发帖
雷达卡
考虑到我国证券市场高频交易数据缺失严重，本文援用Amihud et al.（1997）、Amihud（2002）和Pastor & Stambaugh（2003）基于日频交易数据的方法来测算信息不对称程度。Amihud et al.（1997）流动性比率指标LR和Amihud（2002）非流动性比率指标ILL都利用买卖指令流（order flow）与股票价格之间的相互作用关系来识别流动性。基本思路是，逆向选择问题越轻，则股票流动性越高，单位成交量对应的价格变化越小。
测算方法分别为
其中：
rit(k)表示i企业t年度第k个交易日的股票收益率
Vit（k）表示日成交量
Dit表示当年交易天数
Pastor & Stambaugh(2003)认为，流动性差的股票会对指令流反应过度(overshoot)，给定成交量不变，流动性越低则收益率反转(return reversal)越大。他们建议用收益率反转衡量流动性。
收益率反转指标
，系数 
由下式估计得到
其中：
为超额收益率rmt(k)表示按市值为权重加权的市场收益率(考虑到我国股市的特殊性，我们以流通市值作为权重)。
在其他条件不变的情况下，信息不对称程度越高，股票流动性越低，LR、ILL和GAM指标越大。
我们利用中国上市公司股票交易的微观结构数据（按流通市值加权的市场收益率rm、公司个股日收益率r、日成交量V和年度交易天数D)构建LR、ILL和GAM指标。但正如Hasbrouck(2007)所指出的，上述每个指标既包含与非对称信息相关的成分，也可能包含与非对称信息无关的成分，不能全面刻画信息不对称的全部特征。为此，我们遵循Bharath et al.(2009)的做法，对原始指标提取第一主成分，捕捉它们的共同变异信息也即与非对称信息相关的成分，记为信息不对称指标ASY。
2.数据说明
样本选择：全部A股2000-2022年数据（初始数据是从1990年开始，选择的数据起点为2000年，可自行在代码中更改时间范围）
剔除了有缺失值的公司样本
注：提供了剔除所需数据和剔除代码，若无需做该项剔除处理，自行删除相关代码重新运行即可
每个压缩包都附有初始数据，计算代码，参考文献和最终数据
3.参考文献
[1]于蔚,汪淼军,金祥荣.政治关联和融资约束:信息效应与资源效应[J].经济研究,2012,47(09):125-139.
[2]陈三可,赵蓓.研发投入、风险投资与企业融资约束——基于中国制造业上市公司的实证分析[J].管理评论,2019,31(10):110-123.
[3]陶雄华,曹松威.证券交易所非处罚性监管与审计质量——基于年报问询函信息效应和监督效应的分析[J].审计与经济研究,2019,34(02):8-18.
[4]夏子航,马忠,陈登彪.信息不对称、会计稳健性与集团信贷模式[J].中南财经政法大学学报,2015(05):88-97+107+159.
压缩包所含文件：
数据样例：
分年份数据量统计：
缩尾后的描述性统计结果：
2022信息不对称
(76 Bytes, 需要: RMB 55 元)
京公网安备 11010802022788号
