High-frequency na trend factor ng correlation ng presyo at volume
factor.formula
1. Kalkulahin ang Pearson correlation coefficient sa pagitan ng pang-araw-araw na minute-level na closing price at volume ng kalakalan ng stock:
2. Para sa bawat araw ng kalakalan, ang correlation coefficient na \( p_t \) na tumutugma sa 20 magkakasunod na time window na kinakalkula sa araw na iyon ay linearly regressed, na may oras \( t \) bilang independent variable, upang makuha ang regression coefficient na \( \beta \):
3. Ang regression coefficient na \( \beta \) na kinakalkula araw-araw para sa lahat ng stock ay isina-standardize sa cross section, at ang impluwensya ng market value at tradisyonal na mga price-volume factor (tulad ng 20-day reversal, 20-day turnover rate, 20-day volatility, atbp.) ay inaalis upang makuha ang panghuling high-frequency na trend factor ng correlation ng presyo at volume.
Sa pormula:
- :
Ang Pearson correlation coefficient sa pagitan ng minute closing price at minute trading volume ng stock na kinakalkula para sa ( t )th time window (hal., ang ( t )th minuto) sa loob ng bawat araw. Sinusukat ng correlation coefficient na ito ang antas kung saan ang presyo at volume ay naka-sync o nagdi-diverge sa partikular na time window na iyon. Ang positibong correlation ay nangangahulugan na kapag tumaas ang mga presyo, ang volume ng kalakalan ay may posibilidad na tumaas, at vice versa; ang negatibong correlation ay nangangahulugan na kapag tumaas ang mga presyo, ang volume ng kalakalan ay may posibilidad na bumaba, at vice versa.
- :
Ang regression coefficient na nakuha sa pamamagitan ng linear regression ay nagpapakita ng trend at lakas ng pang-araw-araw na correlation coefficient ng presyo-volume na ( p_t ) na nagbabago sa paglipas ng panahon ( t ). Ang positibong halaga ng ( \beta ) ay nagpapahiwatig na ang pang-araw-araw na correlation ng presyo-volume ay may posibilidad na tumaas sa paglipas ng panahon; ang negatibong halaga ng ( \beta ) ay nagpapahiwatig na ang pang-araw-araw na correlation ng presyo-volume ay may posibilidad na bumaba sa paglipas ng panahon; ang mas malaki ang absolute value ng ( \beta ), mas makabuluhan ang trend.
- :
Ang error term sa regression model ay kumakatawan sa paglihis sa pagitan ng aktwal na correlation coefficient na ( p_t ) at ang hinulaang halaga ng regression model. Ang pagkakaroon ng error term ay dahil sa pagkakaroon ng ingay at random na pagbabago sa aktwal na data.
- :
Ang serial number ng time window, mula 1 hanggang 20. Halimbawa, kung ginamit ang minuto na data, ang ( t=1 ) ay kumakatawan sa unang minuto, ang ( t=2 ) ay kumakatawan sa pangalawang minuto, at iba pa. Dapat tandaan na ang ( t ) dito ay tumutukoy sa time series sa loob ng bawat araw, hindi sa time series sa mga araw. Ang partikular na paghahati ng mga time window ay maaaring iakma ayon sa aktwal na frequency ng data at mga pangangailangan sa pananaliksik.
factor.explanation
Ang pangunahing lohika ng factor na ito ay upang makuha ang mga dinamikong pagbabago sa ugnayan sa pagitan ng presyo at volume sa microstructure ng merkado. Ang negatibong halaga ng ( \beta ) (i.e., ang mas maliit ang PV_corr_trend), ay nagpapahiwatig na ang correlation sa pagitan ng presyo at volume sa araw ay unti-unting humihina, na maaaring magpahiwatig na ang sentimyento ng merkado ay unti-unting nagdidiverge, at ang pagtaas ng presyo ay maaaring hindi sinasabayan ng isang epektibong pagtaas sa volume, at vice versa. Ito ay karaniwang itinuturing na isang manipestasyon ng pagsisimula ng kawalan ng balanse sa pagitan ng mga puwersa ng mahaba at maikling panig, at maaaring magpahiwatig ng isang potensyal na pagkakataon ng pagbaliktad. Sa kabilang banda, ang positibong halaga ng ( \beta ) (i.e., ang mas malaki ang PV_corr_trend), ay nagpapahiwatig na ang correlation sa pagitan ng presyo at volume sa araw ay unti-unting tumataas, na maaaring magpahiwatig ng pagkakapare-pareho ng sentimyento ng merkado, at ang presyo at volume ay sabay-sabay na pinalaki o binabawasan, na karaniwang itinuturing na isang senyales ng pagpapalakas ng mga uso sa merkado. Samakatuwid, pangunahing ginagamit ng factor na ito ang high-frequency na data upang makuha ang panandaliang sentimyento ng merkado at mga katangian ng microstructure sa pamamagitan ng pagsusuri sa trend ng mga pagbabago sa pang-araw-araw na ugnayan ng presyo-volume upang tumulong sa pagpili ng stock. Sa pangkalahatan, ang mga negatibong trend ( ( \beta ) ay negatibo) ay maaaring magkaroon ng mas mataas na predictive power.