حرکت داخلی بازار با اقدامات جدید برای هزینه معاملات: شواهدی از شاخص KOSPI

شواهد موجود در بازار حرکت داخلی (MIM) در ایالات متحده و در برخی از اقتصادهای مهم ، اما نه همه ، ثبت شده است. نتایج اصلی در مورد MIM به طور گسترده ای در برابر هزینه های معامله قوی است ، که با گسترش یا گسترش مؤثر اندازه گیری می شوند. با استفاده از دو اقدامات گسترده جدید به دست آمده از قیمت های بالا و پایین ، ما نشان می دهیم که این اقدامات هزینه معامله نسبت به پایان یک روز تجارت کوچکتر می شود ، بنابراین MIM را در بیش از 10 سال از 30 دقیقه شاخص KOSPI ایجاد می کند. ما همچنین سودآوری جامد چنین استراتژی های معاملاتی مبتنی بر MIM را گزارش می کنیم.

1. معرفی

Market Momentum برای اولین بار توسط جگادیش و تیتمن (1993) ثبت شد ، که نشان داد خرید سهام که ارزش خود را افزایش داده اند و فروش کسانی که ارزش خود را از دست داده اند ، بازده قابل توجهی و مثبتی را در طی 3 تا 12 ماه آینده ایجاد می کنند. اخیراً ، Moskowitz و همکاران.(2011) دریافت که بازده از 12 ماه گذشته می تواند بازده آینده را پیش بینی کند. گائو و همکاران.(2018) اولین کسی بود که حرکت را در یک سطح داخلی شناسایی کرد - 30 دقیقه اول بازده می تواند در بازده 30 دقیقه گذشته در یک روز معاملاتی قدرت پیش بینی کننده داشته باشد.

بسیاری از مطالعات بعدی سپس وجود حرکت داخلی بازار (MIM) را برای اقتصادهای مختلف مانند ژانگ و همکاران آزمایش کردند.(2019) برای بازار سهام چین ، لی و همکاران.(2021) برای 16 بازار توسعه یافته و هو و همکاران.(2021) برای بازار استرالیا. در حالی که نتایج اصلی در MIM در گائو و همکاران.(2018) در برابر بسیاری از عوامل برای بازار ایالات متحده قوی بود ، مطالعات بعدی نتیجه گیری مداوم را ارائه نداد. هو و همکاران.(2021) MIM را در بازار سهام استرالیا پیدا نکرد ، که می تواند به دلیل حجم معاملات نسبتاً کوچکتر در مقایسه با بازار ایالات متحده باشد. لی و همکاران.(2021) مشخص کرد که 12 از 16 بازار توسعه یافته MIM را نشان می دهد. ژانگ و همکاران.(2019) نشان داد که برای بازار چین ، بازده 30 دقیقه پیش فرض قدرت پیش بینی بالاتری نسبت به اولین دارد. مطالعات دیگر در مورد MIM شامل Elaut و همکاران است.(2018) برای بازار FX ، Wen et al.(2021) برای بازار آینده نفت خام و ون و همکاران.(2022) برای حرکت داخلی و معکوس در قیمت بیت کوین.

مطالعات فوق همچنین از نظر نحوه هزینه های تجارت در ایجاد MIM متفاوت است. گائو و همکاران.(2018) از گسترش نقل شده از داده های TAQ استفاده کرد و سود کمتری اما هنوز هم مثبت از استراتژی های معاملاتی خود داشت. لی و همکاران.(2021) ، از طرف دیگر ، گسترش مؤثر مبتنی بر دامنه کوروین و شولتز (2012) را تخمین زده و نشان داد که تأثیر MIM در بازارهایی با گسترش بزرگتر (نقدینگی پایین) قوی تر است. در هوی و همکاران هیچ توجه صریح در مورد هزینه های معاملات وجود ندارد.(2021) ، ژانگ و همکاران.(2019) و ون و همکاران.(2021). Elaut و همکاران.(2018) فقط در پاورقی ذکر کرد که هزینه های معامله برای استراتژی مبتنی بر MIM و معیار آنها مشابه خواهد بود.

در این مطالعه ، ما با شناسایی MIM در شاخص نقطه KOSPI کره جنوبی به ادبیات کمک می کنیم و نشان می دهیم که برای هزینه معامله قوی است. هزینه معاملات یک عامل مهم در تعیین ارزش اقتصادی MIM است ، اما بسیاری از مقالات فوق الذکر سود- هزینه هزینه معاملات- را از استراتژی های مبتنی بر MIM خود در نظر نمی گیرند. ما از دو اقدامات گسترده موثر جدید به عنوان پروکسی برای هزینه معامله استفاده می کنیم که از قیمت های بالا و پایین محاسبه می شود و نشان می دهد که پس از حساب این هزینه ها ، سودآوری استراتژی های مبتنی بر MIM دست نخورده باقی می ماند.

به طور خاص ، مانند گائو و همکاران.(2018) ، ما وجود MIM در شاخص KOSPI را تأیید می کنیم ، که به تجزیه و تحلیل حساسیت در متغیرهای کلیدی بازار مانند نقدینگی ، حجم و نوسانات قوی است. علاوه بر این ، هنگامی که مبلغ یک شبه و 30 دقیقه اول بازگشت با صفر متفاوت است ، می توانیم از یک شبه و 30 دقیقه دوم بازگشت برای پیش بینی بازگشت 30 دقیقه آخر روز معاملاتی استفاده کنیم. از طرف دیگر ، اگر این مبلغ نزدیک به صفر باشد ، 30 دقیقه آخرین بازگشت را می توان با 30 دقیقه پیش فرض پیش بینی کرد. این یافته در مورد قدرت پیش بینی کننده بازگشت 30 دقیقه دوم KOSPI با نتایج حاصل از الگوی j در لی و همکاران سازگار است.(2017).

برخلاف گائو و همکاران.(2018) یا لی و همکاران.(2021) ، با این حال ، ما به طور مستقیم به الگوی داخلی گسترش های مؤثر تخمین زده شده با استفاده از روش های مبتنی بر دامنه در کوروین و شولتز (2012) و لی و همکاران نگاه می کنیم.(2018). ما می دانیم که ، مطابق با پیش بینی مدل Glosten و Milgrom (1985) ، مقادیر گسترش تخمین زده شده نسبت به پایان یک روز معاملاتی کوچکتر می شوند. از این رو ، یک استراتژی معاملاتی مبتنی بر MIM هنوز هم می تواند سودآور باشد زیرا هزینه های معاملاتی آن با گسترش مؤثر اندازه گیری می شود که به طور کلی نسبت به پایان ساعات تجارت کوچکتر می شود. این نتیجه در دو روش در نظر گرفته شده و همچنین در فرکانس های مختلف نمونه گیری قوی است.

مقاله بصورت زیر مرتب شده است. بخش 2 داده ها و روش های تحقیق ما را شرح می دهد. بخش 3 نتایج اصلی ما را ارائه می دهد ، و بخش 4 یک بررسی استحکام و بحث در مورد رویکرد ما در رابطه با مباحث مشابه در مورد حرکت داخلی را ارائه می دهد. بخش 5 نتیجه می گیرد.

2. داده ها و روش های تحقیق

2. 1داده ها و آمار خلاصه

داده های ما شامل 1 دقیقه مقادیر شاخص و حجم معاملات از شاخص KOSPI بورس کره (KSE) در 2 ژانویه 2004 و 30 ژوئن 2016 است. KSE ساعت 09:00 بامداد باز می شود و ساعت 15:00 بعد از ظهر بسته می شود.(به وقت محلی) ، با اولین قیمت موجود در ساعت 09:01:00. پس از حذف برخی از روزهای معاملات ناقص ، ما با 3087 روز معاملاتی یا 11111،320 مشاهده 1 دقیقه باقی مانده بود. بازگشت 30 دقیقه به این صورت داده می شود:

با P T ، 0 قیمت باز در روز t. ما همچنین یک محدوده طول بالا به مدت 30 دقیقه ، ساعت ، دو ساعته و نیم روز از مقادیر 1 دقیقه به عنوان:

جایی که H T ، J و L T ، J به ترتیب بالاترین و کمترین سطح شاخص 1 دقیقه برای فاصله J-th در روز t هستند. تعداد فواصل در روز M برای چهار فرکانس در نظر گرفته شده 12 ، 6 ، 3 و 2 است.

در جدول 1 آمار خلاصه 30 دقیقه بازده و بازگشت یک شبه گزارش شده است. ما بازده شبانه را تفاوت ورود به سیستم بین قیمت افتتاح امروز و قیمت بسته شدن دیروز تعریف می کنیم. 30 دقیقه اول بازگشت R T ، 1 دارای کمترین میانگین و حداقل ارزش است ، اما بیشترین انحراف استاندارد را دارد. 30 دقیقه آخرین بازگشت R T ، 12 دارای بالاترین میانگین و حداکثر مقدار است. تمام 30 دقیقه بازده بسیار غیر گاوسی است و جالب اینکه مقادیر کورتوز در بعد از ظهر به طور قابل توجهی بالاتر از مقدار صبح است.

برای انجام تجزیه و تحلیل حساسیت در مورد MIM ، ما به سه اقدامات در مورد وضعیت بازار - میزان قابلیت ، نقدینگی و حجم معاملات - برای 30 دقیقه اول یک روز معاملاتی نگاه کردیم. ما واریانس تحقق یافته (RV) را به مدت 30 دقیقه از 1 دقیقه بازده محاسبه کردیم:

جایی که r t ، i ، k 2 مربع است 1 دقیقه از فاصله 30 دقیقه در روز t باز می گردد. برای اندازه گیری نقدینگی ، ما از اندازه گیری نابودی Amihud (2002) استفاده کردیم:

با V T ، من حجم معاملات. در جدول 2 آمار خلاصه RV ، اندازه گیری نقص و حجم معاملات Amihud و حجم معاملات در هنگام طبقه بندی آنها به گروه های زیاد ، متوسط و پایین گزارش شده است. متوسط نوسانات بالاترین گروه تقریباً نه برابر بیشتر از کمترین گروه بود. تفاوت بین بالاترین و کمترین اقدامات Amihud نزدیک به 10 برابر بود. حجم بالاترین گروه به طور متوسط 2. 3 برابر بیشتر از کمترین گروه بود. بنابراین ما MIM را توسط زیر گروه های مختلف در نوسانات ، نقدینگی و حجم از فاصله 30 دقیقه اول مورد تجزیه و تحلیل قرار دادیم.

در جدول 3 آمار خلاصه دامنه قیمت ورود به سیستم از فواصل مختلف گزارش شده است. همانطور که انتظار می رود ، با افزایش فرکانس نمونه برداری ، میانگین و انحراف استاندارد دامنه کاهش می یابد. مقادیر پوستی و کورتوز نشان می دهد که توزیع دامنه بسیار غیر گاوسی است. نکته قابل توجه ، مقادیر عملکرد همبستگی (ACF) دامنه در تاخیر 1 در حدود 0. 60 در فرکانس ها بسیار معنی دار بود.

2. 2روش های پژوهش

در روش تحقیق ما دو مرحله وجود دارد. در مرحله اول ، ما با پیروی از گائو و همکاران ، MIM را ایجاد کردیم.(2018) و رگرسیون خطی معمولی با R T ، 12 به عنوان متغیر وابسته تخمین زده می شود. با این حال ، برخلاف گائو و همکاران.(2018) ، ما به طور جداگانه R ، O V N ، R T ، 1 ، R T ، 2 و R T ، 11 را به عنوان متغیرهای مستقل داشتیم:

جایی که نوآوری ε t دارای e [ε t] = 0 ، var (ε t) = σ ε 2 است و از نظر سریالی بی ارتباط است. این مدل در (5) مدل پایه برای برآورد MIM بود. ما سپس به نتایج رگرسیون برای زیر گروه های مختلف طبقه بندی شده به عنوان RV بالا ، متوسط و پایین ، نقص amihud و حجم معاملات نگاه کردیم. علاوه بر این ، ما یک استراتژی معاملاتی را بر اساس نتایج MIM ساختیم و سودآوری آن را ارزیابی کردیم.

در مرحله دوم ، ما هزینه های معاملاتی را که در یک استراتژی مبتنی بر MIM انجام شده است تخمین زده ایم و اندازه گیری گسترده مبتنی بر دامنه داده شده توسط کوروین و شولتز (2012) ، از این پس CS ، و برآوردگر اصلی LI (BHL) را محاسبه کردیم. و همکاران(2018). برآوردگر CS فرض می کند که بالاترین قیمت با سفارش خرید و کمترین قیمت از سفارش فروش داده می شود. قیمت های بالای و پایین مشاهده شده برابر با قیمت های واقعی تنظیم شده توسط نیمی از گسترش است:

در جایی که H T O و H T به ترتیب بالاترین قیمت های مشاهده شده و واقعی را نشان می دهد. توجه داشته باشید که قسمت Lefthand (6) توسط مربع دامنه در تعریف ما (2) داده شده است. CS از پارکینسون (1980) پیروی می کند و فرض می کند که قیمت معامله شده از یک حرکت هندسی بدون رانش است. مشاهده کلیدی آنها این است که در حالی که مؤلفه واریانس دامنه متناسب با طول بازه زمانی است ، اما مؤلفه پخش نیست. بنابراین ، Cs رابطه را در (6) در یک دوره دو فاصله در نظر می گیرد و با دو معادله ، دو نوسانات ناشناخته و گسترش را می توان حل کرد. در نتیجه ، محلول تحلیلی CS از گسترش برای یک دوره دو فاصله (J ، J + 1) در روز T است:

برآوردگر CS به رابطه درجه دوم در (6) نگاه می کند. از طرف دیگر ، برآوردگر BHL لی و همکاران.(2018) همان فرضیات را در CS و همچنین نتایج نظری در پارکینسون (1980) انجام می دهد ، اما در عوض به عنوان یک عملکرد خطی از قیمت های بالا و پایین گسترش می یابد:

S T ، (J ، J + 1) B H L = 1 2 - 1 E [2 Ln (H T ، J O L T ، J O) - Ln (H T ، (J ، J + 1) O L T ، (J ،j + 1) o)] ،

برآوردگرهای گسترش CS و BHL در ابتدا به داده های روزانه و دو روزه اعمال می شدند. این فرض که واریانس بیش از یک بازه دو روزه دو برابر است برای یک روز ممکن است به دلیل مثلاً بازگشت بزرگ یک شبه ، نگه ندارد. مقادیر گسترش تخمین زده شده بنابراین می تواند منفی باشد. با این حال ، هم کوروین و هم شولتز (2012) و لی و همکاران.(2018) پیشنهاد می کند که این مسئله را با تنظیم گسترش منفی به صفر دور بزنید. برای هدف ما ، ما دو روش را در فواصل داخل بدن اعمال کردیم و از این رو از وقوع گسترش منفی به دلیل بازده یک شبه جلوگیری کردیم.

3. نتایج

3. 1نتایج مربوط به رگرسیون تقلید

در جدول 4 ، ما نتایج رگرسیون را از معادله (5) گزارش می کنیم ، با رگرسیونرهای فردی در هر ستون و تمام پیش بینی کننده ها در ستون سمت راست. توجه داشته باشید که از این پس ما اشتراک را برای روز T در متغیرها رها می کنیم. ما دریافتیم که بازگشت یک شبه r o v n و r 11 می تواند قدرت پیش بینی کننده ای در R 12 داشته باشد ، اما R 1 نیست. در گائو و همکاران.(2018) ، آنها R 1 را با r o v n ترکیب می کنند ، زیرا معتقدند که مدتی طول می کشد تا اثر یک شبه به طور کامل توسط بازار هضم شود. ما همچنین این رگرسیون را با ترکیب R 1 و R o v n انجام دادیم ، اما نتیجه آن قابل توجه نبود و بنابراین ما آن را در اینجا گزارش نکردیم تا فضا را نجات دهیم. در نتیجه ، ما استنباط کردیم که بازگشت جداگانه یک شبه در پیش بینی R 12 برای داده های KOSPI ما اهمیت بیشتری دارد.

یافته دیگر در جدول 4 این است که ما می توانیم از R 2 برای پیش بینی R 12 با اثر مثبت مثبت استفاده کنیم. این نتیجه با لی و همکاران سازگار بود.(2017) ، که دریافت که برای شاخص KOSPI200 ، هنگامی که Intraday بازگشت ، الگوی J را به نمایش می گذارد ، MIM قوی تر خواهد بود. علاوه بر این ، رگرسیون های فردی در جدول 4 دارای مقادیر R 2 هستند که تقریباً به R 2 رگرسیون با همه پیش بینی کننده ها جمع می شوند. این نتیجه ، که مطابق با گائو و همکاران بود.(2018) ، نشان می دهد که رگرسیون های فردی نزدیک به رویدادهای مستقل و مکمل هستند.

برای بررسی بیشتر میزان MIM در شاخص KOSPI ، ما نمونه خود را با مبلغ یک شب و بازگشت 30 دقیقه اول طبقه بندی کردیم. اگر |r o v n + r 1 |<0.1 % , we considered there was not much information in the oveight period and vice versa. Table 5 and Table 6 report the regression results when | r o v n + r 1 | ≥ 0.1 % and when | r o v n + r 1 | <0.1 % . We find predictive power from r o v n and r 2 for the last 30 min retu in Table 5. On the other hand, when | r o v n + r 1 | <0.1 % in Table 6 we see r 12 can be predicted by r 11 with a higher R-squared value.

برای اینکه نتایج خود را در مورد MIM قوی تر کنیم ، رگرسیون (5) را برای سه گروه مختلف (بالا ، متوسط ، کم) نوسانات ، نقدینگی و حجم از 30 دقیقه اول در یک روز معاملاتی اجرا کردیم. جدول 7 نتایج تخمین را گزارش می کند. تحت طبقه بندی نوسانات ، دریافتیم که R O V N و R 2 می توانند R 12 را پیش بینی کنند که نوسانات زیاد باشد ، و R 11 می تواند R 12 را پیش بینی کند که نوسانات کم باشد. علاوه بر این ، ما مقادیر R 2 بالاتر را در زیر نوسانات زیاد و پایین نسبت به جدول 4 مشاهده کردیم. به طور خاص ، تخمین زده شده R 2 در جدول 4 به 2. 8740 ٪ افزایش یافته است که نوسانات زیاد بود.

هنگامی که نقدینگی در 30 دقیقه اول روز زیاد بود ، r o v n ، r 1 و r 11 می تواند r 12 را پیش بینی کند. هنگامی که نقدینگی کم بود ، فقط R 11 می تواند R 12 را پیش بینی کند اما با مقدار R 2 بزرگتر. این نتیجه دوباره با گائو و همکاران سازگار بود.(2018) ، که دریافت که MIM در هنگام کمبود نقدینگی ، برجسته تر است. از طرف دیگر ، هنگامی که 30 دقیقه اول حجم معاملات زیاد یا متوسط بود ، از نظر مقادیر R 2 تخمین زده می شود. این نتیجه با گائو و همکاران سازگار بود.(2018) و سان و همکاران.(2016). به طور خاص ، R2 مهمترین پیش بینی کننده برای R 12 بود که حجم نسبتاً بزرگ بود.

به طور کلی ، نتایج ما در جدول 7 یافته های موجود در مقالات قبلی را تأیید کرد. به عنوان مثال ، گائو و همکاران.(2018) دریافت که پیش بینی R 12 در هنگام نوسانات زیاد و/یا حجم زیاد بود. ژانگ و همکاران.(2019) همچنین در دوره هایی با نوسانات بالا و نقدینگی کم ، MIM برجسته تری در بازار چین پیدا کرد.

3. 2استراتژی های معاملاتی مبتنی بر MIM

برای ارزیابی اثربخشی MIM ، ما استراتژی های معاملاتی را ساختیم که از R O V N ، R 2 و R 11 به عنوان سیگنال در تجارت در فهرست 30 دقیقه آخر نقطه KOSPI استفاده می کنیم. به طور خاص ، عملکرد بازپرداخت η از افراد و سیگنال های مشترک عبارتند از:

In (10), if the individual signals r k>0 ، برای k = o v n ، 2 و 11 ، ما در ابتدای 30 دقیقه آخر یک روز معاملاتی و هنگامی که r k خواهیم خرید<0 we will sell. The position will be closed at the end of trading hours on day t . When the joint signals are used in (11), we will buy when the signals are all positive and sell when they are all negative.

ما نتایج استراتژی های معاملاتی مبتنی بر MIM را در جدول 8 ، از جمله آمار خلاصه بازده و نسبت شارپ گزارش می کنیم. در پانل A ، می بینیم که η (R O V N) بازده 5. 46 ٪ را با درصد برنده 54. 3 ٪ تحویل داده است. برای η (r 2) و η (R 11) ، بازده به ترتیب 3. 76 ٪ و 68 /68 ٪ بود. هنگامی که ما سیگنال مشترک ارائه شده توسط R O V N ، R 2 و R 11 را در نظر گرفتیم ، میانگین بازده به 16. 77 ٪ بسیار بالاتر رسید. این نتایج با یک استراتژی معیار مقایسه شد ، که در آن همیشه در ابتدای 30 دقیقه گذشته یک روز معاملاتی موقعیت طولانی را به دست آوردیم و آن را در نزدیکی بازار فروختیم. این استراتژی همیشه به مدت 12. 33 ٪ بازگردد و از استراتژی سیگنال مشترک ما η (R o v n ، r 2 ، r 11) بهتر عمل کرد.

ما می توانیم با جدا کردن موقعیت های طولانی و کوتاه ، عملکرد استراتژی های مبتنی بر MIM خود را بهبود بخشیم. به طور خاص ، ما دریافتیم که MIM برای یک موقعیت طولانی مناسب تر است و بنابراین در پیش بینی بازده مثبت بهتر عمل می کند. در پانل B ، جایی که ما استراتژی های فقط طولانی را انجام دادیم ، بازده از سیگنال های فردی اکنون شبیه به η (r o v n ، r 2 ، r 11) در پانل A و بالاتر از معیار بود. علاوه بر این ، استراتژی سیگنال مشترک با موقعیت های طولانی می تواند به بازده 27. 2 ٪ برسد. از طرف دیگر ، در پانل C ، نتایج نشان می دهد که MIM برای انجام موقعیت های کوتاه یا پیش بینی بازده منفی مناسب نیست. استراتژی های مبتنی بر سیگنال های فردی بازده منفی می دهد و سیگنال مشترک می تواند بازده کم 1. 33 ٪ را به همراه داشته باشد.

انحرافات استاندارد η (r k) و η (r o v n ، r 2 ، r 11) در پانل A به ترتیب: 0. 298 ٪ ، 0. 298 ٪ ، 0. 297 ٪ و 0. 344 ٪ ، که مشابه آن در سایر پانل ها بود. نسبت شارپ 0. 057 ، 0. 342 ، 0. 073 و 0. 167 بود. برای معیار 0. 144 بود. تمام استراتژی های موجود در پانل B از نظر نسبت شارپ ، با بالاترین نسبت شارپ 0. 291 که توسط استراتژی مشترک η (R o v n ، r 2 ، r 11) ارائه شده است ، از معیار فراتر رفته است.

به طور کلی ، نتایج ما در جدول 8 نشان می دهد که استراتژی های مبتنی بر MIM می توانند از یک معیار ساده ، به ویژه در پیش بینی بازده مثبت ، بهتر عمل کنند. استراتژی مشترک η (r o v n ، r 2 ، r 11) سودآوری با ریسک برتر را به دست آورد ، اما با یک وضعیت استرینگر-فقط می تواند در نمونه 772 و 482 روز اعمال شود.

3. 3توزیع داخلی گسترش موثر

برای تقویت بیشتر نتایج ما در مورد استراتژی های مبتنی بر MIM ، در این بخش هزینه های معامله را که در چنین استراتژی هایی متحمل می شود ، ارزیابی کردیم. به طور خاص ، هزینه های معامله با گسترش CS و BHL در (7) و (9) اندازه گیری شد. در جدول 9 آمار خلاصه از 3087 روز در نمونه ما در سه فرکانس مختلف محاسبه شده است. در جدول ، M = 2 ، 3 ، 6 مربوط به فواصل نیمه روزانه ، دو ساعته و ساعتی است. از این رو ، برای M = 2 ، ما تخمین های گسترش روزانه را بدست می آوریم ، اما برای M = 3 و 6 ، مقادیر گسترش برای دوره دو فاصله (J ، J + 1) است. پس از کوروین و شولتز (2012) ، مقادیر گسترش منفی را روی صفر قرار می دهیم.

یک الگوی واضح برای هر دو گسترش CS و BHL در جدول 9 پدیدار شد: میانگین و میانگین مقادیر تمایل به کاهش به فواصل بعدی در یک روز معاملاتی. به عنوان مثال ، میانگین مقادیر گسترش CS محاسبه شده از محدوده ساعتی از 0. 0013 به 0. 0009 کاهش یافته است ، در حالی که مقادیر BHL از 0. 0040 به 0. 0013 کاهش یافته است. انحرافات استاندارد الگوی مشابهی را نشان می دهد. بنابراین ، ما نشان دادیم که هزینه های معاملات اندازه گیری شده با گسترش ، نسبت به پایان ساعت معاملات اندک است. این یافته تجربی با مدل کلاسیک Glosten و Milgrom (1985) سازگار بود ، که پیش بینی می کرد که سازندگان بازار پس از انجام معاملات بیشتر در بازار ، گسترش های کوچکتر را نقل می کنند ، زیرا اطلاعات بیشتر از طریق فرآیند تجارت فاش شده است. همچنین به بررسی در Tsai و Tsai (2021) مراجعه کنید. همین مشاهدات تجربی نیز توسط بوچاد و همکاران یافت شد.(2018) ، که از داده های Tick-Y-Tick استفاده کرده و کاهش شکل "L" را از بازار باز برای بسته شدن ثبت کرده است.

به مدت 30 دقیقه فواصل ، ما طرح تخمین های متوسط را در شکل 1 ارائه می دهیم. این دو اقدامات گسترش یافته تا پایان یک روز معاملاتی با مقادیر حدود 0. 0005 (CS) و 0. 0010 (BHL) کاهش یافته است. نیمی از این مقادیر گسترش یافته پس از آن هزینه معاملات هنگام خرید و فروش در 30 دقیقه گذشته با استفاده از استراتژی مبتنی بر MIM ما بود. در مقایسه با سطح شاخص KOSPI ، که برای بیشتر دوره نمونه ما بالاتر از 1000 بود ، این هزینه های معامله اندک بود و سود از استراتژی های ما باید دست نخورده باقی بماند. نتایج کلی در جدول 9 و شکل 1 شواهدی ارائه می دهد که استراتژی های معاملات مبتنی بر MIM می توانند پس از حسابداری برای هزینه های معامله ، سود کسب کنند.

4- بررسی و بحث استحکام

4. 1استحکام بررسی

به خوبی شناخته شده است که حجم و نوسانات معاملات داخل کشور یک الگوی U شکل را به نمایش می گذارد (اندرسن و بولرزلف 1997 ؛ تیلور و Xu 1997). در این بخش ، ما ابتدا تأثیر الگوی نوسانات Intraday (IVP) را در بازده حذف کردیم و آزمایش کردیم که آیا این بازده های استاندارد هنوز MIM را نشان می دهد.

از آنجا که ما نتوانستیم دامنه دوره یک شبه را محاسبه کنیم ، ما فقط استاندارد سازی R 1 ¯ ، R 2 ¯ ، R 11 ¯ و R 12 را در نظر گرفتیم. ما رگرسیون را در (5) با استفاده از این R T ، I athing انجام دادیم و نتایج را در جدول 10 گزارش دادیم. مانند گذشته ، می بینیم که R 12 ¯ هنوز هم توسط R 2 ¯ و R 11 پیش بینی می شود. این نتیجه استحکام MIM را با توجه به IVP U شکل تأیید کرد.

4. 2بحث

در اینجا ما در مورد محدودیت رویکرد خود در زمینه آثار قبلی در مورد حرکت بحث می کنیم. از آنجا که روش ما مبتنی بر داده های سطح معامله مانند قیمت تجارت و حجم بود ، ما نمی توانیم مستقیماً رابطه بین حرکت داخلی و حرکت سنتی پیشنهاد شده توسط جگادش و تیتمن (1993) را تأیید کنیم. به طور خاص ، حرکت سنتی را می توان با رفتار سرمایه گذاران ، یعنی الگوهای معامله ای سرمایه گذاران نهادی یا تعصب روانشناختی سرمایه گذاران فردی القا کرد. یعنی ، حرکت سنتی می تواند به دلیل رفتار سرمایه گذاری سرمایه گذاران مانند واکنش بیش از حد به اطلاعات خصوصی باشد (دانیل و همکاران 1998 ؛ لولن 2002) و کمبود اطلاعات عمومی (باربریس و همکاران 1998 ؛ هنگ و استین 1999 ؛ چن و هنگ2002). بنابراین ، اگر داده های معامله با فرکانس بالا برای هر نوع سرمایه گذار در دسترس باشد ، این می تواند به تحقیقات آینده کمک کند تا منبع حرکت داخل بدن را کشف کند و علاوه بر این ، یک استراتژی سرمایه گذاری را بر اساس حرکت داخل بدن ایجاد کند.

با توجه به تأثیر بیماری همه گیر Covid-19 بر حرکت ، ما توجه می کنیم که سود از استراتژی های سرمایه گذاری حرکت سنتی به طور قابل توجهی تحت تأثیر تداوم عوامل مشترک و قرار گرفتن در معرض خطر آنها قرار گرفته است. علاوه بر این ، محدودیت حرکت منفی مشهور است (گروندی و مارتین 2001 ؛ دانیل و مسکوویتس 2016). از طرف دیگر ، به عنوان روشی که می تواند قرار گرفتن در معرض عوامل متداول در سرمایه گذاری حرکت را کاهش دهد ، حرکت احمقانه با استفاده از باقیمانده های متعامد به فاکتورهای مشترک که برای توضیح تغییرات در بازده سهام شناخته شده است ، به عنوان یک جایگزین معرفی شد (گوتیرز و پرینسکی 2007 ؛ Blitzو همکاران 2011). بر اساس این مطالعات ، ما انتظار داریم که تحقیقات آینده اثرات پایداری عوامل متداول و قرار گرفتن در معرض خطر آنها بر روی حرکت داخلی را مورد تجزیه و تحلیل قرار دهد.

5. نتیجه گیری ها

حرکت داخلی بازار در بیش از 10 سال از داده های شاخص KOSPI با نگاهی به پیش بینی بازده 30 دقیقه داخلی و بازده یک شبه در بازده 30 دقیقه گذشته یک روز معاملاتی یافت می شود. شواهدی که از طبقه بندی برای نوسانات ، نقدینگی و حجم ناشی می شود ، به طور کلی با مطالعات قبلی سازگار بود.

استراتژی های معاملاتی مبتنی بر MIM می تواند سودهای تنظیم شده ریسک را بالاتر از یک روش معیار ایجاد کند. علاوه بر این ، MIM برای پیش بینی بازده مثبت نسبت به موارد منفی مناسب تر است. استراتژی های مبتنی بر MIM همچنین در برابر هزینه های معامله قوی بود ، که با استفاده از دو اقدامات گسترش داخلی بر اساس بالاترین و کمترین قیمت تخمین زده شد. ما نشان دادیم که میانگین گسترش تخمین زده شده نسبت به پایان ساعات معاملات کوچکتر می شود و اندازه آنها در مقایسه با سطح قیمت شاخص KOSPI اندک است. بنابراین ما شواهد تجربی در مورد MIM در شاخص KOSPI ایجاد کردیم ، با یک روش جدید برای حسابداری برای هزینه های معامله.

یافته های ما همچنین بیانگر پیامدهای مهم نظارتی است. هنگامی که MIM وجود دارد ، برای سرمایه گذاران بسیار مهم است که بتوانند یک استراتژی زمانبندی بازار را بسازند و از آن سود کسب کنند. هزینه های معاملات به صورت یک گسترش بزرگ می تواند مانع این سودآوری شود. نتیجه ما که مقادیر گسترش یافته پس از چند ساعت تجارت ، کوچکتر می شوند نشان می دهد که صرافی ها باید زمان کافی برای تجارت را فراهم کنند. آنهایی که در حال حاضر ساعات معاملاتی کوتاه دارند ، مانند بورس اوراق بهادار تایوان (9:00 صب ح-1: 30 بعد از ظهر) ، ممکن است ساعت معاملات را تمدید کنند.

کمک های نویسنده

مفهوم سازی ، P.-C. T. ؛CURATION DATA ، C.-Y. L. ، Z.-Y. L. ، C. E. و P.-C. T. ؛تجزیه و تحلیل رسمی ، C.-Y. L. و Z.-Y. L. ؛تحقیقات ، C.-Y. L. و Z.-Y. L. ؛روش شناسی ، C.-Y. L. و P.-C. T. ؛مدیریت پروژه ، P.-C. T. ؛منابع ، C. E. و P.-C. T. ؛نظارت ، P.-C. T. ؛اعتبار سنجی ، P.-C. T. ؛نوشتن-پیش نویس Original ، C.-Y. L. و Z.-Y. L. ؛نوشتن-بررسی و ویرایش ، P.-C. T. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.