交易机制对债券市场质量的影响——基于场外、场内 交易机制的比较分析 芦东 詹钥凇 摘要：本文主要研究中国债券银行间市场和交易所市场所采 取的不同交易机制对市场定价效率、流动性等影响。为了解 决两个平行存在、但交易机制不同的债券市场内生性差异的 问题，通过构建 Agent-based Model 来模拟交易品种和参与 者结构完全相同的场内场外市场环境，比较了不同交易机制 在市场成交价，成交量和买卖价差上的差异。首先，根据实 验数据校准的参数进行模拟交易发现，参与者在交易所场内 市场交易时，会表现出更强的锚定效应，同时对资产估值更 高。而在场外市场中，参与者的出价差异会更大，对债券资 产的估价更低并且卖出资产的倾向会随着到期日的临近而逐 渐增强。然后，通过参数的比较静态分析，本文发现锚定效 的影响在交易所市场中更加明显，而对买卖价差的影响在场 外银行间市场中作用更加显著。随着参与者的卖出倾向越强， 场内市场和场外市场的成交量都有明显降低。最后，本文研 究了做市商制度在场外市场中的作用，当临近资产到期，参 与者抛售资产的倾向较强时，场内市场会承受明显的抛售压 力，成交价和成交量显著降低，同样没有做市商的场外市场 其成交量也有所下降。但是当引入做市商后，为场外市场提 供了有充足的流动性，成交量不再下降。比较不同市场参数 下的交易机制，我们发现有做市商的场外市场在市场环境发 生改变时，具有更好的稳定性。 （一）引言 中国债券市场自上世纪 90 年代以来发展迅速，尤其是在近 10 年里，债券市场规模迅速扩大。图 1 展示了中国债券市场在 近几年的发展趋势，由 2014 年债券市场规模占 GDP 的 56%，发 展到 2020 年债券规模超过当年 GDP，比重达到 112.7%。 图 1 债券市场规模占 GDP 的比重 中国的债券市场主要由两个部分组成：交易所市场和银行间 市场。交易所市场成立于 1991 年的上海证券交易所，随后深圳 证券交易所也开设了相应的债券交易部门，极大提高了债券的流 动性和二级市场的效率。在债券的交易所市场，只能进行现货和 回购交易，银行间债券市场成立于 1997 年 6 月，中国人民银行 要求所有的商业银行退出债券交易所市场，转入新成立的银行间 债券市场进行交易，以避免证券市场过热。自银行间市场成立以 后，大量的债券交易开始转移到银行间市场，在市场规模上，银 行间市场占据主导地位。图 2 是 2014 年到 2020 年两个债券市场 的规模统计，虽然交易所债券市场在这几年增长迅速，从 2014 年的 2.67 万亿发展到 2020 年的 13.54 万亿，但是银行间市场规 模依旧远高于交易所市场，在 2020 年达到 100.53 万亿。 图 2 债券市场规模统计 中国债券的银行间市场和交易所市场之间最主要的差别之 一便是交易机制的不同。现代市场交易机制大致可以分为三类： 限价订单簿制度，做市商制度以及混合制度。限价订单簿制度应 用于场内的交易所市场，由电子系统自动撮合订单完成交易。而 做市商制度目前主要应用于分散化的场外（over-the-counter， OTC）市场，通过双边询价达成交易。具体结构如图混合制度则 是将两者相结合，限价订单簿和做市商均能报价进行交易。中国 债券的银行间市场是场外市场，采用分散化的做市商交易制度， 投资者需要主动联系做市商，为达成交易进行双边协商。在整个 交易过程中，投资者和做市商是非匿名的。而交易所市场，是中 心化的场内市场，采用的是限价指令簿制度，投资者匿名提交限 价单到中央平台，由系统自动撮合交易。 图 3 交易机制 市场的交易机制与资产的流动性和定价效率息息相关。在 O'Hara(2003)[1]的研究中，市场是完全竞争、没有摩擦并集中交 易。由于信息不对称、逆向选择等问题，市场上会出现因私人信 息所产生的信息摩擦(information frictions)，导致市场的流 动性和定价效率受到一定影响。对于知情交易者而言，交易规模 可能会揭示其掌握的私人信息，因此需要选择合适的交易规模来 减少私人信息的暴露，同时实现收益最大化。而不知情交易者则 会面临“赢者的诅咒”的风险。因此当市场流动性较低，买卖价 差较大的时候，不知情交易者也会相机减少自己的交易，而当市 场深度较大时，不知情交易者则会集中交易，进一步加大市场流 动性，使得交易量激增。 在分散化交易的场外市场中，除了信息摩擦外，还有交易过 程中搜寻匹配交易对手，协商议定交易价格而带来的交易摩擦 (trading frictions)。不同于中心化的交易所市场，场外市场 的参与者首先需要寻找交易对手然后再进行交易。为了降低交易 成本，在场外市场引入做市商作为中介，向买卖双方报价，完成 交易。对于做市商而言，为交易双方提供的报价存在买卖价差， 以此作为提供流动性的补偿[2]。 虽然做市商在一定程度上提高了场外市场的流动性，但市场 参与者仍需要花费成本和时间来搜寻做市商，并和做市商议定交 易价格，因此交易摩擦依然存在[3]。尤其在市场出现大幅波动的 时候，买卖价差较大，市场的流动性很难得到保障，比如 2008 年国际金融危机期间的伦敦银行间同业拆借利率（LIBOR）的飙 升和银行间融资冻结。2013 年，由于季节性因素和美联储退出 量化宽松的意向，导致一方面流动性需求的增加，另一方面外汇 占款增量下降，流动性供给减少。同时，央行为控制杠杆，规范 影子银行的经营行为，进行公开市场操作回笼流动性。在多种因 素的影响下 ，银行体系内货币供应不足，出现“钱荒”[4, 5]。在 银行间拆借市场隔夜利率飙升至 13.44%，上涨了 578 个基点。“钱 荒”不止影响了银行间市场，上海证券交易所一天期国债回购利 率也上涨到 30%。因此，场外市场也开始引起学术界的关注[6]。 场外市场的优势则在于具有保密（私人交易信息和交易意图 更好地隐蔽）、交易品种和交易方式更加灵活等特点。Biais and Green(2019)[7]研究了 20 世纪 20-40 年代美国公司债券和市政债 券如何从交易所市场（NYSE）大部分迁徙到了场外市场，同时在 两个市场都存在交易。他们发现，尽管对于债券的散户投资者而 言，场外市场的交易成本更大，但市政债和公司债的交易还是分 别在 1920 年代和 1940 年代从交易所市场转向了场外市场。这主 要是因为，机构投资者在债券市场不断壮大，而场外市场的询价 机制能更好发挥大型机构投资者的搜寻和讨价还价优势。随着机 构投资者选择场外市场，其他投资者也更倾向于选择能够吸引大 部分订单的交易场所，所以债券交易最后都逐渐集中在场外市场 进行交易。 中心化的交易所市场和分散化的场外市场各有优劣， Bessembinder and Venkataraman(2004)[8]基于巴黎证券交易所 的数据，分析了场内集中交易和场外分散交易在交易成本和价格 发现上的差异，实证发现了当场外市场只允许大单交易时，逆向 选择的风险更小。Holden et al.(2021)[9]比较了外汇市场上场 内和场外交易的价格函数倾斜方向，对于大单交易而言，场内交 易的成本更大，而场外交易的成本更小。投资者会根据自己的交 易 规 模 选 择 场 外 交 易 还 是 场 内 交 易 。 Hendershott and Madhavan(2015)[10]利用美国公司信用债的交易数据发现了不同 债券适合的交易场所。交易活跃，流动性好的债券偏向于场内拍 卖交易。当场内的交易商充分竞争或者场外可以实现多边交易时， 能够有效减少逆向选择所带来的成本。 各界对银行间市场与交易所市场都有许多讨论。在 2020 年 的中国财富管理 50 人论坛上，中国财政部原部长楼继伟提出“交 易所市场和银行间市场交易分割，出现同债不同价的情况”，并 提出“银行间市场回归同业拆借市场的本位，信用债应当全部退 出，利率债（我指的是国债和政策性金融债）可在两个市场同时 交易”。所以，研究两个市场上不同交易机制对市场效率有怎样 的影响对于规范化债券市场管理，进一步深化债券市场改革十分 重要。但是在中国债券市场上，分析交易机制和市场效率的联系 存在不容易解决的内生性问题，因为中国债券的交易所市场和银 行间市场除了交易机制不同外，在交易品种和市场参与者结构上 也有很大差异。 （二）银行间和交易所的市场差异 首先，债券交易所市场和银行间债券市场对合格投资者的要 求不完全一样。由于银行间债券市场是批发市场，交易规模巨大， 并采用场外分散的交易机制，因此对合格投资者有更加严格的限 制。在成立之初，仅有 16 家商业银行可以参与。到了 2019 年， 参与者的范围逐渐扩宽，但也仅限于商业银行，公募基金，保险 公司和证券公司等大型金融机构。而债券交易所市场的合格投资 者标准相对宽松一些，监管部门批准设立的金融机构，社会公益 基金以及合格境外投资机构投资者等，均能参与债券的交易所市 场。图 3 和图 4 分别为银行间市场和交易所市场的投资者结构。 非法人机构指银行理财产品、证券投资基金、企业年金、社保基 金、保险产品等。在银行间债券市场中，主要的投资者为商业银 行，占比达到了 60%以上，其次是基金、信托等理财产品，非银 行类金融机构的占比较少。而在交易所市场上，一般法人为主要 的投资者，占比接近 50%。其次是证券公司，包括证券公司的资 产管理项目和自营部门，占比达到了 25%左右。除了证券公司外， 其他的非银行金融机构比如信托公司、保险公司和基金公司等， 合起来占比也接近 25%。最后是社保基金和年金，占比在 5%左右。 与银行间市场相比，交易所市场上的金融机构投资者占比较低， 且由于政策规定，银行无法到交易所市场参与投资。因此，在投 资者结构上，银行间市场和交易所市场的差异十分明显。 图 4 银行间债券市场投资者结构 图 5 上交所债券市场投资者结构 其次，在债券的交易种类和交易规模上，债券交易所市场和 银行间债券市场也不尽相同。中国的债券品种包括了政府债券如 国债和地方政府债券，也涵盖了金融机构发行的金融债券以及公 司信用债券。图 6 展示了所有市场上主要债券的规模统计，总体 而言，政府债券占比最多，其次是金融债券，最后是公司信用债 券。金融债券的占比在逐年提升。但在银行间市场和交易所市场， 主要流通的债券则不完全相同。在银行间债券市场上，政府债券 的占比超过一半，金融债券和公司信用债的规模相近。在债券的 交易所市场上，公司信用债占据主导地位，其次是政府债券，而 金融债券的占比则十分微小。从市场的总债券规模上来看，银行 间市场的债券规模明显大于交易所市场，占国内总债券规模的 80%以上。 图 6 所有市场主要债券规模统计 图 7 银行间市场主要债券规模统计 图 8 上海交易所主要债券规模统计 在市场效率上，银行间市场和交易所市场在多个衡量指标上 已存在显著差异。图 9 和图 10 分别展示了银行间市场和交易所 市场的月度成交笔数和成交量。交易所市场和银行间市场的成交 量和成交笔数均呈上升趋势。但在成交笔数方面，交易所市场的 月成交笔数远远超过了银行间市场，占据了所有市场成交笔数 90%以上。成交量上，银行间市场的成交量则明显高于交易所。 两市场成交笔数和成交量的特征表现出明显差异，在交易所市场 虽然成交频率更快，但单笔金额较小。相反，在银行间市场，每 笔交易的规模都十分巨大。 图 9 债券现券成交笔数 图 10 债券现券成交量 在市场的流动性方面，我们比较了同种债券在两个市场买卖 价差上的不同。数据选择了 2018 年到 2020 年在银行间市场和交 易所市场均上市交易的国债，同时为了减少债券品种交易不活跃 对买卖价差估计的影响，我们选择了交易活跃，在两个市场交易 天数均超过 200 天的七支国债来进行分析。我们参照 Corwin and Schultz(2012)[11]的方法，利用债券净价的日度交易数据，估计 同一支债券在银行间和交易所两个市场上的买卖价差，结果如下： 债券名称 16 国债 08 16 国债 10 16 国债 19 16 国债 20 17 国债 15 18 国债 17 19 国债 08 表 1 两市场债券的流动性 交易所市场的买卖价差 银行间市场的买卖价差 0.00044 0.00008 0.00049 0.00010 0.00044 0.00025 0.00075 0.00006 0.00008 0.00013 0.00002 0.00008 0.00042 0.00037 除了 18 国债 17 外，其他国债在交易所市场的买卖价差均大 于等于银行间市场的买卖价差。除此之外，我们也计算了其他衡 量市场流动性的指标的平均值，如 Amihud(2002)[12]指标（银行 间：0.00003，交易所：0.031），Roll(1984)[13]指标（银行间： 0.00043，交易所：0.00036），结果也表明，银行间市场的流动 性要好于交易所市场。 而在定价方面，不同评级的债券在两个市场上的表现也有所 不同。考虑到我们选取了 2013 年到 2014 年在银行间市场和上海 交易所市场均上市交易的企业债，剔除掉上市交易小于 5 天的债 券，计算不同评级下的平均信用利差，结果如下表所示。 表 2 两市场债券的信用利差 债券 交易所 银行间 交易所 银行间 P 值 评级 债券数量 债券数量 信用利差 信用利差 AAA 113 113 1.53% 1.76% 0.00 AA+ 45 45 2.42% 2.68% 0.00 AA 27 27 3.72% 4.29% 0.00 交易所的信用利差在不同债券评级下均小于银行间的信用 利差。因此，在债券的定价上，两个市场也并非完全一致。 银行间市场和交易所市场在成交量，流动性和债券定价上表 现出来的差异，可能是由交易机制，债券品种和市场参与者共同 作用的结果。那么分析交易机制对银行间市场和交易所市场在债 券流动和定价上的影响，就需要剔除掉交易品种和市场参与者的 内生作用。传统的计量经济学通常采用工具变量或统计模型来处 理市场间的内生差异，但也难以完全解决这类内生性问题。因此， 本文通过计算模拟的方法，模拟交易品种和参与者结构完全相同 的交易所市场和银行间市场，来单独分析交易机制对市场效率的 影响。 （三）Agent-Based Model（ABM）模型 Agent-Based Model（ABM）方法起源于 1989 年美国 Santa Fe Institute 的人工模拟股票市场（SFI-ASM），在这个市场中，通 过提前设置好的程序和反应函数来模拟市场上微观主体的决策 。 [14] Arthur et al. (1996)[15] 在一个理性预期的模型下，运用 遗传算法来表示微观主体的自适应能力，发现人工模拟股票市场 的股价序列和真实股票市场上的股价序列十分相似。并且市场也 出现了收益率尖峰厚尾，波动聚集等市场异象[16]。此后，学术界 对 ABM 中 Agent 的学习能力做了许多拓展，来更贴近真实市场中 参与者的认知能力。 Arthur (1999)[17]修改了遗传算法的学习速 率，来分析投资者不同的学习能力对股票价格序列的影响。 Pascual et al(2006)[18]考虑了 Agent 的心理和情感因素，以及 Anufriev et al. (2013)[19]提出了 Agent 的社会学习机制和个体 进化算法。 但随着 ABM 中 Agent 模型设置得越来越复杂，函数的选择和 参数的设置缺乏一个统一的标准，模型的假设缺少有力的支持。 为了解决这些不足之处，Gode and Sunder (1993, 1997)[20, 21] 和 Jamal et al. (2017)[22]，将模型中的 Agent 大幅简化，假设市 场参与者几乎没有智力（zero-intelligence， ZI）。这类市场 参与者不具备最大化自身效用的决策能力，会随机给出买入价格 或卖出价格。计算模拟的结果显示，虽然市场参与者都是 ZI 类 型，但市场的分配结果依然是有效的。因此 Sunder 认为，在传 统的一般均衡理论中，需要参与者是理性人，有足够的认知能力 和智力水平，能够以最大化自身效用为目标进行复杂的计算来做 出决策，市场才是有效的。但计算模拟的结果则显示，参与者并 不需要很强的认知能力，市场就能发挥作用，市场的有效性更取 决于市场的交易机制。 Duffy and Unver(2006)[23]在 ZI 型交易者的基础上，提出了 Near Zero Ingelligence 参与者，他们具有最低限度的思考能 力 ， 能 够 学 习 市 场 上 一 期 的 成 交 价 。 本 文 基 于 Duffy and Unver(2006)[23] 和 Gode and Sunder(1993)[24] 的 near Zero Intelligence 市场参与者，来模拟银行间市场和交易所市场， 在没有交易品种和参与者结构干扰的模拟环境下，分析交易机制 对定价效率的影响。 1.模型构建 本文 ABM 模型假设该市场一共进行期交易，每期交易共有 S 轮行动。市场上所交易的资产共存续 15 期，到期价值等于 0。 在每期期末产生 24 元钱的分红。模拟市场上一共有位参与者， 在开始交易前，参与者的禀赋完全一样，都拥有 10 单位资产和 10000 元钱。 在每一轮行动中，参与者将会按照随机的次序，依次进行交 易。当进行到第 t 期的第 s 轮参与者 i 进行行动时，首先会以概 率随机决定参与者 i 想要买入资产，或以概率卖出资产，其中满 足 因为模拟市场是有限期的，资产的基本面价值随着时间减少， 并且到期价值为 0，因此参与者买入资产的倾向会随着时间降低， 相反卖出资产的倾向会随之升高。 如果参与者的交易方向是买入，那么他会有一个购买资产的 报价，相反，则会有出售资产的报价。由于市场参与者是 Near Zero Intelligence，不具备采取最大化自己收入的能力，因此 买入和卖出报价均是由两部分组成，第一部分前期的成交价，反 映了锚定效应在参与者报价中的作用。第二部分是随机项，服从 在上的均匀分布，其中是资产在第 t 期的基本面价值，是参与者 对基本面价值的共识系数。随机项体现出了市场参与者的异质性。 但是，由于参与者在市场中既可以是资产的买入方也可以是卖出 方，参与者对于资产价值的上限大小存在一个共识，所以参数表 示对资产价值的普遍观点。同时，考虑到参与者的预算约束，对 于打算买出资产的参与者而言，他的报价不能超高他持有的现金， 否则，他的报价就是持有的全部现金。因此买入报价可以表示为 其中，表示参与者 i 在第 t 期第 s 轮行动中，所持有的现金， 是报价中随机项和前期成交价格的线性组合系数。 对于卖出资产的参与者而言，预算约束是至少持有 1 个以上 的资产，所以卖出资产的报价为 上述内容在模拟的场外市场和场内市场完全一样，但是在提 交买卖订单和达成交易上模拟的场外市场和场内市场则有明显 差异。在模拟的场内市场模型，采用的是限价指令簿的交易机制。 在第 t 期第 s 轮行动中，参与者会首先根据自己的交易方向和报 价提交买卖订单，每笔订单的交易量只能为 1 单位资产。提交订 单后，系统会判断最低的卖出报价与最高的买入报价是否有交叉， 如果最低卖价低于最高买价，则可以达成交易。成交价格取决于 订单提交的时间，如果最低卖出报价的订单先于最高买入报价的 订单提交，则成交价等于最低卖出报价，否则成交价等于最高买 入报价。之后卖价最低的参与者将以成交价卖出 1 单位资产给买 价最高的参与者。完成此次交易后，次高的买入报价和次低的卖 出报价将会成为新的最高最低报价，系统将再次判断是否满足交 易条件，若满足则继续交易，直到新的最低卖价高于最高买价， 无法达成交易为止。然后轮到下一位市场参与者报价并进行交易。 等到所有参与者都完成报价和交易后，进入到第 s+1 轮，重新决 定参与者的报价顺序，再依次重复上述步骤。如果参与者已有报 价，则撤回之前的报价订单，重新提交。完成第 t 期所有 S 轮行 动后，参与者会得到资产的分红，并进入到第 t+1 期。 而在场外模拟市场的第 t 期第 s 轮行动中，参与者按随机次 序根据自己的交易方向和报价来生成买卖订单，每笔订单的交易 数量为 1 个资产。但不同于场内市场，场外市场没有一个中央系 统来撮合交易，需要每位参与者自己确定交易对手，并向其发送 订单。所以，当参与者生成了买卖订单后，会先检查自己是否收 到来自其他参与者的买卖订单，如果有，则比较收到订单的报价 和自己订单的报价，如果价格合适，直接和提交该订单的参与者 达成交易。否则，再向其他参与者提交买卖订单。比如，参与者 i 希望以价格买入 1 单位资产，那么他会检查收到的想要卖出资 产的订单，订单可能存在三种情况：1、没有收到任何向他发出 的卖出资产的订单，那么参与者 i 会从其他参与者中任意选择一 位参与者作为自己的交易对手，向其发送买入资产的订单，如果 参与者 i 已经有提交的订单，那么会撤回旧订单重新提交新订单； 2、如果收到参与者 j 向参与者 i 提交的以价格卖出 1 单位资产 的订单，并且卖出价，参与者 i 将会与参与者 j 以价格达成交易， 买入 1 单位资产；3、如果收到参与者 j 向参与者 i 提交的以价 格卖出 1 个资产的订单，但是卖出价，参与者 i 便不会与参与者 j 达成交易，而是向除自己外的其他参与者发送买入资产的订单， 已经有提交的订单，便撤回并替换为新订单。对于希望卖出资产 的参与者，交易流程也类似。不过，在卖出资产的情况下，只有 当收到的买入价时，参与者 i 才愿意与参与者 j 达成交易，并且 成交价为，当达成交易后所有的参与者都知道这次的成交价，所 以在场外市场中是市场上前一次的成交价。每轮行动结束后，参 与者已经提交的订单会并保留进入到下一轮行动。当 S 轮行动结 束后，参与者同样会获得资产的分红，进入到第期交易，重复上 述流程。 比较模型中模拟的场内市场和场外市场，主要存在两点差异： 第一，在订单的信息披露上，场内市场每个订单价格对所有参与 者都是公开信息，而在场外市场上，只有参与者选中并向其提交 订单的交易对手，才知道订单的报价，每个订单的报价对于参与 者而言是私人信息。第二，在交易对手上，场内市场的参与者不 能选择自己的交易对手，只能够由系统根据双方报价来匹配交易 对手。在场外市场上，参与者需要自己指定交易对手，这就有可 能会出现选择的交易对手和自己的交易方向相同，从而无法达成 交易的情况。因此，从交易的难易程度而言，场外市场更加困难， 需要交易方向和订单报价都匹配才能达成交易，而场内市场只用 报价合适就能成功交易。在相同轮次的行动下，场内市场会比场 外市场更加活跃。 2.实验数据 本文根据 Duffy and Unver (2006)[23]的方法，以实验室结 果的数据作为基础，进行 ABM 的参数校准。本文的实验过程基于 Smith and Suchanek(1988)[25]的方案，分别采用了场内市场的交 易机制和场外市场的交易机制进行实验。两个交易机制的实验环 境和交易流程与 ABM 模拟的市场环境完全一样。每次共有 9 为参 与者，在实验开始时，每一位参与者都拥有 10,000 元现金和 10 单位的资产。资产存续期为 15 期，在每期末会 24 元的分红，到 期价值为 0。实验共进行 15 期交易，每期交易的持续时间为 180 秒。在这段时间内，每位实验人员都可以任意提交买卖订单进行 交易，每笔订单交易资产的个数为 1 单位。在一期交易结束后， 实验人员得到资产分红并进入到下一期交易。当实验采用场内市 场的交易机制时，实验人员只用选择交易方向和报价，就能提交 订单。实验人员可以看到当前市场上所有已经提交订单的买卖报 价和已经达成交易的成交价。当市场上最低的卖出报价低于最高 的买入报价时，实验系统会自动撮合，完成交易，同时报价双方 持有的资产和现金也相应更新。当实验采用场外市场的交易机制 时，实验人员只能看到自己收到的订单报价。如果实验人员有交 易需求时，可以与收到的订单达成交易。如果没有收到满意的订 单，实验人员也可以提交自己的交易订单，但是除了需要选择交 易方向和报价外，还需要选择交易对手。当订单发出后，就可等 待交易对手是否接受交易。如果接受，交易便达成，系统将会更 新双方的资产和现金。 实验的流程与 ABM 模拟的市场完全一致，唯一的区别在于每 期的交易过程中，实验环境下实验人员可以同时并多次提交买卖 订单，而 ABM 模拟的市场中，参与者必须按照某个随机的次序， 依次行动。但这样的差异对结果的影响并不明显，因为即使在实 验环境下，实验人员同时提交订单，同时匹配交易，但在时间上 仍有先后次序，可以通过多次试验，来趋近于 ABM 模拟的随机次 序，减少两者的差异。 计算多次实验的资产成交价和成交量平均值，结果如图 11 所示。在场外市场的成交价明显低于场内市场的成交价，并且在 交易的前 10 期，也低于资产的基本面价格。在第 10 期之后，场 外市场的成交价和基本面价值基本一致。而在场内市场中，资产 的成交价格几乎均高于基本面价值，并且呈现出明显的“泡沫” 和“泡沫破灭”的特征。场外市场的成交量低于场内市场，这是 因为在场外市场中，实验者需要花费更多的时间来寻找合适的交 易对手和最优的交易价格，而在场内市场上，这类信息完全公开， 因此搜寻成本相较场外市场而言更小，更容易达成交易。 图 11 实验环境下平均成交价和成交量 3.参数校准及分析 在 ABM 中，模拟的场内市场和场外市场有 4 个待定参数，其 中描述参与者的行为特征，S 描述参与者的交易机会。本文基于 Duffie 2006 的方法，通过最小化 ABM 模拟和实验数据在成交价 格和成交量上的偏差，得到参数和在场内市场和场外市场的最优 估计值。成交价和成交量偏差值定义为： 其中表示模拟得到的每期成交价的平均值，表示实验得到的成交 价平均值，表示第一期资产的基本面价值。和分别是模拟和实验 得到的成交量平均值，表示市场上的资产总数，这里市场上共有 9 为参与者，每位都有 10 单位资产的禀赋，因此等于 90。 参数估计的过程分为两步：第一步，通过网格法来拟合参数。 将参数的取值离散化，其中，，。这三个参数构成三维网格格点， 在每个格点上，只有参数未知，然后最小化偏差值，求出每个格 点处最优的，以及对应的偏差值。比较每个格点的偏差值，选出 偏差值最小的参数组合，和。 第二步，仅让参数作为格点，在不同取值下，将第一步求出 来的参数组合，和作为起始点，进行三维优化，使得偏差值，得 到对应的参数组合和的局部最小值。比较不同取值下，的局部最 小值，找到的全局最小值，那么其对应格点上的参数组合，和， 便是 ABM 模拟的校准参数。 图 12 和图 13 分别是模拟市场的成交价和成交量。对于场外 市场，模拟的成交价路径与实验环境下的成交价路径十分接近， 而场内市场模拟的成交价路径与实验结果有一定差异。模拟的价 格路径的“泡沫”出现的时间比实验结果更早。而在成交量上， 由于是程序模拟，无法将所有影响的实验人员进行决策的现实因 素考虑在内，成交量的模拟结果较实验结果而言更加稳定，没有 充分反映出实验过程中成交量的波动。但是实验环境的成交量均 围绕模拟的成交量附近波动，因此模拟结果依然能够体现出市场 成交量上的特征。 图 12 模拟市场的成交价 图 13 模拟市场的成交量 表 3 参数估计结果 交易机制 场外市场 0.8745 1.6092 0.0034 8 场内市场 0.6478 2.5875 0.0001 13 表 3 是模拟参数的估计结果，场外市场的参数比场内市场的 更大，表明场外市场的参与者在报价时随机项的作用更大，参与 者的异质性更加明显。相反，场内市场的参与者在报价时会更看 重上一期的成交价，锚定效应更强。参数表示参与者对资产价格 的共识，越大，说明参与者普遍认为资产价格会更高。场外市场 的参数的场内市场的小，说明在场内市场中，参与者普遍对资产 价格有更高的估价。参数描述的是随着资产到期，参与者卖出资 产倾向的变化率。场外市场的参数明显高出场内市场许多，这意 味着在场外市场上，临近资产到期，市场会承受更大的抛售压力。 相反，在场内市场上，资产到期对参与者的买卖倾向没有明显改 变。参数决定了在每期交易中，参与者的交易机会次数。虽然实 验环境下场内市场的交易量是场外市场的两倍，但是场内市场的 参数仅是场外市场的 1.6 倍，小于 2 倍，这说明要达到与场内市 场相近的成交量，场外市场的参与者需要更多的交易机会，来弥 补寻找交易对手所带来的搜索成本。 4.比较静态分析 这一节，本文将分析参数大小对模拟市场的影响，分别从价 格，成交量和买卖价差三个角度来分析。图 14 展示了不同参数 下场内市场和场外市场成交价格变化的情况。我们将每一期的成 交价格减去当期的基本面价值再除以第 1 期的资产基本面价值， 得到平均价格偏离率，来表示市场的模拟成交价。这样处理既能 够保证不同参数下成交价格的可比性，也能够反映成交价格相对 于基本面价值的变动情况。图 13 中（a）列是场内市场的成交价， 参数对成交价的影响价较为明显，说明锚定效应在场内市场的强 弱在一定程度上决定了市场平均成交价的高低。较小时，成交价 在前期低于基本面价值，而到了后期则高于基本面价值，且泡沫 更加明显。当较大时，前期存在较大泡沫，但到了后期成交价和 基本面价值十分接近。参数和对成交价的影响则十分有限。（b） 列是场外市场的成交价曲线。参数对成交价有一定影响，但与场 内市场相比，影响较小。当较小的时候，场内市场和场外市场的 成交价格都明显低于资产的基本面价值，且对于场外市场而言越 小，市场成交价格的低估程度越大。而在较大的时候，场内市场 的成交价高于基本面价值，相反场外市场的成交价依然低于资产 的基本面价值，这也进一步说明了在场内市场，锚定效应对成交 价低估或高估也有明显影响。 （a）场内市场 （b）场外市场 图 14 成交价格的比较静态分析 图 15 是每期成交量和参数的比较静态分析，（a）列是场内 市场的结果，参数的大小对成交量没有明显影响。相反参数在资 产临近到期时对成交量有一定影响。当，意味着参与者的买卖倾 向不会随着时间改变，所以在最后几期交易的时候，买卖订单的 数量不会有显著差异，成交量不会像时逐渐下降，而是保持相对 稳定。参数，使得每个参与者都有充足的机会进行交易，因此成 交量明显增加，但同时成交量的变化趋势也更加明显。由于随着 资产到期，参与者抛售资产的倾向越强，成交量有明显的下降趋 势。（b）列是场外市场的模拟结果，不同于场内市场，参数对 成交量的形态有明显影响。当较小时，成交量呈现出先减后增的 特征，而当较大时，成交量则是先增后减。参数对成交量的影响 和场内市场相类似，使得每期成交量更加稳定。较大的参数也使 得场外市场每期成交量的下降趋势更加明显。 （a）场内市场 （b）场外市场 图 15 成交量的比较静态分析 图 16 是买卖价差的比较静态分析结果，为了使得每期之间 的买卖价差有可比性，本文的结果是每期的买卖价差和当期资产 的基本面价值的比值。（a）列是场内市场的模拟结果，参数对 买卖价差随期数变化的形态没有影响，但是在买卖价差的绝对值 上，较小时的买卖价差明显小于较大时的买卖价差。这是因为较 小意味着参与者之间的异质性差异更小，每个参与者的报价都与 前一期的成交价更相关，因此报价更一致，所以买卖价差更小。 而当参数，参与者的买卖倾向保持不变时，买卖价差随时间有略 微减少。参数对买卖价差的形态也有一定影响，但在大小上没有 显著作用。（b）列是场外市场的模拟结果，参数对买卖价差大 小的影响与场内市场是一致的，越小，买卖价差越小。但是在买 卖价差随时间变化的形态上，当较小时，买卖价差会随着资产到 期有明显增加。这意味着，在场外市场上，如果参与者的锚定效 应较强，那么在临近资产到期时，交易成本会有明显增加。而参 数越小，参数越大，买卖价差也将有所降低，这说明资产抛售压 力越小，参与者交易机会越多，能够减少场外市场的买卖价差。 （a）场内市场 （b）场外市场 图 16 买卖价差的比较静态分析 （四）做市商制度分析 在实际的场外市场中，为了降低市场参与者的搜寻成本，提 高市场效率，往往会引入做市商制度，来为市场提供流动性。因 此，在这一节，本文将做市商引入到 ABM 中的场外市场，并比较 在相同的市场参数下，有做市商的场外市场，无做市商的场外市 场以及场内市场在定价，成交量和买卖价差上的差异。 在引入做市商制度的场外市场中，本文依然假设一共有 9 位 市场参与者，禀赋与之前的模型相同，但是其中有两位参与者是 做市商。做市商的交易行为不同于其他市场参与者。当轮到做市 商行动时，他会按首先生成做市商报价，然后检查收到的交易订 单。当收到买入资产的订单时，做市商会比较订单报价和做市商 报价的大小，如果做市商报价低于买入订单的报价，做市商则会 与之交易，以订单报价卖出资产给提交订单的参与者，反之则不 会交易。对于卖出资产的订单，如果做市商报价高于卖出订单的 报价，那么便会按订单报价从交易对手方买入资产，满足其交易 需求。值得注意的是，我们假设做市商不会主动向其他参与者提 交订单，其交易动机完全由收到的订单所驱动。 同时，我们假设剩余的 7 名市场参与者有 50%的概率向做市 商提交订单，50%的概率向其他市场参与者提交订单。如果市场 参与者向做市商提交订单，那么将会从两个做市商中随机选择一 个做市商来交易。 为了能够分析仅由交易机制的不同所带来的定价和流动性 上的差异，需要保证不同交易机制的市场参数设置完全相同，那 么模拟得到的结果如果出现不同，便是交易机制所导致的。根据 参数校准的结果，本文以场内市场的参数作为基准，使场内市场 和场外市场的参数设置一致，如表 4 所示。 表 4 市场参数设定 0.6478 2.5875 0.0001 13 1.成交价格 首先比较在不同交易机制下，市场成交价格的特征。图 17 展示了不同交易机制和市场参数下价格偏离度的模拟结果。我们 首先将参数的大小，分别调增至 0.9 和调减至 0.1，来分析交易 机制对锚定效应强弱的敏感性。当，锚定效应增加而随机项的影 响较低时，三个交易机制的成交价几乎完全一致。而在市场泡沫 上，前 8 期的成交价均低于基本面价值，而在第 8 期及之后，成 交价均高于基本面价值，并且偏离程度越来越大，没有出现泡沫 破灭的特征。相反，当时，锚定效应减弱而随机项的影响增强， 三种交易机制对此变化的敏感性各不同，进而导致市场成交价出 现了较为明显的差异。从第 2 期到第 6 期，场外市场的成交价显 著高于场内市场。在此之后，三种交易机制的成交价趋于一致。 同时可以注意到在所有交易期上，成交价均高于基本面价值，但 是在第二期后，市场价和基本面价值间的差异逐渐缩小，泡沫逐 渐破灭。因此，当锚定效应增加时，三个交易机制下成交价的变 化更加一致，同时泡沫会出现在后期，且会越来越大。而当锚定 效应变弱时，三个交易机制对此的敏感性不同，成交价的差异更 加明显，而泡沫会出现更加明显的破灭的特征。 然后，将参数增加至 4，以提高市场投资者对资产的价格共 识。三个交易机制的成交价的相对大小没有变化，但在成交价的 高低上，三种交易机制的模拟结果均有明显增加，泡沫大小也更 大。 接着，将参数增加至 0.001，使得投资者在资产到期时有更 强的卖出倾，场内市场对此十分敏感，成交价格有明显下降。相 反，场外市场的变化较小，并且在没有做市商的场外市场上，价 格的降幅也比有做市商的场外市场更小。这是因为，卖出资产的 人越来越多，在场内市场上，可以经过中央系统撮合交易保证了 即使卖出订单数量增加也能够成交，那么相应的成交价也就越来 越低。相反，在场内市场上，则会出现愿意卖出资产的投资者会 很难找到交易对手，即使报价更低，依然无法达成交易，因此市 场价产生的影响较小。 最后，将每期的交易机会减少到 5，场内市场对此的变化也 更加敏感，成交价有一定程度的降低。而场外市场的成交价则没 有明显变化。这说明场内市场的定价需要有充足的交易做支撑， 而场外市场尽管交易更少，但市场定价更加稳定。 图 17 平均价格偏离率 2.买卖价差 图 18 展示了买卖价差的模拟结果。比较而言，在不同参数 设定下，场外市场的买卖价差比场内市场的波动更小。其中，场 内市场的买卖价差呈现出随着期数的增加逐渐降低的趋势，这是 因为卖出资产的参与者变多，导致成交价下降，进而影响到买卖 价差。相反场内市场的买卖价差则较为稳定，并且是否有做市商 对买卖价差的影响微乎其微。在参数，时，场内场外市场的买卖 价差的形态几乎没有发生改变。但是在时的买卖价差明显高于。 这是由于时，随机项对投资者定价的影响更大，每个投资者报价 的差异更加明显。相反，较小时，投资者报价具有更强的锚定效 应，所以报价会趋于一致。因此，买卖价差在时更大。 参数增加至 4 时，投资者对资产的价格公式更高，但相应的 定价中随机项变化的范围也就更大，投资者报价的异质性也更强。 所以在场内场外市场上，买卖价差的大小都比基准参数下的更大。 同时，场内市场的买卖价差波动更加明显，且下降趋势逐渐消失。 而参数增加至 0.001，使得临近期末要卖出资产的投资者更 多，场内市场承受的抛压更大。所以，相应的场内市场的成交价 更低而买卖价差更小。同理，对于场外市场而言，因为其成交价 并没有受到抛压的影响，所以买卖价差没有发生明显的变化。 最后将参数下降至 5，以减少每期参与者的行动机会。场内 市场的买卖价差波动会因此而加剧，同时场外市场买卖价差相较 于基准结果而言，也出现了较为明显的波动。这说明，不论是场 内市场还是场外市场，当交易机会减少，交易不活跃时，买卖价 差均会出现更大的波动。 图 18 买卖价差 3.成交量 在市场成交量特征上，参数，的变化对成交量的影响较小， 而参数的增加，使得投资者卖出资产的倾向变强，在临近资产到 期时，卖出订单数量将远远大于买入订单，买卖难以匹配。所以 在场内市场和没有做市商的场外市场上，成交量都期数增加，出 现明显下降的迹象。相反引入做市商的场外市场后，因为有做市 商提供流动性，所以成交量的变化并不明显。 图 19 成交量 （五）结论 本文研究了中国债券银行间市场和场内市场在交易机制上 的差异以及对市场效率的影响。由于银行间市场和场内市场在债 券交易品种和市场参与者结构上有较大差异，传统的计量经济学 方法也无法完全处理市场间的内生性差异，因此本文通过 Agent-Based Model 来模拟出交易品种和参与者完全一样的场内 市场和场外市场，在排除内生干扰的模拟环境下分析场内场外交 易机制对市场成交价，交易量和买卖价差的影响。本文首先借助 场内市场和场外市场的实验结果对模拟市场的参数进行校准。结 果显示场内市场的成交价格会出现泡沫，并高于场外市场的成交 价。在成交量上，场内市场比场外市场更加活跃。参与者在场内 市场交易时，会表现出更强的锚定效应，同时会对资产价格的共 识会更高，但是随着资产临近到期，市场不会出现明显的抛售倾 向。相反，在场外市场中，参与者之间会体现出更明显的异质性， 对资产的估价更低并且临近资产到期时，卖出资产的倾向会更强。 对市场的模拟参数进行比较静态分析说明，市场参与者的锚定效 应对市场的成交价的影响在场内市场中更加明显，而对买卖价差 的影响在场外市场中作用更加显著。而临近资产到期的卖出倾向 越强，场内市场和场外市场的成交量都有明显降低。 当场外市场引入做市商后，假定场外市场和场内市场都基于 相同的模拟参数，其结果显示三种交易机制对参数,和的变化， 敏感程度不尽相同。场内市场对参数的变化更加敏感，并且会由 于临近资产到期，市场将承受抛压，使得成交价和成交量均有明 显下降。相反，当场外市场引入了做市商制度后，在成交价和成 交量上都对市场环境的变化更加稳定。 本文研究说明，债券的银行间市场和场内市场的交易机制对 市场效率有明显影响。场内市场的限价指令簿制度能为市场带来 较高的活跃度，但同时也容易高估资产价格，并且当市场出现较 为明显的抛售资产倾向时，买卖订单数量难以匹配，造成市场成 交量明显减少，成交价也有所下降。场外市场的活跃度低于场内 市场，但是做市商制度为市场提供了充足的流动性，缓解了资产 买卖订单数量不匹配的问题，使市场在定价和流动性上更加有效。 因此，在分析市场效率时，应该充分考虑到两个市场交的优劣特 征，扬长避短，为市场参与者创造更合适有效的市场环境。 参考文献 [1] O'Hara M. Presidential Address: Liquidity and Price Discovery[J]. Journal of Finance, 2003, 58(4): 1335-1354. [2] Demsetz H. The Cost of Transacting[J]. Quarterly Journal of Economics, 1968, 82(1): 33-53. [3] Duffie D, Pedersen G L H. Over-the-Counter Markets[J]. Econometrica, 2010, 73(6): 1815-1847. [4] 张晓玫，弋琳. 货币空转与银行间市场流动性——基于我 国“钱荒”事件研究[J]. 财经科学, 2013(12): 20-28. [5] 张明，郭子睿，何帆. “钱荒”为什么会发生?——上海银 行间同业拆放利率的影响因素分析[J]. 国际金融研究, 2016(12): 84-93. [6] Duffie D, Dworczak P, Zhu H. Benchmarks in Search Markets[J]. Journal of Finance, 2015, 72(5): 1983-2044. [7] Biais B, Green R. The microstructure of the bond market in the 20th century[J]. Review of Economic Dynamics, 2019. [8] Bessembinder H, Venkataraman K. Does an electronic stock exchange need an upstairs market?[J]. Journal of Financial Economics, 2004, 73(1): 3-36. [9] Holden C W, Lu D, Lugovskyy V, et al. What is the impact of introducing a parallel OTC market? Theory and evidence from the chinese interbank FX market[J]. Journal of Financial Economics, 2021, 140(1): 270-291. [10] Hendershott T, Madhavan A. Click or Call? Auction Versus Search in the Over-the-Counter Market[J]. The Journal of Finance, 2015, 70(1): 419, 447. [11] Corwin S A, Schultz P. A simple way to estimate bid ‐ask spreads from daily high and low prices[J]. The Journal of Finance, 2012, 67(2): 719-760. [12] Amihud Y. Illiquidity and stock returns: cross-section and time-series effects[J]. Journal of financial markets, 2002, 5(1): 31-56. [13] Roll R. A simple implicit measure of the effective bid ‐ask spread in an efficient market[J]. The Journal of finance, 1984, 39(4): 1127-1139. [14] Arthur W B. Inductive reasoning and bounded rationality[J]. The American economic review, 1994, 84(2): 406-411. [15] Arthur W B, Holland J H, Lebaron B, et al. Asset pricing under endogenous expectations in an artificial stock market[J]. The economy as an evolving complex system II, 1996, 27. [16] Lebaron B, Arthur W B, Palmer R. Time series properties of an artificial stock market[J]. Journal of Economic Dynamics and control, 1999, 23(9-10): 1487-1516. [17] Arthur W B. Complexity and the economy[J]. science, 1999, 284(5411): 107-109. [18] Pascual J A, Pajares J, Lopez-Paredes A. Explaining the statistical features of the Spanish Stock Market from the bottom-up[M]. Advances in Artificial Economics, Springer, 2006, 283-294. [19] Anufriev M, Arifovic J, Ledyard J, et al. Efficiency of continuous double auctions under individual evolutionary learning with full or limited information[J]. Journal of Evolutionary Economics, 2013, 23(3): 539-573. [20] Gode D K, Sunder S. What makes markets allocationally efficient?[J]. The Quarterly Journal of Economics, 1997, 112(2): 603-630. [21] Gode D K, Sunder S. Allocative efficiency of markets with zero-intelligence traders: Market as a partial substitute for individual rationality[J]. Journal of political economy, 1993, 101(1): 119-137. [22] Jamal K, Maier M, Sunder S. Simple Agents, Intelligent Markets[J]. Computational Economics, 2017, 49(4): 653-675. [23] Duffy J, Unver M U. Asset price bubbles and crashes with near-zero-intelligence traders[J]. Economic theory, 2006, 27(3): 537-563. [24] Gode D K, Sunder S. Allocative efficiency of markets with zero-intelligence traders: Market as a partial substitute for individual rationality[J]. Journal of political economy, 1993, 101(1): 119-137. [25] Smith V L, Suchanek G L, Williams A W. Bubbles, Crashes, and Endogenous Expectations in Experimental Spot Asset Markets[J]. Econometrica, 1988, 56(5): 1119-1151.
关注微信
