Corwin & Schultz (2012) — 从日内最高最低价估计买卖价差
作者: Shane A. Corwin、Paul Schultz（均属圣母大学 Mendoza 商学院）
发表: The Journal of Finance 67(2): 615–649, 2012；DOI 10.1111/j.1540-6261.2012.01729.x
数据: NYSE TAQ（1993–2005 逐笔，用于对标）+ CRSP 日频（1926–2005 全部 NYSE 股票，用于应用）
形式: 工作论文版（作者自留 PDF），正文 + 附录
一句话总结
只用一个（或两个）交易日的最高价、最低价，就能估出买卖价差——而且比 Roll 协方差估计和 Holden 有效 tick 估计都准得多：与 TAQ 实际有效价差的相关性 0.873 vs 0.694 / 0.720。
核心想法：两条「不controversial」的事实
- 日内最高价几乎总是买方成交，最低价几乎总是卖方成交。 所以「高/低价比」同时包含了波动与价差两部分。
- 波动成分随区间长度按比例放大，价差成分不随区间长度变。
于是：
- 两天合起来的价差 = 两天的波动 + 两个价差
- 一个两天区间 = 两天的波动 + 一个价差
两者相减就把波动消掉，只剩价差。这就是全部机制。
四个优点（论文自己列的）
- 比 Roll (1984) 协方差估计准得多（后者是当时最常用的）
- 有闭式解，可直接编程——不像 Hasbrouck (2006) 的 Gibbs 估计要迭代、不像 Lesmond 等 (1999) 要极大似然
- 计算量小，适合大样本
- 能给出很短窗口的估计（单日、单周）
精度：与 TAQ 实际价差对比
月度估计，全股票月样本（1993–2005）：
| 估计量 | 与 TAQ 有效价差的相关性 | 与 TAQ 的平均绝对偏差 |
|---|---|---|
| high-low 估计（本文） | 0.873 | 0.97% |
| effective tick（Holden 2006） | 0.720 | 1.30% |
| Roll (1984) 协方差 | 0.694 | 1.75% |
周度估计：
| 估计量 | 相关性 |
|---|---|
| high-low | 0.755 |
| effective tick | 0.586 |
| Roll | 0.481 |
月度价差变化的横截面相关性（研究常关心「谁贵谁便宜」而非「整体水平」）：
| 估计量 | 平均横截面相关性 |
|---|---|
| high-low | 0.447 |
| Roll | 0.224 |
| effective tick | 0.145 |
三个子期（1993–96 / 1997–2000 / 2001–05，对应最小报价单位 1/8、1/16、1 分）里，high-low 始终最优。
唯一的例外：对最大的股票，effective tick 估计量与 TAQ 的相关性高于 high-low。但论文指出 effective tick 依赖「报价聚集」假设，在最小报价单位不构成约束时不太可能成立。
与其他估计量的对比（文献里的数字）：
- Goyenko 等 (2009) 用 400 只股票发现：Roll 最接近真值（均值 2.7% vs 真值 2.9%），effective tick / Holden / Gibbs 都明显偏低（1.6–1.8%），LOT 高得多（5.6%）。
- Hasbrouck (2006) 的 Gibbs 估计相关性 0.965 更高，但那是年度估计（本文是月度），且 Hasbrouck 自陈「computationally intensive」。
三个使用中的坑（论文专门讨论）
- 隔夜价格变动的调整（2.1 节）——两日区间跨越隔夜时要处理
- 低成交频率股票的真高低点不可观测（2.2 节）——估计会有偏
- 估计出的价差可能为负（2.3 节）——论文给出处理办法
应用：把时间拉长
- NYSE 全部股票 1926–2005 的价差序列：大萧条时期价差极高，1974–75 熊市与 1987 崩盘后急剧上升
- 国际市场：印度股票（Datastream）——1994 年新交易所引入自动化执行后交易成本大幅下降；香港——1997 年亚洲金融危机期间价差显著扩大
与本 wiki 已有内容的关系
| 已有页面 | 关系 |
|---|---|
| entities/Roll 1984 Implicit Effective Spread (Roll 1984 隐式有效价差) | 直接对照。Roll 用收益一阶自相关推价差（\text{spread}=2\sqrt{-\text{cov}}），本文证明它比 high-low 准得多（相关性 0.694 vs 0.873） |
| entities/Glosten Milgrom 1985 Specialist Market (Glosten-Milgrom 1985) | 价差为什么存在（逆向选择）；本文只管怎么量 |
| concepts/data-features/ILLIQ 非流动性因子 (ILLIQ Illiquidity Measure) (ILLIQ 非流动性因子) | 另一个日频交易成本代理，与本文平行 |
| concepts/microstructure/日内反转的买卖价差跳动 (Intraday Reversal and Bid-Ask Bounce) (日内反转的买卖价差跳动) | 价差的微观表现；本文是日频估计 |
这填补了库里的一块硬缺口：组 3「价差估计」里 3.1 Corwin-Schultz 与 3.2 Abdi-Ranaldo 是一对正反样本（backlog 原话），此前两篇都没有。现在正样本有了。
A 股落地的价值
A 股逐笔成交数据里的最高/最低价不好取（需要日内全部成交，不是日频的 open/high/low），所以本文公式不能直接用。但日频 OHLC 序列在 A 股是现成的，估计「长期交易成本水平」这个用途可以直接落地——例如测算 2015 年股灾前后的成本变化、比较不同板块的交易成本差异。
注意：A 股的 T+1 与涨跌停会扭曲价差估计——涨跌停日的最高/低价被封板价截断，价差会被高估。
Open Questions
- Abdi-Ranaldo (2017) 是正反样本中的哪一个？ 论文自己把「A Simple Estimation of Bid-Ask Spreads from Daily Close, High, and Low Prices」列为对比工作——它同样用日频高低价但用不同的组合逻辑。两篇的相对精度需要对照读（Abdi-Ranaldo 本轮未下到，OUP 与 Wayback 都只有 302 重定向）。
- Hasbrouck 的 Gibbs 估计在年度频率下相关性 0.965——若本研究关心长期成本，Gibbs 也许更合适。精度与可计算性的权衡要看研究的时间尺度。
- 论文没有做：日频数据在 2020 年后美股 tick size 变化后的表现；以及在 IPO 后高波动期的表现。
Cross-ref
- 概念: ILLIQ 非流动性因子 · 日内反转的买卖价差跳动
- 对照: Roll 1984 · Glosten-Milgrom 1985
- 作者: entities/Shane Corwin · entities/Paul Schultz
关键引用
Corwin, S. A., & Schultz, P. (2012). A simple way to estimate bid-ask spreads from daily high and low prices. The Journal of Finance, 67(2), 615–649. https://doi.org/10.1111/j.1540-6261.2012.01729.x
关键数字: 与 TAQ 有效价差相关性 0.873（月度）/ 0.755（周度）· 平均绝对偏差 0.97% · Roll 估计量对照 0.694 / 1.75% · 横截面价差变化相关性 0.447 vs Roll 0.224