اطلاعات نامتقارن و توزیع حجم معاملات

خلاصه

ما ضریب تغییرات حجمی (VCV)، نسبت انحراف استاندارد به میانگین حجم معاملات را به عنوان معیاری جدید و ساده برای عدم تقارن اطلاعات در بازارهای امنیتی پیشنهاد می‌کنیم. ما از یک مدل ریزساختار برای نشان دادن اینکه VCV به شدت در نسبت تجارت آگاهانه افزایش می‌یابد استفاده می‌کنیم. از نظر تجربی، ما VCV را از مشاهدات روزانه حجم معاملات به‌دست می‌آوریم و شواهد گسترده‌ای ارائه می‌کنیم که از این فرضیه حمایت می‌کند که VCV نشان‌دهنده عدم تقارن اطلاعاتی است، با مطالعه برگشت‌های بازده، مالکیت نهادی، و اندازه‌گیری‌های موجود در سطح شرکت اطلاعات نامتقارن در سطح مقطع سهام ایالات متحده. علاوه بر این، VCV به دنبال کاهش برون‌زا در پوشش تحلیل‌گر ناشی از بسته شدن کارگزاری افزایش می‌یابد ، و به شدت در اطراف اعلامیه‌های سود و سایر افشای اطلاعات کاهش می‌یابد.

طبقه بندی JEL

D82

G12

G14

کلید واژه ها

VCV

حجم معاملات

تجارت آگاهانه

عدم تقارن اطلاعاتی

1 . معرفی

در این مقاله، ما یک معیار جدید، شهودی، همه‌کاره و آسان برای محاسبه عدم تقارن اطلاعات در بازارهای امنیتی را پیشنهاد می‌کنیم که فقط بر اساس حجم معاملات است. ما از یک مدل ریزساختار متعارف استفاده می کنیم تا نشان دهیم که ضریب تغییر حجم معاملات به طور یکنواخت در نسبت معامله گران آگاه در بازار افزایش می یابد. ما شبیه‌سازی و تحلیل تجربی را ارائه می‌کنیم که شواهدی را ارائه می‌کند که ضریب تغییرات حجمی (VCV) یک معیار قوی و قدرتمند برای عدم تقارن اطلاعات است. محاسبه VCV آسان است و فقط به حجم معاملات قابل مشاهده نیاز دارد. VCV را می توان از هر دو سری زمانی و مقطعی حجم معاملات برای تجزیه و تحلیل عدم تقارن اطلاعات در بین شرکت ها و در طول زمان محاسبه کرد. ¹

با استفاده از یک مدل ریزساختار بازار بر اساس کایل (1985) ، ما میانگین و انحراف استاندارد حجم معاملات را به عنوان تابعی از تعداد شرکت‌کنندگان در بازار، شدت معاملات آنها و نسبت تجارت آگاهانه استخراج می‌کنیم. ما نشان می‌دهیم که میانگین و انحراف استاندارد حجم به صورت خطی در نسبت تجارت آگاهانه افزایش می‌یابد، اما انحراف استاندارد این کار را با نرخ بالاتری انجام می‌دهد. بنابراین، ضریب تغییر حجم معاملات به طور یکنواخت در نسبت تجارت آگاهانه افزایش می یابد، در حالی که به طور مجانبی مستقل از تعداد شرکت کنندگان در بازار و شدت معاملات آنها است. شهود پشت اندازه گیری ما این است که توزیع حجم معاملات به همبستگی سفارشات فردی بستگی دارد. وقتی معامله‌گران ناآگاه باشند و نیازهای نقدینگی نامرتبط داشته باشند، بیشتر سفارش‌ها در برابر یکدیگر تسویه می‌شوند، به طوری که عدم تعادل سفارش در مقایسه با حجم معاملات مشاهده‌شده، که در این مورد از یک توزیع عادی پیروی می‌کند، نسبتاً کم است. از سوی دیگر تقاضای نقدینگی مرتبط از سوی معامله‌گران آگاه منجر به افزایش معاملات عرضه‌کنندگان نقدینگی و توزیع کج‌تر و پراکنده‌تر حجم معاملات می‌شود.

عدم تقارن اطلاعاتی یک مفهوم کلیدی در ادبیات اقتصاد مالی است. در چارچوب بازارهای سرمایه، عدم تقارن اطلاعاتی بر نقدینگی، قیمت دارایی ها و تصمیمات تامین مالی و سرمایه گذاری تاثیر می گذارد. از آنجایی که عدم تقارن اطلاعات به طور مستقیم قابل مشاهده نیست، پروکسی های تجربی متعددی در ادبیات ارائه شده است. مقالات اولیه از گسترش قیمت پیشنهادی یا سایر معیارهای عدم نقدینگی برای نشان دادن عدم تقارن اطلاعات استفاده می کنند (مانند آمیهود و مندلسون، 1986 ؛ ولکر، 1995 ؛ هیلی و همکاران، 1999 ؛ بوشی و لئوز، 2005 ، هفلین و همکاران، 2005، حتی 2005) . اگرچه اسپرد پیشنهادات و تقاضا نه تنها اطلاعات نامتقارن را نشان می دهد، بلکه سایر عوامل تعیین کننده عدم نقدینگی از جمله ریسک، هزینه های موجودی و هزینه های معاملات را نشان می دهد ( هوانگ و استول، 1997 ). ما متوجه شدیم که، بر خلاف VCV، معیارهای عدم نقدینگی مانند اسپرد پیشنهادات و تقاضا و Amihud (2002) عدم نقدشوندگی، برگشت‌های بازده را پیش‌بینی می‌کنند، که نتیجه جریان سفارش ناآگاهانه و نه آگاهانه است، و بنابراین باید از آنها به عنوان پروکسی اطلاعات نامتقارن اجتناب شود. Easley et al., 1996 , Easley et al., 1997a , Easley et al., 1997b معیاری را برای احتمال معاملات آگاهانه توسعه می دهند، معیار معروف PIN، که از داده های سطح تراکنش تخمین زده می شود و نیاز به معاملات دارد. طبقه بندی شده توسط خریدار یا فروشنده آغاز شده است. ² همچنین سایر معیارهای عدم تقارن اطلاعاتی اخیر، مانند VPIN ( Easley et al., 2012 )، نوسانات جریان سفارش ( Chordia و همکاران، 2019 ) و XPIN ( Bongaerts و همکاران، 2016 )، بر داده های سطح تراکنش امضا شده متکی هستند. مشخص شده است که چنین طبقه‌بندی سفارشی، به عنوان مثال با استفاده از الگوریتم لی و آماده (1991) ، بدون خطا نیست و در سال‌های اخیر به دلیل معاملات مداوم مشکل‌ساز شده است (به عنوان مثال بومر و همکاران، 2007 ، ایزلی و همکاران. ، 2012 ، جانسون و پس، 2018 ، جورکاتیس، 2022 ). یک معیار جایگزین برای اطلاعات نامتقارن، معیار عدم تقارن اطلاعات چند بازاری (MIA) جانسون و سو (2018) است که بر اساس حجم معاملات روزانه نسبی در گزینه‌ها و سهام است و بر این فرض استوار است که سرمایه‌گذاران آگاه احتمال بیشتری نسبت به سرمایه‌گذاران ناآگاه دارند. برای معامله در گزینه ها اندازه گیری C2 توسط Llorente و همکاران. (2002) اثر حجم معاملات را بر خود همبستگی بازده تخمین می زند، به دنبال این شهود که تغییرات قیمت ناشی از معاملات ناآگاه احتمال بازگشت بیشتری دارد، در حالی که یانگ و همکاران. (2020)نوسان غیرعادی غیرعادی (AIV) را قبل از اعلام سود به عنوان شاخص عدم تقارن اطلاعات پیشنهاد می کند. اندازه گیری ما نیازی به مظنه، قیمت، حجم اختیار و طبقه بندی معاملات ندارد. تخمین‌های VCV را می‌توان در فواصل ماهانه، روزانه یا درون روز برای هر اوراقی که حجم معاملات برای آن قابل مشاهده است، محاسبه کرد، و بنابراین برای مجموعه‌ای بسیار گسترده‌تر از دارایی‌ها نسبت به پراکسی‌های متداول عدم تقارن اطلاعات قابل استفاده است.

برای ارزیابی قدرت و استحکام VCV، ما یک تحلیل جامع مونت کارلو انجام می دهیم. ما متوجه شدیم که VCV را می توان به طور موثر حتی از نمونه های نسبتا کوچک تخمین زد. علاوه بر استحکام به اندازه نمونه، ما اصلاحات مختلف مدل معیار خود را از جمله تغییرات تصادفی در فعالیت معاملاتی، نسبت تجارت آگاهانه و ظرفیت سازندگان بازار بررسی می‌کنیم. برای همه این مشخصات، ما یک رابطه کاملاً مثبت بین VCV های شبیه سازی شده و میانگین نسبت تجارت آگاهانه پیدا می کنیم، که تأیید می کند که VCV عدم تقارن اطلاعات را در شرایط بسیار کلی تشخیص می دهد.

برای تحلیل‌های تجربی خود، مشاهدات VCV در سطح شرکت را از حجم روزانه به‌دست‌آمده از CRSP، برای سهام فهرست‌شده در NYSE، AMEX و NASDAQ، از سال 1962 تا 2020 محاسبه می‌کنیم. ما از سه معیار حجم مجزا استفاده می‌کنیم: (1) حجم معاملات به دلار ، ( ii ) گردش مالی، و ( iii ) حجم سهم بازار (حجم دلار به عنوان کسری از کل حجم دلار بازار). ضرایب تغییرات این معیارها تقریباً یکسان است، به این معنی که VCV به عنوان یک معیار در سطح شرکت به تغییرات کل سطح بازار در حجم معاملات حساس نیست. ما VCV را با ویژگی های سالانه سطح شرکت و سایر معیارهای عدم تقارن اطلاعات مقایسه می کنیم. ما متوجه شدیم که VCV برای شرکت‌های کوچک‌تر و جوان‌تر با پوشش تحلیل‌گر پایین‌تر، گردش مالی کمتر، اسپرد پیشنهاد و تقاضای بالاتر، و نوسان‌تر و نقدشوندگی کمتری بالاتر است. VCV با پراکسی های موجود عدم تقارن اطلاعات در سطح شرکت از جمله PIN، MIA و C2 همبستگی مثبت دارد.

ما همچنین دریافتیم که با کنترل نقدینگی Amihud (2002) و اسپردهای پیشنهادی خرید، برگشت‌های بازده کوتاه‌مدت برای سهام با VCV بالا ضعیف‌تر است، مطابق با این فرضیه که معاملات آگاهانه پیش‌بینی‌کننده تغییرات قیمت در آینده است ( Llorente و همکاران، 2002 )، نشان می دهد که VCV به جای عدم نقدشوندگی عمومی، عدم تقارن اطلاعات را اندازه گیری می کند. دوارت و یانگ (2009) استدلال می‌کنند که پین (تعدیل‌نشده) نه تنها تجارت آگاهانه را اندازه‌گیری می‌کند، بلکه نقدینگی عمومی غیرمرتبط با عدم تقارن اطلاعات را نیز اندازه‌گیری می‌کند. آنها معیار جدیدی از عدم نقدشوندگی عمومی غیرمرتبط با معاملات آگاهانه را استخراج می‌کنند: PSOS (احتمال شوک جریان سفارشی سیستماتیک)، و همچنین اندازه‌گیری به نام پین تنظیم‌شده، که اطلاعات نامتقارن را بدون اثرات نامربوط نقدینگی اندازه‌گیری می‌کند. ما متوجه شدیم که VCV به شدت به پین تنظیم‌شده مرتبط است، در حالی که رابطه با PSOS ضعیف است، و شواهد بیشتری نشان می‌دهد که VCV به‌جای نقدشوندگی عمومی، معیاری برای تجارت آگاهانه است.

مطابق با مطالعات اخیر که تأثیر مثبت مالکیت نهادی بر محیط اطلاعاتی شرکت را مستند می کند ( بون و وایت، 2015 ، بای و همکاران، 2016 )، متوجه می شویم که شرکت هایی با سهامداران نهادی بیشتر (یعنی وسعت مالکیت بالا) به طور متوسط پایین تر هستند. VCV ها ما به طور خاص به دو نوع از سرمایه گذاران نهادی نگاه می کنیم که می توان آنها را نسبتاً آگاه در مورد یک شرکت در نظر گرفت: نظارت بر سرمایه گذاران، به عنوان آن دسته از سرمایه گذاران نهادی تعریف می شود که شرکت برای آنها تخصیص قابل توجهی از پورتفولیوی موسسه را نشان می دهد (فیچ و همکاران، 2015)، و سرمایه گذاران اختصاصی . سرمایه‌گذاران، به عنوان سرمایه‌گذاران نهادی تعریف می‌شوند که عمدتاً سرمایه‌گذاری بلندمدت را در مجموعه‌ای از سهام انجام می‌دهند ( بوشی و نو، 2000 ، بوشی، 2001 ). ما دریافتیم که با کنترل وسعت مالکیت، VCV برای شرکت‌هایی که نظارت دارند و سرمایه‌گذاران اختصاصی (یعنی آگاه) بالاتر است.

برای شناسایی تغییرات برون زا در عدم تقارن اطلاعات، ما از خاتمه در پوشش تحلیلگر ناشی از بسته شدن کارگزاری ، مشابه کلی و لیونگکویست (2012) ، درین و ککسکس (2013) ، بوشمن و همکاران استفاده می کنیم. (2017) ، چن و لین (2017) ، تو و همکاران. (2018) و Luong and Qiu (2021) . خاتمه برون زا در پوشش تحلیلگران، محیط اطلاعاتی شرکت ها را مختل می کند و انتظار می رود عدم تقارن اطلاعاتی را افزایش دهد. ما متوجه شدیم که VCV شرکت های تحت تأثیر به طور قابل توجهی پس از این رویدادها افزایش می یابد.

علاوه بر محاسبه VCV در سطح شرکت از سری‌های زمانی حجم‌ها، ما همچنین VCV را از روی مقاطع مشاهدات حجم در زمان رویداد، برای نمونه بزرگی از شرکت‌ها در حدود تاریخ‌های اعلام سود سه‌ماهه‌شان محاسبه می‌کنیم. ادبیات بزرگی که با بال و براون (1968) و بیور (1968) شروع می شود ، محتوای اطلاعاتی اعلامیه های سود را در نظر می گیرد و به طور گسترده تشخیص می دهد که عدم تقارن های اطلاعاتی حول این رویدادها حل می شود. مطابق با این دیدگاه، متوجه می‌شویم که VCV مقطعی قبل از اعلان‌ها نسبتاً بالا است و در روزهای پس از اعلام به طور قابل توجهی کاهش می‌یابد. این نشان می‌دهد که عدم تقارن‌های اطلاعاتی ایجاد می‌شود و معامله‌گران ناآگاه را از معامله کردن درست قبل از اعلام سود منصرف می‌کند (نگاه کنید به میلگروم و استوکی، 1982 ، بلک، 1986 ، وانگ، 1994 ، چای، 2005 )، در حالی که پس از این اطلاعات، بازار برای معامله‌گران ناآگاه جذاب‌تر است. مناسبت ها. ما همچنین به VCV مقطعی پیرامون افشاهای برنامه‌ریزی نشده 8-K رویدادهای بزرگ شرکتی نگاه می‌کنیم. ما کاهش قابل توجهی در VCV در روزهای قبل از تاریخ تشکیل پرونده پیدا کرده‌ایم، زیرا فرم 8-K معمولاً تا چهار تاریخ پس از رویداد ثبت می‌شود ( Ben-Rephael et al., 2022 ).

VCV یک اندازه گیری بسیار انعطاف پذیر است و می توان آن را برای مشاهدات حجمی از بازه های زمانی مختلف محاسبه کرد. هنگام مقایسه VCV با ویژگی های سالانه سطح شرکت و سایر معیارهای عدم تقارن اطلاعاتی، ما VCV را سالانه از یک سال مشاهدات حجم روزانه تخمین می زنیم. هنگامی که معکوس‌های کوتاه‌مدت را در نظر می‌گیریم، VCV را به صورت ماهانه تخمین می‌زنیم، و هنگام تجزیه و تحلیل پرونده‌های سه ماهه 13F مالکیت نهادی، VCV را به‌صورت فصلی تخمین می‌زنیم. ما همچنین نمونه‌های فرعی سهام NYSE/AMEX و NASDAQ، و همچنین نمونه‌های فرعی سری زمانی را بررسی می‌کنیم و استحکام VCV را به عنوان معیاری برای عدم تقارن اطلاعات در محیط‌های مختلف بازار تأیید می‌کنیم.

ادامه این مقاله به صورت زیر سازماندهی شده است: در بخش بعدی مدل خود را ارائه می کنیم و نشان می دهیم که ضریب تغییرات حجمی به عنوان معیار طبیعی نسبت تجارت آگاهانه ظاهر می شود. بخش 3 شامل تجزیه و تحلیل جامع مونت کارلو برای آزمایش استحکام VCV در محیط های مختلف است. بخش 4 تجزیه و تحلیل تجربی ما را ارائه می‌کند که در آن نشان می‌دهیم VCVهای سطح سهام، محاسبه‌شده از سری‌های زمانی مشاهدات حجم، با ویژگی‌های شرکت، برگشت‌های برگشتی، معیارهای اطلاعات نامتقارن فعلی، مالکیت نهادی، و پوشش تحلیلگر مرتبط هستند. بخش 5 نشان می دهد که چگونه اندازه گیری ما از مقاطع مقطعی مشاهدات حجمی می تواند برای سنجش اطلاعات نامتقارن در زمان رویداد، با مستندسازی VCV حول اعلان های درآمد و پرونده های 8-K استفاده شود. بخش 6 به پایان می رسد.

2 . تئوری

برای تجزیه و تحلیل توزیع حجم معاملات، ما یک مدل ساده ارائه می کنیم که در آن فرض می کنیم $M$ جویندگان نقدینگی فردی که هر کدام سفارش‌های عادی توزیع شده را با میانگین صفر و انحراف معیار ارسال می‌کنند. $σ$ ، و جایی که ارائه دهندگان نقدینگی رقابتی (سازندگان بازار) عدم تعادل سفارش را جذب می کنند. اشاره می کنیم $σ$ به عنوان شدت معاملات . یک نسبت $η$ از $M$ جویندگان نقدینگی مطلع است، با $η M$ یک عدد صحیح بودن برای سهولت نمایش، ابتدا فرض می کنیم $η$ برون زا بودن در پایان این بخش، نشان می‌دهیم که نتایج زمانی که نسبت تجارت آگاهانه وجود دارد، باقی می‌ماند $η$ به طور درونزا متوجه می شود، به عنوان مثال زمانی که سرمایه گذاران آگاه شدت معاملات خود را به صورت استراتژیک انتخاب می کنند.

ما خواسته های فردی همه جویندگان نقدینگی (آگاه و ناآگاه) را نشان می دهیم $y_{i}$ ، که مقادیر مثبت نشان دهنده سفارش خرید و مقادیر منفی نشان دهنده سفارش فروش است. عدم تعادل سفارش (جریان خالص سفارش) مجموع تمام سفارشات است. $\sum_{M} y_{i}$ که توسط تامین کنندگان نقدینگی که قیمت را تعیین می کنند گرفته می شود. این عدم تعادل معمولاً به طور عمومی قابل مشاهده نیست. حجم کل معاملات را می توان به صورت زیر نوشت:(1) $V = \frac{1}{2} (\sum_{M} | y_{i} | + | \sum_{M} y_{i} |) .$ اصطلاح داخل براکت ها «حجم معاملات دوشمارش» است که خرید و فروش متقاضیان نقدینگی (ترم اول) و ارائه دهندگان نقدینگی (ترم دوم) را محاسبه می کند. این حجم دو شمارش شده شامل معاملات بین جویندگان نقدینگی و همچنین معاملات بین تامین کنندگان نقدینگی و جویندگان نقدینگی بی همتا می شود. ³

سفارشات جویندگان نقدینگی آگاه کاملاً همبسته است، به طوری که همه $η M$ معامله گران آگاه سفارش های یکسانی را ارسال می کنند. از سوی دیگر، خواسته های $(1 - η) M$ جویندگان نقدینگی ناآگاه با هم ارتباط ندارند ( iid ). به دنبال این مفروضات، عدم تعادل نظم از توزیع نرمال در اطراف صفر پیروی می کند، مانند کایل (1985) :(2) $\sum_{M} y_{i} \sim N (0, σ^{2} (η^{2} M^{2} + (1 - η) M)) .$ واریانس عدم تعادل نظم یک تابع غیر خطی از است $η$ به دلیل همبستگی های متفاوت تقاضای آگاهانه و ناآگاهانه. اگر اکثر جویندگان نقدینگی ناآگاه باشند، سفارشات آنها عمدتاً با یکدیگر تطبیق داده می شود و انتظار می رود عدم تعادل سفارش نسبتاً پایین باشد. هنگامی که بسیاری از معامله گران مطلع می شوند، خواسته های مرتبط آنها می تواند منجر به عدم تعادل بزرگ شود. در نتیجه، انحراف استاندارد عدم تعادل سفارش در نسبت تجارت آگاهانه در حال افزایش است $η$ .

اکنون دو لحظه اول از حجم کل معاملات (معادل (1) ) را به عنوان تابعی از $η$ . با استفاده از ویژگی های توزیع نیمه نرمال، ^{4 را} پیدا می کنیم :(3) $\begin{matrix} E [V] & = & \frac{1}{2} (E [\sum_{M} | y_{i} |] + E [| \sum_{M} y_{i} |]) \\ = & \frac{σ M}{\sqrt{2 π}} (1 + \sqrt{η^{2} + (1 - η) M^{- 1}}) . \end{matrix}$ از این می بینیم که به عنوان تعداد شرکت کنندگان در بازار است $M$ افزایش می یابد، حجم معاملات مورد انتظار سرانه به یک تابع خطی فزاینده نسبت تجارت آگاهانه همگرا می شود $η$ :(4) $lim_{M \to \infty} E [\frac{V}{M}] = \frac{σ}{\sqrt{2 π}} (1 + η) .$

برای تجزیه و تحلیل واریانس حجم معاملات مشاهده شده، ما هر یک از سه مولفه حجم دوبار شمارش شده را در نظر می گیریم که می توان به (i) جویندگان نقدینگی آگاه نسبت داد. $(\sum_{1 . . . η M} | y_{i} |)$ ، (2) جویندگان نقدینگی ناآگاه $(\sum_{η M + 1 . . . M} | y_{i} |)$ و (iii) ارائه دهندگان نقدینگی $(| \sum_{M} y_{i} |)$ . واریانس ها و کوواریانس های این سه مولفه در ضمیمه اینترنت A به دست آمده است $M$ ، متوجه می شویم که واریانس حجم معاملات سرانه افزایش می یابد $η^{2}$ :(5) $lim_{M \to \infty} V a r (\frac{V}{M}) = σ^{2} (1 - \frac{2}{π}) η^{2} .$ بنابراین ما آن را برای بزرگ می بینیم $M$ ، نسبت انحراف استاندارد به میانگین (ضریب تغییرات) حجم معاملات به شدت در حال افزایش است. $η$ و مستقل از تعداد شرکت کنندگان در بازار است $M$ و شدت معاملات آنها $σ$ .

گزاره 1

بازاری را در نظر بگیرید که در آن $M$ معامله گران جویای نقدینگی سفارشات بازار توزیع شده عادی را با میانگین صفر و انحراف معیار ارسال می کنند $σ$ ، و جایی که عدم تعادل سفارش توسط تامین کنندگان نقدینگی جذب می شود. اگر $η M$ از $M$ به معامله گران جویای نقدینگی اطلاع داده می شود:

من.
ضریب تغییرات حجم معاملات مشاهده شده به طور یکنواخت در نسبت معامله گران آگاه افزایش می یابد. $η$ .
ii
برای بزرگ $M$ ، این رابطه به موارد زیر همگرا می شود:(6) $lim_{M \to \infty} \frac{σ_{V}}{μ_{V}} = \sqrt{2 π - 4} \frac{η}{η + 1},$ جایی که $μ_{V}$ و $σ_{V}$ مقدار مورد انتظار و انحراف استاندارد حجم معاملات را نشان می دهد $V$ .

نتیجه

میانگین نمونه را در نظر بگیرید ( ${\hat{μ}}_{V}$ ) و انحراف استاندارد نمونه ( ${\hat{σ}}_{V}$ ) به عنوان برآوردگر ثابت جمعیت میانگین ( $μ_{V}$ ) و انحراف معیار جمعیت ( $σ_{V}$ ) از حجم معاملات. سپس با قضیه نگاشت پیوسته،(7) $V C V \equiv \frac{{\hat{σ}}_{V}}{{\hat{μ}}_{V}}$ برآوردگر ثابتی از $\frac{σ_{V}}{μ_{V}}$ . بنابراین از گزاره 1 نتیجه می شود که E[VCV] به طور یکنواخت در افزایش می یابد $η$ به طوری که ضریب تغییرات حجمی (VCV) معیاری برای تجارت آگاهانه است.

یافته‌های ما مبنی بر اینکه VCV مستقل از مجانبی است $σ$ و $M$ مهم است. یعنی حتی زمانی که $σ$ و $M$ در معرض تغییرات برون زا هستند، به عنوان مثال به دلیل احساسات ( کومار و لی، 2006 )، یا شوک های نقدینگی مرتبط ( ادماتی و فلیدرر، 1988 ، بروگارد و همکاران، 2018 )، VCV در نسبت تجارت آگاهانه افزایش می یابد. در بخش‌های بعدی، شبیه‌سازی‌ها و تحلیل‌های تجربی را در بخش‌های بعدی ارائه می‌کنیم که قویاً از این نتیجه پشتیبانی می‌کنند. تجزیه و تحلیل شبیه سازی ما علاوه بر این نشان می دهد که VCV در نسبت متوسط تجارت آگاهانه، زمانی که اجازه می دهیم، افزایش می یابد $η$ ، $M$ و $σ$ در مشاهدات متفاوت باشد

تجزیه و تحلیل فوق همچنین نشان می دهد که یک تخمینگر مستقیم از نسبت تجارت آگاهانه از معادله تلویحی است. (6) :(8) $\hat{η} \equiv \frac{{\hat{σ}}_{V}}{{\hat{μ}}_{V} \sqrt{2 π - 4} - {\hat{σ}}_{V}} .$ با این حال، همانطور که نتایج شبیه سازی ما در بخش 3 نشان می دهد، $\hat{η}$ برآوردگر ثابتی از $η$ فقط زمانی که تقاضا به طور معمول توزیع شود، $M$ بزرگ است و $η$ در بین مشاهدات ثابت است. از آنجایی که مخرج آن می تواند بسیار کوچک یا منفی شود، $\hat{η}$ در نمونه های کوچک یا مشخصات مدل جایگزین ضعیف عمل می کند. از سوی دیگر، شبیه سازی های ما نشان می دهد که VCV رفتار خوبی دارد و به صورت یکنواخت در آن افزایش می یابد $η$ تحت شرایط عمومی، از جمله غیر عادی بودن و نسبت‌های متغیر زمانی تجارت آگاهانه.

فرض قبلی مبنی بر اینکه جویندگان نقدینگی آگاه و ناآگاه دارای شدت معاملات برابر هستند، فقط برای راحتی و بدون از دست دادن کلیت است: اگر معامله‌گران آگاه و ناآگاه را دارای شدت‌های معاملاتی متفاوت در نظر بگیریم، توزیع حجم معاملات یکسان خواهد بود. $η$ و $M$ مانند:(9) $η = \frac{σ_{m} m}{σ_{m} m + σ_{u} n}; M = n + \frac{σ_{m}}{σ_{u}} m,$ جایی که $m$ و $n$ مراجعه به تعداد جویندگان نقدینگی آگاه و ناآگاه در حالی که $σ_{m}$ و $σ_{n}$ نشان دهنده شدت معاملات جویندگان نقدینگی آگاه و ناآگاه است. به این معنا که، $η$ نسبت تجارت آگاه به جای نسبت معامله گران آگاه است . $M$ اندازه گیری تعداد معامله گران با شدت وزن است، با شدت معاملات ناآگاه به عنوان عدد.

توجه به این نکته مهم است که مدل ما در مورد انگیزه های تجارت سرمایه گذاران آگاه و ناآگاه ساکت است ، اما صرفاً رابطه آماری بین VCV و نسبت تجارت آگاه را ایجاد می کند. در پیوست اینترنت A.2، ما یک نسخه توسعه یافته از مدل خود را ارائه می دهیم که در آن جویندگان نقدینگی آگاه، شدت معاملات خود را انتخاب می کنند. $σ_{m}$ استراتژیک، با در نظر گرفتن استراتژی های سایر معامله گران آگاه. ما دریافتیم (مشابه هولدن و سوبراهمانیام، 1992 ، فاستر و ویسواناتان، 1994 ، فاستر و ویسواناتان، 1996 و دیگران) که معامله گران آگاه شدت معاملات خود را در حضور رقابت افزایش می دهند، اما رابطه بین نسبت تعادلی تجارت آگاهانه و ضریب تغییرات حجم معاملات معادل گزاره 1 با است $η$ و $M$ همانطور که در (9) تعریف شده است .

غنی سازی بیشتر مدل با ریسک گریزی، اطلاعات طولانی مدت، یا تجارت ناآگاه استراتژیک (مانند فاستر و ویسواناتان، 1990 یا ادماتی و فلیدرر، 1988 ) گزاره 1 را تغییر نخواهد داد ، زیرا همیشه نسبت تعادلی از تجارت آگاهانه وجود خواهد داشت. $η$ و تعداد وزنی از جویندگان نقدینگی $M$ . تحلیل شبیه‌سازی ما در بخش بعدی شواهد بیشتری ارائه می‌کند که پیشنهاد ما مبنی بر افزایش VCV در نسبت تجارت آگاهانه برای بسیاری از مدل‌های مختلف تولید حجم وجود دارد.

3 . شبیه سازی ها

در این بخش، توزیع حجم معاملات تولید شده توسط مدل خود را برای مقادیر مختلف تجزیه و تحلیل می کنیم $η$ (نسبت تجارت آگاهانه) و $M$ (تعداد معادل متقاضیان نقدینگی). برای این کار رسم می کنیم $1 + (1 - η) M$ مشاهدات تصادفی از توزیع عادی استاندارد برای شبیه سازی خواسته های فردی (یعنی فرض می کنیم $σ = 1$ ). مشاهده اول ضرب می شود $η M$ ، و نشان دهنده تقاضای کل آگاهانه است. مشاهدات باقی مانده بیانگر خواسته های ناآگاهانه فردی است. ما حجم معاملات مشاهده شده را محاسبه می کنیم $V$ از معادله (1) . برای هر ( $M$ ، $η$ ) جفت، نمونه ای از آن را تولید می کنیم $T$ جلد ( $V$ ) مشاهداتی که ضریب تغییرات VCV را از روی آنها محاسبه می کنیم.

شکل 1 چهار هیستوگرام از حجم های شبیه سازی شده را نشان می دهد $M = 1000$ جویندگان نقدینگی، برای مقادیر مختلف از $η$ . حجم نمونه می باشد $T = 1000$ جلسات تجاری شبیه سازی تجزیه و تحلیل بخش قبل را تایید می کند: در مورد هیچ معامله گران آگاه ( $η = 0$ ، توزیع حجم از یک منحنی زنگی کمی منحنی پیروی می کند، در حالی که در حضور معامله گران آگاه حجم در سطح بالاتر و به مراتب پراکنده تر است. VCV های شبیه سازی شده برای چهار پانل به ترتیب 0.03، 0.14، 0.48 و 0.77 است. ⁵

شکل 2 میانگین VCV را از $R = 1, 000, 000$ تکرارهای شبیه سازی نمونه ای از $T = 100$ جلسات معاملاتی با $M$ معامله گران، برای مقادیر مختلف $η$ و $M$ . همانطور که می بینیم، میانگین VCV فقط به طور قابل توجهی از مقدار مجانبی خود (معادل (6) ) منحرف می شود که هر دو $M$ و $η$ کم هستند. با این وجود، حتی برای کوچک $M$ ، میانگین VCV به شدت در حال افزایش است $η$ . عدم حساسیت به $M$ دلگرم کننده است زیرا نشان می دهد که نگرانی کمی برای مخدوش کردن یک بالا وجود دارد $η$ با کم $M$ . عدم حساسیت به $M$ از دیدگاه تجربی نیز مطلوب است، زیرا تعداد معامله گران ( $M$ ) در بازارها معمولاً ناشناخته است.

در جدول 1 ، پانل A، میانگین VCV را همانطور که در شکل 2 ترسیم شده برای مقادیر انتخاب شده از $η$ و همچنین انحرافات استاندارد برای ارزیابی دقت VCV. علاوه بر VCV، ما همچنین این آمار را در مورد مقادیر شبیه سازی شده گزارش می کنیم $\hat{η}$ (معادل (8) ). هم VCV و هم $\hat{η}$ افزایش یکنواخت در نسبت واقعی تجارت آگاهانه ( $η$ ). این امر حتی در مورد بازارهایی با فعالیت تجاری کم نیز صادق است $M$ . همچنین، برآوردگر $\hat{η}$ در شبیه سازی های ما ارزش واقعی را ردیابی می کند $η$ از نزدیک، به ویژه زمانی که هر دو $M$ یا $η$ خیلی کم نیستند پانل B جدول 1 نتایج شبیه سازی را برای نمونه های شبیه سازی شده کوچکتر گزارش می دهد $T = 10$ جلسات تجاری ما هنوز میانگین VCV و $\hat{η}$ برای افزایش یکنواخت در $η$ . این نتیجه حاکی از آن است که VCV را می توان حتی در نمونه های سری زمانی کوچک نیز اعمال کرد، به عنوان مثال زمانی که ماهانه با استفاده از مشاهدات حجم روزانه تخمین زده می شود. انحراف استاندارد گزارش شده با این حال نشان می دهد که VCV، و بیشتر $\hat{η}$ ، با دقت کمتری تخمین زده می شوند $T$ کوچک است.

جدول 1 . نتایج شبیه سازی – مدل معیار.

پانل A: $T = 100$
$η$	0	0.2	0.5	0.8	1	0	0.2	0.5	0.8	1
	$V C V$					$\hat{η}$
	$M = 10$					$M = 10$
منظور داشتن	0.29	0.32	0.5	0.67	0.75	0.24	0.27	0.50	0.80	1.01
SD	0.02	0.02	0.04	0.05	0.06	0.02	0.03	0.05	0.10	0.15
	$M = 100$					$M = 100$
منظور داشتن	0.10	0.25	0.50	0.67	0.75	0.07	0.20	0.50	0.80	1.01
SD	0.01	0.02	0.03	0.05	0.06	0.01	0.02	0.05	0.10	0.15
	$M = 1000$					$M = 1000$
منظور داشتن	0.03	0.25	0.50	0.67	0.75	0.02	0.20	0.50	0.80	1.01
SD	0.00	0.02	0.03	0.05	0.06	0.00	0.02	0.05	0.10	0.15
پانل B: $T = 10$
$η$	0	0.2	0.5	0.8	1	0	0.2	0.5	0.8	1
	$V C V$					$\hat{η}$
	$M = 10$					$M = 10$
منظور داشتن	0.28	0.31	0.48	0.65	0.74	0.23	0.26	0.49	0.81	1.27
SD	0.07	0.07	0.11	0.15	0.17	0.07	0.08	0.18	4.12	50.5
	$M = 100$					$M = 100$
منظور داشتن	0.10	0.24	0.48	0.65	0.74	0.07	0.19	0.49	0.83	1.11
SD	0.02	0.06	0.11	0.15	0.17	0.02	0.06	0.17	0.46	3.05
	$M = 1000$					$M = 1000$
منظور داشتن	0.03	0.24	0.48	0.65	0.74	0.02	0.19	0.49	0.78	1.16
SD	0.01	0.06	0.11	0.15	0.17	0.01	0.06	0.17	14.28	24.67

این جدول میانگین و انحراف معیار VCV (سمت چپ) و $\hat{η}$ (راست) بدست آمده از $R = 1, 000, 000$ نمونه های تکراری از $T$ تحقق حجم، شبیه سازی شده از مدل مشخص شده در بخش 2، برای مقادیر مختلف نسبت تجارت آگاهانه $η$ و تعداد متقاضیان نقدینگی $M$ . در پانل A، تعداد مشاهدات حجمی در هر تکرار است $T = 100$ . در پانل B، $T = 10$ . نتایج شبیه‌سازی مفصل در بخش A1 پیوست اینترنت گزارش شده است.

برای بررسی استحکام VCV به عنوان معیار عدم تقارن اطلاعات ، شبیه‌سازی‌هایی را برای تغییرات مختلف مدل معیار انجام می‌دهیم. نتایج این تمرین شبیه‌سازی گسترده، و همچنین نتایج تکمیلی جدول 1 ، در ضمیمه اینترنت B گزارش شده است. ابتدا، فرض تقاضای توزیع شده نرمال را کاهش می‌دهیم و به تقاضای لپتوکورتیک و منحرف اجازه می‌دهیم تا مقادیر پرت در حجم معاملات ایجاد کنیم. غیرمرتبط با تجارت آگاهانه (جدول B.4). ما همچنین فرض تقاضای iid را تسهیل می کنیم و تقاضای پویا را مجاز می کنیم و باعث تداوم حجم معاملات می شویم (جدول B.5). در مرحله بعد، ما به نسبت تجارت آگاهانه اجازه می دهیم $η$ تصادفی بودن در بین مشاهدات، برای نشان دادن اینکه VCV در میانگین نسبت تجارت آگاهانه افزایش می‌یابد، چه در طول یک سری زمانی یا در طول مقطعی از مشاهدات (جدول B.6). ما برای تنوع اجازه می دهیم $M$ و $σ$ به طور تصادفی در سراسر مشاهده (جدول B.7 و B.8)، برای نشان دادن VCV در شرایطی که حجم معاملات در مشاهدات به دلایل غیرمرتبط با اطلاعات خصوصی متفاوت است . ما همچنین عرضه نقدینگی تصادفی (جدول B.9) را بر خلاف ظرفیت کامل بازارساز بدون قید و شرط در مدل معیار خود بررسی می کنیم. ما وضعیتی را در نظر می گیریم که در آن گروه های مختلف سرمایه گذاران آگاه سیگنال های متمایز دریافت می کنند (جدول B.10) و در نهایت، تجارت آگاهانه را درون زایی می کنیم، با اجازه دادن به شدت معاملات سرمایه گذاران آگاه با جریان سفارش ناآگاه (جدول B.11).

به طور کلی، نتایج شبیه‌سازی در این بخش و پیوست B اینترنت، استحکام VCV را به عنوان معیاری از اطلاعات نامتقارن نشان می‌دهد. نتیجه اصلی این است که VCV به طور یکنواخت در نسبت تجارت آگاهانه در حال افزایش است $η$ در شرایط بسیار کلی و در نمونه‌های کوچک نگه می‌دارد، در حالی که انحراف استاندارد VCV نسبتاً پایین باقی می‌ماند. با این حال، این شبیه‌سازی‌ها نشان می‌دهند که سطح پایه VCV به مفروضات اساسی حساس است و بنابراین ممکن است در محیط‌های معاملاتی مختلف متفاوت باشد. بنابراین مهم است که VCV را فقط در بین دارایی های قابل مقایسه و زمانی که با تعداد مشاهدات حجمی یکسان تخمین زده می شود، مقایسه کنیم. در تجزیه و تحلیل رگرسیون ما در زیر مقایسه VCV در سهام ایالات متحده، ما همیشه برای صنعت ، اندازه، نقدینگی، و اثرات دفتری به بازار و ثابت سال کنترل می‌کنیم تا هرگونه تفاوت احتمالی در سطح پایه VCV غیرمرتبط با اطلاعات خصوصی را تنظیم کنیم.

ما تأکید می کنیم که VCV می تواند هم برای یک سری زمانی یا یک مقطع از مشاهدات حجمی اعمال شود. به ویژه نتیجه این است که VCV در میانگین نسبت تجارت آگاهانه افزایش می یابد $η$ و $M$ در مشاهدات متفاوت است، از کاربرد VCV در مقطعی از حجم ها پشتیبانی می کند. ما VCV مقطعی را در بخش 5 در هنگام بررسی الگوهای VCV حول اعلان‌های سود اعمال می‌کنیم.

شبیه سازی ها نیز این را نشان می دهد $\hat{η}$ به وضوح به عنوان معیاری برای تجارت آگاهانه فراتر از مدل معیار عملکرد خوبی ندارد. مشاهدات شبیه سازی شده از $\hat{η}$ پراکنده تر از VCV هستند، در حالی که میانگین آنها اغلب به طور یکنواخت افزایش نمی یابد $η$ ، و همیشه با 0 و 1 محدود نمی شوند. این عملکرد ضعیف از $\hat{η}$ به این دلیل رخ می دهد که مخرج معادله (8) به راحتی می تواند اعداد کوچک یا منفی را بگیرد، که باعث می شود برآوردگر بسیار نامنظم باشد. در ادامه این مقاله، بنابراین ما بر VCV به عنوان معیار تجارت آگاهانه تمرکز می کنیم.

4 . VCV در مقطع سهام ایالات متحده

پس از ایجاد یک رابطه یکنواخت مثبت بین VCV و نسبت تجارت آگاهانه، از تحلیل تحلیلی و عددی، اکنون به داده‌ها روی می‌آوریم تا ویژگی‌های تجربی اندازه‌گیری خود را تحلیل کنیم. در این بخش، تغییرات مقطعی در VCV را برای سهام ایالات متحده توضیح می دهیم. ما VCV را برای سهام ایالات متحده محاسبه می‌کنیم و این ارقام را با سایر ویژگی‌های سطح شرکت، از جمله شاخص‌های تجارت آگاهانه و عدم نقدینگی مقایسه می‌کنیم. ما حجم معاملات روزانه را از فایل سهام روزانه CRSP در دوره ژانویه 1962 تا دسامبر 2020 به دست می آوریم. نمونه ما شامل مشاهدات سال شرکت برای سهام عادی فهرست شده در NYSE، AMEX، و NASDAQ است. گنجاندن در نمونه مستلزم آن است که، برای یک سال تقویمی معین، سهام دارای میانگین کاملا مثبت و انحراف معیار حجم معاملات روزانه در CRSP همراه با ارزش دفتری ثبت شده در COMPUSTAT باشد. ⁶

مشاهدات سالانه VCV در سطح شرکت با تقسیم انحراف استاندارد سالانه حجم معاملات روزانه بر میانگین سالانه حجم معاملات روزانه محاسبه می شود. ضریب حجم تغییرات موجودی $i$ در سال $τ$ به عنوان … تعریف شده است:(10) $V C V_{i, τ} = \frac{{\hat{σ}}_{V (i, t \in τ)}}{{\hat{μ}}_{V (i, t \in τ)}},$ جایی که ${\hat{μ}}_{V (i, t \in τ)}$ میانگین نمونه است و ${\hat{σ}}_{V (i, t \in τ)}$ نمونه انحراف استاندارد تمام حجم معاملات روزانه سهام i است ، $V_{i, t}$ ، در سال $τ$ . ما VCV را با استفاده از سه معیار مختلف از حجم معاملات محاسبه می کنیم: ( 1 ) حجم معاملات به دلار آمریکا ( $V_{U S D}$ ، ( ii ) حجم سهام بازار ( $V_{%}$ )، به عنوان حجم روزانه در یک سهم به عنوان کسری از حجم کل بازار در همان روز، برای کنترل تغییرات در سطح بازار در فعالیت معاملاتی که به اطلاعات خاص شرکت، مانند احساسات در سطح کلان ارتباطی ندارد، تعریف می شود (کومار) . و لی، 2006 ) و شوک های رایج نقدینگی ( ادماتی و فلیدرر، 1988 ، بروگارد و همکاران، 2018 )، و ( iii ) گردش مالی روزانه ( 3) $V_{T O}$ ) برای کنترل تفاوت در ارزش بازار:(11) $\begin{matrix} V_{U S D, i, t} & = & s h a r e s t r a d e d_{i, t} \times c l o s i n g p r i c e_{i, t} \\ V_{%, i, t} & = & \frac{V_{U S D, i, t}}{\sum_{i} V_{U S D, i, t}} \\ V_{T O, i, t} & = & \frac{s h a r e s t r a d e d_{i, t}}{s h a r e s o u t s t a n d i n g_{i, t}} . \end{matrix}$ جدول 2 آمار خلاصه ای را برای این سه معیار VCV گزارش می کند. میانگین‌های نمونه، و همچنین سایر آمارها، برای سه معیار VCV بسیار مشابه هستند. ردیف های پایین جدول 2 نشان می دهد که سه معیار مختلف VCV با هم همبستگی بالایی دارند. شباهت شدید بین سه معیار VCV پشتیبانی از تجزیه و تحلیل نظری بخش 2 را ارائه می دهد : اگرچه شدت معاملات ( $σ$ ) و مشارکت ( $M$ ) تعیین کننده سطح و واریانس حجم هستند، VCV مستقل از هر دو است $σ$ و $M$ (معادل (6) ). بنابراین، تغییرات بازار در تعداد شرکت‌کنندگان در بازار و شدت معاملات آنها باید تأثیر کمی داشته باشد، بنابراین VCV حاصل از حجم دلار، حجم سهم بازار یا گردش مالی، باید تقریباً معادل باشد. نتایج جدول 2 این فرض را تایید می کند. در ادامه این بخش، اندازه گیری ما از VCV معاملات آگاهانه به عنوان ضریب تغییرات سهم بازار حجم روزانه (VCV) تعریف می شود. $_{%}$ ) که تغییرات حجم بازار را کنترل می کند که با اطلاعات خاص شرکت ارتباطی ندارد. نتایج بسیار مشابه هنگام استفاده از هر یک از تعاریف حجم دیگر به دست می آید. ⁷

علاوه بر برآوردهای سالانه گزارش شده در جدول 2 ، ما برآوردهای سه ماهه و ماهانه VCV در سطح شرکت را نیز در نظر می گیریم. آمار خلاصه در مورد این اقدامات در پیوست اینترنت بخش C.2 گزارش شده است. مزیت VCV سالانه این است که ضریب تغییرات به دلیل تعداد مشاهدات بیشتر تخمین زده می شود، در حالی که VCV سه ماهه و ماهانه امکان مطالعه تغییرات عدم تقارن اطلاعات را با فرکانس بالاتر می دهد. به طور کلی، ما دریافتیم که VCV سالانه، فصلی و ماهانه بسیار همبسته است. جالب توجه است، VCV سالانه به طور متوسط بالاتر از همتایان سه ماهه و ماهانه خود است، زیرا برآوردهای سالانه نیز تغییرات فصلی در سال را در حجم ثبت می کند. این مشاهدات بر اهمیت مقایسه VCV تنها زمانی تاکید می کند که بر روی نمونه های با اندازه مشابه تخمین زده شود. در ادامه این بخش، از تخمین‌های سالانه VCV هنگام مقایسه با سایر ویژگی‌های سالانه شرکت، تخمین‌های فصلی هنگام مطالعه رابطه بین VCV و مالکیت سازمانی (از پرونده‌های فصلی 13F)، و برآوردهای ماهانه هنگام بررسی برگشت‌های بازده ماهانه استفاده می‌کنیم.

جدول 2 . آمار خلاصه VCV

سلول خالی	VCV $_{U S D}$	VCV $_{%}$	VCV $_{T O}$
مشاهدات	205,863	205,863	205,863
ن	19,435	19,435	19,435
تی	59	59	59
منظور داشتن	1.511	1.493	1.460
SD	1.003	1.019	0.967
sd (CS)	0.894	0.903	0.860
sd (TS)	0.638	0.643	0.611
$q_{0.1}$	0.617	0.580	0.609
$q_{0.25}$	0.887	0.859	0.860
میانه	1.281	1.263	1.228
$q_{0.75}$	1.814	1.804	1.744
$q_{0.9}$	2.582	2.581	2.509
$ρ$	0.238	0.246	0.254
همبستگی ها
VCV $_{%}$	0.982
VCV $_{T O}$	0.977	0.966

این جدول آمار خلاصه‌ای از مشاهدات سالانه در سطح شرکت از ضریب تغییرات حجمی (VCV) حجم معاملات روزانه دلار به دلار آمریکا (VCV) را گزارش می‌کند. $_{U S D}$ سهم بازار حجم روزانه (حجم روزانه دلار به عنوان درصدی از کل حجم دلار بازار – VCV $_{%}$ و گردش مالی (حجم دلار به عنوان کسری از ارزش بازار – VCV $_{T O}$ ). جدول تعداد کل مشاهدات، تعداد سهام متمایز در نمونه را گزارش می کند ( $N$ تعداد مشاهدات سری زمانی/سال ( $T$ ، میانگین، انحراف استاندارد، sd (CS)، میانگین سری زمانی انحرافات استاندارد مقطعی سالانه، sd (TS)، میانگین مقطعی انحراف استاندارد سری زمانی خاص سهام، چندک های انتخاب شده ( $q$ ، و میانگین مقطعی همبستگی های مرتبه اول سهام خاص ( $ρ$ ). دو ردیف پایین میانگین‌های سری زمانی همبستگی‌های رتبه درون سال (Spearman) بین معیارهای مختلف VCV را گزارش می‌کنند. نمونه: 1962–2020.

4.1 . VCV و سایر مشخصات شرکت

جدول 3 همبستگی بین VCV و سایر ویژگی‌های سطح شرکت را گزارش می‌کند: اندازه، نسبت دفتری به بازار، سن شرکت، نوسانات بازده ، گردش مالی، نقدینگی Amihud (2002) ، اسپرد پیشنهاد و تقاضا،برآورد رول ( 1984 ) گسترش پیشنهاد و تقاضا و پوشش تحلیلگر. اندازه به عنوان گزارش ارزش بازار در آخرین روز معاملاتی ژوئن تعریف می شود. نوسانات بازده انحراف استاندارد سالانه بازده روزانه است. Amihud (2002) عدم نقدینگی به عنوان لاگ میانگین سالانه نسبت روزانه تعریف می شود. $\frac{| R_{i, t} |}{V_{U S D, i, t}}$ . اسپرد Bid-Ask میانگین سالانه اسپردهای پیشنهادی بسته شدن روزانه به عنوان درصدی از نقطه میانی آن است. $\frac{a s k_{i, t} - b i d_{i, t}}{\frac{1}{2} (a s k_{i, t} + b i d_{i, t})}$ ، به دنبال چانگ و ژانگ (2014) . اندازه گیری رول ( 1984 ) جذر منفی اتوکوواریانس بازده روزانه است. $\sqrt{- C o v (R_{i, t}, R_{i, t - 1})}$ . ⁸ نسبت دفتری به بازار، نسبت ارزش دفتری حقوق صاحبان سهام در پایان سال مالی است که از COMPUSTAT به دست آمده است، به ارزش بازار حقوق صاحبان سهام در پایان همان سال تقویمی. سن شرکت با تعداد سالهای سپری شده از زمانی که شرکت برای اولین بار در پایگاه داده CRSP ظاهر شد، مشخص می شود. پوشش تحلیلگر به عنوان تعداد تحلیلگران متمایز که یک سهام را در یک سال معین پوشش می دهند، تعریف می شود (منبع: IBES). آمار خلاصه این متغیرها و تجزیه و تحلیل های فرعی در پیوست اینترنت بخش C.3 ارائه شده است.

همانطور که از جدول 3 مشاهده می شود ، VCV با اندازه و گردش مالی همبستگی منفی و با نوسانات بازده، نقدینگی آمیحد و اسپرد پیشنهاد و تقاضا همبستگی مثبت دارد. این نتایج با گزاره ما که VCV معیاری برای معاملات آگاهانه است، مطابقت دارد، زیرا عدم تقارن اطلاعاتی احتمالاً در سهام کوچک‌تر قوی‌تر است و اطلاعات نامتقارن نقدینگی را کاهش می‌دهد. یانگ و همکاران (2020) نوسانات بازده را با عدم تقارن اطلاعات مرتبط می کند. همبستگی منفی با سن شرکت نشان می دهد که عدم تقارن اطلاعاتی برای شرکت های بالغ کمتر است. پوشش تحلیلگر احتمالاً عدم تقارن اطلاعات را کاهش می دهد، که با همبستگی منفی با VCV مطابقت دارد. در بخش 4.5 ، ما تأثیر کاهش برون زا در پوشش تحلیلگر به دلیل بسته شدن کارگزاری را مطالعه می کنیم و متوجه می شویم که کاهش پوشش تحلیلگر با افزایش VCV مرتبط است.

جدول 3 . VCV و سایر مشخصات شرکت

سلول خالی	VCV	اندازه	BM	سن	جلد	دور زدن.	Illiq	BA	رول
اندازه	0.64-
BM	0.21	-0.31
سن	-0.27	0.34	0.11
نوسان	0.34	0.58-	0.02	0.36-
حجم معاملات	-0.28	0.24	-0.21	−0.03	0.25
عدم نقدینگی	0.69	0.94-	0.32	0.35-	0.53	-0.44
Bid-Ask spread	0.66	0.87-	0.30	-0.22	0.58	-0.48	0.92
اندازه رول	0.23	-0.33	0.23	−0.03	0.22	-0.28	0.39	0.53
پوشش	0.55-	0.77	-0.23	0.22	0.29-	0.46	0.79-	0.69-	-0.28

این جدول همبستگی بین مشاهدات سالانه در سطح شرکت VCV (به دست آمده از سهم بازار حجم روزانه) و سایر ویژگی های سالانه در سطح شرکت را گزارش می کند. هر ورودی میانگین سری زمانی همبستگی‌های رتبه درون سال (Spearman) را گزارش می‌کند. اندازه گزارش ارزش بازار در آخرین روز معاملاتی ژوئن است. نسبت BM نسبت ارزش دفتری به ارزش بازار حقوق صاحبان سهام است. سن تعداد سال هایی است که از اولین حضور شرکت در CRSP می گذرد. نوسانات انحراف استاندارد سالانه بازده روزانه است. گردش مالی میانگین سالانه حجم معاملات روزانه به عنوان درصدی از ارزش بازار است. عدم نقدشوندگی گزارش میانگین سالانه نسبت روزانه است $\frac{|R_{i, t}|}{V_{U S D, i, t}}$ ( امیهود، 2002 ). اسپرد Bid-Ask میانگین سالانه اسپردهای پیشنهادی خرید و فروش بسته شدن روزانه است $\frac{a s k_{i, t} - b i d_{i, t}}{\frac{1}{2} (a s k_{i, t} + b i d_{i, t})}$ (قیمت های پیشنهادی و درخواستی روزانه در CRSP از سال 1982 موجود است). اندازه گیری رول ، جذر منفی اتوکوواریانس بازده روزانه است $\sqrt{- C o v (R_{i, t}, R_{i, t - 1})}$ . پوشش به تعداد تحلیلگران متمایز اشاره دارد که یک سهام را در یک سال معین پوشش می دهند (از سال 1981 در IBES موجود است).

CRSP، COMPUSTAT و IBES.

4.2 . VCV و عدم نقدینگی

می‌توانیم از جدول 3 ببینیم که VCV به شدت با شاخص‌های نقدینگی در سطح شرکت همبستگی دارد: آمیهود (2002) نقدینگی، گسترش قیمت پیشنهادی-فروش، اندازه، و تا حدودی نوسانات، گردش مالی، و اندازه‌گیری رول. برای نشان دادن اینکه VCV با این ویژگی‌های نقدینگی و پروکسی‌های خاص برای عدم تقارن اطلاعات متفاوت است، ما برگشت‌های بازده ماهانه را تحلیل می‌کنیم. به خوبی شناخته شده است که بازده تک تک سهام، به ویژه سهام غیر نقدشونده، معکوس های کوتاه مدت قابل توجهی را نشان می دهد (به عنوان مثال جگادش (1990) )، که عموماً نشانه ای از جریان سفارش ناآگاه در نظر گرفته می شود. همانطور که توسط Huang و Stoll (1997) استدلال می شود ، تغییرات قیمت به دلیل معاملات آگاهانه احتمال کمتری دارد که توسط جهش قیمت پیشنهادی معکوس شود و بنابراین با برگشت های ضعیف تر مشخص می شود.

پروکسی‌های نقدینگی در ادبیات به طور گسترده به معیارهای تأثیر قیمت و پراکسی‌های پراکندگی پیشنهاد و تقاضا تقسیم می‌شوند (نگاه کنید به، به عنوان مثال، گوینکو و همکاران، 2009 ، فونگ و همکاران، 2017 ، لو و گرگوریو، 2020 ). نسبت نقدینگی Amihud ( 2002 ) بازده مطلق روزانه به حجم، محبوب ترین معیار تأثیر قیمت در ادبیات مالی است . در یک نظرسنجی اخیر، لو و گرگوریو (2020) دریافتند که در مقایسه با سایر پراکسی‌های اسپرد قیمت پیشنهادی، قیمت پیشنهادی بسته شدن روزانه پیشنهاد شده توسط چانگ و ژانگ (2014) تقریبی نزدیک از اسپرد بین روزی (TAQ) ارائه می‌کند. . هم Amihud Inliquidity و هم اسپرد پیشنهادی-پرسش بسته شدن روزانه، پراکسی‌هایی با فرکانس پایین هستند که (مشابه VCV) بر اساس داده‌های روزانه (CRSP) هستند و بنابراین به راحتی برای محققین قابل دسترسی هستند و دوره‌های زمانی طولانی‌تری را نسبت به اقدامات درون روز مبتنی بر داده‌های TAQ پوشش می‌دهند. نمونه متوسط ماهانه ما از نقدشوندگی آمیهود همان نمونه VCV (1962-2020) را پوشش می دهد، در حالی که میانگین اسپرد پیشنهادی-خریدی بسته شدن ماهانه از سال 1982 در دسترس است.

ما در این بخش فرعی نشان می‌دهیم که این دو شاخص نقدینگی (عدم نقدشوندگی آمیهود و اسپرد پیشنهادی-خریدی بسته) معکوس‌های کوتاه‌مدت قوی‌تری را پیش‌بینی می‌کنند، که نشان می‌دهد آنها نشان‌دهنده جریان سفارش ناآگاهانه و نه آگاهانه هستند. از سوی دیگر، VCV با معکوس‌های ضعیف‌تر همراه است، که با این فرضیه سازگار است که VCV در واقع تجارت آگاهانه را اندازه‌گیری می‌کند. ⁹

برای مطالعه رابطه بین VCV، نقدینگی و معکوس‌ها، ما سهام را در هر ماه بر اساس برآوردهای ماهانه عدم نقدشوندگی و VCV Amihud ( 2002 ) به چارک‌ها مرتب می‌کنیم . ما برای هر ماه در هر گروه، همبستگی بین بازده سهام در ماه مرتب‌سازی و ماه بعد را محاسبه می‌کنیم: $c o r (R_{i, t}, R_{i, t + 1})$ . پانل A از جدول 4 میانگین این خودهمبستگی های بازده ماهانه را برای هر یک از 16 گروه گزارش می کند. در تمام گروه‌ها، برگشت‌های بازگشتی (خودهمبستگی منفی) را می‌یابیم. همانطور که در ستون آخر نشان داده شده است، این معکوس ها به وضوح برای سهام های غیر نقدشونده قوی تر هستند. با این حال، در هر چارک نقدینگی، متوجه می‌شویم که معکوس‌ها در VCV کاهش می‌یابند: ردیف آخر جدول 4 نشان می‌دهد که همبستگی خودکار بازده به طور متوسط برای سهام با VCV بالا نسبت به سهام با VCV پایین به طور قابل توجهی بالاتر است (یعنی برگشت‌ها ضعیف‌تر است). در پانل B از جدول 4 ، ما این تحلیل را با مرتب‌سازی دوبار سهام بر روی VCV و اسپرد پیشنهاد و تقاضا تکرار می‌کنیم. نتایج مشابه پانل A است، با برگشت‌های کوتاه‌مدت به طور قابل‌توجهی در اسپرد پیشنهاد و تقاضا افزایش می‌یابد، در حالی که در VCV کاهش می‌یابد. ضمیمه اینترنت بخش C.4 آزمایش های اضافی مختلفی را برای نشان دادن استحکام این نتیجه گزارش می کند. ¹⁰

جدول 4 . VCV و معکوس های ماهانه.

آ	ILLIQ : کم	2	3	بالا	بالا-کم
VCV : کم	0.022-	0.026-	0.057-	0.128-	−0.106 $^{* * *}$
2	0.008-	−0.011	−0.05	−0.117	0.109- $^{* * *}$
3	−0.006	−0.02	0.022-	0.071-	0.065- $^{* * *}$
بالا	−0.013	−0.014	−0.011	0.053-	0.041- $^{* * *}$
بالا-کم	0.009 $^{* *}$	0.012 $^{* * *}$	0.047 $^{* * *}$	0.074 $^{* * *}$
ب	Bid-Ask : کم	2	3	بالا	بالا-کم
VCV : کم	0.022-	0.025-	0.058-	0.145-	0.123- $^{* * *}$
2	−0.013	−0.017	0.032-	0.123-	−0.110 $^{* * *}$
3	0.003-	−0.017	0.023-	0.073-	0.070- $^{* * *}$
بالا	−0.013	−0.011	−0.013	0.049-	0.036- $^{* * *}$
بالا-کم	0.009 $^{* *}$	0.014 $^{* * *}$	0.044 $^{* * *}$	0.097 $^{* * *}$

پانل A میانگین همبستگی بین بازده سهام در ماه مرتب سازی و ماه بعد را گزارش می کند ( $c o r (R_{i, t}, R_{i, t + 1})$ ) برای 16 گروه از سهام دو مرتبه در هر ماه $t$ در برآورد ماهانه VCV و Amihud (2002) عدم نقدشوندگی. سطر و ستون پایانی تفاوت میانگین همبستگی ماهانه بین چارک‌های بالا و پایین را گزارش می‌کنند، با تفاوت معنی‌دار در سطح 10، 5، و 1 درصد نشان‌دهنده $^{*}$ ، $^{* *}$ ، و $^{* * *}$ . در پانل B، سهام بر اساس تخمین ماهانه VCV و اسپرد Bid-Ask مرتب‌سازی می‌شوند.

CRSP. نمونه: 1962–2020 (پانل A) و 1982–2020 (پانل B).

از آنجایی که معکوس‌های کوتاه‌مدت نتیجه جریان سفارش ناآگاه است، این نتایج شواهدی را ارائه می‌دهند که اندازه‌گیری نقدینگی Amihud و اختلاف قیمت پیشنهادی-فروش در عدم تعادل سفارش ناآگاهانه در حال افزایش است و بنابراین به‌عنوان پروکسی برای معاملات آگاهانه مؤثر نیستند. از سوی دیگر، VCV یک نماینده عدم نقدشوندگی عمومی نیست، بلکه به طور خاص عدم تقارن اطلاعات را نشان می‌دهد. در بخش فرعی بعدی، نگاهی دقیق‌تر به رابطه تجربی بین VCV و معیارهای موجود اطلاعات نامتقارن خواهیم داشت.

4.3 . VCV و سایر معیارهای اطلاعات نامتقارن

در این بخش، VCV را با معیارهای مختلف اطلاعات نامتقارن مقایسه می‌کنیم. این معیارها شامل احتمال تجارت آگاهانه (PIN؛ Easley et al., 1996 )، C2 ( Llorente و همکاران، 2002 )، و اندازه گیری عدم تقارن اطلاعات چند بازاری (MIA؛ Johnson and So, 2018 ) است. پین با برازش یک مدل ریزساختار ساختاری برای داده‌های تراکنش امضا شده تخمین زده می‌شود. C2 رابطه بین حجم روزانه و ماندگاری بازده را اندازه گیری می کند، بر اساس این فرض که تغییرات قیمت ها به دلیل معاملات آگاهانه تمایل به تداوم دارند، در حالی که تغییرات قیمت به دلیل معاملات ناآگاهانه احتمال بازگشت بیشتری دارد. MIA بر اساس حجم معاملات نسبی در گزینه ها و سهام است، بر اساس این فرض که معامله گران آگاه احتمال بیشتری برای معامله در گزینه ها دارند.

برای تجزیه و تحلیل خود، از معیارهای مختلف PIN و MIA استفاده می کنیم که با مهربانی توسط نویسندگان مطالعات قبلی در دسترس عموم قرار گرفته است. این معیارها شامل MIA برآورد شده توسط جانسون و سو (2018) و معیارهای PIN برآورد شده توسط Easley و همکاران است. (2010) – پین $_{E H O}$ ) براون و همکاران (2004) – پین $_{B H L}$ ) Brown and Hillegeist (2007) – PIN $_{B H}$ ) و دوارت و یانگ (2006 – پین $_{D Y}$ ). ¹¹ ما مشاهدات سالانه MIA در سطح شرکت را به عنوان میانگین سالانه مشاهدات روزانه موجود برای هر شرکت محاسبه می کنیم. ما مشاهدات سالانه سطح سهام C2 را به عنوان ضریب شیب تخمینی از رگرسیون های در حال اجرا، برای هر شرکت در هر سال، بازده روزانه در تعامل بازده عقب مانده و گردش مالی عقب افتاده (بدون روند) استخراج می کنیم، در حالی که بازده عقب افتاده روزانه را کنترل می کنیم (به Llorente مراجعه کنید) . و همکاران (2002، برای جزئیات) .

جدول 5 . VCV و سایر معیارهای عدم تقارن اطلاعاتی.

سلول خالی	VCV	پین $_{B H L}$	پین $_{B H}$	پین $_{E H O}$	پین $_{D Y}$	Adj.PIN	PSOS	MIA
پین $_{B H L}$	0.53
پین $_{B H}$	0.65	0.74
پین $_{E H O}$	0.57	0.58	0.68
پین $_{D Y}$	0.61	0.61	0.70	0.86
پین تنظیم شده	0.56	0.55	0.71	0.65	0.74
PSOS	0.51	0.44	0.48	0.65	0.74	0.44
MIA	0.25	0.36	0.43	0.11	0.22	0.31	0.04
C2	0.10	0.14	0.14	0.02	0.03	0.03	0.04	0.01

این جدول ارتباط بین ضرایب تغییرات سالانه سهم بازار حجم روزانه (VCV) و معیارهای مختلف عدم تقارن اطلاعاتی در سطح شرکت را گزارش می‌کند. هر ورودی میانگین سری زمانی همبستگی‌های رتبه درون سال (Spearman) را گزارش می‌کند. پین $_{B H L}$ توسط براون و همکاران برآورد شده است. (2004) . پین $_{B H}$ توسط Brown and Hillegeist (2007) برآورد شده است . پین $_{E H O}$ توسط Easley و همکاران برآورد شده است. (2010) . پین $_{D Y}$ ، PIN تنظیم شده و اندازه گیری عدم نقدینگی PSOS توسط Duarte و Young (2009) برآورد شده است . MIA میانگین سالانه مشاهدات سطح روز شرکت برآورد شده توسط جانسون و سو (2018) است . C2 به دنبال Llorente و همکاران تخمین زده می شود. (2002) .

CRSP و وب سایت های نویسندگان ذکر شده.

جدول 5 همبستگی بین VCV و معیارهای مختلف عدم تقارن اطلاعات در سطح شرکت را نشان می دهد. اندازه گیری VCV ما با تمام معیارهای پین همبستگی مثبت دارد. همبستگی بین VCV و PIN به اندازه همبستگی بین معیارهای مختلف PIN است. همبستگی بین VCV و معیارهای MIA و C2 به طور قابل توجهی کمتر است، اگرچه هنوز مثبت است.

در مقایسه با این معیارهای فعلی، محاسبه اندازه گیری VCV ما بسیار ساده تر است. علاوه بر این، VCV به داده های سطح سفارش روزانه یا داده های حجم گزینه نیاز ندارد و بنابراین مجموعه بسیار بزرگتری از سهام را نسبت به PIN و MIA پوشش می دهد. VCV به ویژه در بین سهام کوچک و غیر نقدشونده پوشش بالاتری دارد، که خطر عدم تقارن اطلاعات برای آنها بیشتر مرتبط است. علاوه بر این، VCV برای نمونه سری کامل زمانی 1962-2020 در دسترس است، در حالی که معیارهای PIN موجود قبل از سال 1983 و پس از 2010 در دسترس نیستند. همانطور که در مقدمه بحث شد، طبقه بندی در سفارشات خرید و فروش به طور فزاینده ای مشکل ساز شده است زمان معاملات مداوم ¹²

Duarte و Young (2009) استدلال می کنند که PIN نه تنها معاملات آگاهانه را ثبت می کند، بلکه سایر اثرات نقدینگی را نیز شامل می شود. بنابراین آنها دو متغیر جایگزین پیشنهاد می‌کنند: پین تنظیم‌شده ، که به‌عنوان معیار تمیزتر اطلاعات نامتقارن پیشنهاد می‌شود. و PSOS (احتمال شوک ترتیب جریان متقارن)، که معیاری برای عدم نقدشوندگی نامرتبط با اطلاعات نامتقارن در نظر گرفته می شود. این متغیرهای اضافی در جدول 5 آمده است. هر دو پین تنظیم شده و PSOS با VCV همبستگی مثبت دارند.

در جدول 6 ، همبستگی بین VCV و سه معیار توسط دوارت و یانگ (2009) را در زمینه رگرسیون بررسی می کنیم. برای کنترل تغییرات زمانی و ویژگی‌های شرکت غیرمرتبط با اطلاعات نامتقارن، اثرات ثابت سال، 48 اثر ثابت صنعت فاما-فرانسه ، و اثرات ثابت دهک برای دهک‌های نقدینگی اندازه، دفتر به بازار و آمیهود را شامل می‌کنیم. ^{نتایج رگرسیون نشان می‌دهد که VCV به طور قابل‌توجهی با PIN و PIN تنظیم‌شده} مرتبط است، در حالی که هیچ رابطه قوی بین VCV و PSOS وجود ندارد، در نتیجه از نتایج معکوس در بخش فرعی قبلی پشتیبانی می‌کند که VCV نشان‌دهنده اطلاعات نامتقارن است تا عدم نقدشوندگی عمومی.

جدول 6 . VCV و پین تنظیم شده

سلول خالی	VCV
سلول خالی	(1)	(2)	(3)	(4)
پین $_{D Y}$	1.200 $^{* * *}$		1.673 $^{* * *}$	1.104 $^{* * *}$
سلول خالی	(0.135)		(0.153)	(0.129)
سلول خالی
پین تنظیم شده	0.834 $^{* * *}$	1.592 $^{* * *}$		0.899 $^{* * *}$
سلول خالی	(0.117)	(0.154)		(0.109)
سلول خالی
PSOS	0.088-	0.318 $^{* * *}$	0.280- $^{* * *}$
سلول خالی	(0.059)	(0.066)	(0.052)
سلول خالی
مشاهدات	40,968	40,968	40,968	40,968
^R2 تنظیم شده	0.401	0.396	0.400	0.403
جلوه های ثابت	آره	آره	آره	آره

این جدول نتایج حاصل از رگرسیون سالانه ضرایب تغییرات سهم بازار حجم روزانه (VCV) در سطح شرکت را بر اساس معیارهای Duarte و Young (2009) نشان می دهد : PIN $_{D Y}$ ، پین تنظیم شده و PSOS (احتمال شوک ترتیب جریان متقارن). همه رگرسیون ها شامل اثرات ثابت برای هر سال، صنعت، دهک اندازه، دهک دفتری به بازار و دهک عدم نقدشوندگی است. خطاهای استاندارد خوشه ای دو طرفه، خوشه بندی شده در سطح سال و صنعت، در پرانتز قرار دارند. $^{*}$ ، $^{* *}$ و $^{* * *}$ معنی‌داری آماری را در سطح 10، 5، و 1 درصد نشان می‌دهد.

CRSP و وب سایت جفرسون دوارته ( http://www.owlnet.rice.edu/~jd10/ ). نمونه 1983-2004.

4.4 . VCV و مالکیت نهادی

چندین مطالعه نشان می‌دهند که مالکیت نهادی منجر به بهبود شیوه‌های افشا و در نتیجه عدم تقارن اطلاعاتی کمتری می‌شود (مانند بوشی و نو، 2000 ، بون و وایت، 2015 ، بای و همکاران، 2016 ، چنگ و همکاران، 2020 ). در این بخش فرعی، ما رابطه بین VCV و شاخص های مختلف مالکیت نهادی را که از بایگانی های فصلی 13F ثبت شده در پایگاه داده Refinitiv در WRDS به دست می آوریم، مطالعه می کنیم. ما دارایی های نهادی ( هولدینگ ها ) را در نظر می گیریم که به عنوان درصد سهام یک شرکت توسط سرمایه گذاران نهادی در پایان هر سه ماهه تعریف می شود. ارتباط بین منابع و عدم تقارن اطلاعاتی ساده نیست. برای مثال، یک شرکت می‌تواند دارای ارزش بالایی از دارایی‌ها باشد، حتی اگر مالکیت به شدت متمرکز باشد و تنها تعداد کمی از سرمایه‌گذاران نهادی دارای بخش قابل توجهی از سهام شرکت باشند. ما ارتباط قوی‌تری بین عدم تقارن اطلاعات و تعداد سرمایه‌گذاران نهادی متمایز در یک شرکت خاص را فرض می‌کنیم. این با وسعت متغیر مالکیت ( Breadth )، که به عنوان تعداد سرمایه گذاران نهادی دارای سهام در شرکت تعریف می شود، به عنوان درصدی از تعداد کل سرمایه گذاران نهادی گزارش شده در پایگاه داده 13F در پایان هر سه ماهه تعریف می شود. چن و همکاران، 2002 ). گرولون و همکاران (2004) و کائو و وو (2022) دریافتند که یک پایه مالکیت نهادی بالا (یعنی وسعت بالای مالکیت) با دید بالاتر شرکت و شناخت سرمایه گذار مرتبط است.

دو ستون اول جدول 7 نتایج حاصل از رگرسیون تخمین های سه ماهه VCV بر روی ویژگی های پایان سه ماهه در دارایی ها و عرض را گزارش می کند . در واقع نتایج نشان می‌دهد که VCV رابطه منفی معنی‌داری با پهنا دارد ، در حالی که این رابطه با Holdings ناچیز است. بنابراین، VCV برای شرکت هایی که وسعت مالکیت بالایی دارند، به طور متوسط کمتر است (به معنای عدم تقارن اطلاعاتی کمتر).

علاوه بر این، ما دو متغیر را در نظر می گیریم که گروه هایی از سرمایه گذاران احتمالاً آگاه را شناسایی می کند: نظارت بر سرمایه گذاران و سرمایه گذاران اختصاصی. به دنبال فیچ و همکاران. (2015) ، ما یک سرمایه گذار نهادی را به عنوان یک “ناظر” برای یک شرکت خاص تعریف می کنیم اگر آن شرکت متعلق به 10٪ دارایی های برتر در پرتفوی موسسه باشد. این سرمایه گذاران نظارتی احتمالاً نسبت به سرمایه گذاران غیر نظارتی در مورد شرکت اطلاعات بیشتری دارند. سرمایه گذاران اختصاصی آن دسته از سرمایه گذاران نهادی هستند که بوشی و نو (2000) و بوشی (2001) آنها را به عنوان “اختصاصی” طبقه بندی می کنند. آنها با دارایی های بزرگ و پایدار در تعداد کمی از شرکت ها مشخص می شوند و عموماً نسبت به سرمایه گذاران “شبه نمایه سازی” و “گذرا” آگاه تر در نظر گرفته می شوند ( چنگ و همکاران، 2020 ). ¹⁴

جدول 7 . VCV و مالکیت نهادی.

سلول خالی	VCV
سلول خالی	(1)	(2)	(3)	(4)	(5)
هلدینگ ها	0.047	0.068	0.063	0.063	0.057
سلول خالی	(0.048)	(0.053)	(0.050)	(0.053)	(0.050)
سلول خالی
عرض		0.921- $^{* * *}$	−1.224 $^{* * *}$	0.964- $^{* * *}$	−1.302 $^{* * *}$
سلول خالی		(0.183)	(0.236)	(0.208)	(0.258)
سلول خالی
مانیتورها			0.611 $^{* * *}$		0.664 $^{* * *}$
سلول خالی			(0.180)		(0.180)
سلول خالی
اختصاصی				0.255 $^{* * *}$	0.250 $^{* * *}$
سلول خالی				(0.074)	(0.072)
سلول خالی
مشاهدات	508,072	508,072	508,072	502,721	502,721
^R2 تنظیم شده	0.420	0.422	0.423	0.424	0.425
جلوه های ثابت	آره	آره	آره	آره	آره

این جدول نتایج حاصل از رگرسیون سه ماهه ضرایب تغییرات سهم بازار حجم روزانه (VCV) را در مقیاس های مختلف مالکیت نهادی گزارش می کند. دارایی ها درصدی از سهام شرکت است که توسط سرمایه گذاران نهادی در پایان سه ماهه نگهداری می شود. عرض درصدی از تمام سرمایه گذاران نهادی است که سهام شرکت را در اختیار دارند ( چن و همکاران، 2002 ). مانیتورها کسری از سرمایه گذاران نهادی در هر شرکتی است که برای آن شرکت در 10 درصد دارایی های مؤسسه قرار دارد ( فیچ و همکاران، 2015 ). و Dedicated کسری از سرمایه گذاران نهادی در هر شرکت است که توسط Bushee و Noe (2000) به عنوان سرمایه گذاران اختصاص داده شده طبقه بندی شده اند . همه رگرسیون ها شامل اثرات ثابت برای هر سه ماهه، صنعت، دهک اندازه، دهک دفتری به بازار و دهک عدم نقدینگی است. خطاهای استاندارد خوشه ای دو طرفه، خوشه بندی شده در سطح سه ماهه و صنعت، در پرانتز قرار دارند. $^{*}$ ، $^{* *}$ و $^{* * *}$ معنی‌داری آماری را در سطح 10، 5، و 1 درصد نشان می‌دهد.

CRSP، Refinitiv (13F) و برایان بوشی http://acct.wharton.upenn.edu/faculty/bushee/ . دوره نمونه: 1980Q1-2020Q4.

متغیر مانیتورها در جدول 7 درصد سرمایه گذاران نهادی در هر شرکت است که به عنوان سرمایه گذاران ناظر تعریف می شوند. متغیر اختصاص داده شده در جدول 7 درصد سرمایه گذاران نهادی در هر شرکت است که به عنوان سرمایه گذاران اختصاصی طبقه بندی می شوند. ستون‌های 3 تا 5 جدول 7 نشان می‌دهند که این متغیرها هر دو به طور مثبت و قابل توجهی با VCV مرتبط هستند، مطابق با این پیشنهاد ما که VCV تجارت آگاهانه را اندازه‌گیری می‌کند.

رابطه بین الگوهای مالکیت نهادی و VCV گزارش شده در جدول 7 مجدداً تأیید می کند که VCV معیاری برای اطلاعات نامتقارن است. فرض کنید که یک شرکت تنها توسط تعداد کمی از سرمایه گذاران نهادی نگهداری می شود، که هر کدام بخش نسبتاً بزرگی از پرتفوی خود را به سهام این شرکت اختصاص می دهند (یعنی عرض کم است، در حالی که Monitors و Dedicated زیاد هستند). بنابراین مالکیت چنین شرکتی نسبتاً در دست تعداد کمی از سرمایه گذاران احتمالاً آگاه متمرکز است. هنگام معامله این سهام، عدم تقارن اطلاعات باید یک نگرانی مهم باشد، زیرا بعید نیست که طرف مقابل یکی از این سرمایه گذاران آگاه تر باشد. از سوی دیگر، برای شرکتی که به طور گسترده در بین سرمایه گذاران نهادی قرار دارد و هر یک از آنها تنها سهم نسبتاً کمی از شرکت را در اختیار دارند (یعنی: عرض زیاد است، در حالی که مانیتورها و شرکت های اختصاصی کم هستند)، خطر اطلاعات نامتقارن باید باشد. پایین تر، که مطابق با نتایج گزارش شده در جدول 7 است . ¹⁵

4.5 . VCV در اطراف بسته شدن کارگزاری

مطالعات مختلف اخیر (به عنوان مثال کلی و لیونگ کویست، 2012 ، درین و ککسکس، 2013 ، لی و تو، 2015 ، بوشمن و همکاران، 2017 ، چن و لین، 2017 ، تو و همکاران، 2018 ، لونگ و کیو، در نظر بگیرید). خاتمه پوشش تحلیلگران به دلیل بسته شدن کارگزاری به عنوان شوک های برون زا به محیط اطلاعاتی سهام منفرد. کلی و لیونگ کویست (2012) دریافتند که عدم تقارن اطلاعات به دنبال این خاتمه های بیرونی در پوشش تحلیلگر افزایش می یابد. برای 22 بسته شدن کارگزاری بین آوریل 2000 و ژانویه 2008 که در ضمیمه A از Kelly and Ljungqvist (2012) فهرست شده است، ما در پایگاه داده IBES نمونه درمانی از مجموع 1764 مشاهدات شرکت هایی را شناسایی می کنیم که به دلیل یکی از موارد کاهش پوشش تحلیلگر را تجربه کرده اند. این تعطیلی ها

ما یک رگرسیون تفاوت در تفاوت‌ها را انجام می‌دهیم تا VCV شرکت‌های تحت درمان (یعنی شرکت‌هایی که خاتمه پوشش ناشی از بسته شدن را تجربه می‌کنند) با شرکت‌های تحت درمان (گروه کنترل)، قبل و بعد از بسته شدن کارگزاری مقایسه کنیم. برای هر بسته شدن کارگزاری، گروه کنترل ما شامل همه شرکت‌هایی است که تحت درمان قرار نگرفته‌اند در نمونه ما که در بخش 4.1 تجزیه و تحلیل شده‌اند ، که پوشش تحلیل‌گر در سال تقویمی قبل از بسته شدن کارگزاری کاملاً مثبت است. VCV قبل از بسته شدن به عنوان ضریب تغییرات سهم بازار حجم روزانه در یک دوره 12 ماهه قبل از بسته شدن تعریف می شود، در حالی که VCV بعد از بسته شدن در طی یک دوره 12 ماهه پس از بسته شدن محاسبه می شود. به دنبال Derrien و Kecskes (2013) ، ما فاصله های سه ماهه بین رویداد و پنجره های تخمین را تحمیل می کنیم، به طوری که VCV قبل (پس از) بسته شدن از حجم معاملات طی ماه های 14- تا 3- (3- تا 14+) محاسبه می شود. این مشاهدات VCV بر روی یک متغیر ساختگی که مشاهدات در گروه درمان را نشان می‌دهد ، یک متغیر ساختگی که مشاهدات پس از هر بسته شدن کارگزاری را نشان می‌دهد و یک اصطلاح تعاملی پسرفت می‌کنند.

نتایج رگرسیون تفاوت در تفاوت ها در ستون اول جدول 8 گزارش شده است . ضریب ترم برهمکنش After $\times$ درمان مورد علاقه اولیه است. این ضریب تعامل مثبت و معنادار است، به این معنی که VCV شرکت هایی که در نتیجه تعطیلی کارگزاری با کاهش تحلیلگر برون زا مواجه می شوند نسبت به VCV شرکت های کنترلی که در معرض تعطیلی کارگزاری نیستند، افزایش می یابد . ضریب After منفی است، که نشان می دهد VCV به طور متوسط در طول زمان کاهش می یابد. ¹⁶ ضریب درمان نشان می دهد که یک تفاوت جزئی بین VCV شرکت های تحت درمان و کنترل، قبل از رویداد وجود دارد. ¹⁷

جدول 8 . تعطیلی کارگزاری ها

سلول خالی	نمونه کامل	پوشش $\leq$ 10	پوشش $\leq$ 5
سلول خالی	VCV	VCV	VCV
پس از ×درمان شد	0.042 $^{* * *}$	0.060 $^{* * *}$	0.081 $^{* *}$
سلول خالی	(0.010)	(0.006)	(0.031)
سلول خالی
بعد از	0.030- $^{* *}$	0.041- $^{* *}$	0.047- $^{* *}$
سلول خالی	(0.012)	(0.014)	(0.016)
سلول خالی
تحت درمان	0.047- $^{* *}$	0.039- $^{*}$	0.044-
سلول خالی	(0.019)	(0.018)	(0.026)
سلول خالی
مشاهدات	98,696	69,354	45,146
^R2 تنظیم شده	0.428	0.363	0.320
جلوه های ثابت	آره	آره	آره

این جدول نتایج حاصل از رگرسیون تفاوت در تفاوت ها را در مورد خاتمه پوشش تحلیلگر ناشی از بسته شدن کارگزاری گزارش می کند. نمونه درمان شامل 1889 مشاهدات شرکت هایی است که به دلیل مجموع 22 بسته شدن کارگزاری مجزا بین آوریل 2000 و ژانویه 2008، کاهش در پوشش تحلیلگر را تجربه می کنند. نمونه کنترل شامل 47459 مشاهده است. برای تمام 49348 مشاهدات، ما VCV را در طول ماه ها محاسبه می کنیم $[- 14, - 3]$ ، و در طول ماه ها $[3, 14]$ ، با بسته شدن کارگزاری در ماه 0 و در مجموع 98696 مشاهده VCV انجام شد. این VCV ها بر روی آدمک هایی که گروه درمان (درمان شده)، پنجره پس از بسته شدن (پس از بسته شدن) و تعامل آنها را نشان می دهد، پسرفت می شوند. در ستون دوم (سوم)، نمونه به شرکت هایی با پوشش تحلیلگر 10 (5) یا کمتر در سال تقویمی قبل از بسته شدن محدود می شود. همه رگرسیون ها شامل اثرات ثابت برای هر سال، صنعت، دهک اندازه، دهک دفتری به بازار و دهک عدم نقدینگی است. خطاهای استاندارد خوشه ای دو طرفه، خوشه بندی شده در سطح سال و صنعت، در پرانتز قرار دارند. $^{*}$ ، $^{* *}$ و $^{* * *}$ معنی‌داری آماری را در سطح 10، 5، و 1 درصد نشان می‌دهد.

ستون دوم و سوم جدول 8 نشان می دهد که ضریب تعامل زمانی بزرگتر می شود که نمونه را به شرکت هایی با پوشش تحلیلگر کمتر محدود کنیم. شهود پشت این نتیجه این است که رویدادی که یک تحلیلگر پوشش یک شرکت را متوقف کند، در شرایطی که شرکت از قبل پوشش تحلیلگر پایینی داشته باشد، اختلال بیشتری در محیط اطلاعاتی ایجاد می کند. در واقع، برآورد تفاوت در تفاوت ها زمانی که تنها شرکت هایی با پوشش تحلیلگر کمتر از 10 (5) در سال تقویمی قبل از رویداد را پوشش می دهد، تقریباً دو برابر (سه برابر) می شود. به طور کلی، نتایج در جدول 8 شواهد قوی برای این پیشنهاد ما ارائه می دهد که VCV عدم تقارن اطلاعات را اندازه گیری می کند.

5 . VCV مقطعی

در این بخش به VCV های محاسبه شده از مقطع داده های حجمی نگاه می کنیم. به طور خاص، ما الگوی VCV مقطعی را حول اعلامیه‌های سود مستند می‌کنیم. به طور گسترده ای شناخته شده است که اعلامیه های سود عدم تقارن اطلاعاتی را برطرف می کند (به عنوان مثال Chae, 2005 , George et al., 1994 ). در این بخش نشان می‌دهیم که مطابق با این دیدگاه، VCV قبل از اعلان‌ها نسبتاً بالا و پس از آن پایین است، که نشان می‌دهد معامله‌گران ناآگاه معاملات خود را تا زمانی که عدم تقارن اطلاعاتی پس از اعلام رفع نشود، به تاخیر می‌اندازند.

ما بدست می آوریم $N$ $=$ 596,881 اعلان سود سه ماهه از COMPUSTAT، از مجموع 17,994 شرکت متمایز فهرست شده در NYSE، AMEX و NASDAQ ایالات متحده طی دوره 1971-2020 انجام شده است. برای تحلیل تکامل عدم تقارن اطلاعات در زمان رویداد، VCV مقطعی را برای هر روز محاسبه می‌کنیم. $d \in [- 30, 30]$ در حدود تاریخ اعلام، با استفاده از $N$ حجم معاملات ثبت شده برای هر سهم در $d$ روز پس از اعلام سود شرکت ¹⁸ :(12) $V C V_{X S, d} = \frac{{\hat{σ}}_{V (t = t_{i} + d)}}{{\hat{μ}}_{V (t = t_{i} + d)}},$ جایی که ${\hat{μ}}_{V (t = t_{i} + d)}$ میانگین نمونه است و ${\hat{σ}}_{V (t = t_{i} + d)}$ نمونه انحراف استاندارد است $N$ حجم معاملات روزانه در روز $d$ پس از تاریخ اعلام خاص شرکت $t_{i}$ . همه حجم‌ها به‌عنوان سهم بازار حجمی تعریف شده‌اند، $V_{% i, t}$ به عنوان مثال: حجم به عنوان درصد به عنوان کل حجم معاملات در آن تاریخ تقویم $t$ .

خط سیاه در شکل 3 الگوی VCV مقطعی را در حول و حوش تاریخ اعلام نشان می دهد، در حالی که نواحی سایه دار 95% محدوده اطمینان را نشان می دهد که از توزیع مجانبی ضرایب تنوع نمونه به دست آمده توسط آلبرچر و همکاران محاسبه شده است. (2010) . شکل 5 به وضوح نشان می دهد که VCV در هفته های قبل از اعلام بیشتر است، که با نزدیک شدن به تاریخ اعلام توسط سرمایه گذاران ناآگاه، فعالیت تجاری خود را به تاخیر می اندازند. پس از رفع عدم تقارن اطلاعاتی در تاریخ اعلام، VCV برای چند روز معاملاتی نسبتاً پایین است. پس از 30 روز معاملاتی، VCV مقطعی تقریباً برابر با VCV مقطعی 30 روز قبل از اعلام است.

جدول 9 VCV و اجزای آن را گزارش می دهد: میانگین مقطعی و انحراف استاندارد سهم حجم، برای هر روز در حوالی اعلامیه. سطح حجم قبل از اطلاعیه ها پایین و پس از اعلان زیاد است که با الگوهای مستند Chae (2005) و Akbas (2016) مطابقت دارد . انحراف معیار حجم در همان جهت میانگین حرکت می کند، که می تواند ناشی از افزایش عدم نقدشوندگی و کشش قیمت در روزهای قبل از اعلام باشد، همانطور که توسط جورج و همکاران مستند شده است. (1994) و Chae (2005) . آنچه ما بیشتر به آن علاقه مندیم الگوی VCV به عنوان یک پروکسی برای عدم تقارن اطلاعات است. از آنجایی که تغییرات در انحراف معیار از نظر نسبی کوچکتر از تغییرات میانگین است، VCV قبل از اعلام بالا و پس از آن کم است. همانطور که جدول 9 نشان می دهد، تفاوت بین VCV تا ده روز قبل و بعد از اعلام از نظر آماری معنی دار است.

جدول 9 . حجم در اطراف اعلامیه های درآمد.

$d$	${\hat{μ}}_{d} \times 1000$			${\hat{σ}}_{d} \times 1000$			$V C V_{X S, d}$
سلول خالی	قبل از	بعد از	تفاوت	قبل از	بعد از	تفاوت	قبل از	بعد از	تفاوت
0	0.996	0.996	0.000	2.159	2.159	0.000	2.169	2.169	0.000
1	0.988	1.014	0.026 $^{* * *}$	2.134	2.170	0.036 $^{* * *}$	2.160	2.140	0.020- $^{*}$
2	0.951	1.018	0.067 $^{* * *}$	2.085	2.157	0.072 $^{* * *}$	2.192	2.119	0.073- $^{* * *}$
3	0.941	1.003	0.062 $^{* * *}$	2.070	2.136	0.065 $^{* * *}$	2.200	2.130	0.071- $^{* * *}$
4	0.932	0.992	0.061 $^{* * *}$	2.054	2.122	0.067 $^{* * *}$	2.205	2.138	0.067- $^{* * *}$
5	0.934	0.985	0.052 $^{* * *}$	2.063	2.110	0.047 $^{* * *}$	2.210	2.141	0.068- $^{* * *}$
6	0.934	0.978	0.045 $^{* * *}$	2.058	2.108	0.050 $^{* * *}$	2.204	2.155	0.049- $^{* * *}$
7	0.937	0.975	0.038 $^{* * *}$	2.070	2.100	0.029 $^{* * *}$	2.209	2.153	0.056- $^{* * *}$
8	0.934	0.978	0.044 $^{* * *}$	2.058	2.108	0.049 $^{* * *}$	2.204	2.156	0.048- $^{* *}$
9	0.936	0.973	0.037 $^{* * *}$	2.065	2.098	0.032 $^{* * *}$	2.206	2.155	0.051- $^{* * *}$
10	0.947	0.969	0.022 $^{* * *}$	2.087	2.094	0.007 $^{* *}$	2.204	2.162	0.042- $^{* * *}$
11	0.947	0.966	0.019 $^{* * *}$	2.072	2.091	0.020 $^{* * *}$	2.187	2.166	0.021-
12	0.950	0.968	0.017 $^{* * *}$	2.081	2.095	0.014 $^{* * *}$	2.191	2.166	0.025-
13	0.950	0.966	0.016 $^{* * *}$	2.076	2.094	0.018 $^{* * *}$	2.185	2.168	−0.017
14	0.952	0.961	0.009 $^{* *}$	2.079	2.083	0.004	2.184	2.168	−0.016
15	0.959	0.961	0.002	2.089	2.081	0.007- $^{* * *}$	2.179	2.166	0.012-
16	0.961	0.962	0.001	2.088	2.090	0.002	2.172	2.172	−0.000
17	0.959	0.964	0.005	2.079	2.095	0.016 $^{* * *}$	2.167	2.173	0.006
18	0.958	0.965	0.007 $^{*}$	2.076	2.092	0.017 $^{* * *}$	2.166	2.167	0.001
19	0.960	0.963	0.004	2.080	2.090	0.010 $^{* * *}$	2.167	2.169	0.003
20	0.961	0.960	0.001-	2.086	2.087	0.001	2.170	2.173	0.003
21	0.966	0.962	0.004-	2.093	2.088	−0.005 $^{*}$	2.167	2.171	0.004
22	0.961	0.967	0.006 $^{*}$	2.076	2.092	0.016 $^{* * *}$	2.161	2.163	0.002
23	0.964	0.966	0.003	2.095	2.092	0.002-	2.174	2.165	0.009-
24	0.962	0.964	0.001	2.095	2.092	0.003-	2.177	2.171	−0.006
25	0.962	0.962	0.000	2.089	2.088	0.001-	2.171	2.170	0.001-
26	0.965	0.962	0.004-	2.091	2.083	0.007- $^{* * *}$	2.166	2.166	0.000
27	0.961	0.964	0.003	2.080	2.089	0.008 $^{* * *}$	2.165	2.167	0.002
28	0.964	0.965	0.001	2.093	2.088	−0.006 $^{* *}$	2.171	2.163	0.008-
29	0.966	0.963	0.003-	2.097	2.093	0.004-	2.170	2.173	0.003
30	0.967	0.963	0.004-	2.098	2.086	−0.011 $^{* * *}$	2.169	2.166	0.003-

این جدول میانگین مقطعی را گزارش می کند ${\hat{μ}}_{d}$ ، انحراف معیار ${\hat{σ}}_{d}$ (هر دو ضربدر 1000) و ضریب تغییرات $V C V_{C S, d}$ از حجم معاملات روزانه تمام سهام شرکت ها در روز $d$ قبل و بعد $N = 596, 881$ تاریخ های اعلام سود خاص شرکت و همچنین تفاوت بین این لحظات $d$ چند روز قبل و بعد از اعلام $^{*}$ ، $^{* *}$ و $^{* * *}$ تفاوت معنی داری را در سطح 10%، 5% و 1% نشان می دهد.

این الگوی VCV حول اعلان‌های سود با این فرضیه که عدم تقارن‌های اطلاعاتی حول اعلان‌های سود حل می‌شود، و با رفتار مستند قبلی معیارهای عدم تقارن اطلاعاتی جایگزین سازگار است. جانسون و سو (2018) گزارش کردند که اندازه گیری عدم تقارن اطلاعات چند بازاری (MIA) که از حجم معاملات نسبی گزینه ها و سهام محاسبه می شود، در روزهای قبل از اعلام سود افزایش می یابد و به سرعت در حوالی اعلامیه کاهش می یابد، مشابه VCV. چوردیا و همکاران (2019) دریافتند که نوسانات جریان سفارش، ناشی از تقاضای نقدینگی مرتبط، قبل از اعلام درآمد به طور قابل توجهی افزایش می یابد. شواهد متفاوتی در مورد رفتار پین در حوالی تاریخ اعلام وجود دارد. بنوس و جوچک (2007) ، بک و همکاران. (2018) و Duarte و همکاران. (2020) دریافتند که PIN در واقع قبل از اعلام درآمد کمتر و پس از آن بالاتر است. دوارته و همکاران (2020) این نتیجه گیج کننده را با نشان دادن اینکه اندازه گیری PIN وقتی در فرکانس روزانه اعمال می شود، اطلاعات نامتقارن را اشتباه شناسایی می کند و در عوض گردش غیرعادی را نشان می دهد، توضیح می دهد. ایزلی و همکاران (2008) ، از سوی دیگر، یک مدل PIN تعمیم یافته را تخمین زد که در آن نرخ ورود اطلاعات با زمان متغیر است و متوجه می شوید که PIN قبل از (پس از) اعلام سود بالا (کم) است، شبیه الگوی VCV در شکل 3 . .

ما همچنین اعلامیه‌های سود غافلگیرکننده و غیرغافل‌انگیز را جداگانه در نظر می‌گیریم. ما انتظار داریم که الگوی S شکل در اطراف تاریخ اعلامیه برای اطلاعیه‌های غافلگیرکننده برجسته‌تر باشد، زیرا آموزنده‌تر هستند. به دنبال لیونات و مندنهال (2006) ، ما سود غیرمنتظره استاندارد شده (SUE) را به عنوان تفاوت بین سود گزارش شده واقعی و میانگین پیش بینی تحلیلگر در دوره 90 روزه قبل از تاریخ اعلام گزارش شده در پایگاه داده IBES، تقسیم بر قیمت سهام تعریف می کنیم. در پایان سه ماهه قبل در هر سه ماهه، اعلان‌ها را بر اساس مقدار مطلق SUE به سه‌شکل مرتب می‌کنیم.

شکل 4، VCV مقطعی را در مورد تاریخ های اعلام غیر تعجب آور (ترسیل 1) و تاریخ های اعلام غافلگیرکننده (ترسیل 3) گزارش می کند. شکل به وضوح سطح بالاتری از VCV را برای اعلان‌های شگفت‌انگیز نشان می‌دهد، که نشان‌دهنده درجه بالاتری از عدم تقارن اطلاعاتی است. در اطراف اعلان‌ها، اعلان‌های غافلگیرکننده کاهش شدیدتری را مشاهده می‌کنند، که تأیید می‌کند که اطلاعیه‌های غافلگیرکننده آموزنده‌تر از اطلاعیه‌های غیرغافل‌انگیز هستند. برای هر دوی این زیر نمونه ها، سطح VCV کمتر از نمونه کامل در شکل 3 است. این به این دلیل است که هر دو نمونه فرعی شگفت‌انگیز و غیرغافل‌انگیز به شرکت‌هایی محدود می‌شوند که انتظارات تحلیلگران برای آنها در دسترس است. برای کامل بودن، شکل 4 همچنین VCV مقطعی را در اطراف اعلامیه‌هایی که هیچ پیش‌بینی تحلیل‌گری در IBES برای آن‌ها گزارش نشده است، با استفاده از همان نمونه سری زمانی که SUE برای آن در دسترس است (1983-2020) نشان می‌دهد. سطح VCV مقطعی برای نمونه بدون پیش بینی به وضوح بالاتر است، مطابق با رابطه منفی بین VCV و پوشش تحلیلگر همانطور که در جدول 3 ، جدول 8 گزارش شده است . به طور کلی، تفکیک در شکل 4 نشان می دهد که هم سطح VCV مقطعی و هم دینامیک آن در حول و حوش تاریخ های اعلامی، بسته به اطلاعاتی بودن اعلامیه، مطابق انتظار عمل می کند، و شواهدی را ارائه می دهد که VCV مقطعی به طور موثر عدم تقارن اطلاعات را در اختیار می گذارد. زمان رویداد، و می تواند در چارچوب مطالعه رویداد استفاده شود.

در ضمیمه اینترنت بخش C.9، VCV های سطح شرکت را نیز در نظر می گیریم که از سری های زمانی کوتاه 10 روزه قبل و بعد از تاریخ اعلام تخمین زده شده اند و به طور متوسط کاهش قابل توجهی در حول و حوش اعلام می بینیم. ما همچنین شکل 3 را برای زیرمجموعه‌های مختلف داده‌ها بازتولید می‌کنیم، که یک الگوی کیفی مشابه از VCV را در مورد اعلان‌های سود برای سهام NASDAQ و NYSE/AMEX و همچنین قبل و بعد از سال 2000 نشان می‌دهد. کاهش VCV در اطراف اعلامیه‌ها در واقع شدیدتر شده است. پس از 2000. این نتیجه یافته های بیور و همکاران را مجدداً تأیید می کند. (2018) و Pawlewicz (2018) که افزایش اخیر در محتوای اطلاعاتی اعلامیه‌های سود را مستند می‌کنند و ولر (2018) که دریافته است که اطلاعات قیمت قبل از اعلام درآمد کاهش یافته است، علی‌رغم وجود معاملات الگوریتمی.

ما همچنین VCV مقطعی را در مورد براده‌های 8-K تجزیه و تحلیل می‌کنیم. به دنبال قانون Sarbanes-Oxley در سال 2002، SEC از سال 2005 شرکت‌های دولتی را ملزم می‌کند تا با پر کردن فرم 8-K، رویدادهای مهمی را که سهامداران باید بدانند، اعلام کنند . ما از SEC EDGAR تمام پرونده های 8-K توسط شرکت های ایالات متحده فهرست شده در NYSE، AMEX و NASDAQ را جمع آوری می کنیم. اگر شرکت ظرف یک روز پس از تشکیل پرونده، اعلامیه سود سه ماهه داشته باشد، که در مجموع منجر به $N = 379, 060$ ثبت رویدادها بین سال‌های 2005 و 2020. مشابه با اعلان‌های درآمد، ما VCV مقطعی را برای یک پنجره 61 روزه در حدود تاریخ تشکیل پرونده محاسبه می‌کنیم. (12) .

VCV مقطعی در شکل 5 ، مشابه شکل 3 ، افت VCV را حول افشای اطلاعات نشان می دهد. جالب اینجاست که این کاهش از قبل از اعلام آغاز شده است، با کاهش قابل توجهی در طول هفته قبل از رویداد. این را می توان با الزام شرکت ها برای تشکیل فرم 8-K حداکثر چهار روز پس از رویدادی که باعث تشکیل پرونده شد توضیح داد. همانطور که بن رافائل و همکاران. (2022) اشاره کرد، این رویداد اغلب در زمان تشکیل پرونده 8-K اطلاعات عمومی است، به طوری که پرونده به خودی خود حاوی اطلاعات کمی است. این کاملاً با کاهش VCV و در نتیجه عدم تقارن اطلاعات قبل از تاریخ تشکیل پرونده مطابقت دارد. تفاوت دیگر بین شکل 3 ، شکل 5 این است که هیچ افزایش قابل توجهی در VCV در طول هفته های قبل از براده کردن 8-K وجود ندارد. برخلاف اعلان‌های سود، پرونده‌های 8-K بدون برنامه هستند، به این معنی که سرمایه‌گذاران ناآگاه مانند قبل از اعلام درآمد، معاملات خود را در انتظار ثبت نام 8-K کاهش نمی‌دهند.

6 . نتیجه

ما از یک مدل ریزساختار مبتنی بر کایل (1985) استفاده می‌کنیم تا نشان دهیم که توزیع حجم کل معاملات به نسبت تقاضای نقدینگی آگاهانه (همبسته) بستگی دارد. به طور خاص، ما نشان می‌دهیم که ضریب تغییرات حجم معاملات در نسبت تجارت آگاهانه افزایش می‌یابد. بنابراین ما ضریب نمونه تغییر حجم معاملات، VCV را به عنوان معیار عدم تقارن اطلاعات پیشنهاد می کنیم. شبیه‌سازی‌های مونت کارلو تأیید می‌کند که VCV در نسبت جویندگان نقدینگی آگاه، برای انتخاب گسترده‌ای از مشخصات مدل، افزایش می‌یابد.

نتایج تجربی ما نشان می‌دهد که سهام با VCV بالا معمولاً دارای ویژگی‌هایی هستند که معمولاً با اطلاعات نامتقارن مرتبط هستند (به عنوان مثال: PIN بالا، وسعت کم مالکیت نهادی، پوشش تحلیل‌گر پایین، اندازه کوچک، نقدینگی کم) و بالعکس. مطابق با این فرضیه که تجارت آگاهانه تغییرات آتی قیمت را پیش‌بینی می‌کند، متوجه می‌شویم که برگشت‌های کوتاه‌مدت بازده برای سهام با VCV بالا ضعیف‌تر است. این یافته تأیید می‌کند که بر خلاف پروکسی‌های عدم نقدینگی عمومی مانند اسپردهای پیشنهادی – خرید و نقدینگی Amihud، VCV به طور خاص در جریان سفارش آگاهانه و نه ناآگاه افزایش می‌یابد. یافته‌های ما مبنی بر اینکه VCV به‌دنبال کاهش‌های برون‌زا در بیش‌ازحد تحلیل‌گر به دلیل بسته شدن کارگزاری به‌طور قابل‌توجهی افزایش می‌یابد، شواهد بیشتری را ارائه می‌دهد که VCV عدم تقارن اطلاعات را نشان می‌دهد.

ما VCV مقطعی را معرفی می‌کنیم که می‌تواند برای ارزیابی عدم تقارن اطلاعات در زمان رویداد استفاده شود، به‌عنوان مثال پس از افشای شرکت‌ها، تغییرات نظارتی، یا سایر رویدادهای اطلاعاتی. ما این معیار را برای اطلاعیه‌های سود فصلی اعمال می‌کنیم و مطابق با تحقیقات قبلی متوجه می‌شویم که اطلاعات نامتقارن کمی قبل از اعلام بیشتر و پس از آن کمتر است. علاوه بر این، متوجه شدیم که VCV به طور قابل توجهی در مورد افشای رویدادهای شرکتی از طریق فرم 8-K کاهش می یابد. در مجموع، نتایج تجربی ما پشتیبانی گسترده‌ای از این فرضیه را فراهم می‌کند که VCV معیاری برای تجارت آگاهانه است، نه تنها در مدل ریزساختار تلطیف‌شده ما، بلکه زمانی که برای داده‌های دنیای واقعی اعمال می‌شود.

VCV به دلیل سادگی، یک پروکسی جذاب برای عدم تقارن اطلاعات است: محاسبه VCV، با تقسیم انحراف استاندارد نمونه حجم معاملات بر میانگین نمونه، بسیار ساده است. بر خلاف معیارهای جایگزین عدم تقارن اطلاعات، تخمین VCV فقط به کل حجم معاملات نیاز دارد و می‌تواند هم در مقطع و هم در سری زمانی پیاده‌سازی شود. بنابراین VCV برای هر اوراقی که حجم معاملات برای آن قابل مشاهده است، از جمله سهام، اوراق قرضه، اوراق بهادار با پشتوانه دارایی، معاوضه های اعتباری، اختیار معامله و سایر مشتقات قابل اعمال است. به عنوان مثال، Ghosh et al. (2020) از VCV برای مطالعه عدم تقارن اطلاعات در بازار REITS در اتحادیه اروپا استفاده کرد. کاربردهای بالقوه اندازه گیری ما بسیار زیاد است. به عنوان مثال، VCV می تواند به عنوان یک متغیر کنترلی زمانی که نیاز به کنترل عدم تقارن اطلاعاتی وجود دارد، به عنوان یک مشخصه مرتب سازی هنگام مطالعه اثرات قیمت گذاری اطلاعات نامتقارن، یا به عنوان متغیر وابسته مورد علاقه برای مقایسه الگوهای عدم تقارن اطلاعات در شرکت ها استفاده شود. یا در طول زمان

اعلامیه منافع رقابتی

نویسندگان اعلام می کنند که هیچ منافع مالی رقیب یا روابط شخصی شناخته شده ای ندارند که به نظر می رسد بر کار گزارش شده در این مقاله تأثیر بگذارد.