تجارت الگوریتمی یا الگوتریدینگ به استفاده از الگوریتم های رایانه ای برای تصمیم گیری معاملات، ارسال سفارشات و مدیریت سفارشات پس از ارسال، اشاره دارد. برای درک دقیق الگوتریدینگ، توصیه می شود پست قبلی را از اینجا بخوانید! الگوتریدینگ یک نمونه چشمگیر از تغییرات تکنولوژیکی است که تجارت اوراق بهادار را متحول کرد. با شروع بازار سهام ایالات متحده در اواخر دهه 1990، استفاده از معاملات الگوریتمی در بازارهای مالی عمده رایج تر و غالب شده است که حدود 78٪ از کل حجم معاملات سهام ایالات متحده را در سال 2012 نشان می دهد. پیشینه الگوتریدینگ نشان می دهد که بهبود در بازار به دلیل پیشرفت های تکنولوژیکی می تواند تاثیر زیادی بر بنیادهای شرکت داشته باشد. به عنوان مثال، سانگر و مک کانل (1986) افزایش شفافیت و نقدینگی ارائه شده به سهام فرابورس را با ایجاد NASDAQ در سال 1971 بررسی کردند و نتایجی را یافتند که نشان دهنده افزایش ارزش شرکت های فرابورس است. آمیهود و همکاران (1997) نشان می دهد که سهامی که در سال 1987 به مکانیسم معاملاتی کارآمدتری در بورس اوراق بهادار تل آویو منتقل شدند، از افزایش قیمت قابل توجه و دائمی برخوردار شدند. ایزلی و همکاران (2014) دریافتند که فاز دوم ارتقاء سال 1980 در محیط معاملاتی NYSE تاثیر مثبتی بر نقدینگی داشت که منجر به بازده غیرعادی مثبت برای سهامهایی شد که ارتقاء را دریافت کردند. ادبیات موجود در الگوتریدینگ عمدتا بر تاثیر آن بر کیفیت بازار متمرکز شده است، اما تاثیر آن بر روی مبانی شرکت و ارزش شرکت، ناشناخته باقی مانده است. با توجه به نقش مهم معاملات الگوریتمی در بازار سهام، سرمایه گذاران، دانشگاهیان و سیاست گذاران نیاز به درک عمیق تری از مزایا، هزینه ها و اثرات واقعی آن، از جمله مواردی که بر روی مبانی شرکت، دارند.
چگونه ممکن است الگوتریدینگ بر ارزش شرکت تاثیر بگذارد؟ این احتمال وجود دارد که هرگونه تاثیر الگوتریدینگ از طریق ویژگی های سهام مختلف مانند نقدینگی، نوسانات و چولگی هدایت شود. اگر الگوتریدینگ، نقدینگی را افزایش دهد، همان طور که در هندرسات و همکاران (2011) نشان داده شده است، باید محتوای اطلاعاتی قیمت سهام را بهبود بخشد و عدم تقارن اطلاعاتی و هزینه سرمایه را کاهش دهد و منجر به ارزش شرکت بالاتر شود. محتوای اطلاعات قیمت سهام بهبود یافته همچنین می تواند اثربخشی قراردادهای جبران خسارت مدیریتی را که بر اساس قیمت سهام است، افزایش دهد و تصمیمات سرمایه گذاری مدیریتی را بر اساس توضیحات فانگ و همکاران (2009)، بهبود بخشد. در مقابل، اگر الگوتریدینگ، نقدینگی را کاهش دهد، ممکن است ریسک سهام و هزینه سرمایه را افزایش دهد و در نتیجه ارزش شرکت کاهش یابد.
اگر الگوتریدینگ بر نوسانات بازده سهام تاثیر بگذارد، در نهایت می تواند بر بازده مورد انتظار و ارزش شرکت تاثیر بگذارد. رابطه بین نوسانات خاص و بازده مورد انتظار، پیچیده است. برخی یک رابطه مثبت مشروط بین این دو را مطرح کرده اند یا یافته اند (مرتون، 1987؛ بومه و همکاران، 2009؛ فو، 2009؛ استامباو و همکاران، 2015)، در حالی که برخی دیگر یک رابطه منفی یا بدون رابطه پیدا کرده اند (انگ و همکاران، 2006؛ گوو و همکاران، 2014؛ پارک و همکاران، 2020).
برخی از سرمایه گذاران سهام با چولگی مثبت را ترجیح می دهند و ارزش بالاتری برای آن ها قائل می شوند که در نتیجه رابطه منفی بین چولگی خاص و بازده مورد انتظار ایجاد می شود که میتون و ورکینک، 2007 و بویر و همکارانش، 2010 این مسئله را تشریح کرده اند. بازده مورد انتظار پایین تر نشان دهنده قیمت فعلی سهام و ارزش شرکت است. ادبیات موجود نشان می دهد که معاملات الگوریتمی ممکن است اثرات متفاوتی بر ویژگی های سهام مانند نقدینگی، نوسانات، چولگی و کارایی قیمت داشته باشد و اثرات کوتاه مدت و بلندمدت آن نیز ممکن است متفاوت باشد. این پیچیدگی های بالقوه متناقض، ارزیابی تاثیر کلی الگوتریدینگ بر بازارهای مالی و اوراق بهادار منفرد را دشوار می سازد.
با پیروی از هندرشات و همکاران (2011) و بومر و همکاران (2020)، ما یک پروکسی معاملاتی الگوریتمی را بر اساس ترافیک پیام با استفاده از پایگاه داده معاملات و قیمت ها (TAQ) می سازیم. ابتدا بررسی می کنیم که چگونه الگوتریدینگ بر ویژگی های مختلف قیمت سهام، به ویژه نقدشوندگی سهام، نوسانات خاص و چولگی خاص، تاثیر می گذارد و متوجه می شویم که الگوتریدینگ به طور قابل توجهی با نقدینگی سهام و چولگی خاص و به طور قابل توجهی با نوسانات خاص رابطه منفی دارد. سپس متوجه می شویم که فعالیت الگوتریدینگ به طور قابل توجهی با ارزش شرکت اندازه گیری شده توسط q-Tobin پس از کنترل سایر متغیرهایی که بر ارزش شرکت تاثیر می گذارند، مرتبط است. این رابطه با گنجاندن اثرات ثابت سال، صنعت و شرکت، مشخصات مدل های مختلف و استفاده از پراکسی های جایگزین برای فعالیت معاملاتی الگوریتمی قوی است. این نتایج نشان می دهد که الگوتریدینگ به طور مثبت بر ارزش شرکت از طریق بهبود نقدینگی سهام، کاهش نوسانات خاص، و افزایش چولگی خاص تاثیر می گذارد.
شرکت دانش بنیان نیتبیکو، اولین شرکت دانش بنیان ایرانی در حوزه ارز دیجیتال با الگوتریدینگ و هوش مصنوعی است. در این پست اطلاعاتی دقیق راجع به الگوتریدینگ، ارائه شده است.
آدرس وب سایت نیتبیکو: www.nitbico.com
آدرس توییتر: www.twitter.com/nitbico
کانال تلگرام: https://t.me/airdrop_namira
اینستاگرام: www.instagram.com/nitbico
مراجع
Sanger, Gary C, McConnell, John J., 1986. Stock exchange listings, firm value, and security market efficiency: the impact of NASDAQ. J. Financ. Quantit. Analy. 21, 1–25.
Amihud, Yakov, Mendelson, Haim, Lauterbach, Beni, 1997. Market microstructure and securities values: evidence from the Tel Aviv Stock Exchange. J. Financ. Econ. 45, 365–390.
Easley, David, Hendershott, Terrence, Ramadorai, Tarun, 2014. Leveling the trading field. J. Financ. Markets 17, 65–93.
Hendershott, Terrence, Jones, Charles M., Menkveld, Albert J., 2011. Does algorithmic trading improve liquidity? J. Financ. 66, 1–33.
Fang, Vivian, Noe, Thomas H., Tice, Sheri, 2009. Stock market liquidity and firm value. J. Financ. Econ. 94, 150–169.
Merton, Robert C., 1987. A Simple Model of Capital Market Equilibrium with Incom- plete Information. J. Financ. 42, 483–510.
Boehme, Rodney, Danielson, Bartley, Kumar, Praveen, Sorescu, Sorin , 2009. Idiosyn- cratic risk and the cross-section of stock returns: Merton (1987) meets Miller (1977). J. Financ. Markets 12, 438–468.
Fu, Fangjian, 2009. Idiosyncratic risk and the cross-section of expected stock re- turns. J. Financ. Econ. 91, 24–37.
Stambaugh, Robert, Yu, Jianfeng, Yuan, Yu, 2015. Arbitrage asymmetry and the id- iosyncratic volatility puzzle. J. Financ. 70, 1903–1948.
Ang, Andrew, Hodrick, Robert J., Xing, Yuhang, Zhang, Xiaoyan, 2006. The cross-sec- tion of volatility and expected returns. J. Financ. 61, 259–299.
Guo, Hui, Kassa, Haim, Ferguson, Michael, 2014. On the relation between EGARCH idiosyncratic volatility and expected stock returns. J. Financ. Quantit. Anal. 49, 271–296.
Park, Seongkyu, Gilbert, K.C., Wei, John, Zhang, Linti, 2020. The FU (2009) positive relation between idiosyncratic volatility and expected returns is due to look-a- head bias. Forthcoming in Critical Finance Review.
Mitton, Todd, Vorkink, Keith, 2007. Equilibrium under diversification and the preference for skewness. Rev. Financ. Stud. 20, 1255–1288.
Boyer, Brian, Mitton, Todd, Vorkink, Keith, 2010. Expected idiosyncratic skewness. Rev. Financ. Stud. 23, 169–202.
Hendershott, Terrence, Riordan, Ryan, 2013. Algorithmic trading and the market for liquidity. J. Financ. Quantit. Anal. 48, 1001–1024.
Boehmer, Ekkehart, Fong, Kingsley Y.L., Wu, Juan, 2020. Algorithmic trad- ing and market quality: International evidence. J. Financ. Quantit. Anal. Working paper. Available at SSRNhttps://ssrn.com/abstract = 2022034 or http://dx.doi.org/10.2139/ssrn.2022034.
www.nn4e.com
nn4e@aol.com
شناسه تلگرام @nimanamira
09360703858
کانال تلگرام https://t.me/nn4enamira
کانال تام تام https://tt.me/nn4enamira
کانال تلپادو http://telepado.me/1/nn4enamira
اینستاگرام https://www.instagram.com/nn4enamira