این یک مقاله با دسترسی آزاد تحت مجوز CC BY (http://creativecommons. org/licenses/by/4. 0/) است.
داده های مرتبط
داده ها در صورت درخواست معقول در دسترس قرار خواهند گرفت.
چکیده
رفتار منطقی سرمایهگذار و اخباری که باعث تغییر قیمت میشود، فرض شده توسط فرضیه بازار کارآمد (EMH) نمیتواند بیشتر واریانسهای قیمت دارایی را توضیح دهد.,نیاز به یک نظریه جایگزین را نشان می دهد. تئوری مالی رفتاری (BFT) حامی آن است که قضاوت ها و تصمیمات اقتصادی در بازارها به دلیل سوگیری روانشناختی سیستماتیک و قابل پیش بینی اغلب غیرمنطقی هستند. با این حال، به دلیل عدم وجود رفتارهای سرمایه گذاری قابل اندازه گیری، طرفداران فرضیه بازار کارآمد استدلال می کنند که رفتار غیرمنطقی را نمی توان به طور قابل اعتماد شناسایی و پیش بینی کرد. در اینجا ما نشان میدهیم که رفتار قیمتگیرندگان که توسط تقاضای اضافی نرمال شده (NED) اندازهگیری میشود، قابل اندازهگیری است و نتایج بیشتر واریانسهای بازده روزانه SP500 را در طول هشت سال دادههای موجود توضیح میدهد، واریانسهای باقیمانده به دلیل رفتار قیمتسازان است.، تأثیری که توسط نظریه تعادل عمومی والراسی انتزاع شده است. تعاملات بین رفتارهای قیمتگذاران و قیمتگذاران نوسانات قیمت بازار را تحریک میکند. برای پیشبینی کوتاهمدت، نشان میدهیم که موقعیتهای موجودی بازارسازان شناسایی شده اغلب منجر به وارونگی بازارهای روزانه و روزانه میشود. برای پیشبینی بلندمدت، تحلیلهای بازخورد دادههای NED و SP500 سیگنالهایی از سقوط و فرآیندهای بازیابی در حال وقوع در بحرانهای بازار 2000، 2008 و 2020 را نشان میدهد.
واژگان کلیدی: مازاد تقاضای کل، پیشبینی جهتهای بازار، موجودی بازارساز، تعادل عمومی والراسی، حداکثرسازی مطلوبیت، رقابت کامل، تغییر قیمت بازار دارایی، فرضیه بازار کارآمد، نظریه مالی رفتاری، بحرانهای بازار مالی
1. مقدمه
دو محل اصلی اساس اقتصاد نئوکلاسیک (تالر ، 2015) را تعیین می کند: حداکثر حداکثر ابزار (Jevons ، 1871) برای اقتصاد خرد و نظریه تعادل عمومی والراس (والراس ، 1900) برای اقتصاد کلان. این ابزار یک معیار نظم رضایت ، لذت یا خوشبختی است (بنتام ، 1781). وضعیت ناآرام ایده در مورد حداکثر رساندن ابزار در دو دیدگاه مخالف در بین اقتصاددانان آشکار است ، که هر دو جایزه نوبل اقتصاد 1 را دریافت کرده اند. در یک انتها ، طرفداران فرضیه بازار کارآمد (FAMA ، 1970) معتقدند که حداکثر رساندن ابزار از طریق رفتارهای منطقی سرمایه گذاران بر اساس انتظارات در مورد ارزشهای ذاتی محقق می شود (فون نویمان و مورگنسترن ، 1944 ؛ فاما و فرانسوی ، 2004). اگرچه EMH در دهه 1970 بر امور مالی دانشگاهی مسلط شد ، اما یافته هایی مبنی بر اینکه نمی تواند بیشتر نوسانات را توضیح دهد (شیلر 2003) و واریانس قیمت دارایی بازارهای سهام (فرانسوی و رول ، 1986 ؛ رول ، 1988 ؛ کاتلر و همکاران ، 1989) نیاز به یک تئوری جایگزین را پیشنهاد کنید. در انتهای دیگر ، طرفداران نظریه امور مالی رفتار ادعا می کنند که تصمیمات غیر منطقی قابل پیش بینی (Ariely ، 2008) تحت تأثیر روانشناسی بازار نقش مهمی در بی ثباتی بازار ایجاد می کند و باعث حباب ها و بحران ها می شود (Tversky and Kahneman ، 1974 ؛ Akerlof and Shiller ، 2009). در دفاع از EMH ، FAMA استدلال كرد كه رفتارهای غیر منطقی نه از داده های بازار تاریخی شناسایی می شوند و نه قابل اعتماد پیش بینی می شوند (Fama ، 1998 ، 2014 ؛ Chicago Booth Review ، 2016). در واقع ، بدون اطلاعات در مورد رفتارهای سرمایه گذار ، برچسب زدن حرکات قیمت به عنوان عواقب رفتارهای منطقی یا غیر منطقی غیرممکن است ، چه رسد به پیش بینی حرکات آینده. تهیه چنین اطلاعاتی از نظر تئوری بسیار مهم است زیرا عملکرد کل تقاضای اضافی ، یک سنجش از رفتارهای بازار ، ممکن است اشکال دلخواه از فرض حداکثر رساندن ابزارهای فردی ، همانطور که توسط قضیه Sonnenschei n-Mante l-Debreu (SMD) اثبات شده است (Sonnenschein ، 1973a ؛مانتل ، 1974 ؛ دبورو ، 1974).
تئوری تعادل عمومی والراسی فرض میکند که تعادل بازار از طریق "دست زدن" برقرار میشود و پس از برهم خوردن دائماً دوباره برقرار میشود (Walras, 1900, p319). با این حال، شکستهای مکرر این نظریه در توضیح و پیشبینی بحرانهای بازار (طالب، 2007؛ درمن و ویلموت، 2009)، پرسشهای جدی در مورد اعتبار آن ایجاد کرد (آکرمن، 2002؛ لاووی، 2015). در مقابل، کینز (1936) ادعا کرد که رونق بازار و فروپاشی بعدی ناشی از آینده نگری نامطمئن در مورد آینده است. آکرلوف (1970) نشان داد که اطلاعات نامتقارن ممکن است منجر به فروپاشی بازار شود. مینسکی (1975) استدلال کرد که اقتصاد سرمایهداری «یک سیستم خود اصلاحکننده نیست» زیرا «پتانسیل گسترش سریع را در خود دارد». اخیراً نشان داده شده است که فرضیه بیثباتی مالی مینسکی (مینسکی، 1992) را میتوان از تعاریف اقتصاد کلان استخراج کرد، و این باعث میشود که در اقتصاد کلان بهتر از نظریه تعادل عمومی در اقتصاد خرد (Keen, 2020) پایهگذاری شود. مدل تعادل والراسی نمیتواند بیثباتی سیستمی ایجاد کند، زیرا انتزاعات آن ویژگیهای اساسی بازارهای واقعی را هرس میکند (مینسکی، 1982؛ کین، 2017) که جایی برای فرآیندهای اعتباری و بازخورد، دو مکانیسم حیاتی در رکود عمیق تاریخی و دورههای تورمی باقی نمیگذارد (فریدمن وشوارتز، 1963؛ مبهم، 2019). اقتصاددانان تعاملات رفتاری و بازخوردها را از دیدگاههای توصیفی مانند اثر گلهای (تالر و ساستین، 2008؛ نوفسینگر و سیاس، 1999)، بازتاب (سوروس، 1994)، بازارهای تطبیقی (لو، 2017)، و اقتصاد روایتی (شیلر) مورد مطالعه قرار دادهاند.، 2019). با این وجود، درک کمی از فرآیند بازخورد هنوز به دست نیامده است، زیرا رفتارهای فعالان بازار تا کنون قابل اندازه گیری نبوده است.
شناسایی داده هایی که توصیف رفتارهای کل سرمایه گذاران و تجزیه و تحلیل تعامل و بازخورد رفتاری به گونه ای است که امکان ارزیابی این تئوری های رقیب را فراهم می کند ، برای پیشبرد درک ما از اقتصاد مالی ضروری است. این مقاله تلاشهای ما را در این رابطه گزارش می دهد. ما تکنیکی را برای اندازه گیری تقاضای اضافی کل به روشی که حداکثر قدرت را برای توضیح بازده روزانه SP500 ، بیشترین استفاده از شاخص استفاده عملکرد بازار سهام ایالات متحده ، به حداکثر می رساند (ژانگ و همکاران ، 2016). تقاضای اضافی عادی در زمان واقعی (NED) می تواند بیشتر واریانس بازده روزانه SP500 را در طی هشت سال (2153 مشاهده و شمارش) توضیح دهد ، که مطابق با یافته های اخیر در ادبیات است (جانسون و واتسون ، 2018) اما دریک روش کمی ترشش سیگنال بازخورد رفتاری بین تقاضا و عرضه نقدینگی بازار که نشانگر حرکات آینده است ، از داده های تاریخی خلاصه می شود. برای پیش بینی کوتاه مدت ، ما متوجه شدیم که مشکلات موجودی سازندگان بازار با نوسانات داخلی و نوسانات بازار همراه است. برای پیش بینی طولانی مدت ، شش سیگنال می تواند به عنوان راهنمایی نشان دهنده رضایت یا درگیری شرکت کنندگان در بازار باشد که در جهت های آینده در بازار از جمله در فرآیندهای بازیابی و بازیابی در بحران های بازار 2000 ، 2008 و 2020 روشن می شود.
2. مدل
Paul Samuelson (1941, Eq. 11) mathematically formulated Walras's law of supply and demand that the price changes at a rate proportional to the excess demand by, d p d t = H [ D ( p ) − S ( p ) ] , where p is the price, D(p)-S(p) is the excess demand, and H (0) = 0, H’>0. با این حال ، این الگویی از مکانیسم بازار برای جمع کننده های قیمت است که در آن قیمت گذاری هیچ نقشی ندارد (Arrow ، 1959 ؛ Bradfield and Zabel ، 1979 ؛ Bryant ، 1980): این تنها "نیروهای غیر شخصی بازار است. "(Scitovsky ، 1952) در بازار سهام ، با این حال ، معاملات در نقل قول های سهام ، قیمت پیشنهاد و قیمت درخواست ، که با سفارشات محدود تعیین می شوند ، انجام می شود. کاربران سفارش محدود به عنوان سازندگان قیمت یا ارائه دهندگان نقدینگی عمل می کنند که رفتارهای آنها تأثیر قابل توجهی در تنظیم قیمت سهام دارد ، که این امر به دلیل تقاضای اضافی والراس به تنهایی به حساب نمی آید (Asparouhova و همکاران ، 2003). تجزیه و تحلیل داده های دقیق بازار نشان می دهد که تجدید نظر در سفارش محدود باعث تغییر قیمت سهام بیشتر از معاملات می شود (Easley et al. ، 2012). در نتیجه ، عدم تعادل بین خرید و فروش طرفین در کتابهای محدود نشانگر جهت حرکتهای آینده بازار است (لیپتون و همکاران ، 2014 ؛ گولد و بونارت ، 2016). نابرابری قابل توجهی از سفارشات فروش و فروش محدود به سقوط فلش بازار در 6 مه 2010 منجر شد (CFTC و SEC ، 2010). از این رو ، حذف نقش سازندگان قیمت در نظریه والراس مانع تعامل و بازخورد بین قیمت داران و سازندگان قیمت برای ایجاد بی ثباتی می شود. ما اصطلاح M را به معادله تعدیل قیمت اضافه می کنیم تا این مشکل را اصلاح کنیم.
تقاضای والراس باید همگن درجه صفر باشد (ماس-کالل و همکاران ، 1995). بدون از دست دادن کلی ، ما معادله را بازنویسی می کنیم:
جایی که (D-S)/(D + S) NED است که رفتار کل از نقدینگی را توصیف می کند ، و رفتار نقدینگی تأمین کننده ها را نشان می دهد. ما رویکردی را برای بازیابی NED بر اساس Eq اتخاذ می کنیم.(1) با به حداکثر رساندن قدرت توضیحی NED به بازده روزانه SP500. این رویکرد از طریق یک فرآیند آزمایش و خطا ، همانطور که در بخش متدولوژی توضیح داده شده است ، برای به دست آوردن NED برای شش افکار زمان انجام می شود: 5 دقیقه ای ، 15 دقیقه ، ساعتی ، روزانه ، هفتگی و ماهانه. بر اساس داده های موجود ما ، سه Neds Intraday از 30 آوریل 2013 تا به امروز و سه NEDS دیگر دوره 1999 را پوشش می دهند.
از آنجایی که تغییرات بزرگ قیمت با عدم نقدشوندگی ناشی از تجدید نظر و لغو سفارش همراه است (Farmer et al., 2004; Weber and Rosenow, 2006) که رفتارهای قیمت سازان است، انتظار داریم که قدرت توضیحی نوسانات بازار توسط NED باشد. در طول یک دوره بسیار نوسان کاهش یافته است. این دقیقاً همان چیزی است که ما در رابطه بین بازده روزانه SP500 و چند جمله ای مرتبه سوم NED درون روزه نشان داده شده در شکل 1 پیدا کرده ایم. برای 1716 روز معاملاتی از 30 آوریل 2013 تا 24 فوریه 2020، R 2 75. 54 درصد است که نشان می دهد سه چهارم واریانس بازده روزانه SP500 را می توان با رفتار قیمت گذاران در بازارهای نسبتاً غیر نوسان توضیح داد.
نمودارهای پراکنده NED درون روز (میانگین روزانه NED 5 دقیقه ای) و بازده روزانه SP500 برای الف) 4/30/2013-2/24/2020 و ب) 4/30/2013-3/24/2020. دوره تمدید شده یک ماهه در ب) شامل 4 رویداد فعال شده توسط قطع کننده مدار است. 18 مورد از داده های دوره طولانی با نقاط قرمز مشخص شده اند.
با این حال، تمدید این دوره فقط به مدت 21 روز تا 24 مارس 2020، ارزش R2 را به طور چشمگیری به 58. 40٪ کاهش داد. این دوره طولانی شامل تأثیر وحشت پیرامون همهگیری COVID-19 میشود، زمانی که کلیدهای مدار بازار چهار بار فعال شدند، که حتی در مقایسه با دو بحران بازار در سالهای 2000 و 2008 بیسابقه بود.
NED درون روز نشان داده شده در شکل 1 میانگین روزانه تمام NED های 5 دقیقه ای است (برای روش محاسبه به بخش بعدی مراجعه کنید). وقتی افق زمانی گسترده تر می شود، قدرت توضیحی NED کاهش می یابد. برای میانگین روزانه NED های 15 دقیقه ای و ساعتی، R2 در مدت مشابه شکل 1 الف) به ترتیب به 68. 32% و 64. 78% کاهش می یابد. برای NED روزانه، R 2 به تنها 13. 59 درصد کاهش یافته است. این نتایج با یافته های بلوم و همکاران همخوانی دارد.(1989) و چوردیا و همکاران.(2002). اولی دریافت که همبستگی بین بازده 15 دقیقه ای و عدم تعادل سفارش بازار 0. 81-0. 86 است (R2 0. 66 تا 0. 74)، و دومی گزارش داد که R2 با رگرسیون بین بازده روزانه SP500 و سه متغیر (از جمله عدم تعادل سفارش بازار)0. 247 است.
در حالی که یک محدودیت ریاضی به تولید متغیر با حداکثر قدرت توضیحی کمک می کند ، احتیاط چنین رویکردی این است که معنای فیزیکی متغیر حاصل ممکن است مبهم باشد ، مشابه عملکرد متعامد تجربی (EOF) یا تجزیه و تحلیل مؤلفه اصلی (PCA). در مورد ما ، هر دو NED و M تأثیراتی در بازده بازار دارند (معادله 1) ، قدرت توضیحی ممکن است به ترکیب NED و M. نسبت داده شود. متقاضیانمنطق این است که وقتی NED = 1 (1-) ، همه قیمت داران در حال خرید (فروش) هستند ، به طوری که سازندگان بازار موظفند برای تأمین نقدینگی و موجودی ناخواسته موجودی کوتاه (طولانی) را بفروشند (خرید). از این رو ، موقعیت های موجودی سازندگان بازار را می توان با محدوده قیمت در هنگام NED = 1 ± فاش کرد. با توجه به بودجه محدود ، سازندگان بازار باید این موجودی ها را با قیمتی بهتر از آنکه موجودی ها جمع شوند ، باز کنند تا بتوانند نقدینگی فوری را ادامه دهند (گارمن ، 1976 ؛ آمیهود و مندلسون ، 1980 ؛ هندشوت و SEALOLES ، 2007)واد
بنابراین ، اگر NED بازیابی شده ما رفتارهای کل قیمت داران را توصیف کند ، می توانیم موقعیت های موجودی سازندگان بازار را در هنگام NED = 1 ± 1 و پیش بینی معکوس بازار آینده آشکار کنیم. ما این ایده را با استفاده از داده های داخلی تاریخی از ماه مه 2013 تا آوریل 2020 آزمایش کردیم و دریافتیم که بیش از 90 ٪ از زمان در 7 روز معاملاتی از پر کردن موجودی ، بازار به قیمت موجودی یا بهتر ، مطابق با یافته های مدل گزارش شده در این مدل بازگشت. ادبیات (ماداوان و اسمیت ، 1993). نتایج آزمون در جدول 1 ذکر شده است.
میز 1
میزان موفقیت موجودی سازندگان بازار در طی 7 روز در طی 2013-2020.
سال | ned = +100 ٪ | ned = -100 ٪ | ||||
---|---|---|---|---|---|---|
موجودی | بی سیم | % | موجودی طولانی | بی سیم | % | |
2013 | 202 | 180 | 89 | 181 | 170 | 94 |
2014 | 223 | 199 | 89 | 199 | 189 | 95 |
2015 | 207 | 189 | 91 | 215 | 197 | 92 |
2016 | 197 | 176 | 89 | 157 | 146 | 93 |
2017 | 91 | 84 | 92 | 67 | 62 | 93 |
2018 | 216 | 195 | 90 | 201 | 179 | 89 |
2019 | 177 | 159 | 90 | 130 | 127 | 98 |
ژانویه - آوریل ، 2020 | 98 | 92 | 90 | 105 | 98 | 93 |
جمع | 1411 | 1274 | 90 | 1225 | 1168 | 93 |
بر اساس این یافته ، ما آزمایشی از پیش بینی برگشت بازار در زمان واقعی را که از 8 مه 2020 آغاز شد ، با قیمت های هدف مشخص در یک انجمن مالی 2 آغاز کردیم. ما از قیمت جاسوسی استفاده می کنیم زیرا بازده آن تقریباً مطابق با SP500 است. از نظر اهمیت ، ما فقط اهداف قیمت معکوس را ارسال کردیم که قیمت جاسوسی بیش از 1 دلار از هدف دور می شد (حدود 10 نقطه از شاخص SP500) اگرچه این میزان موفقیت را کاهش می دهد زیرا تمام معکوس های کوچک برآورده شده در آمار حذف شدند. اولین پیش بینی ما در 8 ماه مه در طی سه روز کاهش 3. 56 ٪ کاهش داشت که بازار به تازگی یک هفته با افزایش 3. 5 ٪ به پایان رسید. شرکت کنندگان در این انجمن پیش بینی های بسیار غیرممکن را به عنوان بازار در حال افزایش روز معاملات بعدی دانستند. با این حال ، در روز سوم ، آنها وقتی که قیمت جاسوسی بدون هیچ گونه انتشار خبری به هدف پیش بینی شده فرو رفت ، از این دلهره برخورد کرد و از آن زمان شروع به جدی گرفتن پیش بینی کرد. در آزمایش دو ماهه ، ما 54 هدف معکوس را در 44 روز معاملاتی با نرخ موفقیت 90. 75 ٪ (49 هدف در مدت زمان مشخص شده) پیش بینی کردیم ، از جمله چندین افزایش بازار بزرگ و در یک روز تنها با هیچ شکستن سیاسی یا سیاسی همراه نیست. اخبار اقتصادیمیزان موفقیت پیش بینی معکوس بازار در زمان واقعی نشان می دهد که NED نشان دهنده رفتار کل قیمت داران است و بازگشت مجدد موجودی سازندگان بازار یک عامل کمک کننده است که در داخل و معکوس های روز به بازار تنظیم می شود (Panayides ، 2007).
3. روش شناسی
سرمایه گذاران با قرار دادن سفارشات در بازارهای سهام متفاوت رفتار می کنند: قیمت داران از سفارشات بازار (یا سفارشات محدودیت اجرایی) استفاده می کنند ، و سازندگان قیمت سفارشات حد را ارسال می کنند. بسیاری از مطالعات با استفاده از داده های تاریخی یا بر رفتارهای قیمت داران (Chakrabarty and Zhang ، 2012) یا در مورد اقدامات سازندگان قیمت متمرکز شده اند (Cont et al. ، 2014). این تحقیقات در آشکار ساختن ریزساختار بازار در نتیجه رفتارهای سرمایه گذار موفقیت آمیز است.
قضیه SMD ثابت کرد که تقاضای بازار را نمی توان از فرضیه مطلوبیت استنباط کرد (Sonnenschein, 1973b؛ Shafer and Sonnenschein, 1982) که تأثیرات طولانی و عمیقی بر اقتصاد داشته است (Rizvi, 2006). اما در اثبات، قیمتهای بازار بر فرض ضمنی رقابت کامل استوار است (والراس، 1900؛ رابینسون، 1934)، علیرغم ضعفهای شناخته شده این فرض (کینز، 1890؛ نایت، 1921؛ چمبرلین، 1962). این موارد حتی در بازارهای سهام مشهودتر است، جایی که قیمتهای مبادلات توسط قیمتهای پیشنهادی سفارشهای محدودی که توسط بازارسازانی که نمیتوان آنها را به عنوان بازیگران رقابتی مدلسازی کرد، تعیین میشود و بهدلیل اطلاعات بهروز شده برای جلوگیری از ضرر، مرتباً اصلاح و لغو میشوند. و سود را به حداکثر برسانید (کوروین و لیپسون، 2000؛ کالکاگنو و لوو، 2006). در عمل، رفتارهای کل قیمت گیرندگان، به عنوان معیاری از تقاضای بازار، به صورت عددی برای افق های مختلف از طریق محاسبات عدم تعادل نظم بازار مشاهده شده است (Blume et al., 1989; Chordia et al., 2002). هدف ما تطبیق مقادیر عددی عدم تعادل سفارش بازار در تابعی از تغییر قیمت است که قدرت توضیحی تغییرات بازده روزانه SP500 را به حداکثر میرساند و میتواند در زمان واقعی اندازهگیری شود. رویکرد به سه مرحله تقسیم می شود. ابتدا، NED را با استفاده از یک قانون طبقه بندی که در زیر توضیح داده شده است اندازه گیری کنید تا NED رفتار کل قیمت گیرندگان را توصیف کند. دوم، مقادیر عددی NED را در یک تابع تجربی قیمت از طریق فرآیند آزمون و خطا قرار دهید تا قدرت توضیحی را برای تغییرات بازده روزانه SP500 به حداکثر برسانید. مرحله سوم تأیید این است که NED رفتار قیمتگیرندگان را نشان میدهد زیرا تابع تجربی برازش ممکن است شامل مشارکتهای قیمتگذاران به دلیل خطاهای احتمالی معرفیشده در دو مرحله اول باشد. نتایج مرحله سوم در بخش Model توضیح داده شده است.
بیان NED (P) [D (P) -S (P)]/[D (P)+S (P)] است ، جایی که D (P) حجم خرید و S (P) حجم فروش درقیمت مشخصی که می توان از اطلاعات سفارش بازار بدست آورد. با این حال ، چنین اطلاعاتی بر اساس مشخصات NYSE OpenBook برای عموم فاش نمی شود (باروچ ، 2005). محققان چندین الگوریتم برای طبقه بندی معاملات به عنوان خریدار یا معاملات فروشنده برای مطالعه رفتارهای سرمایه گذار (لی و آماده ، 1991 ؛ لی و راداکریشنا ، 2000) و ریزساختارهای بازار (چاکربارتی و ژانگ ، 2012) ایجاد کرده اند که هر کدام دارای جوانب و منفی متفاوت هستندبه دلیل شرایط پیچیده بازار و روشهای ضبط داده ها (Easley و همکاران ، 2012). ما با استفاده از داده های بارگیری شده از Scottrade ، قانون تیک را مطابق توصیه Finucane (2000) انتخاب کردیم. دقت مطلق قانون طبقه بندی بسیار مهم نیست زیرا از نتایج به عنوان استخر داده برای یافتن عملکرد تجربی تقاضای اضافی عادی استفاده می شود که باعث حداکثر رساندن قدرت توضیحی نوسانات در بازده روزانه SP500 می شود.
برای یک سهام واحد ، عملکرد تجربی z عملکرد معکوس H در Eq است.. مجموعه داده های مورد استفاده برای جستجوی عملکرد تجربی شامل پنج ماه داده های تیک به توک از 381 SP500 سهام انتخاب شده به دنبال قوانین Chordia و همکاران است.(2002). حداکثر تنظیم شده R-Squared برای 107 روز معاملات در اوایل سال 2013 0. 8135 است. ارزش بالای R-Squared در طول بازار صاف این ماه ها قبل از فوریه 2020 به 0. 7546 کاهش یافته است پس از چندین تعدیل بازار 10 ٪ یا بیشتر در اکتبر 2014 ، آگوست 2015 ، فوریه 2018 و دسامبر 2018. برای بازار کل ، NED استمیانگین وزنی NEDS از همه سهام مؤلفه. سپس پارامترهای عملکرد تجربی را تنظیم می کنیم تا زمانی که آنها قدرت توضیحی را برای نوسانات بازده روزانه SP500 به حداکثر برسانند. ما مقادیر NED را در زمان واقعی اندازه گیری می کنیم ، چهار بار در دقیقه به روز می شویم.
4- سیگنال های تعامل و بازخورد رفتار
مطالعات نظری تعاملات رفتاری و بازخوردها شامل تأثیر اطلاعات (Kyle، 1985؛ Holden and Subrahmanyam، 1992؛ Madhavan، 1992) و اثر گله (Shiller, 1984; De Long et al., 1990; Nofsinger and Sias, 1999) است. با این حال، شناسایی این تعاملات از روی داده های قیمت، به ویژه در زمان واقعی، دشوار است. در بازارهای سهام، قیمتگیران سفارشهای بازار (یا سفارشهای حد قابل اجرا) را میدهند که تقاضای نقدینگی دارند و قیمتگذاران سفارشهای محدودی را ارائه میکنند که نقدینگی را فراهم میکند (Hopman, 2007). از آنجایی که تغییرات قیمت بازار ناشی از تعاملات قیمتگذاران و قیمتگذاران است، میتوانیم تعاملات رفتاری را هنگامی که رفتارهای کل قیمتگیرندگان توسط NED اندازهگیری شد، تحلیل کنیم. ما شش سیگنال را خلاصه کردهایم که میتوانند تعاملات رفتاری را شناسایی کرده و جهتهای بازار آینده را استنباط کنند.
شش سیگنال عبارتند از:
سیگنال روند صعودی: برآمدگیها و فرورفتگیهای NED در طول نوسانات بازار بالاتر از برآمدگیهای مجاور قبلی هستند، و همچنین قلهها و درههای SP500. این سیگنال نشان می دهد که هم قیمت گذاران و هم قیمت سازان نسبت به بازار خوش بین هستند.
سیگنال روند نزولی: برآمدگیها و فرورفتگیهای NED در طول نوسانات بازار، و همچنین قلهها و درههای SP500، پایینتر از خطوط مجاور قبلی هستند. این سیگنال زمانی ظاهر می شود که اکثر فعالان بازار بدبین هستند.
سیگنال روند صعودی قریب الوقوع: هنگامی که دره مربوطه SP500 بالاتر از دره قبلی باشد، فرورفتگی NED کمتر از فرورفتگی مجاور قبلی است. این به این دلیل است که افزایش فشار فروش نمی تواند SP500 را به دلیل حجم زیاد سفارشات خرید محدود در سطحی بالاتر از پایین ترین سطح قبلی، سرکوب کند. این سیگنال ریزساختار بازار را نشان میدهد که در Arrow (1959) اشاره شده است، که برای پیشبینی جهتهای بازار استفاده شده است (گولد و بونارت، 2016؛ Cartea و همکاران، 2018).
سیگنال روند نزولی در حال پیشروی: برجستگی NED بالاتر از یال مجاور قبلی است، در حالی که پیک مربوطه SP500 پایینتر از قبلی است. این سیگنال مشابه سیگنال 3 اما در جهت مخالف است.
سیگنال رکود در بالاترین سطح بازار همیشه: ارزش NED به طور قابل توجهی زیر 100٪ در بالاترین سطح بازار تمام زمان است. ارزش NED پایین نشان می دهد که فعالیت های فروش گسترده در اوج بازار رخ می دهد و اقدامات معامله گران آگاه را قبل از انتشار اطلاعات خصوصی آشکار می کند.
سیگنال بازیابی در یک بازار جدید پایین: مقدار NED بالای 100٪ است وقتی SP500 به سطح پایین جدید می رسد. ارزش NED افزایش یافته نشان می دهد که سرمایه گذاران آگاه شروع به خرید با قیمت پایین می کنند.
سیگنالهای اول و دوم بازخوردهای مثبتی را بین قیمتگذاران و قیمتگذاران منعکس میکنند که ممکن است به واکنشهای بیش از حد و بیثباتی بازار منجر شود. سیگنالهای 3 و 4 ادراکات و رفتارهای مختلف شرکتکنندگان بازار را نشان میدهند که باعث عدم تعادل در کتابهای سفارش محدود میشود. دو سیگنال آخر مربوط به معکوس شدن احساسات بازار پس از خوش بینی و بدبینی بیش از حد است (دی بانت و تالر، 1985؛ اسپیرو، 2012).
5. پیش بینی کوتاه مدت
این یک اجماع است که در حالی که مقداری قابل پیش بینی برای معکوس شدن بازار میان مدت و بلندمدت وجود دارد، در افق کوتاه مدت (داخل روز و روزانه) اصلاً قابل پیش بینی نیست (سوبرهمانیام، 2005). ما بر اساس مشکل موجودی بازارسازان قابلیت پیش بینی کوتاه مدت را نشان داده ایم. در این بخش، نشان خواهیم داد که جهت های کوتاه مدت بازار با شش سیگنال قابل استنباط هستند.
5. 1. نوسانات درون روز
شکل 2 SP500 را در 28 اکتبر 2016 در فواصل پنج دقیقه ای با NED_5 (دایره توخالی) و NED_15 (نوار کوتاه) به ترتیب برای افق های پنج و پانزده دقیقه نشان می دهد.