تکامل زمان بهره وری بازار و چند عام بودن بازار سهام ژاپن

این مطالعه با توجه به سه شاخص: شاخص قیمت سهام توکیو (TOPIX) ، شاخص بخش دوم بورس اوراق بهادار توکیو و Topix-Small ، به بررسی تکامل زمان بهره وری بازار در بازار سهام ژاپن پرداخته است. نماینده هورست نشان می دهد که بازارهای ژاپن در مراحل اولیه خود ناکارآمد هستند و به تدریج بهبود می یابند. Topix و Topix-Small در حدود سال 2000 ضد حساسیت نشان دادند که هنوز هم ادامه دارد. درجه چند عاملی با گذشت زمان متفاوت است و نشان نمی دهد که بازارهای ژاپن به طور دائم کارآمد هستند. خصوصیات چند منظوره بازارهای ژاپن به طور قابل توجهی در حدود سال 2000 تغییر کرد. این ممکن است ناشی از مهاجرت کامل از کف معاملات سهام به سیستم تجارت رایانه بورس اوراق بهادار توکیو و اصلاح سیستم مالی ، همچنین به عنوان "Big Bang ژاپنی" شناخته شود.

کلید واژه ها:

1. معرفی

فرضیه بازار کارآمد (EMH) که توسط FAMA (1970) تهیه و طبقه بندی شده است ، یک مسئله مهم مالی است زیرا پیدا کردن یک استراتژی تجاری بهینه برای سرمایه گذاران و پزشکان نهادی با ارزیابی وضعیت صحیح بازار بسیار مهم است. به عنوان مثال ، در یک بازار کارآمد ، ممکن است یک استراتژی ساده برای تکرار یک شاخص سرمایه گذاری اتخاذ کند. برعکس ، در یک بازار ناکارآمد ، ممکن است یک استراتژی سودآور اتخاذ کند که از ناهنجاری های ناشی از ناکارآمدی استفاده می کند. FAMA (1970) EHM را به سه شکل طبقه بندی کرد: (i) شکل ضعیف ، (ب) فرم نیمه قوی و (iii) شکل قوی. بازار کارآمد با شکل ضعیف فقط در مورد قیمت های تاریخی بحث می کند. در این بازار ، سری زمانی بازگشت هیچ قدرت پیش بینی سودآور برای بازده های آینده را نشان نمی دهد. اگرچه بازار کارآمد با شکل ضعیف به طور قابل توجهی در ادبیات مورد آزمایش قرار گرفته است ، اما هیچ مدرک مشخصی در مورد EMH به دست نیامده است. در عوض ، امکان کارآیی بازار متغیر زمان مورد بحث قرار گرفته است (لیم و بروکس 2011).

مطالعات تجربی ویژگی های جهانی را یافته اند که با یک مدل پیاده روی تصادفی ساده توضیح داده نمی شوند، که اکنون به عنوان «واقعیت های سبک سازی شده» طبقه بندی می شوند (Cont 2001). حقایق سبک اصلی شامل خوشه بندی نوسانات (Bollerslev et al. 1992; Comte and Renault 1996; Cont et al. 1997; Ding et al. 1993; Ding and Granger 1994; Engle 1995)، عدم وجود همبستگی خودکار بازگشتی (Cont 199) است. فاما 1970؛ پاگان 1996)، زوال آهسته خودهمبستگی در بازده مطلق (Cont et al. 1997; Ding et al. 1993; Ding and Granger 1994; Granger and Ding 1996; Liu et al. 1997; Takai)، 20شی. دم های سنگین (کمپبل و همکاران 1998؛ ادامه و همکاران 1997؛ ماندلبروت 1963؛ پاگان 1996) و غیره. برخی از حقایق سبک، مانند خوشه بندی نوسانات و کاهش آهسته همبستگی های خودکار در بازده مطلق، با مدل های پیاده روی تصادفی سازگار نیستند (Cont et al. 1997; Lo and MacKinlay 2011)، که به این معنی است که فرآیند قیمت به نفع EMH نیست. بر اساس مدل های پیاده روی تصادفیمطالعات تجربی همچنین وجود ناهنجاری هایی مانند حرکت (جگادش و تیتمن 1993) و معکوس (دی بانت و تالر 1985؛ جگادش 1990) را نشان می دهد که ممکن است فرصتی برای کسب سود باشد. اگرچه وجود چنین ناهنجاری هایی به نظر می رسد که EMH را حذف می کند، فاما (1998) ادعا می کند که ناهنجاری ها، به ویژه ناهنجاری های بازگشت طولانی مدت، همیشه با EMH در تضاد نیستند. علاوه بر این، ناهنجاری ها به طور مشهودی پس از کشف در آکادمی ناپدید یا ضعیف می شوند (Schwert 2003).

A convenient method to test the randomness of a time series is to measure the Hurst exponent (HE), H , classifying the randomness of the time series. The HE was originally introduced by H.E. Hurst in hydrology to determine optimum dam sizing for the Nile river (Hurst 1951) and is related to the autocorrelations of time series. Time series with H>0. 5 دارای خاصیت است که حرکت متوالی در یک جهت بیشتر از فرآیند پیاده روی تصادفی رخ می دهد که با "مداوم" نشان داده می شود. از سوی دیگر، سری های زمانی با H<0.5 have successive movement back and forth more often than the random walk process, denoted by “anti-persistent”. The random walk time series have a value H = 0.5 .

Matteo et al. (2005) classified 32 world stock market indices in approximately 10 years using the HE. Interestingly, they find a clear ranking for the degree of market efficiency and classify the world stock indices into three groups: (A) H>0. 5 (مداوم)، (B) H ~ 0. 5 (تصادفی) و (C) H<0.5 (anti-persistent). All the emerging markets belong to group (A), where the retu time series have persistent behavior. The developed markets fall either into (B) or (C).

برخی از بازارهای به خوبی توسعه یافته (ایالات متحده ، ژاپن ، فرانسه و استرالیا) به گروه (C) طبقه بندی می شوند ، نشان می دهد که این بازارها نسبتاً ناکارآمد هستند. ظاهر این ضد اشتراکی در بازارهای توسعه یافته کنجکاو است و منشأ آن کاملاً درک نشده است. جالب اینجاست که بازارهای رمزنگاری نیز در مراحل اولیه بازار رفتار ضد مداوم نشان می دهند (Urquhart 2016) و سپس با بهبود کارآیی آنها به مرحله بلوغ منتقل می شود (Drożdż و همکاران 2018a). پیشنهاد می شود که مایعات بد باعث ضد اشتعال بازارهای رمزنگاری شود (Takaishi and Adachi 2020 ؛ WEI 2018). با توجه به اینکه پیش بینی می شود نقدینگی بازارهای سهام توسعه یافته به اندازه کافی زیاد باشد ، مکانیسم های تظاهرات مختلفی ممکن است برای رفتار ضد مداوم مشاهده شده در بازارهای توسعه یافته استفاده شود.

این مطالعه با هدف بررسی تکامل بهره وری بازار در بازارهای سهام ژاپن به مرور زمان از روزهای اولیه بازارها تا به امروز انجام شده است. به طور خاص ، ما بر این موضوع تمرکز می کنیم که آیا ضد حساسیت مشاهده شده در بازار ژاپن تا به امروز زنده مانده است. برای تعیین کمیت راندمان بازار ، ما از نمایندگی عمومی Hurst (GHE) محاسبه می کنیم ، که می تواند پیچیدگی سری های زمانی را نشان دهد که توسط استاندارد او به تنهایی اسیر نمی شود. همانطور که در بالا ذکر شد ، او مربوط به همبستگی های سری زمانی ، یعنی همبستگی های خطی است. او برای اندازه گیری پیچیدگی یا همبستگی های غیرخطی سری زمانی کافی نیست. GHE اطلاعات بیشتری را در مورد غیرخطی بودن سری زمانی ضبط می کند ، و ما از GHE برای تعیین کمیت خاصیت سری زمانی استفاده می کنیم. گفته می شود سری زمانی با متغیر (ثابت) GHE چند منظوره (مونوفراکتال) است. از آنجا که سری زمانی گاوسی مونوفراکتال است ، ظهور چند عیار به معنای انحراف خاص از سری زمانی گاوسی یا برخی از ناکارآمدی بازار است. Multifractality بینش دیگری در مورد کارآیی بازار ارائه می دهد ، و ما کارایی بازار را با توجه به میزان چند عیار از طریق GHE بررسی می کنیم.

روش چند منظوره یک روش قدرتمند برای تجزیه و تحلیل خاصیت سری زمانی بازارهای مالی است. Drożdż و همکاران.(2018b) سوابق بلند مدت S& P 500 و NASDAQ را مورد بررسی قرار داد و نشان داد که ویژگی های چند منظوره مربوط به مهمترین وقایع تاریخی است. تحت همین مفهوم مشابه ، با بررسی چند عاملی بودن سری زمان بازگشت ، ما نشان می دهیم که خاصیت سری زمانی بازارهای سهام ژاپن در حدود سال 2000 به طور قابل توجهی تغییر کرده و استنباط می کند که این تغییر ملک به مهاجرت کامل از کف معاملات سهام نسبت داده می شودسیستم تجارت رایانه ای بورس اوراق بهادار توکیو (TSE) و همچنین اصلاحات مالی ژاپن ، معروف به "Big Bang ژاپنی" ، که در اواخر دهه 1990 تأسیس شد.

این مطالعه به شرح زیر سازماندهی شده است. بخش 2 داده ها و روش مورد استفاده را شرح می دهد. بخش 3 نتایج تجربی این مطالعه را ارائه می دهد. سرانجام ، ما در مورد نتایج بحث می کنیم و مطالعه را در بخش 4 نتیجه می گیریم.

2. داده ها و روش شناسی

تجزیه و تحلیل ما براساس داده های قیمت روزانه سه شاخص سهام ژاپنی که در TSE معامله می شوند ، است.(1) Topix: یک شاخص بر اساس کلیه سهام مشترک داخلی که در بخش اول TSE ذکر شده است.(2) شاخص بخش دوم بورس اوراق بهادار توکیو (TSE-SECOND): شاخصی از کلیه سهام مشترک داخلی که در بخش دوم TSE ذکر شده است.. داده ها از ابر داده JPX بازیابی شد (http://db-ec. jpx. co. jp/ ، دسترسی به 12 مه 2021) ، و دوره زمانی داده های مورد استفاده برای تجزیه و تحلیل در جدول 1 ذکر شده است.

با توجه به سری زمانی قیمت روزانه p (t) ، t = 1 ، 2 ،… ، n ، ما بازده r (t) را با اختلاف قیمت لگاریتمی تعریف می کنیم ، به شرح زیر

r (t) = log p (t) - log p (t - 1).

شکل 1 مجموعه زمانی بازگشت سه شاخص را نشان می دهد و آمار توصیفی در جدول 1 ذکر شده است.

ما GHE H (q) را با استفاده از تجزیه و تحلیل نوسان چند منظوره (MFDFA) تعیین می کنیم (Kantelhardt et al. 2002). MFDFA ، که یک روش گسترده از تجزیه و تحلیل نوسانات دفع شده است (پنگ و همکاران 1994) ، می تواند دقیقاً خواص چند عاملی سری زمانی غیر ثابت را بررسی کند ، که با موفقیت در انواع بازارهای مالی اعمال شده است (به عنوان مثال ، به عنوان مثال ، نگاه کنید. جیانگ و همکاران 2019).

MFDFA به شرح زیر 3 توصیف شده است: ابتدا مشخصات y (i) را تعیین می کنیم. y (i) = ∑ j = 1 i (r (j) - 〈r〉) ،

جایی که 〈r〉 به معنای میانگین بازده است. سپس ، ما نمایه y (i) را به بخش های غیر همپوشانی n از طول مساوی تقسیم می کنیم ، جایی که n s ≡ i n t (n / s). از آنجا که طول سریال های زمانی همیشه چند برابر نیست ، ممکن است یک دوره زمانی کوتاه در انتهای پروفایل وجود داشته باشد. برای استفاده از این قسمت ، همان روش تکرار می شود ، از انتهای پروفایل. بنابراین ، بخش 2 N در کل به دست می آید. بعد ، واریانس را محاسبه می کنیم.

f 2 (ν ، s) = 1 s ∑ i = 1 s (y [(ν - 1) s + i] - p ν (i)) 2 ، برای هر بخش ν ، ν = 1 ،… ، n s و f 2 (ν ، s) = 1 s ∑ i = 1 s (y [n - (ν - n s) s + i] - p ν (i)) 2 ،

برای هر بخش ν ، ν = n s + 1 ،… ، 2 n s. در اینجا ، P ν (i) چند جمله ای مناسب برای حذف روند محلی در بخش ν است. ما از یک چند جمله ای سفارش مکعب استفاده می کنیم. به طور متوسط بیش از همه بخش ها ، ما عملکرد نوسان سفارش را بدست می آوریم

f q (s) = 1 2 n s ∑ ν = 1 2 n s (f 2 (ν ، s)) q / 2 1 / q.

برای q = 0 ، روش میانگین در معادله (5) نمی تواند مستقیماً اعمال شود. در عوض ، ما از روش میانگین لگاریتمی زیر استفاده می کنیم.

f 0 (s) = exp 1 4 n s ∑ ν = 1 2 n s ln (f 2 (ν ، s)).

اگر سری زمانی R (i) با دامنه قدرت دوربرد باشد ، انتظار می رود f q (s) فرم عملکردی زیر برای بزرگ باشد:

f q (s) ∼ S H (q).

GHE توسط Scaling Exponent H (q) تعیین می شود. ح (2) مطابق با H H ، و برای H (2)<0.5 ( h ( 2 )>0. 5) ، سری زمانی به عنوان ضد ماندگار (پایدار) طبقه بندی می شود. هنگامی که H (q) با Q متفاوت است ، سری زمانی چند منظوره است. برعکس ، هنگامی که H (q) برای هر Q ثابت است ، سری زمانی یکنواخت است. ما دامنه Q را در q = [ - 5 ، 5] محدود می کنیم زیرا وقتی |س |بزرگ است ، لحظات در عملکرد نوسان می تواند متفاوت باشد ، و محاسبه H (q) ممکن است ناپایدار باشد (جیانگ و همکاران 2019).

از آنجا که MFDFA برای یک سری زمانی محدود اعمال می شود ، باید سریال های زمانی را انتخاب کنیم. از آنجا که ما تکامل زمان کارآیی بازار را بررسی می کنیم ، در این مطالعه طول 1250 روز کاری را انتخاب می کنیم ، که تقریباً با 5 سال مطابقت دارد.

رابطه بین مدرک چند عاملی و کارآیی بازار توسط زونینو و همکاران مورد بحث قرار گرفته است.(2008) ، و ما درجه چند عاملی Δ H (q) را توسط تعریف می کنیم

Δ H (q) = H ( - q) - H (q).

از آنجا که Δ H (q) مقدار صفر را برای سری زمانی گاوسی می گیرد ، انتظار می رود یک Δ H (q) محدود مربوط به برخی از ناکارآمدی باشد.

3. نتایج تجربی

برای اندازه گیری تکامل زمان H (q) ، از یک روش پنجره نورد استفاده می شود: هر ساعت (q) با یک پنجره زمانی 1250 روز کاری (تقریباً 5 سال) محاسبه می شود و پنجره زمان برای 25 روز به 25 روز منتقل می شودمحاسبه بعدیشکل 2 نماینده ای از عملکرد نوسانات f q (s) را در اولین پنجره سری زمانی Topix نشان می دهد. ما با قرار دادن معادله (7) به مدت 25 ≤ S ، نماینده مقیاس H (q) را تعیین می کنیم و به طور معمول خطاهای مناسب Δ (٪) H (q) در محدوده 0. 7 مشخص می شوند.<δ <3 .

اول ، ما نتایج HE ، H (2) را ارائه می دهیم. شکل 3 تکامل زمان H (2) را برای بازده سه شاخص نشان می دهد و می فهمیم که H (2) با گذشت زمان متفاوت است. برای بررسی اینکه آیا این رفتار متغیر از همبستگی زمان منشأ می شود ، ما همچنین H (2) سری زمانی بازگشت تصادفی را محاسبه می کنیم. تصادفی سازی می تواند تمام همبستگی های ممکن سری زمانی را از بین ببرد. خطوط قرمز در شکل 3 میانگین H (2) را نشان می دهد ، که از 20 سری زمانی بازگشت تصادفی محاسبه شده است. میانگین H (2) در حدود 0. 5 نوسان است که در مورد سری زمانی تصادفی انتظار می رود. بنابراین ، تأیید شده است که رفتار متغیر HE در سری زمانی اصلی توسط همبستگی های زمانی هدایت می شود.

مشاهده شده است که قبل از سال 1970 ، ساعت (2) از TOPIX بیشتر از 0. 5 بود ، نشان می دهد که بازار Topix پایداری دارد و از این رو ناکارآمد است. H (2) از Topix به تدریج کاهش می یابد ، و به نظر می رسد که H (2) در دهه 1980 به 0. 5 می رسد ، نشان می دهد که بازار کارآمد می شود. با این حال ، H (2) از TOPIX بعد از حدود سال 2000 به کمتر از 0. 5 کاهش می یابد ، که نشان دهنده ضد اشتعال است. این ضد حساسیت نیز توسط Matteo و همکاران مشاهده شد.(2005) ، و تا امروز ادامه دارد. مقادیر H (2) TSE-SECOND و TOPIX-SMALL قبل از سال 2000 مقدار بیشتری از 0. 5 را به خود اختصاص داده است ، نشان می دهد که سری زمانی پایدار است. هر دو مقدار H (2) از TSE-SECOND و TOPIX-SMAL در ابتدای دهه 2000 کاهش یافته و H (2) TSE-Second تقریباً به 0. 5 رسیده است ، نشان می دهد که بازار TSE-Second کارآمد شده است.

کاهش شدید H (2) برای هر سه شاخص در حدود سال 2000 مشاهده شده است. در سال 1999 ، کف معاملات سهام TSE بسته شد و یک سیستم تجارت رایانه معرفی شد. این مهاجرت به سیستم تجارت رایانه ممکن است وضعیت بازار را تغییر داده و می تواند کاهش شیب دار H (2) را توضیح دهد. توضیح دیگر در مورد این کاهش شدید ، اصلاحات سیستم مالی است که به عنوان "Big Bang ژاپنی" نیز شناخته می شود ، که از اواخر دهه 1990 آغاز شد (به عنوان مثال ، ITO و Melvin 1999). هدف "Big Bang ژاپنی" تحت اصول "رایگان ، عادلانه و جهانی" این بود که بازارهای مالی ژاپن کارآمدتر و بین المللی تر شود. برای دستیابی به این هدف ، مقررات زدایی مانند کنترل کمیسیون های کارگزاری و کاهش مالیات معاملات اوراق بهادار در بخش های مختلف مالی معرفی شد.

برای Topix-small ، H (2) در ابتدای دهه 2000 به کمتر از 0. 5 کاهش یافته است ، مشابه Topix. این مشاهدات نشان می دهد که قبل از سال 2000 ، اگرچه TSE که توسط Topix نشان داده شده بود ، کارآمد شده بود ، اما بازار از جمله ، فقط سهام سرمایه کوچک که توسط Topix-small ارائه می شود ، هنوز ناکارآمدی را نشان می داد. پس از سال 2000 ، هر دو H (2) S از Topix و Topix-Small ضد اشتعال مشابهی را نشان دادند. بنابراین ، وضعیت بازار TSE ، از جمله بخش سهام کوچک سرمایه ، شبیه به Topix است.

Next, we examine the multifractal properties by the GHE, h ( q ) . Figure 4 is a representative of h ( q ) as a function of q at the first time window of the TOPIX time series. In Figure 4, we find that h ( q ) is not constant, thereby showing the multifractality of the time series. To investigate the time evolution of h ( q ) , we show h ( q ) in three-dimensional plots in Figure 5; we recognize that the h ( q ) values of the three indices at any given time are not constant, exhibiting the multifractal nature of the retu time series. The functional form of h ( q ) varies considerably over time, causing the surface of h ( q ) on the q -time plane to fluctuate. Before 2000, the area with h ( q )>0. 5 ، که به رنگ زرد و نارنجی نشان داده شده بود ، بر دیگران حاکم بود. پس از سال 2000 ، منطقه با H (q)<0.5 , represented in blue and light blue, has expanded. These results suggest that the market status by multifractality changed substantially in around 2000, which is possibly attributable to the complete migration to the TSE’s computer trading system and the financial system reform, also seen in h ( 2 ) .

سرانجام ، ما میزان چند عیار را با Δ H (q) تعیین می کنیم و کارآیی بازار را بررسی می کنیم. اگرچه وجود چند عاملی یا یک Δ H (q) محدود ممکن است مربوط به ناکارآمدی بازار باشد ، لازم به ذکر است که دو منبع ممکن از چند عیار وجود دارد: (i) همبستگی های زمانی و (ب) توزیع بازده گسترده (چربی)Kantelhardt و همکاران 2002). درجه چند عاملی توسط Δ H (q) می تواند حاوی یک مؤلفه چند عاملی از توزیع دم چربی باشد. برای تفریق مؤلفه همبستگی های زمانی که مربوط به کارآیی بازار است ، ما همچنین یک تجزیه و تحلیل چند عاملی را برای یک سری زمانی تصادفی که حاوی مؤلفه از توزیع چربی چربی است ، انجام دادیم و سپس مؤلفه همبستگی زمان چند مرحله ای را محاسبه کردیم

Δ H T I M E (q) = Δ H O R I G (q) - Δ H r a n d (q) ،

جایی که Δ H o r i g (q) و Δ h r a n d (q) به ترتیب درجه چند عاملی برای سری های زمانی اصلی و تصادفی هستند. با در نظر گرفتن q = 4 ، ما در شکل 6 Δ h o r i g (4) و Δ h r a n d (4) را ترسیم می کنیم. Schmitz 2000 ؛ Theiler et al. 1991) و همچنین نتایج را در شکل 6 به عنوان Δ H P H A S E (4) و Δ H A M P (4) ترسیم کنید. Δ H P H A S E (4) از سری زمانی جانشین تصادفی فاز ، که خصوصیات توزیع و همبستگی زمان را از بین می برد ، به جز همبستگی خطی بدست می آید. Δ H A M P (4) از سری جانشین تنظیم شده دامنه که همبستگی خطی و خصوصیات توزیع را حفظ می کند ، بدست می آید. ما برای هر پنجره زمانی 20 سری زمانی جانشین ایجاد می کنیم و میانگین GHE را در آن سری زمانی محاسبه می کنیم. دامنه Δ H P H A S E (4) کوچک است ، به این معنی که سهم همبستگی های خطی به چند عاملی بودن اندک است. ما می دانیم که Δ H A M P (4) و Δ H R A N D (4) دارای یک تغییر زمان مشابهی هستند ، که همچنین نشان می دهد که سهم همبستگی های خطی اندک است ، و بنابراین Δ H A M P (4) و Δ H R A N D (4) عمدتاً درجه ای را نشان می دهد که میزان درجه آن را نشان می دهد. چند وجهی از توزیع بازگشت. از آنجا که به طور معمول Δ H O R I G (4) از Δ H A M P (4) بزرگتر است ، Δ H O R I G (4) حاوی سهم از همبستگی های پیچیده غیر خطی است. Δ H r a n d (4) بیشتر مقادیر غیر صفر را می گیرد و با گذشت زمان متفاوت است ، دلالت بر این که توزیع بازگشت به ظاهر چند فرفری کمک می کند ، و شکل توزیع بازگشت ممکن است با گذشت زمان متفاوت باشد.

همانطور که در شکل 7 مشاهده می شود ، Δ H t i m e (4) با گذشت زمان متفاوت است ، و هیچ نشانه ای وجود ندارد که Δ h t i m e (4) به صفر همگرا شود ، به این معنی که بازارهای ژاپن ناکارآمد هستند. این خصوصاً با H (2) TSE-SECOND در تضاد است و نشان می دهد که بازار اخیر فقط با قضاوت H (2) کارآمد است. مشاهدات ما حاکی از آن است که چند عاملی توسط همبستگی های زمانی پیچیده که به تنهایی توسط او غیرممکن است ، ایجاد می شود و بازارهای سهام ژاپنی که توسط چند عیار بودن اندازه گیری می شوند ناکارآمد هستند.

4- بحث و نتیجه گیری

HE در مراحل اولیه بازارهای سهام ژاپن بالاتر از 0. 5 بود که نشانگر بازار ناکارآمد بود. در نتیجه ، در حدود سال 2000 به 0. 5 کاهش یافته است که نشانگر بهبود کارایی بازار است. سری زمانی بازگشت Topix و Topix-small پس از سال 2000 از 0. 5 کوچکتر از او برخوردار است و خاصیت ضد ماندگاری سری زمانی را نشان می دهد. ضد اشتعال به این معنی است که واژگونی بازده بالایی بیشتر از روند پیاده روی تصادفی اتفاق می افتد ، و این مشاهده می تواند توضیح دهد که چرا اثر حرکت که باعث افزایش دارایی های افزایش (سقوط) می شود (سقوط) در بازار سهام ژاپن ناچیز است (لیو و لی 2001).

در بازارهای سهام ژاپن و بدون هیچ گونه نشانه ای از ناپدید شدن ، در بازارهای سهام ژاپن وجود دارد. خصوصیات چند منظوره در حدود سال 2000 به میزان قابل توجهی تغییر یافت ، که احتمالاً به مهاجرت کامل به سیستم تجارت رایانه و تصویب اصلاحات سیستم مالی ، "Big Bang ژاپنی" مربوط می شود.

وجود چند عاملی حاکی از آن است که سری زمان بازگشت می تواند همبستگی های زمانی پیچیده ای داشته باشد که به تنهایی توسط او اسیر نمی شود و بازارهای سهام ژاپن همیشه کارآمد نیستند. ناکارآمدی مشاهده شده توسط چند عاملی می تواند فرصتی برای به دست آوردن سود ارائه دهد ، و می توان از استراتژی چند عاملی مانند خصوصیات چند عاملی استفاده کرد تا بازده ها را همانطور که توسط فو و همکاران مورد حمایت قرار می گیرد ، پیش بینی کند.(2018).

مطالعه ما نشان می دهد که میزان چند عاملی با گذشت زمان متفاوت است ، دلالت بر اینکه راندمان بازار پایدار نیست اما با گذشت زمان تغییر می کند. بنابراین ، حتی اگر EMH تأسیس شود ، به نظر نمی رسد که به طور دائم نگه داشته شود. مشاهدات ما ممکن است با دیدگاه فرضیه بازار تطبیقی سازگار باشد (LO 2004) ، که EMH را با تأمین مالی رفتاری ترکیب می کند و منجر به کارآیی بازار متغیر زمان می شود.

در بازارهایی که ناکارآمدی های زیادی مانند بازارهای نوظهور دارند (ماتئو و همکاران 2005) ، قیمت دارایی ها می توانند نادرست و جدا از ارزش های اساسی باشند ، که ممکن است منجر به افزایش بی ثباتی بازارها و خطر بازار برای سرمایه گذاران شود. برای دستیابی به بازارهای کم خطر ، یک راه بهبود کارآیی بازار است که می توان با افزایش افشای اطلاعات از منابع موجود به عموم انجام داد تا سرمایه گذاران بتوانند اطلاعات صحیح در مورد سرمایه گذاری خود را بدست آورند. افشای کارآمد ممکن است توسط سیاست دولت با نیروی قانونی انجام شود.

مطالعه حاضر فقط سری زمان بازگشت بازارهای سهام ژاپن را در نظر می گیرد. با توجه به اینکه برخی از بازارهای دیگر نیز ضد اشتراکی 5 را تجربه می کنند ، مطالعات آینده باید بررسی کند که آیا چنین بازارهایی هنوز هم ضد اشتعال دارند و ماهیت چند عاملی متغیر دارند.

[سفارشی] منابع

منابع مالی

این تحقیق توسط کمک هزینه ای از بنیاد Zengin برای مطالعات در زمینه اقتصاد و دارایی و بخشی از آن توسط شماره اعطای JSPS Kakenhi [JP18K01556 و JP21K01435] تأمین شد.

بیانیه هیئت بررسی نهادی

کاربردی نیست

بیانیه رضایت آگاهانه

کاربردی نیست

بیانیه در دسترس بودن داده ها

داده ها از ابر داده JPX در دسترس هستند (http://db-ec. jpx. co. jp/ ، که در 12 مه 2021 قابل دسترسی است).

تصدیق

محاسبات عددی برای این کار در تسهیلات رایانه ای موسسه یوکاوا و در تسهیلات انستیتوی ریاضیات آماری انجام شد.

تضاد علاقه

نویسنده اعلام کرد هیچ تضادی در منافع نیست.

یادداشت

در طول این مطالعه ، ما به بازار کارآمد با شکل ضعیف EMH توجه می کنیم.

Topix-Large همچنین وجود دارد ، یک شاخص شامل 100 سهام با سرمایه گذاری نقدینگی و بسیار بازار. ما می دانیم که نتایج حاصل از Topix Large بیشتر شبیه به نتایج TOPIX است. بنابراین ، در این مطالعه ، ما فقط Topix را در نظر می گیریم.

برای توضیحات بیشتر ، به عنوان مثال ، Kantelhardt و همکاران مراجعه کنید.(2002).

یک مطالعه جدید نشان می دهد که S& P500 روند کاهش H (2) تحت 0. 5 (Drożdż و همکاران 2018b) دارد.

منابع

1. Bollerslev ، Tim ، Ray Y. Chou ، and Keeth F. Kroner. 1992. مدل سازی قوس در امور مالی: مروری بر تئوری و شواهد تجربی. مجله اقتصاد سنجی 52: 5-59.[Google Scholar] [CrossRef]
2. Campbell ، John Y. ، Andrew W. Lo ، A. Craig Mackinlay و Robert F. Whitelaw. 1998. اقتصاد سنجی بازارهای مالی. دینامیک کلان اقتصادی 2: 559-62.[Google Scholar] [CrossRef]
3. کامت ، فابین و اریک رنو. 1996. مدل های زمان مداوم حافظه طولانی. مجله اقتصاد سنجی 73: 101-49.[Google Scholar] [CrossRef]
4. Cont ، Rama ، Marc Potters و Jean-Filippe Bouchaud. 1997. مقیاس گذاری در داده های بازار سهام: قوانین پایدار و فراتر از آن. در تغییر مقیاس و فراتر از آن. برلین/هایدلبرگ: اسپرینگر ، صص 75-85.[Google Scholar]
5. CONT ، RAMA. 2001. خصوصیات تجربی بازده دارایی: حقایق تلطیف شده و موضوعات آماری. مالی کمی 1: 223-36.[Google Scholar] [CrossRef]
6. د باند ، ورنر اف. م. ، و ریچارد تالر. 1985. آیا بازار سهام بیش از حد واکنش نشان می دهد؟مجله مالی 40: 793-805.[Google Scholar] [CrossRef]
7. دی ماتئو، تیزیانا، توماسو آسته و میشل ام داکورونیا. 2005. خاطرات بلند مدت بازارهای توسعه یافته و نوظهور: استفاده از تجزیه و تحلیل مقیاس برای توصیف مرحله توسعه آنها. مجله بانکداری و مالی 29: 827-51.[Google Scholar]
8. دینگ، ژوانشین، کلایو دبلیو جی گرنجر و رابرت اف. 1993. ویژگی حافظه طولانی بازده بازار سهام و یک مدل جدید. مجله مالی تجربی 1: 83-106.[Google Scholar] [CrossRef]
9. دینگ، ژوانشین و کلایو دبلیو جی گرنجر. 1994. حقایق تلطیف شده در مورد ویژگی های توزیع زمانی داده های روزانه از بازارهای گمانه زنی. گزارش فنی، مقاله کار. سن دیگو: دانشگاه کالیفرنیا.[Google Scholar]
10. دروزدژ، استانیسلاو، رابرت گیباروفسکی، لودوویکو مینتی، پاول اوسوویسیمکا، و مارسین واتورک. 2018 a. مسیر بلوغ بازار بیت کوین؟شواهدی از نوسانات بازگشتی، همبستگی های زمانی و اثرات چند مقیاسی. آشوب: مجله بین رشته ای علوم غیرخطی 28: 071101. [Google Scholar] [CrossRef][Green Version]
11. دروژد، استانیسلاو، رافال کووالسکی، پاول اوشویسیمکا، رافال راک و رابرت گیباروفسکی. 2018b. تنوع پویا از اشکال در چندفراکتی مالی. پیچیدگی 2018: 7015721. [Google Scholar] [CrossRef]
12. Engle, Robert F. 1995. ARCH: Selected Readings. آکسفورد: انتشارات دانشگاه آکسفورد.[Google Scholar]
13. فاما، یوجین اف. 1970. بازارهای سرمایه کارآمد: مروری بر نظریه و کار تجربی. مجله مالی 25: 383-417.[Google Scholar] [CrossRef]
14. فاما، یوجین اف. 1998. کارایی بازار، بازده بلندمدت، و تامین مالی رفتاری. مجله اقتصاد مالی 49: 283 306.[Google Scholar] [CrossRef]
15. فو، شین لان، زینگ-لو گائو، ژنگ شان، ژی-کیانگ جیانگ، و وی-زینگ ژو. 2018. ویژگی های چندفراکتالی و قابلیت پیش بینی بازده در بازارهای سهام چین. arXiv، arXiv:1806. 07604.[Google Scholar]
16. گرنجر، کلایو دبلیو جی، و ژوانشین دینگ. 1996. انواع مدل های حافظه بلند. مجله اقتصاد سنجی 73: 61-77.[Google Scholar] [CrossRef]
17. هرست، هارولد ادوین. 1951. ظرفیت ذخیره سازی طولانی مدت مخازن. معاملات جامعه مهندسین عمران آمریکا 116: 770-99.[Google Scholar] [CrossRef]
18. ایتو، تاکاتوشی و مایکل ملوین. 1999. انفجار بزرگ ژاپن و دگرگونی بازارهای مالی. در دفتر تحقیقات اقتصاد کشور . Wring Paper 7247. Oxford: Oxford University Press.[Google Scholar]
19. جگادیش، نراسیمهان. 1990. شواهد رفتار قابل پیش بینی بازده امنیتی. مجله مالی 45: 881-98.[Google Scholar] [CrossRef]
20. جگادش ، نارشیمان و شریدان تیتمن. 1993. بازده به خرید برندگان و فروش بازنده: پیامدهای مربوط به کارایی بازار سهام. مجله مالی 48: 65-91.[Google Scholar] [CrossRef]
21. جیانگ ، ژی کیانگ ، ون-جی شی ، وی-اکسینگ ژو و دیدیر سورنت. 2019. تجزیه و تحلیل چند منظوره بازارهای مالی. گزارش های پیشرفت در فیزیک 82: 125901. [Google Scholar] [CrossRef] [نسخه سبز]
22. Kantelhardt ، Jan W. ، Stephan A. Zschiegner ، Eva Koscielny-Bunde ، Shlomo Havlin ، Armin Bunde و H. Eugene Stanley. 2002. تجزیه و تحلیل نوسان چند منظوره سری زمانی غیر ایستگاه. Physica A 316: 87 114.[Google Scholar] [CrossRef] [نسخه سبز]
23. لیم ، کیان پینگ و رابرت بروکس. 2011. تکامل بهره وری بازار سهام با گذشت زمان: بررسی ادبیات تجربی. مجله بررسی های اقتصادی 25: 69-108.[Google Scholar] [CrossRef]
24. لیو ، یانهاوی ، پیر سیزو ، مارتین مایر ، C.-K. پنگ ، و H. یوجین استنلی. 1997. همبستگی در سری زمانی اقتصادی. Physica A: مکانیک آماری و کاربردهای آن 245: 437-440.[Google Scholar] [CrossRef] [نسخه سبز]
25. لیو ، چونلین و یول لی. 2001. آیا استراتژی حرکت به صورت جهانی کار می کند؟شواهدی از بازار سهام ژاپن. بازارهای مالی آسیا و اقیانوسیه 8: 321-39.[Google Scholar] [CrossRef]
26. LO ، اندرو دبلیو 2004. فرضیه بازارهای تطبیقی. مجله مدیریت نمونه کارها 30: 15-29.[Google Scholar] [CrossRef]
27. لو ، اندرو دبلیو ، و A. کریگ مکینلی. 2011. یک پیاده روی غیر تصادفی در وال استریت. پرینستون: انتشارات دانشگاه پرینستون.[Google Scholar]
28. Mandelbrot ، Benoit B. 1963. تنوع برخی از قیمت های سوداگرانه. مجله تجارت 36: 394-419.[Google Scholar] [CrossRef]
29. پاگان ، آدریان. 1996. اقتصاد سنجی بازارهای مالی. مجله مالی تجربی 3: 15-102.[Google Scholar] [CrossRef]
30. پنگ ، چونگ کانگ ، سرگئی V. بولدرف ، شلومو هاولین ، مایکل سیمونز ، H. یوجین استنلی و آری لوئیس گلدبرگر. 1994. سازمان موزائیک نوکلئوتیدهای DNA. بررسی فیزیکی E 49: 1685. [Google Scholar] [CrossRef] [PubMed] [نسخه سبز]
31. شریبر ، توماس و آندریاس اشمیتز. 2000. سری زمان جانشین. Physica D: پدیده های غیرخطی 142: 346-82.[Google Scholar] [CrossRef] [نسخه سبز]
32. شورت ، G. ویلیام. 2003. ناهنجاری ها و کارآیی بازار. کتابچه راهنمای اقتصاد دارایی 1: 939-74.[Google Scholar]
33. Takaishi ، Tetsuya و Takanori Adachi. 2018. اثر تیلور در سری زمانی بیت کوین. نامه های اقتصاد 172: 5-7.[Google Scholar] [CrossRef]
34. Takaishi ، Tetsuya و Takanori Adachi. 2020. راندمان بازار ، نقدینگی و چند عیار بیت کوین: یک مطالعه پویا. بازارهای مالی آسیا و اقیانوسیه 27: 145-54.[Google Scholar] [CrossRef] [نسخه سبز]
35. تیلر ، جیمز ، برایان گالدریکیان ، آندره لانگتین ، استفان یوبانک و جی دوین کشاورز. 1991. استفاده از داده های جانشین برای تشخیص غیرخطی در سری های زمانی. گزارش فنی. LOS ALAMOS: آزمایشگاه ملی Los Alamos.[Google Scholar]
36. اروخارت ، اندرو. 2016. ناکارآمدی بیت کوین. نامه های اقتصاد 148: 80-82.[Google Scholar] [CrossRef]
37. وی ، وانگ چون. 2018. نقدینگی و کارآیی بازار در ارزهای رمزنگاری. نامه های اقتصاد 168: 21-24.[Google Scholar] [CrossRef]
38. Zunino ، Luciano ، Benjamin Tabak ، Alejandra Figliola ، Darío G. Pérez ، Mario Garavaglia و Osvaldo A. Rosso. 2008. یک رویکرد چند منظوره برای ناکارآمدی بازار سهام. Physica A 387: 6558-66.[Google Scholar] [CrossRef]

شکل 1. سری زمانی بازگشت از سه شاخص (بالا) Topix ، (میانی) TSE-SECOND و (پایین) Topix-Small.

شکل 1. سری زمانی بازگشت از سه شاخص (بالا) Topix ، (میانی) TSE-SECOND و (پایین) Topix-Small.

شکل 2. نماینده ای از عملکرد نوسان f q (ها) در اولین پنجره سری زمانی Topix. نتایج از q = - 5 (پایین) تا q = 5 (بالا) با یک مرحله 0. 1 ترسیم می شود.

شکل 2. نماینده ای از عملکرد نوسان f q (ها) در اولین پنجره سری زمانی Topix. نتایج از q = - 5 (پایین) تا q = 5 (بالا) با یک مرحله 0. 1 ترسیم می شود.

شکل 3. تکامل زمان H (2) برای TOPIX ، TSE-SECOND و TOPIX-SMALL. خطوط قرمز H (2) را از 20 سری زمانی تصادفی محاسبه می کند. نمادهای آبی با میله های خطا نشان دهنده سطح خطای مناسب برای 1 ٪ است.

شکل 3. تکامل زمان H (2) برای TOPIX ، TSE-SECOND و TOPIX-SMALL. خطوط قرمز H (2) را از 20 سری زمانی تصادفی محاسبه می کند. نمادهای آبی با میله های خطا نشان دهنده سطح خطای مناسب برای 1 ٪ است.

شکل 4. H (q) به عنوان تابعی از Q در اولین پنجره سری سری Topix. نماد آبی با نوار خطا نشان دهنده سطح خطای مناسب برای 1 ٪ است.

شکل 4. H (q) به عنوان تابعی از Q در اولین پنجره سری سری Topix. نماد آبی با نوار خطا نشان دهنده سطح خطای مناسب برای 1 ٪ است.

شکل 5. توطئه های سه بعدی GHE H (Q). هواپیمای پایین در هر نقشه یک نقشه مشاهده در هواپیمای زمانی- Q را نشان می دهد.

شکل 5. توطئه های سه بعدی GHE H (Q). هواپیمای پایین در هر نقشه یک نقشه مشاهده در هواپیمای زمانی- Q را نشان می دهد.

شکل 6. تکامل زمان Δ H O R I G (4) (سیاه) و Δ H R A N D (4) (قرمز) ، Δ H A M P (4) (آبی) و Δ H P H A S E (4) (سبز).

شکل 6. تکامل زمان Δ H O R I G (4) (سیاه) و Δ H R A N D (4) (قرمز) ، Δ H A M P (4) (آبی) و Δ H P H A S E (4) (سبز).

شکل 7. تکامل زمان مؤلفه همبستگی زمان از درجه چند عاملی ، Δ H t i m e (4).

شکل 7. تکامل زمان مؤلفه همبستگی زمان از درجه چند عاملی ، Δ H t i m e (4).

جدول 1. دوره زمانی داده های مورد استفاده و آمار توصیفی بازده. جدول 1. دوره زمانی داده های مورد استفاده و آمار توصیفی بازده.

یادداشت ناشر: MDPI با توجه به ادعاهای حوزه قضایی در نقشه های منتشر شده و وابستگی های نهادی خنثی می ماند.

به اشتراک گذاشتن و استناد

سبک MDPI و ACS

Takaishi ، T. تکامل زمان کارآیی بازار و چند وجهی بازار سهام ژاپن. J. Risk Financial Manag. 2022 ، 15 ، 31. https://doi. org/10. 3390/jrfm15010031

سبک AMA

Takaishi T. تکامل زمان کارآیی بازار و چند فداکاری بازار سهام ژاپن. مجله ریسک و مدیریت مالی. 2022 ؛15 (1): 31. https://doi. org/10. 3390/jrfm15010031

شیکاگو/سبک تورابی