تجارت فرکانس بالا چگونه روی شاخص بازار تأثیر می گذارد

رابطه بین شاخص بازار و سهام تشکیل دهنده آن پیچیده است. در حالی که یک شاخص میانگین وزنی از سهام تشکیل دهنده آن است ، هنگامی که مقیاس زمانی مورد بررسی یک روز یا طولانی تر است ، مشخص شده است که این شاخص تأثیر قوی تری بر روی سهام نسبت به بالعکس دارد. ما بررسی می کنیم که چگونه این تعامل در مقیاس های کوتاه با استفاده از داده های فرکانس بالا تغییر می کند. با استفاده از یک رویکرد تجزیه و تحلیل مبتنی بر همبستگی ، می فهمیم که در مقیاس های کوتاه مدت سهام تأثیر بیشتری بر روی شاخص دارند. این یافته ها پیامدهایی برای تجارت با فرکانس بالا دارد و نشان می دهد که قیمت یک شاخص باید در مقیاس های زمانی کوتاه تر منتشر شود ، تا حد امکان به مقیاس زمان واقعی معامله نزدیک باشد.

معرفی

دانستن بازارهای مالی به عنوان سیستم های تطبیقی پیچیده 1،2،3،4،5 با توجه به واقعیت اقتصادی فعلی جهان بسیار مهم است. این رویکرد یک کلید مهم برای تجدید نظر در بسیاری از تئوری های اقتصادی ناکامی که تاکنون در نظر گرفته شده است ، بدیهی است. ویژگی برجسته سیستم های پیچیده نمایش آنها از پدیده های نوظهور 1،2 است. اخیراً پیشنهاد شده است که یک شاخص بازار این نقش را در یک بازار مالی 7،8،9،10،11 بازی می کند ، که یک حلقه بازخورد ویژه بین یک شاخص و سهام تشکیل دهنده آن 1 وجود دارد و یک شاخص بیشتر بر سهام تأثیر می گذارداز سهام بر شاخص تأثیر می گذارد. این چندین سوال مهم را ایجاد می کند. منبع پویایی بازار چیست؟آیا تغییر در شاخص در زمان T باعث تغییر در قیمت سهام در زمان t + 1 می شود؟آیا تغییر در سهام شاخص در زمان T باعث تغییر قابل توجهی در قیمت شاخص در زمان t + 1 می شود؟اگر چنین است ، آیا این تغییر در قیمت شاخص به نوبه خود باعث تغییر در سایر قیمت های سهام موجود در شاخص می شود؟

بسیاری از مطالعات نشان داده اند که در یک افق زمانی روزانه ، یک شاخص دارای یک نیروی محرکه است که اغلب از آن به عنوان "اثر اهرم" یاد می شود 7،8،9،11،12،13،14،15،16،17. اگرچه این اثر اهرم در داده های فرکانس کم و متوسط قابل مشاهده است ، اما وجود آن در مقیاس های زمانی کوچک هنوز مشخص نیست. به عنوان یک سیستم پیچیده ، پویایی سیستم های مالی در بسیاری از مقیاس های مختلف زمانی اتفاق می افتد و کشف ساختار و پویایی اساسی در این مقیاس های زمانی مختلف بسیار مهم است. برای درک کامل تر از رابطه بین شاخص بازار و مؤلفه های آن ، بررسی این رابطه در مقیاس های زمانی کوتاه تر بسیار مهم است. در سالهای اخیر استفاده از داده های مالی با فرکانس بالا به طور فزاینده ای محبوب 18،19،20،21،22،23،24،25،26،27 محبوب شده است.< Pan> بسیاری از مطالعات نشان داده اند که در یک افق زمانی روزانه ، یک شاخص دارای یک نیروی محرکه است که اغلب از آن به عنوان "اثر اهرم" یاد می شود 7،8،9،11،12،13،14،15،16،17. اگرچه این اثر اهرم در داده های فرکانس کم و متوسط قابل مشاهده است ، اما وجود آن در مقیاس های زمانی کوچک هنوز مشخص نیست. به عنوان یک سیستم پیچیده ، پویایی سیستم های مالی در بسیاری از مقیاس های مختلف زمانی اتفاق می افتد و کشف ساختار و پویایی اساسی در این مقیاس های زمانی مختلف بسیار مهم است. برای درک کامل تر از رابطه بین شاخص بازار و مؤلفه های آن ، بررسی این رابطه در مقیاس های زمانی کوتاه تر بسیار مهم است. در سالهای اخیر استفاده از داده های مالی با فرکانس بالا به طور فزاینده ای محبوب شده است 18،19،20،21،22،23،24،25،26،27. مطالعات نشان داده اند که در یک افق زمانی روزانه یک شاخص دارای نیروی محرکه است، که اغلب به عنوان "اثر اهرم" 7،8،9،11،12،13،14،15،16،17 گفته می شود. اگرچه این اثر اهرم در داده های فرکانس کم و متوسط قابل مشاهده است ، اما وجود آن در مقیاس های زمانی کوچک هنوز مشخص نیست. به عنوان یک سیستم پیچیده ، پویایی سیستم های مالی در بسیاری از مقیاس های مختلف زمانی اتفاق می افتد و کشف ساختار و پویایی اساسی در این مقیاس های زمانی مختلف بسیار مهم است. برای درک کامل تر از رابطه بین شاخص بازار و مؤلفه های آن ، بررسی این رابطه در مقیاس های زمانی کوتاه تر بسیار مهم است. در سالهای اخیر استفاده از داده های مالی با فرکانس بالا به طور فزاینده ای محبوب 18،19،20،21،22،23،24،25،26،27 محبوب شده است.

کمیسیون اوراق بهادار و بورس ایالات متحده (SEC) صرافی های الکترونیکی مجاز در سال 1998 و از آن زمان تجارت با فرکانس بالا (HFT) گسترده شده است. تا سال 2001 ، معاملات HFT چند ثانیه اجرا داشت. تا سال 2010 ، این به میلی ثانیه ، حتی میکرو ثانیه 28 کاهش یافته بود. برای مدت طولانی تجارت با فرکانس بالا یک پدیده کمی شناخته شده در خارج از بخش مالی بود ، اما مقاله ژوئیه 2009 در نیویورک تایمز نقش مهمی در جلب توجه وسیع تر 29 داشت. در اوایل دهه 2000 ، معاملات با فرکانس بالا کمتر از 10 ٪ از سفارشات سهام را به خود اختصاص داد ، اما این نسبت به سرعت رشد کرد. براساس داده های NYSE ، حجم معاملات با فرکانس بالا بین سالهای 2005 و 2009 با 164 ٪ پوند رشد کرده است. در سه ماهه اول سال 2009 ، دارایی های تحت مدیریت صندوق پرچین با استراتژی های معاملاتی با فرکانس بالا 141 میلیارد دلار ، 21 ٪ پوند کمتر از اوج قبل از رکود 30 2008 بود. استراتژی با فرکانس بالا برای اولین بار توسط Technologies Renaissance با موفقیت مورد استفاده قرار گرفت. بسیاری از شرکت های با فرکانس بالا سازنده بازار هستند و نقدینگی را به بازار ارائه می دهند که باعث کاهش نوسانات می شود ، به گسترش باریک پیشنهاد کمک می کند و تجارت و سرمایه گذاری ارزان تر برای سایر شرکت کنندگان در بازار ایجاد می کند. در ایالات متحده ، بنگاههای تجاری با فرکانس بالا 2 ٪ از حدود 20،000 بنگاه که امروزه فعالیت می کنند ، نشان می دهند ، اما 73 ٪ از حجم کلیه سفارشات سهام را تشکیل می دهند. بزرگترین بنگاه های تجاری با فرکانس بالا در ایالات متحده شامل نام هایی مانند Getco LLC ، گروه Knight Capital ، Jump Trading و Citadel LLC است. بانک مرکزی انگلیس درصد مشابهی را برای سهم بازار ایالات متحده در سال 2010 تخمین می زند ، همچنین نشان می دهد که HFT در اروپا حدود 40 ٪ از حجم سفارشات سهام و برای آسیا را حدود 5-10 ٪ ، با پتانسیل بالایی برای رشد سریع 28 به خود اختصاص می دهد. از نظر ارزش ، مشاوران گروه TABB تخمین زدند که HFT در سال 2010 56 ٪ از معاملات سهام در ایالات متحده و 38 ٪ در اروپا 31 را تشکیل می دهد. HFT اخیراً به عنوان یک عامل مهم در 6 مه 2010 "Flash Crash" 32،33 و در حادثه مربوط به Knight Capital 34 توصیف شده است.

معامله گران با دسترسی به اطلاعات با فرکانس بالا ، به روزرسانی های مربوط به تغییرات قیمت سهام را در فواصل سانتیکی ثانیه دریافت می کنند. این امر به آنها یک مزیت بسیار مهم در بازار می دهد ، با توجه به اینکه معامله گران خانگی معمولی معمولاً در مقیاس های زمان بسیار کندتر به روزرسانی می کنند. علاوه بر این ، در حالی که سهام در مقیاس زمانی سانتیکی دوم معامله می شود ، ارزش شاخص بازار در مقیاس زمانی چند ثانیه نمایش داده می شود-اختلاف زمانی که مزیت قابل توجهی را برای معامله گران با فرکانس بالا فراهم می کند. معامله گران با فرکانس بالا می توانند معاملات را در فواصل زمانی طولانی تر انجام دهند که در طی آن شاخص محاسبه می شود و بنابراین روی شاخص تأثیر می گذارد ، که به نوبه خود بر سایر سهام تأثیر می گذارد.

هدف ما بررسی رابطه بین شاخص بازار و قیمت سهام در مقیاس های زمانی است که کوتاه تر از فواصل به روزرسانی یک شاخص است. ما می خواهیم تعیین کنیم که آیا تغییر در یک شاخص بر سهام تأثیر می گذارد یا تغییرات در قیمت سهام بر یک شاخص تأثیر می گذارد. در رویکرد ما به این سؤال ، ما از داده های معاملاتی با فرکانس بالا از سهام تشکیل دهنده شاخص Tel-Aviv 25 (TA25) استفاده می کنیم و یک شاخص مصنوعی را می سازیم ، که در مقیاس های زمانی کوتاهتر از مقیاس زمانی 30 ثانیه ای از شاخص TA25 محاسبه می شود. بشرما سپس دو شاخص را مقایسه می کنیم و همبستگی های متقاطع آنها را بررسی می کنیم تا آزمایش کنیم که آیا تغییر قیمت سهام با تغییر شاخص بازار یا با خود سهام ارتباط دارد. علاوه بر این ، ما از تجزیه و تحلیل تأثیرگذاری ، ابزاری که اخیراً توسعه یافته است ، برای مطالعه کدام یک از این دو شاخص تأثیر قوی تری بر همبستگی قیمت سهام استفاده می کنیم.

نتایج

شاخص مصنوعی در مقابل شاخص بازار

ما با ساخت سری زمانی برای دو شاخص ، شاخص TA25 و شاخص مصنوعی ما شروع می کنیم. هر دو شاخص از 1025 روز با 1681 سوابق زمانی 15 ثانیه برای هر روز تشکیل شده است. شکل 1 همبستگی بین شاخص مصنوعی و شاخص بازار را نشان می دهد که برای هر روز محاسبه می شود. برای بررسی رابطه بین دو شاخص ، ما از تجزیه و تحلیل همبستگی متقابل استفاده می کنیم (روش ها را ببینید). ما ابتدا عملکرد همبستگی متقاطع نمونه (XCF) را به عنوان تابعی از تاخیر تعیین می کنیم. میانگین در تمام روزها در هر یک از سه گروه انجام می شود.

ما میانگین مقادیر XCF را با استفاده از تجزیه و تحلیل جعبه نقشه بررسی می کنیم. نمودار جعبه و ویسکر 35 به صورت گرافیکی گروههایی از داده های عددی را از طریق خلاصه پنج شماره خود نشان می دهد: کوچکترین مشاهده (حداقل نمونه) ، کوارتیل پایین (Q1) ، میانه (Q2) ، کوارتیل فوقانی (Q3) و بزرگترین مشاهده (حداکثر نمونه). یک طرح جعبه همچنین ممکن است نشان دهد که در صورت وجود ، چه مشاهداتی ممکن است در نظر گرفته شود. توطئه های جعبه تفاوت بین جمعیت را نشان می دهند بدون اینکه هیچ گونه فرضیه ای در مورد توزیع های آماری اساسی ایجاد کنند: آنها غیرپارامتری هستند. فاصله بین قسمت های مختلف جعبه به میزان پراکندگی (گسترش) و پوستی در داده ها کمک می کند و آنها را مشخص می کنند. در این بازنمایی ، خط عمودی پایین ترین حداقل نمونه نمونه را نشان می دهد و خط عمودی بالایی حداکثر نمونه را نشان می دهد. قسمت پایین جعبه نشانگر صدک 25 و بالای جعبه 75 صدک است که خط داخل جعبه نمایانگر صدک 50 است که میانه آن است. به این ترتیب امکان ارائه میانه و کل گسترش جمعیت نمونه امکان پذیر است.

با استفاده از بازنمایی جعبه نقشه در شکل 2 ، می فهمیم که مقادیر همبستگی برای LAG = +1 دارای یک میانه و STD برای هر سه گروه است که از آن برای LAG = −1 بزرگتر است. توجه داشته باشید که حداقل مقدار و بالای جعبه هر دو بسیار نزدیک به صفر هستند و بنابراین برای گروه متوسط و بالا (به ترتیب شکل 2B و شکل 2C) بیشتر مقادیر همبستگی نزدیک به صفر هستند. توجه داشته باشید که در گروه بالا مقادیر در محدوده صدک 25 تا 75 برای تاخیر = +1 از هزینه های تاخیر = −1 بزرگتر است. ما همچنین می بینیم که این مقادیر برای LAG = +3 نسبت به LAG = +2 بزرگتر است ، که باز هم نشان می دهد که اطلاعات بیشتری در شاخص مصنوعی نسبت به شاخص بازار وجود دارد. جدول I میانگین مقدار XCF محاسبه شده برای LAG = 1 ± برای سه گروه. ما می دانیم که توزیع مقادیر برای تاخیر بزرگتر از صفر بسیار گسترده تر از مقادیر تاخیر کوچکتر از صفر است (شکل 2 را ببینید). برای آزمایش این مشاهدات ، ما دامنه مقادیر را از نظر حداکثر مقدار منهای حداقل مقدار محاسبه می کنیم و نسبت بین دامنه برای تاخیر مربوطه بالاتر از صفر و زیر صفر را محاسبه می کنیم ، که به نسبت گسترش می دهد ،

ما ابتدا نسبت بین محدوده برای مقادیر LAG = −1 را محاسبه می کنیم و سپس این دامنه را با دامنه مقادیر LAG = +1 تقسیم می کنیم. جدول II مقادیر نسبت گسترش را نشان می دهد. دامنه مقادیر همبستگی برای تاخیر مثبت همیشه بزرگتر از مقادیر تاخیر منفی است. برای هر سه گروه ، ما مشاهده می کنیم که دامنه تاخیر مثبت 30 تا 80 درصد بزرگتر از تاخیر منفی است (ما این را می بینیم که به یک منهای مقادیر ارائه شده در جدول II می پردازیم).

To determine the correlation values for Lag = +1 for all days, we study the histogram of these 1025 values (corresponding to the 1025 days in the analysis). Figure 3 shows the histogram in which the y -axis is the percentage out of the whole for a given bin. We see that the distribution of values is asymmetric, with a long tail and higher probability for positive values. Figure 3B shows the commutative distribution function (CDF). We see that 90% of the correlation values for Lag = +1 are> 0 and 10% of the values (102 days) are> 0.4, a significantly high correlation value. We note that 1% of the total period (12 days) have correlation values> 0.7 and 0.7% (7 days) have correlation values>0. 8.

شاخص بازار در مقابل شاخص مصنوعی در سالهای مختلف

ما تجزیه و تحلیل فوق را بر اساس سال به سال تکرار می کنیم. 40 روز معاملاتی برای سال 2010 و 245 برای تمام سالهای دیگر وجود داشت. شکل 4 میانگین XCF را به عنوان تابعی از تاخیر محاسبه شده برای سالهای فردی نشان می دهد. ما می بینیم که میانگین XCF در تاخیر صفر برای هر سه گروه برای سالهای 2006-2008 بزرگتر بود. این در گروه های STD متوسط و بزرگ که در آن میانگین XCF در تاخیر صفر در سال 2006-2008 بیشتر از سال 2009 است ، مشهود است. توجه داشته باشید که برای گروه های STD متوسط و بزرگ ، میانگین XCF را در LAG = + +1 تقریباً دو برابر بیشتر از LAG = 1 در سال 2006-2008 بود ، اما این که آنها در سال 2009 تقریباً یکسان بودند. هر دو این یافته ها نشان می دهد که پویایی بازار در سال 2009 به شدت متفاوت بود. این احتمالاً نتیجه بوداز روند مثبت مثبت در بازار که از بحران مالی سال 2008 بهبود یافته است. توجه داشته باشید که میانگین مقادیر XCF در سال 2010 به طور قابل توجهی متفاوت است. در حالی که قابل قبول است که رابطه بین سهام و شاخص در سال 2010 به دلیل تغییر در شرایط کلان و خرد اقتصادی تغییر کرده است ، داده های مربوط به سال 2010 فقط 40 روز را شامل می شود. کمی برای نتیجه گیری واضح است.

جدول III میانگین XCF را برای LAG = +1 و LAG = - 1 برای هر سال نشان می دهد. همانطور که در جدول I اتفاق افتاد ، می بینیم که در رده مساوی گروه پایین مقادیر XCF متوسط بالاتری دارد.

سرانجام ، برای هر روز با نفوذ غیرزرو ، ما هر سهام را با توجه به تعداد سهام مورد تأثیر قرار می دهیم. سپس همه سهام را با توجه به رتبه آنها مرتب می کنیم. شکل 6 نتیجه این فرآیند رتبه بندی را نشان می دهد ، با X-axis که روزها را نشان می دهد و رتبه y-axis را نشان می دهد. رنگ هر سلول تعداد سهام را نشان می دهد. از آنجا که سهام موجود در تجزیه و تحلیل در طول زمان ثابت نیست ، همان تعداد (رنگ) می تواند در روزهای مختلف به سهام مختلف مراجعه کند ، اما این دو شاخص همیشه توسط دو سایه تیره قرمز نشان داده می شوند. توجه داشته باشید که تأثیرگذارترین روزها شاخص بازار است. برای تعداد کمی از روزها ، شاخص دیگر ، معمولاً شاخص مصنوعی ، دومین تأثیرگذار است. توجه داشته باشید که روزهای بسیار زیادی وجود دارد که در آن نه شاخص بازار و نه شاخص مصنوعی جزء دو سهام برتر با نفوذ هستند.

بحث

هدف ما در این تحقیق بررسی یک سؤال اساسی در پویایی اساسی بازارهای مالی است: آیا شاخص بازار سهام تشکیل دهنده خود را هدایت می کند یا برعکس؟مشخص شده است که در مقیاس زمانی روزانه ، یک شاخص تأثیر قوی تری بر سهام تشکیل دهنده خود نسبت به روش دیگر در حدود 1 دارد ، اما آیا این رابطه برای مقیاس زمانی کوتاه تر تغییر می کند؟طی یک دهه گذشته استفاده از معاملات پیشرفته با فرکانس بالا گسترده شده است. در اکثر بازارهای مالی مدرن سهام در مقیاس زمانی سانتی ثانیه (یا کوچکتر) معامله می شوند ، اما شاخص ها در مقیاس های طولانی تر ، معمولاً چند ثانیه منتشر می شوند. در دوره زمانی مورد بررسی در این کار ، شاخص پرچمدار بازار سهام Tel-Aviv (TA) ، TA25 ، هر 30 ثانیه منتشر شد. در طی این دوره 30 ثانیه ، معامله گران فرکانس بالا به طور بالقوه می توانند ارزش بعدی شاخص را پیش بینی کنند یا حتی تأثیر بگذارند-و بنابراین از مزیت قابل توجهی نسبت به سایر معامله گران برخوردار هستند.

هنگامی که از یک تاخیر از یک رکورد یک بار استفاده می کنیم ، می فهمیم که میانگین همبستگی بین شاخص مصنوعی و شاخص بازار در تمام روزهای معاملاتی محاسبه می شود ، بیشتر از زمانی است که از یک تاخیر از منهای یک بار استفاده می کنیم. اگر شاخص مصنوعی را اصلاح کنیم و شاخص بازار را با یک بار رکورد (15 ثانیه در اینجا) جابجا کنیم ، شاخص مصنوعی با ارزش شاخص بازار در زمان t + 1 ارتباط دارد. بنابراین وقتی t = 15 ثانیه ، سهام دارای یک استتأثیر بیشتر بر روی شاخص از بالعکس.

In order to determine the nature of the stock-index relationship, we have focused on the average correlation values for different lags and furthermore examine the distribution of the values. Figure 3 shows a histogram of the correlation values for all three groups for all 1025 days for a lag of plus one time record. Note that despite the relatively low average values, there are days when the correlation between the synthetic index and the market index is extremely high. Figure 3B shows the CDF of the values and we observe that there are days when the correlation at lag of plus one is extremely high, e.g., the 12 days when the correlation is>0. 7 ، نشان می دهد که روزهایی وجود دارد که تجارت فرکانس بالا سهام می تواند به شدت بر شاخص بازار تأثیر بگذارد.

هنگامی که هر یک از چهار سال را به طور جداگانه مطالعه می کنیم ، می فهمیم که نتایج هر سال از دوره 2006-2008 از نظر کیفی شبیه به نتایج موجود برای کل دوره است. در سال 2009 ، با این حال ، ما یک همبستگی قابل توجهی کوچکتر پیدا می کنیم. این می تواند نتیجه تجارت فرکانس بالا و سایر مکانیسم های تجاری پیشرفته پاسخ به بحران مالی در این دوره باشد ، اما این هنوز نامشخص است. یک عامل اضافه شده در این دوره هرج و مرج ، تحقیقات مختلف دولت در مورد چگونگی تأثیر تجارت با فرکانس بالا بر ثبات بازار ، به عنوان مثال ، تحقیقات SEC در ایالات متحده و کمیسیون اروپا در اتحادیه اروپا بود. همبستگی پایین مشاهده شده در سال 2009 همچنین ممکن است نتیجه عوامل کلان اقتصادی خارج از بازار تأثیرگذار بر پویایی قیمت سهام باشد ، مانند تأثیر رسانه های مختلف بر گسترش هر دو اطلاعات دقیق و نادرست.

در نتیجه ، این مقاله تجزیه و تحلیل فرکانس بالایی از رابطه بین یک شاخص و سهام تشکیل دهنده آن را ارائه می دهد. نتایج ما نشان می دهد که در مقیاس های کوتاه مدت تأثیر سهام از تأثیر شاخص قوی تر است. سهام موجود در بازار Tel-Aviv 25 (TA25) در مقیاس زمانی سانت ثانیه ای معامله می شود ، در حالی که این شاخص در مقیاس زمانی ثانیه منتشر می شود. بنابراین بازیکنان فرکانس بالا می توانند از این تفاوت در مقیاس های زمانی استفاده کنند و بازار را دستکاری کنند. یکی از راه های مقابله با این مسئله ، انتشار قیمت شاخص بیشتر ، به عنوان مثال ، هر ثانیه است. از طرف دیگر ، این مسئله را می توان با معرفی محدودیت های فرکانس معاملات (به عنوان مثال با استفاده از هزینه های معامله ، هزینه سفارش ، محدودیت تعداد سفارشات مجاز و غیره) برای انتشار این فهرست حل کرد. در آینده ما قصد داریم بررسی کنیم که چگونه مقیاس زمانی بسیار کوتاه بر روابط بین سهام و بین سهام و شاخص تأثیر می گذارد. در صورت کوتاه شدن زمان بین دو نشریه متوالی قیمت شاخص ، ممکن است رابطه بین سهام و شاخص تغییر کند. علاوه بر این ، ادامه طبیعی این کار تکرار تجزیه و تحلیل با استفاده از داده های کتاب سفارش است. نتایج ارائه شده در اینجا چراغ تجربی جدیدی را در مورد چگونگی وابستگی به شاخص بازار و سهام آن نسبت به مقیاس های زمان بسیار کوتاه و چگونگی تأثیر تجارت فرکانس بالا بر بازار نشان می دهد.

مواد و روش ها

داده ها

برای این مطالعه ، ما از داده های فرکانس بالا کلیه سهام متعلق به شاخص Te l-Aviv 25 (TA25) ، در دوره ژانویه 2006 - فوریه 2010 ، که از 1025 روز معاملاتی تشکیل شده است ، استفاده می کنیم. حضور دقیق و تأثیر تجارت فرکانس بالا (HFT) در اسرائیل با دقت توسط نهادهای نظارتی مختلف در اسرائیل مورد بررسی قرار می گیرد ، مشخص است که حداقل 6 شرکت اصلی HFT در اسرائیل فعالیت می کنند و درصد تجارت کلی دائماً در حال رشد است ،به صورت سال به سال

شاخص TA25 شاخص پرچمدار بورس اوراق بهادار Tel-Aviv (TASE) است و توسط 25 شرکت بزرگ در مدت زمان CAP بازار ساخته شده است. آرایش شاخص دو بار در سال ، در 15 ژوئن و دسامبر به روز می شود. محصولات اصلی شاخص در دسترس برای تجارت TA25 یادداشت های مبادله ای مبادله (ETN) است که یک امنیت بدهی ارشد ، ناامن و بدون اطلاع رسانی است که توسط یک بانک کاربری صادر شده است. مشابه سایر اوراق بهادار بدهی ، ETN تاریخ سررسید دارد و فقط با اعتبار صادرکننده حمایت می شود. ETN به گونه ای طراحی شده است که به سرمایه گذاران دسترسی به بازده معیارهای مختلف بازار دسترسی پیدا کند. بازده ETN معمولاً با عملکرد معیار یا استراتژی بازار ، هزینه های سرمایه گذار کمتری مرتبط است. هنگامی که یک سرمایه گذار ETN را خریداری می کند ، بانک تحت نویسندگی قول می دهد مبلغ منعکس شده در فهرست را بپردازد ، منهای هزینه پس از سررسید (برای اطلاعات بیشتر ، به 39 مراجعه کنید). تعداد TA25 ETN از یکی در سال 2006 به شانزده سال 2010 افزایش یافته است و درصد سهم بازار آنها به صورت سالانه در حال رشد است و تخمین زده می شود که در ابتدای سال 2010 در سطح 7 ٪ بوده است.

در این دوره ، 36 سهام مختلف متعلق به شاخص TA25 بود که ناشی از این واقعیت است که آرایش آن هر 6 ماه به روز می شود (در کل 8 بار برای دوره زمانی مورد بررسی). داده های مربوط به هر سهام شامل متغیرهای زیر است: تاریخ ، زمان معامله ، قیمت باز ، قیمت پایه ، قیمت نزدیک ، حجم در واحدها ، مرحله تجارت ، ارزش داخل روز ، قیمت پایه فهرست و قیمت باز فهرست. تعداد معاملات در روز بین سهام مختلف متفاوت است و از n متغیر است_ترانس ~100 برای سهام با نقدینگی کم ، به n_ترانس ~2500 برای سهام با نقدینگی بالا.

در این مطالعه از تاریخ ، زمان ، مرحله تجارت ، قیمت باز و ارزش بین روز استفاده می کنیم. ما کلیه معاملات انجام شده در مراحل معاملات قبل از ساعت (مرحله 2) و بعد از ساعت ها (مرحله 4) روز تجارت را حذف می کنیم و فقط آن دسته از معاملات را که در مرحله مداوم تجارت انجام می شود (مرحله 3) تجزیه و تحلیل می کنیم. شکل 7 نمونه ای از سری زمان قیمت را برای کلیه معاملات سهام شرکت اسرائیلی Teva ، برای دوره 2006 2010 ارائه می دهد.

شاخص مصنوعی و شاخص بازار

برای مطالعه رابطه بین شاخص بازار و سهام ، ما یک شاخص مصنوعی ایجاد می کنیم که در مقیاس زمانی کوتاه تر از شاخص بازار محاسبه می شود. از آنجا که شاخص بازار هر 30 ثانیه در طی دوره زمانی مورد بررسی محاسبه می شود ، ما تصمیم گرفتیم یک شاخص مصنوعی ایجاد کنیم که در یک بازه زمانی کوتاهتر از 30 ثانیه محاسبه شود. بنابراین ، ما تصمیم گرفتیم با یک بازه زمانی 15 ثانیه کار کنیم. ابتدا داده های خام را برای هر سهام پردازش کردیم ، به طوری که برای هر روز رکورد قیمت هر 15 ثانیه داریم. زمان روز مورد مطالعه از ساعت 10 صبح تا ساعت 17 بعد از ظهر (که مرحله تجارت مداوم است) بود. از ساعت 10:00 با شروع قیمت سهام معین هر 15 ثانیه ثبت کردیم. قیمت نزدیک به فاصله 15 دوم استفاده شد (به جای استفاده از آخرین قیمت در بازه زمانی ، می توان از میانگین قیمت ها در فاصله زمانی استفاده کرد ؛ با این حال ، این منجر به تغییر قابل توجهی در نتایج نمی شود). در صورت عدم تغییر قیمت در فاصله ، از قیمت ثبت شده قبلی استفاده می شد. این منجر به یک سری زمانی از 1681 رکورد ، برای هر سهام ، برای هر روز شد. در مرحله بعد ، ما با استفاده از تحول متداول ، داده های پردازش شده را از قیمت به بازگشت تبدیل کردیم

جایی که P_من(T) قیمت سهام I در زمان T و Δ T وضوح زمان نمونه برداری است. ما شاخص مصنوعی 15 ثانیه ای را با استفاده از بازده 15 ثانیه ای از هر سهام می سازیم. این کار با استفاده از لیست شرکت های متعلق به شاخص TA25 برای دوره مورد مطالعه انجام می شود (به اطلاعات تکمیلی ب مراجعه کنید). برای هر روز ، ما فقط سهام متعلق به شاخص TA25 را انتخاب می کنیم. سپس از اطلاعات مربوط به وزن آنها در شاخص استفاده می کنیم و از این وزنها برای ساخت شاخص مصنوعی استفاده می کنیم.

سرانجام ، ما داده ها را برای شاخص بازار برای وضوح 15 بار دوم پردازش می کنیم. از آنجا که تمبر زمان در داده ها با توجه به معاملات سهام تعیین شده است ، بین سهام مختلف با توجه به قیمت داخل فهرست ، ناسازگاری هایی وجود دارد. بنابراین ، پس از پردازش داده های سهام در فواصل زمانی 15 ثانیه ای ، ما از قیمت شاخص ثبت شده برای آن سهام داده شده برای سابقه زمانی خاص استفاده می کنیم. ما سپس به طور متوسط بیش از همه سهام متعلق به شاخص بازار هستیم. بنابراین ما یک شاخص رکورد 15 ثانیه ای از شاخص بازار 30 ثانیه ای می سازیم.

تجزیه و تحلیل همبستگی متقابل

ما یک تجزیه و تحلیل همبستگی متقابل بین شاخص مصنوعی و شاخص بازار به منظور مطالعه شباهت آنها انجام می دهیم ، و شاخص مصنوعی را با استفاده از تاخیر مختلف ثابت و کشویی می کنیم. همبستگی متقابل یک روش استاندارد در پردازش سیگنال برای برآورد میزان ارتباط دو سری است (به عنوان مثال 40،41،42،43،44،45،46،47 را ببینید). عملکرد همبستگی متقابل بین دو سری X و Y توسط 48 داده شده است

جایی که D تاخیر استفاده شده است. در این کار از مقادیر d = 1 d ، 2 ± ، 3 ± ، 4 ± ، 5 ± استفاده می کنیم. به عنوان مثال ، هنگامی که ما از LAG D = +1 برای مطالعه همبستگی متقابل بین شاخص مصنوعی و شاخص بازار استفاده می کنیم ، شاخص بازار با یک نقطه زمانی تغییر می یابد ، که مربوط به 15 ثانیه است. به این ترتیب ما مطالعه می کنیم که چگونه بازده شاخص مصنوعی با بازده شاخص بازار ارتباط دارد ، 15 ثانیه به جلو.

برای محاسبه همبستگی متقابل بین دو شاخص ، ما کل دوره (1025 روز در این مطالعه) را به سه گروه تقسیم می کنیم. ما روزها را بر اساس نوسانات شاخص مصنوعی (در این حالت انحراف استاندارد ، STD) گروه بندی می کنیم. ما ابتدا همه σ (i) را با توجه به ارزش آنها ، از کوچکترین تا بزرگترین سفارش می دهیم. ما بعدی این لیست سفارش داده شده را به سه گروه مساوی تقسیم می کنیم - سوم سوم گروه پایین ، سوم دوم گروه متوسط و سومین سوم گروه عالی هستند. تعداد روزها به طور مساوی بین سه گرو ه-341 روز در گروه پایین ، 342 روز در گروه متوسط و 342 روز در گروه عالی تقسیم می شود. ما میانگین XCF را به عنوان تابعی از تاخیر مطالعه می کنیم و بر مقادیر XCF برای تاخیر 1+ و 1 متمرکز می شویم. به عنوان مثال ، مقدار زیادی از XCF در LAG +1 ، به عنوان مثال ، هنگامی که شاخص مصنوعی ثابت نگه داشته می شود و شاخص بازار تغییر می کند ، به این معنی است که تغییر سهام در واقع بر روی شاخص تأثیر می گذارد ، اما یک مقدار قابل توجه بزرگ XCF استبا تأخیر در 1 - ، هنگام ثابت نگه داشتن شاخص مصنوعی و تغییر شاخص بازار ، به این معنی است که تغییر شاخص بازار بر تغییر قیمت سهام تأثیر می گذارد.

تغییر تاریخ

منابع

• Shapira ، Y. ، Kenett ، D. Y. & Ben-Jacob ، E. اثر منسجم در همبستگی بازار سهام. مجله فیزیکی اروپا B - مواد متراکم و سیستم های پیچیده 72 ، 657-669 (2009). ArticleCasadsGoogle Scholar
• Mauboussin ، M. بازنگری در بازده بازار: بازار سهام به عنوان یک سیستم تطبیقی پیچیده. مجله مالی شرکت های کاربردی 14 ، 47-55 (2002). Articlegoogle Scholar
• Hommes ، C. بازارهای مالی به عنوان سیستم های تکاملی تطبیقی غیرخطی. مالی کمی 1 ، 149-167 (2001). ArticleMathscinetGoogle Scholar
• Potters ، M. ، Cont ، R. & Bouchaud ، J. بازارهای مالی به عنوان سیستم های تطبیقی. EPL (نامه های یوروفیزیک) 41 ، 239 (2007). Articleadsgoogle Scholar
• Markose ، S. محاسبه و پیچیدگی تکاملی: بازارها به عنوان سیستم های تطبیقی پیچیده (CAS). مجله اقتصادی 115 ، F15 9-F192 (2005). Articlegoogle Scholar
• Helbing ، D. & Balietti ، S. چالش های اساسی و در دنیای واقعی در اقتصاد. علوم و فرهنگ 76 ، 1680262 (2010). گوگل دانشکده
• Kenett ، D. Y. ، Shapira ، Y. & Ben-Jacob ، E. RMT ارزیابی اطلاعات نهفته بازار تعبیه شده در سهام همبستگی های خام ، عادی و جزئی. مجله احتمال و آمار 2009 ، 249370 (2010). Scholar MathscinetGoogle
• Kenett ، D. Y. et al. تجزیه و تحلیل نیروی منسجم شاخص نشان می دهد که بازار ایالات متحده از سال 2002 مستعد سقوط سیستمیک شد. PLOS ONE 6 ، E19378 (2011). ArticleCasadsGoogle Scholar
• Kenett ، D. Y. ، Shapira ، Y. ، Gur-Gershgoren ، G. & Ben-Jacob ، E. شاخص تجزیه و تحلیل نیروی منسجم از بازار سهام ایالات متحده. مجله علوم و فناوری مهندسی 4 ، 218-223 (2012). Articlegoogle Scholar
• Kenett ، D. Y. ، Preis ، T. ، Gur-Gershgoren ، G. & Ben-Jacob ، E. اندازه گیری همبستگی متا در بازارهای مالی. Europhysics Letters 99 ، 38001 (2012). Articleadsgoogle Scholar
• Preis ، T. ، Kenett ، D. Y. ، Stanley ، H. E. ، Helbing ، D. & Ben-Jacob ، E. کمیت رفتار همبستگی سهام تحت استرس بازار. گزارش های علمی 2 ، 752 (2012). Articleadsgoogle Scholar
• Bouchaud ، J. ، Matacz ، A. & Potters ، M. تأثیر اهرم در بازارهای مالی: مدل نوسانات عقب مانده. نامه های بررسی فیزیکی 87 ، 228701 (2001). ArticleCasadsGoogle Scholar
• Bouchaud ، J. & Potters ، M. حقایق سبک تر بازارهای مالی: اثر اهرم و همبستگی های نزولی. Physica A: مکانیک آماری و کاربردهای آن 299 ، 60-70 (2001). Articleadsgoogle Scholar
• Borland ، L. & Hassid ، Y. وحشت بازار در مقیاس های مختلف. arxiv preprint arxiv: 1010. 4917 (2010).
• Balogh ، E. ، Simonsen ، I. ، Nagy ، B. & Neda ، Z. روند مداوم مداوم در بازارهای سهام. بررسی فیزیکی E 82 ، 066113 (2010). Articleadsgoogle Scholar
• Reigneron ، P. ، Allez ، R. & Bouchaud ، J. تجزیه و تحلیل رگرسیون اصلی و اثر اهرم شاخص. Physica A: مکانیک آماری و کاربردهای آن 390 ، 3026-3035 (2011). Articleadsgoogle Scholar
• Cizeau ، P. ، Potters ، M. & Bouchaud ، J. ساختار همبستگی بازده سهام شدید. مالی کمی 1 ، 217-222 (2001). Articlegoogle Scholar
• Plerou ، V. ، Gopikrishnan ، P. ، Gabaix ، X. & Stanley ، H. کمیت پاسخ قیمت سهام به نوسانات تقاضا. بررسی فیزیکی E 66 ، 027104 (2002). Articleadsgoogle Scholar
• Borghesi ، C. ، Marsili ، M. & Miccichè ، S. ظهور ساختار همبستگی متغیر افق در بازده مالی با تفریق حالت بازار. بررسی فیزیکی E 76 ، 026104 (2007). ArticleadsmathscinetGoogle Scholar
• Tumminello ، M. ، Di Matteo ، T. ، Aste ، T. & Mantegna ، R. شبکه های مبتنی بر همبستگی بازده سهام در افق های زمانی مختلف نمونه برداری شده است. ژورنال فیزیکی اروپا ماده و سیستم های پیچیده 55 ، 209-217 (2007). ArticleCasadSmathscinetGoogle Scholar
• Preis ، T. شبیه سازی ریزساختار بازارهای مالی. مجله فیزیک: کنفرانس سری 221 ، 012019 (2010). گوگل دانشکده
• Preis ، T. ، Paul ، W. & Schneider ، J. الگوهای نوسانات در بازده دارایی مالی با فرکانس بالا. EPL (نامه های یوروفیزیک) 82 ، 68005 (2008). Articleadsgoogle Scholar
• Preis ، T. ، Schneider ، J. J. & Stanley ، H. E. فرآیندهای تعویض در بازارهای مالی. مجموعه مقالات آکادمی ملی علوم ، U. S. A 108 ، 7674 (2011). ArticleCasadsGoogle Scholar
• Goodhart ، C. & O'Hara ، M. داده های فرکانس بالا در بازارهای مالی: مسائل و برنامه ها. مجله مالی تجربی 4 ، 73-114 (1997). Articlegoogle Scholar
• Gu ، G. ، Chen ، W. & Zhou ، W. توزیع تجربی بازده سهام چینی در بازه های مختلف میکروسکوپی. Physica A: مکانیک آماری و کاربردهای آن 387 ، 495-502 (2008). Articleadsgoogle Scholar
• جیانگ ، ز. ، چن ، دبلیو. و ژو ، دبلیو. Physica A: مکانیک آماری و کاربردهای آن 387 ، 5818-5825 (2008). Articleadsgoogle Scholar
• Feng ، L. ، Li ، B. ، Podobnik ، B. ، Preis ، T. & Stanley ، H. پیوند مدل های مبتنی بر عامل و مدل های تصادفی بازارهای مالی. مجموعه مقالات آکادمی ملی علوم 109 ، 8388-8393 (2012). ArticleCasadsGoogle Scholar
• Haldane ، A. صبر و امور مالی. اظهارات در مجمع تجاری آکسفورد چین ، پکن ، در http://www. bankofengland. co. uk/publications/speeches/2010/speech445. pdf (2010) موجود است.
• Duhigg ، C. بازرگانان سهام در میلی ثانیه در ثانیه هزینه های خود را می یابند. نیویورک تایمز 23 (2009).
• Rogow ، G. ظهور (بازار) ماشین آلات بازار. وال استریت ژورنال 19 (2009).
• Grant ، J. تجارت با فرکانس بالا: در برابر یک گروه باند. Financial Times ، موجود در http://www. ft.com/cms/0/b2373a36-b6c2-11df-b3dd-00144feabdc0.html (2010).
• Kirilenko ، A. ، Kyle ، A. ، Samadi ، M. & Tuzun ، T. Crash Flash: تأثیر تجارت فرکانس بالا در یک بازار الکترونیکی. نسخه خطی ، U از مریلند (2010).
• Lauricella ، T. چگونه یک الگوریتم معاملاتی ناخوشایند شد. The Wall Street Joual (2 اکتبر 2010) ، http://online. wsj.com (2010).
• Valetkevitch ، C. & Mikolajczak ، C. Error By Knight Capital از طریق بازار سهام. رویترز (آگوست ، 2012) ، http://www. reuters.com/ (2012).
• Tukey ، J. تجزیه و تحلیل داده های اکتشافی. Reading ، MA (1977).
• Kenett ، D. Y. et al. تسلط بر بستر بخش مالی که با تجزیه و تحلیل همبستگی جزئی از بازار سهام نشان داده شده است. PLOS ONE 5 ، E15032 (2010). ArticleCasadsGoogle Scholar
• Kenett ، D. Y. ، Preis ، T. ، Gur-Gershgoren ، G. & Ben-Jacob ، E. شبکه وابستگی و تأثیر گره: کاربرد در مطالعه بازارهای مالی. مجله بین المللی bifurcation و هرج و مرج 22 ، 1250181 (2012). Articleadsgoogle Scholar
• Kenett ، D. Y. ، Raddant ، M. ، Zatlavi ، L. ، Lux ، T. & Ben-Jacob ، E. همبستگی در دهکده مالی جهانی. مجله بین المللی کنفرانس فیزیک مدرن سری 16 ، 13-28 (2012). Articlegoogle Scholar
• Wright ، C. ، Diavatopoulos ، D. & Felton ، J. Exchange Traded Notes: مقدمه. مجله سرمایه گذاری 19 ، 27-37 (2010). Articlegoogle Scholar
• Muchnik ، L. ، Bunde ، A. & Havlin ، S. حافظه بلند مدت در بازده شدید سری زمانی مالی. Physica A: مکانیک آماری و کاربردهای آن 388 ، 4145-4150 (2009). Articleadsgoogle Scholar
• Yamasaki ، K. ، Muchnik ، L. ، Havlin ، S. ، Bunde ، A. & Stanley ، H. Scaling and Memory در فواصل بازده نوسانات در بازارهای مالی. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا 102 ، 9424 (2005). ArticleCasadsGoogle Scholar
• Arianos ، S. & Carbone ، A. همبستگی متقابل سری همبستگی دوربرد. مجله مکانیک آماری: تئوری و آزمایش 2009 ، P03037 (2009). Articlegoogle Scholar
• Carbone ، A. & Castelli ، G. خصوصیات مقیاس گذاری سیگنال های پر سر و صدا با برد طولانی: کاربرد در بازارهای مالی. در Proc. از SPIE VOL ، جلد. 5114 ، 407 (2003). گوگل دانشکده
• Carbone ، A. الگوریتم متوسط متحرک متحرک: یک بررسی مختصر. در: علوم و فناوری برای بشریت (TIC-STH) ، کنفرانس بین المللی IEEE تورنتو ، 691-696 (IEEE ، 2009).
• Xu ، L. و همکاران. کمیت سیگنال ها با همبستگی قدرت قانون: یک مطالعه مقایسه ای از تجزیه و تحلیل نوسان محروم و تکنیک های متوسط در حال حرکت. بررسی فیزیکی E 71 ، 051101 (2005). Articleadsgoogle Scholar
• Podobnik ، B. ، Horvatic ، D. ، Petersen ، A. & Stanley ، H. همبستگی بین تغییر حجم و تغییر قیمت. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا 106 ، 22079 22084 (2009). ArticleCasadsGoogle Scholar
• Podobnik ، B. & Stanley ، H. تجزیه و تحلیل همبستگی متقابل: یک روش جدید برای تجزیه و تحلیل دو سری زمانی غیر ایستگاه. نامه های بررسی فیزیکی 100 ، 84102 (2008). Articleadsgoogle Scholar
• چو ، ی. تجزیه و تحلیل آماری: با کاربردهای تجاری و اقتصادی (هولت ، راینهارت و وینستون نیویورک ، 1975).

سپاسگزاریها

ما می خواهیم از Yoash Shapira ، Idan Michaeli و Dustin Plotnick بخاطر کمک آنها تشکر کنیم. DYK و EBJ حمایت بخشی از بنیاد خانواده تابر و صندلی شیشه ای Maguy در فیزیک سیستم های پیچیده در دانشگاه تل آویو را تأیید می کنند. HES و DYK از حمایت دفتر تحقیقات نیروی دریایی (ONR ، Grant N00014-09-1-0380 ، Grant N00014-12-1- 0548) ، بنیاد Keck و NSF (Grant CMMI 1125290) برای پشتیبانی تشکر می کنند. این کار همچنین توسط فعالیت پروژه های تحقیقاتی پیشرفته اطلاعات (IARPA) از طریق وزارت مرکز تجارت داخلی (DOI/NBC) شماره قرارداد D12PC00285 پشتیبانی شد. دولت ایالات متحده مجاز به تولید مثل و توزیع چاپ مجدد برای اهداف دولتی با وجود هرگونه حاشیه نویسی کپی رایت در آن است. سلب مسئولیت: نظرات و نتیجه گیری های موجود در اینجا از نویسندگان است و نباید به عنوان لزوماً نمایانگر سیاست های رسمی یا تأییدیه ها ، یا بیان یا ضمنی از IARPA ، DOI/NBC یا دولت ایالات متحده باشد.

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. دانشکده فیزیک و نجوم ، دانشکده علوم دقیق ریموند و بورلی ساکلر ، دانشگاه تل آویو ، تل آویو ، 69978 ، اسرائیل درور Y. Kenett & Eshel Ben-Jacob
2. مرکز مطالعات پلیمر و گروه فیزیک ، دانشگاه بوستون ، بوستون ، MA ، 02215 ، ایالات متحده Dror Y. Kenett & H. Eugene Stanley
3. وزارت تحقیقات اقتصادی ، اداره اوراق بهادار اسرائیل ، اورشلیم ، 95464 ، اسرائیل گیتیت گور-گرگورن
4. دانشکده مدیریت بازرگانی ، کالج دانشگاهی Ono ، Kiryat Ono ، 55000 ، اسرائیل Gitit Gur-Gershgoren

1. Dror Y. Kenett