Hasbrouck & Seppi (1998) — Common Factors in Prices, Order Flows and Liquidity
作者: Joel Hasbrouck（New York University Stern 商学院）、Duane J. Seppi（Carnegie Mellon University，GSIA）。
发表: NYU Stern 工作论文 wpa99011（1998-12-31）；正刊 Journal of Financial Economics 62(1), 2001，DOI 10.1016/S0304-405X(00)00091-X。PDF 31 页。
⚠️ 版本说明：本份 PDF 是 1998 年工作论文版，非 2001 年 JFE 正刊。措辞可能不同。
数据: NYSE TAQ / TORQ，道琼斯工业平均 30 只成分股，1994 年，15 分钟区间。
一句话总结
个股的收益和订单流都由共同因子驱动——但流动性的共同因子很弱。具体说：订单流的共同性解释了收益共同性的一半左右；而价差、买卖报价量这些流动性代理指标的共同成分「相对很小」。
核心：经济框架
式（1） 把报价中间价的变动拆成两部分：
\Delta m_{i,\tau} = u_{i,\tau} + \lambda_{i,\tau}\, x_{i,\tau}
- u_{i,\tau}：与本笔交易无关的公开信息
- \lambda_{i,\tau} x_{i,\tau}：从本笔交易推断出的私人信息（\lambda 是市场深度 / 冲击系数）
式（2） 成交价：
p_{i,\tau} = m_{i,\tau-1} + s_{i,\tau}
其中 s_{i,\tau} 是有效半价差，是主动方的交易成本的近似度量。
一个关键的区分（论文说得很清楚）：s_{i,\tau} 既是主动方的成本，又是传递了从该笔交易推断出的信息；而
p_{i,\tau} - m_{i,\tau} = -\lambda_{i,\tau}x_{i,\tau} - s_{i,\tau}
这个最后的表达式才构成成交价的「临时」成分。
论文问的三个问题：
- 式（1）里订单流 x_{i,\tau} 是否存在共同因子？若有，能解释多少收益的共同性？
- 市场深度 \lambda_{i,\tau} 是否随机变动？若是，这种时变是否跨股票系统性？
- 有效半价差 s_{i,\tau} 是否存在共同性？
论文的一个重要理论判断：
知情订单流对非知情市场参与者（包括报价设定者）来说不可直接观测。但知情订单流的预期强度反映在冲击系数 \lambda_{i,\tau} 上。我们假设这些系数存在时变与共同因子。
核心结果一：收益的共同因子
第一特征值 = 6.32（30 只股票的标准化收益相关矩阵）
含义：\frac{6.32}{30} = 21\% 的收益总变动由单一共同因子解释。
第二与第三特征值接近 1（无共同性时每个特征值都是 1）——说明额外的共同因子重要性可忽略。
脚注给出的标准误：在多元正态假设下，\sqrt{2}\sigma^2/(2\sqrt{n}) = 0.012——6.32 远超噪声。
订单流侧：带符号成交量也有共同性，在大单（>10,000 股）上较弱。
核心结果二：订单流的共同因子解释了收益共同性的一半
这才是本篇的核心命题。
主成分与典型相关的对照：
| 关系 | 相关系数 |
|---|---|
| 收益的第一主成分 ↔ 带符号平方根美元量的第一主成分 | 0.82 |
| 典型相关分析最大化后的第一典型因子 | 0.83 |
| 收益：第一典型因子 ↔ 第一主成分 | 0.99 |
| 带符号量：第一典型因子 ↔ 第一主成分 | 0.98 |
| 第二典型因子之间 | 0.58 |
论文对 0.82 与 0.83 的解读（这段值得记住）：
第一主成分只在一组变量内部最大化解释方差（只是收益，或只是带符号成交量），并不蕴含不同变量集合的主成分之间的相关性。而最大化线性组合之间相关性正是典型相关程序的目标。可以把 0.82 当作起点，典型相关分析把它最大化到 0.83。
典型因子与主成分高度相关（0.99 / 0.98）说明：收益或带符号量内部的共同性，与这两个变量之间的共同性本质上是同一回事。
部分主成分分析给出定量答案：
回归 r_{i,t} = \alpha_i + \beta_i\, C^{SRDV}_{t,1} + e_{i,t} 后，对残差协方差矩阵做主成分分析：
| 量 | 值 |
|---|---|
| 标准化收益协方差矩阵的第一特征值 | 6.32 |
| 回归后残差协方差矩阵的第一特征值 | 2.13 |
含义：收益第一成分的约三分之二被第一典型带符号量因子解释。
论文的结论句：
这表明短期收益的因子结构在订单流因子结构中有很强的微观结构基础。
绝对值版本（表 4、5）：
| 量 | 第一特征值 |
|---|---|
| 带符号收益 | 6.32 |
| 绝对收益 | 3.64 |
| 带符号成交量 | 较小 |
| 无符号成交量 | 一般更大 |
第一典型因子之间的相关：0.73。
论文对「无符号成交量特征值更大」的解释：部分可能源于给成交定符号时的误差——因为大约三分之一的成交价格正好等于报价中间价，因此根本无法定符号。
核心结果三：流动性的共同因子很弱
这是与前两个结果对比强烈的一半。
做法：剔除当年拆股的股票（价差等指标受相对跳动单位影响大），样本缩到 24 只道指成分股，相关矩阵为 24×24。
结果：
即便考虑到 24 维，流动性代理变量的特征值一般仍小于收益或订单流对应的量值（对比表 2 与表 4）。
论文的结论：
这表明流动性的共同变动（至少在 15 分钟聚合区间上）不大，因此流动性变动的决定因素在很大程度上（虽然不完全）是公司特有的。
核心结果四：冲击系数（市场深度）的时变主要是公司特有
方法（式 6、7）：设定市场深度的线性规格
\lambda_{i,t} = \alpha_i + \gamma_i x^*_{i,t} + \delta_i d_t + f(L^*_{i,t}) + \varepsilon_{i,t}
其中 d_t 是时段哑变量、L^*_{i,t} 是流动性代理、P^L_t 是该流动性代理的第一主成分（作为共同流动性因子的代理）。
估计：逐股估计（表 7 报告增量 R^2 的跨股均值）。用两种变量排序，把共同因子项与个股自身项的联合解释力归给其中之一。
结果：
个股自身效应压倒了主成分（「共同因子」）效应与逐日流动性因子估计。
逐日随机因子的版本（式 8、9，面板回归，日期哑变量）：R^2 的增量对变量排序敏感，但始终被个股自身流动性项压倒。
核心结论：为什么这与「流动性危机」的印象不符
论文结论段的最后一句最重要：
因此，危机期间（如 1987、1989）可见的系统性流动性效应，并不表征正常交易。
这是一篇「反直觉」论文。 论文引言里承认：
股市的 1987 与 1989 年崩盘、1998 年的债市危机，被广泛理解为流动性的系统性失灵。
但它的实证结论是：在正常交易日里，流动性没有很强的共同因子。
这不必然矛盾——论文的措辞是「系统性流动性效应不表征正常交易」，也就是说危机时的共同因子是例外状态。但论文本身没有检验危机样本，这是它的推断而非直接证据。
方法论要点
为什么选道指 30 只（论文给了两条理由）：
- 交易活跃，能构造高频交易度量，从而较好地近似「跨股票的同期订单流」
- 能拿到频繁更新的价格
为什么用 15 分钟区间：同样的理由——高频度量 + 频繁价格更新。
为什么用带符号平方根美元量 (SRD) 作为订单流变量：
在所有带符号成交量度量中，它在个股层面与收益的相关性一般最高。
与既有文献的分工（论文自己梳理的）
| 文献 | 与本文的差别 |
|---|---|
| Chordia, Roll & Subrahmanyam (1998) | 他们用约 1000 只股票研究流动性测度的横截面交互，赋予市场组合特殊角色；本文只用 30 只，但同时刻画收益、订单流与流动性的关系 |
| Lo & Wang (1997) | 他们从组合再平衡与清算的假设推出成交量的因子结构；本文是描述性、统计性的，不赋予因子组合特殊角色。论文给出理由：「现代微观结构理论赋予交易显著的信息角色，而信息驱动的订单流之跨公司共同性不必平行于收益中的因子结构」 |
| 指数套利与现货/期货基差 | 那类研究先验地预期有强交互（因为交易的是同一个组合）；而本文的道指成分股虽相关但远非完全替代品。论文说：「我们在某种意义上是在量化『相关』有多接近『相关』」 |
| Wood-McInish-Ord、Jain-Joh、Foster-Viswanathan | 他们研究确定性的（时段）成分；Lee-Mucklow-Ready 等研究可预测事件（盈利、分红、拆股、并购）附近的变化。本文研究随机的（而非可预测的）流动性变动，且特别关注共同成分而非公司特有事件 |
| Kyle (1984, 1985) 的多资产扩展 | Subrahmanyam (1991)、Chowdhry-Nanda (1991)、Kumar-Seppi (1994)、Caballé-Krishnan (1994) 加入了对宏观因子知情或组合层面流动性冲击的投资者。本文是对这一理论文献的直接实证检验 |
论文自陈的边界
- 样本只有 30 只道指成分股、1994 一年——这是为了高频数据质量做的取舍，论文明确说「相比之下，Chordia 等用了约一千只股票」
- 流动性分析进一步缩到 24 只（剔除拆股股）
- 「正常交易日」的结论不能外推到危机期——论文没有危机样本
- \lambda_{i,t} 不可直接观测，论文明说「一般多元统计方法在这里行不通，因为深度参数不是直接观测的」，所以必须先设定具体决定因素
- 逐股估计（表 7）与面板估计（式 9）给出定性相同的结论，但论文说面板结果为简洁未报告
对本 wiki 的位置
- 入口概念: Price Discovery —— 本篇回答的是「价格发现的共同成分有多强」
- 交叉引用: Hasbrouck 1995 信息份额（同一作者、同一框架下的另一篇：跨市场份额，本文是跨股票因子）· 流动性漏斗
- 与已有页的对照: 大价格变动的四个机制（本文测的是共同性，不是肥尾机制）
- 作者: Joel Hasbrouck（页面已存在）· Duane Seppi
数值速查
| 量 | 值 |
|---|---|
| 样本 | 道指 30 只（流动性分析 24 只），1994，NYSE TAQ/TORQ |
| 区间 | 15 分钟 |
| 收益第一特征值 | 6.32（= 30 的 21%） |
| 第二、三特征值 | 接近 1（无共同性） |
| 第一特征值的标准误 | 0.012 |
| 带符号成交量的共同性 | 大单（>10,000 股）上较弱 |
| 收益第一主成分 ↔ 订单流第一主成分 | 0.82 |
| 典型相关分析最大值 | 0.83 |
| 第二典型因子之间 | 0.58 |
| 收益残差协方差第一特征值 | 2.13 |
| → 收益第一成分被订单流解释的比例 | 约 2/3 |
| 绝对收益第一特征值 | 3.64 |
| 无符号成交量第一特征值 | 一般大于带符号的 |
| 绝对量第一典型因子相关 | 0.73 |
| 无法定符号的成交比例 | 约 1/3 |
| 流动性代理第一特征值 | 相对小（24 维） |
| 冲击系数变动的归属 | 个股自身效应压倒共同因子 |