全部版块 我的主页
› 论坛 › 经济学人 二区 › 外文文献专区
交易量、交易数量和
可人4
580 5
2022-06-02
英文标题：
《The relationship between trading volumes, number of transactions, and
  stock volatility in GARCH models》
---
作者：
Tetsuya Takaishi and Ting Ting Chen
---
最新提交年份：
2017
---
英文摘要：
  We examine the relationship between trading volumes, number of transactions, and volatility using daily stock data of the Tokyo Stock Exchange. Following the mixture of distributions hypothesis, we use trading volumes and the number of transactions as proxy for the rate of information arrivals affecting stock volatility. The impact of trading volumes or number of transactions on volatility is measured using the generalized autoregressive conditional heteroscedasticity (GARCH) model. We find that the GARCH effects, that is, persistence of volatility, is not always removed by adding trading volumes or number of transactions, indicating that trading volumes and number of transactions do not adequately represent the rate of information arrivals.
---
中文摘要：
我们使用东京证券交易所的每日股票数据来检验交易量、交易数量和波动性之间的关系。根据混合分布假设，我们使用交易量和交易数量作为影响股票波动性的信息到达率的代理。使用广义自回归条件异方差（GARCH）模型衡量交易量或交易数量对波动性的影响。我们发现，通过增加交易量或交易数量并不总能消除GARCH效应，即波动的持续性，这表明交易量和交易数量并不足以代表信息到达的速度。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
-->
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复
何人来此
2022-6-2 18:54:28
GARCH模型中交易量、交易数量和股票波动性之间的关系高石健二和陈婷广岛经济大学，广岛731-0192，日本综合文理学院，广岛大学，东广岛739-8521，日本邮件：tt-taka@hue.ac.jpAbstract.我们使用东京证券交易所的每日股票数据来检验交易量、交易数量和波动性之间的关系。根据混合分布假设，我们使用交易量和交易数量作为影响股票波动性的信息到达率的代理。使用广义自回归条件异方差（GARCH）模型衡量交易量或交易数量对波动性的影响。我们发现，通过增加交易量或交易数量并不总能消除GARCH效应，即波动持续性，这表明交易量和交易数量并不足以代表信息到达的速度。1、简介资产收益的经验属性已得到深入研究，一些普遍属性被归类为“程式化事实”[1]。值得注意的程式化事实包括：（1）收益率的无显著自相关，（2）绝对收益率的长自相关，（3）厚尾回报分布，以及（4）波动率聚类。解释这些风格化行为的回归动力学一直是众多研究的主题。假设收益率动态可以用具有时变波动率的高斯随机游动来描述，一种可能的解释是rt=σtt，其中RTi是收益率，σt表示波动率，而是时间t时n（0，1）的随机变量。
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88
2022-6-2 18:54:31
几项研究通过检验RT/σ是否与随机变量一致，验证了这一假设~ N（0，1）。另一个尚未解决的问题与波动性动力学有关。根据Clark[9]提出的混合分布假设（MDH），波动性动力学与市场信息到达率相关。由于信息到达的速度是潜在的和不可观察的，Clarkused将交易量作为信息到达速度的代理。实证证据表明，波动性与交易量之间存在着同期相关性；例如，参见[10]。另一方面，自回归条件异方差（ARCH）模型[11]及其扩展，广义ARC H（GARCH）模型[12]很好地捕捉到了波动率的动态行为。特别是，GARCH模型成功地捕获了波动性变化的持续性，称为GARCH效应。在GARCH模型中，波动过程由过去波动率和收益率的函数描述。MDH还意味着波动过程是由交易量的函数来描述的。Lamourex和Lastraps【13】利用美国市场的独立股票将交易量纳入GARCH过程，发现GARCH效应消失，支持MDH。一些后续研究，0 200 400 600 800-0.2-0.10.20.30 200 400 600 8001e+082e+083e+084e+085e+080 200 400 600 800（a）（b）（c）图1。例如，新日铁公司（14、15、16、17）的（a）股票收益、（b）交易量和（c）交易数量的时间序列也支持其结论，即在GARCH模型中包含交易量可以减少GARCH效应。
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4
2022-6-2 18:54:34
另一方面，一些其他研究，如[18、19、20、21、22]报告称，将交易量纳入GARCH模型并不能完全消除GARCH效应；因此，不支持MDH。为了阐述波动性动力学，我们利用东京证券交易所2006年6月3日至2009年12月30日的每日股票数据，检验了交易量与股票波动性之间的关系。具体而言，通过将交易量纳入GARCH过程，我们可以推断GARCH参数，并检验GARCH效应是否可以用交易量来解释。我们还使用交易数量作为信息到达率的代理，并检验其对GARCH波动率的影响。2、GARCH检验我们关注由rt=σtt和σt=ω+αrt描述的GARCH（1,1）模型[12]-1+βσt-1，（1）其中α、β和ω是要确定的GARCH参数。波动持续性的大小，即GARCH效应，用α+β来衡量，对于高波动持续性，我们观察到α+β接近1。通过在GARCH过程中添加一个术语来检验交易量或交易数量的影响，如σt=ω+αrt-1+βσt-1+γNt，（2）其中Nt表示时间t的交易量或交易数量。我们通过使用马尔可夫链蒙特卡罗（MCMC）方法进行的贝叶斯推理来推断GARCH参数【23】–【28】。3.实证研究你的分析基于四个单独的股票数据，（1）阿斯特拉斯制药有限公司，（2）JFE S teelCo。，（3） 东京证券交易所的新日铁公司（Nippon Steel Co.）和（4）Seven&i Holdings Co。我们的数据样本期为2006年6月3日至2009年12月30日。股票回报率由对数价格差异确定：rt=100×（ln Pt- ln Pt公司-1） ，其中PTI是t日的收盘价。图1显示了（a）回报、（b）交易量和（c）数字表1的时间序列。
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818
2022-6-2 18:54:38
GARCH参数的结果没有交易量和交易数量。Sd代表标准偏差。αβωα+βAstellas Pharma In c.0.095 0.857 0.188 0.952SD 0.018 0.026 0.066JFE Steel c o.0.096 0.895 0.126 0.991SD 0.019 0.020 0.065新日铁0.159 0.825 0.202 0.984SD 0.031 0.032 0.086Seven&i Holdings Co.0.117 0.873 0.0761 0.990SD 0.027 0.028 0.0324表2。GARCH参数与交易量相关。αβωγ+βAstellas Pharma In c.0.232 0.251 0.043 1.97 0.483SD 0.045 0.093 0.043 0.38JFE Steel Co.0.108 0.851 0.046 0.373 0.959SD 0.025 0.046 0.045 0.232Nippon Steel Co.0.177 0.790 0.102 0.241 0.967SD 0.037 0.043 0.081 0.131Seven&i Holdings Co.0.166 0.786 0.0233 0.230 0.952SD 0.045 0.064 0.0257 0.136新日铁公司的交易作为代表案例。我们发现回报与交易量或交易数量之间没有很强的相关性。收益和交易量（交易数量）之间的相关系数ρ估计为0.14（0.02）。另一方面，我们发现交易量和交易数量之间存在很强的相关性，ρ~ 0.84.对于参数估计，我们使用由其平均值归一化的交易量。类似地，我们使用由其平均值规范化的事务数。在本研究中，我们使用基于贝叶斯推理的MCMC方法进行GARCH参数估计。我们使用的MCMCM方法是Metropolis-Hastings算法，该算法具有多元学生的t-建议密度，对于GARCH参数估计尤其有效[23][28]。在前5000个蒙特卡罗样本作为“老化”或“热化”过程丢弃后，我们收集了50000个样本进行分析。表1显示了GARCH参数结果。
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4
2022-6-2 18:54:41
对于所有股票，我们发现α+β接近1，这意味着存在强烈的持续波动性，换句话说，GARCH效应。表2（3）显示了交易量（交易数量）的GARCH参数结果。我们发现，即使在GARCH过程中包括交易量或交易数量，α+β的值也没有太大变化，除了Astellas Pharma股份有限公司。此外，我们发现γ始终为正，表明波动性与交易量或交易数量之间存在正相关性。4、结论我们利用东京证券交易所2006年6月3日至2009年12月30日的四只股票数据，检验了股票波动性与交易量或交易次数之间的关系。我们发现，将交易量或交易数量纳入GARCH过程并不总是会降低α+β的值，即GARCH效应的大小。因此，使用交易量或表3的混合分布假设。GARCH参数与交易数量相关。αβωγα+βAstellas Pharma In c.0.194 0.588 0.052 0.827 0.782SD 0.049 0.127 0.054 0.370JFE Steel Co.0.100 0.872 0.050 0 0.233 0.972SD 0.021 0.028 0.047 0.132Nippon Steel Co.0.168 0.797 0.088 0.249 0.965SD 0.034 0.041 0.079 0.150Seven&i Holdings Co.0.132 0.846 0.0313 0.099 0.978SD 0.033 0.037 0.0317 0.061作为信息到达率代理的交易数量不是完全验证。由于我们的发现仅基于四个单独的股票数据，因此使用其他股票数据进一步研究波动性动态的稳健性可能会很有趣。确认这项工作的数值计算是在Yukawa研究所的计算机设施和统计数学研究所的设施中进行的。
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

微信QQ空间QQ微博
扫码加好友，拉您进群
各岗位、行业、专业交流群