مفهوم حجم معاملات در بازار سهام

1. مجله تحقیقاتی مدیریت تجارت
2. جلد 6 (1) ، 2012
3. 30-39

مجله تحقیقاتی مدیریت تجارت

سال: 2012 |جلد: 6 |شماره: 1 |صفحه شماره: 30-39

مقاله تحقیق

رابطه بین بازده سهام و حجم معاملات

خلاصه

این مطالعه به بررسی رابطه تجربی بین حجم معاملات و نوسانات بازده سهام در بازار سهام ایالات متحده در دوره ماه مه 2005 تا مه 2011 با استفاده از مدل های Arch ، Garch ، Egarch ، Tarch ، Pgarch و Component Arch می پردازد. تجزیه و تحلیل نشان داد که از اخبار اخیر در مورد حجم معاملات می توان برای بهبود پیش بینی نوسانات قیمت سهام استفاده کرد. این مطالعه همچنین شواهدی از اهرم و تأثیر نامتقارن حجم معاملات در بورس سهام را نشان می دهد و نشان می دهد که اخبار بد تأثیر بیشتری بر نوسانات قیمت سهام در بازار ایجاد می کند. علاوه بر این ، مدل پیاده روی تصادفی بر عملکرد پیش بینی حاکم بود و به عنوان بهترین مدل و به دنبال آن مدل TGARCH در نظر گرفته می شود. PDF انتزاعی XML استناد به استناد

دریافت: 12 سپتامبر 2011 ؛پذیرفته شده: 27 نوامبر 2011 ؛منتشر شده: 07 ژانویه 2012

نحوه استناد به این مقاله

K. Ravichandran و Sanjoy Bose ، 2012. رابطه بین بازده سهام و حجم معاملات. مجله تحقیقات مدیریت تجارت ، 6: 30-39.

معرفی

قیمت اوراق بهادار به نوسانات هر دارایی بستگی دارد. بنابراین ، تغییرات قیمت نشان دهنده میانگین واکنش سرمایه گذاران به اخبار است. ورود اطلاعات جدید باعث می شود تا سرمایه گذاران انتظارات خود را تطبیق دهند و این دلیل اصلی تغییر قیمت و بازده است. حجم معاملات و نوسانات شاخص های فعالیت فعلی بورس از یک سو و منبع بالقوه اطلاعات برای رفتار آینده بازار سهام از طرف دیگر است. مقالات بی شماری این واقعیت را اثبات کرده اند که حجم بالای بورس با بازده بی ثبات همراه است. با این حال ، بسیاری از مطالعات نظری و تجربی برای کار با واریانس شرطی در بازارهای توسعه یافته طراحی شده اند (دیمسون و مارش ، 1990 ؛ مک میلان و همکاران ، 2000). مطالعات مختلف گزارش داد که بین حجم و حرکت قیمت سهام و نوسانات روابط معنی داری وجود دارد. به عنوان مثال ، Saatcioglu و Starks (1998) دریافتند که حجم سهام LED در چهار از شش بازار نوظهور تغییر می کند. چان و همکاران.(2000) دریافت که حجم معاملات سهام خارجی به شدت با نوسانات قیمت باز NYSE همراه است. گریفین و همکاران.(2007) رابطه پویا بین فعالیت تجارت در سطح بازار و بازده در 46 بازار را مورد بررسی قرار داد و رابطه مثبت شدیدی بین گردش مالی و بازده گذشته گزارش داد. به تازگی ، چندین نویسنده با استفاده از مدل های اقتصاد سنجی ، نوسانات بازار سهام را بررسی کرده اند و اظهار داشتند که ، هیچ مدل واحدی برتر نیست (Akgiray ، 1989 ؛ Pagan and Schwert ، 1990). Brailsford و Faff (1996) و Koutmos (1998) عملکرد پیش بینی چندین روش آماری را با مدل های GARCH و TGARCH برای بورس اوراق بهادار استرالیا بررسی کردند. دیمسون و مارش (1990) روشهای مختلف فنی پیش بینی نوسانات بازده بورس انگلیس را مورد بررسی قرار دادند و دریافتند که مدل صاف کننده و رگرسیون نمایی انجام شده است.

مطالعه حاضر تأثیر حجم معاملات بر نوسانات شاخص NASDAQ در بازار سهام ایالات متحده را با استفاده از مدل GARCH دوباره بررسی می کند تا ببیند واکنش بازار سهام در هنگام شروع تجارت از چه میزان تغییر کرده است. علاوه بر این ، ما همچنین رابطه معاصر بین نوسانات قیمت سهام و حجم معاملات را تجزیه و تحلیل می کنیم. همچنین چند تلاش برای الگوبرداری از برجسته ترین ویژگی های سری زمانی از شاخص NASDAQ مانند خوشه بندی نوسانات ، کورتوز اضافی و چربی با استفاده از محبوب ترین تکنیک های پیشنهادی Engle (1982) انجام شد. برای ضبط ویژگی های فوق ، کلاس قوس مدل ها توسط Engle (1982) و GARCH (ناهمگونی مشروط به اتورگرایی عمومی) توسط بولرزلف (1986) و تیلور (1986) معرفی شد. از آنجا که مدل گارچ ذاتی متقارن با مسائل عدم تقارن یا به اصطلاح تأثیر اهرم مقابله نمی کند ، فرآیند ناهمگونی مشروط مشروط به خودی تعمیم یافته (EGARCH) توسط نلسون (1991) پیشنهاد شده است. سرانجام ، برای گرفتن عدم تقارن از نظر شوکهای منفی و مثبت TGARCH (آستانه تعمیم داده شده خودجوشی خودجوشی) مدل توسط زاکویان (1994) و Glosten و همکاران معرفی شد.(1993).

بررسی نوشته ها

مدل پیاده روی تصادفی: مدل پیاده روی تصادفی ساده ترین مدل های ممکن است ، که در آن روش معمولی حداقل مربع (OLS) با فرض واریانس ثابت ساخته می شود. طبق این فرضیه بازار کارآمد ، شرکت کنندگان در بازار رقیب اطلاعات را فوراً منعکس می کنند از این رو در پیش بینی قیمت های آینده بی فایده هستند. مدل اصلی برای برآورد نوسان بازده سهام با استفاده از OLS در مدل پیاده روی تصادفی ساده در زیر آورده شده است:

در جایی که ، μ مقدار میانگین بازده است ، انتظار می رود که به طور ناچیز از صفر متفاوت باشد و ε t این است که اصطلاح خطا نباید با گذشت زمان ارتباط داشته باشد.

GARCH: Bollerslev (1986) مدل قوس Engle S را به مدل GARCH گسترش داد و این فرض بر این فرض است که پیش بینی واریانس زمان متفاوت به واریانس تاخیر دارایی بستگی دارد. افزایش یا کاهش غیر منتظره بازده در زمان t باعث افزایش تنوع مورد انتظار در دوره بعدی می شود. اصلی و گسترده ترین مدل Garch را می توان به صورت زیر بیان کرد:

به طور خاص ، پیش بینی نوسانات پس از بازده شاخص مثبت و منفی زیاد افزایش می یابد ، مشخصات GARCH مبنی بر گرفتن خوشه بندی نوسانات به خوبی مستند که در تاریخ بازده مالی مشهود است (Engle ، 1982).

TGARCH: در مدل TGARCH ، مشاهده شده است که شوکهای مثبت و منفی از بزرگی برابر تأثیر متفاوتی بر نوسانات بازار سهام دارند ، که ممکن است به یک اثر اهرم نسبت داده شود (بلک ، 1976). به همین معنا ، شوکهای منفی با نوسانات بالاتر از شوکهای مثبت با همان بزرگی دنبال می شوند (Engle and Ng ، 1993). مدل آستانه گارچ توسط آثار زکویان (1994) و گلوستن و همکاران معرفی شد.(1993). هدف اصلی این مدل گرفتن نامتقارن از نظر شوک های منفی و مثبت است و متغیر ساختگی چند برابر را اضافه می کند تا بررسی کند که آیا در صورت منفی بودن شوک ها از نظر آماری متفاوت است. واریانس شرطی برای مدل ساده Tgarch توسط:

در صورتی که ε t منفی باشد و در غیر این صورت ، مقدار 1 مقدار 1 را می گیرد. خبرهای خوب و خبرهای بد تأثیر متفاوتی دارند.

EGARCH: مدل گارچ نمایی واریانس شرطی را به شکل لگاریتمی مشخص می کند ، به این معنی که برای جلوگیری از واریانس منفی نلسون (1991) نیازی به تحمیل محدودیت های تخمین وجود ندارد. معادله میانگین و واریانس برای این مدل توسط:

جایی که ، δ اثر نامتقارن را ضبط می کند. ماهیت نمایی Egarch تضمین می کند که واریانس شرطی همیشه مثبت است حتی اگر مقادیر پارامتر منفی باشند. بنابراین نیازی به محدودیت پارامترها برای تحمیل غیر منفی نیست.

Smirlock و Starks (1985) دریافتند که رابطه برگشتی-حجم نامتقارن است و بعداً ، Smirlock و Starks (1988) با استفاده از داده های سهام فردی ، رابطه ای مثبت مثبت بین حجم و تغییرات قیمت مطلق پیدا کردند. لی و Swaminathan (2000) از بازده ماهانه و حجم معاملات روزانه کلیه بنگاههای ذکر شده در NYSE و Exchange American (AMEX) استفاده کردند و به نظر می رسد که حرکت و حجم معاملات بازده بعدی را در بازار سهام آمریکا پیش بینی می کند. Bekaert و Wu (2000) نه تنها از این یافته پشتیبانی می کنند بلکه نشان می دهند که شوک های منفی در نوسانات نسبت به شوکهای مثبت از بزرگی برابر ، پاسخ بیشتری ایجاد می کنند ، شواهدی از سرعت انتقال اطلاعات در بازارها. بنابراین ، یافته های مطالعات گذشته نشانه های محکمی از محتوای اطلاعاتی از نوسانات در بازارها است که می تواند توسط سرمایه گذاران برای کسب سود غیر طبیعی استفاده شود. راتنر و لیل (2001) بازارهای مالی آمریکای لاتین و آسیا را مورد بررسی قرار دادند و یک رابطه مثبت معاصر بین بازده و حجم در این کشورها به جز هند پیدا کردند. در عین حال آنها مشاهده کردند که یک رابطه علّی دو جهته بین بازگشت و حجم وجود دارد. به طور خلاصه ، بازگشت و حجم به طور هم زمان به شدت مرتبط است اما شواهد کمی وجود دارد که می توان از آن برای پیش بینی دیگری استفاده کرد. De Medeiros و Dooik (2006) با استفاده از داده های بازار سهام برزیل ، رابطه تجربی بین بازده سهام ، نوسانات بازده و حجم معاملات را بررسی کردند. این مطالعه نشان داد که یک رابطه معاصر و پویا بین نوسانات بازده و حجم معاملات و نوسانات بازده حاوی اطلاعاتی در مورد حجم معاملات آینده است. Atmeh و Dobbs (2006) در مورد عملکرد قوانین متوسط تجارت در بازار سهام اردن تحقیق کردند و دریافتند که قوانین تجارت فنی می تواند به پیش بینی حرکات بازار کمک کند. الخوری و آژلوونی (2007) گزارش دادند که تکنیک قیمت محدودیت در کاهش نوسانات در بورس امان مؤثر است. Floros و Vougas (2007) از روش GARCH و GMM برای بررسی رابطه بین حجم معاملات و بازده در بازار آتی شاخص سهام یونان استفاده کردند و دریافتند که از حجم معاملات به عنوان شاخص قیمت استفاده شده است.

نتایج و تجزیه و تحلیل تجربی

تجزیه و تحلیل توصیفی اساسی سری زمانی بازده سهام و حجم معاملات در جدول 1 نشان داده شده است. همه بازده ها به عنوان اولین تفاوت ورود به سیستم قیمت بسته شدن روزانه محاسبه می شوند. حجم معاملات روزانه و بازده سهام دارای کورتوز مثبت و آمار JB بالا است که دلالت بر این دارد که توزیع به سمت راست چسبانده شده است و آنها لپتوکورتیک هستند ((به شدت دم شده و اوج تیز) ، یعنی توزیع فرکانس احتمال بیشتری را برای بازگشت صفر به عنوان صفر نشان می دهد. و همچنین بازده های مثبت و منفی بسیار بالا. آزمون آماری Jarque-Bera نشان می دهد که فرضیه تهی از نرمال بودن رد می شود و نشان می دهد که تمام این سریال ها غیر طبیعی بودن را نشان می دهند و نشانگر حضور ناهمگونی است. از این رو ، مدل GARCH (1 ، 1) مدلمناسب برای آزمایش فرضیه است.

مطالعه در اینجا از آزمون ریشه واحد برای بررسی خصوصیات سری زمانی متغیرهای مربوطه استفاده می کند. تست ریشه واحد توضیح می دهد که آیا یک سری ثابت است یا غیر ثابت.

برای آزمایش ریشه واحد ، کارکنان مطالعه حاضر ، تست Dickey Fuller و آزمون KPSS را افزایش داده است (دیکی و فولر ، 1981). از آزمون ADF برای اندازه گیری ثابت بودن داده های سری زمانی استفاده می شود که به نوبه خود می گوید آیا رگرسیون می تواند روی داده ها انجام شود یا خیر. خروجی در جدول 2 ارائه شده است. در مورد مشاهده خروجی های تست های ADF و KPSS ، مشاهده می شود که آمار آزمون ADF و آمار آزمون KPSS برای همه کمتر از مقادیر مهم در سطح اطمینان 1 ، 5 و 10 ٪ است. هر دو آمار آزمون ADF و KPSS تأیید می کنند که تمام قیمت ها دارای ریشه واحد (غیر ثابت) هستند. بنابراین ، فرضیه تهی رد می شود و داده ها ثابت هستند.

ما بررسی می کنیم که حجم معاملات آب و هوا با قرار دادن مدل Garch (1 ، 1) با حجم روزانه در معادله واریانس شرطی ، قدرت توضیحی برای بازار سهام هند دارد. از جدول 3 بدیهی است که پارامتر β منفی و ناچیز آماری است که نشان می دهد حجم معاملات تأثیر گارچ در بازار سهام ندارد.

فرض بر این است که تغییرات سیستماتیک در حجم معاملات فقط با ورود اطلاعات جدید ایجاد می شود. معیارهای AIC و SIC مورد استفاده در مطالعه نشانگر پایین تر برای رگرسیون است که کاملاً منطقی و مناسب برای مدل ما است. مقدار بیشتر دوربین واتسون 2 نشان می دهد خطاهای همبستگی یا مشخصات. از آنجا که آمار دوربین واتسون بیشتر از 2 است ، شرایط خطا با همبستگی خودکار نیست که نشان می دهد مدل آماری مناسب و مناسب است.

اغلب اوقات مشاهده می شود که حرکت رو به پایین بازارها با نوسانات بالاتر از حرکت رو به بالا با همان بزرگی دنبال می شود. بنابراین استفاده از مدل های Tarch ، Egarch ، Pgarch و Component Arch برای آزمایش شوک های نامتقارن به نوسانات بسیار مهم است. گاهی اوقات مدل های ساده Garch نمی توانند برخی از ویژگی های مهم داده ها را ضبط کنند.

برای بررسی تأثیر اهرم ، ما از مدل Tarch (1 ، 1) که به طور مستقل توسط زاکویان (1994) معرفی شده است ، استفاده کرده ایم. اگر خبر بد تأثیر بیشتری بر نوسانات نسبت به خبر خوب داشته باشد ، تأثیر اهرم وجود دارد. مدل ARCE کمک می کند تا نوسانات بازار Spot را توضیح دهد که مقداری نامتقارن در داده ها وجود داشته باشد.

مدل تارچ اثر اهرم را در نظر می گیرد. وجود اثر اهرم در جدول 4 مشاهده می شود که حاکی از آن است که هر تغییر قیمت به صورت نامتقارن به اخبار مثبت و منفی موجود در بازار پاسخ می دهد. در معادله واریانس شرطی ؛α ، ضریب آخرین اخبار که از نظر آماری در سطح 1 ٪ معنی دار است ، نشان می دهد که اخبار اخیر تأثیر بر نوسانات سهام دارد. به طور مشابه ضریب β ناچیز است و نشان می دهد که اخبار قدیمی بر نوسانات بازار سهام تأثیر نمی گذارد. ضریب γ (پارامتر حجم) مثبت و بیشتر از 0 است که نشان می دهد تأثیر نامتقارن است. تجزیه و تحلیل نشان می دهد که حجم معاملات با افزایش نوسانات بازده سهام همراه است. بنابراین خبر خوب باعث می شود حجم معاملات بیشتر از اخبار بد باشد.

برای آزمایش اثر اهرم ، از مدل EGARCH نیز استفاده می شود. در جدول 5 وجود اثر اهرم و تأثیر اخبار نامتقارن (γ) به نمایش گذاشته شده است.

از آنجا که ضرایب γ مثبت است ، بیشتر از 0 و در سطح 1 ٪ قابل توجه است ، تجزیه و تحلیل نشان می دهد که حجم معاملات به دلیل خبرهای خوب در بازار افزایش می یابد. ضرایب γ تأثیر مثبتی از حجم در بازده سهام را نشان می دهد و همچنین تأثیر کمتری بر نوسانات بازار ایجاد می کند.

شواهد تجربی در جدول 5 نشان می دهد که وجود اثر اهرم و تأثیر اخبار نامتقارن است (γ). در مدل هایی با یک پارامتر قدرت قابل توجه ، δ کوچکتر از 2 را در هماهنگی با دینگ و همکاران مشاهده کردیم.(1993) نتایج و پارامتر تخمین نامتقارن γ مثبت است. بنابراین حجم معاملات باعث افزایش بازده سهام و کاهش نوسانات مورد انتظار در بازار شد. این از همبستگی مثبت بین حجم معاملات و نوسانات قابل پیش بینی بازده سهام پشتیبانی می کند. تجزیه و تحلیل نشان می دهد که مدل PARCH که دارای اثرات قدرت کم اما اثرات اهرم قوی در بازار است.

تاکنون از مدل Tarch ، Egarch و Parch برای یافتن اهمیت اثرات نامتقارن استفاده کرده ایم. از طرف دیگر ، پیدا کردن همبستگی متقابل بین باقیمانده های استاندارد مربع و باقیمانده های استاندارد با عقب مانده نیز مهم است تا از تأثیر حرکات بلند مدت/کوتاه مدت در نوسانات مطلع شود.

نتیجه

این مطالعه رابطه بین بازده سهام و حجم معاملات را مورد بررسی قرار داده است و از مدل GARCH (1 ، 1) استفاده کرده است ، مدل نامتقارن ، EGARCH ، PGARCH و CARCH برای بررسی تجربی تداوم شوک ها به نوسانات و تعیین عدم تقارن در الگوی الگوینوسان. در این مقاله به طور خاص فرضیه تغییرپذیری در نوسانات را آزمایش کرده است ، که دلالت بر این دارد که نوسانات وقتی قیمت سهام به سمت پایین حرکت می کند ، بیشتر است. استنتاج آماری با استفاده از تست های مهم و بیش از همه خوب بودن همه مدل ها از داده ها ، مطابق معیار اطلاعات Akaike و معیار شوارتز ، از داده ها گرفته می شود. این مطالعه نشان داد که اخبار اخیر بر نوسانات حجم معاملات تأثیر دارد. همچنین ، ضریب خبری گذشته از نظر آماری ناچیز است و نشان می دهد که اخبار قدیمی بر نوسانات حجم معاملات تأثیر نمی گذارد. بنابراین از این مطالعه بدیهی است که فرض بر این است که تغییرات سیستماتیک در حجم معاملات فقط با ورود اطلاعات جدید ایجاد می شود. برای پیش بینی نوسانات ، ما از Tarch نامتقارن ، EGARCH ، PARCH و MODEL ARCH COMPONENT استفاده کرده ایم و شواهد نشان می دهد که اثرات اهرم وجود دارد و تأثیر اخبار نامتقارن است. این بدان معنی است که اطلاعات روزانه جدید در بازار ممکن است تأثیر قابل توجهی در نوسانات قیمت داشته باشد. بنابراین این مطالعه نتیجه می گیرد که خبرهای بد تأثیر بیشتری بر نوسانات بازده سهام و حجم معاملات ایجاد می کند. یکی از توضیحات ممکن است این باشد که به طور معمول سرمایه گذاران نسبت به خطر نزولی ، از ریسک نزولی بالاتری برخوردار هستند ، بنابراین آنها به اخبار بد سریعتر واکنش نشان می دهند.

منابع

Akgiray ، V. ، 1989. ناهمگونی مشروط در سری زمانی از بازده سهام: شواهد و پیش بینی ها. J. Bus. ، 62: 55-80. لینک مستقیم

الخوری ، R. S. و M. M. Ajlouni ، 2007. محدودیت قیمت باریک و نوسانات قیمت سهام: شواهد تجربی از بورس اوراق بهادار امان. int. resJ. Finance Econ. ، 8: 163-180. لینک مستقیم

Atmeh ، M. A. and I. M. Dobbs ، 2006. تجزیه و تحلیل فنی و خصوصیات تصادفی بازده شاخص بازار سهام اردن. گل میخاقتصاد. امور مالی ، 23: 119-140. صلیب

Bekaert ، G. and G. Wu ، 2000. نوسانات نامتقارن و خطر در بازارهای سهام. Rev. Financial Stud. ، 13: 1-42. پیوند CrossRefdirect

Black ، F. ، 1976. مطالعات در مورد تغییر نوسانات قیمت سهام. مجموعه مقالات جلسات بخش آمار تجارت و اقتصادی ، (MBESS'76) ، انجمن آماری آمریكا ، آمریكا ، صص: 177-181.

Bollerslev ، T. ، 1986. ناهمگونی مشروط مشروط به خودی تعمیم یافته. J. اقتصاد. ، 31: 307-327. لینک مستقیم

بریلسفورد ، T. J. و R. W. Faff ، 1996. ارزیابی تکنیک های پیش بینی نوسانات. J. Bank. امور مالی ، 20: 419-438. پیوند CrossRefdirect

Chan ، K. ، A. Hameed and W. Tong ، 2000. پروتئین استراتژی های حرکت در بازارهای سهام بین المللی. J. مقعد کمی مالی ، 35: 153-172. لینک مستقیم

De Medeiros ، O. R. و B. F. N. ون دوورنیک ، 2006. رابطه تجربی بین بازده سهام ، نوسانات بازده و حجم معاملات در بازار سهام برزیل. http://www.ppga. unb. br/arquivos/download/187c54aabe9c1fd1b56a6cd78e7f486. pdf.

دیکی ، D. A. و W. A. Fuller ، 1981. آمار نسبت نسبت احتمال برای سری زمانی خودکار با ریشه واحد. اقتصاد سنج ، 49: 1057-1072. پیوند CrossRefdirect

Dimson ، E. and P. Marsh ، 1990. پیش بینی نوسانات بدون استفاده از داده ها. J. امور مالی بانکی ، 14: 399-421.

دینگ ، ز. ، C. W. J. گرنجر و R. F. Engle ، 1993. یک ویژگی حافظه طولانی از بازده بورس و یک مدل جدید. J. Empir. امور مالی ، 1: 83-106. صلیب

Engle ، R. F. و V. K. ng ، 1993. اندازه گیری و آزمایش تأثیر اخبار بر نوسانات. J. Finance ، 48: 1749-1778. لینک مستقیم

Engle ، R. F. ، 1982. ناهمگونی مشروط خودجوش با تخمین واریانس تورم انگلستان. اقتصاد سنج ، 50: 987-1007. پیوند CrossRefdirect

Floros ، C. و D. V. Vougas ، 2007. حجم معاملات و روابط بازده در بازار آینده StockIndex یونانی: Garch در مقابل GMM. int. resJ. Finance Econ. ، 12: 98-115. لینک مستقیم

Glaosten ، L. R. ، R. Jagaathan and D. E. Runkle ، 1993. در مورد رابطه بین مقدار مورد انتظار و نوسانات بازده اضافی اسمی سهام. J. Finance ، 48: 1779-1801. لینک مستقیم

گریفین ، م. ، اف. نارداری و R. M. استولز ، 2007. آیا سرمایه گذاران وقتی سهام خوب عمل کرده اند تجارت بیشتری می کنند؟شواهدی از 46 کشور جهان. Rev. Financy. گل میخ. ، 20: 905-951. پیوند CrossRefdirect

Koutmos ، G. ، 1998. عدم تقارن در میانگین مشروط و واریانس شرطی: شواهدی از نه بازار سهام. J. Econ. اتوبوس. ، 50: 277-290. صلیب

لی ، C. M. C. و B. Swaminathan ، 2000. حرکت قیمت و حجم معاملات. J. Finance ، 55: 2017-2069. لینک مستقیم

McMillan ، D. ، A. Speight and O. Gwilym ، 2000. پیش بینی نوسانات بازار سهام انگلیس. Econ مالی کاربردی ، 10: 435-448.

نلسون ، D. B. ، 1991. ناهمگونی مشروط در بازده دارایی: یک رویکرد جدید. اقتصاد سنج ، 59: 347-370. لینک مستقیم

پاگان ، A. R. و G. W. شورت ، 1990. مدل های جایگزین برای نوسانات سهام مشروط. J. Econ. ، 45: 267-290. صلیب

Ratner ، M. و R. P. C. Leal ، 2001. بازده سهام و حجم معاملات: شواهدی از بازارهای نوظهور آمریکای لاتین و آسیا. J. بازارهای نوظهور ، 6: 5-22.

Saatcioglu ، K. و L. T. Starks ، 1998. رابطه قیمت سهام و حجم سهام در بازارهای سهام در حال ظهور: مورد آمریکای لاتین. int. J. پیش بینی ، 14: 215-225. صلیب

Smirlock ، M. and L. Starks ، 1985. بررسی بیشتر تغییرات قیمت سهام و حجم معامله. J. Res. ، 8: 217-225.

Smirlock ، M. and L. Starks ، 1988. تجزیه و تحلیل تجربی از رابطه قیمت سهام و حجم سهام. J. Bank. امور مالی ، 12: 31-41. صلیب

تیلور ، س. ، 1986. مدل سازی سری زمانی مالی. ناشر Wiley Chichester ، نیویورک ، ISBN: 0471909939 ، صص: 268.

Zakoian ، J. ، 1994. آستانه مدلهای ناهمگونی مشروط مشروط به خودی تعمیم یافته. J. Econ. dyn. کنترل ، 18: 931-955.

مقالات مرتبط

پاسخ دهید

آدرس ایمیل شما منتشر نخواهد شد. زمینه های مورد نیاز علامت گذاری شده اند *