بررسی اثر جریان سفارش بر تغییر قیمت سهام در بازار سهام تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه اقتصاد، موسسه عالی آموزش و پژوهش مدیریت و برنامه ریزی، تهران، ایران.

2 دانشجوی دکتری اقتصاد، دانشگاه تورنتو، تورنتو، کانادا

چکیده

در این پژوهش با استفاده از داده‌های دفتر سفارش سهام 30 شرکت بزرگ در بازار سهام تهران در سال2020 میلادی اثر رویدادهای دفتر سفارش بر تغییرات قیمت سهام بررسی می‌شود. هدف از این پژوهش اندازه‌گیری حساسیت قیمت به تغییرات حجم عرضه و تقاضا در سرخط‌های مختلف دفتر سفارش و شناسایی عوامل موثر بر این حساسیت است.  برای این منظور ابتدا با استفاده از داده‌های دفتر سفارش، متغیر نابرابری جریان سفارش، که نشان‌دهنده نابرابری حجم سفارش‌ها در دو سمت عرضه و تقاضای سهم است، ساخته می‌شود. سپس مشابه روش پیشنهادی کنت و همکاران (2014)، با انجام حدود سی هزار رگرسیون OLS نشان داده می‌شود که متغیر نابرابری جریان سفارش تغییرات قیمت سهام در بازه‌های کوتاه‌مدت را توضیح می‌دهد [7]. همچنین نشان داده می‌شود که استفاده از متغیر نابرابری جریان سفارش در سه سرخط اول دفتر سفارش می‌تواند توضیح‌دهندگی مدل را برای تغییرات قیمت سهام افزایش دهد که حاکی از آن است که سرخط‌های بالاتر دفتر سفارش نیز بر تغییرات قیمت سهام اثرگذار هستند. همچنین نشان داده می‌شود که بین میزان اثرگذاری سفارش‌ها بر تغییرات قیمت سهام و عمق بازار یک رابطه خطی منفی وجود دارد. بنا بر شواهد ارائه شده، این نتایج به تغییرات در ماه‌ها یا سهم‌ها حساس نیستند.

کلیدواژه‌ها

عنوان مقاله [English]

The Effects of Order Flow Imbalance on Stock Prices in Tehran Stock Exchange

نویسندگان [English]

  • Seyed Mahdi Barakcnian 1
  • Mohammad H. Seyedsalehi 2
1 Associate Prof., Institute for Management and Planning studies, Tehran, Iran
2 Ph.D. Candidate in Economics, University of Toronto, Toronto, Canada
چکیده [English]

We investigate the impacts of the order book events on the prices of the 30 largest stocks in the Tehran Stock Exchange in the year 2020. The purpose of this article is to measure the price sensitivity to changes in supply and demand volumes and identify the factors affecting this sensitivity. Similar to the method proposed by Cont et al. (2014), by performing about thirty thousands of OLS regressions, we show that in a low-depth market, the mid-price returns are explained significantly by the order flow imbalance that represents the net change in demand, namely the difference between the volumes of events on two sides of the order book [7]. We also show that the use of the Order Flow Imbalance in the first three levels of the order book can increase the explanatory power of the model for stock mid-price changes, indicating that higher levels of the order book also affect stock price changes significantly. Moreover, the results confirm that the market depth has a negative effect on the power of events to move the stock price. In addition, we show that our results are robust to changes in months or stocks.

کلیدواژه‌ها [English]

  • Stock Market
  • Order Book
  • Order Flow Imbalance
  • Market Depth

مراجع

  1. Alfonsi, A. & Acevedo, J. I. (2014). Optimal execution and price manipulations in time-varying limit order books. Applied Mathematical Finance, 21(3), 201-237.
  2. Aminimehr, A., Bajalan, S., & Hekmat, H. (2021). A study on the characteristics of TSE index return data and introducing a regime switching prediction method based on neural networks. Journal of Financial Management Perspective,11(34), 145-171. (In Persian)
  3. Andersen, T. G. & Bondarenko, O. (2014). VPIN and the flash crash. Journal of Financial Markets, 17, 1-46.
  4. Badri, A., Arabmazar, M. & Soltanzali, M. (2016). Information Content of Limit Order Book in Tehran Stock Exchange, Journal of Investment Knowledge, 5(18), 95-117. (In Persian)
  5. Bertsimas, D. & Lo, A. W. (1998). Optimal control of execution costs. Journal of Financial Markets, 1(1), 1-50.
  6. Bouchaud, J. P., Farmer, J. D. & Lillo, F. (2009). How markets slowly digest changes in supply and demand. In Handbook of financial markets: dynamics and evolution(pp. 57-160). North-Holland.
  7. Cont, R., Kukanov, A. & Stoikov, S. (2014). The price impact of order book events. Journal of financial econometrics,12(1), 47-88.
  8. Cont, R. & Kukanov, A. (2017). Optimal order placement in limit order markets. Quantitative Finance, 17(1), 21-39.
  9. Donier, J., Bonart, J., Mastromatteo, I. & Bouchaud, J. P. (2015). A fully consistent, minimal model for non-linear market impact. Quantitative finance, 15(7), 1109-1121.
  10. Eisler, Z., Bouchaud, J. P. & Kockelkoren, J. (2011). Models for the impact of all order book events. arXiv preprint arXiv:1107.3364.
  11. Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica: Journal of the Econometric Society, 1315-1335.
  12. Madhavan, A. (1996). Security prices and market transparency. Journal of Financial Intermediation, 5(3), 255-283.
  13. Patzelt, F. & Bouchaud, J. P. (2017). Nonlinear price impact from linear models. Journal of Statistical Mechanics: Theory and Experiment, 2017(12), 123404.
  14. Patzelt, F. & Bouchaud, J. P. (2018). Universal scaling and nonlinearity of aggregate price impact in financial markets. Physical Review E, 97(1), 012304.
  15. Rastegar, M. A. & Eghbalreihani, N (2019), Order Splitting Strategy to Reduce Market Impact in Tehran Stock Exchange. Financial Research Journal, 21(3), 321-347. (In Persian)
  16. Rastegar, M. A., Teimoory , F. & Bagherian, B. (2017), Order Placement Strategy: Trade-off between Market Impact and Non-Execution Risk, Financial Research Journal, 20(2), 151-172. (In Persian)
  17. Sandas, P. (2001). Adverse selection and competitive market making: Empirical evidence from a limit order market. The review of financial studies, 14(3), 705-734.
  18. Shahriari, A. A., Daei-Karimzadeh, S., & Behmanesh, R. (2021). Stock portfolio optimization in fireworks algorithm using risk value and comparison with Particle Swarm Optimization (PSO). Journal of Financial Management Perspective, 11(35), 9-37. (In Persian)
  19. Tsantekidis, A., Passalis, N., Tefas, A., Kanniainen, J., Gabbouj, M. & Iosifidis, A. (2017, July). Forecasting stock prices from the limit order book using convolutional neural networks. In 2017 IEEE 19th Conference on Business Informatics (CBI) (Vol. 1, pp. 7-12). IEEE.
  20. Xu, K., Gould, M. D., & Howison, S. D. (2018). Multi-level order-flow imbalance in a limit order book. Market Microstructure and Liquidity, 4(03n04), 1950011.
  21. Yaftian, A. H., & Rastegar, M. A. (2020). Designing an Automated Trading System Using Convolutional Neural Network. Journal of Financial Management Perspective, (31), 153-184. (In Persian)
  22. Zhang, R., Zhao, C., Chen, Y., Wu, L., Dai, Y., Chen, E., & Wu, L. (2022). High-Frequency Liquidity in the Chinese Stock Market: Measurements, Patterns, and Determinants. Patterns, and Determinants (August 16, 2022).
چشم انداز مدیریت مالی
دوره 12، شماره 40
دی 1401
صفحه 9-27

فایل ها

هم رسانی

ارجاع به این مقاله

آمار