17801

17801

بررسي داده هاي مالي با بسامد بالا و ريزساختارهاي بازار

كارشناسي ارشد

آمار رياضي

فروردين ماه 1396

دكتر رحمان فرنوش

دكتر غلامحسين ياري

رياضي

چكيده در ادبيات مالي ثبت و بررسي داده‌هاي مالي از اهميت زيادي برخوردار است. سال‌هاي متمادي مدل‌هايي كه براي قيمت و نوسان بازارهاي مالي ارايه مي‌شد، براساس داده‌هاي روزانه، هفتگي و ماهانه بوده است. با پيشرفت علم كامپيوتر و امكان ذخيره و بازيابي اطلاعات در بسامدهاي بالاتر دقيقه‌اي و ثانيه‌اي به صورت معامله به معامله، رويكردها و چالش‌هاي جديدي پيش روي محققان مالي قرار گرفت. اين نوع داده‌ها داراي ويژگي‌هاي خاصي هستند كه در داده‌هاي با بسامد پايين وجود ندارند. از جمله اين ويژگي‌ها مي‌توان به خودهمبستگي منفي در تأخير-1 معاملات متوالي، وجود معاملات در بازه‌هاي غيرهمزمان، وجود كشيدگي بسيار زياد در بازده قيمت‌ها و ... اشاره كرد. در اين پايان نامه با بررسي داده‌هاي با بسامد بالا مربوط به بورس اوراق بهادار نيويورك، سه مدل براي تغييرات قيمت معرفي مي‌شود. يكي از اين مدل‌ها، مدل «پربيت مرتب» است كه مدلي توصيفي از عوامل موثر بر حركت تغييرات قيمت است. دومين مدل، مدل «تجزيه» است كه تغييرات قيمت را به حالت‌هاي مختلف تجزيه مي‌كند و براساس آنها توزيع‌هايي را براي قيمت بدست مي‌آورد. سومين مدل، با استفاده از فاصله زماني بين تغييرات قيمت و اندازه تغييرات قيمت ارايه شده است. بر اساس اين مدل‌ها ويژگي‌هايي كه براي داده‌هاي با بسامد بالا بدست آمده است، مشاهده مي‌شود. كلمات كليدي: نوسان، قيمت پيشنهادي عرضه و تقاضا، مدت زمان بين معاملات، داده‌هاي با بسامد بالا، معاملات غيرهمزمان، مدل پربيت مرتب، مدل تجزيه اي

1396/06/27

1/1/1900 12:00:00 AM

Abstract In the financial literature, records and survey on the financial data is of utmost importance. For years, the models were offered for the price and volatility of financial markets was based on daily data, weekly and monthly, respectively. With the advancement of computer science and the ability to store and retrieve data at higher frequencies in minutes and seconds for the transaction to transaction, approaches and new challenges facing the financial researchers. This type of data has certain characteristics that do not exist in the low-frequency data. Some of these features are negative autocorrelation in lag-1 of consecutive transactions, the transactions at intervals asynchronously, excess kurtosis in the price return and so on. In this thesis, a study of high-frequency data on the New York Stock Exchange, three models for price changes was introduced. One of these models is "Order Probit" which is based on the description of factors affecting the price changes. The second model is the "Decomposition Model" decompose the price change to different factors. The third model uses the time between price changes and size of price changes is presented. According to this models the features of high frequency data is obtained. Keywords: High Frequency, Asynchronously Transaction, Excess Kurtosis, Spreads, Time Duration, Order Probit.