مدلی ساختاری برای بازده، نوسان و حجم معاملات
خلاصه
این مقاله مدلی خودرگرسیو ماتریسی ساختاری برای بررسی هم‌زمان بازده دارایی‌ها، نوسان تحقق‌یافته و حجم معاملات در ابعادی بزرگ ارائه می‌کند. این مدل برای ثبت سرریزهای پویای میان متغیرها و وابستگی میان دارایی‌ها طراحی شده و در عین حال، پارامترگذاری آن در مقایسه با خودرگرسیون برداری متعارف صرفه‌جویانه‌تر است. محدودیت‌های ساختاری مبتنی بر فرضیه ترکیب توزیع‌ها و نظریه بازار کارا برای شناسایی مدل به کار می‌روند.
تحلیل تجربی از داده‌های روزانه اجزای میانگین صنعتی داوجونز از 2021 تا 2025 استفاده می‌کند. یافته‌ها نشان می‌دهند نوسان محرک اصلی فعالیت معاملاتی است. تجزیه واریانس خطای پیش‌بینی حاکی از آن است که شوک‌های درون‌دارایی در افق‌های کوتاه بر پویایی حجم غالب‌اند، در حالی که سرریزهای میان‌دارایی در افق‌های بلندتر بیش از نیمی از تغییرات حجم را توضیح می‌دهند. مطالعه رویدادهای پیرامون اعلامیه‌های FOMC افزایش مؤلفه اطلاعاتی فعالیت در روزهای اعلام را نشان می‌دهد که پس از آن بازگشت سریع به میانگین رخ می‌دهد. این نتایج به سهام منتخب، دوره نمونه، محدودیت‌های شناسایی و مشخصات مدل وابسته‌اند.
ایده‌های کلیدی
- چارچوب SMAR بازده، نوسان تحقق‌یافته و حجم را در میان دارایی‌ها به‌طور مشترک مدل‌سازی می‌کند.
- پارامترگذاری مدل می‌کوشد سرریزها و وابستگی مقطعی را با تعداد پارامترهای کمتر ثبت کند.
- تحلیل گزارش‌شده، نوسان را محرک اصلی فعالیت معاملاتی می‌داند.
- سرریزهای میان‌دارایی در افق‌های بلندتر سهم بیشتری از تغییرات حجم را توضیح می‌دهند.
- در روزهای اعلام FOMC فعالیت اطلاعاتی افزایش می‌یابد و سپس سریع به میانگین بازمی‌گردد.
برچسب‌ها
متن کامل
# A Structural Matrix Autoregressive Model for the Joint Dynamics of Volume, Volatility, and Returns # A Structural Matrix Autoregressive Model for the Joint Dynamics of Volume, Volatility, and Returns This paper proposes a Structural Matrix Autoregressive (SMAR) model for the joint analysis of asset returns, realized volatility, and trading volume in a large-dimensional setting. This framework simultaneously captures dynamic spillovers across financial variables and cross-sectional dependence across assets while preserving a parsimonious parameterization relative to conventional vector autoregressive models. The model is estimated on daily data for the constituents of the Dow Jones Industrial Average over the period 2021-2025 and is structurally identified through restrictions consistent with the Mixture of Distributions Hypothesis and efficient market theory. The empirical findings indicate that volatility is the primary driver of trading activity, suggesting that informational shocks are predominantly incorporated into markets through price variability. Forecast error variance decompositions further reveal that, although internal shocks dominate short-term volume dynamics, cross-asset spillovers account for more than 50% of trading volume variation at longer horizons. Finally, an event-study analysis around FOMC announcements supports the proposed decomposition by identifying significant increases in the informative component of trading activity on announcement days followed by rapid mean reversion.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.