摘 要

Abstract 6

第1章 绪论 7

1.1 选题背景 7

1.2 选题意义 7

1.2.1 理论意义 7

1.2.2 现实意义 8

1.3 研究方法和技术路线 8

1.4 主要创新点 8

第2章 文献综述 9

2.1 知情交易识别的研究 9

2.2 超常收益的研究 9

2.3 其他方面的研究 10

2.3 研究现状评述 10

第3章 相关概念定义 11

3.1 内幕交易 11

3.1 累计平均超常收益率CAR（cumulative abonormal return） 11

3.2 平均超常换手率AAT（average abnormal turnover） 12

3.3 Logistic模型 12

3.3.1 Logistic模型的一般形式 12

3.3.2 Logistic模型的线性形式 12

3.3.3 本文中的Logistic模型 13

第4章 我国证券市场内幕交易的行为识别与实证检验 14

4.1 样本选取 14

4.2 样本处理 14

4.3 建立Logistic模型 14

第5章 基于Logistic型对内幕交易的实证研究 15

5.1 实证结果与分析 16

5.2 Logistic模型完善 16

第6章 内幕交易行为识别的理论建议 18

6.1 识别指标的选取与处理 18

6.2 事件窗口期的选取与处理 18

6.3 临界值p的选取与处理 19

第7章 抑制我国证券市场内幕交易的政策建议 20

7.1 培养高素质投资者，减少投资者非理性 20

7.1.1 加强证券市场信息披露机制和监管体系 20

7.1.2 培育投资型机构投资者，鼓励平准基金入市 21

7.1.3 引导投资者理性投资 21

7.2 改革政府政策思路，减少证券市场的政策效应 22

7.2.1 合理定位政府角色 22

7.2.2 科学制定政府政策 22

第8章 结论及展望 23

8.1 本文结论 23

8.2 研究不足与展望 23

参考文献 24

致 谢 26

摘 要

基于Logistic 分析构建了内幕交易行为的识别体系与识别模型，并以2007 年1 月1 日—2017 年12 月31日证监会公开处罚的沪深A 股发生内幕交易行为上市公司为样本，对内幕交易行为的识别进行了实证研究。对于内幕交易行为识别模型的构建，针对指标的选取与处理、事件窗口期的选取与处理、临界值p的选取与处理给出了理论建议；此外还通过实证检验的结果，对政府与投资者给出了相应的政策建议：

在理论建议方面，第一，Logistic识别模型能够较为准确地识别实际发生的内幕交易行为; 第二，除了累积平均超常收益率（CAR）与平均超常换手率(AAT)之外，CAR与AAT的乘积项以及日均收益率平方项都能够提高确识别率; 第三，以本文所给出的基准选取内幕交易识别的最优临界值能够较大程度提高内幕交易行为的识别正确率，进而样本的总体识别正确率能够得到较大的提高。在政策建议方面，管理层应审时度势地根据不同的市场环境采用不同的临界值来对内幕交易行为进行识别。

关键字：内幕交易；累积平均超常收益率; 平均超常换手率；Logistic模型

Abstract

Based on Logistic analysis, the identification system and model of insider trading behavior are constructed. An Empirical Study on the identification of insider trading behavior is carried out by taking Shanghai and Shenzhen A-share listed companies which are publicly punished by the SFC from January 1, 2007 to December 31, 2017 as samples. For the construction of insider trading behavior identification model, theoretical suggestions are given for the selection and processing of indicators, the selection and processing of event window period, and the selection and processing of critical value P. Through the results of empirical test, corresponding policy recommendations are given to the government and investors.

Firstly, the recognition model can accurately identify the actual insider trading behavior; secondly, besides the cumulative average abnormal return (CAR) and average abnormal turnover rate (AAT), the product term of CAR and AAT and the square term of daily average return can improve the recognition rate; thirdly, the optimal threshold value of insider trading identification can be selected according to the benchmark given in this paper. To a great extent, the recognition accuracy of insider trading behavior can be improved, and then the overall recognition accuracy of samples can be greatly improved. Fourthly, management should use different critical values to identify insider trading behavior according to different market environments.

Key Words：inside trade; cumulative abonormal return；average abnormal turnover；

Logictic moedl

第1章 绪论

1.1 选题背景

现代意义上的证券交易起源于1792年美国纽约证券交易所的诞生，从此证券市场日益发展壮大。在证券市场逐步演变为重要的资本市场的同时，形形色色的证券欺诈行为也随之产生。而其中数量最大、对证券交易公平性影响最恶劣的犯罪行为莫过于内幕交易( Insider Trading) 。

各国政府对于证券市场内幕交易的打击与监管从未停止。美国政府为此专门成立了“证券交易管理委员会”( SEC，Securities and Exchange Commission) ，英国政府也专门成立了“审慎监管局”( PＲA，PrudentialＲegulation Authority) 与“金融行为监管局”( FCA，Financial Conduct Authority) ; 日本政府针对证券市场上内幕交易行为也投入了大量的资源用以应对，并于1948 年5 月颁布《证券交易法》。由于内幕交易形式的不断变化，日本在1997 年和2013 年对证券交易法进行了修改与完善。在我国，政府对于内幕交易行为采取零容忍的态度，通过不断完善相关法律等手段加强监管力度，并于2011 年实行了内幕信息知情人登记管理制度。

截至2017 年底，中国证券市场( 不包括香港证券交易所) 总市值约7 万亿美元，居世界第二位，成为世界金融市场重要的组成部分。然而，每年发生的众多内幕交易行为给证券市场及市场交易者造成了巨大损失。随着中国证券市场的不断发展，内幕交易手段的日益策略化、内幕交易主体构成的多元化与内幕交

易形式的多样化、隐蔽化等特点，如何对内幕交易进行及时有效的行为识别与控制在未来一段时间内仍将是亟需解决的问题。

1.2 选题意义

1.2.1 理论意义

本文在现有的内幕交易理论基础之上，利用Logistic模型分析构建了内幕交易行为的识别模型，对内幕交易行为的识别进行了实证分析与检验。本文的实证研究方法和行为识别模型为我国证券市场内幕交易进行更为精确的行为识别打下了基础。

1.2.2 现实意义

本文结合已有的研究，利用实证检验和回归分析的方法对中国证券市场进行了行为识别模型的构建。在实际内幕交易识别的运用中，有关监管部门可以在本文提出的模型识别的基础之上针对性的调查取证，从而可提高监管效率和正确率。

1.3 研究方法和技术路线

本文围绕中国证券市场内幕交易中的累计平均超常收益率CAR（cumulative abonormal return）和平均超常换手率AAT（average abnormal turnover）进行研究，通过Logistc回归分析构建内幕交易的行为识别模型。全文的研究框架安排如下，共分为七个部分：

第一部分是绪论，主要阐述本文的研究背景、研究意义、研究内容和主要创新点。

第二部分是文献综述，笔者参阅了很多国内外相关的研究文献，分别从知情交易识别和超常收益判定两个方面进行归纳和评述。

第三部分为相关概念的定义与理论方法概述。主要对累计平均超常收益率（CAR）、平均超常换手率（AAT）及Logistic模型等概念进行了定义及阐述。

第四部分为内幕交易行为识别模型的构建。主要分为样本选取、样本处理、模型建议与分析三步。

第五部分笔者通过利用构建出的内幕交易行为识别模型，对选取出来的2001年1月1日至2017年12月31日中国证监会公开处罚的171个发生内幕交易的上市公司进行了实证检验。

第六部分是笔者针对全文对内幕交易的行为识别实证检验结果，给出抑制我国证券市场内幕交易的理论建议和政策建议。

第七部分为本文的研究结论，对本文的局限之处进行分析，并由此提出研究展望。

1.4 主要创新点

在借鉴前人研究成果的同时，笔者认为本研究在以下几个方面有所发展和创新：

(1)创新性地对我国证券市场内幕交易的行为识别进行了实证检验，弥补了学术界对行为识别实证研究的不足；

(2)运用Logistic回归分析，将内幕交易量化为一种可以识别的证券市场行为，从而得出了内幕交易行为识别的模型。

第2章 文献综述

内幕交易行为的复杂性、危害性、隐蔽性、识别的困难性及其防控形势的严峻性, 成为近年来各国学者越来越关注的重点与焦点问题。从现有文献来看, 对内幕交易行为的监管、法律规制的研究较多, ，但是对内幕交易行为的识别研究较少。对内幕交易行为的识别研究，主要集中在知情交易与超常收益等两个方面。

2.1 知情交易识别的研究

在知情交易识别方面，Easley，Kiefer，O'Hara和Paperman 在1996、1997 年使用二叉树描述内幕交易行为的整个过程，提出了著名的估计知情交易概率( Probability of Informed Based Trading ，PIN) 的EKOP 模型( PIN 模型) 。随后大多数研究都是按照其核心思想对EKOP 模型进行了有效拓展。White 和Ｒeady( 2004) 运用EK0P 模型实证检验了美国证券市场的知情交易概率，分析了影响PIN 大小的相关因素，并发现PIN 与相对买卖价差存在着显著正相关关系; Brown 等( 2001)运用EKOP 模型估算的PIN 值与信息披露质量指标( AIMＲ) 呈显著负相关关系，并且与二级市场的交易量呈显著负相关关系; 在我国，汪贵浦( 2002) 较早对内幕交易行为进行了研究，通过测量内幕交易行为发生过程中的信息含量，运用Logistic分析对内幕交易行为做了二元判别，构建了较为简易的内幕交易的判别体系; 杨之曙和姚松瑶( 2004) 以EKOP 模型为基础，通过对上交所上市公司的交易数据实证检验后，验证了EKOP 模型;王春峰等( 2005) 通过构建知情交易概率、流动性和波动性关系的回归模型，得出了沪深A 股市场知情交易概率与市场流动性正相关、然而与波动性负相关的实证结论;攀登和施东晖( 2006) 构建了基于订单驱动市场的知情交易概率的测度模型，并对上交所上市公司进行了实证分析;韩立岩等( 2008) 以EKOP 模型为基础，分析了上交所上市公司知情交易概率的特征，并实证检验了知情交易概率的风险定价能力;由于交易制度与市场结构等的差异，以及中国证券市场是一个典型的订单驱动市场，基于做市商市场的EKOP 模型在我国证券市场的应用有较大的局限性。

2.2 超常收益的研究

在超常收益判定方面，大部分研究观点认为从对内幕交易行为的监控角度来看超常收益判定方法较为有效，因此基于超常收益判断的事件研究法不断得到改进。Jeng 等( 2003) 运用三种不同的估计模型对超常收益进行了估算; 孙开连等( 2003) 把内幕信息的敏感指标设定为机构投资者的持股数量，对内幕交易行为的识别进行了实证分析与检验; 王春峰等( 2003) 对回报率、波动性与交易量间之间的变化关系进行了实证检验; 张新和祝红梅( 2003) 实证检验了公司重大“利好”消息总是与内幕交易行为相伴随; 晏艳阳等( 2006) 以沪深A 股市场股改试点公司为样本，实证检验了累积超常收益率的波动与内幕交易行为之间的关系; 王化成等( 2008) 通过单个上市公司分析了控制权转移的微观市场反应; 蔡宁( 2012) 通过分析业绩预告前后大股东的减持事件，实证检验了大股东利用信息优势实施内幕交易行为; 岳宝宏和王化成( 2013) 运用多元回归模型实证检验了控制权转移中内幕交易严重程度的影响因素。

2.3 其他方面的研究

在其它方面，Nyholm( 2002) 提出的知情交易概率的测度方法是通过对报价驱动市场的研究而得出的; Liorente 等( 2002) 基于私人信息的交易找出了测量交易过程中信息不对称的方法( LMSW法) ; 李心丹等( 2008) 通过内幕交易行为动机结构模块( SEM) 对内幕交易行为进行了判别; 张宗新等( 2007、2008) 把神经网络的数据挖掘方法运用到内幕交易行为的识别上，提高了判别正确率; 唐齐鸣等( 2007、2009) 将公司治理结构的变量引入到内幕交易行为识别模型，得到了较高的判别正确率。

2.3 研究现状评述

总之，随着近年证监会对内幕交易行为查处力度的加大，对内幕交易行为识别研究的样本也迅速增大，这为运用Logistic 模型对内幕交易行为进行识别提供了一个很好的机会。本文以2007年1 月1 日－ 2017 年12 月31 日证监会公开处罚的沪深A 股发生内幕交易行为上市公司为样本，基于Logistic 模型构建内幕交易行为的识别体系与识别模型，并进行了实证分析与检验。

第3章 相关概念定义

研究我国证券市场内幕交易，首先要对内幕交易进行界定，再找到合理的内幕交易量化指标，并以此为依据对我国证券市场的内幕交易进行分析，从而为构建合理的行为识别模型打下基础。

3.1 内幕交易

学术界一般认为，内幕交易行为是指证券交易的知情者或非法获取证券交易内幕信息的人员, 在涉及证券的发行、交易或其他对证券的价格有重大影响的信息尚未公开前, 买人或卖出该证券, 或者泄露该信息或建议他人买卖证券的行为。

因为内幕交易使市场对重大信息提前反映, 在信息公开披露前, 股票价格和交易量出现异常波动。而由于信息已经通过内幕交易渗透到市场, 所以在信息披露日前后, 市场不会出现大幅明显的反应。

因此，我们可以用事件研究法实证检验是否存在内幕交易。并且为了识别内幕交易行为，笔者利用两个不同但又相互联系的数据作为指标来检验中国证券市场中的内幕交易行为。

3.1 累计平均超常收益率CAR（cumulative abonormal return）

在本文中，笔者利用下面的式子来定义股票i在第t天的价格回报R(return)：= · (3.1)

其中：为日收益率，为市场日收益率，为误差项且)。为常数，代表股票i的系统性风险，代表股票i的特异风险。

笔者用下面的式子来定义在事件发生期间内的超常收益率AR(abnormal return)：

=-( ·) (3.2)

其中：是对的估计值，是对股票i的系统性风险的估计值,t代表事件发生期。

因此，可以通过下式表示事件发生期间内n种股票的平均超常收益率（average abnormal return ）：

= (3.3)

那么从时刻到时刻的累计超常收益率CAR（cumulative abonormal return）可以表示为：

= (3.4)

3.2 平均超常换手率AAT（average abnormal turnover）