تاثیرمعاملات الگوریتمی بر نقدشوندگی سهام سرمایه گذاران در بورس اوراق بهادار ایران

محورهای موضوعی : دانش سرمایه‌گذاری

حمیدرضا شماخی ¹

1 - عضوهیات علمی دانشگاه آزاد اسلامی واحد اسلامشهر استادیار 25 سابقه اجرایی در بازار سرمایه و حوزه های مالی و حسابداری و حسابرسی

تاریخ دریافت : 1401/09/19 تاریخ پذیرش : 1401/10/03 تاریخ انتشار : 1402/10/01

کلید واژه: بورس اوراق بهادار, معاملات الگوریتمی, نقدشوندگی سهام,

چکیده مقاله :

توسعه بازارهای مالی بدون توسعه ابزارها و نهادهای مالی غیرممکن است. با طراحی و گسترش ابزارهای مالی جدید نیاز به روشهای معاملاتی جدید، سریع و هوشمند هم اجتناب ناپذیر است. در این پژوهش تلاش شده است تاثیر استفاده از روش معاملات الگوریتمی بر نقد شوندگی سهام سرمایه گذاران مورد بررسی قرار گیرد. برای این هدف پژوهشی معاملات سه صندوق عمده بازار گردانی بازار سرمایه شامل نوین پیشرو، صبانیک و پاداش سرمایه در سالهای 98 و 99 در رابطه با سهام تحت مدیریت خود مورد مطالعه قرار گرفته است. دادهای معاملاتی سهام شرکتهای تحت مدیریت این صندوقها از لحاظ نوع توزیع نمونه ها و نرمالیتی مورد بررسی قرار گرفته است. بعد از اطمینان از نرمال بودن توزیع داده ها با روش آماری مناسب فرضیه پژوهش در رابطه تاثیر معاملات الگوریتمی بر نقد شوندگی سهام سرمایه گذاران مورد بررسی قرار گرفته است. با توجه به نتایج پژوهش استفاده از روشهای معاملاتی الگوریتمی بر نقدشوندگی سهام شرکتها تاثیر مستقیم دارد.

چکیده انگلیسی:

The development of financial markets is impossible without the development of financial instruments and institutions. With the design and development of new financial instruments, the need for new, fast and smart trading methods is inevitable. In this research, an attempt has been made to investigate the effect of using the algorithmic trading method on the liquidity of investors' shares.For this research purpose, the transactions of three major capital market management funds, including Novin Poror, Sabanik and Capital Bonus, have been studied in 1998 and 1999 in relation to the stocks under their management. The trading data of the companies under the management of these funds have been examined in terms of the type of sample distribution and normality.After ensuring the normality of the data distribution, the hypothesis of the research regarding the effect of algorithmic trading on the liquidity of investors' shares has been investigated with the appropriate statistical method. According to the research results, the use of algorithmic trading methods has a direct effect on the liquidity of companies' shares.

منابع و مأخذ:

• عبدالرحیمیان، محمد حسین؛ رحیمی، حسین؛ میرزاییان، زینب(1397) بررسی نقدینگی بورس اوراق بهادار تهران تحت تاثیر معاملات پربسامد(HFT) ، کنفرانس بین المللی یافته های نوین در حسابداری، مدیریت اقتصاد و بانکداری.


• موسوی ، سید امید، ( 1396)، تکنولوژی معاملات الگوریتمی راهکارهای جدید بازار سرمایه ایران، چاپ دوم


• یحیی‌زاده فر،م.؛خرمدین،ج.(1387) .نقش عوامل نقد شوندگی و ریسک عدم نقد شوندگی بر مازاد بازده سهام در بورس اوراق بهادار تهران.بررسیهای حسابداری و حسابرسی، دوره 15 ، شماره53.


• کردلویی؛ حمیدرضا و همکاران ، (1398)، فلسفه علم و روش شناسی تحقیق، چاپ اول


• Biais, B., Foucault, T., Moinas, S., 2012. Equilibrium high-frequency trading. Working Paper.


• Boehmer, Ekkehart, Kingsley Y. L. Fong, and Juan Wu, 2018, Algorithmic Trading and Market Quality: International Evidence, working paper, Available at SSRN: https://ssrn.com/abstract=2022034 or http://dx.doi.org/10.2139/ssrn.2022034.


• Cartea, Á., Penalva, J., 2012. Where is the value in high frequency trading? Quarterly Journal of Finance 2, 1250014.


• Conrad, Jennifer, Sunil Wahal, and Jin Xiang, 2015, High frequency quoting, trading, and the efficiency of prices, Journal of Financial Economics 116, 271-91.


• Easley, David, Terrence Hendershott, and Tarun Ramadorai, 2014, Leveling the trading field, Journal of Financial Markets 17, 65-93.


• Foucault, T., Kadan, O., Kandel, E., 2013. Liquidity cycles and make/take fees in electronic markets. The Journal of Finance 68, 299-341.


• Frino, A., Mollica, V., Monaco, E., & Palumbo, R. (2017). The effect of algorithmic trading on market liquidity: Evidence around earnings announcements on Borsa Italiana. Pacific-Basin Finance Journal, 45, 82–90.


• Frino, A., Mollica, V., Webb, R.I., Zhang, S., 2016. The impact of latency sensitive trading on high frequency arbitrage opportunities. Pacific-Basin Finance Journal (Forthcoming).


• Gerig, A., Michayluk, D., 2016. Automated liquidity provision. Pacific-Basin Finance Journal (Forthcoming).


• Groth, Sven S., 2011, Does algorithmic trading increase volatility? Empirical evidence from the fully-electronic trading platform Xetra, Wirtschaftinformatik Proceedings 2011, Working Paper.


• Hendershott, Terrence, and Ryan Riordan, 2013, Algorithmic trading and the market for liquidity, Journal of Financial and Quantitative Analysis 48, 1001-1024.


• Kirilenko, Andrei, Albert S. Kyle, Mehrdad Samadi, and Tugkan Tuzun, 2017, The flash crash: The impact of high frequency trading on an electronic market, Journal of Finance 72, 967-98.


• Lyle, Matthew R. and James P. Naughton, How Does Algorithmic Trading Improve Market Quality? (October 10, 2015). Available at SSRN: https://ssrn.com/abstract=2587730 or http://dx.doi.org/10.2139/ssrn.2587730.


• Riordan, R., Storkenmaier, A., 2012. Latency, liquidity and price discovery. Journal of Financial Markets 15, 416-437.


• Terrence J. and Riordan, Ryan,(2016) Algorithmic Trading and the Market for Liquidity (April 11, 2012). Journal of Financial and Quantitative Analysis (JFQA), Forthcoming. Available at SSRN: https://ssrn.com/abstract=2001912 or http://dx.doi.org/10.2139/ssrn.2001912


• Upson, James, and Robert A. Van Ness, 2017, Multiple markets, algorithmic trading, and market liquidity, Journal of Financial Markets 32, 49-68.


• Yogesh Chauhan. Satish Kumar, Rajesh Pathak (2017) Stock liquidity and stock prices crash-risk: Evidence from India. North American Journal of Economics and Finance 41 70–81.


• Yokosh, Y., Kumar, S., & Pathak, R. (2017). Stock liquidity and stock prices crash-risk: Evidence from India. The North American Journal of Economics and Finance, 41, 70–81.