Abstract:
هدف اصلی این پژوهش، توسعه الگوریتم معاملاتی در بازارهای متلاطم است. روزهای متلاطم در بازار در این پژوهش زمانی تعریف میشوند که مقادیر قدرمطلق بازدههای بازار بزرگتر از 2 درصد هستند. بدین منظور، نمونهای متشکل از 276 شرکت پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رگرسیون چندمتغیره و لجستیک بررسی شده است. نتایج پژوهش نشان داد در روزهای صعودی بازار، سهامهایی که تقاضای معاملات الگوریتمی بیشتری دارند، دارای بازده غیرعادی سهام کمتری هستند و از نوسانات قیمت کمتری برخوردار هستند. نتایج در مورد روزهای نزولی بازار نشان داد سهامهایی که بیشتر توسط معاملات الگوریتمی معامله میشوند، نوسانات نزولی بیشتری را در روزهای نزولی بازار از خود نشان میدهند. همچنین نتایج نشان داد اخبار و اطلاعات حسابداری بر تصمیمات معاملهگران الگوریتمی در روزهای متلاطم تاثیر میگذارد و منجر به نوسانات کمتر قیمت سهام میشود. به گونهای که شدت معاملات الگوریتمی در ارتباط با نوسانات قیمت در شرکتهایی که اخبار و اطلاعات حساس به قیمت منتشر میکنند در مقایسه با سایر شرکتهای بیشتر است. به طور کلی نتایج نشان داد، در مقایسه با معاملات غیرالگوریتمی، معاملات الگوریتمی موجب نوسان قیمت بین سهام در بازارهای آشفته نمیشوند.
The main purpose of this study is to develop an algorithm trading in turbulent markets. we define turbulent days as days when the absolute values of market returns are greater than 2%. For this purpose, a sample of 276 companies listed on the Tehran Stock Exchange during 2019 has been studied using multivariate regression and logistics. The results showed that in the bullish days of the market, stocks that demand more algorithmic trades have lower abnormal stock returns and have lower price fluctuations. The results for the downtrends showed that the stocks that are traded mostly by algorithmic trading show more downside fluctuations in the downtrends. The results also showed that accounting news and information influence the decisions of algorithmic traders in turbulent days and lead to fewer stock price fluctuations. The intensity of algorithmic transactions about price fluctuations in companies that publish price-sensitive news and information is higher than other companies. In general, the results showed that, compared to non-algorithmic trading, algorithmic trading does not cause price fluctuations between stocks in turbulent markets.
Machine summary:
اين در حالي است که بر مبناي ادبيات ، معامله گران الگوريتمي به عنوان يک پيام رسان عمل ميکنند و ميتوانند منجر به تغييرات قيمت بين مشتقات مالي، شاخص ها و قيمت هاي مرتبط به سهام در بلندمدت شوند (چبود و همکاران ، ٢٠١٤)؛ لذا معاملات الگوريتمي ميتواند در شرايط کاهش (افزايش ) شديد شاخص هاي بازار، موجب اعمال فشار قيمتي بر تک تک سهام شود و بدين ترتيب معاملات الگوريتمي ميتوانند موجب فشار و تاثير قيمتي بلندمدت بر معاملات شوند و قيمت گذاري را تحت تاثير قرار دهند (هاندرشات ، جونز و منکولد، ٢٠١١)؛ لذا سوالي که مطرح ميشود اين است که آيا وقتي بازار با روند نزولي (صعودي) شديد و بلندمدت روبرو است ، معاملات الگوريتمي سبب کاهش بيشتر (کمتر) قيمت يک سهم ميشوند؟ از اين رو در اين پژوهش تعداد سهام شرکت ها در قالب دو گروه روزهاي رويداد (روزهايي که مقادير قدرمطلق بازده هاي بازار بزرگتر از ٢ درصد هستند) و غيررويداد و سپس روزهاي رويداد نيز به دو گروه روزهاي صعودي و نزولي تقسيم شده است تا تاثير معاملات الگوريتمي بر نرخ بازده غيرعادي و نوسانات قيمت سهام در شرايطي که کل بازار جريان سريع و غيرعادي يا افت هايي را تجربه ميکند، بررسي شود.
280 يادادشت ها 1- Hendershott, Jones and Menkveld 2- Hasbrouck and Saar 3- Aggarwal and Thomas 4- Hendershott and Riordan 5- Chaboud, Chiquoine, Hjalmarsson, and Vega ٦- زير مجموعه اي از معاملات الگوريتمي است که اغلب بر اساس تاکيد بر سرعت معاملاتي از معاملات الگوريتمي متمايز مي شود.
7- Brogaard, Hendershott and Riordan 8- Zhou, Kalev, and Frino 9- Kirilenko, Kyle, Samadi and Tuzun 10- Bertram 11- Zeng and Lee 12- Gao and Mizrach 13- Brogaard and Garriott 14- Algorithmic Trading Liquidity Demanding Intensity 15- Algorithmic Trading Liquidity Supply Intensity 16- Boehmer, Fong and Wu 281