知情交易(AdjPIN)
「知情交易(AdjPIN)」，覆盖 1991-2025 年，频率 年度，上市公司层级，含 25 个变量，样本量约 70,656。 度量股票市场的信息不对称程度。
| 时间跨度 | 1991-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 25 |
| 样本量 | 70,656 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [股票代码] — 6位股票代码
- StkName [股票简称] — 股票简称
- Year [年份] — 财务年度
- Province [省份] — 公司注册所在省份
- ProvinceCode [省份代码] — 省份行政区划代码(6位)
- City [城市] — 公司注册所在城市
- CityCode [城市代码] — 城市行政区划代码(6位)
- County [区县] — 公司注册所在区县
- CountyCode [区县代码] — 区县行政区划代码(6位)
- IndustryCode [行业代码] — 中上协行业分类代码
- IndustryName [行业名称] — 中上协行业分类名称
- PIN [知情交易概率] — 参考Easley et al.(1996, JF)的方法，计算公式为: PIN=alpha*mu/(alpha*mu+eps_b+eps_s)，衡量知情交易者参与交易的概率，值越大表示信息不对称程度越高。核心变量。单位：比例
- AdjPIN [调整后知情交易概率] — 参考Duarte & Young(2009, JFE)的方法，计算公式为: AdjPIN=alpha*mu/(alpha*mu+eps_b+eps_s+theta*(delta_b+delta_s))，在PIN基础上剔除对称订单流冲击的影响，更纯粹地衡量信息不对称。值越大表示信息驱动交易占比越高。核心变量。单位：比例
- PSOS [对称订单流冲击概率] — 参考Duarte & Young(2009, JFE)的方法，计算公式为: PSOS=theta*(delta_b+delta_s)/总到达率，衡量非信息驱动的流动性冲击占总交易的比例。值越大表示对称流动性冲击越严重。核心变量。单位：比例
- Alpha [信息事件概率] — 参考Easley et al.(1996, JF)的模型参数，信息事件在某交易日发生的概率，取值0-1。值越大表示信息事件越频繁。辅助变量。单位：比例
- Delta [坏消息概率] — 参考Easley et al.(1996, JF)的模型参数，条件于信息事件发生时为坏消息的概率，取值0-1。值越大表示负面信息占比越高。辅助变量。单位：比例
- Mu [知情交易者到达率] — 参考Easley et al.(1996, JF)的模型参数，知情交易者每日订单到达率(经自适应缩放后的虚拟单位)。值越大表示知情交易越活跃。辅助变量
- EpsilonB [非知情买方到达率] — 参考Easley et al.(1996, JF)的模型参数，非知情买方每日订单到达率(经自适应缩放后的虚拟单位)。辅助变量
- EpsilonS [非知情卖方到达率] — 参考Easley et al.(1996, JF)的模型参数，非知情卖方每日订单到达率(经自适应缩放后的虚拟单位)。辅助变量
- Theta [对称冲击概率] — 参考Duarte & Young(2009, JFE)的模型参数，对称订单流冲击在某交易日发生的概率，取值0-1。值越大表示流动性冲击越频繁。辅助变量。单位：比例
- DeltaB [冲击买方增量] — 参考Duarte & Young(2009, JFE)的模型参数，对称冲击发生时买方订单额外到达率(经自适应缩放后的虚拟单位)。辅助变量
- DeltaS [冲击卖方增量] — 参考Duarte & Young(2009, JFE)的模型参数，对称冲击发生时卖方订单额外到达率(经自适应缩放后的虚拟单位)。辅助变量
- TradingDays [交易天数] — 该股票在该年度的实际交易天数(剔除停牌日)，用于估计窗口长度。辅助变量。单位：天
- AvgBuyVol [日均买入量] — 基于BVC算法分类的日均买入量(万手)，参考Easley et al.(2012, JBF)的Bulk Volume Classification方法。辅助变量。单位：万手
- AvgSellVol [日均卖出量] — 基于BVC算法分类的日均卖出量(万手)，参考Easley et al.(2012, JBF)的Bulk Volume Classification方法。辅助变量。单位：万手
常见问题
- 「知情交易(AdjPIN)」是什么数据集？
- 知情交易(AdjPIN)，隶属市场交易数据。度量股票市场的信息不对称程度。
- 该数据集的时间范围是？
- 覆盖 1991-2025 年。
- 包含哪些变量/指标？
- 共 25 个变量。核心指标包括：知情交易概率、调整后知情交易概率、对称订单流冲击概率、信息事件概率、坏消息概率、知情交易者到达率、非知情买方到达率、非知情卖方到达率、对称冲击概率、冲击买方增量、冲击卖方增量、交易天数、日均买入量、日均卖出量。完整字段清单（变量名·中文名·说明）见页面「字段字典」。
- 数据频率和层级是怎样的？
- 频率为年度，上市公司层级。
- 样本量有多大？
- 约 70,656 条观测。
- 数据是如何测算/获取的？
- 指标定义与计算方法 知情交易概率（Probability of Informed Trading, PIN）是衡量金融市场信息不对称程度的核心指标，其理论基础由Easley等人提出。该模型将交易指令的到达过程视为由知情交易者和非知情交易者共同驱动，通过估计每日买卖订单流数据来推断私有信息存在的可能性。传统的PIN模型将知情交易概率定义为知情交易者订单到达率占所有订单到达率的比例。然而，Duarte和Young指出，市场订单流中可能存在与信息无关的、同时影响买卖双方的对称性流动性冲击（例如由机构投资者的资产配置调整或流动性需求引发），这部分冲击会干扰对纯粹信息不对称程度的度量。为此，他们提出了调整后的PIN模型（Adjusted PIN），将总PIN分解为反映信息不对称的AdjPIN成分和反映对称订单流冲击的PSOS成分。 模型基于日频交易数据，首先需要将每日的总交易量区分为买方发起和卖方发起。本数据集采用Easley等人提出的批量交易量分类法（Bulk Volume Classification, BVC）来近似判断每日的买卖方向。在获得日度买入量和卖出量序列后，通过最大似然估计法（MLE）对模型的结构参数进行估计。模型涉及多个潜在参数：信息事件发生的概率（$\alpha$）；给定信息事件发生，其为坏消息的概率（$\delta$）；非知情买方和卖方的日均订单到达率（$\epsilonb$, $\epsilons$）；知情交易者的日均订单到达率（$\mu$）；对称订单流冲击发生的概率（$\theta$）；以及当对称冲击发生时，买方和卖方订单的额外到达率（$\deltab$, $\deltas$）。 在估计出上述参数后，可计算三个核心指标。传统的知情交易概率（PIN）衡量了知情交易在所有交易中的占比，其计算公式为： $$PIN = \frac{\alpha \mu}{\alpha \mu + \epsilonb + \epsilons}$$ 调整后的知情交易概率（AdjPIN）则在分母中剔除了对称冲击带来的订单流影响，旨在更纯粹地捕捉信息驱动交易的比例，计算公式为： $$AdjPIN = \frac{\alpha \mu}{\alpha \mu + \epsilonb + \epsilons + \theta (\deltab + \deltas)}$$ 对称订单流冲击概率（PSOS）则度量了由非信息因素引发的、同时推高买卖订单流的交易活动占比，计算公式为： $$PSOS = \frac{\theta (\deltab + \deltas)}{\alpha \mu + \epsilonb + \epsilons + \theta (\deltab + \deltas)}$$ 其中$\alpha$为信息事件发生概率，$\mu$为知情交易者订单到达率，$\epsilonb$和$\epsilons$分别为非知情买方和卖方订单到达率，$\theta$为对称冲击发生概率，$\deltab$和$\deltas$分别为对称冲击下买方和卖方的额外订单到达率。 补充说明 - 估计窗口为股票在每个自然年度的所有交易日，剔除了停牌日。 - 采用最大似然估计法对模型参数进行估计，估计过程中对参数空间进行了约束以确保经济意义（如概率参数介于0和1之间，到达率参数为正）。 - 为提升估计效率与稳定性，在计算中采用了包括早停策略在内的多种数值优化技术。 参考文献 [1]Easley D, Kiefer N M, O'Hara M, et al. Liquidity, information, and infrequently traded stocks[J]. The Journal of Finance, 1996, 51(4): 1405-1436. [2]Duarte J, Young L. Why is PIN priced?[J]. Journal of Financial Economics, 2009, 93(1): 84-106. [3]Easley D, Lopez de Prado M M, O'Hara M. Flow toxicity and liquidity in a high-frequency world[J]. The Review of Financial Studies, 2012, 25(5): 1457-1493. [4]Lin H W, Ke W C. A computing bias in estimating the probability of informed trading[J]. Journal of Financial Markets, 2011, 14(4): 625-640.
- 如何获取该数据集？
- 通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。