基于MMPP模型的“送转股”公告效应研究——来自中国证券市场的证据_百

天津城市建设学院学报第ｌ８卷第３期２０１２年９月　

Ｊｏｕｍａｌ　ｏｆ　Ｔｉａｎｊｉｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｕｒｂａｎ　Ｃｏｎｓｔｒｕｃｔｉｏｎ　Ｖｏ１．１　８　Ｎｏ．３　Ｓｅｐ．２０　１　２　

基于ＭＭＰＰ模型的“送转股＂公告效应研究　

——

来自中国证券市场的证据　

熊春连　，　

（１．天津城市建设学院理学院，天津３００３８４；２．天津大学管理与经济学部，天津３０００７２）　

摘要：基于马尔科夫调制泊松过程模型建模交易笔数数据，将交易笔数分离为流动性交易笔数和　

信息性交易笔数，并构建一个新的估计日度ＰＩＮ的方法．采用事件研究的方法，考察了我国股市　

“送转股”公告日前后２０　ｄ的超额收益率及信息非对称程度，实证检验我国股市是否有送转股　

公告效应。以及这种公告是否向市场传递了信息．研究结果表明：我国股市存在“送转股”公告　

效应，“送转股”公告确实向市场传递了信息，且在“送转股”公告前就有信息泄露．　

关键词：“送转股”公告效应；马尔科夫调制泊松过程；信号传递说　

中图分类号：Ｆ８３２．５　文献标志码：Ａ　文章编号：１００６．６８５３（２０１２）０３．０２１４．０５　

一

中国股票市场的股利政策一直是实务界、理论界　

的关注重点．股利政策中的“送转股”行为也一直为　

部分研究者提出了信号传递说，他们认为：具　

有信息优势的管理层通过拆股向市场释放公司具有　

良好发展前景的利好信号，从而减少投资者之间的信　

息不对称程度．如Ｌａｋｏｎｉｓｈｏｋ和Ｌｅｖ　（１　９８７）、Ｂｒｅｎｎａｎ　

和ＣｏｐｅｌａｎｄＬ）　（１　９８８）、Ｇ６ｍｅｚ—Ｓａｌａ等。。　（２００９）、Ｈｕａｎｇ　

等［７Ｉ（２０１１）的拆股研究发现，拆股确实向市场传递了　

国内上市公司所青睐．严格地说，公积金转增股本并　

不属于股利分配．但因“送转股”是上市公司按比例　

将公积金转增股本或按比例送红股，两者均不改变股　

东的财富和相对持股比例，因此，中国的实务界和理　

论界都将转增与送股相提并论．而“送转股”的这一　

特点本质上与国外的股票拆分相同，因此，国内有关　

“送转股”的研究都是在国外股票拆分的研究框架下　

展开．　

利好信息，他们的实证结果支持信号传递说．　

如果拆股的信号传递假说成立的话，那么随着拆　

股公告信息的释放，拆股公告后的信息不对称程度应　

该减少．然而，Ｅａｓｌｅｙ等　Ｊ（２００　１）采用测量信息不对　

称程度的ＥＫＯＰ模型，直接度量拆股前后的信息不对　

称程度，并未发现拆股后信息不对称程度降低．　

另一部分研究者认为，拆股并未向市场释放任何　

１国内外研究现状　

在国外，股票拆分因不影响公司现金流，被认为　

是一种粉饰行为，与企业的价值无关．然而，在许多　

金融文献中发现，拆股公告常带来显著正的超常收　

益【１之ｊ．除了拆股公告前后有超常收益外，还有一些研　

信息．他们提出了流动性假说（也称最优价格区间　

说），认为拆股是公司管理层为了把股价降到投资者　

偏好的最佳价格区间，以吸引更多的投资者，尤其是　

小额交易者，从而提高股票的流动性．Ｒｏｚｅ￣　（１　９９８）、　

Ｍｕｓｃａｒｅｌｌａ和ＶｅｔｓｕｙｐｅｎｓｔⅢＪ（１　９９６）、Ｌｉｎ等…Ｊ（２００９）　

究证实拆股公告后的收益存在漂移项　Ｊ．虽然已有的　

研究对拆股公告前后存在异常收益取得了一致的结　

论，但对为什么存在这种异常收益却存在分歧．为此，　

研究者提出了各种假说来解释市场对拆股的反应，并　

的拆股研究发现，拆股并未向市场传递公司良好发展　

对这些假说进行了各种实证检验．　

前景的信息，其实证结果更支持市场流动性假说．　

由上述可见，国外有关拆股是否向市场传递了信　

息这个问题远未解决．由于日前中国的法规不允许股　

票拆分，所以国内研究者转向本质是拆股的“送转股”　

收稿日期：２０１２—０５．１３；修订日期：２０１２—０６　２６　

基金项目：国家自然科学基金（７０７７１０７６）；教育部长江学者和创新团队发展计划资助项目（ＩＲＴ１０２８）　

作者简介：熊春连（１９７６一），女，江西九江人，天津城市建设学院讲师，天津大学博士生．　

洼　直堡塑堂堕堂　墼查蓬　基王　ＰＰ　型的ｃ：　转股，，公告效应研究——来自中国证券市场的证据　

・

２ｌ５・　

研究．我国学者对送转股动机的研究大致可以分为两　

类：一类是先检验国外的拆股行为动机假设在中国不　

ｓｏｎ　ｐｒｏｃｅｓｓ，简称ＭＭＰＰ）是一个泊松过程，其瞬时　

泊松到达率是一个平稳的随机过程，且受到另一个泊　

松过程的调制，这另一个泊松过程的发生与否取决于　

适用，然后提出适合中国国情的假设，如何涛和陈小　

悦¨２Ｊ（２００３）等的研究；另一类是直接提出适合中国国　

情的假设，如刘万丽和薛祖云【】３】（２００９）等的研究．　

由于我国学者对国外拆股行为动机的检验在研　

究方法以及数据的使用上有待商榷，因此他们的结果　

也有待于进一步检验．本研究首先检验送转股公告前　

后是否存在超额收益，即是否存在“送转股”公告效　

应；然后基于ＳｃｏｔｔＢ４］的马尔科夫调制非齐次泊松过　

程模型建模投资者的交易到达行为，并构建一个新的　

日度信息不对称指标，直接度量拆股公告前后的信息　

不对称程度，进而检验我国“送转股”是否符合信号　

传递说．　

２研究设计　

２．１研究方法　

采用事件研究法，对我国股市“送转股”公告日　

前后２０　ｄ的超额收益率及信息非对称程度进行实证　

检验．由于我国的“送转股”公告多发布在５、６月份，　

故研究样本选自２００８—０５　０５—０６—２７期间，发布“送　

转股”公告且无其他股利政策发生的沪市股票，获得　

“送转股”公告股票４１只．样本期是２００８—０４—０７—　

０７．２５．个股Ｅｔ超额收益率为　Ｒｅ，＝Ｒｉ，一　，其中：　

Ｒｉ　为个股　第ｆ日的收益率；ＩＲｔ为第ｆ日上证综合　

指数的日收益率．Ⅳ只股票的平均日超额收益率为　

Ⅳ　

ＡＡＲ，＝１／Ｎ￣＂ＡＲｉ，，其中：ＡＲｉ，为个股ｉ第ｆ日的超　

ｆ＝１　

额收益率；Ⅳ为股票数．Ⅳ只股票在日期ｔｌ一　期问的　

＾　

累计平均超额收益率为ＣＡＡＲ（ｔ￣，ｔ２）＝∑　，其中：　

ｔ＝ｔＩ　

ＡＡＲ，为第ｆ日平均日超额收益率，该指标计算的是累　

计事件期的超额收益率，本研究的事件期为事件前　

２０　Ｅｔ至事件后１　９日．信息非对称程度采用下文新构　

建的ＰＩＮ指标测量．个股收益率及上证综合指数收益　

率数据均来自国泰安数据库，构建新的ＰＩＮ指标测量　

所需的交易笔数数据来自上交所的ｌｅｖｅｌ２逐笔交易　

数据，拆股公告记录数据则来自锐思数据库．　

２．２模型建立与估计　

２．２．１基于马尔科夫调制泊松过程（ＭＭＰＰ）的交易笔　

数分离模型　

马尔科夫调制泊松过程（Ｍａｒｋｏｖ　ｍｏｄｕｌａｔｅｄ　Ｐｏｉｓ－　

一

个不可观测的隐马尔科夫过程所处的状态．　

Ｅａｓｌｅｙ等　Ｊ（２００１）采用的测量信息的经典ＥＫＯＰ　

模型认为：交易的实现是一种到达过程，服从泊松分　

布，且流动性交易（由于流动性需求而产生的交易）　

和信息性交易（知情交易）的到达率是不变的．然而，　

这与观测到的金融市场实际并不十分相符．股票市场　

有着固定的交易时间限制，这种交易时间限制影响投　

资者的交易行为．如股市开盘时，投资者交易活跃，　

而随着交易的逐渐进行，市场交易趋于平稳；股市收　

盘时，投资者交易再次增加．这种特定市场制度引起　

的投资者交易行为的改变，不仅在日内具有相对稳定　

的变化模式，在周内也具有周期性变化的特点，如周　

一

开盘时段交易明显较其他开盘时段活跃，而周五收　

盘时段投资者交易明显较其他收盘时段活跃．　

市场交易行为的这种周期性变化是由市场制度　

决定的，并不包含新增信息，是可预期的，属于流动　

性交易．因此流动性交易具有时变特点．与流动性相　

对，信息性交易是市场新增信息被市场部分交易者捕　

获而产生的交易．由于知情交易受制于市场本身所能　

提供的流动性，因此知情交易的数量与流动性交易数　

量是相关的，流动性交易的时变特性，也就决定了知　

情交易也必然是时变的．　

此外，信息性交易的发生取决于市场上的信息，　

而市场内的信息不仅与新增的市场信息有关，而且也　

与前期的信息存量有关，因此市场的信息状态可以看　

作是一阶隐马尔科夫过程．而信息性交易的发生与否　

则取决于这个过程．　

以上分析表明，投资者交易到达过程可看作马尔　

科夫调制泊松过程，现采用Ｓｃｏｔｔ［１４１的马尔科夫调制　

非齐次泊松过程模型建模．具体建模步骤如下：　

把时问ｔ的股票交易笔数Ｎ（ｔ）看作流动性交易笔　

数Ｎｏ（ｆ）与信息性交易笔数ＮＥ（ｆ）的叠加．即Ｎ（ｔ）＝　

（ｆ）＋ⅣＥ（ｆ），Ｎ（ｔ）≥０，其中：Ｎ（ｔ）、Ｎｏ（ｆ）、ＮＥ（，）均　

大于等于０的整数．　

（１）流动性交易到达笔数Ⅳｎ（ｆ）的建模．　

本文假设交易到达笔数服从泊松分布，考虑到每　

个时段的到达笔数可能服从不同的？自松分布，进一　

步假设流动性交易到达笔数Ｎｏ（ｆ）服从到达率为　（ｆ）　

的非齐次泊松过程，其结构为２（ｔ）＝　∽ｒｉｄ㈤川，其　

・

２１６・　

中：　（ｆ）∈｛ｌ，２，３，４，５｝，代表时间ｔ所处的星期；　

（ｆ）∈｛１，２，…，Ｄ｝，代表时间ｔ所处的Ｅｌ内时间段；　…　

５　Ｄ　

和ｒ／ｄ（ｆ】川分别满足∑　＝５，∑ｒ／ｊ，　＝Ｄ，Ｊ：１，２，…，５；　

ｊ＝ｌ　ｉ＝１　

是一周的泊松到达率的日平均值；　称作周内效　

应（ｄａｙ　ｏｆ　ｗｅｅｋ　ｅｆｆｅｃｔ），即星期，的泊松到达率的调　

整率；７７，　则称作Ｅｔ内效应（ｔｉｍｅ　ｏｆｄａｙ　ｅｆｆｅｃｔ），即星　

期，第ｉ个日内时间段的泊松到达率的调整率．这里　

流动性交易笔数的建模不仅考虑了日内的周期性变　

化，而且也考虑了周内周期性变化，这更符合金融市　

场的实际．　

根据贝叶斯统计推断的原理，选择共轭先验分布　

作为变量　、　、７７的先验分布，从而保证后验分布　

具有与先验分布相同的分布形式，进而为后面的统计　

推断带来方便，即：　～ｒ（　；ａ　，ｂ　），１／５［４，…，刚～　

Ｄｉｒ（ａｄ，…，　），１／４８［ｒ／ｊ　…，，７『．４８卜Ｄｉｒ（ａｌｈ，…，　）；　

其中：ｒ是Ｇａｍｍａ分布，Ｄｉｒ（．）是Ｄｉｒｉｃｈｌｅｔ分布，ｔＴ／　、　

ｂ　、ｏｆ　、ｏｆ　为初始值．　

（２）信息性交易到达笔数ＮＥ（ｔ）的建模．　

信息事件引发异常交易，但信息事件不可通过交　

易数据观测到．因此，将异常信息事件ｚ（ｆ）看作是一　

个具有两个状态的一阶隐马尔科夫过程，即　

，、　

ｆ　０，无信息　

【ｆＪ　１

，

有信息　

厂　、　

设ｚ（ｔ）的转移概率矩阵为Ｍ，＝ｌ　Ｉ，并假定　

ｚ１ｏ　ＺＩ１　

它们的先验分布形式为　

［ＺＯＯ￣，ｚ０１］～Ｄｉｒ（ｚ；［口０Ｚ０，　ｚ１］）　

［Ｚ　ｚ１１卜Ｄｉｒ（ｚ；［　，口　】）　

其中：Ｄｉｒ（．）是Ｄｉｒｉｃｈｌｅｔ分布．当ｚ（ｔ）≠０时，假设ⅣＦ（ｆ）　

服从到达率为　ｆ）的非齐次泊松过程，即有　

…

（　

』Ｉ０Ｐ　（Ｎ（ｆ）＝０　

，　

ｒ））ｚ（

ｚ

ｔ）＝１　

其中：Ｐ（．）为泊松分布．　

这里，　）不具有　（ｆ）的稳定性规律，难以给出　

具体的解析式．但因ｒ（ｔ）为泊松分布的参数，故假定　

ｆ）～Ｆ（Ｔ，ａＥ　ｂ　），而ＩＰ（Ⅳ；　ｒ（　；ａＥ，ｂ　）ｄ　＝ＮＢｉｎ　

（Ⅳ，ａＥ，ｂ　／（１＋６　）），其中：ＮＢｉｎ（．）为负二项分布．因　

此，当ｚ（ｔ）≠０时，可以通过随机模拟的方法生成服　

从负二项分布的信息性交易到达笔数　（ｒ），这样就　

避免了对　ｆ）的直接计算．　

天津城市建设学院学报２０１２年笫　鲞箜　塑　

２．２．２　ＭＭＰＰ模型参数的估计　

采用马尔科夫链蒙特卡罗（Ｍａｒｋｏｖ　ｃｈａｉｎ　Ｍｏｎｔｅ　

Ｃａｒｌｏ，简称ＭＣＭＣ）模拟方法，完成模型参数的估计　

及相关变量的数值模拟．其过程分为四步：①给定　

Ⅳｎ（ｆ），估计　的三个参数　、　、叩，从而获得　的　

估计，首次计算时以观测序列Ｎ（ｔ）代替Ｎｏ（ｆ）；②给　

定Ｎ（ｔ）、　、Ｍ　估计状态ｚ（ｆ），首次计算时状态转　

移概率矩阵　，取先验值；③根据步骤二得出的ｚ（，），　

计算ｚ（　各个值之间的转移频率，从而获得　各个　

元素的值，进而更新Ｍ　；④给定Ｎ（ｔ）、　、ｚ（ｔ），采　

用蒙特卡罗随机模拟的方法估计Ⅳｎ（ｆ）、ＮＥ（ｆ）．然后　

不断循环上述四个步骤，直到各参变量取值趋于稳　

定．最后通过如下两个手段评价模型估计的效果：第　

一

是估计参数的稳定性；第二是构建包含所有参数的　

似然函数，根据似然值评价．　

２．２．３　日度信息不对称指标的构建　

根据测量信息不对称程度的经典ＥＫＯＰ模型，知　

情交易概率（ｐｒｏｂａｂｉｌｉｔｙ　ｏｆ　ｉｎｆｏｒｍｅｄ　ｔｒａｄｉｎｇ，简称　

ＰＩＮ）可直接测量信息不对称程度，其计算公式为　

ＰＩＮ：　

２￡＋ｏｆ／ｔ　

其中：　是每日消息发生概率；　是每日信息性交易　

笔数；２ｅ是每Ｅｔ流动性交易笔数．分子是信息性交　

易笔数的期望值，分母是总的交易笔数的期望值．　

可见，经典ＥＫＯＰ模型中ＰＩＮ的定义是每日信　

息性交易笔数的期望值与每Ｅｔ总的交易笔数的期望　

值之比．ＥＫＯＰ模型中的ＰＩＮ估计采用的是极大似然　

估计方法，而要保证该参数估计方法有效，需要的数　

据至少６０　ｄ，即该方法计算的最高频率的ＰＩＮ是季度　

ＰＩＮ．　

根据ＥＫＯＰ模型中ＰＩＮ的定义，结合ＭＭＰＰ模　

型，得　

Ａ

ｐｗ一

信息性交易笔数的均值

｜ｖ　

…’　总的交易笔数的均值　

其中：　是信息性交易笔数的均值；　是总交易笔　

数的均值．　可由ＭＭＰＰ模型得到，　是观测交易　

笔数．该估计方法可计算日度ＰＩＮ．首先，以５　ｍｉｎ　

为时间窗口加总样本股票的交易笔数，从而把交易时　

段９：３０—１１：３０和１３：００—１５：００的交易笔数数　

据分为４８个时间段交易笔数数据；然后，运用ＭＭＰＰ　

模型从观测交易笔数中分离出信息性交易笔数，再平　

均每日４８个时间段的信息性交易笔数和观测交易笔　

洼　壹蕉堡堂　堂塑　壹逵　基于　Ｐ模型的“送转股’，公告效应研究——来自中国证券市场的证据　

・

２ｌ７・　

数；最后，用平均日信息性交易笔数除以平均日总交　

易笔数，即可得日度ＰＩＮ的估计值．笔者估计的ＰＩＮ　

不同于ＥＫＯＰ模型的，可允许消息发生的概率是动态　

图２表明：累计平均超额收益率自公告日前第５　

天开始至公告日后第１９天均为正，至公告Ｅｔ后第１８　

天达到区域最大值，其累计超额收益率高达４．５％．图　

１－２结果表明，我国股市具有“送转股”公告效应．那　

么，我国的“送转股”公告效应是否符合信号传递说，　

变化的，即用转移概率矩阵刻画，且一天内各个时段　

的信息性交易笔数及流动性交易笔数也是变化的，这　

样的假设更符合市场实际．　

３实证结果与分析　

从Ｆａｍａ、Ｆｉｓｈｅｒ、Ｊｅｎｓｅｎ和Ｒｏｌｌｔ　Ｊ（１９６９）的文章　

以及类似的关于美国股市的研究发现：在美国股市　

中，上市公司在宣布进行股票拆分或发放股票股利　

前，其公司的股价往往经历了大幅的上涨，即存在拆　

股公告效应．我国学者何涛和陈小悦ｆ１　］（２００３）的研究　

也发现国内的“送转股”存在公告效应，而笔者的研　

究进一步证实了这一结果．　

“送转股”公告日前后平均超额收益率见图１．　

０．０２０　

０　０ｌ５　

０．０１Ｏ　

褂Ｏ－００５　

０．０００　

入

Ｏ．００５　

一

Ｏ．ＯｌＯ　

Ｖ　Ｖ　Ｖ　Ｖ　

／＼　

０．０ｌ５　

一

２Ｏ一１５—１Ｏ　一５　０　５　１０　１５　

时间（时间取０为公告日）／ｄ　

图１送转股公告日前后平均超额收益率　

由图１可知：在整个样本期，平均超额收益率有　

正有负，未呈现明显的规律；但平均超额收益率为正　

的是２４　ｄ，为负的是１６　ｄ，正的天数明显多于负的　

天数．　

“送转股”公告日前后累计平均超额收益率如图　

２所示．　

０．０４　

：　、　

０．Ｏ３　

０．０２　

槲０　０１　

０．００　

—

０．０１　

：　。　

一

Ｏ．０２　

２０—１５—１０—５　０　５　ｌ０　ｌ５　

时间（时间取０为公告日）／ｄ　

图２送转股公告日前后累计平均超额收益率　

“送转股”公告日前后ＰＩＮ如图３所示．　

图３送转股公告日前后ＰＩＮ　

图３可知：公告Ｅｌ前２０　ｄ的ＰＩＮ振荡走高，至　

公告日达最高值；而自公告日后，ＰＩＮ开始振荡走低，　

至公告日后１２　ｄ达最低．这一结果表明，“送转股”　

公告向市场传递了信息．由于信息在公告前的泄露，　

知情交易者利用信息进行交易，信息不对称程度增　

加，使得公告前的ＰＩＮ走高；而随着公告信息的发布，　

公告信息逐渐融入市场，信息不对称程度降低，从而　

使得公告日后的ＰＩＮ走低．以上结果说明，国外的信　

号传递说符合我国的“送转股”行为．　

４结论　

基于马尔科夫调制泊松过程模型建模交易笔数　

数据，构建了一个估计高频ＰＩＮ指标的方法，即日度　

ＰＩＮ．该方法是在信息到达动态关联的假设前提下构　

建的，这较经典ＥＫＯＰ模型的假设更符合金融市场的　

实际，且该方法能估计更高频率的ＰＩＮ．采用事件研　

究的方法，实证检验了我国股市是否存在“送转股”　

公告效应，并采用逐笔交易数据（这样的实时数据较　

以往国内研究使用的数据更能真实反映市场实际）和　

新的估计日度ＰＩＮ指标的方法，更加准确地检验了　

“送转股”公告前后的信息不对称程度．研究结果表　

明，我国股市存在“送转股”公告效应，“送转股”　

公告确实向市场传递了信息，且在“送转股”公告前　

就有信息泄露．　

・

２ｌ８・　

天津城市建设学院学报２０１２年第１８　箍　

参考文献：　

『１］　ＧＲＩＮＢＬＡＴＴＭ　Ｓ，ＭＡＳＵＬＩＳ　ＲＷ，ＴＩＴＭＡＮ　Ｓ．Ｔｈｅ　

ｖａｌｕａｔｉｏｎ　ｅｆｆｅｃｔｓ　ｏｆ　ｓｔｏｃｋ　ｓｐｌｉｔｓ　ａｎｄ　ｓｔｏｃｋ　ｄｉｖｉｄｅｎｄｓ　ｌＪ］．　

Ｊｏｕｒｎａ１　ｏｆ　Ｆｉｎａｎｃｉａ１　Ｅｃｏｎｏｍｉｃｓ，１　９８４，１　３（４）：４６　１—４９０．　

［８］ＥＡＳＬＥＹ　Ｄ，Ｏ’ＨＡＲＡ　Ｍ，ＳＡＡＲ　Ｇ　Ｈｏｗ　ｓｔｏｃｋ　ｓｐｌｉｔｓ　

ａｆｆｅｃｔ　ｔｒａｄｉｎｇ：ａ　ｍｉｃｒｏｓｔｒｕｃｔｕｒｅ　ａｐｐｒｏａｃｈ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　

Ｆｉｎａｎｃｉａｌ　ａｎｄ　Ｑｕａｎｔｉｔａｔｉｖｅ　Ａｎａｌｙｓｉｓ，２００１，３６（１）：２５—５　１．　

［９］　ＲＯＺＥＦＦ　Ｍ　Ｓ．Ｓｔｏｃｋ　ｓｐｌｉｔｓ：ｅｖｉｄｅｎｃｅ　ｆｒｏｍ　ｍｕｔｕａｌ　

ｆｕｎｄｓ［Ｊ］．Ｔｈｅ　Ｊｏｕｒｎａｌ　ｏｆＦｉｎａｎｃｅ，１９９８，５３（１）：３３５—３４９．　

［２］ＢＹｕＮ　Ｊ，ＲＯＺＥＦＦ　Ｍ　Ｓ．Ｌｏｎｇ—ｒｕｎ　ｐｅｒｆｏｒｍａｎｃｅ　ａｆｔｅｒ　

ｓｔｏｃｋ　ｓｐｌｉｔｓ：１　９２７　ｔｏ　１　９９６［Ｊ］．Ｔｈｅ　Ｊｏｕｍａ１　ｏｆ　Ｆｉｎａｎｃｅ，　

２００３，５８（３）：ｌ　０６３—１　０８６．　

『３］　ＩＫＥＮＢＥＲＲＹ　Ｄ　Ｌ，ＲＡⅣｌＮＡＴＨ　Ｓ．Ｕｎｄｅｒｒｅａｃｔｉｏｎ　ｔｏ　

［１　０］ＭＵＳＣＡＲＥＬＬＡ　Ｃ　Ｊ，ＶＥＴＳＵＹＰＥＮＳ　Ｍ　Ｒ．Ｓｔｏｃｋ　ｓｐｌｉｔｓ：　

ｓｉｇｎａｌｉｎｇ　ｏｒ　ｌｉｑｕｉｄｉｔｙ？ｔｈｅ　ｃａｓｅ　ｏｆ　ＡＤＲ‘ｓｏｌｏ—ｓｐｌｉｔｓ’ｌＪｊ．　

Ｊｏｕｍａｌ　ｏｆ　Ｆｉｎａｎｃｉａｌ　Ｅｃｏｎｏｍｉｃｓ，１　９９６，４２（１）：３－２６．　

［１　１］Ｌ１Ｎ　Ｊ　Ｃ，ＳＩＮＧＨ　Ａ　Ｋ，Ｙｕ　ｗ　Ｓｔｏｃｋ　ｓｐｌｉｔｓ，ｔｒａｄｉｎｇ　

ｃｏｎｔｉｎｕｉｔｙ．ａｎｄ　ｔｈｅ　ｃｏｓｔ　ｏｆ　ｅｑｕｉｔｙ　ｃａｐｉｔａｌ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　

ｓｅｌｆ－ｓｅｌｅｃｔｅｄ　ｎｅｗｓ　ｅｖｅｎｔｓ：ｔｈｅ　ｃａｓｅ　ｏｆ　ｓｔｏｃｋ　ｓｐｌｉｔｓ［Ｊ］．　

Ｒｅｖｉｅｗ　ｏｆ　Ｆｉｎａｎｃｉａｌ　Ｓｔｕｄｉｅｓ，２００２，ｌ　５（２）：４８９—５２６．　

Ｆｉｎａｎｃｉａｌ　Ｅｃｏｎｏｍｉｃｓ，２００９，９３（３）：４７４—４８９．　

［４］　ＬＡＫＯＮＩｓＨｏＫ　Ｊ，ＬＥＶ　Ｂ．Ｓｔｏｃｋ　ｓｐｌｉｔｓ　ａｎｄ　ｓｔｏｃｋ　ｄｉｖｉ—　

ｄｅｎｄｓ：ｗｈｙ，ｗｈｏ，ａｎｄ　ｗｈｅｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆＦｉｎａｎｃｅ，　

１９８７，４２（４）：９１３－９３２．　

［１２］何涛，陈小悦．中国上市公司送股、转增行为动机　

初探［Ｊ］．金融研究，２００３（９）：４４．５６．　

［１３］刘万丽，薛祖云．中国上市公司送转股行为动因的实　

证研究【Ｊｌ＿．厦门大学学报：哲学社会科学版，２００９，　

１９５（５）：１１４—１２２．　

［５］　ＢＲＥＮＮＡＮ　Ｍ　Ｊ，ｃ０ＰＥＬＡＮＤ　Ｔ　Ｅ．Ｓｔｏｃｋ　ｓｐｌｉｔｓ，ｓｔｏｃｋ　

ｐｒｉｃｅｓ，ａｎｄ　ｔｒｎｓａａｃｔｉｏｎ　ｃｏｓｔｓ［Ｊ］．Ｊｏｕｍａｌ　ｏｆ　Ｆｉｎａｎｃｉａｌ　

Ｅｃｏｎｏｍｉｃｓ，ｌ９８８，２２（１）：８３—１０１．　

　Ｉ６　ｌ　Ｇ０ＭＥＺ—ＳＡＬＡ　Ｊ　Ｙ，ＰＯＶＥＤＡ．ＦＵＥＮＴＥＳ　Ｊ　Ｃ．Ｓｔｏｃｋ　

ｓｐｌｉｔ　ｓｉｚｅ，ｓｉｇｎａｌｉｎｇ　ａｎｄ　ｅａｒｎｉｎｇｓ　ｍａｎａｇｅｍｅｎｔ：ｅｖｉｄｅｎｃｅ　

［１４］ＳＣＯＴＴ　Ｓ　Ｌ，ＳＭＹＴＨ　ｐ　Ｔｈｅ　Ｍａｒｋｏｖ　ｍｏｄｕｌａｔｅｄ　Ｐｏｉｓｓｏｎ　

ｐｒｏｃｅｓｓ　ａｎｄ　Ｍａｒｋｏｖ　Ｐｏｉｓｓｏｎ　ｃａｓｃａｄｅ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎｓ　ｔｏ　

ｗｅｂ　ｔｒａｉｃｆ　ｄａｔａ［Ｊ］．Ｂａｙｅｓｉａｎ　Ｓｔａｔｉｓｔｉｃｓ，２００３，７：　

６７１．６８０．　

ｆｒｏｍ　ｔｈｅ　Ｓｐａｎｉｓｈ　ｍａｒｋｅｔ［Ｊ］．Ｇｌｏｂａ１　Ｆｉｎａｎｃｅ　Ｊｏｕｍａｌ，　

２００９，２０（１）：３１—４７．　

１　１５ｊ　ＦＡＭＡＥ，ＦＩＳＨＥＲＬ，ＪＥＮＳＥＮＭ，ｅｔ　ａ１．Ｔｈｅ　ａｄｊｕｓｔｍｅｎｔ　

ｏｆ　ｓｔｏｃｋ　ｐｒｉｃｅｓ　ｔｏ　ｎｅｗ　ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．Ｉｎｔｅｎａｔｒｉｏｎａｌ　

Ｅｃｏｎｏｍｉｃ　Ｒｅｖｉｅｗ，１９６９，１０（１）：１．２１．　

１　７　ｊ　ＨＵＡＮＧ　Ｇ　Ｃ，ＬＩＡＮ０　Ｋ，ＰＡＮ　Ｍ　Ｓ．Ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ　

ｃｏｎｔｅｎｔ　ｏｆ　ｓｔｏｃｋ　ｓｐｌｉｔｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｍｐｉｒｉｃａｌ　Ｆｉｎａｎｃｅ，　

２００９，１　６（４）：５５７—５６７．　

Ｔｈｅ　Ｓｔｕｄｙ　ｏｆ　Ａｎｎｏｕｎｃｅｍｅｎｔ　Ｅｆｆｅｃｔ　ｏｆ　Ｓｔｏｃｋ　Ｄｉｖｉｄｅｎｄ　ａｎｄ　Ｔｒａｎｓｆｅｒ　ｏｆ　

Ｒｅｓｅｒｖｅ　ｔｏ　Ｃｏｍｍｏｎ　Ｓｈａｒｅｓ　Ｂａｓｅｄ　ｏｎ　ＭＭＰＰ　Ｍｏｄｅｌ：　

Ｅｖｉｄｅｎｃｅ　ｆｒｏｍ　Ｃｈｉｎａ　Ｓｔｏｃｋ　Ｍａｒｋｅｔ　

ＸＩＯＮＧ　Ｃｈｕｎ—ｌｉａｎ　，　

（１．Ｓｃｈｏｏｌ　ｏｆＳｃｉｅｎｃｅ，ＴＩＵＣ，Ｔｉａｎｊｉｎ　３０００８４，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅ　ｏｆＭａｎａｇｅｍｅｎｔ　ａｎｄ　Ｅｃｏｎｏｍｉｃｓ．Ｔｉａｎｊｉｎ　Ｕｎｉｖｅｒｓｉｔｙ　

Ｔｉ　ａｎ１ｉｎ　３０００７２，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｍａｒｋｏｖ　ｍｏｄｕｌａｔｅｄ　Ｐｏｉｓｓｏｎ　ｐｒｏｃｅｓｓ，ｔｈｉｓ　ｐａｐｅｒ　ｍｏｄｅｌｅｄ　ｔｈｅ　ｔｒａｎｓａｃｔｉｏｎ　ｄａｔａ，ａｎｄ　ｓｅｐａｒａｔｅｄ　ｔｈｅ　ｔｒａｄｅｓ　

ｏｆ　ｉｎｆｏｒｍｅｄ　ｔｒａｄｅｒｓ　ｆｒｏｍ　ｔｈｅ　ｔｒａｎｓａｃｔｉｏｎ　ｄａｔａ，ａｎｄ　ｔｈｅｎ　ｂｕｉｌｔ　ａ　ｎｅｗ　ｅｓｔｉｍａｔｅ　ｍｅｔｈｏｄ　ｏｆ　ｄａｉｌｙ　ＰＩＮ

Ｉｔ　ｕｓｅｄ　ｔｈｅ　ｅｖｅｎｔ　ｓｔｕｄｙ　

．

ｍｅｔｈｏｄ　ｔｏ　ｅｘｐｌｏｒｅ　ｔｈｅ　ａｂｎｏｒｍａｌ　ｒｅｔｕｒｎ　ａｎｄ　Ｐｒｏｂａｂｉｌｉｔｙ　ｏｆ　Ｉｎｆｏｒｍｅｄ　Ｔｒａｄｉｎｇ　ａｒｏｕｎｄ　ｔｈｅ　ｄａｙ　ｏｆ　ａｎｎｏｕｎｃｅ　ｏｆ　ｓｔｏｃｋ　ｄｉｖｉｄｅｎｄ　

ｎｄ　ｔａｒａｎｓｆｅｒ　ｏｆ　ｒｅｓｅｒｖｅ　ｔｏ　ｃｏｍｍｏｎ　ｓｈａｒｅｓ　ｉｎ　ｔｈｅ　Ｃｈｉｎａ’ｓ　ｓｔｏｃｋ　ｍａｒｋｅｔ

Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　Ｃｈｉｎａ’ｓ　ｓｔｏｃｋ　ｍａｒｋｅｔ　ｈａｓ　ｔｈｅ　

．

ｅｆｆｅｃｔ　ｏｎ　ｔｈｅ　ａｎｎｏｕｎｃｅ　ｏｆ　ｓｔｏｃｋ　ｄｉｖｉｄｅｎｄ　ａｎｄ　ｔｒａｎｓｆｅｒ　ｏｆ　ｒｅｓｅｒｖｅ　ｔｏ　ｃｏｍｍｏｎ　ｓｈａｒｅｓ

ａｎｄ　ｔｈｅ　ｒｅｓｕｌｔ　ｉｎｄｉｃａｔｅｓ　ｔｈａｔ　ａｎｎｏｕｎｃｅ—　

，

ｍｅｎｔ　ｅｆｆｅｃｔ　ｏｆ　ｓｔｏｃｋ　ｄｉｖｉｄｅｎｄ　ａｎｄ　ｔｒａｎｓｆｅｒ　ｏｆ　ｒｅｓｅｒｖｅ　ｉｓ　ｅｘｉｓｔｅｄ，ａｎｄ　ｉｔ　ｔｒａｎｓｆｅｒｓ　ｉｎｆｏｒｍａｔｉｏｎ　ｔｏ　ｔｈｅ　ｍａｒｋｅｔ　ａｎｄ　ｌｅａｋｓ　ｉｎｆｏｒｍａ—　

ｔｉｏｎ　ｂｅｆｏｒｅ　ｔｈｅ　ａｎｎｏｕｎｃｅｍｅｎｔ　ｄａｙ．　

Ｋｅｙ　ｗｏｒｄｓ：ａｎｎｏｕｎｃｅｍｅｎｔ　ｅｆｆｅｃｔ　ｏｆ　ｓｔｏｃｋ　ｄｉｖｉｄｅｎｄ　ａｎｄ　ｔｒａｎｓｆｅｒ　ｏｆ　ｒｅｓｅｒｖｅ　ｔｏ　ｃｏｍｍｏｎ　ｓｈａｒｅｓ；Ｍａｒｋｏｖ　ｍｏｄｕｌａｔｅｄ　Ｐｏｉｓｓｏｎ　

ｐｒｏｃｅｓｓ；ｓｉｇｎａｌｉｎｇ　ｈｙｐｏｔｈｅｓｉｓ