Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzata Doman Akademia Ekonomiczna w Poznaniu

Transkrypt

1 Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzaa Doman Akademia Ekonomiczna w Poznaniu

2 Modele mikrosrukury rynku Bageho (97) informed raders próbują wykorzysać swoją przewagę informacyjną i osiągnąć zysk Admai i Pfleiderer (988) wolumen, spread bid/ask, czas rwania ceny, zmienność Copeland i Galai (983), Glosen i Milgram (983) uninformed raders próbują zdobyć niepubliczną informację obserwując proces cen Karpoff (987) informacja zawara w wolumenie obrou Easley i O Hara (987, 994), Blume, Easley i O Hara (994) eoreyczny model uwzględniajacy znaczenie wolumenu O Hara (994) rola animaorów rynku Diamand i Varrecchia (987) no rades, bad news

3 Pyania Jakie zależności wysępują pomiędzy czasem rwania ceny, olumenem, a zmiennością akcji na GPW w Warszawie? Czy wolumen obrou i duracja mogą być użyeczne w opisie ynamiki cen, zn. czy mogą sanowić proxy dla procesu informacji? Czy wykrye zależności mogą wyjaśnić mechanizm przyswajania nformacji przez uniformed raders? Czy są one jednakowe dla spółek o dużej i małej płynności? Czy można analizując wspomniane zależności ocenić jaki jes udział i ola informed raders w handlu na GPW? Czy zależności na GPW są zgodne z obserwowanymi na wysoko ozwinięych giełdach?

4 Narzędzia Modele GARCH, ACD i ACV Model VAR zasosowany do badania zależności. (przy bardzo szczególnych założeniach)

5 θ, θ, K, θ,k uporządkowany ciąg chwil, w kórych pojawiają się kolejne ceny akcji: p, p,, K p d = θ θ duracja = czas rwania ceny E ( d Ω ) = ψ w wolumen obrou po cenie p E ( w Ω ) = ν

6 Model ACD Engle and Russel 998 d =ψ ξ ξ ~iid (, ) σ ξ rozkład Weibulla z paramerem γ ψ = ω α jd j p q j= j= β ψ j j ω > α j β j

7 Model ACV Manganelli w =ν η η ~iid (, σ η ) rozkład Weibulla z paramerem γ ν = ω α jw j p q j= j= β ν j j ω > α j β j

8 Esymacja modeli ACD Logarym funkcji wiarygodności N ln γ d γ ln Γ( ψ γ ) d Γ( ψ = γ ) d γ Esymacja ACV analogicznie

9 Model ACD(,) d =ψ ξ ξ ~iid (, ) ψ ω αd βψ = σ ξ Model ACV(,) w =ν η η ~iid (, ) σ η = ν ω αw βν

10 Dane noowania ick by ick okres: od 4 maja 6 r. do 7 kwienia 7 r. AGORA PEKAO ELZAB WANDALEX

11 Przygoowanie danych Czas mierzony z dokładnością do sekundy. Wolumen obrou ransakcji po ej samej cenie sumowany. Dla ransakcji w ej samej sekundzie po różnych cenach cena jes średnią ważoną wolumenem. Uwzględnienie efeku cykliczności śróddziennej. 6.3 = 9.3 AGORA PEKAO ELZAB WANDALEX Począkowa liczba obserwacji Liczba obserwacji po opracowaniu

12 AGORA 5 PEKAO 5 5 Średnie duracje w 35 godzinach dnia ELZAB 3 5 WANDALEX 5 5

13 45 AGORA PEKAO ELZAB Średni wolumen obrou 4 w godzinach dnia WANDALEX 8 6 4

14 .4 AGORA.35.3 PEKAO Średnie zwroy bezwzględne w godzinach dnia.8 ELZAB.6.4 WANDALEX

15 AGORA PEKAO Sopy zwrou odpowiadające czasom rwania ceny. Okres: WANDALEX.. ELZAB

16 Duracje. Okres: AGORA PEKAO ELZAB WANDALEX

17 Wyniki: ACD ψ ω αd βψ = Paramer AGORA PEKAO ELZAB WANDALEX ω α β γ.49 (.4).97 (.85).876 (.).7946 (.).385 (.55).47 (.95).8388 (.39).7979 (.4).5 (.).84 (.74).96 (.68).767 (.99).58 (7.434).477 (46.69).833 (.745).755 (7.5)

18 AGORA - durac ja AGORA - warunkowa oczekiwana duracja

19 ELZAB -durac ja ELZAB warunkowa oczekiwana duracja

20 Wyniki: ACV ν ω αw βν = Paramer AGORA PEKAO ELZAB WANDALEX ω (.97) (.46) (.7) (.49) α (.54) (.63) (.4) (.38) β (.39) (.34) (.65) (.87) γ (.5) (.33) (.) (.86)

21 GORA olumen i warunkowy oczekiwany wolumen

22 LZAB olumen i warunkowy oczekiwany wolumen

23 Ogólny model zależności µ = φ A µ µ τ K B τ µ = ( ψ, ν, σ ) K Aq q B τ = ( d, w, y ) p p uproszczenie: µ = φ Aµ Bτ założenie, że A jes diagonalna

24 Modelowanie zależności Modelowanie zależności y y c w b b d a r a r = y ε = σ = w d y ρ ρ β σ α ω σ 4 3 = y p w p d p p p ψ ψ 4 3 = y q w q d q q q v ν

25 Wyniki: modele zależności (liniowy dla sóp zwrou) r = a a r b d b w cy y Paramer a a b b AGORA (.89) (.9) (.9) PEKAO ELZAB (.66) WANDALEX.46 (.57) (.) -.9 (.578) -.36 (.477) (.6) (.4) -.36 (.) (.6).7 (.56).36 (.93) c.78 (.73).837 (.584).77 (.473)

26 Wyniki: modele zależności (GARCH) σ = ω α y β σ ρ d ρ w Paramer ω α β ρ ρ AGORA (.39) (.5) (.8) (.4) (.4) PEKAO ELZAB (.38).78 (.643) WANDALEX.34 (.99) (.76).63 (.59).473 (.365) (.57).6368 (.789).7348 (.357) (.3).5 (.8).55 (.48) (.36) -.35 (.46).4 (.89) DF

27 Zmienność AGORA PEKAO ELZAB WANDALEX

28 Wyniki: modele zależności (dla oczekiwanej duracji) ψ = p pψ pd p3w p4 y Paramer p p p p 3 p 4 AGORA.499 (.4) PEKAO.5336 (.44) ELZAB.4337 (.64) WANDALEX.45 (.37).339 (.33).339 (.34).39 (.97).38 (.95).9 (.8).78 (.9).74 (.74).454 (.9). (.).7 (.5).4 (.3).3 (.35) -.45 (.8) -.65 (.7).59 (.3)

29 yniki: modele zależności (dla oczekiwanego wolumenu) v = q qν qd q3w q4 y Paramer q q q q 3 q 4 AGORA.569 (.47) PEKAO.643 (.5) ELZAB.586 (.) WANDALEX.447 (.5).339 (.36).337 (.39).38 (.5).33 (.56).63 (.9).3 (.5).37 (.7).37 (.6).484 (.).534 (.4).6 (.4).358 (.) -.4 (.3) -.34 (.). (.6)

30 Wąpliwości Założenia modeli. Sacjonarność duracji i wolumenu (po usunięciu cykliczności). Meody agregacji danych. Czy opóźnienie jes właściwe, zwłaszcza w odniesieniu do płynnych spółek?

31 Wnioski Isony dodani wpływ wolumenu na zmienność ylko dla płynnych spółek. Nie wysępuje zależność odwrona.) Isony ujemny wpływ duracji na zmienność ylko dla płynnych spółek. Nie wysępuje zależność odwrona.) Wysoka persysencja wolumenu zwłaszcza w przypadku dużych spółek (dominacja informed raders). Dynamika oczekiwanego czasu rwania ceny zróżnicowana w zależności od wielkości spółki. Dynamika warunkowego oczekiwanego wolumenu niezależna od płynnośc spółki Orzymane wyniki nieco odbiegają od znanych z giełd amerykańskich. Charaker dynamiki cen akcji zależy od płynności spółek. Duży udział informed raders w ransakcjach na GPW.