“学海拾珠”系列之六十一：流动性不足对股票横截面和时间序列收益的影响

由crisvalentine创建，最终由crisvalentine更新于2022-10-20 06:10 被浏览 24 用户

报告摘要

主要观点

本篇是“学海拾珠”系列第六十一篇，本期推荐的海外文献研究对非流动性指标ILLIQ及其组成部分IDVOL对股票收益的影响。研究表明 ILLIQ中被IDVOL忽略的部分包含与流动性不足相关的信息，且在股票横截面收益和时间序列收益上都具有显著的定价能力。

回到A股市场，非流动性因子是一个较为常用的价量因子，其背后的收益来源值得深入探讨，借鉴本文的分解方法观察其组成部分对股票收益的预测能力有助于扩充因子库。

ILLIQ包含了更多与流动性不足相关且具有显著定价能力的信息

Lou和Shu对ILLIQ进行分解，认为其中的一个组成部分即IDVOL足以解释ILLIQ对预期横截面收益的影响。作者在本文中证明了虽然IDVOL是非流动性的一种度量方法，但ILLIQ包含了更多与非流动性相关的且能显著定价的信息，该被忽****略的部分对股票预期横截面收益和已实现的时间序列收益都有显著影响。

控制错误定价、投资者情绪和季节性因素后，ILLIQ仍能显著定价

Lou和Shu猜想ILLIQ或IDVOL的定价并不反映对非流动性的补偿，而是由于错误定价和市场情绪，且其溢价呈现季节性。作者在本文中证明了在控制了错误定价、市场情绪后，非流动性对股票收益的影响仍然是显著的，且其溢价在1月和1月以外的月份都持续存在。

在估计非流动性冲击对市场收益的影响方面，ILLIQ优于IDVOL

市场层面的ILLIQ对市场收益的影响与理论一致，也与ILLIQ在横截面股票收益分析中的影响一致，而市场IDVOL的冲击所带来的影响在横截面和时间序列分析中与理论并不总是具有一致性。此外，在估计市场非流动性冲击对已实现的时间序列收益的影响方面，mILLIQ（市场ILLIQ**）优于mIDVOL（市场IDVOL）。**

风险提示

本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。

引言

在The Review of FinancialStudies的一篇论文中，Lou和Shu（2017）分析了Amihud的非流动性度量指标（2002），ILLIQ，即日度绝对收益与成交额的平均比率对资产价格的影响。分解ILLIQ后，Lou和Shu认为其中的一个组成部分，即IDVOL，每日成交额倒数的均值，足以解释ILLIQ对预期横截面收益的影响。Lou和Shu还猜想ILLIQ或IDVOL的定价并不反映对流动性不足的补偿，而是由于错误定价和市场情绪，且其溢价呈现季节性特点。

本文作者表明，Lou和Shu对ILLIQ的分解忽略了一个与非流动性相关的部分，该部分对股票预期横截面收益和已实现的时间序列收益都有显著影响。作者发现在控制了IDVOL之后，ILLIQ中的信息是正向定价的。此外，在控制了错误定价、市场情绪以及季节性因素后，ILLIQ对预期横截面收益的影响是正向且显著的。

ILLIQ是非流动性成本的常用度量指标，非流动性是一个多维度的问题，已经有一些代理变量。ILLIQ在对预期横截面收益和已实现的时间序列收益的定价产生一致的影响，在后者的定价中它优于IDVOL。作者发现，虽然这两个指标对不同股票的预期收益有相似的影响，但在估计市场非流动性冲击对已实现的时间序列收益的影响方面，mILLIQ（市场总ILLIQ）优于mIDVOL（市场总IDVOL）。

流动性和成交量

Lou和Shu（2017）发现，lnIDVOL，IDVOL的自然对数，对预期横截面收益有正向的影响，这与lnILLIQ的影响相似。这一观点是正确的，它遵循Brennan等人（1998）、Datar等人（1998）和Chordia等人（2001）发现lnDVOL（成交额的对数）和换手率对股票的定价方向显著为负，以及Amihud等人（2015，第357页）发现股票的非流动性溢价可以用ILLIQ或DVOL估计的研究。

Lou和Shu（2017）区分了成交量溢价和非流动性溢价。然而理论表明，交易量与交易成本呈负相关（Amihud和Mendelson 1986；Constantinides 1986），且非流动性成本与交易量之间的负相关关系也有强有力的实证支持。关于其因果关系，实证证据显示外生流动性的改善会提高交易量。

分解Amihud的非流动性指标

作者对ILLIQ进行分解，并表明Lou和Shu的研究（2017）中缺少的部分反映了非流动性的一些方面。ILLIQ是illiqd的平均值，illiqd即某一时期内每日绝对收益|rd|与成交额dvold的比率，

{w:100} 其中上横号表示均值。每日illiqd的期望值为

{w:100} 将平均数作为期望值的估计，即有

{w:100} Lou和Shu提议对lnILLIQ进行如下分解：

{w:100} 只有在时才是准确的。Lou和Shu对非流动性的度量表示为

{w:100} 即有

{w:100} 鉴于Karpoff（1987）发现cov(|rd|, dvold)>0，我们期望cov(|rd|, 1/dvold)<0。

采用cov(|rd|, 1/dvold)的一阶泰勒展开，得到了ILLIQ的近似值，即LSIlliq和一个缺失项之和：

{w:100} 其中，b是|rd|对dvold回归的斜率系数，𝐶𝑉是dvold的变异系数。鉴于Karpoff（1987）的研究结果，作者期望b>0。从理论上讲，b表示交易量和价格变动之间的同方向上的相关程度，Kim和Verrecchia（1994）认为这是继Kyle（1985）之后对非流动性的一种度量。Kim和Verrecchia的理论是，当信息处理者之间的观点有更大的差异时，新信息的到来会加剧流动性不足，这增加了Kyle的λ所反映的绝对价格变化和成交量之间的正相关关系。这一分析证明了b和非流动性之间的正相关关系。CV2显然为正，会对股票预期收益产生负向影响（见Chordia等人（2001）的研究）。Pereira和Zhang(2010)认为，由于较高的CV为投资者提供了更多机会，使他们可以通过在高流动性时期进行交易来节省交易成本，所以必要回报率下降了。因此预期收益随-b*CV2增加。

最后，作者将DIF定义为lnILLIQ和lnLSIlliq之差：

{w:100} DIF随-b*CV2增加，预计会对预期收益产生正向影响。

{w:100} 对每个月s，作者计算横截面均值、标准差和变量间的相关系数，然后对所有744个月进行平均。作者发现平均DIFj,s是负的，因为cov(|rj,d,s|, 1/dvolj,d,s)≈-bj,s**CVj,s2是负的，且DIFj,s与lnLSIlliqj,s负相关。CVj,s2的月平均横截面均值为1.447，bj,s为0.043，只有1.1%的bj,s是负的，这与bj,s*>0理论和实证证据一致。bj,s和CVj,s2都与lnLSIlliqj,s衡量的非流动性呈正相关。lnbj,s和lnCVj,s2与lnLSIlliqj,s的平均每月截面股票相关性分别为0.87和0.62。

根据本文的定义，作者进行了DIFj,s对其组成变量lnCVj,s2、lnbj,s和lnLSIlliqj,s的月度横截面回归，发现在有截距和无截距的回归中平均分别为0.45和0.73，这意味着DIFj,s和其组成变量的线性组合之间有很高的相关性。DIFj,s的三个组成变量都有非常显著的系数。当只包括lnbj,s和lnCVj,s2（不包括lnLSIlliqj,s）时，有截距和无截距的截面股票回归的平均分别为0.40和0.67，表明DIFj,s主要通过lnb*j,s*和lnCVj,s2反映非流动性的相关信息。

横截面分析

非流动性对预期收益的横截面影响

作者采用Fama和Macbeth的方法（1973），通过将股票收益率对ILLIQ、|R|、IDVOL和DIF以及一些常用控制变量进行月度横截面回归，检验对这些变量对预期收益率的横截面影响。与Lou 和Shu（2017）的方法类似，作者使用这些变量的自然对数，并估计以下模型：

{w:100} 因变量(Rj-rf)s是股票j在s月的超额收益，ILj,s是一个列向量，包括lnILLIQj,s及其组成部分lnLSIlliqj,s、ln|Rj,s|、lnIDVOLj,s或DIFj,s，在以s月结束的12个月期间内计算，并将变量滞后两个月（如Lou和Shu、Amihud等人（2015）和其他作者）。控制变量为Size，市值的对数；BM，账面市值比的对数；以及R1lag和R12lag，分别是前一个月和s-2到s-12这11个月的收益，以控制短期反转和动量效应。图表2列出了该模型在1955-2016年744个月样本期内的检验结果。

{w:100} 作者发现除了lnILLIQj,s-2的系数为正且显著之外，其组成部分DIFj,s-2的系数也为正且显著异于0。当控制lnLSIlliqj,s-2后，DIFj,s-2的系数为1.219（t=4.42），而lnLSIlliqj,s-2的影响是正向且显著的（第2列）；当控制lnIDVOLj,s-2和ln|Rj,s-2|时，DIFj,s-2的系数为0.996（t=3.75）（第3列）。作者发现当在两个各为372个月的样本期中分别估计模型时，DIFj,s-2的系数仍保持为正且显著。因此，在分析中缺少DIF会遗漏ILLIQ中包含的影响预期收益的宝贵信息。

作者还通过增加Fama和French（1993）以及Carhart（1997）的因子RMrf、SMB、HML和UMD的系统性风险因子βRMrf、βSMB 、βHML 和βUMD来估计模型。如图表3所示，关于ILLIQ及其组成部分（包括DIF）的定价结果没有变化。

{w:100} 根据之前第三节中的发现，即DIF是关于b、CV2和LSIlliq的函数，作者用fDIFj,s-2代替DIFj,s-2来估计模型，即DIFj,s-2对lnCVj,s-22、lnbj,s-2和lnLSIlliqj,s-2每月横截面回归的拟合值。作者发现当fDIFj,s-2分别从有截距和无截距的横截面股票回归模型中估计时，fDIFj,s-2的系数非常显著，分别为1.261（t=3.29）和1.022（t=3.63）。当fDIFj,s-2来自只包括lnCVj,s-22和lnbj,s-2的横截面回归的拟合值时，有截距和无截距模型中的系数也非常显著，分别为2.236（t=3.55）和1.026（t=3.96）。这表明DIFj,s-2的定价主要是通过lnCVj,s-22和lnbj,s-2这两个与非流动性相关的成分。这些结果表明DIF中包含的非流动性相关的信息对资产定价是有意义的。

在lnILLIQ和lnIDVOL之间比较谁更优是有问题的，因为它们之间的相关性非常高。按照Lou和Shu（2017）的做法，作者按每个月s将lnILLIQj,s横截面回归到lnIDVOLj,s，将这个回归的残差表示为RlnILLIQj,s。图表2第4列的回归列出了模型的检验结果，其中ILj,s-2包括RlnILLIQj,s-2和lnIDVOLj,s-2。作者还遵循Lou和Shu的模型，加入了IdioVolj,s-2因子。作者发现，RlnILLIQj,s-2的系数是0.736，t=4.63，lnIDVOLj,s-2的系数是0.099，t=3.01。这一结果表明ILLIQ包含非流动性的定价信息，而超出其组成部分IDVOL的非流动性信息也是可以定价的。

接下来，作者检验了lnIDVOLj,s和RlnILLIQj,s与两个衡量非流动性的微观指标之间的关系，为Kyle的λj,s（1985年）和Spreadj,s，即买入价和卖出价之间的报价价差除以价差的中点。作者用Fama-Macbeth方法将λj,s对RlnILLIQj,s-2和lnIDVOLj,s-2进行月度截面回归，发现lnIDVOLj,s和RlnILLIQj,s的系数分别为3.722（t=17.19）和6.994（t=8.06）。在以Spreadj,s为因变量的月度截面回归中，lnIDVOLj,s和RlnILLIQj,s的系数分别为0.003（t = 9.94）和0.008（t=8.56）。这些结果表明，虽然IDVOL是非流动性的一种度量方法，但ILLIQ包含了更多与非流动性相关的且显著定价的信息。

Lou和Shu（2017）认为非流动性溢价是季节性的，在1月会消失。作者通过将lnILLIQj,s-2和DIFj,s-2的月度溢价对常数、虚拟变量Jan（1月=1；否则=0）和超额市场回报率RMrf进行回归来检验1月效应。对于图表2第1列模型中lnILLIQj,s-2的溢价，截距为0.195（t=5.59），Jan的系数为-0.126（t=-0.80），对于图表2第2列模型中DIFj,s-2的溢价，截距为1.165（t=4.20），Jan的系数为0.112（t=0.12）。因此，非流动性溢价在一整年中都是正向且显著的。

非流动性溢价的关系

作者对Lou和Shu的猜想进行了两个检验，即非流动性溢价“可能是由错误定价引起的，而不是由对非流动性的补偿”（2017，第4481页）。在这两个检验中，作者发现在控制了错误定价之后，非流动性溢价仍然是正的，而且是显著的。

首先，作者在模型中加入MISPj,s-2，即Stambaugh，Yu和Yuan（2012）基于11个变量的股票j的平均错误定价等级。数据时间为1965年7月-2016年12月。lnILLIQj,s和MISPj,s-2的每月截面股票相关性的均值为0.075，是非常小的。作者发现在存在错误定价的情况下，非流动性对预期收益率的影响仍然是正的，且是显著的。结果如图表4所示。lnILLIQj,s-2和RlnILLIQj,s-2的系数分别为0.106（t=2.42）和0.809（t=4.58），在模型中含lnLSIlliqj,s-2的情况下，DIFj,s-2的系数为1.026（t=3.89）。因此，在MISPj,s-2加入模型的情况下，lnIDVOLj,s-2的正向影响与Lou和Shu的推断（2017，第4485页），即“成交量溢价可能归因于错误定价而非流动性溢价”不一致。

{w:100} 其次，将图表2第1列模型中lnILLIQj,s-2的月度斜率系数序列对Stambaugh和Yuan（2016）的两个错误定价因子PERFs和MGMTs进行回归，这两个因子分别与公司业绩和管理决策有关。该模型包含RMrfs因子作为控制变量。作者发现截距项，即控制了错误定价因素后的平均非流动性溢价为0.165，t=4.32，高度显著，PERFs和MGMTs的系数分别为0.016（t=1.96）和0.015（t=1.12）。用第2列模型中DIFj,s-2的月度斜率系数作为因变量来进行回归，截距为1.150，t=3.55，而PERFs和MGMTs的系数都不显著。当从模型中排除RMrfs时，结果相似。

因此，作者的结论是，在控制了与错误定价有关的影响后，非流动性溢价是正向且显著的。

作者重新审视先前将λj,s和Spreadj,s对lnIDVOLj,s和RlnILLIQj,s进行的Fama-Macbeth横截面回归，并将MISPj,s加入模型中。作者发现将λj,s作为因变量时，lnIDVOLj,s、RlnILLIQj,s和MISPj,s的系数分别为3.673（t=17.44）、6.447（t=7.51）和0.0137（t=2.50），而在以Spreadj,s为因变量的回归中，lnIDVOLj,s、RlnILLIQj,s和MISPj,s的系数分别为0.003（t=9.79）、0.008（t=8.46）、和-0.00003（t=-2.91）。因此，纳入MISPj,s几乎不影响RlnILLIQ和lnIDVOL的强正相关关系。

接着，作者检验了Lou和Shu的发现（2017），即基于成交量的非流动性溢价是市场非流动性滞后项的一个递减函数。Lou和Shu得出结论“这一结果并不支持用流动性解释成交量溢价”（第4508页），并在模型中加入Fama-French（1993）和Carhart（1997）（FFC）的因子作为控制变量，如下所示：

{w:100} 在他们的分析中，Rt是基于成交量五分位数的股票的多空组合的月度回报，Illiqt是Pastor和Stambaugh的非流动性序列（2003）乘以-1。Lou和Shu发现，b是负的且很显著。在作者的分析中，Rt是基于ILLIQ五分位数的“非流动性-流动性”股票的多空组合的月度回报，Illiqt是mILLIQt，即市场ILLIQ，定义为t月各股票平均ILLIQj,t的对数。作者发现b=0.005，t=0.16，不显著。该结果并不支持Lou和Shu的推断。

接着，作者研究了Lou和Shu的发现（2017），即正的非流动性溢价是由滞后的投资者情绪驱动的。作者用Baker和Wurgler自1965年7月以来的情绪指数（2006）对进行回归，发现斜率系数为0.006，t=0.05，不显著，截距为0.515，t=4.21。控制FFC因素后，SENTt-1的系数为0.153，t=2.01，而截距项，即风险调整后的非流动性溢价为0.353，t=4.42。根据这一结果，如果SENTt-1低于其平均值2.3个标准差，那么非流动性溢价将为零，这一事件的概率为0.011（在正态性下，SENTt的标准差为1.0）。

此外，当我们把样本分成两个长度相等的子时期时，SENTt-1的影响随着时间的推移变得不显著。在第一个子时期，截距为0.527（t=4.38），SENTt-1的系数为0.198（t=2.25），这意味着如果SENTt-1低于其平均值2.7个标准差，非流动性溢价将为零。而在第二个子时期，截距为0.243（t=2.06），SENTt-1的系数为0.096（t=0.57），不显著。

时间序列分析

ILLIQ是由Amihud（2002）提出的，作为一个非流动性的代替度量方法，其在横截面和时间序列中对股票收益产生一致的影响。在横截面股票中，ILLIQ正向预测预期回报，在时间序列中，它的市场冲击对（同期）已实现收益有负向影响。市场ILLIQ的增加具有高度的持久性，预计会在一段时间内保持高位。这提高了预期收益，并引起同期股票价格的下降。对于流动性较差和规模较小的股票来说，市场ILLIQ冲击对其已实现收益的负面影响更为严重。有证据表明，其因果关系是由非流动性的变化导致资产价格的变化。

作者计算了如下基于ILLIQ的变量的月度序列：对于每只股票j和月份t，计算ILLIQj,t及其组成部分IDVOLj,t和|Rj,t|的值，然后计算月t的横截面股票的加权平均值。由此计算得到总体市场的序列值，并转化为对数，分别表示为Yt=mILLIQt，mIDVOLt和m|Rt|。这些序列中的每个冲击都是由AR（2）模型在60个月的滚动窗口内计算的，结束于第n个月。第n+1个月的冲击表示为dYn+1，为该系列的实际值与使用前60个月的斜率系数估计的预测值之间的差异。因此，作者的方法是具有前瞻性的，提供样本外的预测误差。序列dmDIFt计算方法为dmILLIQt-(dm|Rt|+dmIDVOLt)。序列dYn+1的计算范围是1955-2016年，共744个月，变量的单位为百分比。该序列的统计结果见图表5。

{w:100} 在dmILLIQt对dmIDVOLt的回归中，R2=0.48，这意味着dmIDVOLt只能解释dmILLIQt中一半的时间序列变化。在dmILLIQt对dmIDVOLt和dm|Rt|的回归中，R2=0.79，这意味着中五分之一的信息没有包含在这两个组成部分中。

作者通过估计以下时间序列回归模型来检验市场非流动性冲击对股票已实现收益的影响，其中dYt是一个列向量，是包括变量dmILLIQt、dmIDVOLt、dm|Rt|和dmDIFt的子集：

{w:100} {w:100} 作者在图表6中的结论如下：

(i) dmILLIQt或dmIDVOLt的系数都是负的，而且很显著（分别为第1列或第2列）。dmILLIQt的系数是dmIDVOLt的两倍，R2值分别为0.23和0.05，意味着dmILLIQt的拟合程度更好。

(ii) 当dmILLIQt和dmIDVOLt都在模型中（第3列），dmILLIQt的系数为负且显著，与理论ILLIQj,s上对预期横截面收益的正向影响相一致，而dmIDVOLt的系数为正且显著，鉴于IDVOLj,s对预期横截面收益有正向影响，因此与理论不一致。在第3列中对1955-1985年和1986-2016年两个相等子时期的模型进行检验，作者发现dmILLIQt的系数在两个子时期都是负值且显著，而dmIDVOLt的系数为正。在第二个子时期，即使在仅含dmIDVOLt的模型中，其系数为-0.008（t=-0.49），不显著。

(iii) 在控制了dmIDVOLt和dm|Rt|的情况下，dmDIFt的系数为负且很显著（第4列）。dmDIFt的负系数与DIFj,s在控制lnIDVOLj,s和ln|Rj,s|后，对预期横截面收益的正向影响相一致。由于DIFj,t正向影响预期截面收益，而mDIFt是高度持久的（其序列相关性为0.87），mDIFt的上升意味着mDIFt+1的未来值增加，这将提高预期收益率并降低同期的市场价格，即mDIFt的正向冲击会产生较低的实际回报率。

在B组中，作者以SMBt为因变量，考虑到RMrft与市场非流动性冲击的相关性，将其作为控制变量。作者发现dmILLIQt的系数为负且显著，而当两者都包含在模型中时，dmIDVOLt的系数为正且不显著（第5列）。在第6列的模型中，如果包含mILLIQt则所有的系数都是负的且是显著的。

为检验Lou和Shu的推断（2017），即非流动性效应是一月的现象，作者在模型中加入dYt=dmILLIQt两个变量，Jant和dmILLIQtJant，其中Jant在一月=1，否则=0。作者发现（见图表 7），dmILLIQt的系数为-0.120（t=-11.57），而dmILLIQtJant的系数不显著。以SMBt为因变量，dmILLIQt的系数为-0.051（t＝-7.68），交互项也不显著。因此得出结论，dmILLIQt对总体股票收益的负向且显著的影响在1月和1月以外都持续存在。

{w:100} 接下来，作者计算了在mλt受到冲击的情况下，dmILLIQt和dmIDVOLt对股票收益的影响。这个序列是Kyle的λ（1985）的月度等权平均数（对数），这是一个从日内交易和报价数据中估计出来的价格冲击指标，它对预期收益率有正向影响（Brennan和Subrahmanyam 1996；Huh 2014）。作者像计算dmILLIQt和dmIDVOLt一样计算非流动性冲击序列dmλt，结果见图表6的C和D栏。作者发现dmλt的系数是负的且高度显著（第7栏），正如预期的那样，当模型包括dmILLIQt（第8栏）时，的系数变得不显著，而dmILLIQt的系数为负且高度显著。然而，当dmλt和dmIDVOLt都被纳入模型时（第9列），dmλt的系数是负的且显著，而dmIDVOLt的系数则不显著。在有dmλt的情况下，dmIDVOLt的影响不显著，这意味着不是mILLIQt中单独的成交量部分对股票收益产生了影响。当dmILLIQt的所有成分都被纳入模型时（第10列），所有的系数都是负的，并且在有dmλt的情况下也是显著的。当因变量为SMBt时，其结果也类似。在有dmλt的情况下，dmILLIQt的显著影响可能证明ILLIQ是一个比单纯的市场价格冲击更广泛的非流动性衡量标准。

最后，作者用dSENTt，即Baker和Wurgler（2006）的情绪指数的每月变化来检验Lou 和Shu的推断（2017），即非流动性效应反映了投资者的情绪。dSENTt和dmILLIQt之间的相关性为-0.092，非常低。将dSENTt加入模型且dYt=dmILLIQt时，作者发现dmILLIQt的系数为-0.120（t=-10.99），而dSENTt的系数为 -2.245（t=-1.95）。以SMBt为因变量，将RMrft作为控制变量，dmILLIQt和dSENTt的系数分别为-0.055（t=-7.36）和0.370（t=0.45）。因此，在控制了投资者情绪变化的影响后，市场非流动性冲击对已实现收益的影响仍为负值，且高度显著。

在图表 8中，作者对mILLIQt和mIDVOLt哪个变量能更好地代表市场非流动性进行了检验。首先，在A组中，作者研究了∆mILLIQt和∆mIDVOLt符号相反的月份，即各自市场非流动性序列的一阶差分。这些月份表明两个变量对市场非流动性变化的解读是相反的。作者发现在这些月份中，四个衡量非流动性的基准指标的变化符号与∆mILLIQt的符号一致，但与∆mIDVOLt的符号相反（第4-7行）。重要的是，作者发现投资者对市场非流动性变化的看法，反映在市场价格对这些变化的反应上，这与mILLIQt能更好地代表市场非流动性的结论相一致。在∆mILLIQt和∆mIDVOLt方向相反的月份里，市场价格反应与∆mILLIQt呈负相关，这符合对流动性冲击如何影响股票收益的预期，而在第（2）和（3）行中与∆mIDVOLt呈正相关，该结果与预期相反。

{w:100} 在B组的第2行和第3行中，作者发现股票收益率与∆mILLIQt的相关性是与∆mIDVOLt的相关性的两倍。在第4-7行中，四个基准的非流动性指标与∆mILLIQt的相关性远远大于与∆mIDVOLt的相关性。总之，这些结果表明∆mILLIQt是衡量非流动性变化的更好的方法。

此外，作者在图表 9中发现，在两次重大的流动性不足的危机中：1987年10月19日，股票价格急剧下跌，流动性不足，以及2008年10月雷曼兄弟破产后，市场ILLIQt急剧上升，其他非流动性的基准指标也是如此，而市场IDVOLt几乎没有变化。

{w:100}

总结

作者将Amihud的非流动性度量指标ILLIQ（2002）的表现，与Lou和Shu（2017）根据对ILLIQ的分解提出的一个代替指标，即ILLIQ的组成部分IDVOL（成交额倒数的均值）的表现进行比较。作者表明，Lou和Shu的分解忽略了ILLIQ中部分与非流动性相关的信息，该部分在预期横截面收益和实际股票市场的时间序列收益中都起定价作用。作者还表明，在控制了错误定价、情绪和季节性因素后，ILLIQ能显著定价。此外，市场ILLIQ时间序列的冲击对股票市场收益的影响与理论一致，也与ILLIQ在横截面股票分析中的影响一致，而IDVOL的影响和市场IDVOL的冲击的影响在横截面和时间序列分析中并不总是具有一致性。

关键的问题是非流动性是否能定价，无论使用哪种度量方法。显然，没有一个单一的衡量标准完全包含了非流动性的所有方面。虽然本研究提供了非流动性及其组成部分在股票收益的截面和时间序列分析中的定价证据，但仍需要从以下三个角度对动态平衡中非流动性及其组成部分的定价进行统一而全面的建模。(1)非流动性水平对预期收益的截面影响，(2)市场非流动性对已实现收益的时间序列影响，以及(3)使用非流动性风险因子对市场非流动性冲击的定价，这适用于(2)。鉴于对非流动性定价的研究越来越多，无论是作为股票的具体特征还是作为系统性风险的来源都依赖合理的建模。

文献来源：

核心内容摘选自Yakov Amihud在Review of Financial Studies上的论文Illiquidity and Stock Returns II: Cross-sectionand Time-series Effects。

风险提示