پویایی کشف قیمت برای سهام متقاطع شواهد از بازارهای ایالات متحده و چین

نمایش فرمول:؟فرمول های ریاضی به عنوان MATHML رمزگذاری شده اند و در این نسخه HTML با استفاده از MathJax به منظور بهبود نمایشگر خود نمایش داده می شوند. جعبه را برای خاموش کردن MathJax از آن جدا کنید. این ویژگی به JavaScript نیاز دارد. برای بزرگنمایی روی فرمول کلیک کنید.

هدف: این مطالعه به بررسی چگونگی و تا چه اندازه تجارت ADR های تحت حمایت چین در بورس اوراق بهادار نیویورک (NYSE) در جریان اطلاعات و کشف قیمت برای سهام متقاطع مربوطه در سهام شانگهای بررسی می شود. مبادله (SSE). طراحی/روش شناسی/رویکرد: این مطالعه با استفاده از سهم اطلاعات ، آزمون علیت گرنجر ، مدل تصحیح خطای بردار ، روش دائمی گونزالو-گرنجر (PT/GG) و مدل DCC-Egarch دو متغیرهسهام ذکر شدهیافته ها: آزمایشات علیت گرنجر نشان می دهد که انتقال دو طرفه در بازخورد بین بازارهای چینی و ایالات متحده وجود دارد. تأثیرات NYSE به SSE از راه دیگر بزرگتر است. نتایج تست مدل DCC-Egarch دو متغیره نشان می دهد که نشت نوسانات از NYSE از SSE بزرگتر است. پیامدهای عملی: نتایج حاکی از آن است که بر خلاف مطالعات قبلی که سهم بسیار کمی در کشف قیمت توسط ADR های چینی در NYSE نشان می دهد ، مطالعه حاضر نشان می دهد که سهم در کشف قیمت ADR های چینی در NYSE نسبت به گذشته افزایش یافته است. اهمیت تغییر فریم های زمانی و موقعیت های اقتصادی. اصالت/ارزش: این مطالعه بین اثرات کشف قیمت بلند مدت و کوتاه مدت متمایز است و می یابد که تعصب کشور وطن در دراز مدت و در کوتاه مدت اطلاعات مربوط به ADR های تحت حمایت چین در سهام نیویورک همچنان ادامه داردExchange (NYSE) بر کشف قیمت سهام SSE تأثیر می گذارد.

• کشف قیمت
• ADR های تحت حمایت چین در بورس اوراق بهادار نیویورک (NYSE)
• اشتراک اطلاعات
• مدل دائمی
• فرضیه تعصب خانگی و بورس سهام شانگهای (SSE)

صورت منافع عمومی

این مقاله از چند طریق به ادبیات موجود در مورد کشف قیمت کمک می کند. بر خلاف مطالعات قبلی ، این مقاله نشان می دهد که با گذشت سالها به عنوان شرایط اقتصادی در چین و ایالات متحده تغییر ایجاد می کند ، سهم در کشف قیمت ADR های چینی ذکر شده در NYSE نسبتاً بهبود یافته است. این مطالعه همچنین مطالعه Su و Chong (استناد 2007) را در توضیح پویایی کشف قیمت از دیدگاه های کوتاه مدت و بلند مدت گسترش می دهد. یافته های ما همچنین با کار Frijns ، Gilbert و Tourani-Rad (استناد 2010) و یون و سابوروال (استناد 2003) سازگار است. در این مطالعه از داده های ADR های چینی که در لیست NYSE و سهام مربوطه در بورس سهام شانگهای قرار گرفته اند ، استفاده شده است.

1. معرفی

توسعه سریع ادغام اقتصادی جهانی و آزادسازی مالی فرصتی را برای شرکت ها فراهم کرده است تا سهام خود را در چند بورس سهام یعنی لیست متقابل لیست لیست کنند. در نتیجه ، اندازه گیری موفقیت نسبی شرکتهای دارای لیست متقاطع توجه محققان را به ویژه با توجه به تأثیر اطلاعات بر قیمت سهام (کشف قیمت) و به همین ترتیب آیا بازارهای مالی یکپارچه شده اند ، مورد توجه محققان قرار داده است. هنگامی که یک مبادله از نظر کشف قیمت حاکم است ، نشان می دهد که این مبادله ای است که معامله گران و سرمایه گذاران ترجیح می دهند تجارت خود را اجرا کنند (Frijns et al. ، Citation 2010). در یک بازار کارآمد ، قیمت یک دارایی بدون در نظر گرفتن محل لیست آن باید یکسان باشد. این اصل با استدلال "بدون آربیتراژ" اجرا می شود. در اقتصاد مالی ، قانون یک قیمت تضمین می کند که دو یا چند سری اقتصادی غیر ثابت حرکت مشابهی در طولانی مدت دارند. این پدیده تعادل در طولانی مدت به عنوان یکپارچه سازی شناخته می شود (Qadan & Yagil ، استناد 2012). به طور خاص ، اگر بازارهای مالی مناطق مختلف یکپارچه شوند و یک سهام در آن بازارها به طور همزمان ذکر شود ، نباید از نظر حرکات قیمت و قیمت آن اختلاف نظر وجود داشته باشد (Koumkwa & Susmel ، استناد 2005).

جالب است که در مورد کشف قیمت بازارهای چین و بازارهای بین المللی مورد بررسی قرار گیرد زیرا الگوهای انتقال اطلاعات مشاهده شده در بازارهای توسعه یافته ممکن است برای بازارهای سهام چین نباشد. این به دلیل سابقه کوتاه آن و برخی از ویژگی های منحصر به فرد است. این ویژگی ها مربوط به انواع مالکیت تأمین کنندگان امنیتی ، ترکیبی از سرمایه گذاران بازار و مکانیسم های معاملاتی است.

اول ، اوراق بهادار بازارهای سهام چین عمدتاً توسط شرکتهای متعلق به دولت (SOE) تأمین می شود. با این حال ، سهام قابل معامله فقط بخش کوچکی از کل سهام ممتاز SOE را تشکیل می دهد. این منجر به عرضه کمیاب اوراق بهادار به دلیل تعداد کمی از SOE در چین می شود (چن ، هان ، لی ، و وو ، استناد 2013). دوم ، سرمایه گذاران فردی و خرده فروشی نسبت به سرمایه گذاران نهادی نسبت بیشتری از بازار دارند. از این رو ، آنها یک نیروی اصلی حرکت در بازار سهام هستند (Ng & Wu ، Citation 2007 ؛ Yang ، Yang ، & Zhou ، Citation 2012). سرانجام ، یک قانون معاملات ویژه در بازارهای سهام چین اعمال می شود که کسانی که در یک روز تجارت سهام تجارت می کنند مجاز به انجام تجارت دیگر تا روز معاملات بعدی نیستند. از این رو ، امکان تجارت داخل روز وجود ندارد. همچنین ، معاملات فروش کوتاه به دلیل هزینه های بالای معاملات و کمبود وام دهندگان امنیتی دشوار است (Xie & Mo ، استناد 2014).

تحقیقات قبلی در مورد چگونگی تعامل بازارهای سهام چین با بازارهای جهانی پیشرو ، نتایج بی نتیجه حاصل کرده است. برخی از مطالعات نشان داد که هیچ ارتباط اطلاعاتی قابل توجهی بین بازار سهام چینی و توسعه یافته وجود ندارد (Li ، Citation 2007 ؛ Long ، Tsui ، & Zhang ، Citation 2014). در مقابل ، برخی دیگر نشان می دهند که بازارهای بین المللی می توانند بر رفتار قیمت گذاری بازارهای سهام چین تأثیر بگذارند و برعکس (آلن ، امرام ، و مک آلر ، استناد 2013 ؛ چو ، لیو ، و نیو ، استناد 2011 ؛ گوا ، هان ، لیو ، و ریو، استناد 2013).

با استفاده از نمونه ای از نه شرکت ، این مطالعه به بررسی چگونگی ، و تا چه اندازه تجارت ADR های تحت حمایت چین که در بورس اوراق بهادار نیویورک (NYSE) لیست شده است ، به جریان اطلاعات و کشف قیمت برای لیست متقاطع مربوطه کمک می کند. سهام در بورس سهام شانگهای (SSE). برای این منظور ، بازده سهام را از ژانویه 2005 تا دسامبر 2014 بررسی می کنیم تا بررسی کنیم که چگونه کشف قیمت با گذشت زمان تغییر کرد. پاورقی 1 متوجه شدیم که بازده دو جفت که روی سهام NYSE و SSE لیست شده اند ، در طولانی مدت در دو بازار در بیشتر موارد یکپارچه می شوند ، که نشانگر عدم وجود فرصت های داوری و هم طولانی مدت استتعادل ترم. با بررسی سهم اطلاعات (Hasbrouck ، استناد 1995) ، ضریب مشترک دائمی و معاصر (PT/GG) اندازه گیری (Gonzalo & Granger ، استناد به 1995) ، علیت گرنجر و سرریزهای نوسانات ، می فهمیم که بازار داخلی (SSE) غالب استنقش در کشف قیمت (جایی که اطلاعات به قیمت ها وارد می شود) در دراز مدت ، بنابراین فرضیه تعصب خانه را در اختیار دارد که بازار خانه مفیدترین اطلاعات را در مورد حرکت قیمت ایجاد می کند. نتایج حاصل از اشتراک اطلاعات و اندازه گیری PT/GG مشابه هستند. در مقابل ، علیت گرنجر و سرریزهای نوسانات نشان می دهد که NYSE SSE را در کوتاه مدت هدایت می کند.

یافته های ما مطابق با ادبیات است (چن ، لی ، و وو ، استناد 2010). با این حال ، ما با یافته های خود که اگرچه SSE و NYSE هر دو تأثیر کشف قیمت برای سهام متقاطع را تحت تأثیر قرار می دهند ، سهم قابل توجهی داریم ، اما قیمت بازار خانه تأثیر غالب را در دراز مدت اعمال می کند. نتیجه در کوتاه مدت معکوس می شود. این یافته شواهدی را در مورد کشف قیمت ADR های چینی که در لیست NYSE قرار گرفته است ، تکمیل می کند (Su & Chong ، استناد 2007). علاوه بر این ، مطالعه حاضر نشان می دهد که سهم برای کشف قیمت ADR های چینی که به صورت متقاطع در NYSE لیست شده اند ، بهبود یافته است ، و این نشان می دهد که تأثیر تغییر چارچوب های زمانی و موقعیت های اقتصادی در رابطه را نشان می دهد.

مطالعه ما از رویکرد روش شناختی متفاوتی از دو مطالعه معمولی در مورد این موضوع استفاده می کند: سو و چونگ (استناد 2007) و چن ، تورانی-راد و یی (استناد 2016). با این حال ، مقاله ما مشابه است اما فراتر از تکنیک های آنها است زیرا مقاله ما دیدگاه های بلند مدت و کوتاه مدت را در نظر می گیرد. علاوه بر این ، سو و چونگ (استناد 2007) بر ایالات متحده و هنگ کنگ تمرکز می کنند و موضوعات مربوط به بازارهای توسعه یافته را کشف می کنند. مقاله ما از طرف دیگر در مورد ایالات متحده و چین است که در آن مناطق زمانی با محیط بازار متفاوت است. آنها متعلق به دو محیط تجاری مختلف هستند در حالی که ایالات متحده متعلق به یک بازار بالغ است و چین یک بازار در حال ظهور است. یافته های مطالعه ما پیامدهایی برای سرمایه گذاران با توجه به تنوع بین المللی دارد.

مطالعه چن و همکاران.(استناد 2016) برای تأثیر فروش کوتاه بر کشف قیمت بنگاه های متقاطع چینی در بازار هنگ کنگ ، بر مطالعه رویداد تمرکز دارد. در مورد منطقه زمانی و خصوصیات منطقه ای شباهت هایی وجود دارد. از دیدگاه روش شناسی ، مدل رگرسیون چندگانه توسط چن و همکاران استفاده می شود.(استناد 2016) که در آن آنها رابطه علیت بین فروش کوتاه و کشف قیمت را بررسی می کنند در حالی که مطالعه ما انتقال اطلاعات بین دو بازار را برای درک پویایی کشف قیمت بین خانه و بازار خارجی در نظر می گیرد.

در این مقاله از یک همبستگی شرطی دو متغیره دو متغیره-همبستگی تعمیم یافته اتوگرافی تعمیم یافته خود (DCC-E-GARCH) استفاده می کند تا مشخصات نوسانات بین سهام لیست متقاطع را مشخص کند. دلایل استفاده از مدل E-GARCH برای مشخص کردن واریانس های شرطی یک متغیره به شرح زیر نشان داده شده است. مثبت بودن واریانس های مشروط به دلیل تنظیم لگاریتمی تضمین می شود. بنابراین ، برای برآورد همزمان ، هیچ محدودیتی لازم نیست. در مقایسه با GARCH و GJR - GARCH ، راندمان تخمین زیاد است (Koutmos & Tucker ، استناد 1996 ؛ نلسون ، استناد 1991). برای مسئله سرریزهای نوسانات ، مدل E-GARCH می تواند بخش بزرگی از پویایی نوسانات را توضیح دهد. این کشور به طور گسترده ای در چارچوب روش شناختی سرریزهای نوسانات یا انتقال اطلاعات به کار می رود (Koutmos & Booth ، استناد به 1995 ؛ TSE ، استناد 1999 ؛ TSE & BOOTH ، استناد 1996).

یک مزیت دیگر از مدل E-Garch نسبت به سایر مدل های Garch وجود دارد ، برای موضوعات سرریز نوسانات ، نتایج تخمین مستقل از سفارشات تاخیر بالاتر در مدل نیست (TSE ، استناد 1999). بنابراین ، به دلایلی که در بالا ذکر شد ، مدل E-GARCH به عنوان الگویی با قدرت توضیحی بهتر در نظر گرفته می شود.

این مطالعه مدل DCC را برای پرداختن به ماتریس همبستگی شرطی انتخاب کرده است زیرا مدل DCC بهترین مدل مناسب برای بازار سهام جهانی است و از این رو ، بهترین تخمین ها را مطابق پیشنهاد EMIN ارائه می دهد (استناد 2016). پاورقی 2

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 ، مرور ادبیات ، بخش 3 در مورد مدل ها و چارچوب Hasbrouck (استناد 1995) و Gonzalo و Granger Model ، بخش 4 داده ها را شرح می دهد. در بخش 5 ، نتایج تجربی و بخش 6 نتیجه می گیریم.

2. بررسی ادبیات

ادبیات بررسی کشف قیمت در تعدادی از تنظیمات در حال رشد است ، به ویژه با نگاهی به کشف قیمت سهام ذکر شده در مبادلات متعدد. در ابتدا ، مطالعات مکاتبات ، به ویژه بین NYSE و مبادلات منطقه ای را مورد بررسی قرار داد (هریس ، مکینیش ، و وود ، استناد 2002 ؛ هاسبروک ، استناد 1995). یک برنامه جالب توجه هریس و همکاران (استناد 2002) ، که به کمک های نسبی در کشف قیمت از NYSE و مبادلات منطقه ای در سه نقطه در زمان نگاه می کند: 1988 ، 1992 و 1995. این نویسندگان دریافتند که کمک های کشف قیمت بیش از حد تغییر می کندزمان.

قهوه جونیور (استناد 2002) با فرضیه پیوند ، ارتباط بین مبادله خارج از کشور و مبادله داخلی را توضیح داد. آنها دریافتند که پیوند برای بنگاه هایی که سهام خود را در NYSE یا مبادلات NASDAQ لیست می کنند وجود دارد. با این حال ، این نوع لیست متقاطع در بورس اوراق بهادار اتفاق افتاد که نیازهای بالاتری دارند و هزینه لیست نسبت به مبادله کشور خود دارند. Doidge ، Karolyi و Stulz (استناد 2004) نشان می دهند که لیست ایالات متحده تا چه اندازه کنترل کننده سهامداران می تواند در سلب مالکیت شرکت کند و فرصت های رشد برای بنگاه هایی که انتخاب می کنند در ایالات متحده ، به ویژه آنهایی که از کشورها انتخاب می کنند ، بسیار ارزشمند هستند. با حقوق سرمایه گذار فقیرتر. بازارهای سهام ایالات متحده برای شرکت های خارجی جذاب می شوند که سهام خود را به دلیل الزامات دقیق تر لیست که تعهدات حاکمیتی خوبی را تحمیل می کند ، لیست کنند. ریز و ویسباخ (استناد 2002) تحقیقاتی را انجام دادند تا دریابند که آیا شرکت های تحت یک سیستم حقوقی ضعیف احتمالاً سهام خود را در بازار ایالات متحده لیست می کنند یا خیر. آنها با مقایسه نمونه ای از 2038 شرکت متقاطع با 1051 شرکت که فقط در مبادله کشور وطن ذکر شده اند ، دریافتند که تمایل به حمایت از حقوق سهامداران دلیل مهمی است که برخی از شرکت های غیر آمریکایی در ایالات متحده لیست می شوند. هنگامی که تنها شرکت های داخلی در بازار عمده ایالات متحده در لیست قرار گرفتند ، تعداد آنها با ارائه تعداد آنها به طرز چشمگیری افزایش یافت.

مطالعات موجود در مورد کشف قیمت حاکی از آن است که بازار خانه تمایل دارد کشف قیمت را برای سهام متقاطع هدایت کند و این را می توان به چندین ویژگی بازار نسبت داد. به عنوان مثال ، لیبرمن ، بن زون و هاوزر (استناد 1999) در مورد رابطه غالب و ماهواره سهام ذکر شده در دو بازار بین المللی ، Tel-Aviv و نیویورک تحقیق کردند. آنها دریافتند که فرصت های داوری به طور کلی در دسترس نیست و معمولاً ، بازار داخلی به عنوان یک ماهواره و بازار خارجی به عنوان ماهواره ، به ویژه برای شرکت های بین المللی با حجم زیاد سهام ، ظاهر می شود. Eun و Sabherwal (استناد 2003) کشف قیمت را برای سهام کانادا که در ایالات متحده نیز در NYSE ، AMEX یا NASDAQ ذکر شده اند ، بررسی می کنند و دریافتند که به طور کلی کانادا از نظر کشف قیمت منجر می شود. آنها در ادامه دریافتند که سهم ایالات متحده از کشف قیمت مستقیماً با سهم ایالات متحده از تجارت مرتبط است و به طور معکوس با نسبت گسترش پیشنهادات مربوط به آن مرتبط است.

لو ، سان ، و موین (استناد 2005) این موضوعات را در یک زمینه چینی بررسی کردند. آنها از تئوری ادغام و مدل های دائمی-انتقال (PT) برای تجزیه و تحلیل مکانیسم کشف قیمت و تکامل سهام A و B در بورس سهام شانگهای و بازارهای بورس اوراق بهادار استفاده کردند. نتایج آنها نشان می دهد که سهام B باعث افزایش جریان اطلاعاتی بین سهام A و سهام B در بورس سهام شانگهای نسبت به بورس سهام شنژن شده است. در عین حال ، نتایج همچنین نشان می دهد که سهام A نقش مهمی در کشف قیمت در بازارهای در حال ظهور چین ایفا می کند.

Pascual ، Pascual-Fuster و Climent (استناد 2006) روند کشف قیمت سهام اسپانیایی ذکر شده در بورس اوراق بهادار اسپانیا را مورد مطالعه قرار داد و در NYSE لیست شد. آنها دریافتند که بازار داخلی از نظر کشف قیمت منجر به فعالیت تجاری خود می شود. Frijns و همکاران.(استناد به سال 2010) کشف قیمت سهام دو طرفه لیست متقابل در صرافی های استرالیا و نیوزیلند را مورد بررسی قرار داد و دریافت که در هر دو مورد بازار خانه از نظر کشف قیمت حاکم است. با این حال ، آنها همچنین مشاهده می کنند که با بزرگتر شدن شرکت ها و کاهش هزینه تجارت آنها در استرالیا ، بازار استرالیا آموزنده تر می شود. فرگوسن (استناد 2015) می یابد که استفاده از سرمایه گذار از اطلاعات شرکتهایی که در ایالات متحده و کشورهای اصلی در ایالات متحده قرار دارند ، به میزان اصطکاک پردازش اطلاعات آن بنگاه ها بستگی دارد. اخبار مربوط به بازار خانه بنگاهها به تصمیم گیری در مورد معاملات در هنگام استفاده از شركت ها از اصطكه پردازش اطلاعات بیشتری متكی می شود ، در حالی كه كسانی كه اصطكاكهای پردازش اطلاعات كمتر دارند ، از اخبار هم از ایالات متحده و هم از بازار خانه استفاده می كنند.

چن و همکاران.(استناد به سال 2016) ، با استفاده از نمونه ای از بنگاه های چینی که در بورس اوراق بهادار چین و هنگ کنگ ذکر شده است ، تأثیر فروش کوتاه و معاملات حاشیه ای بر کشف قیمت و اطلاع رسانی قیمت بنگاه های متقاطع را بررسی کرد. نمونه آنها شامل 67 بنگاه متقاطع چینی در بازارهای سهم A و سهم H بود که از این تعداد 18 شرکت مجاز به فروش کوتاه/ معامله شده از مارس 2010 هستند. با استفاده از مؤلفه انتخاب نامطلوب Lin ، Sanger و Booth(استناد به 1995) ، یافته های آنها حاکی از آن است که برای گروه شرکتهای متقاطع چینی که مجاز به فروش کوتاه یا خریداری شده در حاشیه نیستند ، بازار خانه (A-Share) بیشتر در روند کشف قیمت به مرور زمان کمک می کند. در حالی که برای گروه شرکتهای متقاطع که واجد شرایط فروش کوتاه و معاملات حاشیه ای هستند ، نویسندگان تفاوت معنی داری در سهم بازارهای A- یا H-Care در کشف قیمت مشاهده نمی کنند. سهم بازار داخلی این بنگاهها حتی در مورد اعلام رویدادهای مهم حتی پایین تر است.

سو و چونگ (استناد 2007) فرآیند کشف قیمت را برای سهام متقاطع در بورس اوراق بهادار نیویورک (NYSE) و بورس اوراق بهادار هنگ کنگ (SEHK) مورد مطالعه قرار دادند. یافته های آنها حاکی از آن است که قیمت سهام این دو مبادله با هم یکپارچه و تعدیل متقابل است و SEHK سهم بیشتری نسبت به NYSE در فرآیند کشف قیمت دارد.

3. روش شناسی

در این بخش برآورد کشف قیمت که در این مقاله اعمال می شود ، شرح می دهد. سهم اطلاعات Hasbrouck (استناد 1995) و Gonzalo و Granger (استناد 1995) روشهای دائمی و معاصر برای مدل سازی روند کشف قیمت در طولانی مدت استفاده می شوند. ما همچنین از آزمون علیت گنگر استفاده می کنیم تا در کوتاه مدت سرریزهای بازگشت را بررسی کنیم. سرریزهای نوسانات توسط یک مدل DCC-Egarch دو متغیره مورد بررسی قرار می گیرند.

3. 1مدل تصحیح خطای بردار

بر اساس Engle و Granger (استناد 1987) ، بازنمایی مدل تصحیح خطای بردار به طور کلی می تواند به صورت (1) Δ y t = α β ′ Y T - 1 + ∑ K = 1 P A K δ Y T نشان داده شود.- k + e t.(1)

جایی که β 'y_{T - 1}اصطلاح تصحیح خطا است ، α ماتریس ضرایب تصحیح خطا است که حاکی از سرعت تنظیم به انحراف از تعادل بلند مدت است. آ_منحاوی ضرایب برای تنظیم کوتاه مدت است. αβ 'y _t-1رابطه تعادل پویا را برای سری زمان قیمت در دراز مدت توصیف می کند. α یک ماتریس ضریب مهم است که ما برای تجزیه و تحلیل کدام بازار از روند کشف قیمت در دراز مدت استفاده می کنیم. برای یک مورد دو متغیره ، α حاوی دو ضرایب ، α 1 و α 2 ، برای بازار 1 و بازار 2 است. اگر α₁کوچک است و α 2 بزرگ است ، به این معنی است که بازار 1 منجر به بازار 2 در دراز مدت می شود. بازار 2 اگر راه دیگر باشد ، بازار 1 را هدایت می کند.

با توجه به سهم اطلاعات Hasbrock (استناد 1995) ، ما VECM را در معادله (1) به یک فرم یکپارچه تبدیل می کنیم

(2) Δ y t = ψ l e t.(2)

جایی که ψ l یک چند جمله ای ماتریس است ، من عملگر تاخیر را ارائه می دهم. معادله (2) را می توان به (3) y t = y 0 + ψ 1 ∑ s = 1 t e s + ψ ′ l e t تنظیم کرد.(3)

جایی که ψ 1 ماتریس ضربه است. این مبلغ کل ضرایب متوسط متحرک را ارائه می دهد. ψ 1 e_tتأثیر بلند مدت برای اطلاعات جدید به هر قیمت بازار است. بر اساس معادله (3) ، می توان سهم اطلاعات Hasbrouck (استناد 1995) را بدست آورد.

3. 2 سهام اطلاعات Hasbrouck

ماتریس ضربه ψ 1 دارای همان ردیف ها است (Baillie ، Booth ، TSE ، & Zabotina ، Citation 2002 ؛ De Jong ، Citation 2002 ؛ Hasbrouck ، استناد 1995). اطلاعات جدید در دراز مدت به همه قیمت ها کمک می کند. در تعریف Hasbrouck ، ψe_tتأثیر دائمی برای تغییر قیمت است. این قسمت قیمت کارآمد مشترک را برای همه قیمت ها تشکیل می دهد. نسبت سهم بازار J به واریانس ψe_tبه عنوان (4) i s j = ψ j 2 ω jj ψ ω ψ ψ تعریف شده است.(4)

جایی که var (ψe_t) = ψ o m e g a ψ. معادله (4) هنگامی اعمال می شود که o m e g a یک ماتریس مورب است ، یعنی هیچ ارتباطی بین بازارها وجود ندارد.

هنگامی که ω مورب نیست ، ما از روش فاکتورسازی cholesky برای تجزیه Ω استفاده می کنیم. بنابراین ما بدست می آوریم

(5) I S J = (ψ M J) 2 ψ ω ψ.(5)

جایی که M فاکتور سازی چولسکی مثلثی پایین است. ψ m j عنصر j بردار ψ m است. با این حال ، هنگام استفاده از فاکتورسازی cholesky مشکلی وجود دارد. سفارش متغیر مختلف منجر به برآورد سهم اطلاعات مختلف برای یک بازار می شود. از این رو ، برای به دست آوردن مرزهای بالا و پایین برای سهم اطلاعات هر بازار ، باید سفارشات متغیر مختلفی را در نظر بگیریم. برای یک مورد دو متغیره ، ما M = σ 1 0 ρ σ 2 σ 2 (1 - ρ 2) 1 /2

به گفته بیلی و همکاران.(استناد 2002) ، می توانیم مرزهای محدود و پایین را به شرح زیر محاسبه کنیم (6) I S U = (α 2 σ 1 - α 1 ρ σ 2) 2 (α 2 σ 1 - α 1 ρ σ 2) 2 + α1 2 σ 2 2 (1 - ρ 2).(6) (7) I S L = α 2 2 σ 1 2 (1 - ρ 2) (α 1 σ 2 - α 2 ρ σ 1) 2 + α 2 2 σ 1 2 (1 - ρ 2).(7)

جایی که σ₁و σ₂انحراف استاندارد بازارهای اول و دوم به ترتیب است. ρ ضریب همبستگی بین دو بازار است. معادله (6) محاسبه قسمت بالای آن از بازار اول است در حالی که معادله (7) محدودیت پایین تر از همان بازار را می دهد.

3. 3 روش گونزال و-گرنجر دائمی (PT/GG)

نظریه اساسی برای مدل PT/GG این است که بردار سری واحد ریشه Y_حرفدارای دو مؤلفه است. یکی یک عامل مشترک دائمی f است_حرفو دیگری یک عامل ثابت کوتاه مدت z است_حرفکه تأثیر دائمی ندارد. سپس ما (8) y t = a f t + z t داریم.(8)

جایی که A یک ماتریس ضریب است ، f_حرفیک عملکرد خطی y است_حرفبشرمؤلفه گذرا Z_حرفگرنجر باعث F نمی شود_حرفبشرمعادله (8) را می توان دوباره به (9) y t = β ⊥ (α ⊥ ′ β ⊥) - 1 α ⊥ ′ Y T + α (β ′ α) - 1 β y t t.(9)

جایی که α ⊥ یک ماتریس متعامد به ضریب خطا ماتریس α است. β ⊥ یک ماتریس متعامد به ماتریس همتایی β است. α ⊥ و β ⊥ عادی شده است از این رو باعث می شود مجموع بردار برابر با 1 باشد. α ⊥ می تواند برای اندازه گیری سهم هر بازار در فرآیند کشف قیمت استفاده شود. برای دو بازار مختلف ، Market 1 و Market 2 ، اندازه گیری PT/GG را می توان به عنوان نشان داد

(10) α ⊥ = α 2 α 2 - α 1 ، α 1 α 1 - α 2.(10)

جایی که α₁و α₂ضرایب تصحیح خطا به ترتیب برای بازار 1 و بازار 2 به ترتیب است. اولین عنصر معادله (10) سهم بازار 1 در کشف قیمت است در حالی که دوم سهم بازار 2 در کشف قیمت است.

3. 4تست علیت گرنجر

بر اساس معادله (1) ، علیت گرنجر بین SSE و NYSE برای یک سهام متقابل خاص در هر دو صرافی را می توان با برابری مشترک به صفر ضرایب در معادله (1) آزمایش کرد. روش دقیق در زیر نشان داده شده است.

برای علیت گرنجر از SSE تا NYSE

برای علیت گرنجر از NYSE تا SSE

H 0: α 1 = 0 یا H 0: A 12 1 = A 12 2 =… = a 12 p = 0

جایی که α_من(i = 1 ، 2) و a i j k (k = 1 ،… ، p ، i = 1 ، 2 ، j = 1 ، 2 ، i ≠ j) ضرایب ماتریس α و a هستند_kبه ترتیب در معادله (1). P ترتیب تأخیر از VAR اساسی در معادله (1) است که توسط AIC انتخاب می شود. توجه داشته باشید که P ممکن است در بین سهام لیست متقاطع نمونه متفاوت باشد. اگر هر یک از فرضیه های فوق رد شود ، علیت گرنجر وجود دارد.

3. 5مدل DCC-Egarch دو متغیره

برای مشخص کردن ساختار اصطلاح خطا معادله (1) ، ما همبستگی شرطی دو متغیره (DCC) را اتخاذ می کنیم که مدل ناهمگونی مشروط مشروط (GARCH) ارائه شده توسط Engle (استناد 2002). مشخصات DCC GARCH ممکن است تقریب بهتری با انواع فرآیندهای همبستگی متغیر زمان و برآورد دقیق تر از ماتریس واریانس مشروط در مقایسه با سایر اشکال مشخصات Garch دو متغیره داشته باشد (Engle ، استناد 2002 ؛ TSE & TSUI ، استناد 2002). مدل Bivariate DCC Garch (1 ، 1) که ماتریس کواریانس شرطی E را توضیح می دهد_حرفبه شرح زیر مشخص شده است.

معادله زیر (1) ،

(11) e t = e 1 ، t e 2 ، t |ψ t - 1 ∼ دانش آموز ′ S T (0 ، H T ، V) ، (11)

جایی که ψ t - 1 اطلاعات تنظیم شده تا زمان t-1 است. بردار باقیمانده E_حرففرض بر این است که از توزیع T یک دانش آموز پیروی می کند و V میزان آزادی توزیع است. سخنرانی_حرفماتریس کواریانس شرطی E است_حرفبشرسپس ما (12) h t = d t r t d t داریم.(12)

(13) d t = d i a g h 11 ، t ، h 22 ، t.(13)

(14) r t = d i a g q t - 1 /2 q t (d i a g q t) - 1 /2.(14)

اینجا D_حرفیک ماتریس مورب 2 × 2 متشکل از واریانس های متغیر زمانی باقیمانده است. D من یک g. یک ماتریس مورب را نشان می دهد. واریانس مشروط فردی در D_حرفدر یک مدل گارچ نمایی (EGARCH) که توسط نلسون (استناد 1991) تهیه شده است ، مدل شده است ، که به عنوان (15) log H 11 ، t = α 1 + α 2 E 1 ، t - 1 H 11 ، t - 1 + α نشان داده شده است. 3 E 1 ، T - 1 H 11 ، T - 1 + α 4 log H 11 ، T - 1 + α 5 E 2 ، T - 1 H 22 ، T - 1.(15)

و (16) log H 22 ، t = β 1 + β 2 E 2 ، t - 1 H 22 ، t - 1 + β 3 E 2 ، t - 1 H 22 ، t - 1 + β 4 log H 22 ، t- 1 + β 5 E 1 ، T - 1 H 11 ، T - 1.(16)

سخنرانی_{11 ، t}و ح_{22 ، t}واریانس مشروط بازده سهام لیست متقاطع که به ترتیب در SSE و NYSE معامله می شوند. در معادلات (15) و (16) ، رفتار خودکار واریانس توسط پارامترهای α ضبط می شود₂، β₂، α₄و β₄جایی که α₂و β₂بازتاب اثرات ورود شوک های جدید در حالی که α₄و β₄منعکس کننده تداوم اخبار قدیمی است. به ویژه ، پارامترهای α₃و β₃عدم تقارن نوسانات را کنترل کنید که در آن تأثیر بر نوسانات شوکهای منفی گذشته بزرگتر از موارد مثبت گذشته است. علائم منفی هر دو پارامتر برای وجود عدم تقارن انتظار می رود. علاوه بر این ، ما سرریزهای نوسانات بین SSE و NYSE را برای یک سهام متقاطع در معادلات (15) و (16) از طریق ضرایب α بررسی می کنیم₅و β₅بشرα₅و β₅به ترتیب از NYSE به SSE و آن از SSE تا NYSE تخمین بزنید. سرانجام ، برای اینکه واریانس های مشروط ثابت باشند ، α₄و β₄باید کوچکتر از وحدت باشد. مدل EGARCH از مدل سازی بر روی فرآیندهای هتروسکوپی مشروط بهره می برد زیرا باعث مثبت بودن تخمین نوسانات بدون محدودیت در پارامترها می شود.

یادآوری معادله (14) ، r_حرفیک ماتریس متقارن 2 × 2 است که از همبستگی و وحدت شرطی تشکیل شده است. سعدی_حرفیک ماتریس 2 × 2 متشکل از واریانس شرطی - کواریانس باقیمانده های استاندارد است. سعدی_حرفیک فرآیند arma (1،1) را دنبال می کند که می تواند به عنوان (17) q t = (1 - a - b) q ¯ + a ϵ t - 1 ϵ t - 1 t + b q t - 1 (17) نشان دهد

(18) q t = q 11 ، t q 12 ، t q 21 ، t q 22 ، t.(18)

جایی که ϵ t = (1 ، t ، ϵ 2 ، t) t یک بردار 2 × 1 از باقیمانده های استاندارد است که توسط ϵ i ، t = e i ، t h i i ، t (i = 1 ، 2) مشخص شده است. بشرq ¯ = e [ϵ t ϵ t t] یک ماتریس واریانس 2 × 2 بی قید و شرط از ϵ t است. در معادله (17) ، س_{11 ، t}و س_{22 ، t}واریانس مشروط اختلالات استاندارد ϵ 1 ، t و 2 ϵ ، t را در زمان t نشان می دهد. سعدی_{12 ، t}= س_{21 ، t}کواریانس مشروط بین 1 ، t و 2 ϵ ، t در زمان t است. A و B پارامترهای مقیاس هستند. نیمه نهایی مثبت q_حرف can be guaranteed given a> 0 , b>0 ، و A + B<1. a measures whether the correlation is conditional on past values in the short term while b examines whether the time-varying nature of correlation is persistent.

برآورد پارامتر مشخصات DCC دو متغیره DCC را می توان با حداکثر رساندن عملکرد ورود به سیستم برای توزیع T دانش آموز دو متغیره بدست آورد. سهم هر مشاهده در زمان t به احتمال ورود به سیستم می تواند به طور کلی بیان شود

.(19)

جایی که γ (.) عملکرد گاما است. v درجه فوق الذکر آزادی برای توزیع T دانش آموز است که دمهای سنگین شکل زنگ را کنترل می کند. V برای اطمینان از وجود ماتریس کواریانس ، از 2 بزرگتر است. سخنرانی_حرفیک ماتریس واریانس- کوواریانس شرطی است که در معادله تعریف شده است (12) و t h e t a یک وکتور پارامتر است که حاوی تمام ضرایب مدل DCC GARCH است.

تخمین برای بردار پارامتر t h e t a را می توان با به حداکثر رساندن احتمال ورود به سیستم در مدت زمان نمونه بدست آورد ، که بیان شده است

(20) l θ = ∑ t = 1 t l t (θ).(20)

جایی که T اندازه نمونه است.

4 داده

در این مقاله ، ما به اوراق بهادار که در بورس سهام شانگهای و شنژن و بورس اوراق بهادار در لیست متقابل قرار دارند ، تمرکز می کنیم. در نمونه ما ، نه بنگاه (Aluminum Corp. of China Ltd. (ACH) ، شرکت هواپیمایی هواپیمایی چین محدود (CEA) ، شرکت بیمه عمر چین محدود (LFC) ، شرکت نفتی و شیمیایی چین (SNP) ، هواپیمایی جنوبی چین وجود دارد. شرکت محدود (ZNH) ، شرکت راه آهن گوانگشن (GSH) ، شرکت بین المللی Huaneng Power (HNP) ، شرکت پتروچینا با مسئولیت محدود (PTR) ، شرکت پتروشیمی Sinopec Shanghai Limited (SHI) ، یانژو Coal Mining Co. Ltd. (YZC) این 9 شرکت در بورس اوراق بهادار چینی و بورس اوراق بهادار آمریکا تجارت می کنند.

بورس سهام شانگهای که در سال 1990 تأسیس شد ، به یکی از مهمترین بازارهای مالی چین تبدیل شده و نقش مهمی برای اقتصاد محلی ایفا می کند. همچنین در حال تبدیل شدن به یکی از بزرگترین بازارهای سرمایه در جهان است. در پایان سال 2015 ، 1081 شرکت در شانگهای ذکر شده بودند که کل سرمایه در بازار 29. 52 تریلیون RMB قرار گرفت. کل گردش مالی سالانه در سال 2015 133. 10 تریلیون RMB و میانگین گردش روزانه به 545. 59 میلیارد RMB رسید. کل سرمایه جمع آوری شده در بازار سهام در سال 2015 حدود 871. 30 میلیارد RMB بود. در مقایسه با همتای خود در شنژن ، بورس اوراق بهادار شانگهای برای بازار سرمایه چین از آنجایی که شرکت های ذکر شده تری دارند ، از اهمیت بیشتری برخوردار است ، سهام قابل معامله تری را ارائه می دهد و نقدینگی بالاتری ایجاد می کند. پاورقی 3 با توجه به این واقعیت ها ، سهام ذکر شده در بورس شانگهای را به جای شنژن به دلیل تحقیق در مورد تعامل آنها با همتایان لیست متقاطع در بورس نیویورک انتخاب می کنیم.

ما دو دلیل داریم که نه سهام لیست متقابل برای مطالعه انتخاب می شوند. اول ، به دنبال سو و چونگ (استناد 2007) ، سهام را انتخاب می کنیم که مسیر نمونه ای به اندازه کافی طولانی در بورس سهام شانگهای و نیویورک دارند. معیار ما این است که مسیر نمونه باید حداقل 10 سال باشد. دوم ، سهام منتخب همه توسط شرکت های دولتی (SOE) در چین صادر می شود که انتظار می رود حجم معاملات زیادی ، گردش مالی بالا و نقدینگی بالا در بازار داشته باشند. این امر به این دلیل است که SOE ها تأمین کننده اصلی سهام قابل معامله در بورس سهام شانگهای هستند (چن و همکاران ، استناد 2013). علاوه بر این ، SOE ها بیشترین سرمایه گذاری در بازار را در بورس اوراق بهادار چین دارند و تأثیر قابل توجهی در اقتصاد محلی دارند. از این رو ، چگونگی تعامل سهام آنها با همتایان در خارج از کشور ، تمرکز اصلی این مقاله است. پاورقی 4

شکل 1 ساعات معاملاتی در بورس اوراق بهادار NYSE و شانگهای و شنژن را نشان می دهد. از این رقم می بینیم که ساعت معاملاتی SSE 12 ساعت از NYSE است. SSE در ساعت 9:30 صبح باز و ساعت 3 بعد از ظهر در زمان پکن بسته می شود. ساعت معاملاتی NYSE از ساعت 9:30 صبح تا 4 بعد از ظهر در زمان محلی است ، اما هیچ ساعت بین ساعات تجارت SSE و NYSE وجود ندارد. در زمان پکن ، NYSE از ساعت 9:30 تا 4:00 صبح باز است و از این رو ، هیچ دوره معاملاتی بین شانگهای و بورس شنژن و NYSE وجود ندارد. این مقاله قیمت روزانه ، قیمت پیشنهاد ، قیمت و حجم روزانه را مستقیماً از DataStream به دست می آورد. نرخ ارز بین RMB و USD از شرکت OANDA استخراج می شود ، هرچند وب سایت و داده ها از 1 ژانویه 2005 تا 31 دسامبر 2014 جمع آوری می شود و روزهایی را که هیچ فعالیت تجاری وجود ندارد ، حذف نمی کند.