信息含量不对称最为一致。

本文的主要含义是，对知情交易进行数据驱动的机器学习，可以产生有效的知情交易度量指标，并提高大家对知情交易经济学问题的理解。

原文：

Bogousslavsky, Vincent, Vyacheslav Fos, Dmitriy Muravyev, 2024, Informed Trading Intensity,The Journal of Finance 29(2), 903-904.

【长按二维码自动识别】查看摘要或原文