از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Connect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.
چکیده
آیا تجارت الگوریتمی (AT) باعث افزایش قیمت قیمت در بازارهای آشفته می شود؟ما می دانیم که سهام با تجربه کمتری در کاهش قیمت (افزایش) در روزهایی که بازار برای بیش از 2 ٪ کاهش می یابد (افزایش می یابد). این نتیجه با این دیدگاه سازگار است که با حداقل فشار قیمت و خطاهای قیمت گذاری گذرا را کاهش می دهد. تجزیه و تحلیل های بیشتر نشان می دهد که عدم تعادل خالص در تقاضای نقدینگی و سفارشات عرضه در مقایسه با عدم تعادل سفارش خالص غیر AT ، تأثیرات کمتری دارد و معامله گران الگوریتمی با اجرای معاملات خود بر اساس قیمت متوسط وزن ، فشار قیمت خود را کاهش می دهند.
واژههای کلیدی: تجارت الگوریتمی ، عدم تعادل سفارش ، بازارهای آشفته ، قیمت متوسط با وزن ، نوسان قیمت
1. مقدمه
تحولات فن آوری طی یک دهه گذشته ، استفاده از الگوریتم های رایانه توسط سرمایه گذاران سهام را به میزان قابل توجهی افزایش داده است. با توجه به رویدادهای شدید بازار مانند "سقوط فلش" ، دانشگاهیان ، تنظیم کننده های بازار و پزشکان دارایی مشتاق هستند که نقش تجارت الگوریتمی (AT) را در بازارهای آشفته درک کنند. 1 آیا در هنگام افت زیاد در بازار کلی ، به کاهش قیمت بیشتر سهام کمک می کند؟جواب واضح نیست. از یک طرف ، معامله گران الگوریتمی با انتقال حرکات قیمت در میان مشتقات ، شاخص ها و قیمت سهام مربوط به عنوان "پیام رسان" عمل می کنند (به عنوان مثال ، هندرسوت و ریوردان ، 2013 ؛ چابود ، چیکوین ، هاجالمارسون و وگا ، 2014). بنابراین ، در ممکن است با توجه به افت زیاد شاخص های بازار ، فشار قیمت را در سهام فردی اعمال کند. از طرف دیگر ، الگوریتم های رایانه می توانند فشار قیمت را به حداقل برسانند ، تأثیر قیمت معاملات را کاهش داده و خطاهای قیمت گذاری را کاهش دهند (هندرسوت ، جونز و منکولد ، 2011). می توان استدلال کرد که AT باعث کاهش فشار قیمت نزولی از افت کلی بازار می شود. ما با تجزیه و تحلیل رابطه بین AT و بازده سهام در روزهایی که یک حرکت بزرگ در شاخص های بازار وجود دارد به عنوان روزهایی که ارزش مطلق بازده بازار بیش از 2 ٪ است ، به این سؤال می پردازیم. 2
ما از مجموعه داده های جدید استفاده می کنیم که در آن معاملات بر اساس اینکه آیا آنها توسط الگوریتم های رایانه تولید می شوند ، پرچم گذاری می شوند. ما از 27 اکتبر 2008 ، تا 23 اکتبر 2009 ، روی روزهای آشفته در بورس اوراق بهادار استرالیا (ASX) تمرکز می کنیم. نمونه ما مزایای زیر را دارد. اول ، ما قادر به شناسایی و فروش معاملات بدون تکیه بر پروکسی مانند نسبت سفارش به تجارت هستیم. 3 ثانیه ، در مطالعه اصلی خود ، هندرسوت و همکاران.(2011) دریافت که ، به طور کلی ، از نظر نقدینگی و کشف قیمت در بازارهای رو به رشد نقش مفیدی دارد. در عین حال ، نویسندگان هشدار می دهند که تحقیقات مربوط به ویژگی های AT "در بازارهای آشفته یا رو به کاهش" (صفحه 31) به همان اندازه مهم است. ما تأثیرات AT را در پریشانی ترین زمان ها در دهه ها بررسی می کنیم ، زیرا دوره نمونه ما در اوج بحران مالی و بلافاصله پس از فروپاشی برادران لمان در سپتامبر 2008 است. سرانجام ، بازار سهام استرالیا یکی از بازارهای پیشرو استدر توسعه تجارت رایانه ای. ASX با سرمایه گذاری در بازار یکی از ده بازار سهام برتر جهان است. ASX به عنوان یک پذیرنده اولیه فن آوری های تجارت رایانه ای ، چندین ارتقاء فناوری را برای بهبود تأخیر و جذب معامله گران الگوریتمی و فرکانس بالا اجرا کرده است. 4 ASX و تنظیم کننده آن ، کمیسیون اوراق بهادار و سرمایه گذاری استرالیا (ASIC) ، متعاقباً یافته های نظارتی را منتشر کرده و در مورد شیوع تجارت AT و با فرکانس بالا (HFT) اظهار نظر کرده اند (به عنوان مثال ، ASX ، 2010 ؛ ASIC ، 2013 ؛ASIC ، 2014).
ما می دانیم که ، کنترل اندازه ، ریسک ، نقدینگی و اطلاعات ، سهام با معاملات فروش بیشتری که توسط تجربه کمتری کاهش می یابد ، فشار کمتری قیمت در هنگام کاهش گسترده بازار بیش از 2 ٪ است. ما نتایج مشابهی را برای معاملات خرید الگوریتمی بدست می آوریم که بازار بیش از 2 ٪ افزایش یابد. نتایج ما از نظر اقتصادی قابل توجه است. به عنوان مثال ، ما می دانیم که افزایش 10 ٪ (یا تقریباً نیمی از انحراف استاندارد) در فروش ، به طور متوسط ، با افزایش 11 نقطه پایه بازده سهام های فردی در بازارهای خرس مطابقت دارد. علاوه بر این ، سهام هایی که سطح پایین در تجربه بازده قابل توجهی دارند پس از روزهای کاهش بازار. به طور خاص ، سهام با معامله کمتر در تمایل به بازپرداخت قیمت بزرگ روز آشفته خود در طی پنج روز معاملاتی بعدی بازیابی می شود. یافته های ما در مورد معکوس های بازگشت روز پس از رویداد حاکی از آن است که با فشار آوردن قیمت سهام فراتر از ارزشهای اساسی آنها ، عدم واکنش به فشار کلی بازار بیش از حد است. به طور کلی ، شواهد ما نشان می دهد که ، در مقایسه با غیر AT ، AT به نوسان قیمت در بین سهام های فردی در بازارهای آشفته کمک نمی کند.
ما با استفاده از الگوریتم تطبیق نمره تمایل ، اثر AT را در روزهای رویداد از تأثیرات درون زا بین AT و شرایط بازار مشاهده می کنیم. ما مشاهدات روز رویداد (گروه درمانی) را با مشاهدات روز غیر رویداد (گروه کنترل) بر اساس بازده ، نوسانات ، کلاه بازار و نقدینگی مطابقت می دهیم. تطبیق به طور موثری هرگونه تفاوت معنی دار بین گروه درمانی و گروه کنترل را از نظر این متغیرهای شرایط بازار از بین می برد. ما الگوریتم تطبیق را برای بازاریابی و بازاریابی روزهای جداگانه به بازار عرضه می کنیم. این روش تطبیق به ما یک گروه کنترل نماینده می دهد که مجموعه ای از ویژگی های بازار مشابه در روزهای رویداد را دارد. سپس ما از یک روش تفاوت در تمایز استفاده می کنیم تا اثرات AT را در روزهای رویداد با نمونه ای از روزهای سهام با شرایط قابل مقایسه در بازار تشخیص دهیم. ما نشان می دهیم که ارتباط منفی بین AT و نوسان قیمت فقط در گروه درمانی وجود دارد با وجود شباهت بین درمان و گروه های کنترل. علاوه بر این ، ما نشان می دهیم که این رابطه بدون تغییر است وقتی که روزهای ورود خبرهای خاص شرکت را از نمونه خود حذف می کنیم. به طور خلاصه ، ما نشان می دهیم که رابطه بین نوسانات AT و بازار در واکنش به بازده سهام ، نوسانات ، نقدینگی ، اندازه یا ورود اطلاعات عمومی انجام نمی شود.
ما همچنین دلایل ارتباط تجربی بین AT و نوسان قیمت را تحلیل میکنیم. الگوریتمهای اجرایی برای به حداقل رساندن تأثیر بازار برای مشتریان طرف خرید طراحی شدهاند. فعالیت های تجاری ایجاد شده توسط AT و غیر AT ممکن است سطوح مختلفی از فشار قیمت را اعمال کنند. برای بررسی این فرضیه، از دو معیار فعالیت معاملاتی برای ارزیابی اثرات قیمت دفع شده توسط AT و non-AT استفاده میکنیم. اول، ما Chordia و Subrahmanyam (2004) را گسترش داده و بازده تعدیل شده بازار را به عنوان تابعی از عدم تعادل سفارش از AT و غیر AT مدل می کنیم. ما متوجه شدیم که تأثیر عدم تعادل سفارش توسط غیر AT بیشتر از تأثیر AT در روزهای رویداد است. سفارش تامین نقدینگی توسط AT در روزهای رویداد به طور معکوس انتخاب می شود. علاوه بر این، مشابه بروگارد و همکاران.(2018)، ما فعالیت خالص تقاضا و عرضه نقدینگی AT را به عنوان تفاوت بین عدم تعادل سفارش تقاضای نقدینگی و عدم تعادل سفارش عرضه نقدینگی اندازهگیری میکنیم. ما متوجه شدیم که فعالیت خالص AT به طور منفی با نوسانات قیمت در سهام فردی در طول دوره های آشفته مرتبط است. هندرسات و همکاران(2011) پیشنهاد می کند که الگوریتم های اجرا ممکن است متریک میانگین وزنی حجمی (VWAP) را برای کاهش هزینه های اجرا ردیابی کنند. VWAP میانگین قیمت هر تراکنش در یک افق زمانی معین (معمولاً یک روز) است که با حجم هر معامله وزن می شود. سپس قیمت اجرا شده هر معامله را می توان با VWAP مقایسه کرد تا عملکرد اجرای معامله ارزیابی شود. 5 با نظارت بر VWAP، معاملهگران الگوریتمی زمانی که موقعیت نسبی بین VWAP و قیمت سهام مطلوبتر میشود، احتمال بیشتری برای معامله دارند. موقعیت مطلوب موقعیتی است که در آن قیمت نسبت به VWAP برای معاملات خرید (فروش) به سمت پایین (بالا) حرکت می کند. استراتژی اجرای AT به طور موثر با طراحی مخالف خواهد بود. در نتیجه، در موج اولیه افت شدید بازار، قیمت سهام در مقایسه با VWAP ها به طور نامطلوبی به سمت پایین منحرف می شود و معامله گران انسانی احتمال بیشتری برای فروش دارند. پس از جهش اولیه، VWAP ها به قیمت ها می رسند، زیرا معاملات بیشتری انجام می شود و معامله گران الگوریتمی بیشتر بر اساس این حرکت مطلوب VWAP معامله می کنند. بنابراین، معامله گران الگوریتمی کمتر با معامله گران انسانی همراه خواهند بود. در نتیجه، AT تقاضای نقدینگی را هموار می کند و به کاهش بیشتر قیمت کمک نمی کند. پس از کنترل شرایط بازار، متوجه می شویم که این مورد است. به طور خاص، ما مدلهای لاجیت اجرای AT را تخمین میزنیم و نشان میدهیم که معاملهگران با فناوریهای AT زمانی که تفاوت بین قیمت سهام و VWAP درون روز در آن زمان کوچکتر (بزرگتر) در روزهای کاهش بازار، بازار، خرید (فروش) بیشتر میشود. روزهای صعود و روزهای دیگر در نمونه ما. این یافته با این تصور سازگار است که AT فشار قیمت را از کل بازار تشدید نمی کند.
مقاله ما به چندین روش به ادبیات کمک می کند. اول، ما ادبیات نقش الگوریتم های معاملاتی پیچیده را در طول رویدادهای شدید بازار گسترش می دهیم. کیریلنکو و همکاران(2017) بر نقش بازارسازان HFT در طول "سقوط فلش" تمرکز دارد. نویسندگان دریافتهاند که سازندگان بازار HFT در ابتدا نقدینگی را در اختیار فروشندگان قرار میدادند، اما پس از آن به دنبال بازگرداندن موقعیتهای خود بودند زیرا فشار شدید فروش بر ظرفیت موجودی آنها غلبه کرد. بروگارد و همکاران(2018) HFT را حول حرکات شدید قیمت بررسی می کند که به عنوان 0. 1 درصد از تغییرات قیمت سهام در بازه های معاملاتی 10 ثانیه طبقه بندی می شود. نویسندگان دریافتند که اثر خالص تقاضا و عرضه نقدینگی HFT به طور منفی با جهت تغییرات قیمت مرتبط است. گائو و میزراخ (2016) HFT را در هنگام شکست و فروپاشی بازار تجزیه و تحلیل می کنند. روزهای شکست (بالا) بازار به عنوان روزهای سهامی تعریف میشوند که بهترین پیشنهاد (پیشنهاد) سهام برای بیش از 10 درصد قیمت افتتاحیه کاهش (بالا) میرود و متعاقباً به 2. 5 درصد در پایان روز باز میگردد. نویسندگان نشان میدهند که HFT به طور مثبت با فراوانی شکستهای بازار مرتبط است. کیریلنکو و همکاران(2017) و بروگارد و همکاران.(2018) شوک های کوتاه مدت ناشی از تک تک اوراق بهادار و تأثیر آن بر همان اوراق را تحلیل می کند. 6 ما منبع و مدت رویدادهای شدید را با مطالعه شوک های شدید از کل بازار در فواصل روزانه افزایش می دهیم. ما همچنین با تجزیه و تحلیل اکثر سهام در بازار در پرتو شوک های بازار، دامنه سهام تحت تأثیر را گسترش می دهیم.
دوم ، ما تأثیرات AT را در طول زمان بیشتر برای سرمایه گذاران غیر الگوریتمی در مقایسه با سایر مطالعات مربوط به AT و HFT برجسته می کنیم. آژانس های نظارتی ابراز نگرانی در مورد تأثیر AT در غیر AT ، که دارای افق معاملاتی طولانی تر از AT است. این که آیا تغییرات اخیر ساختار بازار سهام به دلیل AT برای بقیه جامعه سرمایه گذاری مضر است ، همانطور که در یادداشت تنظیم کننده ایالات متحده ذکر شد ، مسئله مهمی است که مستحق تحقیقات بیشتر است (Sec ، 2010). با این حال ، بسیاری از مقالات AT و HFT روی اثرات فوق العاده کوتاه مدت متمرکز شده اند ، از میلی ثانیه تا دقیقه. به عنوان مثال ، هندرسوت و همکاران.(2011) نشان می دهد که با کاهش تأثیر قیمت معاملات طی 5 تا 30 دقیقه بعدی. هاسبروک و سار (2013) چارچوبی را برای شناسایی HFT و ارزیابی اثرات داخلی آن پیشنهاد می کنند. Brogaard ، Hendershott و Riordan (2014) تأثیر HFT را بر ویژگی های بازار بر اساس دوم به دوم ارزیابی می کنند و تأثیر HFT را در 20 ثانیه در اطراف اعلامیه های عمومی گزارش می دهند. تجزیه و تحلیل معاملات خودکار در فرکانس های فوق العاده بالا ، از آنجا که بسیاری از استراتژی های تجاری اختصاصی بر بهره برداری از فرصت های کوچک و زودگذر در بازار تأکید می کنند ، بسیار مهم و شهودی است. با این حال ، تحقیقات در مورد پیامدهای طولانی مدت AT ضروری است. به عنوان مثال ، برخی از معامله گران رایانه ای از پسوندهای استراتژی های تجاری سنتی مانند ارزش ، حرکت و معاملات جفت پیروی می کنند. این استراتژی ها اغلب شامل نگه داشتن موقعیت ها در طی روزها و افق های طولانی تر است. علاوه بر این ، طبق ASX (2010) ، الگوریتم های اعدام اکثریت AT را تشکیل می دهند. 8 این الگوریتم های اعدام خدماتی هستند که به مشتریان طرف خرید ارائه می شوند تا تأثیر قیمت معاملات را به حداقل برسانند و بنابراین قصد تجارت توسط معامله گران انسانی بیان می شود. بنابراین ، پیامدهای این معاملات باید بیش از چند دقیقه در افق مورد بررسی قرار گیرد. ما ارتباط بین نوسانات AT و قیمت را در روزهای آشفته و پنج روز بلافاصله پس از روزهای آشفته نشان می دهیم. به بهترین دانش ما ، مقاله ما اولین کسی است که تأثیر آن را در بازده سهام روزانه بررسی می کند.
سوم ، یافته های ما به حل و فصل بحث در مورد رابطه بین نوسانات بازده و سهام کمک می کند. مدل نظری توسط Biais ، Foucault و Moinas (2015) نشان می دهد که معامله گران سریعتر می توانند نوسانات ناشی از بازرگانان بی اطلاع را کاهش دهند. از نظر تجربی ، AT و HFT نشان داده شده است که با نوسانات منفی است (Aggarwal and Thomas ، 2017 ؛ Hasbrouck and Saar ، 2013 ؛ Hagströmer and Nordén ، 2013). از طرف دیگر ، Boehmer ، Fong و Wu (2018) و Bershova و Rakhlin (2013) می دانند که به ترتیب AT و HFT ، نوسانات بازار را افزایش می دهد. ما با تجزیه و تحلیل رابطه بین نوسانات قیمت سهام و سهام با توجه به نوسانات کلی بازار متفاوت هستیم. ما می دانیم که سهام هایی که دارای کمترین قیمت در روزهای با حرکات شدید بازار هستند ، نوسانات قیمت بیشتری را تجربه می کنند. 9
در نهایت، استراتژی اجرای AT را بررسی میکنیم که میتواند بر نوسانات قیمت سهام تأثیر بگذارد. تعدادی از مطالعات نشان دادهاند که AT و HFT میتوانند از استراتژیهای VWAP برای بهینهسازی زمان معاملات خود پیروی کنند (مانند Domowitz و Yegerman، 2005؛ Hendershot et al., 2011؛ Easley, Lopez de Prado و O'Hara, 2012). Carrion (2013) از معیارهای VWAP پایان روز استفاده می کند تا نشان دهد که HFT پس از مدتی موفقیت آمیز است. تفاوت ما با Carrion (2013) با استفاده از VWAP پویا درون روز است که به طور مداوم در طول یک جلسه معاملاتی به روز می شود. طراحی تحقیق ما همچنین به ما امکان می دهد نقدینگی، نوسانات و حجم روزانه را کنترل کنیم. ما نشان میدهیم که، از قبل، تصمیمات اجرایی AT نسبت به VWAP غالب در زمان معامله بسیار حساس است.
بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 داده های ما را شرح می دهد. بخش 3 یافته های ما را در مورد AT در بازارهای آشفته ارائه می کند. بخش 4 ارتباط بین AT، شرایط بازار و اخبار را مورد بحث قرار می دهد. بخش 5 یافته های ما را در مورد عدم تعادل سفارش گزارش می کند. بخش 6 الگوریتم های ردیابی VWAP و اثرات آنها بر ویژگی های AT در بازارهای آشفته را ارائه می دهد. در نهایت، بخش 7 مقاله را به پایان می رساند.
2. داده ها و روزهای رویداد
2. 1. داده ها
ما از یک مجموعه داده جدید AT ارائه شده توسط ASX استفاده می کنیم. این مجموعه داده شامل تمام معاملات سهام در ASX بین 27 اکتبر 2008 و 23 اکتبر 2009 است. هر معامله کد شرکت، قیمت معامله، حجم معاملات، شاخص خرید/فروش، مهر زمانی را به نزدیکترین میلی ثانیه و یک عدد ویژه گزارش می کند. نشانگر هر دو طرف معامله که نشان می دهد معامله توسط کامپیوتر یا انسان آغاز شده (یا عرضه شده است). معاملات الگوریتمی بر اساس نقش دیجیتالی آنها در ASX شناسایی می شوند. به طور خاص، معاملاتی که بهطور خودکار توسط رایانهها تولید میشوند، به شناسههای پایانهای متفاوت از معاملات انسانی در بورس اختصاص داده میشوند. 10 ما مجموعه داده های AT را با داده های سطح سفارش ارائه شده توسط مرکز تحقیقات صنعت اوراق بهادار آسیا و اقیانوسیه (SIRCA) ادغام می کنیم. داده های SIRCA امکان شناسایی دقیق معاملات خرید/فروش را فراهم می کند. این ترکیب به ما امکان میدهد تشخیص دهیم که آیا معامله توسط خریدار یا فروشنده آغاز شده است، و همچنین اینکه آیا معامله بر اساس الگوریتم بوده است. شناسایی AT به مطالعه ما اجازه می دهد تا از سوگیری های متغیر حذف شده بالقوه مرتبط با پراکسی های AT مانند نسبت های سفارش به معامله جلوگیری کند، زیرا تجدید نظر و لغو سفارش با معیارهای کیفیت بازار مانند نرخ تغییرات قیمت مرتبط است. بازگشت شاخص All Ordinaries (All Ords) از تاریخچه تیک تامپسون رویترز بدست آمد. دوره نمونه تقریباً یک سال تقویمی است که بازار سهام استرالیا را در اوج بحران مالی جهانی پوشش می دهد. آشفتگی بازار در طول دوره نمونه به ما امکان می دهد AT را در رابطه با حرکات شدید بازار مطالعه کنیم.
به عنوان یکی از ده بازار سهام برتر در سراسر جهان ، بازار استرالیا یک محیط ایده آل برای تحصیل در آن فراهم می کند. یافته های موجود در بازار سهام استرالیا به دلایل زیر برای سایر بازارهای اصلی اعمال می شود. اول ، ASX جزو اولین مکان تجاری است که فن آوری های تأخیر کم را اتخاذ کرده است. به عنوان مثال ، یک بستر معاملاتی با تأخیر کم ، سیستم معاملاتی یکپارچه ، در اکتبر 2006 معرفی شد که تأخیر را به حداقل 30 میلی ثانیه کاهش می دهد. موری و همکاران.(2016) دریافت که اجرای پلت فرم تجارت تأخیر کم منجر به بهبود نقدینگی بازار و کاهش در تأثیر قیمت معاملات می شود. نویسندگان این اثرات را به افزایش مشارکت معامله گران الگوریتمی نسبت می دهند. در ابتدای دوره نمونه ما در نوامبر 2008 ، ASX خدمات جمع آوری را برای جذب بیشتر معامله گران با تأخیر کم معرفی کرد. ASX جزو اولین گروه مبادلات است که خدمات Colocation را ارائه می دهد. 11 ثانیه ، محیط نظارتی AT در استرالیا شبیه به سایر بازارهای اصلی مانند بازار ایالات متحده است. توسعه سریع AT و HFT در بازارهای استرالیا توجه نظارتی قابل توجهی را به خود جلب کرده است. ASX (2010) اولین بررسی های گسترده در مورد AT را ارائه می دهد ، تقریباً همزمان با اولین نسخه اصلی مفهوم ایالات متحده در HFT SEC (2010). تحقیقات نظارتی بیشتر (ASIC ، 2013 ؛ ASIC ، 2014) نتایج مشابهی را در مقایسه با نتایج موجود در بازار ایالات متحده پیدا می کند (SEC ، 2014). هر دو تنظیم کننده ایالات متحده و استرالیا با احتیاط نسبت به توسعه فن آوری های تجارت رایانه ای خوش بین هستند. 12 سرانجام ، یافته های موجود در AT و HFT در بازارهای استرالیا با سایر بازارهای مهم سازگار است. به عنوان مثال ، با استفاده از Proxies و طرح های تحقیقاتی مشابه ، هندرسوت و همکاران.(2011) و Viljoen ، Westerholm و Zheng (2014) دریافتند که به ترتیب در نقدینگی و کشف قیمت در بازار سهام ایالات متحده و بازار آینده استرالیا کمک می کند. Korajczyk و Murphy (2018) و Kwan and Philip (2015) نشان می دهند که HFT به ترتیب هزینه های اعدام سایر معامله گران را در بازارهای سهام کانادا و استرالیا افزایش می دهد.
مزیت اضافی مجموعه داده های ما امکان طبقه بندی دقیق خرید و فروش معاملات است. به طور خاص ، در حالی که بسیاری از مطالعات قبلی به الگوریتم Lee و Lee و Lee و Ready (1991) متکی هستند ، ما از طبقه بندی "واقعی" خرید و فروش از داده های سطح سفارش ارائه شده توسط SIRCA استفاده می کنیم. 13 الیس ، میشلی ، و اوهارا (2000) و چاکربارتی ، مالتون و شکیلکو (2012) صحت الگوریتم لی و آماده را به ترتیب 81. 05 ٪ و 69 ٪ می دانند. در ASX ، Aitken و Frino (1996) صحت 74 ٪ را نشان می دهند. بنابراین ، بهبود صحت طبقه بندی جهت تجارت مفید خواهد بود.
برای اطمینان از وجود حجم AT و غیر AT در نمونه ما برای تولید نتایج قوی ، ما سهام نمونه را به مواردی که در طول دوره نمونه وجود داشتند ، محدود می کنیم. ما بیشتر سهام را که در مدت زمان کمتر از 200 روز در طی 252 روز معاملاتی در نمونه ما معامله شده اند ، حذف می کنیم. 14 نمونه نهایی ما شامل 384 سهام است.
مجموعه داده های خبری از Sirca به دست می آید. به عنوان بخشی از قوانین افشای مداوم ، ASX به شرکت های ذکر شده نیاز دارد تا قبل از انتشار اطلاعات به عموم ، اطلاعات حساس به قیمت را به ASX گزارش دهند. Sirca این اطلاعات را به عنوان اعلامیه های همراه با تمبرهای زمان و کدهای طبقه بندی ارائه می دهد. از اعلامیه های خاص شرکت و حساس به قیمت به عنوان پروکسی برای ورود اطلاعات عمومی در بخش 4. 2 استفاده می شود. اطلاعیه های خاص شرکت و حساس به قیمت شامل اعلامیه های درآمد ، گزارش های فعالیت سه ماهه ، گزارش های سه ماهه پول نقد ، اعلامیه های سود سهام ، گزارش های پیشرفت ، گزارش های دوره ای ، تصاحب اعلامیه ها ، سرمایه های صادر شده و کسب دارایی و دفع است.
2. 2انتخاب روز رویداد
محققان طیف گسترده ای از تکنیک ها را برای شناسایی دوره های معاملاتی آشفته اعمال می کنند. Brogaard و همکاران.. Brogaard و همکاران.. Shkilko ، Van Ness و Van Ness (2012) قسمت های فشارهای قیمت نزولی Intraday را به عنوان روزهای سهام مشخص می کنند که قیمت سهام فردی برای بیش از دو انحراف استاندارد بازده داخلی تاریخی کاهش می یابد و سپس دوباره برگشت. رویکرد ما با این روشها بر اساس دو هدف متفاوت است. اول ، ما خریدهای الگوریتمی (فروش) را در سهام فردی در رابطه با فشار رو به بالا (رو به پایین) از بازار ارزیابی می کنیم. بنابراین ، ما به طور جداگانه روزها و روزهای پایین بازار شدید را شناسایی می کنیم. دوم ، ما اثرات طولانی مدت AT را تجزیه و تحلیل می کنیم و قیمت سهام را در روزهای رویداد و پنج روز پس از روزهای رویداد بررسی می کنیم.
مشابه دنیس و استریکلند (2002) ، ما روزهای آشفته را به عنوان روزهایی تعریف می کنیم که مقادیر مطلق بازده بازار بیشتر از 2 ٪ است. 15 ما از همه سفارشات به عنوان پروکسی ما برای بازده بازار استفاده می کنیم. همه ORDS شامل 500 سهام معمولی استرالیا است و بیش از 95 ٪ از ارزش کلیه سهام ذکر شده در ASX است. 19 روز بازار و 20 روز بازار وجود دارد. در هر روز آشفته ، سهام هایی را شامل می شویم که حداقل یک خرید و یک معاملات فروش را توسط AT و غیر AT آغاز می کنند تا بتوانند فعالیتهای تقاضا را محاسبه کنند. برای اندازه گیری فعالیت های تأمین نقدینگی توسط AT و غیر AT ، سهام هایی را که خرید و فروش خرید و فروش توسط AT یا غیر AT را از دست داده اند ، حذف می کنیم. نمونه نهایی شامل 9498 روز سهام در 384 سهام است. در جدول 1 روزهای رویداد ، تعداد سهام برای هر روز رویداد و بازده همه سفارشات گزارش شده است.