برآورد عمق بازار و بررسی رابطه آن با اخلال قیمت ها به روش حداکثر درست‌نمایی

محورهای موضوعی : دانش سرمایه‌گذاری

جلال سیف الدینی ¹ , فریدون رهنمای رودپشتی ² , هاشم نیکومرام ³

1 - دانشجوی دکترای مدیریت مالی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه مدیریت مالی، تهران، ایران
2 - استاد و عضو هیئت علمی دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه مدیریت مالی، تهران، ایران (نویسنده مسئول)
3 - استاد و عضو هیئت علمی دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه مدیریت مالی، تهران، ایران

تاریخ دریافت : 1396/01/24 تاریخ پذیرش : 1396/05/02 تاریخ انتشار : 1396/08/01

کلید واژه: اخلال ریزساختاری قیمت, عمق بازار, داده‌های پربسامد, حداکثر درست‌نمایی,

چکیده مقاله :

محتوای اطلاعاتی داده‌های پربسامد، آن‌ها را به ابزار اصلی در مطالعه ریزساختار بازار تبدیل کرده است. با این حال این داده‌ها حاوی اخلال نیز هستند که بر نتایج برآوردها از ویژگی‌های فرایند قیمت نظیر برآورد نوسانات قیمت اثر منفی می‌گذارد. در پژوهش پیش رو، با استفاده از روش حداکثر درست‌نمایی، اخلال ریزساختاری قیمت‌های سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران برآورد شده و از نوسانات واقعی داده‌های قیمتی پربسامد تفکیک شده است. پس از برآورد اخلال موجود در قیمت‌ها، رابطه بین سنجه‌های مبتنی بر معامله و مبتنی بر سفارش عمق بازار سهام با اخلال قیمت‌ها مورد بررسی قرار گرفته است. نتایج تحقیق نشان دهنده یک رابطه مستقیم بین اخلال ریزساختاری و عمق بازار است، با این تفسیر که افزایش عمق می‌تواند در نتیجه وجود معامله‌گران مبتنی بر اخلال در بازار باشد که در کنار افزایش عمق بازار، اخلال در قیمت‌ها را نیز افزایش می‌دهند. در بین سنجه‌های عمق، توازن بین حجم سفارشات خرید و سفارشات فروش بهتر از بقیه می‌تواند رابطه بین عمق و اخلال را نشان دهد.

چکیده انگلیسی:

The information content of high frequency data has made them the main instruments for studying market microstructure. However, the noise content of this data may negatively affect the results of studies on market microstructure. Using maximum likelihood methodology, we disentangle from high frequency observations on the transaction prices of a sample of Tehran Stock Exchange stocks a fundamental component and a microstructure noise component. We then relate these statistical measurements of market microstructure noise to different financial measures of their market depth. We find that stocks with higher market depth have higher noise measured from their high frequency returns. This is in accordance with Fischer Black’s hypothesis that the existence of noise traders and the noise, which can be caused by the activities of this group of traders, to be the vital condition of a liquid market. We also find that pre-trade depth measures are the most powerful depth measure in explaining the noise in the market.

منابع و مأخذ:

*       تقوی, م. (1388). توسعه مالی، سرمایه گذاری و رشد اقتصادی. مطالعات مالی, 2(2).

*       رهنمای رودپشتی, ف., پورزمانی, ز. و باطنی, ل. (1392). بررسی اثر نقدشوندگی بازار ثانویه بر قیمت عرضه اولیه در بورس اوراق بهادار تهران. فصلنامه علی-پژوهشی مدیریت دارایی و تامین مالی, 1(1), 63-74.

*       رهنمای رودپشتی, ف., تقوی, م. و شاهوردیانی, ش. (1392). تعمیق مالی و توسعه نظام مالی. فصلنامه علمی پژوهشی دانش مالی و تحلیل اوراق بهادار, 6(17), 15-28.

*       سوری, ع. (1394). اقتصادسنجی پیشرفته همراه با کاربرد Eviews 8 و Stata 12. فرهنگ‌شناسی.

*       مهرگان, ن. و اشرف زاده, س. (1392). اقتصاد سنجی پانل دیتا. دانشگاه تهران.

*       Abdullah, S., Sanusi, N., Kamil, N., & Abu Hasan, F. (2008). Strategies for Sustainable Economic Growth: The Role of Financial Depth. The Business Review, 10(1).

*       Ahn, H.-J., & Cheung, Y.-L. (1999). The intraday patterns of the spread and depth in a market without market makers: The Stock Exchange of Hong Kong. Pacific-Basin Finance Journal, 7(5), 539-556.

*       Aitken, M., & Comerton-Forde, C. (2003). How should liquidity be measured? Pacific-Basin Finance Journal, 11, 45-59.

*       Ait-Sahalia, Y., & Xiu, D. (2012). Likelihood-Based Volatility Estimators in the Presence of Market Microstructure Noise. In L. Bauwens, C. M. Hafner, & S. Laurent, Handbook of Volatility Models and Their Applications (p. 348). John Wiley & Sons.

*       Ait-Sahalia, Y., & Yu, J. (2009). High Frequency Market Microstructure Noise Estimates and Liquidity Measures. Annals of Applied Statistics, 3(1), 422-457.

*       Ait-Sahalia, Y., Mykland, P., & Zhang, L. (2005). How often to sample a continuous-time process in the presence of market microstructure noise. Review of Financial Studies, 18(2), 351-416.

*       Allen, F., & Gale, D. (2000). Comparing Financial Systems. MIT Press.

*       Amihud, Y. (2002). Illiquidity and stock returns: cross-section and time-series effects. Journal of financial markets, 5(1), 31-56.

*       Benos, A. V. (1998). Aggressiveness and survival of overconÞdent traders. Journal of Financial Markets, 1, pp. 353-383.

*       Black, F. (1971). Toward a Fully Automated Stock Exchange. Financial Analysts Journal, 27(4), 28-44.

*       Black, F. (1986). Noise. The Journal of Finance, 41(3), pp.529-543.

*       Brockman, P., & Chung, D. Y. (2002). Commonality in Liquidity: Evidence from an Order‐Driven Market Structure. Journal of Financial Research, 25(4), 521-539.

*       Cooper , K. S., Groth, J. C., & Avera, W. E. (1985). Liquidity, exchange listing, and common stock performance. Journal of Economics and Business, 37(1), 19-33.

*       Doman, M. (2010). Liquidity and market microstructure noise: evidence from the Pekao data. Dynamic Econometric Models, 10, 5-14.

*       Dufrénot, G., Jawadi, F., & Louhichi, W. (2014). Market Microstructure and Nonlinear Dynamics: Keeping Financial Crisis in Context. Springer.

*       Engle, R. F., & Lange, J. (2001). Predicting VNET: A model of the dynamics of market depth. Journal of financial markets, 4(2), 113-142.

*       Foran, J., & Hutchinson, M. C. (2015). Liquidity commonality and pricing in UK equities. Research in International Business and Finance, 34, 281-293.

*       Glen, J. (1994, November). An introduction to the microstructure of emerging markets. Discussion Paper (24), p. 4.

*      Hu, G. X., Pan, J., & Wang, J. (2013). Noise as Information for Illiquidity. The Journal of Finance, 68(6), pp. 2341–2382