تجزیه و تحلیل نوسانات بازار سهام: VPIN تنظیم شده با داده های فرکانس بالا

احتمال همگام سازی حجم تجارت آگاهانه (VPIN) به عنوان یک پروکسی از نوسانات در بازار با فرکانس بالا به طور گسترده ای پذیرفته می شود. ما یک مدل VPIN جدید به نام تنظیم شده VPIN را پیشنهاد می کنیم تا عملکرد VPIN را بهبود بخشد تا بتواند به طور مستقیم تجزیه و تحلیل و پیش بینی بهتر عدم تقارن اطلاعات سهام فردی را انجام دهد. ما مدل VPIN را با بهینه سازی الگوریتم طبقه بندی با یک روش شبکه عصبی و داده های فرکانس بالا گسترش می دهیم. هر دو حجم معاملات و روند برای جذب نوسانات سهام در نظر گرفته می شوند. نتایج تجربی در سه گروه حجم معاملات مختلف ، 37. 86 ٪ نتیجه مرتبط با عملکرد سهام لگاریتم را نسبت به مدل VPIN تولید می کند.

معرفی

بدون شک ، معاملات با فرکانس بالا چالش های مهمتری را برای سیستم های نظارتی موجود و ثبات بازار ایجاد می کند. با توسعه فناوری اطلاعات ، سهام بیشتر و بیشتر در مبادلات مختلف با فرکانس بالا معامله می شود. 1 اگرچه معاملات با فرکانس بالا باعث کاهش هزینه های معامله می شود ، اما همچنین اثرات منفی دارد. 2 در هنگام وقایع "سقوط فلش" ، تجارت با فرکانس بالا تأثیر خود را بر نوسانات بازار گسترش می دهد. 3 در تاریخ 6 مه 2010 ، یک تصادف فلش غیرقانونی با رکود بزرگ بیش از 1000 امتیاز به بازار سهام آمریکا رسید. اگرچه خیلی زود تمام خسارات را به دست آورد ، اما هنوز هم باعث ضررهای بزرگی شد تا سرمایه گذاران بسیار اهرم و برخی دیگر از شرکت کنندگان. در نتیجه ، تجزیه و تحلیل نوسانات بازار سهام در بازار با فرکانس بالا به یک مسئله مهم و داغ تبدیل می شود.

ما سعی می کنیم به جای شاخص در بازار با فرکانس بالا ، نوسانات سهام فردی را اندازه گیری و پیش بینی کنیم. شاخص نوسانات CBOT (VIX) به طور گسترده ای برای اندازه گیری نوسانات بازار سهام استفاده می شود. Brogaard ، Hendershott و Riordan (2017) از VIX برای اندازه گیری نوسانات در مطالعه تأثیر تجارت با فرکانس بالا بر کیفیت بازار استفاده می کنند. چانگ و چووونگنانت (2018) نشان می دهند که چگونه نوسانات تأثیر می گذارد سهام در معاملات با فرکانس بالا بازده دارد. آنها رابطه بین نوسانات و بازگشت از طریق VIX را تجزیه و تحلیل می کنند. Bevilacqua و همکاران.(2019) با حملات تروریستی VIX ، رابطه دلالت بر نوسانات بازار در آمریکا را بررسی کرد. با این حال ، Adrangi و همکاران.(2019) به این موضوع پرداخته است که شاخص های سهام در دوره Brexit-Vote به VIX واکنش نشان نمی دهند. در حقیقت ، VIX شاخصی است که نوسانات یک بازار را به جای یک سهام واحد نشان می دهد. VIX هنگام تجزیه و تحلیل سهام منفرد یا یک نمونه کارها نامشخص ، نمی تواند ویژگی های خود را به تفصیل ضبط کند. در نتیجه ، ما به احتمال تجارت آگاهانه برای اندازه گیری نوسانات یک سهام واحد روی می آوریم.

کار ما مدل تخمین VPIN یک سهام واحد در بازار با فرکانس بالا را در طی سقوط بازار سهام در سال 2008 و سقوط فلش در سال 2010 گسترش می دهد.(2011،2012). VPIN قدرت خود را در اندازه گیری و پیش بینی تجارت آگاهانه و عدم تعادل سفارش نشان داده است و منجر به نوسانات بالای قیمت سهام می شود. عدم تعادل در حال افزایش سفارش ناشی از تجارت آگاهانه یکی از دلایلی است که باعث می شود حرکات شدید قیمت سهام باشد. بنابراین ، VPIN یک پروکسی عالی برای پیش بینی نوسانات است. VPIN را می توان در بازار آینده به خوبی استفاده کرد. چندین تحقیق اخیر همچنین با استفاده از متریک VPIN برای کشف سودمندی آن در جنبه های مختلف بازارهای شاخص سهام.(Low ، Li ، & Marsh ، 2018 ؛ Lee et al. ، 2017 ؛ Bjursell et al. ، 2017). آنها دریافتند که VPIN یک شاخص قدرتمند برای عدم تعادل سفارش و نوسانات قیمت در هر دو بازارهای آینده و سهام است. با این حال ، عملکرد آن در بورس سهام رضایت بخش نیست. مشکل اصلی این است که روش طبقه بندی حجم فله (BVC) به دلیل فاصله حجم ثابت نمی تواند در بورس سهام مناسب باشد (Easley et al. ، 2016). بنابراین ، BVC نمی تواند خریدار و سفارش فروشنده را به درستی در بازار سهام طبقه بندی کند. با این حال ، حجم معاملات یک متغیر آموزنده است ، که توسط Sensoy و Serdengeçti (2019) نیز اثبات شده است. پاترا و باتاچاریا (2019) همچنین حجم را به عنوان نماینده اطلاعات پس از بحران مالی فرعی در نظر می گیرند. بنابراین ، ما برای طبقه بندی بهتر حجم معاملات ، روش بهینه BVC را انتخاب می کنیم. کار تجربی ما نشان می دهد که متریک تنظیم شده VPIN نیز دارای قدرت در یک سهام واحد در بورس است.

برای ضبط ویژگی های سهام مختلف ، ما یک روش بهینه را اضافه می کنیم ، به طور خاص یک مدل روند مبتنی بر شبکه های عصبی حافظه کوتاه مدت (LSTM). اتخاذ روشهای بهینه غیر خطی برای بهبود تأثیر مدل ها ، روند رشد است. گان و همکاران.(2015) روش خوشه بندی آگلومرائی سلسله مراتبی را برای برآورد احتمال تجارت آگاهانه (PIN) پیشنهاد می کند ، که هم سرعت و هم دقت تخمین را بهبود می بخشد. لیم و همکاران.(2019) از یادگیری عمیق در ترویج استراتژی های حرکت سری زمانی استفاده کنید. مت و کان (2019) بحران های مالی را با روش یادگیری عمیق پیش بینی می کنند. عابدین و همکاران.(2019) قدرت روشهای بهینه غیر لاینر را برای تقویت فن آوری های اطلاعات آماری در برنامه های پشتیبانی تصمیم گیری مالی نشان می دهد. پیش بینی های Tissaoui (2019) حاکی از خطر نوسانات با استفاده از یک روش بهینه غیر خطی است. تاشیرو و همکاران.(2019) روند قیمت سهام را با استفاده از یک روش رمزگذاری سفارش و مدل شبکه عصبی حلقوی پیش بینی کنید. Shintate و Pichl (2019) طبقه بندی پیش بینی روند را با یادگیری عمیق و داده های فرکانس بالا ایجاد می کنند. ما پیشنهاد می کنیم یک روش یادگیری عمیق را برای بهینه سازی روش BVC اتخاذ کنیم. در مطالعه ما ، LSTM را برای گرفتن روند حرکت کوتاه مدت قیمت یک سهام واحد انتخاب می کنیم. اول ، روش LSTM به طور گسترده ای در پیش بینی داده های سری زمانی استفاده می شود. دوم ، روش LSTM شامل تأثیرات رو به جلو و عقب است که برای طبقه بندی سفارشات خریدار و فروشنده در یک نوار حجم مناسب است. سوم ، خروجی روش LSTM داده های مداوم است. به این ترتیب ، ما می توانیم فاصله حجم ثابت BVC را بشکنیم و روند جریان سفارش را بهتر بفهمیم.

در این بین، مدل VPIN تنظیم شده ما نیز با خطای سیستم در تخمین پارامترهای VPIN سروکار دارد. اگرچه برخی از مطالعات از VPIN پشتیبانی می کنند، اما صدایی وجود دارد که نشان می دهد VPIN واقعاً در پیش بینی نوسانات کوتاه مدت از لحاظ نظری کمکی نمی کند. اندرسن و بوندارنکو (2014) استدلال می کنند که VPIN در پیش بینی نوسانات زمانی که حجم معاملات کم است، عملکرد ضعیفی دارد. پس از آن، Ke و Lin (2017) با جایگزینی روش تخمین لحظه ای (MME) با تخمین حداکثر درستنمایی (MLE) یک مدل VPIN بهبود یافته را برای پشتیبانی از Easley ارائه کردند. ما نیز در کار خود به این مشکل اشاره می کنیم. به جای حل نظری آن مانند Ke and Lin (2017)، مدل روند ما که توسط LSTM ساخته شده است می تواند بیشتر بخش این افست را حذف کند. در مقایسه با VPIN بهبود یافته که توسط Ke و Lin ساخته شده است، روش ما نیازی به اعمال روش MLE ندارد. پیچیدگی محاسباتی کاهش یافته است، که در یک محیط معاملاتی با فرکانس بالا ضروری است.

تحقیقات ما با بهینه سازی روش VPIN با داده های فرکانس بالا و روش های یادگیری عمیق به مطالعات قبلی کمک می کند. VPIN به طور گسترده در مطالعه معاملات آگاهانه و پیش بینی نوسانات بازار آتی پذیرفته شده است. با این حال، نمی توان آن را به طور مستقیم در بازار سهام اعمال کرد. این مقاله نور بیشتری را بر پیش بینی نوسانات در سهام تکی به جای معاملات آتی شاخص سهام می تاباند. با ساختن LSTM، استفاده بهتری از داده های با فرکانس بالا از اطلاعات معاملاتی داریم. بیلی و استیلی (2019) به شواهدی می پردازند که داده های با فرکانس بالا می تواند به نوسانات پیش بینی دلار استرالیا کمک کند. تغییر VPIN با روند قیمت سهام، از انتخاب یک بازه زمانی حجم-زمان مشخص جلوگیری می کند. بنابراین، ما بر گسترش پایگاه VPIN با استفاده از داده های فرکانس بالا و شبکه های عصبی اصرار داریم. بانرجی و موکرجی (2020) نظر مشابهی دارند مبنی بر اینکه شبکه های عصبی نسبت به طبقه بندی کننده های خطی سنتی انعطاف پذیر هستند. ما همچنین تأثیر مدل خود را با داده های روزانه در نظر می گیریم. Zhang و Dufour (2019) تأیید می کنند که داده های روزانه می تواند پیش بینی نوسانات روزانه را بهبود بخشد. کار تجربی ما نتایجی را نشان می دهد که استحکام و اثربخشی پیش بینی روزانه را هنگام استفاده از مدل ما نشان می دهد.

علاوه بر این ، ما تأیید می کنیم که VPIN یک سیگنال خوب از تجارت آگاهانه و حرکات شدید قیمت است. با این حال ، در مقایسه با شاخص سهام ، پیش بینی تجارت آگاهانه سهام فردی چالش برانگیزتر است. VPIN تنظیم شده ما می تواند قبل از وقوع تغییر قیمت سهام واحد ، هشدار بهتری ایجاد کند. کار تجربی ما نشان می دهد که روش ما ضریب همبستگی با لگاریتم عملکرد قیمت مطلق را به طور متوسط 37. 86 ٪ افزایش می دهد ، که به نفع تنظیم کننده های بازار ، سازندگان بازار و شرکت کنندگان در بازار خواهد بود.

به طور کلی ، ما از روش LSTM برای بهبود مدل VPIN برای استفاده از VPIN تنظیم شده برای اندازه گیری نوسانات یک سهام واحد استفاده می کنیم. روش ما فاصله حجم ثابت BVC را می شکند و پیش بینی های اولیه حرکات قابل توجه قیمت سهام را انجام می دهد. کار تجربی ما قدرت 37. 86 ٪ بیشتر از پیش بینی نوسانات سهام واحد را نسبت به مدل VPIN ارائه می دهد.

نامه یادآوری به گونه ذیل تنظیم شده است. بخش 2 بخش داده این مقاله مانند منابع داده ، اندازه گیری متغیر و پیش پردازش داده ها را معرفی می کند. بخش 3 شامل جزئیات مدل ساختمان است. بخش 4 نتایج تجربی ما را نشان می دهد. بخش 5 نتیجه گیری می کند.

قطعه قطعه

منابع اطلاعات

داده های ما نمونه ای از سهام NASDAQ برای دو دوره سقوط ، اوت 2008 تا سپتامبر 2008 و آوریل 2010 تا مه 2010 است. ما 15 سهام جداگانه را از بازار سهام NASDAQ بدست می آوریم. با جزئیات ، پنج سهام با حجم معاملات کوچک ، متوسط و بزرگ به طور خاص. همه سهام دارای تغییرات قیمت و داده های حجم معاملات در میلی ثانیه هستند. قیمت سهام در داده های ما از کمتر از 10 دلار تا بیش از 100 دلار متفاوت است. خلاصه ای از ویژگی های اصلی سهام نمونه در زیر نشان داده شده است.

اندازه گیری متغیر

مدل

پیشرفت اصلی این مطالعه استفاده از VPIN به طور مستقیم در بورس سهام با پیش بینی های کارآمد در مورد تغییرات قیمت سهام است. ما برای افزایش توانایی پیش بینی الگوریتم طبقه بندی ، یک بخش روند در قوانین طبقه بندی اضافه می کنیم. در این میان ، مدل ما با پیش بینی روند می تواند به داده های زمان واقعی و داده های تاریخی متکی باشد ، به این معنی که می توانیم خطای تخمین ناشی از MME را به دلیل حجم پایین تجارت جبران کنیم.

کار تجربی

به یاد بیاورید که ما پیشنهاد می کنیم VPIN تک تک سهام را بگیریم تا نوسانات حرکت قیمت آن را در طول سقوط (هم سقوط ناگهانی و هم سقوط سهام) اندازه گیری کنیم. ما سهام در بازار NASDAQ را بر اساس حجم آنها به سه گروه تقسیم می کنیم. ما یک مدل VPIN تنظیم شده برای هر گروه تولید می کنیم و کارایی مدل خود را آزمایش می کنیم. یک ضریب همبستگی بازده لگاریتمی به عنوان معیاری برای اثربخشی مدل محاسبه خواهد شد.

نتیجه

این مقاله روش جدیدی را در طبقه بندی سفارش خریدار و فروشنده هنگام تخمین VPIN یک سهام پیشنهاد می کند. مزیت مهم روش LSTM ما و روش طبقه بندی آن این است که فواصل حجم نوار ثابت را می شکند تا معیارهای VPIN تولید کند تا روند تک سهام را بهتر ثبت کند. ما نشان داده ایم که متریک VPIN تنظیم شده قدرت پیش بینی بهتری در طول دوره سقوط دارد و می توان آن را مستقیماً در بازار سهام با فرکانس بالا اعمال کرد.

بیانیه نویسنده CRediT

هایجون یانگ: مفهوم سازی، روش شناسی، نگارش- بررسی و ویرایش. فنگ ژو: گردآوری داده ها، نوشتن- تهیه پیش نویس اصلی، نوشتن- بررسی و ویرایش.

اعلامیه منافع رقابتی

این مقاله هیچ علاقه مالی برای گزارش ندارد.

سپاسگزاریها

این تحقیق تا حدی توسط بنیاد ملی علوم طبیعی چین (Grant No. 71771006) و صندوق های تحقیقات بنیادی برای دانشگاه های مرکزی (Grant No. Beihang 2019) حمایت شد.