ROLL1984

Bid-Ask Spread in an Efficient Market(作者:Roll) – 论文精读

总览方法论

该篇文章分析了买卖价差对价格变动的负序列相关性，最后做了实证研究，得出了定量关系；

文章采取的概率论分析问题的基本方法，阅读难度不大，应该更侧重与逻辑推理

Bid-Ask Spread有什么意义

众所周知，Bid-Ask Spread与交易成本的作用都是防止套利交易，而套利交易往往发生在new information到来的时候，套利机会往往会随之产生，这时候增大交易成本，扩大Bid-Ask Spread就能防止套利交易。

而另一方面，这些交易成本导致了市场的均衡回报收到影响，注意不是不均衡了，只是不是一个零和博弈了，不是零和博弈就意味着博弈论那一套不能使用了

两条基本假设

1. 交易发生在信息有效传递的市场
2. 短期观测价格变化的分布不变

价差不变条件下的分析

正是因为信息是有效传递的，价格的变动其实不依赖于前一天；今天的价格只受今天信息的影响，而不受过去信息的影响，过去的信息已经反映在过去的价格中了； 虽然看上去，过去的价格与今天的价格是有连续性的，导致看上去是相关的，但是这种相关的本质是对资产预期收益的连续性变化，所以仍然是预期的而不是过去的。 原文如下:

Roll认为在这个市场下，虽然没有交易成本，但是做市商 dealer还是得吃饭的，所以他们会索要一个compensated， 而且这个compensation理应是固定的，因为这个Bid-Ask Spread产生的视角是索要compensated而不是防范套利

理论上，我们可能会认为这个asset的价格是Bid-ask Spread的平均值；但是我们的观察值，要么是买价要么是卖价，不会存在这个中间值；接下来举个例子分析，观测价格的变化关系

举例分析

举例的假设(当然包括两条基本假设)

1. Bid-Ask Spread不变
2. (给定没有新信息的条件下), 交易员的买卖行为是随机的

• 如果t-1时刻观察到在卖出交易上的价格(是在买入的也是同理)

那么接下来两个时刻的可能观察值有4条路径

$$△P_t:=P_t-P_{t-1}$$

那么关于这个假设的概率分布表如下

又因为，t-1时刻观察到买和卖的概率是一样的，将两个分布表合并

计算协方差
$$Cov(△P_t,△P_{t+1})=\frac{1}{8}(-s^2-s^2)=\frac{s^2}{4}$$

因为$Var(△P)=\frac{s^2}{2}$,所以自相关系数就是$-\frac{1}{2}$

结论

原文的意思: 因为自相关系数是用协方差除以方差，而方差在信息量大的情况下会比较大，然后自相关系数就会变得很小；所以Roll认为在衡量Bid-Ask Spread中，使用序列协方差要比自相关系数、方差要好，因为后者会受新信息的影响

但是我认为这里与前提假设有矛盾: 方差在信息量大的情况下会比较大，这句话的意思其实就是我们对Bid-Ask Spread最原始的理解，因为有信息就会导致套利，防止套利，Bid-Ask Spread就得扩大，所以方差就会大。那么很显然啦，他假设说了买卖价差不变，是有点矛盾的

实证研究

根据上面的理论，Roll认为:通过价格变化序列能得到Bid-Ask Spread，然后他用公司的规模、价格变化序列的协方差作为解释变量，去回归Bid-Ask Spread，做了一天和五天的分组回归(详细操作还是不太清楚，计量功底不够，以后再填坑，但是估计也就是那么回事)

拓展证明

本文当中还是这样几个结论值得注意

1. the covariance between successive price changes cannot be due to new information if markets are informationally efficient
2. the implicit spread measure is independent of the observation interval if markets are efficient
3. even if the spread changes in reaction to news, the serial covariance will still be -s2/4 where s2 is the average squared spread in the sample.

连续价格变动的协方差不是由于信息的产生

假设不可观察到的真实价格是$p^{\ast }$，在t期间(t-1时刻到t时刻)观察到价格的变化包括两部分，一部分是由于新信息带来的波动$△p^{\ast }$，以及前面说的那个随机变量$△P$，则观测到价格的变动表示为

$$△{\hat{P}}_t=△p^{\ast }+△P_t$$

由于市场信息是有效传递的，那么有(表示信息在当天就使用完毕，不会留到未来)
$$Cov(△p_t^{\ast },△p_{t-j}^{\ast })=0,j\ne 0$$

那么也会有(过去(包括今天)的价差变化，不能称之为新信息; 新信息不能通过过去的价差来预测)
$$Cov(△p_t^{\ast },△p_{t-j})=0,j\ge 0$$

通过上两条式子，可以推导出
$$Cov(△{\hat{p}}_t^{\ast },△{\hat{p}}_{t-1}^{\ast })=Cov(△p_t^{\ast }+△p_t,△p_{t-1}^{\ast }+△p_{t-1})=Cov(△p_t,△p_{t-1})=-\frac{s^2}{4}$$

Bid-Ask Spread与观测区间长度是互相独立的

前面的小例子中给的观测区间长度默认为1，现在假设区间长度为N，$△{\hat{P}}_t$被重新定义
$$△{\hat{P}}_t=\sum _{t=(T-1)N}^{TN}△{\hat{P}}_t$$

举例说明:先看N=2的例子

虽然N=2看上去很复杂，可是当我们只关注时间点上(T-1,T,T+1时刻的时候)其实又回到了N=1的那种情形上；

所以就没有必要证了，只是写法略有一些抽象的变化，结果是显然的

即使Bid-Ask Spread因为新信息发生了变化Cov仍不变

当新信息到来，Bid-Ask Spread可能会变大，考虑如下情形

还是用前面的操作，列出概率分布表,其中$△S=S_t-S_{t-1}$

计算Cov
$$Cov(△P_t,△P)=-\frac{S_t^2}{4}$$

既然新信息会导致Spread的扩大，而Cov是依赖于$S_t$的，那么这个随机变量的期望我们就可以得到
$$E[COV(△P_t,△P)]=-\frac{{\bar{S}}^2}{4}$$

总结

这篇Paper是1984年的Paper，很久之前的，当时买卖股票还是借助dealer的；放到现在来看，这个结论可能不一定适用；但是这种基于概率论的简单假设条件下的分析方法还是很有启发意义的。

本文的主要结论就是: 在信息充分传递的市场下，过去信息对当下交易不产生影响，过去的交易行为也足以成为未来的信息的条件下，Bid-Ask Spread价差变得负序列协方差与其方差有关；而且Roll还指出，在衡量Bid-Ask Spread变得的时候，最好用负序列协方差，而不是用自相关系数或者方差

的主要结论就是: 在信息充分传递的市场下，过去信息对当下交易不产生影响，过去的交易行为也足以成为未来的信息的条件下，Bid-Ask Spread价差变得负序列协方差与其方差有关；而且Roll还指出，在衡量Bid-Ask Spread变得的时候，最好用负序列协方差，而不是用自相关系数或者方差