Mô hình cấu trúc về lợi nhuận, biến động và khối lượng giao dịch

Tóm tắt

Bài báo đề xuất mô hình tự hồi quy ma trận cấu trúc để cùng nghiên cứu lợi nhuận tài sản, độ biến động thực tế và khối lượng giao dịch trong bối cảnh nhiều chiều. Mô hình được thiết kế để nắm bắt cả tác động lan truyền động giữa các biến lẫn sự phụ thuộc giữa các tài sản, đồng thời giữ cách tham số hóa gọn hơn so với mô hình tự hồi quy vector thông thường. Các ràng buộc cấu trúc dựa trên Giả thuyết hỗn hợp phân phối và lý thuyết thị trường hiệu quả được dùng để xác định mô hình.

Phân tích thực nghiệm dùng dữ liệu hằng ngày của các thành phần Chỉ số Công nghiệp Dow Jones từ 2021 đến 2025. Các phát hiện cho thấy độ biến động là động lực chính của hoạt động giao dịch. Phân rã phương sai sai số dự báo gợi ý các cú sốc nội bộ chi phối động thái khối lượng trong các chân trời ngắn, còn tác động lan truyền giữa các tài sản giải thích hơn một nửa biến thiên khối lượng trong các chân trời dài hơn. Nghiên cứu sự kiện quanh các thông báo FOMC cho thấy thành phần thông tin của hoạt động tăng vào ngày công bố, sau đó nhanh chóng hồi quy về trung bình. Các kết quả này gắn với những cổ phiếu, giai đoạn lấy mẫu, ràng buộc xác định và cấu hình mô hình đã chọn.

Ý chính

• Khung SMAR mô hình hóa đồng thời lợi nhuận, độ biến động thực tế và khối lượng trên nhiều tài sản.
• Cách tham số hóa nhằm nắm bắt tác động lan truyền và sự phụ thuộc chéo một cách gọn nhẹ.
• Phân tích được báo cáo cho thấy độ biến động là động lực chính của hoạt động giao dịch.
• Tác động lan truyền giữa các tài sản giải thích tỷ trọng biến thiên khối lượng lớn hơn trong các chân trời dài hơn.
• Vào ngày thông báo FOMC, hoạt động mang tính thông tin tăng lên rồi nhanh chóng hồi quy về trung bình.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.