تشخیص اثر سرب و سرب در بازارهای سهام: تعریف ، الگوهای و استراتژی های سرمایه گذاری

فعالیت های انسانی به طور گسترده توزیع قدرت قانون را نشان می دهد. با در نظر گرفتن تجارت سهام به عنوان یک فعالیت انسانی معمولی در حوزه مالی ، اولین هدف این مقاله تأیید اعتبار این است که آیا توزیع قانون مشهور قانون در این فعالیت قابل مشاهده است. جالب اینجاست که این مقاله تعیین می کند که تعداد روزهای جمع آوری سرب و سرب بین جفت سهام ، توزیع قانون را در هر دو بازار سهام ایالات متحده و چین بر اساس 10 سال داده های معاملاتی مطابقت می دهد. بر اساس این یافته ، این مقاله توزیع قانون را برای تعریف رسمی اثر سرب و سرب ، تشخیص جفت سهام با اثر سرب-پایین ، و سپس طراحی یک استراتژی سرمایه گذاری خالص سرب و همچنین با ادغام سرمایه گذاری را طراحی می کند. استراتژی سرب و LAG به استراتژی های کلاسیک آلفا فاکتور. آزمایشات انجام شده بر روی 20 استراتژی مختلف فاکتور آلفا نشان می دهد که هر دو عملکرد بهتری نسبت به استراتژی معیار انتخاب شده دارند و استراتژی سرب-LAG سیگنال های مفیدی را ارائه می دهد که عملکرد استراتژی های اصلی فاکتور را بهبود می بخشد. بنابراین نتایج ما نشان می دهد که اثر سرب و سرب ممکن است اطلاعات موثری را برای طراحی استراتژی های سرمایه گذاری سودآورتر فراهم کند.

معرفی

پدیده سرب و سرب ، پدیده ای که در آن یک امنیت حرکت قیمت دیگری را با تأخیر زمانی هدایت می کند ، به صورت تجربی مشهود است که در بازارهای مالی وجود دارد (گونگ و همکاران 2016). اگرچه مفهوم "اثر سرب و سرب" در بسیاری از مطالعات اتخاذ شده است (کوبایاشی و تاکاگچی 2018) ، کمتر کسی تعریف رسمی از این مفهوم را ارائه داده است ، و معنای اساسی آن همیشه سازگار نیست. برخی از مطالعات بر نحوه تولید بازده سهام بیشتر با استفاده از "پدیده سرب و سرب" (Stübinger 2019) متمرکز شده اند ، اما اغلب نتوانسته اند ویژگی های تعبیه شده خود را انجام دهند. برای این منظور ، این مطالعه با هدف پاسخ به سؤالات زیر: (1) آیا چندین الگوی پایدار در بازارهای سهام وجود دارد که با پدیده سر ب-LAG مشخص می شوند؟(2) چگونه می توانیم به طور رسمی اثر سر ب-LAG را تعریف کنیم تا یک پایه محکم برای تشخیص چنین اثری فراهم شود؟(3) آیا تشخیص اثر سرب و سرب می تواند طراحی استراتژی های سرمایه گذاری سودآورتر را که احتمال بیشتری برای کسب بازده اضافی دارند ، امکان پذیر کند؟

تعریف "اثر سرب و سرب" معادل "رابطه سرب و سرب" نیست. یعنی اگر نوسانات سهام امروز از نوسانات سهام دیگر تقلید کند ، گفته می شود که این دو سهام در طی دو روز پیاپی که در آن اولی است ، یک "رابطه سرب و سرب" دارد و دومی رهبر است. در حقیقت ، کاملاً متداول است که یک سهام در طی یک سال از سهام دیگری پیروی کند. بنابراین ، یک رابطه گاه به گاه و سرب می تواند به صورت تصادفی تلقی شود ، که خیلی معنی دار نخواهد بود. با این حال ، اگر روزهای سرب و سرب یک جفت سهام به اندازه کافی طولانی باشد که به طور قابل توجهی با یک واقعه تصادفی متفاوت باشد ، می توان اثر را بین این زوج وجود داشت. بر این اساس ، اولین انگیزه کار ما تعریف اثر سرب و سرب با ارائه یک الگوی آزمایش آماری است ، هدف از آن قضاوت در مورد اینکه آیا روزهای مشخص شده توسط یک رابطه سرب و سرب (از این پس ، "روزهای سرب")در آمار به طور قابل توجهی طولانی هستند.

هنگامی که تعریف اثر سرب و سرب از نظر علمی تعیین می شود ، می توان روشی را برای تشخیص جفت سهام که با اثر سرب و سرب مشخص می شوند ، ارائه داد. با این حال ، ابتدا باید به دو سؤال پرداخته شود. اینها عبارتند از: (1) چگونه متغیرهای خارجی بر نتایج تشخیص تأثیر می گذارند و (2) نتایج تشخیص نسبت به این متغیرهای خارجی تأثیرگذار حساس هستند؟پاسخ این دو سؤال درک ما از مدل تشخیص پیشنهادی را عمیق تر می کند. الگوهای متغیرهای خارجی که بر نتایج تأثیر می گذارند ، ما را قادر می سازد تا با انتخاب مقادیر متغیر مناسب ، مدل پیشنهادی را اتخاذ کنیم. استحکام مدل پیشنهادی به دلیل استفاده از شیوه های سرمایه گذاری در بازارهای موجود در دنیای واقعی قابل توجه است زیرا استحکام یک مدل برای طراحی استراتژی های سرمایه گذاری مطلوب است. بر این اساس ، پاسخ این دو سؤال خصوصیات مدل پیشنهادی را نشان می دهد.

به عنوان یک کاربرد معمولی ، اثر سرب و سرب شناسایی شده هدف از آن در هدایت سرمایه گذاری در بازارهای سهام در دنیای واقعی اتخاذ می شود. ظاهرا ، تشخیص جفت سهام با اثر سرب و سرب قابل توجهی می تواند به نفع سرمایه گذاران باشد زیرا حرکات قیمت پیروان از رهبران خود تقلید می کند. بنابراین ، این مطالعه ابتدا عملکرد استراتژی خالص سر ب-LAG را بررسی می کند و سپس در صورت رضایت بخش قضاوت می کند. اگر رضایت بخش باشد ، ما اثر سرب و سرب تشخیص داده شده را به عنوان یک سیگنال تقویت در نظر خواهیم گرفت و سپس آن را به برخی از استراتژی های سرمایه گذاری کلاسیک برای پیشنهاد استراتژی های سرمایه گذاری تقویت اضافه خواهیم کرد. به طور کلی ، هنگامی که یک استراتژی اساسی توسط یک استراتژی دیگر تقویت می شود ، ما از آن به عنوان یک استراتژی سرمایه گذاری تک تقویت کننده یاد می کنیم. استراتژی آلفا-فاکتور به عنوان استراتژی اساسی انتخاب شده است و استراتژی پیشنهادی سرب و سرب ما برای تقویت آن اتخاذ شده است. بر این اساس ، انگیزه سوم طراحی استراتژی های سرمایه گذاری سودآور بر اساس اثر سرب و سرب شناسایی شده و سپس آزمایش عملکرد آن در یک استراتژی سرمایه گذاری خالص و استراتژی های پیشرفته پیشنهادی است.

به طور خلاصه ، مشارکت این مطالعه به شرح زیر است: (1) ویژگی های پدیده سر ب-LAG در زمینه بازار سهام ایالات متحده و چین بررسی شده است. در نتیجه ، تعداد جفت سهام که با رابطه سرب و سرب مشخص می شوند ، توزیع قانون مشهور قانون را برآورده می کند ، که شواهد جدیدی را ارائه می دهد که نشان می دهد توزیع قانون به طور گسترده در دنیای واقعی وجود دارد (Clauset et al. 2009) وبه طور خاص در حوزه مالی (گابایکس و همکاران 2003).(2) یک تعریف رسمی از اثر سرب و سرب مطابق با اصول آزمایش آماری ارائه شده است ، و یک روش تشخیص بر اساس این تعریف ارائه شده است. شایان ذکر است که بیشتر مطالعات موجود ، رابطه سرب و سرب بین سهام را به عنوان یک پدیده می دانند (Scherbina and Schlusche 2020 ؛ Dao et al. 2018 ؛ Huth and Abergel 2014) ، در حالی که این مطالعه این پدیده را به یک اثر بالا می برد. بر این اساس ، اثر سرب و سرب باید به طور رسمی از طریق آزمایش آماری تعریف شود ، که پایه و اساس مطالعات آینده را برای مقایسه و تشخیص اثر سرب و سرب در سناریوهای مختلف فراهم می کند. عقلانیت و استحکام رویکرد تشخیص پیشنهادی با تعیین چگونگی تأثیر متغیرهای خارجی بر اثر سرب و سرب ، با دقت مورد بررسی قرار می گیرد.(3) چند استراتژی سرمایه گذاری سودآور بر اساس اثر سر ب-LAG شناسایی شده ، به موازات مطالعات طراحی و اعتبار سنجی قبلی مانند شن و همکاران ، طراحی و تأیید می شوند.(2017) ، Xiong و همکاران.(2020) ، فلوری و ریگولی (2021) و ژانگ و همکاران.(2021). در اینجا هر دو استراتژی خالص سر ب-LAG و استراتژی های تقویت نتایج صدا را در مورد عملکرد اثر سر ب-LAG شناسایی شده گزارش می دهند.

باقیمانده این مقاله به شرح زیر سازماندهی شده است."کار مرتبط با بخش" کار مربوطه را بررسی می کند تا به وضوح سهم فوق الذکر را ترسیم کند."روش بخش برای تشخیص اثر سرب و سرب" اثر سر ب-LAG را تعریف می کند و یک روش تشخیص را پیشنهاد می کند."نتایج اصلی و اعتبار سنجی در بازارهای سهام در دنیای واقعی" به بررسی ویژگی های پدیده سرب-LAG بر اساس یک مجموعه داده انتخاب شده در دنیای واقعی ، روش تشخیص پیشنهادی را اعمال می کند و استحکام روش را آزمایش می کند."استراتژی های سرمایه گذاری بخش مبتنی بر اثر سر ب-LAG شناسایی شده" استراتژی های سرمایه گذاری را طراحی می کند و عملکرد آنها را تأیید می کند تا عملکرد اثر سرب و سرب شناسایی شده را نشان دهد. و "نتیجه گیری بخش و کار آینده" این مطالعه را خلاصه می کند و در مورد کارهای احتمالی آینده بحث می کند.

کار مرتبط

کار ما به طور مستقیم با دو زمینه از مطالعات موجود مرتبط است: این شامل پدیده سرب و سرب در بازارهای سهام و استراتژی متمرکز آلفا-فاکتور است که به طور گسترده در بازارهای سهام اتخاذ شده است. هر قسمت به صورت جداگانه در بخش های زیر بررسی می شود.

پدیده سرب و سرب در بازارهای سهام

پدیده سر ب-LAG یک موضوع مالی کلاسیک است که مورد توجه محققان بی شماری قرار گرفته است (Conlon et al. 2018). اول ، یک سؤال اساسی به طور گسترده ای در ادبیات مورد بررسی قرار گرفته است: آیا پدیده سرب و سرب در بازار سهام وجود دارد؟به طور کلی ، پدیده سرب و سرب می تواند در داده های فرکانس بالا مانند حرکات 5 دقیقه قیمت سهام مشاهده شود. هر دو جونگ و نیژمان (1997) و هوت و ابرگ (2014) تصور کردند که رابطه سرب و سرب یک واقعیت تلطیف شده اساسی در فرکانس های بالا است. Fonseca and Zaatour (2017) ، Dao et al.(2018) ، Buchcheri و همکاران.(2019) ، Campajola و همکاران.(2020) ، و بسیاری دیگر به وجود پدیده سرب-LAG در داده های با فرکانس بالا ، عوامل تأثیرگذار یا حتی منشأ بالقوه آن اشاره نمی کنند. با این حال ، هنگامی که در داده های با فرکانس بالا مشاهده می شود ، این پدیده اغلب به جای "اثر سرب و سرب" "رابطه سرب و سرب" نامیده می شود. در بیشتر موارد ، رابطه سرب و سرب در داده های با فرکانس بالا ناپایدار است. از آنجا که طبق گفته های Tóth و Kertész (2006) و Curme و همکاران.(2015) ، ظاهر آن به احتمال زیاد گاه به گاه است ، کار ما با هدف تدوین یک رویکرد جدید برای یافتن یک رابطه با سرب پایدار در طی یک دوره طولانی مدت مبتنی بر آزمایش آماری و تغییر نام چنین روابط پایدار سرب - "سر ب-اثر تاخیر "به عنوان نشانه ای از اهمیت آماری آن.

دوم ، ادبیات موجود به بررسی چگونگی استفاده از پدیده سرب-LAG در طراحی استراتژی های سرمایه گذاری برای بازارهای سهام در دنیای واقعی می پردازد. به طور معمول ، استراتژی های سرمایه گذاری که از پدیده سرب و سرب استفاده می کنند ، اغلب در استراتژی تجارت با فرکانس بالا ، که مطابق با نتایج است ، تغییر می کند. Stübinger (2019) یک الگوریتم مسیر علّی بهینه را توسعه داد و استراتژی های داوری آماری را برای داده های فرکانس بالا بر اساس پدیده سرب-LAG طراحی کرد. با این حال ، طراحی یک استراتژی سرمایه گذاری بر اساس داده های با فرکانس بالا هنوز اشکالاتی دارد. طبق گفته های Krauss (2017) ، استراتژی های معاملاتی با فرکانس بالا با هزینه های کمیسیون بیشتر و آستانه معامله بالاتر برای سرمایه گذاران همراه است.

در مقابل ، اثر پایدار سرب و سرب کشف شده در داده های با فرکانس پایین ، به دلیل زمان تجارت اختیاری و آستانه فنی کم ، شیوه های سرمایه گذاران کوچک و متوسط را تسهیل می کند. Scherbina و Schlusche (2020) و Gupta و Chatterjee (2020) خاطرنشان كردند كه رابطه سرب و LAG پیش بینی خارج از نمونه را قادر می سازد و در نتیجه به طراحی استراتژی های سرمایه گذاری كمك می كند. از این منظر ، این مطالعه همچنین می تواند به عنوان توسعه اثر قبلی منتشر شده ما (لی و همکاران ، 2021) ، که بر شناسایی عوامل ایجاد شده باعث پدیده سر ب-LAG می شود ، تلقی شود. با این حال ، این مطالعه با هدف توسعه استراتژی های جدید سرمایه گذاری با استفاده از پدیده سر ب-LAG ، و بنابراین این دو دارای اهداف تحقیقاتی واگرا هستند. برخلاف روزهای پی در پی سرب و سرب که در کار قبلاً منتشر شده ما مورد تجزیه و تحلیل قرار گرفته است ، این مطالعه تعداد روزهای تجمعی سرب و تجمعی را در نظر می گیرد که به نفع استفاده از مدل در بورس های سهام در دنیای واقعی است.

با توجه به ادبیات و شکافهای فوق الذکر در تحقیقات موجود ، ما معتقدیم که مطالعه اثر سرب و سرب در داده های با فرکانس پایین به دلایل زیر معنی دار و حتی ضروری است: (1) تعریف اثر سرب-LAG استدر ادبیات موجود یکپارچه و مورد بحث قرار نگرفته است ، و بنابراین اهمیت اساسی پدیده سرب و سرب غالباً با وجود استفاده از همین نام متفاوت است.(2) مطالعات سنتی در مورد تشخیص پدیده سرب-LAG با استفاده از اقتصاد سنجی کلاسیک یا روشهای تحقیقاتی تجربی انجام می شود ، و بنابراین استفاده از تجزیه و تحلیل فنی داده محور برای تشخیص اثر سرب-LAG می تواند مطالعات موجود را با دیدگاه جدید تکمیل کند. و (3) ساختن روشهای سنتی طراحی استراتژی های سرمایه گذاری با استفاده از پدیده سرب و سرب کشف شده ، مطالعه ما ممکن است سیگنال های مؤثر را شناسایی کند ، که برای توسعه استراتژی سرمایه گذاری دارای اهمیت راهنمایی خواهد بود. بر این اساس ، این مطالعه با ارائه یک تعریف یکپارچه و محکم از اثر سرب و سرب و با استفاده از اثر سرب و سرب برای طراحی استراتژی های معاملاتی سودآور در بازارهای سهام در دنیای واقعی ، به ادبیات کمک می کند.

استراتژی عاملی آلفا

با توجه به استراتژی‌های سرمایه‌گذاری افزایش هدف ما، استراتژی عامل آلفا که از مدل قیمت‌گذاری دارایی‌های سرمایه‌ای سرچشمه می‌گیرد، به دلیل محبوبیت و اثربخشی آن در شیوه‌های سرمایه‌گذاری در دنیای واقعی، به عنوان استراتژی اصلی انتخاب می‌شود (شارپ 1964؛ ماکاروف و پلانتین 2015). عامل آلفا در استراتژی عامل آلفا به یک یا چند ویژگی سهام واکنش نشان می دهد. به عبارت دیگر، عوامل آلفای مختلف منعکس کننده ویژگی های سهام مختلف هستند. بنابراین، استراتژی عامل آلفا شامل چندین استراتژی خاص با استفاده از عوامل آلفای مختلف است. از آنجایی که عوامل آلفا به عنوان سیگنال های خرید و فروش در استراتژی عامل آلفا استفاده می شود، انتخاب آن هسته اصلی استراتژی است. به طور کلی، مطالعات موجود عمدتاً بر دو نوع عامل آلفای زیر تمرکز دارند: آلفای ارزش و آلفای معاملاتی.

آلفای ارزش از اصول یک سهام مشتق شده و ویژگی های ارزشی آن را توصیف می کند. آلفاهای ارزش شامل عوامل ارزش (بالاتی و همکاران 2017؛ ایسدوفر و همکاران 2019)، عوامل اندازه (لیو و همکاران 2019)، عوامل رشد (فاما و فرنچ 1998)، عوامل سودآوری (هو و همکاران) هستند، اما به آنها محدود نمی شود.، 2015؛ فاما و فرنچ 2015) و عوامل حرکت (فاما و فرنچ 2012؛ برگگرون و همکاران 2020). بر اساس مدل عامل بالغ، آلفاهای ارزش نه تنها ابزار ارزشمندی برای ارزش گذاری سهام، بلکه توضیح معقولی برای مقطع بازده سهام ارائه می کنند (Harvey et al. 2016). بر این اساس، زمانی که آلفای ارزش در یک استراتژی اتخاذ می شود، نشان می دهد که سرمایه گذار به عوامل زیربنایی ارزش سرمایه گذاری اهمیت می دهد (فاما و فرنچ 2016). برخلاف آلفاهای ارزش سنتی، آلفاهای معاملاتی بیشتر به الگوهای تعبیه شده در رفتارهای معاملاتی توجه می کنند (کاسگرین و جیمونگل 2019). آلفاهای تراکنش با استفاده از تحلیل تکنیکال به دست می آیند و از داده های تراکنش مشتق می شوند. با پیشرفت فعلی علم کامپیوتر، میلیون ها عامل آلفای تراکنش توسط الگوریتم های خودکار شناسایی شده اند. علیرغم فقدان توضیح خوب، درآمد نهایی ناشی از عوامل آلفای تراکنش نسبتاً رضایت بخش است (Kakushadze 2016). موسسات مالی بزرگ از چنین آلفاهای معاملاتی حمایت می کنند. به عنوان مثال، 101 عامل آلفا پیشنهاد شده توسط World Quant و 191 عامل آلفا از Guotai Junan Securities مورد استقبال بسیاری از موسسات و سرمایه گذاران قرار گرفته است.

استراتژی آلفا-فاکتور همیشه برای انتخاب سهام استفاده می شود. استراتژی پیشنهادی سرب و سرب در کار ما به تخصیص وزن هر سهام منتخب در یک سبد سرمایه گذاری کمک می کند. بنابراین ، ترکیب این دو استراتژی هنگام طراحی یک استراتژی تقویت راحت است. از آنجا که استراتژی آلفا-فاکتور شامل مدل های خاص متعددی با عوامل مختلف آلفا است ، ما آن را به عنوان استراتژی اصلی برای نشان دادن نمایندگی انتخاب می کنیم. اثر سرب و سرب در دسته تجزیه و تحلیل فن آوری محور قرار می گیرد و بنابراین با ALPHA های معامله ای طنین انداز می شود ، که با تجزیه و تحلیل فنی تعیین می شوند.

به همین دلیل ، ترکیب استراتژی معاملات سرب و LAG با ALPHA های معامله ای طبیعی تر خواهد بود. بر این اساس ، این مطالعه عمدتاً بر استراتژی های عاملی آلفای معامله ای متمرکز است که به عنوان استراتژی های اساسی هنگام طراحی استراتژی های سرمایه گذاری در نظر گرفته می شود. کار ما از پتانسیل بزرگ فاکتورهای آلفا موجود سوء استفاده می کند و با ادغام اثر سرب و سرب در استراتژی های موجود در آلفا ، چارچوبی را برای استراتژی های تقویت فراهم می کند.

روش برای تشخیص اثر سرب و سرب

شبکه سرب و سرب روزانه

اجازه دهید r_{آی تی}نرخ بازده سهام I را در روز t نشان دهید. بیان ریاضی آن به شرح زیر است: