金融市场微观结构（market microstructure）是指资产交易价格形成与发现的过程与运作机制 。
从学术界对该词语的解释和实际运用看，市场微观结构实际上在两个意义上被广泛使用：一是证券交易的制度架构，或者说市场微观结构本身；二是作为金融经济学的一个分支，该词语被用来指对市场微观结构的研究，即市场微观结构理论或市场微观结构经济学。
市场微观结构的核心是价格发现功能，后者也是整个证券交易市场最核心的环节。从这个意义上说，证券市场微观结构也可称之为证券市场的交易机制（trading mechanism）或市场模式（market model），即交易得以实现的市场架构、规则和制度。
在现代证券市场，大多数的交易均是通过集中的、电子化的市场进行，因此，需要有一个电子化的交易系统来支撑这些交易。这就是通常所说的证券交易系统。举凡证券交易系统，归纳起来不外两方面内容：一是交易机制（功能）方面，一是交易技术方面。技术系统是指交易得以实现的软件和硬件系统。多数研究者讨论的市场微观结构主要是交易机制。从交易机制的角度看，市场微观结构不同于广义上的市场结构。广义的市场结构包括整个证券市场的层次结构（如场外市场与场内市场、主板市场和二板市场）、市场自身的组织与治理结构（如交易所的组织形式）、市场的功能结构（如发行市场和流通市场）以及市场的产品结构（如股票、债券、期货和期权）等多方面的内容，而市场微观结构则仅指与交易价格形成过程有关的微观因素，如市场的参与者（如投资者、做市商、经纪商）、交易场所的形式（如交易大厅、电子无形市场）和市场的交易规则（如订单撮合规则、交易信息披露、价格稳定措施）等。
市场微观结构主要包括以下七个方面的内容：
1.价格形成方式。价格形成方式通常也称为市场类型（market type）或市场模式。从目前世界各证券市场的实践看，市场模式可依据不同标准区分为以下多种形式：
一是依据交易是否连续可将价格形成方式区分为定期（集合）交易模式和连续交易模式。前者仅在交易时间的特定时间点对投资者买卖需求集中进行撮合，而后者则在交易时间的任何时间点均可对投资者买卖需求进行撮合，即随到随撮合。
二是依据交易中介的作用可将价格形成方式划分为订单驱动和报价驱动两种形式。报价驱动市场也称做市商市场，即做市商（交易商）在交易时间内连续提供买卖双向报价，投资者可按做市商报价与做市商进行交易，投资者之间不直接撮合；订单驱动市场通常也称为竞价市场，即价格形成源于投资者订单的相互作用，投资者的订单相互之间直接进行撮合。
三是依据交易手段（或交易自动化程度）的不同，可将交易模式分为人工交易和电子交易两种。人工交易主要是指在交易所的交易大厅交易，但近年来，交易大厅交易尽管仍然存在较多的人工参与，但电子化程度也不断提高，如纽约证券交易所的交易大厅实际上是一个自动化程度相当高的场内交易市场；电子交易主要是指无形市场，市场参与者无需面对面进行交易，交易通过基于电脑屏幕（screen-based）的电子网络进行。
四是依据价格发现的独立性可将交易模式分为有价格确定机制的交易市场和自身无价格确定机制的交易市场。在自身无价格确定机制的交易市场，价格主要从其他市场引进，或引进其他市场的交易价格后适当进行优化。
2.价格形成机制的特殊方面。如市场的开盘、收盘制度和开收盘价格的确定机制，大宗交易的价格确定机制等。
3.订单形式。订单是投资者下达的买进或卖出证券的指令。从国际证券市场实践看，订单形式多种多样，如限价订单、市价订单、止损订单、限价转市价订单、全额即时订单、非全额即时订单、全额非即时订单、冰山订单等等。
例如在真格量化中提供的各种PriceType：
无论报价驱动的市场，还是订单驱动的市场，订单均是必不可少的。在报价驱动的市场，订单由投资者下达给经纪商，由经纪商代理投资者处理该订单以便与做市商交易。在订单驱动的市场，投资者的订单通过经纪商直接送达市场的撮合系统（通常是电脑撮合主机），由市场的撮合系统进行处理和决定匹配与否。市场在处理大量投资者的订单时，必须依据一定的原则（如价格优先、时间优先）对订单进行排序，这些原则即订单优先原则。订单优先原则也是订单以及价格形成机制中的一项重要内容。
4.交易离散构件。理论上，交易（包括交易时间、交易价格和交易数量）可以是连续的，但现实中并非如此。那些使交易价格和交易数量不能连续的制度被称为交易离散构件（discreetness）。
例如在真格量化中通过品种信息查询到的各种参数：
交易离散构件主要是两个方面，即最小报价档位与最小交易单位。最小报价档位规定了买卖报价必须遵循的最小报价变化幅度（如 0.01 元、1/32 美元等），从而限制了价格的连续性。最小交易单位通常也称为交易的整手数量，即订单不能低于该数量（例如在股票市场，低于该数量的订单称为零股订单，其交易方法与整手订单通常不一样），最小交易单位限制了交易数量的连续性。
5.价格监控机制。价格监控机制也称为价格稳定机制，指使市场波动平滑、价格稳定、有序的一系列措施，如断路器（熔断）措施、涨跌幅限制、最大报价档位等。
6.交易信息披露。交易信息披露是证券市场交易的另一个重要环节，也是形成公平、合理的价格必不可少的一环。交易信息披露包括交易前披露和交易后披露两个方面，前者主要是订单和报价信息的披露，后者主要是已成交信息的披露。无论是交易前信息披露，还是交易后信息披露，都有一个交易信息披露的数量和质量问题，即披露哪些信息、如何披露以及披露的速度等。
7.交易支付机制。交易支付是交易机制的一个特殊方面，即买空与卖空机制。当投资者在缺乏足够的资金以支付购买证券所需的价款，或没有足够的证券可供卖出时，可在缴纳规定的保证金后进行融资或融券，进行买空和卖空交易。这种在证券交易过程中，采取非现金交易或由有关机构给予授信的证券交易行为，即融资融券（Security Financing）。
对市场微观结构的研究，可以为设计各种高频交易、做市策略打下基础。
— — — — — — E N D — — — — — —
真格量化可访问：
https://quant.pobo.net.cn
真格量化微信公众号，长按关注：
遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887
往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介
如何用撤单函数改进套利成交
Deque提高处理队列效率
策略编程选Python还是C++
如何用Python继承机制节约代码量
十大机器学习算法
如何调用策略附件数据
如何使用智能单
如何扫描全市场跨月价差
如何筛选策略最适合的品种
活用订单类型规避频繁撤单风险
真格量化回测撮合机制简介
如何调用外部数据
如何处理回测与实盘差别
如何利用趋势必然终结获利
常见量化策略介绍
期权交易“七宗罪”
波动率交易介绍
推高波动率的因素
波动率的预测之道
趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学
AI技术在金融行业的应用
如何避免模型过拟合
低延迟交易介绍
架构设计中的编程范式
交易所视角下的套利指令撮合
距离概念与特征识别
气象风险与天气衍生品
设计量化策略的七个“大坑”
云计算在金融行业的应用
机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍
TensorFlow中的Tensor是什么？
机器学习的经验之谈
用yfinance调用雅虎财经数据
容器技术如何改进交易系统
Python调用C++
如何选择数据库代理
统计套利揭秘
一个Call搅动市场？让我们温习一下波动率策略
如何用真格量化设计持仓排名跟踪策略
还不理解真格量化API设计？我们不妨参考一下CTP平台
理解同步、异步、阻塞与非阻塞
隐波相关系数和偏度——高维风险的守望者
Delta中性还不够？——看看如何设计Gamma中性期权策略
Python的多线程和多进程——从一个爬虫任务谈起
线程与进程的区别皮尔逊相关系数与历史K线匹配
Python2和Python3的兼容写法Python代码优化技巧
理解Python的上下文管理器
如何写出更好的Python代码？这是Python软件基金会的建议
评估程序化模型时我们容易忽视的指标
看看如何定位Python程序性能瓶颈
什么是Python的GIL
投资研究中的大数据分析趋势及应用
理解CTP中的回调函数
如何围绕隐含波动率设计期权交易策略
看看如何用Python进行英文文本的情感分析
算法交易的分类
Python编码的最佳实践总结
什么是波动率锥？如何用波动率锥设计期权策略？
期权的波动率策略与时间价值收集策略对比
期权用于套期保值和无风险套利
隐含波动率对期权策略的影响
卖出期权交易的风险管理原则和技巧
期权交易中的“大头针”风险
期权做市商策略简介
精细化您的交易——交易成本评估与交易执行策略
海外市场交易执行策略的实践
设计期权套期保值方案时应注意的问题
美式期权、欧式期权比较分析——定价与风险管理
构建您的AI时代武器库——常用的机器学习相关Python库
期权波动率“微笑曲线”之谜
运算任务愈发繁重，如何加速Python程序运行？
证券市场微观结构理论模型是什么
是瞬间成交还是漫长等待？——如何衡量市场流动性
波动率指数及其衍生品介绍
Python的异常处理技巧
Python中的阻塞、异步与协程
"香草"之外的更多选择——几种常见的路径依赖奇异期权
什么是CTP？——了解上期所CTP快速交易系统
了解季节性——以谷物和油籽为例
是前因还是后果?——在真格量化中进行格兰杰因果检验
Python导入模块的技巧
Python程序员常犯的十个错误
搜索数据泄露天机？——舆情指数与期货行情关联性分析思路
机器学习常见算法分类汇总
如何使用Data Pipeline 自动化数据处理工作？
CTP API的委托介绍和在真格量化中的订单流控制
高频交易对市场的影响
期货行情及其组织形式——以上期所为例
理解并行与并发
郑商所和大商所套利指令及在真格量化的实现
机器学习用于金融市场预测面临的挑战
高频交易中风险控制的常用措施
查询结果偏离预期？来了解CTP的报单函数及委托状态查询
Python中的ftplib模块
理解真格量化的Python编程范式
需要处理大量市场数据？来了解一下MySQL、HBase、ES的特点和应用场景
NumPy中的ndarray与Pandas的Series和DataFrame之间的区别与转换
Python中的scikit-learn机器学习功能库
什么是程序设计中的高内聚、低耦合？
Python的内存管理与垃圾回收机制
云服务中的容器技术
什么是“面向对象”程序设计-以Python为例
波动率介绍及其在资产定价中的应用
发现策略中的孪生兄弟——期权交易中的等价或相似策略解析
如何利用期权改进指数投资表现——借鉴海外市场经验
如何用期权进行“哑铃型”资产配置——“90/10”策略介绍
国外著名商品指数编制方法比较
FPGA技术在金融行业的应用——以沪深行情加速为例
美国市场对部分高频交易行为的监管
报价驱动制度与指令驱动制度比较
理解动量投资策略和逆向投资策略——通过行为金融学视角
期权做市商面临的风险及其对做市业务的影响
商品期权在现货企业中的应用
期权进行套期保值的优势与策略分类
COT报告揭秘——如何解读CFTC的持仓报告
什么是“零拷贝”技术
跨市场套利——策略简介与风险因素
什么是期权市场的PCR指标？
量化交易的频谱分析与策略搭配规律
资产价格与波动率的关系
基本面量化与美林时钟模型
常见的价差交易策略介绍
高频交易是否对市场造成了负面影响？
海外股指期权市场概况
期权是否能用于底层资产的价格预测？
什么是股指期权？
股指期权现货指数的构成和波动率
ETF期权与股指期权在策略设计中需注意的差异性
股指期权与ETF期权合约设计比较
期权实战攻略：如何进行期权的波动率交易？
不同市场预期下的期权交易策略
波动率期限结构与日历价差策略
期权策略基准指数简介
证监会批准开展PTA、铁矿石、黄金等5种期权交易
期权备兑开仓策略的注意事项期权定价中的BAW和CRR模型
上海证券交易所股票期权组合策略业务指引及其影响
如何根据波动率曲面设计策略
什么是动量效应和动量交易策略？
成熟市场期权投资者的下单偏好
小幅震荡市场下的期权投资策略举例
}

【www.hsh365.cn--股票知识】
　　365财经网(www.hsh365.cn)01月23日讯
　　1.公司业绩及成长性公司业绩反映当前企业的经营水平,体现为股票的现价,而公司成长性则反映企业未来发展前景,决定股价的长期走势。
　　(1)公司业绩
　　公司业绩集中表现在公司各种财务指标上,影响股价的公司业绩方面的因素主要有:
　　公司净资产 股票作为资产所有权和投资效益的凭证,每一股代表一定数量的净资产值。一般而言,公司资产净值增加,股价上扬;资产净值减少,股价下跌。
　　盈利水平 每股税后利润表示公司的盈利水平,市盈率则是股票市价与税后利润的比值,两者集中反映了公司业绩的好坏。
　　公司的派息 公司采取什么样的派息方式对股价有重要影响,体现了公司的经营能力和发展潜力。
　　股票拆细和股本扩张 股票拆细和股本扩张一般会刺激股价上升。在我国股市,股本扩张对股价波动具有很大影响,一直是二级市场炒作的题材。
　　增资和减资 公司因业务需要增加资本额和发行新股,将使每股净资产下降,促成股价下跌,但对高成长性公司而言,增资意味着增强公司实力,带来更多回报,股价可能还会上涨。
　　营业额 营业额增加,表明公司销售能力增强,利润增加,促使股价上涨。
　　(2)公司成长性
　　行业 公司所处行业的成长性及行业的发展阶段是公司成长性基础条件,行业的兴衰很大程度上决定了上市公司发展前途与成长空间。
　　竞争地位 公司在行业竞争中所处的地位,直接关系到它的生存及盈利的稳定增长。企业竞争能力强弱及竞争地位高低是由技术水平、管理水平、市场开拓能力及占有率、资本与规模效益、新产品开发能力决定的。经营效率 公司经营效率主要表现为生产能力、经营能力的利用程度是否充分。
　　2、资产重组与收购
　　上市公司为了实现规模效益或扭亏为盈,采取兼并重组方式,对公司进行重大的组织变动。我国的许多亏损或微利的国有大中型上市公司通过资产重组,实现了产业结构的调整和转型。目前,资产重组的模式主要有资产置换、优质资产注入和不良资产的剥离。1998年,由于资产重组题材的挖掘和重组个股大范围的炒作,股市爆发了井喷式飙升行情。上市公司的收购是股市最具有活力的现象,举牌收购往往伴随着股价的急升。
　　3、行业
　　上市公司所属的行业对股价波动有较大的影响。从行业生命周期看,一般在初创期,盈利少,风险大,股价较低;成本期内利润剧增,支持行业总体股价水平上升,成熟期内盈利相对稳定,股价平稳,而衰退期盈利普遍减少,股价则呈跌势。我国产业生命周期处于初创期或成长期的朝阳产业主要有:电子信息产业(电子计算机及软件、通讯)、高科技(新材料、新能源、环保、海洋工程、新型建材、光电机一体化)生物医药工程等。
本文来源：http://www.hsh365.cn/gupiao/50529.html
}

一、价格形成
市场微观结构理论的一个核心内容就是对交易机制，即价格形成方法的研究。交易机制的关键功能在于，能够在有效交易规则的约束下通过“黑箱”将投资者的潜在需求转化为已实现的价格和成交量。不同的交易机制在价格发现过程中所起的作用是不同的，各交易机制所允许的指令类型、交易发生的时间、指令递交时投资者所能获得的信息数量与质量以及对做市商提供流动性的依赖程度也是不同的。
当前世界各交易所采用的交易方式大致可分为报价驱动(quote-driven)和指令驱动(order-driven)两大类。美国的NASDAQ以及伦敦的国际证券交易所等都属于报价驱动交易机制。在这种市场上，投资者在递交指令之前就能够从做市商那里得到证券价格的报价。这种交易方式主要由做市商充当交易者的交易对手，主要适合于流动性较差的市场。与此相反，在指令驱动制度下，投资者递交指令要通过一个竞价过程来执行。我国各大证券交易所以及日本的东京证券交易所等都采用这种交易方式。在指令驱动机制下，交易既可以连续地进行，又可以定期地进行。前者主要指连续竞价(continuousauction)，投资者递交指令可以通过早已由公众投资者或市商递交的限价指令立即执行。既然指令到达就能够成交，因而这个机制是连续性的；定期交易主要指集合竞价(callauction)。在这种方式下，投资者递交的委托指令并不立即成交，而是存贮起来累积到一定的时间，最后以一个统一的市场清算价格执行。
对不同价格形成方式的实证研究大多集中在市场流动性上。在连续竞价市场和市商市场上存在着明显的买卖报价差(bid-askspread)，这个价差可用来度量市场流动性。众多的检验（Keim&Madhavan,1996等）发现，连续竞价交易中的价差比较小；在集合竞价交易中不存在明显的买卖价差。Amihudetal.(1997)发现，特拉维夫证券交易所在引入连续交易机制之后也产生了正的异常收益。他们把此归因于连续交易制度具有较高的流动性。另外，他们还发现，有证据表明连续交易的引入提高了市场效率。在价格形成效率方面，E.Theissen(2000)的理论与实证研究表明，集合竞价在汇总不同的信息上是有效的交易机制。集合竞价中的信息汇集优势说明在基本面面临较大的不确定性以及市场可能失败时，集合竞价特别具有价值。因而很多连续性交易市场在不确定性比较大时，如开盘、交易暂停之后的再开盘时都使用单一价格的集合竞价机制。报价驱动市场中的做市商其主要功能就是价格发现，提供流动性和连续性，并稳定证券交易价格。理论研究(Madhavan,1992)表明，当市场中信息不对称到一定程度时，市商可能退出市场，从而导致市场失败，不能继续交易，但这时如果转换为集合竞价方式能够使得市场重新开始交易。
二、买卖报价差的决定
在市商市场中，市商报出两个价格：他们将要买进证券的出价(bid)和将要卖出的要价(ask)，两者之间的差额就是价差。Demsetz(1968)解释，市商在有组织的证券交易所中提供即时性的服务，买卖报价差就是他们在竞争之下提供流动性服务的合理收益。市商市场中，市商扮演着被动的角色，他们面对变化的市场环境只能简单地调整买卖报价差。买卖价差模型可分为两种：一种是库存模型，该模型认为买卖报价差与市商面临的库存持有成本有关；第二种为信息不对称模型，该模型认为价差来自市商面临的逆向信息成本。
Smidt(1971)认为，市商并不像Demsetz所描述的那样是即时性的被动提供者，而是能够根据他们的库存水平变动积极地调整价差。尽管市商的主要功能是提供即时的流动性服务，但市商通常在价格设定上也扮演了积极的角色。因为他们要保证库存快速换手，绝不能在买卖的任何一方上累积多余的头寸。否则，如果持有股票不足将不能交易，所持股票过多则将遭受价格反向变动带来的损失。在此模型中，以最大化单位时间预期平均盈利为目标的市商把价差作为一种机制来设置以维持他所合意的库存水平。
随着信息经济学、理性预期和不完全竞争等理论的发展，国外学者构建了很多有关信息的到达、散布与处理对市场价格影响的模型。当把这些理论与市场微观结构联结在一起时，就发展了买卖报价差的信息不对称模型。该模型假定市商面对两种类型的交易者，一种为流动性交易者，另一种为知情交易者。他们之间的区别在于，流动性交易者没有特别的信息优势，而知情交易者拥有私人信息。知情交易者凭借其信息优势在与非知情交易者的交易中获利，而市商平均来说输给知情交易者，但从与流动性交易者的交易中得到补偿，因而价差包含信息成分。Glosten&Milgrom(1985)、Easley&O''''Hara(1987)等发展了这类模型，在这些模型中，买卖报价差纯粹是一种信息现象，而指令规模传递了重要信息，因为知情交易者倾向于在证券价值偏离时做大宗交易，因而该模型暗示成交量应当拆分为成交频数和指令规模，买卖报价差会随指令规模而递增，随指令频数而递减。
结合上述买卖报价差模型，Stoll(1989)等分析认为，买卖报价差由市商面对的三种成本构成，即指令处理成本、库存持有成本和逆向选择成本。Demetz(1968)和Tinic(1972)确定指令处理成本是由交易和清算费用、薄记与内勤成本、市商的时间和努力以及其他商业事务构成。可见，交易越活跃的股票其指令处理成本（交易前）也应越低。指令流的失衡导致了买卖报价差的第二部分——库存持有成本(Stoll,1978)，它是市商为能适应交易而持有必要库存股票的成本。指令失衡的均衡过程导致市商库存头寸偏离最优水平，偏离越大，库存持有成本也越大，买卖报价差也越宽。Copeland&Galai(1983)、Easley&O''''Hara(1987)根据信息不对称和知情交易者因素而提出逆向选择成本，市商在价差中包含了逆向成本以弥补与知情交易者交易所遭受的损失。价差中的逆向选择部分与市场中的信息流动密切相关，因而从事信息含量研究时这是最感兴趣的一部分。
三、市场流动性与指令流
1.交易规模的信息效应。市场微观结构研究中有两个分支致力于研究知情交易是否随交易规模而增加。第一个分支集中于研究不同规模的交易对价格的影响。Barclay&Warner(1993)检验了发生在大、中、小三类交易规模中累积价格变动的比例，他们发现大多数的价格变动发生在中等规模的交易中。这个证据支持“秘密交易假设”(Stealthtradinghypothesis)，即如果知情交易者诡秘地以中等规模集中指令交易，如果信息通过这些交易揭示出来，则价格变动与中等规模的交易最相关。Lin,Sanger&Booth(1995)发现有效价差中的逆向选择部分随交易规模单调递增。Biais,Hillion&Spatt(1995)运用巴黎证券交易所的限价指令库发现，大量交易引起报价出于库存和信息原因而变动。例如，他们发现如果大的买进指令与卖出报价上提供的所有股份成交，结果将导致卖出报价的提高，但没有立即下跌（如果仅仅是短期的库存影响，应该立即下跌），买进报价也趋向于增加，这反映了交易中的信息效应。总之，研究支持交易规模与知情交易的发生存在正向关系。
Jones,Kaul&Lipson(1994)开创了相关研究的第二分支。他们把Nasdaq股票每天的成交量分为交易频数和平均交易规模两部分。在交易频数保持不变的情况下，发现波动与交易规模之间不存在关联关系。既然波动与信息流密切相关，且他们又发现交易规模与波动之间没有关联，因而得出结论认为，除了包含在交易频数中的信息之外，交易规模没有向市场参与者传递任何信息。然而，Huang&Masulis(1999),Chan&Fong(1999)的研究却确认了交易规模在成交量与波动关系中的重要性。Huang&Masulis(1999)认为，Jones,Kaul&Lipson(1994)计算的是一天中的平均交易规模，毫无疑问这平滑了潜在的差异并降低了信息含量。与其争论一致，他们发现当以小时为单位合计时，交易规模与波动之间具有非常强的正向关系。Chan&Fong(1999)把在NYSE和Nasdaq上市的股票交易和报价数据分成了不同的交易规模种类，检验了不同交易规模的交易频数与价格波动之间的关系发现，股价波动与中等规模交易的频数相关性最强。总之，实证证据支持指令流变动能够解释波动和逆向选择价差变动的假说。
2.指令流和交易成本的季节性。Wood、Mcinish&Ord(1985)以及Harris(1986)发现收益波动在日内成U型分布。既然波动是风险的一种计量方式，以交易成本模型为基础的库存模型表明买卖报价差也应当成U型分布。Jain&Joh(1988)以及Mcinish&Wood(1990)研究发现成交量也存在U型分布。根据已有的研究结果，成交量与交易成本之间呈负向的关系，因而我们又能够预期价差在日内应呈倒置的U型。在第一份对价差的日内研究中，Mcinish&Wood(1992)发现日内价差大致呈U型（作者描述为倒J型）。怎样才能解释日内价差的这种形式，库存模型认为专业商对库存失衡做出反应放宽了他们的价差。如果在交易过程中失衡累积起来，那么价差在收盘时应更大。信息模型认为，既然价格对非知情的流动性交易者来说是重要的信息来源，当市场初次开盘交易时，知情交易者具有最大的信息优势。因而，逆向选择成本应在交易日开始时最大。很多学者对这种信息影响提供了实证证据。
Chung、VanNess(1999)把限价指令库分拆成公众提供的限价指令和市产提供的股份。他们发现专业商在早上参与交易最为积极，正如信息反映在价格中一样，专业商直到大约中午才收敛价差，之后保持稳定。既然专业商设置的价差在邻近收盘时并没有增加，他们的研究发现就不支持库存模型对U型价差的解释。然而，Bessembinder(1994),Huang&Masulis(1999)发现，在外汇市场中邻近交易结束时，价差中的库存成本部分非常明显，并且比较大。
总之，指令流和交易成本的日内型式表明，交易能够揭示信息，这导致逆向选择成本在一天中逐渐减小。邻近交易结束时的价差增加说明，市商在其后非交易期间持有库存的成本或风险增加。
四、市场结构与市场质量
市场结构就是指监管交易过程的一系列交易规则，如最小变动价位的限制、交易连续性的限制与交易执行的位置等，它们能够影响价格形成和交易成本，而且直接关系到市场质量（如价差、流动性、波动性等）的高低。
1.最小变动价位。为向海外开放市场交易，美国Nasdaq市场和NYSE的大多数股票报价和交易的最小变动价位分别在1997年6月2日和1997年6月24日都从1/8美元降到了1/16美元，这是在美国205年交易历史上对最小为动价位做出的第一次修改。从2000年8月28日开始同一专业商下的7只股票开始实行小数化定价(decimalpricing)，截止到2001年1月29日，所有股票都提前按照SEC的要求实行了小数化定位，最小变动价位全部变为1美分。
Goldstein&Kavajecz(1999)发现，在NYSE采用1/16最小变动价位之后全部限价指令库中的深度下降。Jones&Lipson(1999)以机构交易为样本进行了分析后发现，最小变动价位转向1/16作为对深度有反向影响的一个直接后果是提高了交易成本。NYSE向SEC的报告中(2001)指出，通过最小变动价位变为1美分前的样本与变动后的样本比较，交易成本出现明显下降，这表现在买卖报价差平均下降了一半，有效价差平均减小了43%；其次还发现，交易数量有了比较大的上升，但平均交易规模出现了下降。最后发现，市场最大的成本是透明度出现了下降，因为市场参与者不愿意以限价指令的方式在小数化环境中展示流动性。市场出现了对小数化交易的抱怨，证据表明，进一步的小数化不会提高投资者的福利，长期来看可能会增加投资者的交易成本。
可见，实证证据并不完全支持价格的小数化。正如常规一样，存在着相互消长的关系。尽管通过小数制能够获得较低的价格，特别是对小指令而言降低了交易成本，但执行大宗指令的成本增加，因为小数制对深度具有反向影响。
2.价格限制。从字面上看，每日价格限制就是提前设定价格变动的最大边界，通常包括向上和向下两个方向，价格限制只允许证券价格在单个交易日内在此范围变动。价格限制一般按照上个交易日收盘价的一定百分比来设计，但也有为数不少的市场采用绝对价位设计（如日本东京证券交易所）。价格限制的主要功能是降低股票市场波动，其合理性在于通过约束价格，防止野生的或过度的日内波动发生，从而使市场承受较小的波动。证券监管部门正是希望籍此能够达到降低股票市场风险、保持股票市场稳定、保护投资者利益的目的。
从理论上来分析，价格限制作为向投资者提供冷却期的一种措施，允许投资者重新评价市场信息并形成新的投资策略。另外，价格限制允许失衡指令的公开，从而有利于吸引价值型交易者。从这两方面看，价格限制能够免受剧烈的价格振荡。但Kyle(1988)和Fama(1989)认为，当触及价格限制时，有关价格的均衡位置不确定，这反过来又会增强价格波动，因而严格的价格限制实际上可能会引起更高的波动水平。对此，Kim(1997)利用东京证券交易所达到价格限制的股票为研究样本，同时选择了在样本股票达到价格限制日近乎达到限制的两组股票为控制样本发现，价格限制不但不能降低市场波动，反而会延缓价格发现的过程、造成波动溢出并干预了交易本身，降低了市场流动性。
总之，有关价格限制与市场波动之间的关系虽然没有完全达成一致的结论，但绝大多数的实证研究表明，价格限制并不能降低市场波动，而且也无助于流动性的提高。
五、信息与披露
有关市场微观结构的很多信息研究都集中在信息与披露上。透明度(transparency)可以定义为市场参与者观察有关交易过程信息的能力。这里的信息是指与价格、报价、成交量、指令流来源、市场参与者身份等有关的信息。美国证券交易委员会坚持认为交易和报价信息的公开传播在保证二级市场的有效性和公正性方面发挥了最基本的作用。相应地，所有美国交易所都被要求立即报道所有价格和成交量，并不断更新最优买卖报价。然而世界上不同的市场有不同的要求，例如，伦敦证券交易所和巴黎证券交易所的大宗交易可以延迟90分钟再报道，我国深圳证券交易所则延迟一个交易日再报道。因而，透明度对市场流动性的影响同样成为市场微观结构理论与实证研究的焦点。
Admati&Pfleiderer(1991)给出了一个有关阳光交易(sunshinetrading)的模型。在这个模型中，一些流动性交易者能够提前宣布自己交易的指令规模，而其他流动性交易者不允许这样做。他发现，那些能够提前公布其交易的交易者会享受到降低交易成本的好处，因为市场能够正确地推断出它们并不是出于信息驱动而交易。但是，那些不能提前公布其交易的流动性交易者其成本就会提高。从表面上来看，提前宣布意味着交易是非信息性的。但实际上，其他交易者面临的逆向选择成本提高了。Madhavan(1996)研究发现，以披露零星指令流的方式提高透明度能够加剧价格的波动性。其基本原理在于，被露市场系统中有关噪声的信息，提高了信息不对称的影响，从而减少了流动性。从本质上来说，噪声是市场运行所必需的，披露就掠夺了市场的这个润滑剂，市场质量就会因较低的流动性和较高的内在交易成本而降低。然而，透明度能够降低价格波动性，增强市场流动性，在存在大量提供足够噪声交易的市场上，透明度更为有益；但是，在交易冷清的市场上，透明度潜在的逆效应可能最大。
总之，透明度是一个复杂的问题，透明度能够影响指令流的信息性，从而会影响价格发现的过程。透明度越强，价格所包含的信息性就越高。但是，完全透明对市场运行并不一定是有利的。经验证据表明，太高的透明度会降低流动性，因为交易者在高度透明下不愿意暴露自己交易的意图。
}