交易量的日内季节性和非平稳性

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Intraday Seasonalities and Nonstationarity of Trading Volume in
  Financial Markets: Individual and Cross-Sectional Features》
---
作者：
Michelle B Graczyk, Silvio M D Queir\\\'os
---
最新提交年份：
2018
---
英文摘要：
  We study the intraday behaviour of the statistical moments of the trading volume of the blue chip equities that composed the Dow Jones Industrial Average index between 2003 and 2014. By splitting that time interval into semesters, we provide a quantitative account of the non-stationary nature of the intraday statistical properties as well. Explicitly, we prove the well-known U-shape exhibited by the average trading volume-as well as the volatility of the price fluctuations-experienced a significant change from 2008 (the year of the sub-prime financial crisis) onwards. That has resulted in a faster relaxation after the market opening and relates to a consistent decrease in the convexity of the average trading volume intraday profile. Simultaneously, the last part of the session has become steeper as well, a modification that is likely to have been triggered by the new short-selling rules that were introduced in 2007 by the Securities and Exchange Commission. The combination of both results reveals that the has been turning into a t. Additionally, the analysis of higher-order cumulants namely the skewness and the kurtosis-shows that the morning and the afternoon parts of the trading session are each clearly associated with different statistical features and hence dynamical rules. Concretely, we claim that the large initial trading volume is due to wayward stocks whereas the large volume during the last part of the session hinges on a cohesive increase of the trading volume. That dissimilarity between the two parts of the trading session is stressed in periods of higher uproar in the market.
---
中文摘要：
我们研究了2003年至2014年间构成道琼斯工业平均指数的蓝筹股成交量的统计矩的日内行为。通过将时间间隔拆分为学期，我们还定量说明了日内统计特性的非平稳性质。明确地说，我们证明了从2008年（次贷金融危机年）起，平均交易量以及价格波动的波动性所表现出的众所周知的U型曲线发生了重大变化。这导致市场开盘后更快的放松，并与日内平均交易量曲线的凸度持续下降有关。与此同时，交易日的最后一部分也变得更加陡峭，这一修改可能是由美国证券交易委员会（sec）2007年推出的新卖空规则引发的。这两个结果的结合表明，已变为t。此外，对高阶累积量（即偏度和峰度）的分析表明，交易日的上午和下午部分都与不同的统计特征以及动态规则有明显的关联。具体而言，我们声称，初期交易量较大是由于任性股票，而交易日最后部分的交易量较大则取决于交易量的一致增长。在市场动荡的时期，这两个交易日的不同之处得到了强调。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Intraday_Seasonalities_and_Nonstationarity_of_Trading_Volume_in_Financial_Market.pdf (3.27 MB)

2022-6-11 01:53:55 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：非平稳 交易量 季节性 平稳性 Quantitative

研究文章金融市场交易量的日内季节性和非平稳性：个人和横截面特征Mchelle B.Graczyk，Si'lvio M.Duarte Queiro的*1 Centro Brasileiro de Pesquisas Fi'sicas，Rio de Janeiro，RJ，Brazil，2 National Institute of Science and Technology for Complex Systems，Rio de Janeiro，RJ，Brazil*sdqueiro@google.comAbstractWe研究2003年至2014年间构成道琼斯工业平均指数的蓝筹股成交量的统计矩的日内行为。通过将时间间隔拆分为学期，我们还定量说明了日内统计特性的非静态性质。明确地我们证明了自2008年（次贷金融危机年）以来，平均交易量以及价格波动的波动性所表现出的众所周知的[-形状]发生了重大变化向前这导致了开市后更快的放松，并与平均成交量增量曲线的凸度持续下降有关。与此同时，交易日的最后一部分也变得更加陡峭，这可能是由美国证券交易委员会（sec）于2007年推出的新卖空规则引发的。这两个结果的组合表明[已经变成了t。此外，对高阶累积量即偏度和峰度的分析表明，交易日上午和下午的部分都与不同的统计特征和动态规则有明显的关联。具体而言，我们声称，初始交易量较大是由于任性股票，而交易日期间的交易量较大会议的最后一部分取决于交易量的一致增长。

这两个交易日的不同之处在市场更为动荡的时期得到了强调。引言尽管金融资产的状态及其所构成的指数传统上以给定时间段内的价格S（t）及其（百分比）变化r（t）Δt为特征，但现在已经确定，金融系统的复杂性质不能通过减少数量来令人满意地描述【1–4】。出于这个原因，随着我们从主流大众媒体向金融平台的转变，我们默认会告诉我们波动率，以及资产金额（股票在Los ONE | DOI:10.1371/journal.pone.0165057 2016年11月3日1/25A11111公开引用：Graczyk MB，Duarte Queiro的SM（2016）《金融市场交易量的日内季节性和非平稳性：个体和横截面特征》。PLoS ONE 11（11）：e0165057。doi:10.1371/journal。波内。0165057编辑：Enrico Scalas，苏塞克斯大学，联合王国接收日期：2016年5月7日接受日期：2016年9月9日出版日期：2016年11月3日版权所有：(c)2016 Graczyk，Duarte Queiro\'s。这是一篇根据知识共享署名许可证条款发行的开放获取文章，允许在任何媒体中不受限制地使用、发行和制作，前提是原始作者和来源已记入贷方。数据可用性声明：数据可从Centralesupe'lec（法国巴黎）定量金融主席处获得。

有关这些数据的任何请求必须提交给主管，ProfFre'de'ric Abergel（frederic。abergel@ecp.fr).关于它们的可用性，他向我们发送了以下确认：“CentraleSupe\'lec的QuantitativeFinance主席将允许任何对订单数据感兴趣的科学家在线访问”。资金：这项工作由Desenvolvimento Cient（fico eTecnolo\'gico）（Si'博士lvio M.Duarte Queiro\'S）和Fundac（Carlos Chagas Filho de Amparoáour case）共同资助，他们改变了交易量、v以及参考价格、支撑距离和阻力水平等数据。由于金融市场是我们社会体系的一部分，在第二个层面上，波动性和交易量都提供了一种量化市场参与者情绪的方法，市场参与者的行为在很大程度上取决于宏观市场状态。换句话说，如果我们排除股息支付、（反向）股票分割和外部效应等事件，例如，商品交易公司的价格与其业务所基于的产品密切相关，例如，中东政治危机一直影响着原油价格和石油公司的价值，无论其国籍如何，当买方和卖方同意将该资产的数量v换成与当前报价不同的价值S时，股权价格就会发生变化。买入或卖出的意愿主要基于对股票（低估）定价过高及其预期演变的评估。这种评估可以通过分析当前和未来的经济情景来建立，包括公司或其活动部门的基本面，仅举几个例子，这显然涉及到信息处理[5]。

因此，每次交易给定的第五卷时，信息即使是潜在的或包装为感知，也会传播到整个系统的微观组成部分，即金融机构，并最终助长羊群现象的出现【6，7】。信息流降临并影响价格动态的方式分离出了金融学中两个最重要的理论：混合分布假说[8]和信息顺序到达假说[9]；前者将波动性和交易量与金融市场中的信息和潜在事件联系起来，而后者则意味着输入市场的给定数量的信息将以这样一种方式传播，即它将形成一系列局部稳态，直到最终达到均衡。此外，如果我们牢记美国股票市场典型的流动性状况，即订单数量紧张、弹性强且不太深，那么大量交易被认为是必要的，以引发巨大的价格波动。这就是说，我们理解，相关信息的出现往往会在大量交易中实现物质化，这会对订单本身造成压力，最终引发巨大的价格波动。尽管最近的研究【10】认为，价格大幅波动的主要原因是订单中出现的不平衡，而不是v值过大，但现实情况是，超过70%的蓝筹股美国股票的日价格波动高于4%——对应于4个多标准差，其交易量至少是其日平均值的两倍，这一观察结果支持了著名的口号“价格变动需要成交量”。人们对交易量或交易价值的定量描述感兴趣，而交易量或交易价值是v和S通过其产品组合而成的【11，12】——已经过时了【7】。

在任何一个量的所谓类型事实中，我们都可以强调长期自相关函数和fattailed平稳分布，这最初与对数正态相关。通过对高频数据的分析，我们发现交易量分布p（v）实际上与渐近幂律分布，即F分布是一致的【13–19】。关于自相关函数，尽管之前的分析也指出了幂律衰减[20]，但随后的结果表明，数量最好用指数区域的组合来描述[21]，这一结果支持了p（v）的“超统计”方法（关于最近的交易量审查，请参考[23]）。结合这些结果，可以将这些统计特征归因于交易活动的非平稳性，即（本地）平均交易量所依赖的市场中活跃代理人的数量。在考虑到另一个公认的事实处理数据后，这种非平稳性甚至得到了验证：交易日的开盘和收盘季节性以及股票交易量的非平稳性SPLOS ONE | DOI:10.1371/journal。波内。2016年11月3日，里约热内卢（Michelle Bau Graczyk女士）。资助者在研究设计、数据收集和分析、决定出版或准备手稿方面没有任何作用。竞争利益：作者宣称不存在竞争利益。交易日的交易量明显较大，导致日内交易概况被广泛称为[-金融市场形态]；价格波动的绝对值以及计算波动率的其他形式展示了类似的情况【26】。

有两个原因可以解释这种现象：一方面，当市场开放时，我们可以将一夜之间出现的新闻和事件转移到股票价格，同时考虑到它们对公司、经济部门或国家价值的可能影响。另一方面，我们有日内交易员的行为，他们不从一天到另一天持有未平仓头寸，也就是说，他们使用完全由现金组成的投资组合开始和结束工作日。此外，交易的日内情况可能会受到市场特质的影响，即对代理人平仓或对冲衍生品的期限的裁决。最近，对日内季节性的分析扩展到了个人和集体统计价格波动的高阶时刻。这项工作表明，这些数量中存在着有趣的日内轮廓，以及不同顺序的元素之间的关系。考虑到这项工作以及交易量在描述金融市场动态方面的相关性，在本手稿中，Weintroducing对v的盘中属性进行了可比分析。此外，由于金融市场是由收缩和扩张周期组成的经济体的一种有充分根据的代表，我们还可以通过分析上述日内特征近年来的演变程度（假设每学期都有变化）进一步深入研究。为了简洁起见，我们将工作分为两部分：分别分析与交易量前四阶累积量相关的统计特性和横截面分析。

在随后的工作中，我们将讨论数据的集体日内特征及其非平稳性。材料和方法道尔结果是使用奥尔森金融数据公司和埃科尔中央大学定量金融主席提供的2004年1月4日至2013年12月30日期间道琼斯工业平均指数30家公司的1分钟频率价格和交易量数据获得的。具体而言，前者提供了2004年第二学期的数据，我们将其用于第一次分析，前者提供了与获得完整结果的整套数据相对应的数据。表1列出了这些公司的股票代码，其中后缀“.N”表示股票分别在纽约证券交易所和纳斯达克交易“.OQ”。这两个市场都在9:30开盘，16:00收盘，都有上市前和上市后的时段。我们使用以下符号：v（d，t；s）表示公司1分钟的交易量，i，在盘中时间，t-以整数形式定义，t=0表示时钟时间的9:30，t=390对应于16:00，在当天，d；此外，我们还考虑了d所属的学期s，因为我们将数据划分为连续的学期，以评估日内属性的非平稳性。这样的分割在准平稳性和每个跨度内统计显著的天数之间取得了良好的平衡，从而可以实现更高阶的统计分析。

2004年第一学期（1S04）对应s=1，2004年第二学期（2S04）对应s=2，依此类推，直到2013年第二学期（2S13），即s=19。主要公式和定义让我们考虑一个一般量O，以介绍我们将在下文中使用的符号。通常，我们有O 1/4 vn（n=1,2），但它可以表示股票交易量的累积量——交易量的季节性和非平稳性——DOI:10.1371/journal。波内。0165057 2016年11月3日3/25，特别是在非平稳性分析案例中。也就是说，我们定义了两种平均值；明确地说，我们计算了daysOidt的平均值；sThNDXdld 1/4 dOidd；t；sTh；d1Th其中d（d）对应于学期s的第一（最后）天，该天包含公司i在时间t的营业日报价。因此，对于给定年份的第一（第二）学期，d通常表示1月（7月）的第一个营业日和6月（12月）的最后一个营业日。我们每学期平均有126天。我们本可以使用其他细分方法，例如【29】中介绍的方法，该方法已应用于金融量分析【30】；然而，它的应用很可能会产生持续时间不长的补丁，因此存在相当小的间隔，从而产生不充分的统计数据。表1：。被分析的公司及其股票代码。公司股票代码symbolAlcoa股份有限公司AA。美国国际集团（股份有限公司）美国国际集团（AIG）。美国运通公司AXP。NBoeing有限公司BACitigroup股份有限公司C.NCatterpilar股份有限公司CAT。氖。一、 杜邦公司（DuPont de Nemours&Co.DD.NWalt Disney Co.DIS）。通用电气公司。通用汽车公司（GM.NHome Depot股份有限公司HD）。NHoneywell国际股份有限公司HO。NHewlettPackard公司HPQ。国际商用机器公司。NIntel公司国际贸易公司。OQJohnson&Johnson JNJ公司。NJPMorgan Case&Co.JPM。NCoca可乐公司。NMcDonald公司。

MCD。N3M公司MMM。NAltria Group Inc.MO.NMerc&Co.MRK公司。微软公司。OQP Fizer股份有限公司PFE。NProcter&Gamble Co.PG.NSBC Communications Inc.->美国电话电报公司（股份有限公司）SBC。N->T.NUnited Technologies Corp.UTX。NVerizon Communications股份有限公司VZ。NWal Mart Stores股份有限公司WMT。尼克松美孚公司。Ndoi:10.1371/journal。波内。0165057.T001股票交易量的日内季节性和非平稳性SPLOS ONE | DOI:10.1371/journal。波内。0165057 2016年11月3日4/25或者，我们也可以对多家公司进行平均。这些定义为ashOdd；t；sThiNCXiOidd；t；sTh；其中n表示公司数量。在我们的案例中，除s=11、12和13的情况外，大多数受访者的Nis等于30，其中我们考虑了29家公司，因为GM向美国破产法院提交了重组程序（“第11章”）。此外，我们还可以将天数和公司的平均值结合起来，~ Odt；sTh 海dd；t；sThi；或者反过来，公司的平均数之后是天数的平均数，^Odt；sTh海dd；t；sThi；我们将其与横断面统计研究相关。在每种情况下，等式（1）为单个，等式（2）为横截面——我们用μ，midt表示平均交易量；sTh vidd；t；sTh；mdd；tTh hvidd；t；sThi；d5Th很容易验证~mdt；sTh 1/4 mdt；sTh。等效地，位于排序交易量中点的中值（考虑到在时间t注册的公司在学期s（individualanalysis）的所有价值，或在给定时间t和日期d（横截面分析）的所有公司的价值）分别用m（t；s）或m（d，t；s）表示。如果我们直接用O 1/4 vn（n）应用等式（1）和（2）中的公式，我们想要分析的量，即高阶统计矩，容易产生很大的误差3） 来计算它们。