موارد غیرخطی: قیمت سهام - رابطه حجم معاملات بازنگری شده

هدف از این مقاله بررسی انتقال اطلاعات در رابطه بین قیمت سهام و حجم معاملات است. در حالی که چندین مدل نظری این رابطه را ایجاد می کنند ، تعیین جهت آن یک سؤال تجربی است. رویکردهای خطی متعارف ، مانند علیت گرنجر ، فقط بینش های محدودی را ارائه می دهد. مهمتر اینکه ، آنها ماهیت غیرخطی این رابطه را که توسط مدلهای نظری تجارت غیر رسمی مورد حمایت قرار می گیرد ، در نظر نمی گیرند. علاوه بر این ، آنها نمی توانند جهت غالب انتقال اطلاعات را استنباط کنند. هر دو کاستی را می توان با تکیه بر مفهوم آنتروپی انتقال شانون بررسی کرد. در یک کاربرد تجربی در نمونه بزرگی از سهام ، ما از این اندازه گیری عاری از مدل استفاده می کنیم و می یابیم: (i) مقدار قابل توجهی از انتقال اطلاعات غیرخطی در بین سهام ، و (ب) این اطلاعات عمدتاً از بازده به رشد حجم معاملات جریان می یابد. بنابراین ، ما شواهد تجربی ارائه می دهیم که رابطه بین این متغیرهای مالی در واقع احتمالاً غیرخطی است.

معرفی

درک کامل از رابطه بین قیمت سهام و حجم معاملات ، پیامدهای مهمی برای بینش ما در مورد ساختار بازارهای مالی ، انتشار اطلاعات مرتبط و اقدامات بعدی شرکت کنندگان در بازار دارد. در نتیجه ، تجزیه و تحلیل رابطه قیمت سهام - تجارت حجم تجارت توجه قابل توجهی را در ادبیات مالی به خود جلب کرده است (برای خلاصه ای از شواهد تجربی که در مورد اثرات معاصر بررسی می شود ، به Karpoff ، 1987 مراجعه کنید). مورد توجه ویژه شرکت کنندگان در بازار این سؤال بوده است که آیا انتقال اطلاعات جهت بین قیمت سهام و حجم معاملات وجود دارد ، یعنی اینکه آیا دانش حرکات گذشته در قیمت سهام منجر به بهبود پیش بینی های نه تنها حرکات فعلی بلکه در آینده در تجارت می شودحجم ، و برعکس. به عنوان مثال ، جهت پیشین ممکن است از ورود پی در پی استدلال اطلاعات حاصل شود به این معنا که قیمت سهام آخرین اطلاعات را زودتر از حجم معاملات در اختیار بازار قرار می دهد.

به منظور نشان دادن رابطه بین قیمت سهام و حجم معاملات ، ما از داده های تجارت و نقل قول (TAQ) برای یکی از تشکیل دهنده های میانگین صنعتی داو جونز (DJIA) استفاده می کنیم. 1 این داده ها از خدمات داده تحقیق Wharton در فرکانس میلی ثانیه به دست می آیند. به طور دقیق تر ، ما به طور مثال سهام Procter & Gamble (PG) را در تاریخ 6 مه 2010 در نظر می گیریم. این روز معاملاتی ویژه است زیرا با یک تصادف فلش قابل توجه مشخص می شود ، که توسط یک فشار فروش بزرگ و موقت مشخص شده است (به عنوان مثال ، Kirilenkoو همکاران ، 2017 ؛ ایزلی و همکاران ، 2011). شکل 1 قیمت معاملات تیک تیک و حجم معاملات PG را در تاریخ 6 مه 2010 ، در طول روز معاملاتی نشان می دهد ، و این باعث می شود که از کاهش ناگهانی قیمت ها و افزایش سهام معامله شده در بسیاری از مؤلفه های DJIA تأثیر بگذارد. اگرچه بلافاصله از این شکل مشخص است که برخی از رابطه بین قیمت سهام و حجم معاملات آن وجود دارد ، جهت انتقال اطلاعات به راحتی استنباط نمی شود. این بدان معنی است که مشخص نیست که جهت غالب در رابطه پیش بینی کننده بین قیمت سهام و حجم معاملات چیست.

با توجه به ملاحظات نظری در پشت قیمت سهام - رابطه حجم معاملات ، مدل های اولیه مربوط به ورود اطلاعات متوالی توسط Copeland (1976) و Jennings و همکاران ارائه می شوند.(1981) و نشان دهنده وجود رابطه پیش بینی دو طرفه بین بازده مطلق سهام و حجم معاملات است. علاوه بر این ، انگیزه های مختلف تجاری مربوط به مالیات و غیر مالیات مانند زمان سود و زیان سرمایه تحقق یافته و همچنین تعادل مجدد نمونه کارها و استراتژی های متناقض نیز برای القاء قیمت سهام-رابطه حجم معاملات (به عنوان مثال ، لاکونیشوک و اسمیدت پیشنهاد شده است.، 1989). سایر توضیحات بالقوه شامل ترکیبی از مدل های توزیع (به عنوان مثال ، کلارک ، 1973 ؛ EPPS و EPPS ، 1976) یا استراتژی های معاملاتی مثبت بازرگانان نویز است که باعث ایجاد رابطه مثبت از بازده سهام به حجم معاملات می شود (به عنوان مثال ، De Long ETآل. ، 1990b).

به منظور اطمینان از سری زمانی ثابت ، مطالعات تجربی معمولاً به جای سری قیمت و حجم معاملات در سطوح ، بازده سهام و حجم معاملات (به عنوان مثال ، رشد حجم معاملات) را در نظر می گیرند. علاوه بر این ، بیشتر شواهد تجربی برای رابطه بازده سهام و حجم معاملات مبتنی بر مدل های خطی است. به عنوان مثال ، Smirlock و Starks (1988) و Lee and Rui (2002) به تست های اتورگرایی بردار دو متغیره (VAR) و علیت گرنجر (Granger ، 1969) متکی هستند. در حالی که اولی رابطه مثبت بین تغییرات قیمت مطلق (اندازه گیری برای نوسانات بازده سهام) و حجم معاملات برای سهام در سطح فردی پیدا می کند ، دومی کشف می کند که حجم معاملات با استفاده از داده های شاخص روزانه از مبادلات سهام در سهام بازده سهام Granger و Granger نیست. نیویورک ، توکیو و لندن. 2 Chordia و Swaminathan (2000) شواهدی را ارائه می دهند که نشان می دهد حجم معاملات همبستگی متقابل سرب را در بازده سهام تعیین می کند ، گاگنون و کارولی (2009) پشتیبانی بیشتری را برای نمونه بزرگی از سهام بین المللی بین المللی و Chuang و همکاران پیدا می کنند.(2009) از رگرسیون های کمی استفاده کنید تا نشان دهد که رابطه جهت گیری حجم معاملات در بازده سهام نسبت به رابطه جهت دار بازده سهام در حجم معاملات ناهمگن تر است. در یک یادداشت متفاوت ، گالانت و همکاران.(1992) تأکید می کند که حرکات بزرگ قیمت با حجم معاملات بالا دنبال می شود و چن (2012) نشان می دهد که بازده S& P 500 حجم معاملات را در هر دو بازارهای خرس و گاو نر پیش بینی می کند ، در حالی که حجم معاملات پیش بینی می کند که بازده را فقط در بازارهای خرس باز می گرداند.

در مقابل ، ملاحظات مربوط به غیرخطی ها کمتر بخش اصلی بحث بوده است ، حتی اگر شواهد تجربی از وابستگی های غیرخطی در بازده سهام بسیار کافی باشد (برای مرجع اولیه ، به هینیچ و پترسون ، 1985 مراجعه کنید). اخیراً ، ارتباط پیش بینی های غیرخطی از حجم معامله شده پایان روز نیز در Sancetta (2019) نشان داده شده است. کمبل و همکاران روی آوردن به رابطه جهت بین بازده سهام و حجم معاملات.(1993) مدلی را تهیه کنید که در آن بازده سهام آینده مورد انتظار به عنوان یک عملکرد غیرخطی از بازده های فعلی و گذشته و همچنین حجم معاملات و سند مربوط به شواهد تجربی در حال تکامل باشد. پس از آن ، Hiemstra و Jones (1994) تست های علیت گرنجر غیرخطی را برای تجزیه و تحلیل رابطه بین بازده روزانه DJIA و رشد حجم معاملات در بورس نیویورک پیشنهاد می کنند. آنها در واقع رابطه غیر خطی دو طرفه قابل توجهی بین بازده سهام و حجم معاملات پیدا می کنند. علاوه بر این ، مک میلان (2007) نشان می دهد که از حجم معاملات تاخیر می توان برای بهبود دقت پیش بینی مدل های پیش بینی بازده سهام غیرخطی استفاده کرد.

در این مقاله، به دو روش به ادبیات قبلی اضافه می کنیم: (1) انتقال اطلاعات جهت دار غیرخطی بین بازده سهام و رشد حجم معاملات را با استفاده از یک رویه دو مرحله ای عملی، کمی و آزمایش می کنیم، و (2) به دست می آوریم. نتایج تجربی جدید از بازده روزانه تنظیم شده با تقویم و رشد حجم برای بیش از 400 سهم در یک دوره زمانی 18 ساله. ایده روش دو مرحله ای از همان استدلالی پیروی می کند که آزمون علیت غیرخطی گرنجر هیمسترا و جونز (1994) انجام شده است. ابتدا تمام همبستگی های خودکار و متقابل خطی را با اعمال یک فیلتر خطی در قالب مدل VAR از سیستم دو متغیره حذف می کنیم. هر گونه اطلاعات باقیمانده ممکن است به غیر خطی بودن سیستم دو متغیره بازده سهام و رشد حجم معاملات نسبت داده شود. مرحله دوم با آزمون علیت غیرخطی گرنجر پیشنهاد شده توسط هیمسترا و جونز (1994) متفاوت است، زیرا ما از آنتروپی انتقال شانون، همانطور که در ابتدا توسط شرایبر (2000) معرفی شد، برای تعیین کمیت انتقال اطلاعات باقیمانده غیرخطی استفاده می کنیم. برگرفته از نظریه اطلاعات، آنتروپی انتقال شانون یک اندازه گیری ناپارامتریک است که به هر گونه وابستگی آماری بین دو سری زمانی حساس است. علاوه بر این، ما نه تنها می توانیم وجود انتقال اطلاعات غیرخطی باقیمانده را در سیستم دو متغیره بازده سهام و رشد حجم معاملات استنباط کنیم، بلکه می توانیم جهت غالب آن انتقال اطلاعات را نیز استنباط کنیم که نسبت به حالت عادی (غیر خطی) بهبود می یابد. آزمون های علیت گرنجربنابراین، حتی در مواردی که برآوردهای آنتروپی انتقال به یک انتقال اطلاعات باقیمانده غیرخطی دو طرفه اشاره می کند، می توانیم تعیین کنیم که آیا بیشتر اطلاعات از رشد حجم معاملات به بازده سهام سرازیر می شوند یا نه. در پیوست، چندین آزمایش شبیه سازی را برای نشان دادن مشکلی که غیرخطی ها در یک سیستم دو متغیره با توجه به اندازه گیری انتقال اطلاعات ایجاد می کنند و برای نشان دادن کاربرد روش دو مرحله ای که در زیر به تفصیل در چنین تنظیماتی توضیح داده شده است، ارائه می کنیم.

به طور کلی ، نتایج ما نشان می دهد که پس از حسابداری برای همه همبستگی های خطی و متقابل خطی در سیستم دو متغیره بازده سهام و رشد حجم معاملات ، هنوز یک انتقال اطلاعات غیرخطی از نظر آماری قابل توجه حداقل در یک جهت برای تعداد زیادی از سهام وجود دارد. در حالی که انتقال اطلاعات غیرخطی در بسیاری از موارد دو طرفه است و هیچ الگوی کلی برای همه سهام پدیدار نمی شود ، اطلاعات عمدتاً از بازده سهام به رشد حجم معاملات برای بیشتر سهام که ما در نظر می گیریم جریان می یابد. این یافته مختص سهام مربوط به یک صنعت خاص نیست. همانطور که انتظار می رود ، میزان انتقال اطلاعات کمی تحت تأثیر قرار می گیرد که علاوه بر این ، تداوم نوسانات را به حساب می آوریم ، که در غیر این صورت می تواند یک محرک بالقوه انتقال اطلاعات باشد (به عنوان مثال ، کلارک ، 1973 ؛ هیمسترا و جونز ، 1994) ، و چه زمانی مابه طور جداگانه دوره های زمانی قبل و بعد از وقوع بحران مالی در سال 2008 را در نظر بگیرید. با این حال ، یافته اصلی ما از انتقال اطلاعات غیرخطی قابل توجه بین باقیمانده های VAR در تمام مشخصات قوی است. بنابراین ، به نظر نمی رسد که مدل های تجربی خطی برای ارزیابی مناسب قیمت سهام - رابطه حجم معاملات کافی نیست.

باقیمانده مقاله به شرح زیر ساخته شده است: بخش 2 به طور خلاصه در مورد مدل های تجارت غیر اطلاعاتی به عنوان منبع رابطه جهت غیرخطی بین قیمت سهام و حجم معاملات بحث می کند. در مرحله بعد ، بخش 3 مفهوم آنتروپی انتقال شانون را معرفی می کند و ایده روش دو مرحله ای را که برای آزمایش اطلاعات باقیمانده غیرخطی استفاده می شود ، تشریح می کند. در بخش 4 ، مجموعه داده های مورد استفاده در تجزیه و تحلیل تجربی شرح داده شده است و بخش 5 نتایج تجزیه و تحلیل تجربی را برای سیستم دو متغیره تنظیم شده توسط تقویم بازده سهام و رشد حجم (بخش 5. 1) و همچنین هنگامی که ما علاوه بر این برای نوسانات حساب می کنیم ، ارائه می دهد. پایداری (بخش 5. 2). سرانجام ، بخش 6 اظهارات نتیجه گیری را ارائه می دهد. نتایج اضافی و آزمایش های شبیه سازی به پیوست منتقل می شوند.

قطعه قطعه

مدل های تجارت غیر اطلاعاتی

اگرچه بسیاری از کانال ها برای توصیف رابطه بین قیمت سهام و حجم معاملات ارائه شده اند ، همانطور که در بالا ذکر شد ، ما می خواهیم به طور خلاصه یک رشته از ادبیات مالی را با جزئیات بیشتری در نظر بگیریم: مدل های تجارت غیر اطلاعاتی. این مدل ها به ویژه جالب هستند زیرا در حالی که دلایل اصلی تجارت ممکن است متفاوت باشد ، آنها پیش بینی های مشابهی را انجام می دهند. به عنوان مثال ، مدل ها در امتداد خطوط د لانگ و همکاران.(1990a) تأثیر احساسات سرمایه گذار را روشن کرد (یعنی ،

انتقال اطلاعات و پویایی غیرخطی

ما به مفهوم آنتروپی انتقال شانون می پردازیم تا به طور تجربی انتقال اطلاعات باقیمانده بین بازده سهام و رشد حجم معاملات را تعیین کنیم. بنابراین ، اجازه دهید قبل از معرفی روش آزمایش دو مرحله ای ، با جزئیات بیشتر در مورد این اندازه گیری انتقال اطلاعات با جزئیات بیشتر شروع کنیم.

داده ها

پس از معرفی فوق از روش دو مرحله ای که برای آزمایش انتقال اطلاعات باقیمانده غیرخطی در سیستم دو متغیره بازده سهام و رشد حجم معاملات استفاده می شود ، اکنون به توضیحات مجموعه داده هایی که در تجزیه و تحلیل تجربی بعدی استفاده می شود ، روی می آوریم. ما بین 3 ژانویه 2000 و 29 دسامبر 2017 از پایگاه داده تامسون رویترز مشاهدات روزانه در مورد قیمت سهام و حجم معاملات را برای کلیه ترکیبات S& P 500 و DJIA جمع آوری می کنیم. این 417 است

رابطه بین بازده سهام و رشد حجم معاملات

برای کاربرد تجربی ما ، ابتدا از یک مدل VAR خطی استفاده می کنیم تا تمام همبستگی های خطی و متقابل خطی را در سیستم دو متغیره بازده سهام و رشد حجم معاملات ، همانطور که در معادله آورده شده است ، فیلتر کنیم. مدل VAR با برگه های ورود به سیستم روزانه R و رشد حجم v t خوانده می شود

به شرح زیر است: [r t v t] = [c 1 c 2] + ∑ j = 1 p [b 11 j b 12 j b 21 j b 22 j] [r t - j v t - j] + [ε r ، t ε v ، t].

همانطور که در بالا وجود دارد ، ما فرض نوآوری های سفید گاوسی را برای نوآوری ها آرام می کنیم<ε r , t>t = 1 t و<ε v , t>t = 1 t از آنجا که هدف اصلی ما آماری نیست

نتایجی که اظهار شده

در این مقاله ، ما یک روش عملی دو مرحله ای را برای آزمایش اطلاعات باقیمانده غیرخطی در سیستم دو متغیره بازده های تنظیم شده توسط تقویم و رشد حجم معاملات تقویم برای نمونه ای از 417 سهام سطح فردی طی 18 سال اعمال کرده ایم. بازه زمانی. این روش به مفهوم آنتروپی انتقال شانون در مرحله دوم می پردازد ، که نه تنها یک اقدام غیرپارامتری بسیار متنوع برای تعیین کمیت هر نوع وابستگی آماری بین دو سری زمانی است بلکه

منابع (43)

• M. Smirlock و همکاران.