流动性黑洞价格预警指标实证研究①

考虑仅将买卖价差和指令簿逆斜率两种流动性供给预警指标加入模型，模型如下所示:

其统计结果如表9-1所示。可以看到，Aspread和AILOBS_D两个变量均被模型选中，且AILOBS_D的预测能力大于Aspread，表明在指令流驱动的市场中，指令簿逆斜率比买卖价差含有更多有效的信息。其次，该模型的一致性预测比例为65.9%，不一致性预测比例为32.4%，表明该模型的预测能力较好。

表9-1(a) 向前选择解释变量步骤及统计量(仅有AILOBS_D和Aspread)

表9-1(b) 参数估计结果(仅有AILOBS_D和Aspread)

表9-1(c) 模型预测能力(仅有AILOBS_D和Aspread)

考虑仅将VPIN和累积净指令流冲击两种流动性需求预警指标加入模型，模型如下所示:

其统计结果如表9-2所示。可以看到，VPIN和Cu F两个变量均被模型选中，且VPIN的预测能力大于Cu F。该模型的一致性预测比例仅为54%，不一致性预测比例为41.4%，表明流动性需求预警指标对于未来价格暴跌的预测能力较差。

表9-2(a) 向前选择解释变量步骤及统计量(仅有VPIN和Cu F)

表9-2(b) 参数估计结果(仅有VPIN和Cu F)

表9-2(c) 模型预测能力(仅有VPIN和Cu F)

考虑仅将ILIIQ流动性综合预警指标加入模型，模型如下所示:

其统计结果如下表9-3所示。可以看到，ILLIQ被模型选中，该模型的一致性预测比例仅为64.1%，不一致性预测比例为34.1%，表明流动性综合预警指标对于未来价格暴跌的预测能力较好，但比不过流动性供给预警指标的预测能力。

表9-3(a) 向前选择解释变量步骤及统计量(仅有ILLIQ)

表9-3(b) 参数估计结果(仅有ILLIQ)

表9-3(c) 模型预测能力(仅有Ill IQ)

考虑将三类流动性预警指标都加入模型，模型如下所示:

其统计结果如表9-4所示。其中VPIN变量并没有被选入到模型中，该模型的一致性预测比例为66.1%，不一致性预测比例为32.4%，与上述上个预测模型相比较均有一定程度的提高，但仅有流动性供给预警指标的模型与之相比则相差无几，而加入其他两类预警指标后，并不能提高模型的预测能力。说明在高频环境中，三类流动性预警指标中，最具有预测能力的是流动性供给预警指标，其次是流动性综合预警指标，最差的是流动性需求预警指标。我们同时加入已实现波动率后，并不能增加该模型的预测能力(见表9-5)。

表9-4(a) 向前选择解释变量步骤及统计量(加入三类流动性预警指标)

表9-4(b) 参数估计结果(加入三类流动性预警指标)

表9-4(c) 模型预测能力(加入三类流动性预警指标)

表9-5(a) 向前选择解释变量步骤及统计量(加入三类流动性预警指标及已实现波动率)

表9-5(b) 参数估计结果(加入三类流动性预警指标及已实现波动率)

表9-5(c) 模型预测能力(加入三类流动性预警指标及已实现波动率)

[1] 这部分内容摘自国家自然科学基金项目“证券市场流动性黑洞理论与实证分析技术研究”(编号:71273170)的研究成果。