پیش بینی تغییرات شاخص در خانواده DAX آلمان

ترکیب داده های بازار با عکس فوری ماهانه در دسترس از لیست رتبه بندی فهرست Deutsche Börse ، من مدلی را ایجاد می کنم که تغییرات شاخص در DAX ، MDAX ، SDAX و TECDAX را از سال 2010 تا 2019 پیش از اعلام رسمی پیش بینی می کند. حتی اگر من به طور تجربی نشان دهم که تغییرات شاخص قابل پیش بینی است ، آنها هنوز هم بازده غیر طبیعی 1 روزه پس از اعلام را به ترتیب 1. 42 ٪ و 1. 54 ٪ برای تبلیغات و تخریب کسب می کنند. در حالی که بازده غیر طبیعی در سهام کوچکتر بزرگتر است ، من هیچ مدرکی مبنی بر عدم ارتباط آنها با محدودیت های بودجه یا خطر اضافی برای معاملات پیش بینی های اشتباه وجود ندارد. یک استراتژی معاملاتی که طبق مدل من معامله می شود ، نسبت شارپ سالانه 0. 83 را در حالی که فقط 4 روز در سال سرمایه گذاری می شود ، به دست می آورد.

روی نسخه خطی کار می کنید؟

مقدمه

سرمایه گذاری های مرتبط با شاخص یا به اصطلاح منفعل هر سال به طور پیوسته در حال رشد است. پاورقی 1 یک سوال تحقیق مرتبط اما ناآرام وجود اثر شاخص ، یعنی بازده غیرطبیعی اضافات و حذف های مربوط به بازپرداخت شاخص است. نتایج اخیر در ادبیات [به عنوان مثال ، کاپو (2018)] نشان می دهد که بازده های غیر طبیعی امروزه در تاریخ تعادل مجدد مسطح هستند و به روز بعد از اعلام محدود می شوند. این امر بهره برداری را دشوار می کند و ظاهراً بازار کارآمدتر است. به عنوان مثال ، شکل 1 نمودار برگشتی داخلی دو طرفدار و تخریب اخیر DAX را در روز پس از اعلام تغییر شاخص مربوطه توسط Deutsche Börse نشان می دهد. شکاف باز ، به عنوان مثال ، تا 4 ٪ برای Covestro ، اگر آنها قبل از اعلامیه مربوطه ، تغییرات شاخص را می دانستند ، فقط توسط داوری ها جمع آوری می شود. پاورقی 2 در این مقاله ، من به طور تجربی ثابت می کنم که این شاخص - حداقل در آلمان - پیش بینی می کند که اثر شاخص هنوز قابل بهره برداری باشد ، نسبتاً آسان است. یک استراتژی معاملاتی که به پیش بینی های مدل من معامله می شود ، نسبت شارپ سالانه 0. 83 در حالی که تنها چهار روز در سال سرمایه گذاری می شود ، دارد.

DAX AD+1 - بازده تجمعی intraday. این شکل نشان می دهد که بازده داخل جمعی تجمعی در طول AD+1 از افزودنی DAX (حذف) Commerzbank (Wirecard) در سمت چپ و علاوه بر DAX (حذف) Prosiebensat. 1 Media (Covestro) در سمت راست است. DAX EQW به یک نمونه کارها به همان اندازه وزنه برداری از ترکیبات DAX اشاره دارد

نکته مهم این است که من تغییرات شاخص را در خانواده آلمان DAX ، یعنی DAX ، MDAX ، SDAX و TECDAX از سال 2010 تا 2019 با توجه به قابلیت پیش بینی و بازده غیر طبیعی خود در مورد اعلام خود بررسی می کنم. این دو سهم عمده در ادبیات اثر شاخص دارد. اول ، این مقاله | به دانش من | اولین مقاله ای است که به صورت تجربی پیش بینی تغییرات شاخص را نشان می دهد. Fernandes and Mergulhao (2016) یک مدل مشروط برای پیش بینی تغییرات FTSE 100 ایجاد می کند اما بر روی احتمالات ارثی پست سابق تمرکز می کند و در مورد عملکرد مدل آنها با توجه به پیش بینی های دنیای واقعی بحث نمی کند. اگرچه بیشتر روشهای شاخص مبتنی بر قانون و در دسترس عموم هستند ، اما پیش بینی تغییرات شاخص با داده هایی که در زمان مربوطه در دسترس عموم بودند ، چالش برانگیز است. به عنوان مثال ، برای پیش بینی تغییرات DAX آلمانی ، نیاز به محاسبه شناور رایگان دقیقاً مشابه روش Deutsche Börse و پیگیری کلیه سهام های واجد شرایط شاخص در هر تاریخ تعادل تاریخی است. من با استفاده از لیست های رتبه بندی عمومی برای خانواده DAX ، که یک عکس فوری ماهانه از رتبه دویچه بورس از جهان سهام عدالت آلمان با توجه به داده ها و روش های آنها است ، بر این مشکلات غلبه کردم. این سرویس منحصر به فرد ، خانواده آلمان DAX را به عنوان زیستگاه اصلی برای مطالعه در مورد پیش بینی تغییرات شاخص تبدیل می کند. با ترکیب لیست رتبه بندی با داده های استاندارد بازار ، من مدلی را ایجاد می کنم که به عنوان مثال ، 71 ٪ از تغییرات DAX را به درستی پیش بینی می کند.

دوم ، با توجه به اینکه تجربی ثابت کرده است که تغییرات شاخص قابل پیش بینی است ، من بازده غیر طبیعی را مشروط به پیش بینی مدل خود بررسی می کنم. نتایج نشان می دهد که تغییرات شگفت آور تر مربوط به بازگشت غیر طبیعی بالاتر نیست ، به عنوان مثال ، در بازار ادغام توسط Song and Walking (2000) استدلال و نشان داده شده است. بازده غیر طبیعی تغییراتی که به درستی پیش بینی شده بودند در مقایسه با بازده غیر طبیعی تغییراتی که پیش بینی نشده بودند از بزرگی مشابه هستند. در عوض ، محدودیت های نظریه های داوری (Gromb and Vayanos 2010) یا توجه به سرمایه گذار (IN) (باربر و اودین 2008) ممکن است به توضیح ناکارآمدی بازار کمک کند. یعنی سهام بزرگتر تمایل به کسب بازده غیر طبیعی کمتری دارند. با این حال ، حتی در شاخص بزرگ درپوش DAX ، تخریب به درستی پیش بینی شده ، میانگین 1 روزه بازده غیر طبیعی را از 1. 63 ٪ کسب می کند. به نظر نمی رسد که محدودیت های بودجه نقشی داشته باشند زیرا به نظر می رسد بازده غیر طبیعی در هنگام بالاتر بودن VDAX کمتر است. علاوه بر این ، داوری ها با خطر اضافی برای اشتباه بودن آن روبرو نیستند ، یعنی سود غیر طبیعی معاملات به درستی پیش بینی شده با ضررهای غیر طبیعی معاملات به طور دروغین تغییرات پیش بینی شده را جبران نمی کند.

ادبیات مربوط به اثر شاخص در بازارهای سهام گسترده است و Afego (2017) یک نظرسنجی عالی را ارائه می دهد. از آنجا که اولین مقالات مربوط به اثر شاخص توسط گوتزمن و گری (1986) ، شلیفر (1986) و هریس و گورل (1986) بازده غیر طبیعی از تاریخ تعادل به تاریخ اعلامیه تغییر یافته است. در نتیجه ، کاپو (2018) نتیجه می گیرد که شرکت کنندگان در بازار امروزه به خوبی برای جریان شاخص های بزرگ آماده شده اند. Green and Jame (2011) از این حمایت می کنند که با نشان دادن آن ردیاب های شاخص صبر نمی کنند تا تاریخ تعادل برای اجرای تغییرات شاخص اعلام شده ، اما در حال حاضر بین اعلامیه و تاریخ تعادل تجارت می کنند. بنابراین ، این مقاله به روز اعلامیه می پردازد.

بازده غیر طبیعی پس از اعلامیه تغییر شاخص نیز اخیراً توسط دیگران مانند یو و همکاران یافت می شود.(2015) و Biktimirov و Xu (2019) برای ایالات متحده آمریکا ، و چن و همکاران.(2016) برای بازارهای بین المللی سهام. چن و همکاران.(2004) بازده غیر طبیعی بالاتری را برای افزودنیها نسبت به حذف در S& P 500 پیدا کرده و تفاوت را به تغییر در آگاهی سرمایه گذار پیوند می دهد. نتیجه من نتیجه گیری آنها را پشتیبانی نمی کند زیرا بازده غیر طبیعی از طرفداری و تخریب ها از بزرگی مشابهی برخوردار هستند. لی و همکاران.(2008) بازده غیر طبیعی قابل توجهی را برای افزودنیهای S& P 500 در طول جلسه پس از تجارت پس از اعلام اعلام کرد. مطالعات دیگری که بازده غیر طبیعی پس از اعلام را نشان می دهد شامل هریس و گورل (1986) ، گوتزمن و گری (1986) ، شلیفر (1986) ، جین (1987) و بنییش و وایلی (1996) برای S& P 500 ، Petajisto (2011)و چانگ و همکاران.(2014) برای Russel2000 ، Deininger و همکاران.(2000) برای آلمانی DAX و MDAX ، DOWIJK (2005) برای شاخص AEX ، Chakrabarti و همکاران.(2005) برای شاخص های بین المللی MSCI ، لیو (2006) و لیو (2011) برای Nikkei225 ، Mazouz و Saadouni (2007) و Mase (2007) برای FTSE100 ، QIU و PINFOLD (2007) برای ASX300 ، و یون و کیم و کیم(2010) برای KOSPI 200. مشابه DAX آلمان ، بسیاری از این شاخص ها مبتنی بر یک روش مبتنی بر قانون در دسترس عمومی هستند. بنابراین ، نتایج این مقاله باید برای شاخص های بین المللی فوق الذکر قابل تعمیم باشد.

دوره قبل از اعلام نیز در ادبیات مورد توجه قرار گرفته است. Zdorovtsov و همکاران.(2017) استدلال کنید | به عنوان مثال Russell 3000 | که دلالان نه تنها تجارت می کنند تا حرکات قیمت را بدست آورند بلکه به طور فعال سعی می کنند سهام را به شاخص ها سوق دهند. MASE (2007) و Fernandes and Mergulhao (2016) شواهدی از تجارت پیش بینی شده در FTSE 100 پیدا می کنند ، که دارای یک روش بسیار ساده است. پیش بینی تغییرات شاخص نیز در بین پزشکان متداول است. به عنوان مثال ، Serkan Bartir ، رئیس مدیریت نمونه کارها BlackRock در آلمان ، اظهار داشت که تغییرات شاخص دیگر جای تعجب ندارد و پیش بینی های کارگزاران هفته ها قبل از اعلام آنها منتشر می شود. پاورقی 3 وی همچنین می گوید که بلکروک منتظر است تا تاریخ تعادل برای اجرای تغییرات ، که می تواند با اولویت خطای ردیابی نسبت به عملکرد مدیران صندوق شاخص همانطور که توسط بلوم و ادلن (2004) بیان شده است ، توضیح دهد. با این وجود ، داوری هایی که با چنین محدودیت هایی روبرو نیستند ، باید در تغییر و تحول موقت در تغییرات شاخص قابل پیش بینی قدم بردارند و جلوی آن را بگیرند. در نتیجه ، بازده های غیر طبیعی بالا موجود در این مقاله برای بازارهای کارآمد و تئوری های پشتیبانی از ، به عنوان مثال ، دافی (2010) که با محدودیت هایی مانند سرمایه آهسته حرکت می کند ، ایجاد می کند که آنها را مجبور می کند تا فرصت های سودآور را کنار بگذارند.

مقاله به شرح زیر ساختار یافته است. بخش 2 روشهای شاخص را توضیح می دهد ، داده ها را معرفی می کند و در مورد مدل پیش بینی بحث می کند. بخش 3 نتایج را ارائه و بحث می کند. بخش 4 نتیجه می گیرد.

داده ها و روش شناسی

Deutsche Börse در مورد عضویت شاخص در سهام واجد شرایط شاخص بر اساس سرمایه گذاری رایگان بازار شناور و گردش مالی تصمیم می گیرد. پاورقی 4 معیار اضافی تعیین می کند که آیا عضویت در خانواده DAX در واقع امکان پذیر است یا خیر. به عنوان مثال ، برای اینکه بتوانید عضو DAX ، MDAX ، SDAX یا TECDAX شوید ، یک سهام باید در استاندارد اصلی Deutsche Börse ذکر شود ، به طور مداوم در XETRA معامله شود ، و باید دفتر مرکزی قانونی یا عملیاتی خود را در آلمان داشته باشد. در میان شرکت های واجد شرایط شاخص ، دویچه بورس یک لیست رتبه بندی ماهانه را برای تعیین عضویت در فهرست مربوطه ایجاد می کند. به عنوان مثال ، در صورت رتبه زیر 26 سرمایه گذاری در بازار و گردش مالی ، یک شرکت به DAX اضافه می شود. بنابراین ، عضویت در فهرست کاملاً توسط لیست رتبه بندی مشخص می شود و اگر یک سرمایه گذار بتواند لیست رتبه بندی را پیش بینی کند ، می تواند تغییرات شاخص را پیش بینی کند. این لیست بر روی داده های آخرین روز معاملاتی ماه قبل ایجاد شده است اما پس از پایان معاملات در روز سوم معاملات ماه ، به همراه اعلامیه های تغییر شاخص منتشر شده است. در نتیجه ، داوری هایی که می خواهند اعلامیه های تغییر شاخص را پیش ببرد ، 3 روز بین برش برای جمع آوری داده های نهایی و اعلامیه دارند. من روز اعلامیه (AD) و روز معاملاتی پس از اعلام (AD+1) تماس می گیرم. توجه داشته باشید که نه لیست رتبه بندی و نه تغییرات شاخص قبل از اعلام آنها در دسترس عموم نیست.

از سال 2010 ، دویچه بورس چندین تغییر در روش شاخص خود ایجاد کرد ، مانند تغییر در برش برای تغییرات شاخص. به عنوان مثال ، در سال 2018 ، آنها به ترتیب تعداد ترکیبات شاخص را از 50 به 60 و از 50 به 70 برای MDAX و SDAX افزایش دادند. این تغییر روش از قبل به خوبی اعلام شد ، پاورقی 5 و من این تغییرات را از نمونه حذف می کنم زیرا این یک تنظیم فوق العاده با بسیاری از تغییرات است که باعث می شود نتایج غیر نماینده تغییر شاخص منظم باشد. با این حال ، تمام تغییرات روش در مدل پیش بینی گنجانیده شده است. قبل از سپتامبر 2016 ، دویچه بورس از معیارهای به اصطلاح نرم مانند عضویت در صنعت استفاده کرد تا تغییرات شاخص را از طریق پوشش اختیاری تغییر دهد. آنها به یک روش کاملاً شفاف تبدیل شدند زیرا این معیارهای نرم به سختی مورد استفاده قرار می گرفتند و اغلب تغییرات واقعی با تغییرات به دست آمده توسط روش صرفاً قاعده محور یکسان بودند. بنابراین ، داوری ها می توانند لیست رتبه بندی را پیش بینی کنند و در نهایت با استفاده از روش رسمی ایجاد شده بر سرمایه گذاری و گردش مالی بازار شناور ، با محاسبه مجدد رتبه بندی ها را تغییر دهند. علاوه بر این ، داوران باید دائماً شرکتهای جدید و حذف شده و واجد شرایط بودن شاخص بالقوه آنها را پیگیری کنند.

تغییرات شاخص نسبت به داده های جهان فهرست کامل بسیار حساس است ، یعنی داوری ها باید کل رتبه بندی را به دست آورند و نه فقط داده های یک تغییر بالقوه. به عنوان مثال ، می توان ارتقاء داد ، به عنوان مثال ، افزایش سرمایه در بازار این ارتقاء یا با کاهش سرمایه بازار توسط سهام دیگری که در نتیجه به یک فروپاشی تبدیل شده است. با این حال ، دریافت همان داده هایی که Deutsche Börse از آن استفاده می کند ساده نیست. به عنوان مثال ، تعداد سهام واجد شرایط یا شناور رایگان در پایگاه داده های استاندارد مانند بلومبرگ یا Compustat ممکن است بسیار مشابه باشد اما با نسخه Deutsche Börse یکسان نیست. در نتیجه ، من نتوانستم با تکیه بر داده های بلومبرگ و Compustat ، لیست رتبه بندی را دوباره بسازم و در عوض ، از لیست رتبه بندی رسمی ماه قبل استفاده کنم و آن را با رتبه بندی سفارشی بر اساس داده های بازار در دسترس عمومی مخلوط کنم.

به طور خاص ، برای آخرین روز معاملاتی در یک ماه t ، من سهام را که بخشی از لیست رتبه بندی رسمی در ماه بود \ (T-1 \) براساس روش شاخص بر اساس داده های بلومبرگ و Compustat رتبه بندی می کنم. من به این رده های سفارشی می گویم. سپس ، من تغییر این موارد سفارشی برای سهام I را بین ماه ها محاسبه می کنم. همانطور که در Eq نشان داده شده است. 1 ، تفاوت بین رتبه بندی سفارشی بین ماه t و \ (t-1 \) ، که بر اساس داده های بازار استوار است ، سپس به رتبه رسمی دویچه بورس در ماه قبل اضافه می شود تا رتبه نهایی را که برای پیش بینی استفاده می کنم ، بدست آوریمتغییر شاخص.

این رویکرد این مزیت را دارد که داده های بازار نباید دقیقاً با داده های Deutsche Börse مطابقت داشته باشد تا پیش بینی های معنی دار انجام شود. به عنوان مثال ، اگر شناور رایگان در بلومبرگ با استفاده از استفاده از Deutsche Börse با شناور رایگان متفاوت باشد ، رتبه پیش بینی شده تا زمانی که اختلاف بین ماه ها ثابت باشد ، هنوز دقیق خواهد بود. علاوه بر این ، من مجبور نیستم کل جهان سهام آلمان را در هر تاریخ تعادل پیگیری کنم زیرا در لیست رتبه بندی ماه قبل آورده شده است.

Fernandes و Mergulhao (2016) از یک مدل پروب برای پیش بینی تغییرات FTSE100 استفاده می کنند. من روش خود را به چهار دلیل زیر ترجیح می دهم. اول ، روش شناسی FTSE100 بسیار ساده تر از روش DAX است زیرا فقط به رتبه بندی سرمایه بازار غیرقابل تعدیل در مقایسه با بسیاری از وابستگی های مختلف در روش DAX متکی است. این امر طراحی رگرسیون را کاهش می دهد و الزامات مربوط به کیفیت داده ها را به میزان قابل توجهی کاهش می دهد. دوم ، فقط 1 روز بین قطع داده ها و تاریخ اعلام در FTSE 100 وجود دارد. در مقابل ، داوری های موجود در DAX 3 روز بین قطع داده ها و تاریخ اعلامیه برای موقعیت برای تغییرات دارند. در نتیجه ، هیچگونه عدم اطمینان در مورد تغییر قیمت ها به دلیل حرکات بازار وجود ندارد و یک رویکرد احتمال محور برای من غیر منطقی به نظر می رسد. سوم ، و بر خلاف فرناندز و Mergulhao (2016) ، من تمام تغییرات را به دلیل اقدامات شرکت ها برای به دست آوردن یک مجموعه واقع گرایانه شامل می کنم. این یک تمایز مهم است زیرا اقدامات شرکت ها می توانند رتبه بندی و در نتیجه پیش بینی ها را به میزان قابل توجهی تغییر دهند. چهارم ، جهان سهام من به دلیل لیست رتبه بندی در دسترس عموم ، تعیین شده است و با استفاده از تغییرات واقعی ، پست سابق ساخته نشده است. این باعث می شود تنظیم من از هرگونه تعصب عقب مانده عاری شود.

اجزای شاخص تاریخی و فهرست رتبه بندی ماهانه مستقیماً از بخش عمومی وب سایت Deutsche Börse بدست می آید. پانوشت 6 بازده روزانه شاخص DAX، MDAX، SDAX، و TecDAX و شناور آزاد برای اجزای شاخص از بلومبرگ به دست آمده است. قیمت‌های بسته شدن روزانه و سهام موجود از Compustat است که از طریق خدمات داده تحقیقاتی Wharton (WRDS) قابل دسترسی است. بازده روزانه از مجموعه داده عمومی Deutsche Boörse به دست می آید. پانوشت 7 داده های Compustat، Deutsche Börse و Bloomberg را از طریق ISIN سهام ادغام می کنم. بازده کل با استفاده از سود سهام و عوامل تعدیل بازده کل Compustat محاسبه می شود. جدول 1 آمار توصیفی نمونه را در AD مربوطه برای هر سهم نشان می دهد. بازده کل، یعنی بازده قبل از تفریق بازده معیار، برای تبلیغات DAX در AD و AD+1 به ترتیب - 0. 68٪ و +0. 73٪ است. میانگین ارزش بازار تعدیل نشده از 241 میلیون یورو برای تخفیف از TecDAX تا 13. 4 میلیارد یورو برای تبلیغات به DAX متغیر است. بنابراین، تفکیک به چهار بخش، بینش هایی را در مورد اثر اعلامی با توجه به اندازه سهام و نقدینگی به دست می دهد.

من از یک مدل بازار یا چند عاملی مانند مدل فاما و فرنچ (1993) برای ایجاد بازده غیرعادی استفاده نمی‌کنم، زیرا اغلب موارد اضافه شده شرکت‌هایی هستند که تازه وارد بورس شده‌اند و از این رو به اندازه کافی برای تخمین ضرایب قابل اعتماد به صورت عمومی معامله نمی‌شوند. بنابراین، بازده غیرعادی مانند معادله محاسبه می شود. 2 که به موجب آن R بازده کل سهام i در روز t است و j به شاخص مربوطه سهام i در روز t اشاره دارد. برای مثال، j DAX خواهد بود اگر سهام i طرفدار یا تنزل در DAX باشد.

نتایج و بحث

جدول 2 عملکرد مدل پیش بینی را نشان می دهد. حدود 45 درصد از تغییرات واقعی را به درستی پیش بینی می کند، یعنی 108 از 228، و 27 درصد از تغییرات پیش بینی شده مثبت کاذب هستند، یعنی 40 از 148. عملکرد در DAX بسیار بهتر است (71٪ و 16٪).) و MDAX (63% و 19%) نسبت به SDAX (30% و 40%). این انتظار می رود زیرا اولاً، SDAX دارای کوچکترین سهام است و بنابراین در دسترس بودن و کیفیت داده ها احتمالاً ضعیف ترین هستند. ثانیاً، تغییرات ناشی از IPOها یا حذف‌ها تنها در صورتی قابل پیش‌بینی هستند که قبلاً در فهرست رتبه‌بندی ماه قبل پوشش داده شده باشند. همیشه اینطور نیست و از آنجایی که اجزای SDAX بیشتر تحت تأثیر این اقدامات شرکتی قرار می‌گیرند، پیش‌بینی آنها سخت‌ترین کار است. Fernandes and Mergulhao (2016) تا آنجایی که من می دانم هستند|تنها مقاله‌ای است که سعی در پیش‌بینی تغییرات شاخص دارد و نویسندگان بر ارزیابی پس از آن تمرکز می‌کنند. در نتیجه، هیچ معیاری برای مدل من در ادبیات وجود ندارد. با این وجود، به نظر می رسد حداقل تغییرات شاخص بزرگتر را به خوبی پیش بینی می کند و بنابراین، به طور تجربی ثابت می کند که می توان تغییرات شاخص را قبل از اعلام آنها پیش بینی کرد.

داورانی که می خواهند از یک اثر اعلامی بالقوه سود ببرند، احتمالاً در نزدیکی پایان AD معامله می کنند، زیرا این معامله در نزدیک ترین حالت به اعلامیه است و بنابراین معامله در AD، داور را در معرض خطر کمتری نسبت به معامله قبل از آن و نگه داشتن اعلامیه احتمالی بیش از حد قرار می دهد. چند روز یا حتی چند هفتهبرش برای جمع آوری داده ها برای تعیین عضویت در شاخص 3 روز قبل از اعلام است و از این رو بازده غیرعادی در AD نمی تواند به دلیل برخی از انواع بازی های شاخص باشد، به عنوان مثال، قیمت پیشنهادی برای بالا بردن سهام در شاخص بزرگتر، همانطور که استدلال شد. در Zdorovtsov و همکاران.(2017) برای شاخص های راسل. جدول 3 نشان می دهد که بازده غیرعادی تغییرات شاخص در آن روز نسبتاً کوچک است. با این حال، ترفیع و تنزل رتبه، نشانه های مورد انتظار را دارد. یعنی، ترفیعات (تنزل رتبه) بازده غیرعادی مثبت (منفی) 33bp (25bp) در AD بدست می آورند. در حالی که فقط تبلیغات به MDAX و TecDAX در حداکثر ضعیفی قابل توجه است، شواهد موجود در AD نشان می دهد که به نظر می رسد حداقل برخی از حدس و گمان های قبل از اعلامیه توسط سرمایه گذاران پیچیده وجود دارد. علاوه بر این، میزان بازده غیرعادی تغییراتی که توسط مدل پیش‌بینی من پیش‌بینی نشده است، حتی بیشتر است، که ممکن است به دلیل شانس یا به دلیل رویکرد برتر سرمایه‌گذاران در مقایسه با مدل ساده من برای پیش‌بینی تغییرات شاخص باشد.

شکل 2 بازده غیر طبیعی در AD+1 را نشان می دهد. تغییرات درست پیش بینی شده به رنگ سبز ، تغییرات واقعی است که به رنگ قرمز پیش بینی نشده است (منفی کاذب) و تغییرات به دروغ پیش بینی شده (مثبت کاذب) به رنگ آبی. جدول 4 مقادیر P مربوطه را نشان می دهد. بزرگی بازده های غیر طبیعی در AD+1 نسبت به تبلیغ بسیار بزرگتر است. ترکیب همه تبلیغات واقعی (تخریب) یک مثبت (منفی) 82bp (98bp) را به دست می آورد که به موجب آن قوی ترین حرکات در تغییرات Tecdax و SDAX رخ می دهد. بنابراین ، به نظر می رسد که اثر اعلامیه تغییرات شاخص هنوز در بازار سهام آلمان وجود دارد ، که مطابق با یافته های بین المللی است ، مانند Kappou (2018) برای S& P 500 یا در Biktimirov و Xu (2019) برای NASDAQ-100واد

با انگیزه Song و Walkling (2000) که احتمالات تصرف را به بازده غیر طبیعی پیوند می دهند ، بررسی می کنم که آیا تغییرات غیر منتظره دارای بازده غیر طبیعی بالاتری است. یعنی من انتظار دارم تغییراتی که توسط مدل پیش بینی نشده است بازده غیر طبیعی بیشتری نسبت به تغییراتی که پیش بینی شده است داشته باشد. با این حال ، جدول 5 نشان می دهد که میانگین اختلافات بین تغییرات صحیح و پیش بینی نشده پیام مشخصی ندارد. به عنوان مثال ، تخریب های Tecdax که پیش بینی نشده اند ، بازده غیر طبیعی منفی بسیار بیشتری کسب می کنند که در مورد تخریب MDAX و تبلیغات DAX صادق نیست. بنابراین ، به نظر نمی رسد که شاخص های تعجب آور تر تغییر کند | حداقل در مقایسه با مدل من |بازده غیر طبیعی بالاتری کسب کنید.

حداقل دو تئوری منطقی وجود دارد [به عنوان مثال ، Gromb و Vayanos (2010)] که ممکن است این بازده های غیر طبیعی را توضیح دهد. اول ، داوری ها ممکن است بتوانند بازده غیر طبیعی را جمع کنند زیرا در معرض خطر اضافی قرار دارند ، یعنی آنها حق بیمه خطر را جمع می کنند. دوم ، محدودیت های دنیای واقعی برای داوری ، مانند محدودیت های بودجه ، هزینه های معاملاتی یا محدودیت های کوتاه فروش ، بهره برداری در دنیای واقعی را غیرممکن یا حداقل سودآور می کند.

اگر داوری ها در تغییرات قابل پیش بینی سود کسب می کردند ، تئوری نشان می دهد که این سود منعکس کننده حق بیمه خطر برای تحمل خطر پیش بینی دروغین تغییرات ناشی از ضرر است. فرضیه تجربی من از این پشتیبانی نمی کند. همانطور که در جدول 4 نشان داده شده است ، تغییرات پیش بینی شده به اشتباه ناچیز هستند و از همان نشانه ای از تغییرات واقعی هستند ، که نشان می دهد دلالان با تغییرات پیش بینی شده به دروغ ، ضربه بزرگی به دست نمی آورند. یعنی یک دلال که مدتها پیش بینی شده و تخریب های پیش بینی شده کوتاه فقط به طور متوسط 17bp در تغییرات پیش بینی شده در مقایسه با سود 1. 8 ٪ در تغییرات درست پیش بینی شده از دست می دهند.

توضیح منطقی دوم استدلال می کند که سود غیر طبیعی نشان داده شده بیشتر سود کاغذ است اما در عمل به سختی قابل بهره برداری است. بازده غیر طبیعی برای تخریب به سختی بزرگتر از تبلیغات است ، که نشان می دهد محدودیت های فروش کوتاه علت این بازده ها نیست. با این حال ، به ویژه تغییرات TECDAX با یک سرمایه متوسط غیر قابل تعدیل بازار 365 میلیون یورو و 174 میلیون یورو برای تخریب های طرفدار و 174 میلیون یورو بسیار اندک است (به جدول 1 مراجعه کنید). بنابراین ، آنها احتمالاً غیرقانونی تر هستند. در واقع ، نتایج در جدول 4 نشان می دهد که بازده غیر طبیعی بالاترین میزان در TECDAX و به دنبال آن SDAX است ، که تغییرات بیشتر سهام کوچکتر نیز هستند. در حالی که نتایج DAX به دلیل نمونه کوچک باید با احتیاط تحت درمان قرار گیرد ، بازده غیر طبیعی برای تغییرات MDAX وجود دارد اما به طور قابل توجهی کوچکتر از TECDAX و SDAX است.

برای آزمایش تأثیر اندازه سهام بر بازده غیر طبیعی ، بازده غیر طبیعی در AD+1 در سرمایه گذاری در بازار را ردیابی می کنم. علاوه بر این ، من VDAX را در رگرسیون قرار می دهم ، که یک پروکسی برای محدودیت های بودجه محکم تر است (به عنوان مثال ، نگل (2012) مراجعه کنید). یعنی VDAX بالاتر مربوط به بودجه سخت تر و از این رو فعالیت کمتر داوری است. به طور خاص ، من از سطح VDAX در روز T استفاده می کنم تا رگرسیون زیر را تخمین بزنم که به موجب آن \ (d^_i \) یک 1 است اگر سهام من یک تبلیغ در روز T و 0 باشد اگر در روز T باشد.

ساختگی ثابت و ارتقاء در جدول 6 از نظر آماری معنی دار است و علائم مورد انتظار دارند ، یعنی تخریب (تبلیغات) بازده غیرطبیعی منفی (مثبت) دارند. سرمایه گذاری در بازار و شرایط تعامل آن با آدمک تبلیغاتی از نظر آماری ناچیز است اما علائم مورد انتظار نیز دارد. یعنی سهام بزرگتر تمایل به بازده غیر طبیعی کوچکتر دارند. این می تواند به دلیل اصطکاک بازار ، مانند عدم اعتبار یا به دلیل تعصبات رفتاری ، مانند عدم توجه سرمایه گذار باشد (به باربر و اودین (2008) یا دا و همکاران (2011) مراجعه کنید) زیرا سهام بزرگتر به احتمال زیاد سرمایه گذار را دریافت می کندتوجهاز آنجا که جدول 6 همچنین نشان می دهد که VDAX بالاتر مربوط به بازده غیر طبیعی کوچکتر است ، به نظر نمی رسد محدودیت های بودجه نتایج را به دنبال داشته باشند.

اگرچه نتایج حاکی از آن است که بازده غیر طبیعی تا حدودی از نظر اندازه هدایت می شود ، اما آنها را به دلایل زیر غیر قابل توضیح نمی کند. اول ، اگرچه از نظر بزرگی کوچکتر است ، اما بازده غیر طبیعی هنوز در شاخص های بزرگتر DAX و MDAX وجود دارد. دوم ، ردیاب های شاخص احتمالاً قبل از اعلامیه خود از قبل دچار تخریب می شوند و پس از اعلامیه تبلیغاتی می خرند. از آنجا که آنها بدون در نظر گرفتن اندازه سهام ، تغییرات شاخص را پیاده سازی می کنند ، باید قبل از تاریخ اعلام ، تجارت خود را تا حدودی تغییر دهند. در عوض ، گرین و جام (2011) نشان می دهند که آنها در درجه اول پس از اعلامیه تجارت می کنند تا از ریسک خطای پیگیری جلوگیری کنند (بلوم و ادلن 2004). بنابراین ، به نظر می رسد برای ردیاب های شاخص ریسک ریسک برای جلوگیری از معاملات قبل از اعلام سود برای به حداقل رساندن خطای ردیابی ، منطقی به نظر می رسد. با این وجود ، در یک بازار کارآمد ، داوری هایی که با خطای ردیابی محدود نمی شوند ، باید قدم برداشته و این فرصت های سودآور را جمع آوری کنند.

سرانجام ، من نشان می دهم که نتایج من نیز از نظر اقتصادی معنی دار است. یک استراتژی معاملاتی که می تواند 100 ٪ به درستی پیش بینی تغییرات شاخص در خانواده DAX و به همان اندازه وزن (شورت) به همان اندازه وزن (تخریب) با قیمت بسته شدن در آگهی را انجام دهد و موقعیت را با قیمت بسته شدن در AD+1 بسته می کندبازده تجمعی 72. 35 ٪ در طول سال 2010 تا 2019. شکل 3 نشان می دهد که بازده در درجه اول از طرف طولانی با کمبودهای بسیار کمی حاصل می شود و نسبت شارپ سالانه 1. 10 را به همراه دارد. شکل 4 عملکرد استراتژی را نشان می دهد اگر پیش بینی ها با پیش بینی کامل انجام نشده باشد ، اما طبق مدل من ، که عاری از هرگونه تعصب عقب مانده است و در نتیجه دنیای واقعی را تقریبی می کند. این استراتژی می تواند میانگین بازده حسابی سالانه 5. 61 ٪ با نسبت شارپ 0. 83 به دست آورد. درک این نکته مهم است که این بازده با سرمایه گذاری فقط چهار بار در سال حاصل می شود. اگر یک سرمایه گذار فرصتی برای سرمایه گذاری در چنین استراتژی در طول روز تجارت در یک سال داشته باشد ، او نسبت شارپ 6. 59 را بدست می آورد.

بازده غیر طبیعی در آگهی+1 براساس دسته. این شکل بازده غیر طبیعی تبلیغات و تخریب در خانواده DAX Index را از سال 2010 تا 2019 نشان می دهد. گرین به تبلیغاتی اشاره می کند که به درستی پیش بینی شده است (مثبت واقعی) توسط مدل پیش بینی شده در فرقه. 2 ، به رنگ قرمز تغییراتی واقعی است که پیش بینی نشده است (منفی های دروغین) و به رنگ آبی تغییراتی هستند که به اشتباه پیش بینی شده است که تغییر می کند (مثبت کاذب)

بازگشت تجمعی تغییرات واقعی. این جدول بازده کل تجمعی یک استراتژی سرمایه گذاری را نشان می دهد که Longs (شورت) واقعی DAX ، MDAX ، SDAX و TECDAX (تخریب) در بسته تبلیغات و بسته شدن موقعیت را در نزدیکی AD+1 بسته می کند. این استراتژی به همان اندازه اوراق بهادار با وزن تمام تغییرات شاخص در هر تبلیغ ایجاد می شود. دوره نمونه 2010 تا 2019 است

بازگشت تجمعی تغییرات پیش بینی شده. این جدول بازده کل تجمعی یک استراتژی سرمایه گذاری را نشان می دهد که Longs (شورت) DAX ، MDAX ، SDAX و TECDAX (DEPOTIONS) را در بسته تبلیغات پیش بینی کرده و در نزدیکی AD+1 موقعیت را می بندند. این استراتژی به همان اندازه اوراق بهادار با وزن تمام تغییرات شاخص در هر تبلیغ ایجاد می شود. پیش بینی ها بر اساس یک مدل پیش بینی شده در فرقه انجام می شود. 2 ، و دوره نمونه 2010 تا 2019 است

در جدول 7 عملکرد معاملات پیش بینی شده توسط AD+1 نشان داده شده است. این نشان می دهد که در مارس 2014 ، این استراتژی با پیش بینی اشتباه ارتقاء نرم افزار AG به TECDAX و در نتیجه خرید آن و 5. 51 ٪ با پیش بینی صحیح از بین بردن Adva Ag و در نتیجه کوتاه کردن ، این استراتژی به ویژه 10. 71 ٪ افزایش به دست آورد. با این حال ، جدا از این رویداد ، بزرگی تجارت نسبتاً همگن است و از این رو میانگین و متوسط تا تاریخ و به طور کلی نسبتاً مشابه است ، یعنی برای استراتژی طولانی مدت 1. 73 ٪ و 1. 74 ٪ تاریخ اعلام.

نتیجه

من نشان می دهم که تغییرات شاخص قابل پیش بینی است و هنوز هم بازده غیر طبیعی قابل توجهی را ارائه می دهد. بازده غیر طبیعی برای تغییرات شاخص پس از اعلامیه آنها زیاد است ، مربوط به محدودیت های بودجه نیست و حتی در بزرگترین سهام و تغییرات جدید در فهرست وجود دارد. با توجه به اینکه اثرات اعلامیه مشابه در سطح بین المللی نیز یافت می شود (به Kappou et al. (2010) یا Biktimirov و Xu (2019) مراجعه کنید) ، بیشتر روشهای شاخص مبتنی بر قانون هستند و اعلامیه های فهرست در تاریخ های مختلف اتفاق می افتد ، استراتژی که در فهرست پیش بینی شده تجارت می کندتغییرات در سطح جهان احتمالاً بازده غیر طبیعی بالایی کسب می کند. این تئوری هایی را پشتیبانی می کند که داوران ممکن است به دلیل محدودیت های سرمایه آهسته حرکت ، فرصت های سودآور را از بین ببرند (به دافی (2010) مراجعه کنید).

نتایج من نیز پیامدهای پزشکان دارد. صندوق های فهرست معمولاً تغییرات شاخص را پس از اعلام (Green and Jame 2011) اجرا می کنند زیرا اطلاعیه های جلویی آنها را در معرض خطر خطای ردیابی عالی قرار می دهند (Blume and Edelen 2004). با این حال ، تجارت به ویژه تغییرات کوچکتر ممکن است سهامداران خود را از کسب بازده غیر طبیعی منفی در تخریب ها محافظت کند و بازده های غیر طبیعی تبلیغاتی را از دست بدهد ، که در نهایت شبیه هزینه پنهان برای سرمایه گذاران منفعل است (Petajisto 2011) و باعث کمبود آن می شود (Gastineau 2004).

یادداشت

توجه داشته باشید که آخرین تغییرات DAX ، که در تاریخ 4 سپتامبر 2019 اعلام شد ، رفتار متضاد را به نمایش گذاشت ، یعنی Demotion (ارتقاء) Thyssenkrupp (MTU Aerio Engine) بهترین (بدترین) سهام در شاخص مربوطه در زیر بودروز

به صفحه مراجعه کنید. 40 در نسخه ژوئیه 2019 مجله Rendite از Börsen-Zeitung.