معاملات الگوریتمی، تلاطم روندی و سیکلی و بازده سهام: رویکرد فیلتر میان‌گذر و خودتوضیحی با وقفه‌های گسترده میان‌گروهی تلفیقی (PMG-ARDL)

الموضوعات : Financial Economics

الهه رضازاده ¹ , مهدی فتح آبادی ² , سیده عاطفه حسینی ³ , کاظم هارونکلایی ⁴

1 - دانشجوی دکتری مهندسی مالی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران. [e-mail]
2 - گروه اقتصاد، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران (نویسنده مسئول). [e-mail]
3 - گروه حسابداری، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران. [e-mail]
4 - گروه حسابداری، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران. [e-mail]

تاريخ الإرسال : 11 السبت , ذو الحجة, 1446 تاريخ التأكيد : 18 الثلاثاء , صفر, 1447 تاريخ الإصدار : 01 الخميس , جمادى الأولى, 1447

الکلمات المفتاحية: تلاطم روندی و سیکلی, بازده قیمت, ریسک, فیلتر میان‌گذر, خودتوضیحی با وقفه‌های گسترده میان‌گروهی تلفیقی. ,

ملخص المقالة :

در این مقاله آثار معاملات الگوریتمی، تلاطم‌های روندی و سیکلی بر بازده روزانه قیمت سهام در 15 نماد بورسی در دوره 20 اردیبهشت ماه 1399 تا 20 خرداد ماه 1403 ارزیابی گردید. ابتدا آزمون ریشه واحد انجام گرفت و برای 12 نمادی که در سطح ایستا بودند، مدل ARMA و برای 3 نماد دیگر مدل گام تصادفی برای انجام آزمون آرچ برآورد شدند که در تمامی آنها اثر آرچ وجود داشت. برای این 12 نماد مدل گارچ (1و1) و برای 3 نماد دیگر مدل گارچ هم‌انباشته(1و1) برآورد و سپس واریانس شرطی به­عنوان شاخص تلاطم استخراج گردید. در ادامه واریانس شرطی این 15 نماد به دو جزء روندی و سیکلی با استفاده از فیلتر میان‌گذر کریستیانو-فیتزجرالد(CF) تجزیه شد. درنهایت اثر معاملات الگوریتمی و تلاطم‌های کل، روندی و سیکلی بر بازده روزانه قیمت سهام 15 نماد بورسی در دوره 20 خرداد ماه 1401 تا 20 خرداد ماه 1403 در قالب مدل خودتوضیحی با وقفه‌های گسترده میان‌گروهی تلفیقی(PMG-ARDL)  برآورد شد. پیش از برآورد مدل، ابتدا آزمون وابستگی مقطعی انجام گرفت که مشخص شد وابستگی مقطعی وجود دارد و سپس آزمون ریشه واحد پسران(CIPS) انجام یافت که نتایج نشان داد متغیرها در سطح ایستا هستند. آزمون هم‌انباشتگی کائو نیز رابطه بلندمدت میان متغیرها را تایید کرد. بنابراین ابتدا مدل‌های بهینه مشخص و سپس برآورد شدند. نتایج نشان داد معاملات الگوریتمی در بلندمدت اثر منفی و غیرمعنادار و در کوتاه‌مدت اثر منفی و معنادار بر بازده قیمت دارد. همچنین تلاطم‌های کل و روندی اثر مثبت و معنادار بر بازده قیمت هم در مدل‌های بلندمدت و هم کوتاه‌مدت داشتند. در مقابل تلاطم‌های سیکلی در مدل بلندمدت اثر منفی و معنادار و در مدل کوتاه‌مدت اثر غیرمعنادار بر بازده قیمت داشت. می‌توان نتیجه گرفت با افزایش تلاطم‌های سیکلی و ماندگاری آنها، قیمت سهام کاهش می‌یابد.

المصادر:

- اسماعیل پورمقدم، هادی و شریف باقری، عماد(1403). بررسی سرریز‌های بازده و تلاطم میان صنایع منتخب بازار سهام ایران: رویکردهای TVP-VAR Extended Joint و DCC-GARCH. مدلسازی اقتصادی، 1(18)، 165-135.
- حاجیها، زهره، و صفری، فاطمه (1397). بررسی ارتباط ریسک سیستماتیک سهام وچولگی بازده سهام. مدیریت دارایی و تامین مالی، 6 (20) )، 10-1.
- دارابی، رویا (1399). توان توضیح دهندگی بازده های سهام بوسیله نوسانات نامتعارف (ریسک غیرسیستماتیک). تحقیقات حسابداری و حسابرسی (تحقیقات حسابداری)، 12(45 )، 170-147.
- دوالو، مریم و صدری نیا، مصطفی (1396). ریسک نامتقارن و بازده مورد انتظار. تحقیقات حسابداری و حسابرسی (تحقیقات حسابداری)، 9(36 )، 114-97.
- رجب بلوکات، محسن، باغانی، علی، نجفی مقدم، علی، صراف، فاطمه و نوراله‌زاده، نوروز (1402). تاثیر اندازه و شدت هم جهش‌ها‌ی قیمتی در پیش بینی تلاطم شاخص در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری، 14(53)، 410-389.
- عسکری حسن‌آبادی، سهیلا، مرادپور، سعید، رنجبر، محمدحسین و امیری، علی (1404). بررسی تاثیر عدم تعادل در سفارشات معاملات الگوریتمی بر نرخ بازده غیرعادی سهام در بازارهای متلاطم. دانش سرمایه‌گذاری، 14(55)، 158-119.
- مظفرنیا، مهدی، فلاح شمس لیالستانی، میرفیض و زمردیان، غلامرضا.(1400). وابستگی رژیمی و سرایت پذیری چرخه ای تلاطم نرخ ارز و قیمت سهام در ایران. پیشرفت های مالی و سرمایه گذاری، 2(4 )، 129-107.
- موسوی، سید سعید، صفوی، بیژن و زندی، فاطمه (1404). اثرات آستانه‌ای حاکمیت شرکتی بر بازده سهام بانک‌های بورسی با وجود ریسک و شوک‌های سیاست پولی. مدلسازی اقتصادی، 1(19)، 82-53 .
- نیکوسخن، معین و فدایی نژاد، محمداسماعیل (1397). بررسی اهمیت ریسک غیرسیستماتیک هر ورقه بهادار: نگاهی دیگر به ریسک غیرسیستماتیک و بازده. راهبرد مدیریت مالی، 6(20 )، 24-1.
- Acharya, V. V., & Pedersen, L. H. (2005). Asset pricing with liquidity risk. Journal of financial Economics, 77(2), 375-410.
- Aitken, M., Cumming, D., & Zhan, F. (2023). Algorithmic trading and market quality: International evidence of the impact of errors in colocation dates. Journal of Banking & Finance, 151, 106843.
- Amihud, Y., & Mendelson, H. (1986). Asset pricing and the bid-ask spread. Journal of financial Economics, 17(2), 223-249.
- Ang, A., & Bekaert, G. (2002). Short rate nonlinearities and regime switches. Journal of Economic Dynamics and Control, 26(7-8), 1243-1274.
- Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The review of economic studies, 58(2), 277-297.
- Askari Hassan Abadi, S., Moradpour, S., Ranjbar, M. H. & Amiri, A. (2025). Investigating the effect of imbalance in algorithmic trading orders on abnormal stock return rates in turbulent markets. Journal of Investment Knowledge, 14(55), 119-158. (in Persian) doi: 10.30495/jik.2025.23593
- Aven, T. (2016). Risk assessment and risk management: Review of recent advances on their foundation. European journal of operational research, 253(1), 1-13.
- Black, F. (1976). Studies of stock market volatility changes. Proceedings of the American Statistical Association, Business & Economic Statistics Section, 1976.
- Boehmer, E., Fong, K., & Wu, J. J. (2021). Algorithmic trading and market quality: International evidence. Journal of Financial and Quantitative Analysis, 56(8), 2659-2688.
- Boyer, B., Mitton, T., & Vorkink, K. (2010). Expected idiosyncratic skewness. The Review of Financial Studies, 23(1), 169-202.
- Brogaard, J. (2011). High frequency trading and volatility. SSRN eLibrary.
- Christie, A. A. (1982). The stochastic behavior of common stock variances: Value, leverage and interest rate effects. Journal of financial Economics, 10(4), 407-432.
- Christiano, L. J., & Fitzgerald, T. J. (2003). The band pass filter. International economic review, 44(2), 435-465.
- Chen, S. S. (2012). Revisiting the empirical linkages between stock returns and trading volume. Journal of Banking & Finance, 36(6), 1781-1788.
- Cheung, W. M., Chung, R., & Fung, S. (2015). The effects of stock liquidity on firm value and corporate governance: Endogeneity and the REIT experiment. Journal of corporate finance, 35, 211-231.
- Conrad, J., Dittmar, R. F., & Ghysels, E. (2013). Ex ante skewness and expected stock returns. The Journal of Finance, 68(1), 85-124.
- Darabi, R. (2020). Idiosyncratic volatility function in explanation of stock returns. Accounting and Auditing Research, 12(45), 147-170. (in Persian) doi: 10.22034/iaar.2020.107129
- Dash, R., & Dash, P. K. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques. The Journal of Finance and Data Science, 2(1), 42-57.
- Davallou, M. and Sadrinia, M. (2017). Asymmetric risk and expected return. Accounting and Auditing Research, 9(36), 97-114. (in Persian)
- Dickey, D. A., & Fthe uller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431.
- Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: journal of the Econometric Society, 1057-1072.
- Dolado, J. J., Jenkinson, T., & Sosvilla‐Rivero, S. (1990). Cointegration and unit roots. Journal of Economic Surveys, 4(3), 249-273.
- Edmans, A., Fang, V. W., & Zur, E. (2013). The effect of liquidity on governance. The Review of Financial Studies, 26(6), 1443-1482.
- Enders, W. (2008). Applied econometric time series. John Wiley & Sons.
- Esmaeilpour Moghadam, H., & Sharifbagheri, E.(2024). Investigating return and volatility spillovers among selected industries of the Iranian stock market: TVP-VAR Extended Joint and DCC-GARCH approaches. Economic Modeling, 1(18), 135-165.(in Persian)
- Fama, E. F., & MacBeth, J. D. (1973). Risk, return, and equilibrium: Empirical tests. Journal of Political Economy, 81(3), 607-636.
- Fang, V. W., Noe, T. H., & Tice, S. (2009). Stock market liquidity and firm value. Journal of financial Economics, 94(1), 150-169.
- Fu, F. (2009). Idiosyncratic risk and the cross-section of expected stock returns. Journal of financial Economics, 91(1), 24-37.
- Guo, H., Kassa, H., & Ferguson, M. F. (2014). On the relation between EGARCH idiosyncratic volatility and expected stock returns. Journal of Financial and Quantitative Analysis, 49(1), 271-296.
- Hajiha, Z. & Safari, F. (2018). The examination of relationship between stock systematic risk and skewness of returns. Journal of Asset Management and Financing, 6(1), 1-10. (in Persian) doi: 10.22108/amf.2017.21176
- Kirilenko, A., Kyle, A. S., Samadi, M., & Tuzun, T. (2017). The flash crash: High‐frequency trading in an electronic market. The Journal of Finance, 72(3), 967-998.
- Koegelenberg, D. J. C., & van Vuuren, J. H. (2024). A dynamic price jump exit and re-entry strategy for intraday trading algorithms based on market volatility. Expert Systems with Applications, 243, 122892.
- Maheu, J. M., & McCurdy, T. H. (2000). Identifying bull and bear markets in stock returns. Journal of Business & Economic Statistics, 18(1), 100-112.
- Merton, R. C. (1980). On estimating the expected return on the market: An exploratory investigation. Journal of Financial Economics, 8(4), 323-361.
- Merton, R. C. (1987). A simple model of capital market equilibrium with incomplete information. Journal of Finance, 42, 483-510.
- Mitton, T., & Vorkink, K. (2007). Equilibrium underdiversification and the preference for skewness. The Review of Financial Studies, 20(4), 1255-1288.
- Mousavi, S. S., Safavi, B. & Zandi, F. (2025). Threshold effects of corporate governance on stock returns of listed banks despite risk and monetary policy shocks. Economic Modeling, 1(19), 53-82. (in Persian)
- Mozafarnia, M., Fallahshams, M. & Zomorodian, G.(2021).Regime dependent effects and cyclical volatility spillover of exchange rate and stock prices in Iran. Advances in Finance and Investment, 4(2), 107-129. (in Persian)
- Nau, R. (2014). Forecasting with moving averages. Fuqua School of Business, Duke University, 1-3.
- Nikusokhan, M. & Fadaei Nejad, M. E. (2018). The Investigation of the importance of individual securities idiosyncratic risk: another look at idiosyncratic risk and expected returns. Financial Management Strategy, 6(1), 1-24. (in Persian) doi: 10.22051/jfm.2018.12991.1212
- Nilsson, R. and Gyomai, G. (2011). Cycle extraction: A comparison of the phase average trend method, the hodrick-prescott and Christiano-Fitzgerald filters. OECD Statistics working paper, (04), 4 - 8.
- O'Hara, M. (2003). Presidential address: Liquidity and price discovery. The Journal of Finance, 58(4), 1335-1354.
- O’hara, M. (2015). High frequency market microstructure. Journal of FinancialEeconomics, 116(2), 257-270.
- Park, S. G., Wei, K. C., & Zhang, L. (2020). The Fu (2009) positive relation between idiosyncratic volatility and expected returns is due to look-ahead bias. Critical Finance Review, Forthcoming.
- Pesaran, M. H., Shin, Y., & Smith, R. P. (1999). Pooled mean group estimation of dynamic heterogeneous panels. Journal of the American Statistical Association, 94(446), 621-634.
- Perron, P. (1989). The great crash, the oil price shock, and the unit root hypothesis. Econometrica, 57, 1361–1401.
- Perron, P. (1997). Further evidence on breaking trend functions in macroeconomic variables. Journal of Econometrics, 80(2), 355-385.
- Rajab boloukat, M., Baghani, A., Najafi Moghadam, A., Sarraf, F. & Noorolahzadeh, N. (2024). The effect of size and intensity of price cojumps on forecasting index volatility in Tehran stock exchange. Journal of Investment Knowledge, 14(53), 389-410. (in Persian) doi: 10.30495/jik.0621.23471
- Sadka, R. (2010). Liquidity risk and the cross-section of hedge-fund returns. Journal of Financial Economics, 98(1), 54-71.
- Schmidt-Kessen, M. J., Eenmaa, H., & Mitre, M. (2022). Machines that make and keep promises-Lessons for contract automation from algorithmic trading on financial markets. Computer Law & Security Review, 46, 105717.
- Scholtus, M., Van Dijk, D., & Frijns, B. (2014). Speed, algorithmic trading, and market quality around macroeconomic news announcements. Journal of Banking & Finance, 38, 89-105.
- Stambaugh, R. F., Yu, J., & Yuan, Y. (2015). Arbitrage asymmetry and the idiosyncratic volatility puzzle. The Journal of Finance, 70(5), 1903-1948.
- Vogelsang, T. J., & Perron, P. (1998). Additional tests for a unit root allowing for a break in the trend function at an unknown time. International Economic Review, 1073-1100.
- Zhang, F. (2010). High-frequency trading, stock volatility, and price discovery. Available at SSRN 1691679.
- Zhang, F., Zhang, Y., Xu, Y., & Chen, Y. (2024). Dynamic relationship between volume and volatility in the Chinese stock market: evidence from the MS-VAR model. Data Science and Management, 7(1), 17-24.
- Zhou, H., Kalev, P. S., & Frino, A. (2020). Algorithmic trading in turbulent markets. Pacific-Basin Finance Journal, 62, 101358.
- Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the great crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10, 251–270.