دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

بررسی تاثیر عدم تعادل در سفارشات معاملات الگوریتمی بر نرخ بازده غیرعادی سهام در بازارهای متلاطم

نوع مقاله : مقاله پژوهشی

نویسندگان
سهیلا عسکری حسن آبادی 1
سعید مرادپور 2
محمدحسین رنجبر 3
علی امیری 4
1 دانشجوی دکتری گروه حسابداری، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
2 استادیار گروه حسابداری و مدیریت مالی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
3 دانشیار گروه حسابداری و مدیریت مالی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
4 استادیار گروه حسابداری، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
10.30495/jik.2025.23593
چکیده
تحولات تکنولوژیکی در دهه اخیر باعث شده استفاده از الگوریتم‌های رایانه‌ای به طور قابل توجه‌ای توسط سرمایه‌گذاران افزایش پیدا کند. در پرتو رویدادهای شدید بازار مانند «سقوط ناگهانی»، پژوهشگران، بازارسازان و متخصصان امور مالی علاقه‌مند هستند تا نقش معاملات الگوریتمی در بازارهای متلاطم را درک کنند؛ از اینرو هدف اصلی این پژوهش، بررسی بررسی تاثیر عدم تعادل در سفارشات معاملات الگوریتمی بر نرخ بازده غیرعادی سهام در بازارهای متلاطم است. روزهای متلاطم در بازار در این پژوهش زمانی تعریف می‌شوند که مقادیر قدرمطلق بازده‌های بازار بزرگتر از 2 درصد هستند. بدین منظور، نمونه‌ای متشکل از 276 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال 1398 با استفاده از رگرسیون پانل و لجستیک بررسی شده‌ است. نتایج پژوهش نشان داد در روزهای صعودی بازار، سهام‌هایی که تقاضای معاملات الگوریتمی بیشتری دارند، دارای بازده غیرعادی سهام کمتری هستند و از نوسانات قیمت کمتری برخوردار هستند. نتایج در مورد روزهای نزولی بازار نشان داد سهام‌هایی که بیشتر توسط معاملات الگوریتمی معامله می‌شوند، نوسانات نزولی بیشتری را در روزهای نزولی بازار از خود نشان می‌دهند. همچنین نتایج نشان داد خالص عدم‌تعادل در سفارشات عرضه و تقاضای نقدینگی معاملات الگوریتمی در مقایسه با خالص عدم تعادل سفارشات معاملات غیرالگوریتمی فشار قیمتی کمتری دارد. این یافته‌ها حاکی از آن است که تاثیر معاملات الگوریتمی بر بازده سهام احتمالاً به دلیل اعمال فشار قیمت کمتر توسط معاملات الگوریتمی است. علاوه بر این، نتایج نشان داد معاملات الگوریتمی از استراتژی‌های ردیابی قیمت میانگین حجمی وزنی و ضد روند پیروی می‌کند.
کلیدواژه‌ها
معاملات الگوریتمی
بازارهای متلاطم
بازده غیرعادی سهام

عنوان مقاله English

Investigating the Effect of Imbalance in Algorithmic Trading Orders on Abnormal Stock Return Rates in Turbulent Markets

نویسندگان English

Soheila Askari Hassan Abadi 1
Saeed Moradpour 2
Mohammad Hossein Ranjbar 3
Ali Amiri 4
1 Ph.D. Student of Accounting Department, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran
2 Assistant Professor of Accounting and Financial Management Department, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran
3 Associate Professor of Accounting and Financial Management Department, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran
4 Assistant Professor of Accounting Department, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran
چکیده English

Technological developments in the last decade have led to a significant increase in the use of computer algorithms by investors. In the light of extreme market events such as the "sudden collapse", researchers, market makers and financial professionals are interested in understanding the role of algorithmic trading in volatile markets; Therefore, the main purpose of this study is to investigate the effect of imbalance in algorithmic trading orders on abnormal stock return rates in turbulent markets. Turbulent market days are defined in this study when the absolute values ​​of market returns are greater than 2%. For this purpose, a sample of 276 companies listed on the Tehran Stock Exchange during 1398 has been studied using panel regression and logistics. The results showed that in the bullish days of the market, stocks that demand more algorithmic trading have lower abnormal stock returns and have lower price fluctuations. The results for the downtrends showed that the stocks that are traded mostly by algorithmic trading show more downtrends during the downtrends. The results also showed that the net imbalance in supply and demand liquidity orders of algorithmic trades has lower price pressure compared to the net imbalance of non-algorithmic trading orders. These findings suggest that the effect of algorithmic trading on stock returns is probably due to lower price pressure exerted by algorithmic trading. In addition, the results showed that the algorithmic trades follow the weighted average volume weight and counter-trend price strategies.

کلیدواژه‌ها English

Algorithmic Trading
Volatile Markets
Abnormal Stock Returns
  • جمشیدی ویسمه، مهسا. (۱۳۹۶). معاملات الگوریتمی و معاملات پربسامد (بنیان ساز و کار و آموخته­های جهانی). بورس اوراق بهادار تهران، معاونت توسعه، چاپ اول، 1-64.
  • دستپاک، محسن؛ رستگار، محمدعلی. (1394). ارائه مدل معاملاتی با تکرار بالا در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری. 4(15)، 109-89.
  • رستگار، محمدعلی؛ امین صداقتی­پور. (1397). ارائه سیستم معاملات الگوریتمی برای قرارداد آتی سکه طلا مبتنی بر داده­های درون‌روزی. دانش سرمایه­گذاری، 7(28)، 67-49.
  • رستگار، محمدعلی؛ دستپاک، محسن. (1397). ارائه مدل معاملاتی با فراوانی زیاد، همراه با مدیریت پویای سبد سهام به روش یادگیری تقویتی در بورس اوراق بهادار تهران. تحقیقات مالی، 20(1)، 1-16.
  • رستگار، محمدعلی؛ ساعدی­فر، خاطره. (1396). استراتژی بهینه اجرای معاملات بزرگ با رویکرد شبیه­سازی عامل­گرا. تحقیقات مالی، 19(2)، 262-239.
  • رستگار، محمدعلی؛ تیموری، فریده؛ باقریان، بهنام. (1397). استراتژی سفارش­گذاری: تقابل واکنش بازار و ریسک اجرای معاملات. تحقیقات مالی، 20(2)، 151-172.
  • سید حسینی، میرمیثم؛ احمدی، زانیار. (1393). مفاهیم معاملات الگوریتمی. مدیریت پژوهش، توسعه و مطالعات اسلامی، 2، 1-116.
  • طادی، مسعود؛ آبکار، مجید؛ مطهری­نیا، وحید. (1397). استراتژی معاملات زوجی با رویکرد فاصله­ای در بورس اوراق بهادار تهران. دانش سرمایه­گذاری، 7(26)، 112-99.
  • Aggarwal, N., Thomas, S. (2017). The Causal Impact of Algorithmic Trading on Market Quality. Working Paper. Indira Gandhi Institute of Development.
  • (2010). Algorithmic trading and market access arrangements. Available at: http://www.asx.com.au/documents/media/20100211_review_ algorithmic_trading_and_market_access.pdf (retrieved on February 22, 2014).
  • Aitken, M., Chen, H., Foley, S. (2017). The impact of fragmentation, exchange fees and liquidity provision on market quality. Journal of Empirical Finance, 41, 140–160.
  • Bershova, N., Rakhlin, D. (2013). High-frequency trading and long-term investors: a view from the buy-side. Journal of Investment Strategies, 2(2), 69-25.
  • Boehmer, E., Fong, K., Wu, J. (2019). International Evidence on Algorithmic Trading. (Unpublished Working Paper. Singapore Management University).
  • Brogaard, J., Garriott, C. (2018). High-frequency trading competition. Journal of Financial and Quantitative Analysis, 54(4),1469-1497
  • Bogaard, J., Hendershott, T., Riordan, R. (2014). High frequency trading and price discovery. The Review of Financial Studies, 27, 2267–2306.
  • Brogaard, J., Hendershott, T., Riordan, R. (2019). Price discovery without trading: evidence from limit orders. The Journal of Finance, 74 (4), 1621–1658.
  • Chaboud, A.P., Chiquoine, B., Hjalmarsson, E., Vega, C. (2014). Rise of the machines: algorithmic trading in the foreign exchange market. The Journal of Finance, 69(5), 2045-2084.
  • Frino, A., Prodromou, T., Wang, G. , Westerholm, P. J., Zheng, H., 2017. An empirical analysis of algorithmic trading around earnings announcements. Pacific-Basin Finance Journal, 45, 34–51.
  • Gao, C., Mizrach, B. (2016). Market quality breakdowns in equities. Journal of Financial Markets, 28, 1–23.
  • Hasbrouck, J., Saar, G. (2013). Low-latency trading. Journal of Financial Markets, 16 (4), 646–679.
  • Hendershott, T., Riordan, R. (2013). Algorithmic trading and the market for liquidity. Journal of Financial and Quantitative Analysis, 48 (4), 1001–1024.
  • Hendershott, T., Jones, C. M., Menkveld, A. J. (2011). Does algorithmic trading improve liquidity? The Journal of Finance, 66 (1), 1–33.
  • Jamshidi Wismeh, M. (2017). Algorithmic trading and high frequency trading (the basis of the mechanism and global learning). Tehran Stock Exchange, Deputy of Development, First Edition, 1-64. (in Persian)
  • Jegadeesh, N., Noh, J., Pukthuanthong, K., Roll, R., Wang, J. L. (2019). Empirical Tests of Asset Pricing Models with Individual Assets: Resolving the Errors-in-Variables Bias in Risk Premium Estimation, Working Paper. Emory University.
  • Kirilenko, A., Kyle, A.S., Samadi, M., Tuzun, T. (2017). The flash crash: high frequency trading in an electronic market. The Journal of Finance, 72 (2), 967–998.
  • Zhou, H., Kalev, P. S., Frino, A. (2020). algorithmic trading in turbulent markets. Pacific-Basin Finance Journal, 62, 101358, 1-27.