عامل روند همبستگی قیمت-حجم فرکانس بالا
factor.formula
1. محاسبه ضریب همبستگی پیرسون بین قیمت پایانی دقیقه ای سهام و حجم معاملات روزانه:
2. برای هر روز معاملاتی، ضریب همبستگی \( p_t \) مربوط به 20 بازه زمانی متوالی محاسبه شده در آن روز، با زمان \( t \) به عنوان متغیر مستقل، به صورت خطی رگرسیون می شود تا ضریب رگرسیون \( \beta \) بدست آید:
3. ضریب رگرسیون \( \beta \) محاسبه شده روزانه برای همه سهام در مقطع عرضی استاندارد می شود، و تأثیر ارزش بازار و عوامل سنتی قیمت-حجم (مانند بازگشت 20 روزه، نرخ گردش 20 روزه، نوسانات 20 روزه و غیره) حذف می شود تا عامل نهایی روند همبستگی قیمت-حجم با فرکانس بالا به دست آید.
در فرمول:
- :
ضریب همبستگی پیرسون بین قیمت پایانی دقیقه ای سهام و حجم معاملات دقیقه ای محاسبه شده برای بازه زمانی ( t )اُم (به عنوان مثال، دقیقه ( t )اُم) در هر روز. این ضریب همبستگی میزان همگام بودن یا واگرایی قیمت و حجم را در طول آن بازه زمانی خاص اندازه گیری می کند. همبستگی مثبت به این معنی است که وقتی قیمت ها افزایش می یابد، حجم معاملات تمایل به افزایش دارد و بالعکس. همبستگی منفی به این معنی است که وقتی قیمت ها افزایش می یابد، حجم معاملات تمایل به کاهش دارد و بالعکس.
- :
ضریب رگرسیون به دست آمده از رگرسیون خطی، روند و قدرت ضریب همبستگی قیمت-حجم روزانه ( p_t ) را که با گذشت زمان ( t ) تغییر می کند، منعکس می کند. مقدار مثبت ( \beta ) نشان می دهد که همبستگی قیمت-حجم روزانه با گذشت زمان تمایل به افزایش دارد. مقدار منفی ( \beta ) نشان می دهد که همبستگی قیمت-حجم روزانه با گذشت زمان تمایل به کاهش دارد. هرچه مقدار مطلق ( \beta ) بزرگتر باشد، روند معنی دارتر است.
- :
جمله خطا در مدل رگرسیون، انحراف بین ضریب همبستگی واقعی ( p_t ) و مقدار پیش‌بینی شده مدل رگرسیون را نشان می‌دهد. وجود جمله خطا به دلیل وجود نویز و نوسانات تصادفی در داده‌های واقعی است.
- :
شماره سریال بازه زمانی، از 1 تا 20. برای مثال، اگر از داده‌های دقیقه ای استفاده شود، ( t=1 ) نشان دهنده دقیقه اول است، ( t=2 ) نشان دهنده دقیقه دوم است و به همین ترتیب. باید توجه داشت که ( t ) در اینجا به سری زمانی در هر روز اشاره دارد، نه سری زمانی در طول روزها. تقسیم خاص بازه‌های زمانی را می‌توان با توجه به فرکانس داده‌های واقعی و نیازهای تحقیقاتی تنظیم کرد.
factor.explanation
منطق اصلی این عامل، به دست آوردن تغییرات دینامیکی در رابطه بین قیمت و حجم در ریزساختار بازار است. مقدار منفی ( \beta ) (یعنی هرچه PV_corr_trend کوچکتر باشد)، نشان می‌دهد که همبستگی بین قیمت و حجم در طول روز به تدریج تضعیف می‌شود، که ممکن است نشان دهد که احساسات بازار به تدریج در حال واگرایی است و افزایش قیمت ممکن است با افزایش موثر در حجم همراه نباشد و بالعکس. به طور کلی، این نشان دهنده شروع عدم تعادل بین نیروهای سمت خرید و فروش در نظر گرفته می شود و ممکن است نشان دهنده فرصت بالقوه برای برگشت باشد. از طرف دیگر، مقدار مثبت ( \beta ) (یعنی هرچه PV_corr_trend بزرگتر باشد)، نشان می‌دهد که همبستگی بین قیمت و حجم در طول روز به تدریج در حال افزایش است، که ممکن است نشان دهنده ثبات احساسات بازار باشد، و قیمت و حجم به طور همزمان تقویت یا کاهش می‌یابند، که عموماً به عنوان سیگنالی از تقویت روندهای بازار در نظر گرفته می‌شود. بنابراین، این عامل عمدتاً از داده‌های فرکانس بالا برای به دست آوردن احساسات کوتاه مدت بازار و ویژگی های ریزساختار با تجزیه و تحلیل روند تغییرات در رابطه قیمت-حجم روزانه برای کمک به انتخاب سهام استفاده می کند. به طور کلی، روندهای منفی ( ( \beta ) منفی است) ممکن است قدرت پیش بینی بالاتری داشته باشند.