عامل شدت عدم تقارن اطلاعات درون روزانه
factor.formula
۱. محاسبه بازدهی روزانه:
الف. بازدهی شبانه سهام منفرد:
ب. بازدهی شبانه شاخص:
ج. بازدهی سهام بعد از ظهر روزانه:
د. بازدهی شاخص بعد از ظهر روزانه:
۲. محاسبه ترم باقیمانده:
الف. انجام رگرسیون خطی بر روی بازدهی های شبانه سهام منفرد و شاخص برای حذف تاثیر نوسانات کلی بازار:
به دست آوردن باقیمانده بازدهی شبانه:
ب. انجام رگرسیون خطی بر روی بازدهی های بعد از ظهر سهام منفرد و شاخص برای حذف تاثیر نوسانات کلی بازار:
به دست آوردن باقیمانده سود بعد از ظهر:
۳. محاسبه تفاوت بین باقیماندههای شبانه و بعد از ظهر روزانه:
۴. ساخت آمار stat:
الف. محاسبه میانگین δ:
ب. محاسبه انحراف معیار δ:
ج. با استفاده از میانگینها و انحراف معیارهای بالا، آماره T را برای اندازهگیری اهمیت تفاوت بین باقیماندههای بازدهی شبانه و بعد از ظهر محاسبه کنید:
۵. حذف تأثیر عامل مومنتوم:
الف. انجام رگرسیون مقطعی از آماره stat بر روی عامل مومنتوم (بازدهی 20 روز گذشته) برای حذف اثر مومنتوم:
ب. ترم باقیمانده ε به دست آمده از رگرسیون عامل شدت عدم تقارن اطلاعات درون روزانه است.
در اینجا:
- :
نرخ بازدهی شبانه یک سهم منفرد در روز i ام، معمولاً به نرخ بازدهی قیمت باز شدن روز نسبت به قیمت بسته شدن روز قبل اشاره دارد. یک تعریف دقیق تر را می توان بر اساس داده های معاملاتی واقعی تنظیم کرد.
- :
بازدهی شبانه شاخص در روز i ام، متناظر با بازدهی شبانه سهام منفرد است و تعریف باید ثابت بماند.
- :
نرخ بازدهی یک سهم منفرد در جلسه بعد از ظهر در روز i ام، معمولاً به عنوان نرخ بازدهی قیمت از باز شدن تا بسته شدن جلسه بعد از ظهر تعریف می شود. تعریف دوره زمانی خاص باید دقیقاً بر اساس زمان معاملات واقعی بورس تنظیم شود.
- :
نرخ بازدهی شاخص در بعد از ظهر در روز i ام، متناظر با نرخ بازدهی سهام منفرد در بعد از ظهر است و تعریف باید ثابت بماند.
- :
مقدار عرض از مبدا در رگرسیون خطی، نشان دهنده مقدار مورد انتظار بازدهی سهام منفرد زمانی است که بازدهی شاخص بازار صفر باشد.
- :
ضریب رگرسیون در رگرسیون خطی، نشان دهنده تغییر مورد انتظار در بازدهی سهام منفرد زمانی است که بازدهی شاخص یک واحد تغییر کند.
- :
ترم باقیمانده مدل رگرسیون بازدهی شبانه سهام منفرد در روز i ام، نشان دهنده بخشی از بازدهی شبانه سهام منفرد است که توسط مدل قابل توضیح نیست. این ترم باقیمانده را می توان به عنوان اطلاعات بازدهی شبانه سهام منفرد پس از حذف تأثیر بازار درک کرد.
- :
ترم باقیمانده مدل رگرسیون بازدهی بعد از ظهر سهام منفرد در روز i ام، نشان دهنده بخشی از بازدهی بعد از ظهر سهام منفرد است که توسط مدل قابل توضیح نیست، که می تواند به عنوان اطلاعات بازدهی بعد از ظهر سهام منفرد پس از حذف تأثیر بازار درک شود.
- :
تفاوت بین باقیمانده بازدهی شبانه و باقیمانده بازدهی بعد از ظهر در روز i برای درک تفاوت در الگوهای بازدهی درون روزانه استفاده می شود، که ممکن است درجه عدم تقارن اطلاعات درون روزانه را منعکس کند.
- :
میانگین δ نشان دهنده سطح متوسط تفاوت بین باقیماندههای بازدهی شبانه و بعد از ظهر در یک دوره زمانی (به عنوان مثال، N روز) است، که نشان دهنده الگوی کلی بازدهی درون روزانه است.
- :
انحراف معیار δ، نوسان تفاوت بین باقیماندههای بازدهی شبانه و بعد از ظهر را در یک دوره زمانی اندازهگیری میکند و پایداری الگوی بازدهی درون روزانه را منعکس میکند.
- :
اندازه نمونه مورد استفاده هنگام محاسبه میانگین و انحراف معیار، معمولاً به اندازه پنجره زمانی اشاره دارد. هرچه اندازه نمونه بزرگتر باشد، نتایج آماری پایدارتر است.
- :
آماره T برای سهام j برای ارزیابی اهمیت تفاوت بین باقیماندههای بازدهی شبانه و بعد از ظهر استفاده میشود. هر چه مقدار مطلق بزرگتر باشد، تفاوت معنیدارتر است، که ممکن است نشان دهد سهام بیشتر تحت تأثیر عدم تقارن اطلاعات قرار دارد.
- :
نرخ بازدهی سهام j در 20 روز معاملاتی گذشته برای کنترل تأثیر اثر مومنتوم استفاده میشود. در اینجا، 20 روز یک دوره پنجرهای رایج است و میتواند بر اساس شرایط واقعی تنظیم شود.
- :
باقیمانده رگرسیون سهام j نشان دهنده سیگنال بازدهی منحصر به فرد ناشی از عدم تقارن اطلاعات درون روزانه پس از حذف اثر مومنتوم است. این مقدار مقدار نهایی عامل شدت عدم تقارن اطلاعات درون روزانه است.
factor.explanation
این عامل بر این فرض استوار است که معاملهگران آگاه بیشتر در ساعات صبح فعال هستند و یک شاخص کمی برای مشخص کردن درجه عدم تقارن اطلاعات در بازار سهام ایجاد میکند. عامل بهبود یافته APM از بازدهی شبانه به جای بازدهی صبحگاهی برای درک بهتر تأثیر انتشار اطلاعات پیش از بازار بر قیمتها استفاده میکند. نوسانات بازار از طریق رگرسیون خطی حذف میشوند و آماره T برای اندازهگیری اهمیت تفاوت بین باقیماندههای بازدهی شبانه و بعدازظهر ترکیب میشود. اثر مومنتوم نیز از طریق رگرسیون مقطعی حذف میشود تا عامل نهایی شدت عدم تقارن اطلاعات درون روزانه به دست آید، که میتواند در استراتژیهای انتخاب سهام کمی برای کمک به شناسایی سهامهایی که ممکن است مزیت اطلاعاتی داشته باشند، استفاده شود. این عامل را میتوان در ترکیب با سایر عوامل بنیادی، عوامل فنی و غیره برای ساخت یک مدل چند عاملی استفاده کرد.