1 چند بعدی نقدینگی همیشه نگرانی خاصی در تحقیقات ریزساختار بازار بوده است. هریس (2003) نقدینگی را به عنوان "توانایی تجارت سریع به سرعت و با هزینه کم ، هنگامی که می خواهید تجارت کنید" تعریف می کند. در این تعریف ، سه ابعاد نقدینگی قابل شناسایی است: فوری ، عرض و عمق. ابعاد اضافی ، انعطاف پذیری ، اغلب به دنبال شوک نقدینگی به بهبودی مربوط می شود و مربوط به بهبودی است. تمام این ابعاد با پروکسی های متعدد همراه است. بسیاری از مطالعات تحقیقاتی با تلاش برای بهترین پروکسی نقدینگی یا برآوردگر هزینه های معامله سروکار دارند (Goyenko et al. ، 2009 ؛ Aitken and Comerton-Forde ، 2003). پروکسی های نقدینگی به طور گسترده در دو دسته قرار می گیرند: اقدامات مبتنی بر کتاب و تجارت. اقدامات مبتنی بر کتاب سفارش از کتاب سفارش در داده های فرکانس بالا محاسبه می شود و نقدینگی سابق آن را توصیف می کند ، یعنی قبل از انجام معاملات. پروکسی های مبتنی بر تجارت با اطلاعات مربوط به فعالیت تجارت ، پست سابق محاسبه می شوند: حجم ، تعداد معاملات ، متوسط اندازه تجارت و غیره. رشته دیگری از همکاران ادبیات نقدینگی به حرکات قیمت دارایی. این مقاله با بررسی اینکه آیا اندازه گیری نقص بر اساس وقوع بازده صفر ، همانطور که در لسندون و همکاران بیان شده است ، به این ادبیات مربوط می شود.(1999) ، یک پروکسی کافی برای نقدینگی بازار است. چندین مقاله محتوای اطلاعات سری قیمت ها را برای ایجاد نقدینگی آسان یا اقدامات هزینه معامله بررسی می کنند. برآوردگر پخش موثر رول (1984) یا نسبت نقص Amihud (2002) از بهترین نمونه ها است. مهمترین مزیت چنین برآوردگرها قابل درک است زیرا سری قیمت ها حتی برای بازارهای نوظهور ، نسبت به کتاب سفارش و داده های تجاری نیز در دسترس هستند.

2 شواهد نظری و تجربی در ادبیات برای توجیه چنین رابطه ای ارائه شده است. به عنوان مثال ، Chordia و همکاران.(2001) به صورت تجربی می دانند که نقدینگی و فعالیت تجاری تحت تأثیر بازده بازار و نوسانات است. Chordia و همکاران.(2002) همچنین دریافت که عدم تعادل سفارش به طور جدی بر بازده بازار تأثیر می گذارد. علاوه بر این ، همانطور که در مدل Kyle (1985) نشان داده شده است ، عدم تعادل مرتبه بالا به معنای وجود برخی از اطلاعات خصوصی است که معامله گران آگاه بر اساس ارسال سفارش خود قرار می دهند و نقدینگی را به طور موقت کاهش می دهند که به نوبه خود باعث می شود قیمت ها آموزنده تر شوند. برخی از مطالعات تحقیقاتی همچنین در تلاش برای گنجاندن آن در مدل های قیمت گذاری دارایی ، بازده به نقدینگی را نشان می دهد. Amihud و Mendelson (1986) از لحاظ تئوریکی دریافتند که بازده عملکرد فزاینده ای از گسترش پیشنهادات است. Pastor and Stambaugh (2003) همچنین پیشنهاد می کنند که نقدینگی را در مدل های قیمت گذاری دارایی شامل شود زیرا آنها رابطه بین بازده و یک پروکسی نقدینگی را بر اساس تخمین جریان سفارش در یک نمونه 34 ساله مشخص می کنند. مقالات دیگر ، مانند برنان و Subrahmanyam (1996) ، برنان و همکاران.(1998) و داتار و همکاران.(1998) ، نشان می دهد که بازده و نقدینگی با منفی مرتبط هستند. اخیراً ، کاواجکز و Odders-White (2004) رابطه محکمی بین نقدینگی و تجزیه و تحلیل فنی از طریق استفاده از پشتیبانی و مقاومت و همچنین در حال حرکت شاخص های متوسط را مشخص می کنند.

3Lesmond و همکاران.(1999) روش جدیدی را برای تخمین هزینه های معامله با استفاده از بروز بازده صفر در داده های روزانه ارائه می دهد ، بر خلاف فرکانس بالا و داده های سفارش کتاب که معمولاً برای پرداختن به هزینه های معامله و مشکلات نقدینگی لازم است. آنها استدلال می كنند كه هرچه صفر بازده تر باشد ، نقدینگی كمتر می شود. استدلال آنها براساس این فرضیه است که هزینه های معامله آستانه ای را تشکیل می دهد که باید از ارزش اطلاعات آینده فراتر رود. بنابراین بازده صفر هنگامی اتفاق می افتد که معامله گران اطلاعات موجود در دسترس آنها را به اندازه کافی با ارزش برای تأمین هزینه های معامله در نظر نگیرند. Bekaert و همکاران.(2007) از این پروکسی در داده های بازارهای نوظهور استفاده کنید زیرا مجموعه داده آنها فقط حاوی سری قیمت ها است. Goyenko و همکاران.(2009) همچنین آزمایش کنید که آیا این اندازه گیری به همراه دیگران یک پروکسی دقیق نقدینگی است. آنها دریافتند که بازده صفر در ضبط گسترش مؤثر خوب نیست و عملکرد اقدامات بازگشت صفر پس از تغییر در اعشار رو به وخامت نمی رود.

4 در این مقاله ، ما بررسی می کنیم که آیا فرکانس بازده صفر ، همانطور که در لسندون و همکاران ارائه شده است.(1999) ، یک پروکسی مناسب برای بازارهای سفارش محدود با استفاده از داده های داخلی ، مقایسه آن برای سفارش پروکسی های نقدینگی مبتنی بر کتاب است. در این حالت ، اطلاعات اضافی را به مجموعه داده های داخلی ارائه می دهد که شامل جزئیات مربوط به سفارشات در انتظار یا وضعیت کتاب سفارش محدود فراتر از بهترین نقل قول ها نیست. این جزئیات در مجموعه داده ها بسیار کمتر است و با توجه به ظهور اخیر سیستم های تجاری جایگزین (ATS) ، امکانات معاملاتی چند جانبه (MTF) و لیست متقابل ، جمع آوری حتی دشوارتر است. با استفاده از یک مطالعه رویداد در مورد داده های بازار Euronext که 701 سهام را در بر می گیرد ، می فهمیم که بازده صفر 15 دقیقه ای مربوط به نقدینگی نیست بلکه به نقدینگی است ، که در همان بازه زمانی اندازه گیری می شود. نتایج در زیر نمونه های CAP کوچک ، میانی و بزرگ معتبر است. ما بیشتر رگرسیون ورود به سیستم مشروط را با یک متغیر ساختگی اجرا می کنیم که بازده صفر را به عنوان متغیر وابسته ضبط می کند. مجموعه رگرسیونرها شامل گسترش ، عمق ، پراکندگی و پروکسی شیب و همچنین متغیرهای فعالیت تجاری است. بنابراین ما در برابر استفاده از بازده صفر به عنوان معیار عدم اعتبار استدلال می کنیم و در عوض شواهدی از رابطه مثبت با نقدینگی در بازارهای مرتبه ای ارائه می دهیم. با این وجود ما تأیید می کنیم که فرکانس بازده صفر ممکن است هنوز هم به عنوان یک پروکسی برای عدم تجارت آگاهانه در نظر گرفته شود ، همانطور که توسط لسندون و همکاران پیشنهاد شده است.(1999) و توسط Bekaert و همکاران مورد بحث قرار گرفت.(2007).

5 این برای بررسی بیشتر نتایج intraday ما ، ما همان تجزیه و تحلیل را در بازه های زمانی مختلف انجام می دهیم: 20 ، 30 و 60 دقیقه. نتایج مطابق با یافته های فواصل 15 دقیقه ای است. نتایج به وضوح تأیید می کند که بازده صفر مربوط به نقدینگی است که در کتاب سفارش اندازه گیری می شود. در مرحله دوم ، بازده روزانه صفر و نحوه ارتباط آنها با همان متغیرهای نقدینگی را در نظر می گیریم. از آنجا که لسندون و همکاران.(1999) از وقایع روزانه بازده صفر استفاده می کنیم ، ما بررسی می کنیم که آیا بازده صفر روزانه با نقدینگی یا نقدینگی همراه است. حتی اگر نتایج قابل توجه تر باشد ، بازده صفر به احتمال زیاد به جای نقدینگی در مجموعه داده های روزانه ، نقدینگی را توصیف می کند.

6 باقیمانده مقاله به شرح زیر سازماندهی شده است. بخش 2 بازده های صفر را به عنوان شاخص وضعیت نقدینگی مورد بحث قرار می دهد. بخش 3 مجموعه داده ها و اقدامات نقدینگی مختلفی را که استفاده می شود ، توصیف می کند. بخش 4 روش مطالعه رویداد و نتایج را ارائه می دهد. بخش 5 روش و نتایج رگرسیون ورود به سیستم با اثرات ثابت را گزارش می کند. بخش پایانی نتیجه می گیرد.

2 - بازده صفر و (IL) نقدینگی

1 - اندازه گیری بازده صفر

7LESMOND و همکاران.(1999) با این استدلال که بازده صفر (یا صفر) هنگامی رخ می دهد که معامله گران آگاه (یا کمتر) مایل به تجارت نباشند ، بازده صفر را به نقص مربوط می کنند. آنها همچنین استدلال می كنند كه سهام مایع كمتری احتمالاً روزهای صفر را نشان می دهد ، از این رو بازده صفر است. پس از استدلال آنها ، بازده صفر هنگامی اتفاق می افتد که ارزش مجموعه اطلاعات جدید از هزینه معاملات تجاوز نمی کند. بنابراین ، معامله گران آگاه نسبت به سیگنال اطلاعات واکنش نشان نمی دهند. لسندون و همکاران.(1999) دریافت که اندازه شرکت با فرکانس بازده صفر ارتباط منفی دارد و به اندازه هر دو اندازه گیری Roll (1984) مربوط می شود و به نقل از گسترش می یابد. آنها بطور شهودی استدلال می كنند كه معامله گران آگاه پس از ارزیابی ارزش مجموعه اطلاعات جدید ، كه منجر به بازده صفر می شود ، تجارت نمی كنند ، زیرا تأثیر سایر انواع معامله گران با سر و صدا جذب می شود.

8 آنها به Bit مدل فرض می کنند که بازده واقعی بدون نظارت در روز T برای سهام I (R *_{آی تی}) توسط: [2] داده شده است

12 مکان R_mtبازگشت بازار برای روز t و ∈ است_{آی تی}یک شوک اطلاعات عمومی برای سهام من در روز t است.

13 آستانه که مقدار مجموعه اطلاعات جدید باید از آن فراتر رود_{1 من}≤ 0 برای اطلاعات منفی و α_{2 من}≥ 0 برای اطلاعات مثبت ، برای سهام i. این مدل با استفاده از عملکرد شرح داده شده در لسندون و همکاران (1999) با حداکثر احتمال تخمین زده می شود.

مدل 14this از چارچوب Copeland و Galai (1983) ، Glosten and Milgrom (1985) و Kyle (1985) پیروی می کند و دلالت بر این دارد که ورود اطلاعات جدید به درستی توسط هر معامله گر آگاه و همچنین زمان بندی واکنش آنها مشابه است.

لسندون و همکاران (1999) بر اساس این مدل متغیر وابسته محدود ، دو نوع اقدامات را ایجاد می کنند. مورد اول به عنوان تفاوت بین آستانه ها ، α ارائه می شود_{2 من} - α_{1 من}و مورد دوم به عنوان نسبت بازده صفر در یک بازه زمانی معین محاسبه می شود. این اقدامات در چندین مقاله مورد سوال قرار گرفته است. Goyenko و همکاران.(2009) سودمندی این اقدامات را با مقایسه آنها با مجموعه بزرگی از پروکسی های نقدینگی آزمایش کنید ، تأکید کنید که فرکانس بازده صفر یک پروکسی دقیق برای نقدینگی نیست. Bekaert و همکاران.(2007) از فرکانس بازده صفر برای پرداختن به رابطه بین نقدینگی و قیمت گذاری دارایی در داده های بازار نوظهور استفاده کنید ، زیرا آنها فقط در سری قیمت ها دفع می شوند. آنها همچنین در مورد محدودیت های این اقدام بحث می کنند. لوین و اشموکلر (2006) رابطه بین نقدینگی و لیست متقاطع را با استفاده از فرکانس بازده صفر مطالعه می کنند. لیو (2006) در مورد این اندازه گیری بحث و اصلاح می کند اما چانگ و همکاران.(2010) ارزیابی می کند که اصلاح لیو (2006) به طور قابل توجهی با بازده سهام در بازار ژاپن ، بر خلاف صفرها مرتبط نیست. لانگ و همکاران.(2012) از پروکسی برای ارزیابی اینکه آیا نقدینگی ، شفافیت و ارزش گذاری به یکدیگر مربوط می شود ، استفاده کنید.

2 - بازده صفر و تجارت آگاهانه

16 در یک بازار نمایندگی ، مدل لسندون و همکاران (1999) هنوز هم ممکن است از آنجا که سازنده بازار در صورت آمدن اطلاعات جدید گسترش می یابد و اگر معامله گران آگاه نتوانسته اند پنهان بمانند ، گسترش یابد. در این نوع بازار ، فروشنده به عنوان یک طرف مقابل برای کلیه ارسال های سفارش عمل می کند. فروشنده با توجه به تعیین پیشنهاد ، انحصارگر است و نقل قول ها را می پرسید. تشخیص بازرگانان آگاه یا تمایل آنها به تجارت ، بازار ساز را وادار می کند تا این گسترش را بزرگ کند ، که به نوبه خود بر بازدهی که معامله گران آگاه می توانستند بدون مداخله فروشنده انجام دهند ، تأثیر می گذارد. بنابراین آنها دیگر مایل به تجارت نیستند. بازار غیرقانونی تر می شود و احتمال بازگشت صفر بیشتر است. با این حال ، لسمون و همکاران (1999) از داده های سهام جداگانه NYSE/AMEX استفاده می کنند که به سازندگان بازار تعیین شده منتسب می شوند ، همچنین به آن متخصص می گویند. متخصصان ممکن است در صورت تحقق تمام سفارشات برجسته در بهترین نقل قول ها ، تجارت کنند. بنابراین معامله گران به احتمال زیاد با یکدیگر تجارت می کنند ، همانطور که در یک بازار سفارش سنتی محدود است.

17 هنگامی که ما با دقت بیشتری کاربرد این مدل را در یک بازار کتاب سفارش محدود بررسی می کنیم ، برخی از فرضیه ها دیگر نگهداری نمی شوند. یکی از فرضیات اصلی این مدل این است که فقط معامله گران آگاه قیمت ها را به عنوان بازده صفر به حجم "آگاهانه" پروکسی صفر گفته می کنند. با این حال ، معامله گران ناآگاه نیز ممکن است به میزان قابل توجهی بر قیمت ها تأثیر بگذارد و شواهد تحقیقاتی اخیر نشان داده است که معامله گران آگاه همیشه تجارت تهاجمی ندارند ، به عنوان مثال. بلومفیلد و همکاران.(2005). Bekaert و همکاران.(2007) همچنین به نفع آن نقطه استدلال می کند حتی اگر بازده صفر هنوز هم ممکن است به عنوان معیار عدم تجارت آگاهانه در نظر گرفته شود ، به شکل معمول خود. Mazza (2014) همچنین تأیید می کند که در هنگام باز و بسته شدن قیمت ، معامله گران آگاه کمتری وجود دارند ، همانطور که توسط نشانگر PIN Easley و همکاران اندازه گیری می شود.(1996). لسندون و همکاران (1999) این فرضیه را مستقیماً آزمایش نکردند زیرا این شرط برای نگه داشتن مدل آنهاست ، یعنی بازده صفر نتیجه عدم تمایل معامله گران آگاه به تجارت پس از آینده اطلاعات جدید است که ارزش آنها از آن فراتر نمی رودآستانهBekaert و همکاران.(2007) با این وجود استدلال می کند که اخبار مربوط به شوک هایی است که مربوط به نوسانات اضافی است. در نتیجه ، اگر خبرهایی وجود دارد که تجارت را فعال نمی کند یا خبری ندارد ، هیچ نوسانات اضافی وجود ندارد ، که این امر به معنای نقدینگی بالاتر است. این موضوع توسط پاگانو (1989) پیشنهاد شده است ، در میان دیگران ، که رابطه مثبت بین عدم اعتبار و نوسانات را مشخص می کند. این لینک مخالف گزاره لسندون و همکاران (1999) است که استدلال می کنند که بازده صفر حاکی از هزینه های بالاتر معاملات است ، از این رو نقدینگی پایین تر است. Bekaert و همکاران.(2007) همچنین لیست متقاطع بنگاه ها را به عنوان یک محدودیت جدی در مدل ارائه می دهد ، زیرا نقدینگی محلی ممکن است به طرز چشمگیری با نقدینگی خارجی متفاوت باشد.

دلیل دیگری که سودمندی از اندازه گیری بازده صفر را در بازارهای محدود مورد نظر ایجاد می کند ، در ارتباط بین صفرها و عدم اعتبار قرار دارد. لسندون و همكاران (1999) پیوند را با ایجاد این فرضیه مبنی بر افزایش هزینه های معامله هنگامی كه معامله گران آگاه نمی خواهند پس از ورود به مجموعه اطلاعات جدید تجارت كنند ، بیشتر می كنند زیرا ارزش این اطلاعات جدید از هزینه معاملات تجاوز نمی كند. اگر این فرضیه را زیر سوال ببریم ، همانطور که باید برای بازارهای سفارش محدود با یک کتاب سفارش عمومی و قابل مشاهده ، مدل دیگر حفظ نمی شود. تنها گزاره ای که هنوز هم اعمال می شود این است که صفرها با تجارت کمتر آگاهانه مرتبط هستند. لسندون و همکاران (1999) ، Bekaert و همکاران.(2007) و ماززا (2014) در مورد این نکته موافق هستند. استدلال آنها فقط در نحوه تجارت آگاهانه با عدم اعتبار متفاوت است. لندموند و همكاران (1999) استدلال می كنند كه سطح بالایی از هزینه های معامله ، از این رو یك وضعیت غیرقانونی از كتاب سفارش ، همان چیزی است كه نیروها به معامله گران آگاه می كنند كه تجارت نكنند. Mazza (2014) با این حال نشان می دهد که معامله گران آگاه کمتر تجارت می کنند زیرا اجماع در مورد ارزش منصفانه امنیت وجود دارد و قیمت ها کارآمد هستند. همانطور که معامله گران آگاه در جلسه فعلی شرکت نمی کنند ، یعنی آنها تجارت نمی کنند تا قیمت را به سمت ارزش اساسی سوق دهند ، کتاب سفارش نقدینگی بالاتری را نشان می دهد. ادبیات گسترده ای در مورد ارسال سفارش توسط معامله گران آگاه وجود دارد که نشان می دهد عدم وجود تجارت آگاهانه باید منجر به نقدینگی بالاتر شود. این استدلال با استدلال لسندون و همکاران (1999) مخالف است. به عنوان مثال ، هریس (1998) نشان می دهد که وقتی معتقدند اطلاعات آنها کوتاه مدت است ، استفاده از معامله گران آگاه از سفارشات بازار بیشتر است. هریس (2003) همچنین نشان می دهد که "مهمترین تصمیم آنها این است که آیا تجارت تهاجمی تجارت می کنند یا نه". این تصمیم حاکی از به حداقل رساندن هزینه های معاملاتی است: اگر سهام (نه) نقدی باشد ، ممکن است آنها (نه) تجارت را به صورت تهاجمی انجام دهند. اگر آنها بدانند که مزیت اطلاعاتی آنها به اندازه کافی طولانی خواهد ماند ، آنها ترجیح می دهند تجارت به آرامی کاهش یابد تا از تأثیر بازار خود کاسته شود. آناند و همکاران.(2005) همچنین به صورت تجربی در مورد تغییرات در استراتژی های معاملاتی معامله گران آگاه تحقیق می کند و می یابد که آنها سفارشات نقدینگی را در اوایل روز قرار می دهند در حالی که نقدینگی را بعداً در همان روز ارائه می دهند.

19 در این حساب ، مززا (2014) برخی از توجیهات نظری را برای توصیف نقدینگی بالاتر که در صورت وجود اجماع موقت بین خریداران و فروشندگان در مورد ارزش اساسی امنیت وجود دارد ، پیشنهاد می کند. او استدلال خود را بر اساس بلومفیلد و همکاران پایه گذاری می کند.(2005) که نشان می دهد معامله گران آگاه هنگام تخمین اطلاعات خود ، نقدینگی را ارائه می دهند ، به جای مصرف آن از کتاب ، ارزش کمتری دارند ، همانطور که هنگام تخمین این ارزش به عنوان بالا انجام می دهند. در الگوی خود ، معامله گران آگاه وقتی ارزش اطلاعات خود را کاهش می دهد ، تجارت را متوقف نمی کنند ، اما سفارشات محدودیت تهاجمی را برای کسب گسترش ارسال می کنند. در فرضیه اطلاعات نامتقارن ، آنها هنگام ارسال سفارشات محدودیت ، ریسک کمتری را متحمل می شوند زیرا هزینه تجارت در برابر یک معامله گر آگاه بهتر را تحمل نمی کنند. رفتار به عنوان فروشندگان وقتی که آنها نمی توانند سودآوری در مجموعه اطلاعات خود تجارت کنند ، بهترین انتخاب آنها برای کسب درآمد است. بلومفیلد و همکاران.(2005) همچنین نشان می دهد که سود آنها در این مورد آخر حتی بیشتر است. علاوه بر این ، هریس (1998) و بلومفیلد و همکاران.(2005) نشان می دهد که معامله گران نقدینگی نیز به احتمال زیاد در طول روز شیوه تجارت خود را تغییر می دهند: آنها در ابتدا سعی می کنند با ارسال سفارشات محدود ، که ارزان تر هستند ، هدف خود را برآورده کنند ، اما از آنجانزدیک به پایان روز. در نتیجه ، آنها به نقدینگی ارائه شده توسط معامله گران آگاه رسیدند. این گزاره ها با آناند و همکاران سازگار هستند.(2005). علاوه بر این ، معامله گران آگاه متقارن با یکدیگر تجارت نخواهند کرد ، همانطور که هریس (2003) بیان کرد. این بدان معنی است که فعالیت معاملاتی توسط نقدینگی یا معامله گران سر و صدا انجام می شود که سفارشات محدود در انتظار معامله گران را انتخاب می کنند. معامله گران آگاه سعی خواهند کرد با کاهش گسترش ، اولویت قیمت را بدست آورند و به ارزش اساسی نزدیک شوند تا احتمال انتخاب توسط سایر بازرگانان افزایش یابد. یک اثر رقابت وجود دارد که کتاب سفارش را آموزنده تر ، متراکم تر و باریک تر می کند. معاملات هنگامی که معامله گران آگاه تخمین می زنند که این گسترش به اندازه کافی کم است تا به بهترین پیشنهاد مخالف یا هنگامی که ارزش اساسی تغییر کرده است ، تغییر یابد ، همانطور که در مززا (2014) توضیح داده شده است. در نتیجه ، هنگامی که یک فرآیند کشف قیمت به اندازه کافی کارآمد بوده است تا یک منتون موافق ارزش اساسی امنیتی که در داخل آن قرار دارد ، به دست بیاورد ، معامله گران آگاه نقدینگی را برای به دست آوردن گسترش ارائه می دهند.

20Furthermore ، Lesmond و همکاران (1999) از بازده صفر به عنوان پراکسی نقدینگی با فرکانس پایین استفاده می کنند و با هدف اندازه گیری نقدینگی در هنگام حجم ، معاملات و داده های سفارش در دسترس نیستند. بر اساس داده های فرکانس بالا ، ما استدلال می کنیم که بازده صفر همیشه مربوط به حجم معاملات کمتر نیست ، زیرا نقدینگی ممکن است در هر دو طرف کتاب وجود داشته باشد ، دلالت بر اینکه قیمت ها قبل از نقدینگی برجسته در بهترین نقل قول ها خشک نمی شوند. بشربه وضوح نیاز به جدا کردن حجم صفر از بازده صفر برای کلاه های بزرگ و کوچک وجود دارد.

علاوه بر این ، اگر ما نسبت ناهماهنگی Amihud را که در Amihud (2002) ارائه شده است ، در نظر بگیریم ، که به عنوان تعریف شده است ، هرچه بازده برای یک حجم معین پایین تر باشد ، نقدینگی بیشتر می شود. هنگامی که بازده به صفر نزدیکتر است ، برای یک حجم معین ، نسبت پایین تر و نقدینگی بیشتر است. به عنوان یک نتیجه ، تفسیر این نسبت مخالف منطقی است که لسیم و همکاران (1999) در آن وجود دارد.

22 در این محدودیت ها ، ما استفاده از بازده صفر را به عنوان یک پروکسی برای نقص بودن یا هزینه های بالاتر معاملات در یک بازار سفارش محدود زیر سوال می بریم. در این مقاله ، ما ارتباط بین بازده صفر intraday و پروکسی های نقدینگی مبتنی بر کتاب و تجارت را مورد تجزیه و تحلیل قرار می دهیم. مطالعه ما بر بازده صفر صفر به جای روزانه متمرکز شده است تا توجیه پروکسی را در بازه های زمانی پایین بررسی کند. پرداختن به وقوع بازده صفر و پیامدهای آنها در ساختار ساختار بازار با اندازه گیری اولیه ارائه شده توسط لسندون و همکاران (1999) متفاوت است. با این وجود ، توجیهات آنها بر تفسیر هر بازده صفر فردی که جمع می شوند برای تشکیل یک پروکسی با فرکانس پایین استوار است. در نتیجه ، استدلال آنها نیز باید در مورد داده های فرکانس بالاتر تأیید شود. مشکل احتمالی حرکت به فواصل داخلی در این واقعیت است که نقدینگی داخل بدن به شکل U است (Biais et al. ، 1995). برای اینکه نتایج خود را قوی کنیم ، ما این الگوی U شکل را در روش مطالعه رویداد خود در نظر می گیریم. به بهترین دانش ما ، این مقاله اولین بار است که به طور کامل محتوای اطلاعاتی از بازده صفر را در یک بازه زمانی داخلی تجزیه و تحلیل می کند. با بررسی استحکام ، ما طول بازه های مختلف را در نظر می گیریم و بررسی می کنیم که آیا این رابطه هنوز برای داده های روزانه نگه داشته می شود یا خیر.

3 - پروکسی های داده و نقدینگی

1 - داده ها

23 ما رابطه بین صفر و نقدینگی را با استفاده از داده های بازار Euronext در 701 سهام آزمایش می کنیم. این مجموعه داده منحصر به فرد و غنی شامل کلیه سفارشات و معاملات برای 61 روز معاملات از 1 فوریه تا 30 آوریل 2006 است. از آنجالیست متقابلمزیت اصلی این مجموعه داده جلوگیری از این پدیده است. برای اینکه هنوز نماینده فعالیت های بازار باشد ، مجموعه داده های اخیر باید اطلاعات کافی از MTF و داده های بازار را شامل شود ، که در محیط تجارت غیرمتمرکز امروز بسیار دشوار شده است. علاوه بر این ، مجموعه داده های ما شامل شناسه اعضای بازار است که ما از آن برای جدا کردن معاملات مبتنی بر خریدار و فروشنده و بدون هیچ گونه حاشیه خطایی استفاده می کنیم. به طور سنتی ، در مطالعات ریزساختار بازار ، از الگوریتم Lee and Ready (1991) برای طبقه بندی معاملات خریدار و فروشنده استفاده می شود. این الگوریتم ثابت شده است که به اندازه کافی کارآمد است اما ممکن است طبقه بندی نادرست رخ دهد. در مورد ما ، ما می توانیم با مقایسه زمان ارسال و نوع سفارشات ، دو سفارش را که هر معامله را تولید می کنند ، مطابقت دهیم. سرانجام ، ما همچنین داده های ناشناخته در مورد سفارشات پنهان ارائه می شود [3]. ما از 9:00 صبح تا 5:30 بعد از ظهر (CET) 15 دقیقه ای می سازیم که منجر به 34 فواصل در روز می شود.[4] در بخش بررسی های استحکام ، ما بررسی می کنیم که آیا یافته های ما هنوز برای بازه های زمانی مختلف نگه داشته می شود.

24 در مطالعه رویداد ما ، ما باید رویدادهای مسری را کنترل کنیم ، یعنی بیش از یک رویداد در یک پنجره. یک رویداد وقوع بازگشت صفر است. به منظور جلوگیری از اثرات مسری بین وقایع ، ما در سه دوره قبلی و بعدی در مورد وقوع بازده صفر اتفاقات را در نظر نمی گیریم. ما فقط ویندوزهای [-3 ،+3] را در نظر می گیریم که فقط یک رویداد در زمان t = 0 رخ می دهد. قبل از فیلترها ، نمونه شامل 671،843 بازده صفر است. پس از فیلترها ، فقط 6302 رویداد باقی مانده است. این نتیجه غیر تدارکاتی است که اغلب بر سهام کلاه های کوچک تأثیر می گذارد. ما بانک اطلاعاتی کامل را به سه پرتفوی مبتنی بر سرمایه تقسیم می کنیم ، که توسط لسندون و همکاران ایجاد می شود.(1999) که نشان می دهد که اندازه شرکت در رابطه بین بازده صفر و نقدینگی تأثیر دارد. شرکت های بزرگ ، میانه و کوچک به ترتیب سرمایه گذاری در بازار بزرگتر از 1 میلیارد یورو ، بین 150 میلیون یورو و 1 میلیارد یورو و زیر 150 میلیون یورو را نشان می دهند.

25 شکل 1 توزیع وقایع ما را در بین 34 فواصل نشان می دهد. نمونه فیلتر نشده اوج حدود ظهر را نشان می دهد که ناشی از غیر تدارکاتی است که در اطراف زمان ناهار رخ می دهد. ما مشاهده می کنیم که اوج پس از اعمال فیلترها از بین می رود. این ارقام بیشتر نشان می دهد که پراکندگی گسترده ای از بازده صفر وجود دارد و قرار نیست آنها در یک لحظه خاص در طول روز اتفاق بیفتند ، که حدود ظهر استثنا می شوند.

شکل 1

صفر با فاصله باز می گردد