Długa pamięć wolumenu obrotów: porównanie giełd w Warszawie i Frankfurcie

• Autorzy: Tomasz Wójtowicz , Henryk Gurgul

Warianty tytułu

Long Memory of Trading Volume: Comparison of Warsaw and Frankfurt Stock Exchange

• Języki publikacji: PL

Abstrakty

Zagadnienie długiej pamięci (ang. long memory), czy też długoterminowej zależności (ang. long-run dependence), szeregów czasowych, po raz pierwszy zaobserwowane przez Hursta ([13]), przejawia się w postaci występowania istotnych autokorelacji wysokich rzędów. Mianowicie, funkcja autokorelacji zanika w tempie hiperbolicznym Oznacza to istnienie silnych zależności pomiędzy odległymi w czasie obserwacjami. W dziedzinie częstości powoduje to, że funkcja gęstości spektralnej nie jest ograniczona w otoczeniu zera. Z tego wynika ograniczenie możliwości stosowania tradycyjnych modeli liniowych szeregów czasowych oraz niektórych procedur statystycznych (np. stosowanych w kontekście wyceny aktywów). Występowanie długiej pamięci stawia również pod znakiem zapytania efektywność informacyjną rynków finansowych. Z badań empirycznych wynika, że rozwinięte oraz tzw. wschodzące rynki akcji (ang. emerging markets) wykazują efektywność informacyjną co najmniej w sensie słabym i półsilnym. W szczególności efektywność półsilna występuje, gdy wszyscy uczestnicy rynku mają równy dostęp do publicznej informacji, a reakcja cen na nową informację jest natychmiastowa. Występowanie długiej pamięci oznacza jednak, że reakcja na nową informację jest rozciągnięta w czasie. Ponadto długa pamięć pozwala na prognozowanie składnika systematycznego występującego w szeregu czasowym, co mogłoby prowadzić do zysków spekulacyjnych. (fragment tekstu)

EN

This study presents the results of investigations into the long-run relationship between trading volume and return volatility on Warsaw and Frankfurt stock exchange. The main goal is the calculation of memory parameters and determining whether there exists the same degree of long memory for trading volume and return volatility data. Additionally, changes in long memory properties are examined. Ali calculations are performed on a daily basis for a period from January 1998 to December 2005. (original abstract)

Słowa kluczowe

PL

Szeregi czasowe; Rynek kapitałowy; Inwestycje finansowe; Efektywność informacji; Stopa zwrotu; Wolumen obrotu

EN

Time-series; Capital market; Financial investment; Information effectiveness; Rate of return; Trading volume

• Czasopismo: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia
• Rocznik: 2007
• Numer: nr 6, Cz. II Rynek kapitałowy: skuteczne inwestowanie
• Strony: 571--580

Twórcy

autor

Tomasz Wójtowicz

• AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

autor

Henryk Gurgul

• AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

Bibliografia

• Avouyi-Dovi S., Jondeau E. 20(X). International transmission and volume effects in G5 stock market returns and volatility, BIS Conference Papers No. 8. s. 159-174.
• Bessembinder H., Seguin P.J. 1993. Price volatility, trading volume and market depth: evidence from futures markets, Journal of Financial and Quantitative Analysis. vol. 28. s. 21-39.
• Blume L., Easley D., O'Hara M. 1994. Market statistics and technical analysis: The role of Volume, Journal of Finance. vol. 49. s. 153-181.
• Bollerslev T., Jubiński D. 1999. Equity trading volume volatility: latent information arrivals and common long-run dependencies, Journal of Business & Economic Statistics. vol. 17. s. 9-21.
• Bollerslev T., Mikkelsen H.O. 1996. Modeling and pricing long memory in stock market volatility, Journal of Econometrics. vol.73. s. 151-184.
• Brock W.A., LeBaron B.D. 1996. A dynamic structural model for stock return volatility and trading volume, The Review of Economics and Statistics. vol. 78. s 94-110.
• Clark P.K. 1973, A subordinated stochastic process model with finite variance for speculative prices, Econometrica. vol. 41. s. 135-155.
• Copeland T. 1976. A model of asset trading under the assumption of sequential information arrival, Journal of Finance. vol. 31. s. 135-155.
• Ding Z., Granger C.W.J., Engle R.F. 1993. A long memory property of stock market returns and a new model, Journal of Empirical Finance. vol. 1. s.83-106.
• Geweke J., Porter-Hudak S. 1983. The estimation and application of long memory time series models, Journal of Time Series Analysis. vol. 4. s. 221-238.
• Granger C.W.J., Joyeux R. 1980. An introduction to long-memory time series models and fractional differencing, Journal of Time Series Analysis. vol.l. s. 15-29.
• Hosking J.R.M. 1981. Fractional differencing, Biometrika. vol. 68. s. 165-176.
• Hurst H.R. 1951. Long-term storage capacity of reservoirs, Transactions of the American Society of Civil Engineers. vol. 1. s. 519-543.
• Karpoff J.M. 1987. The relation between price changes and trading volume: A survey, Journal of Financial and Quantitative Analysis. vol. 22. s. 109-126.
• Lee B.S., Rui O.M. 2002. The dynamic relationship between stock returns and trading volume: Domestic and cross-country evidence, Journal of Banking and Finance. vol. 26. s. 51-78.
• Lobato I.N. 1999. A semiparametric two-step estimator in a multivariate long memory model, Journal of Econometrics. vol. 90. s.129-153.
• Lobato I.N., Velasco C. 2000. Long memory in stock-market trading volume, Journal of Business and Economic Statistics. vol. 18 (4). s. 410-427.
• Robinson P.M. 1995. Gaussian semiparametric estimation of long range dependence, Annals of Statistics. vol. 23. s. 1630-1661.
• Robinson P.M., Yajima Y. 2002. Determination of cointegrating rank in fractional systems, Journal of Econometrics. vol. 106 (2). s. 217-241.
• Sowell F.B. 1992. Maximum likelihood estimation of stationary univariate fractionally integrated time series models, Journal of Econometrics. vol. 53. s. 165-188.
• Suominen M. 2001. Trading volume and information revelation in stock markets, Journal of Financial and Quantitative Analysis. vol. 36. s. 545-565.