تجزیه و تحلیل الگوهای معاملاتی کارگزاران سهام: تجزیه شبکه و رویکرد اقتصاد فضایی

با استفاده از یک مجموعه داده منحصر به فرد با کلیه معاملات روزانه از بورس اوراق بهادار سانتیاگو ، ما یک روش جدید را تهیه می کنیم که تجزیه شبکه را با یک تکنیک اقتصادی فضایی ترکیب می کند تا بررسی کند که چگونه ویژگی های کارگزاران و تصمیمات تجاری ممکن است بر بازده بورس تأثیر بگذارد. ما شواهد پیشنهادی از مکانیسمی را ارائه می دهیم که با استفاده از آن تغییرات ساختاری شبکه معامله بین کارگزاران بر بازده کل بازار سهام تأثیر می گذارد. ما می دانیم که کارگزاران با افزایش قابل توجهی در بازار ، تمایل به تجارت با همتایان با حجم فروش درون داخل کشور دارند. علاوه بر این ، کارگزاران دارای یک بخش تحقیقاتی تمایل دارند که وقتی بازار افزایش قابل توجهی از بازگشت خود را تجربه می کند ، بدون یک بخش تحقیقاتی به کارگزاران بفروشند. از دیدگاه مالی ، این نتایج روشهای جدیدی را نشان می دهد که واسطه ها ممکن است بر تعادل بازار و کارآیی بازار تأثیر بگذارند.

1. مقدمه

موسسات مالی مربوط به عملکرد بازارهای سرمایه هستند. هر روز شرکت ها و سرمایه گذاران با واسطه های مالی (FI) مانند بانک ها ، شرکت های بیمه ، صندوق های بازنشستگی ، صندوق های متقابل و شرکت های کارگزاری در تعامل هستند. مدیریت مالی سرمایه گذاران شامل وجود FIS [1] است که ضمن اعمال کارکردهای خود ، شبکه های معامله را تشکیل می دهند. این امکان وجود دارد که رفتار پویا این شبکه ها ، که توسط Sensoy و Tabak [2] و Guerra و دیگران [3] مورد مطالعه قرار گرفته است ، بر بازده بازار از طریق مسابقات تجاری خاص بین انواع مختلف کارگزاران تأثیر می گذارد. رفتار برخی از FIS مانند بانک ها [4-7] و صندوق های متقابل و بازنشستگی [8] در ادبیات مالی به طور گسترده مورد مطالعه قرار گرفته است. 1 با این حال ، نقش شرکت های کارگزاری در عملکرد بازار سهام به سختی مورد تجزیه و تحلیل قرار گرفته است. این شکاف دانش به ویژه در زمینه فرآیند تخریب مجدد بازار سهام در اقتصادهای در حال توسعه بسیار مهم است. 2 افزایش ناهمگونی در بنگاه های کارگزاری ، که توسط فرآیند دوم ایجاد می شود ، احتمالاً باعث افزایش پیچیدگی تعامل معاملاتی در بازار سهام اقتصادهای نوظهور خواهد شد. بنابراین ، از دیدگاه سیاست ، پیشبرد دانش ما در مورد این ارتباطات بازار برای به روز نگه داشتن مقررات بسیار مهم است و در نتیجه ، از دیدگاه مالی ، باعث افزایش کارایی بازار سهام می شود. 3

در این مقاله، ما به بهبود درک نقش شرکت های کارگزاری در زمینه بازارهای سهام توسعه نیافته کمک می کنیم. یعنی، ما همبستگی بین الگوهای شبکه تراکنش کارگزاران را با گونه‌شناسی خاص در یک اقتصاد نوظهور در طول افزایش قابل‌توجه بازده بازار مطالعه می‌کنیم. بورس اوراق بهادار سانتیاگو (SSE) شرایط مناسبی را برای مطالعه چگونگی تأثیر پیچیدگی تعاملات تجاری بین FIها بر کارایی بازار فراهم می کند. این به چند دلیل رخ می دهد. اول، داده‌های SSE امکان ساخت و مطالعه زیرمجموعه‌ای از شبکه‌های تراکنش مالی را در طول زمان فراهم می‌کند، که عمدتاً توسط ادبیات نادیده گرفته می‌شود. دوم، SSE یکی از مهم ترین بازارهای توافقنامه بازار یکپارچه آمریکای لاتین (Mercado Integrado Latinoamericano؛ MILA) است [9]. سوم، SSE با 92. 9٪ از کل سهم بازار، رهبر بازار سهام شیلی است. چهارم، شبکه تراکنش کارگزار SSE بخش عمده ای از تصمیمات خرید و فروش سهام سرمایه گذاران نهادی و دفاتر اصلی خانوادگی و سرمایه گذاران خرد در شیلی را در بر می گیرد. در نهایت، شیلی یک کشور در حال توسعه با توسعه مالی در سطح متوسط است. بنابراین، ما انتظار داریم یافته‌های ما راهنمای مفیدی برای سهامداران خصوصی، سیاست‌گذاران، تنظیم‌کننده‌ها و فعالان بازار در بازارهای سهام متعلق به اقتصادهای نوظهور باشد.

در این زمینه بازار نوظهور، کارگزاران ممکن است با محدودیت‌های نقدینگی ناشی از محدودیت‌های سرمایه مواجه شوند که آنها را از اجرای تمام سفارش‌های معاملاتی که دریافت می‌کنند باز می‌دارد [10-12]، و از آنجایی که رابطه مثبتی بین حجم معاملات و تغییرات قیمت وجود دارد [13-16]، باید انتظار داشته باشیم که در طول تغییرات مربوطه در قیمت‌های بازار، تطابق مثبت در حجم معاملات بین کارگزاران فروش و خرید وجود داشته باشد. یعنی کارگزارانی که سفارش های بزرگ را دریافت می کنند به دنبال منطبق با کارگزارانی هستند که بتوانند این معاملات را جذب کنند. از این نظر، الگوی اخیر این سوال را مطرح می‌کند که آیا تطابق مثبت در حجم فروش بین کارگزاران بر احتمال افزایش زیاد در بازده بازار سهام تأثیر می‌گذارد؟

بنابراین، فرضیه اصلی مقاله ما (H1) این است که وقتی بازده بازار به طور قابل توجهی افزایش می یابد، کارگزاران تمایل دارند با طرف مقابل با حجم فروش مشابه به ازای هر طرف معامله معامله کنند. ادبیات اخیر در مورد شرکت های کارگزاری وجود اصطکاک در بازار سهام مرتبط با گونه شناسی کارگزاران و اقدامات القایی را نشان می دهد که به شکل گیری شبکه معاملاتی کارگزاران کمک می کند. به طور خاص، ادبیات اخیر نشان می‌دهد که داشتن تحلیل‌گران سازمان‌دهی شده در یک بخش تحقیقاتی، داشتن سهام بزرگ یا کوچک (اندازه)، و داشتن خدمات تکمیلی مختلف (اقتصاد دامنه) از انواع مهم کارگزاری (شرکت کارگزاری) هستند که می‌توانند بر عملکرد یک شرکت تأثیر بگذارند. بازار سهام

بنابراین، ما تحلیل خود را بر رابطه بین این گونه‌شناسی و بازده کل بازار سهام یک اقتصاد نوظهور متمرکز می‌کنیم. به طور خاص، ما آزمایش می کنیم که آیا شواهدی از (H2. a)، یک همبستگی منفی بین تطبیق مثبت میانگین حجم روزانه در زیرشبکه تراکنش کارگزاران با نوع خاص "A" و افزایش قابل توجه بازده IPSA وجود دارد یا خیر. آیا شواهدی از (H2. b)، یک همبستگی مثبت بین تطبیق منفی میانگین حجم روزانه در زیرشبکه تراکنش کارگزاران با نوع خاص "A" و افزایش قابل توجه بازده IPSA وجود دارد. و اینکه آیا شواهدی از (H2. c)، یک همبستگی مثبت بین تطبیق مثبت (و منفی) ترکیبی میانگین حجم روزانه در زیرشبکه تراکنش بین کارگزاران با و بدون نوع خاص "A" و افزایش قابل توجه بازده IPSA وجود دارد یا خیر. 4 (برای توضیح دقیق تفاوت بین H2. a و H2. b به بخش 5 مراجعه کنید).

برای مطالعه موارد فوق، ما نتایج حاصل از کل شبکه تراکنش را با نتایج مرتبط با زیرشبکه‌های خاص تعریف شده توسط انواع کارگزاران مربوطه مقایسه می‌کنیم. روش‌شناسی ما منعطف است تا مطالعه چگونگی حضور تحلیلگران سازمان‌یافته، حضور اندازه کارگزاران، و حضور اقتصادی در حوزه یا اینکه آیا شرکت‌های کارگزاری معاملات اختصاصی انجام می‌دهند یا خیر، ممکن است بر انتخابات میان طرف‌های تجاری تأثیر بگذارد و الگوهای خاصی را ایجاد کند. شبکه تراکنش کارگزاران5 با استفاده از روش‌هایی که تجزیه شبکه و تجزیه و تحلیل آماری فضایی را ترکیب می‌کنند، تأثیر ویژگی‌های کارگزاران برون‌زا را بر انتخاب طرف‌های معامله در شبکه معاملاتی کارگزاران جدا می‌کنیم. برای اهداف تفسیری، ما شبکه تراکنش کارگزاران را از نظر فروش نشان می دهیم. 6 ما این شبکه ها را با استفاده از داده های ارائه شده توسط SSE می سازیم که هر معامله روزانه سهام را از سال 2006 تا 2015 پوشش می دهد. علاوه بر این، مجموعه داده های خود را با اطلاعات عمومی ارائه شده توسط کمیسیون بازار مالی تکمیل کردیم (www. cmfchile. cl، معادل شیلی استSEC برای ایالات متحده) و بلومبرگ (www. bloomberg. com). بر اساس اطلاعات اخیر، ما از شاخص قیمت SSE IPSA برای محاسبه افزایش قابل توجه بازده بازار با در نظر گرفتن مقادیر مختلف افزایش به عنوان آستانه استفاده کردیم.

ادبیات شبکه های اجتماعی به وجود تطابق ترکیبی مثبت، یعنی وابستگی فضایی مثبت، به عنوان هموفیلی اشاره دارد [17]. این پدیده به رفتار انبوهی اطلاق می شود که در آن افراد تمایل به برقراری روابط با افرادی دارند که دارای نوع مشابه هستند. با این حال، کارگزاران ممکن است تمایل داشته باشند حجم خود را به کارگزارانی که مخالف آنها هستند بفروشند. ما به این تمایل به تجارت با مکمل یا متضاد خود به عنوان هتروفیل اشاره می کنیم. اگر کارگزاران تمایل به فروش به کارگزاران دیگری داشته باشند که به شدت با خودشان تفاوت دارند، این الگوی دوم ظاهر می شود. به عنوان مثال، هنگامی که نوع شناسی دوگانه است، هتروفیلی به این معنی است که یک کارگزار از نوع "A" تمایل دارد به افراد از نوع "not-A" بفروشد.

برای مطالعه حضور هموفیلی یا هتروفیلی به طور متوسط حجم معامله شده توسط کارگزاران در شبکه معاملات روزانه خود ، ما از آزمون I Moran برای وابستگی مکانی استفاده می کنیم [18] ، جایی که میانگین معاملات داخلی کارگزار فردی متغیر وابسته در آزمون است. 7 با این حال ، ادبیات کارگزاری نشان می دهد که میانگین فروش متوسط یک کارگزار ممکن است صرفاً با ترجیح وی برای تجارت با کارگزاران به اشتراک گذاشتن حجم فروش مشابه مشخص نشود. بنابراین ، کارگزاران بازار سهام ممکن است دو منبع ممکن از میانگین فروش حجم هموفیلی مرتبط با هموفیلی (هتروفیل) داشته باشند: اول ، تمایل به فروش به کارگزارانی که حجم متوسط داخلی را می فروشند. دوم ، تمایل به فروش به کارگزارانی که یک نوع اگزوژن مشترک دارند ، مانند ارائه خدمات بانکی سرمایه گذاری یا داشتن تحلیلگران در یک بخش تحقیقاتی. ما دسته اول از الگوی هموفیلی را به عنوان هموفیلی درون زا و دومین تنوع هموفی به عنوان هموفیز اگزوژن نشان می دهیم ، زیرا انواع کارگزاران تحت تأثیر تصمیمات معاملاتی روزانه قرار نمی گیرند. بنابراین ، وابستگی مکانی مثبت سیگنال های وابستگی مکانی درون زا و منفی را نشان می دهد که به صورت ناهمگن درون زا سیگنال می کند.

از آنجا که ما شبکه معاملات کارگزاران را از نظر فروش نمایندگی می کنیم ، یک الگوی هموفیلی دلالت بر این دارد که حجم زیادی از سهام توسط کارگزارانی که مستعد رفتار هستند ، خریداری می شوند. بنابراین ، وابستگی مکانی مثبت داخلی (هموفیلی درون زا) در شبکه های معاملاتی با حجم زیاد نشان می دهد که در بازار بیشتر رانندگان کارگزاران با نگرش فروش هستند ، پس بازده بازار Intraday سقوط می کند. در این شرایط ، سهام در سطح کل شبیه به سیب زمینی داغ است که فقط از چند کارگزار خواسته می شود که بخرند و اکثر کارگزاران همچنان به فروش خود ادامه می دهند. در مقابل ، وابستگی مکانی منفی در یک شبکه معامله با حجم زیاد نشان می دهد که کارگزاران به طور مداوم به کارگزارانی می فروشند که تمایل به فروش حجم متوسط کوچکتر دارند ، یعنی کارگزارانی که تمایل به نگه داشتن بیشتر خریدهای خود دارند.

به دنبال چندین نویسنده [10 ، 11 ، 19] ، ما از چهار تایپولوژی اگزوژن برای تعریف مجموعه فوق الذکر از زیر شبکه ها استفاده می کنیم: (الف) فعالیت تجاری اختصاصی ، (ب) داشتن یک بخش تحقیقاتی ، (ج) ارائه خدمات بانکی سرمایه گذاری ، و (D) داشتن عدالت بزرگ. 9 بنابراین ، برای مطالعه مکانیسم تولید هموفیش درون زا ، ما شبکه معاملات کل کارگزاران را به زیر شبکه های خاص غیرقانونی تقسیم می کنیم تا حضور وابستگی مکانی را تجزیه و تحلیل کنیم (همچنین با استفاده از I Moran). برای مطالعه رابطه بین هموفیلی/هتروفیل (درون زا یا اگزوژن) و افزایش قابل توجه بازده بازار ، از یک تخمین پروب استفاده می کنیم.

تمایز ما بین هموفیلی و ناهمگن نقش اساسی در تحلیل ما دارد زیرا عدم وجود یکی به معنای دیگری نیست. بنابراین ، ما مدل های Probit فوق را به طور مستقل برای هر دو شاخص وابستگی مکانی مثبت و منفی مطالعه می کنیم. این روش ما را قادر می سازد تا مطالعه کنیم که آیا در طول قسمت از افزایش قابل توجه بازده IPSA (پرش IPSA) ، کارگزاران الگوهای معاملاتی هموفیلی یا هتروفیلیک و نحوه وقوع دومی را نشان می دهند. یعنی ، ما الگوهای هموفیلی درون زا را از الگوهای هموفیلی اگزوژن متمایز می کنیم. مورد دوم به ما امکان می دهد زیر مجموعه ای از نوع شناسی های کارگزاران اگزوژن را که ممکن است مکانیسم معاملاتی را آغاز کند که باعث افزایش قابل توجهی از بازده IPSA می شود ، دور بزنیم.

نتایج اصلی ما نشان می‌دهد که حضور هموفیلی درون‌زا به طور منفی با قسمت‌هایی از افزایش قابل‌توجه بازگشت IPSA مرتبط است. هنگامی که کارگزاران را به گروه‌ها تقسیم می‌کنیم، همانطور که قبلاً توضیح داده شد، متوجه می‌شویم که الگوی انباشته عمدتاً زمانی ادامه می‌یابد که مجموعه کارگزاران با توجه به اینکه آیا یک کارگزار دارای بخش تحقیقاتی است یا خیر، تقسیم می‌شود، اما برای سایر پارتیشن‌های در نظر گرفته شده توسط ادبیات وجود ندارد. جالب‌تر اینکه، گونه‌شناسی بخش تحقیقات وجود هتروفیلی اگزوژن را در طول رویدادهای افزایش زیادی بازگشت IPSA نشان می‌دهد. به این معنا که کارگزاران دارای بخش تحقیقاتی تمایل دارند به کارگزارانی بدون بخش تحقیقاتی بفروشند، زمانی که افزایش قابل توجهی در بازده IPSA رخ می دهد.

بقیه این مقاله به شرح زیر سازماندهی شده است. در بخش 2 ما ادبیات مرتبط را مورد بحث قرار می دهیم و در بخش 3 داده های خود را شرح می دهیم. سپس، بخش چهارم صنعت کارگزاری شیلی را توصیف می کند. در بخش 5، روش شناسی را به طور عمیق ارائه می کنیم. در بخش 6، نتایج تحلیل خود را ارائه می کنیم و در نهایت، در بخش هفتم، نتیجه گیری و الحاقات خود را ارائه می دهیم.

2. ادبیات مرتبط

شرکت‌های کارگزاری که به عنوان تسهیل‌کننده برای تجارت دارایی‌های مالی عمل می‌کنند، می‌توانند طیف وسیعی از فعالیت‌های مختلف، از جمله پذیره‌نویسی اوراق بهادار جدید، ایجاد بازار برای اوراق بهادار فصلی و ارائه خدمات به مشتریان در فعالیت‌های تامین مالی و سرمایه‌گذاری خود را انجام دهند [20]. ادبیات فعلی در مورد پیامدهای اقدامات FI و کارگزاران فقط بر بازارهای مالی توسعه یافته متمرکز شده است. با این حال، هم در بازارهای در حال توسعه و هم در بازارهای نوظهور، درک عمیق تری از تأثیر کارگزاران بر عملکرد این بازارها هنوز مورد نیاز است. این نیاز از این واقعیت ناشی می شود که بازارهای توسعه نیافته سطحی از کارایی بازار را ارائه می دهند که نسبت به کشورهای توسعه یافته پایین تر است [21]. ابرهارد، لاوین و مونتسینوس-پیرس [22] شواهدی را یافتند که تغییرات ساختاری در شبکه معاملاتی کارگزاران با افزایش مثبت بازده بازار سهام در یک اقتصاد نوظهور مرتبط است.

تجزیه و تحلیل استاندارد بازارهای مالی فرض می کند که بدون در نظر گرفتن انواع آنها ، اقدامات FIS بر ارزش دارایی های مالی تأثیر نمی گذارد. دومی به این دلیل اتفاق می افتد که مدل های ارزیابی دارایی منحصراً بر ریسک و روابط برگشتی دارایی های انجام شده توسط سرمایه گذاران متمرکز شده اند ، و نه بر روند واسطه گری مالی [1]. با این وجود و صرف نظر از اینکه سرمایه گذاران از پول خود برای خرید مستقیم دارایی یا به دست آوردن صندوق های متقابل برای سرمایه گذاری غیرمستقیم در بورس سهام استفاده می کنند ، معامله نهایی خرید و فروش دارایی به یک کارگزار واگذار می شود. به طور خاص ، در بازارهای سرمایه ، یک فرایند واسطه گری مالی وجود دارد که در آن دارایی ها مانند مورد بانکداری تغییر نمی یابد. یعنی ، سپرده به یک اعتبار تبدیل می شود ، اما مالکیت آنها بین یک سرمایه گذار که خریداری می کند و یک سرمایه گذار دیگر که در معاملات انجام شده توسط کارگزاران می فروشد منتقل می شود [23]. بنابراین ، به نظر می رسد که معاملات بین کارگزاران نباید بر بازگشت دارایی های سرمایه ای که تجارت می کنند تأثیر بگذارد. برخلاف رویکرد دوم ، ادبیات ریزساختار بازار مالی نشان می دهد که ساختار بازارهای مالی اصطکاک هایی را ایجاد می کند که بر بازده دارایی های مالی تأثیر می گذارد. Easley و O'Hara [13] استدلال می کنند که این اصطکاک ها بر هزینه های معاملات و بازده تأثیر می گذارد. علاوه بر این ، علل این اصطکاک ها را می توان به کارگزاران اجرای معاملات بازگرداند. این اصطکاک ها با هزینه های ثابت ، اندازه ، هزینه ها و عواملی که ناشی از ویژگی های دارایی های معامله شده مانند پرداخت ، نقدینگی و نوسانات در میان دیگران است ، همراه است. به طور سنتی ، هنگامی که یک شرکت تصمیم می گیرد با صدور سهام یا اوراق قرضه ، تأمین مالی خارجی را افزایش دهد ، یک کارگزار قرارداد می کند ، که در ازای خدمات خود ، هزینه ای را برای قرار دادن ابزار در بازار دریافت می کند. با این حال ، کارگزاران دامنه خدمات گسترده تری و پیچیده تری نسبت به اجرای سفارشات سرمایه گذاران ارائه می دهند. اخیراً ، این FI ها به فعالیتهای سنتی مانند اجرای سفارشات تجاری اختصاص یافته اند ، بلکه تجزیه و تحلیل اقتصادی و توصیه های تجاری و کارهای بانکی سرمایه گذاری را نیز انجام می دهند. 10

علاوه بر این ، زمینه تجاری که کارگزاران این کارها را در سالهای اخیر انجام داده اند. یکی از منابع این تغییر ، تحولات عمیق فن آوری بازارهای مالی است. این تغییر گسترده در نحوه انجام معاملات تحول چشمگیری ایجاد کرده است و از این طریق فشار رقابتی بیشتری را بر کارگزاران فعلی در صنعت القا می کند [24]. Boehmer ، Jennings و Wei [25] دریافتند که تصمیمات سفارش خرید و فروش مشتری با کیفیت اجرا همراه است. یعنی ، آن کارگزاران با هزینه کم و اجرای سریع سفارشات بیشتری دریافت می کنند. در نتیجه ، صنعت کارگزاری با فشارهایی برای هزینه های پایین تر و اجرای تجارت با کیفیت بالا روبرو است. به همین ترتیب ، فوریت برای افزایش سودآوری شرکت های کارگزاری فشار بیشتری بر کارگزاران برای حفظ درآمد با تقویت فعالیت های بانکی سرمایه گذاری و افزایش سرمایه خود در تجارت اختصاصی وارد می کند [26]. 11 این تغییرات در رابطه با اصطکاک های ذکر شده در بالا بهینه سازی عوامل در بازارهای مالی برای نمایش الگوهای رفتاری خاص. ما استدلال می کنیم که وجود این الگوهای به شدت مکانیسم هایی را نشان می دهد که از طریق آن اصطکاک های مالی بر بازده بازارها تأثیر می گذارد.

پیچیدگی روزافزون بازارهای مالی مستند شده توسط گلدشتاین و دیگران [26] ، نشان می دهد که نوع شناسی های کارگزار خاص در ظهور الگوهای رفتاری فوق الذکر نقش دارند. به عنوان مثال ، هاجرتی و مک دونالد [10] نشان می دهند که ، در بازاری با اطلاعات نامتقارن ، معامله گران آگاه با هزینه معامله گران ناآگاه سود کسب می کنند و با انگیزه ای برای خدمت به عنوان همتای تجارت روبرو می شوند و نه فقط به عنوان یک مجرای کارگزاریوادهمچنین شواهدی از اصطکاک مربوط به وجود انواع مختلف کارگزاران بر تعادل بازار سهام وجود دارد [27].

مطالعات اخیر در مورد شرکت های کارگزاری انفرادی نه تنها نقش تحلیلگران را در سود شرکت های کارگزاری ، بلکه وجود و تأثیرات اقتصاد مقیاس و دامنه و تأثیرات اندازه آن بر کارآیی این FI را مورد تجزیه و تحلیل قرار داده است. با توجه به اجرای تجارت ، کارگزاران در پذیرش تعداد نامحدود سفارشات با محدودیت هایی روبرو هستند زیرا از یک طرف با الزامات سرمایه روبرو می شوند و از طرف دیگر ، سرمایه محدودی دارند [10]. در همین راستا ، Demirbag و دیگران [11] کارایی شرکت های اوراق بهادار در ترکیه را کشف می کنند. آنها نشان می دهند که دانش ، دارایی ها و قابلیت های مالی عوامل مرتبط با زنده ماندن این واسطه ها هستند. آنها دریافتند که وابستگی بانکی ، مالکیت خارجی و اندازه تأثیر مثبت بر کارآیی کارگزاران دارد. با همان روحیه ، لی و دیگران [12] دریافتند که کارگزاران بزرگتر در کره از اقتصاد مقیاس و دامنه برخوردار هستند. به طور خاص ، اقتصاد بیشتر مقیاس در بنگاه های بزرگتر وجود دارد.

در نتیجه و به گفته چندین نویسنده [10 ، 11 ، 19] ، نوع شناسی های اگزوژن از کارگزاران که ما در تجزیه و تحلیل ما در نظر می گیریم ، شرکت های کارگزاری با (الف) فعالیت تجاری اختصاصی ، (ب) یک بخش تحقیقاتی ، ج) خدمات بانکی سرمایه گذاری ،و (د) عدالت بزرگ.

3. منابع اصلی داده

ما از تمام داده های موجود از معاملات روزانه سهام که توسط کارگزاران سهام در SSE برای دوره 2006-2015 انجام می شود ، استفاده می کنیم. مجموعه داده های ارائه شده به صورت ناشناس ، بدون هیچ ارتباطی بین نام کارگزار و معاملات آنها ، شامل اطلاعات زیر است: روز معامله ، ابزار معامله شده ، نوع بهره برداری ، واحدهای مبادله شده ، قیمت خرید و شناسایی کارگزاران درگیر در خرید و فروشوادما از داده های دوم برای ساخت شبکه معاملات روزانه بر اساس فروش بازار سهام شیلی به دنبال ایبرهارد و دیگران استفاده می کنیم [22]. 12 ما شبکه معامله کارگزاران ، از این پس شبکه معامله را به عنوان فضایی که در آن یک تکنیک اقتصاد اقتصادی فضایی برای تشخیص وابستگی مکانی اعمال می کنیم ، در نظر می گیریم. به دنبال نویسندگان دوم ، ما همچنین متغیرهای مالی استاندارد را برای ضبط عوامل احتمالی که ممکن است بر بازده IPSA تأثیر بگذارد ، در نظر می گیریم. سرانجام ، ما سری زمانی از افزایش مثبت قابل توجهی در بازگشت IPSA را می سازیم. از این پس ، IPSA با توجه به حرکت دوره های سالانه پرش می کند.

4- صنعت کارگزاری بازار سهام شیلی

در شیلی ، کارگزاری سهام بر واسطه های سهام ، بازار پول و ابزارهای درآمد ثابت متمرکز است و 80. 8 ٪ از کل معاملات را در سال 2015 نشان می دهد. معاملات سهام از سال 2006-2015 به طور متوسط 50،641 MMUSD در سال بود. این معاملات به طور متوسط 32 کارگزار در سال انجام می شد ، که به طور متوسط 1،594 MMUSD در هر کارگزار معامله می کردند.

در این صنعت چهار نوع کارگزار وجود دارد: شرکتهای تابعه بانکهای تجاری ، شرکتهای تابعه بانکهای سرمایه گذاری ، کسانی که مربوط به شرکتهای بیمه و کارگزاران سنتی هستند. براساس ارقام منتشر شده توسط SSE ، از دسامبر 2015 ، کارگزاران مرتبط با بانکهای سرمایه گذاری و تجاری 87. 5 ٪ از کل مبلغ معامله شده و 75. 4 ٪ از کل سهام صنعت را تشکیل می دادند. از نظر حقوق صاحبان سهام ، کارگزاران بانک تجاری مهمترین (54. 9 ٪ از کل سهام) هستند. از نظر حجم معامله شده ، کارگزاران بانک سرمایه گذاری بزرگترین کارگزاران (51 ٪ از کل حجم) هستند. بیشترین تعداد کارگزاران در بازار شامل کارگزاران سنتی و کسانی هستند که متعلق به بانک های تجاری با 63 ٪ سهم بازار مشترک هستند.

در سال 2015 ، 2،695،141 معاملات خرید و فروش سهام برای ارزش متوسط 21. 932 MMUSD وجود داشته است. این معاملات شامل معاملات انجام شده به نمایندگی از اشخاص ثالث (88 ٪ از کل) و در حساب های اختصاصی آنها و معاملات مرتبط (12 ٪ از کل) است. علیرغم تغییراتی که در سالهای اخیر در این بازار تجربه شده است ، آمار قبلی برای معاملات در حساب های اختصاصی خود و 90 ٪ برای عملیات شخص ثالث حدود 10 ٪ تثبیت شده است. علاوه بر این ، براساس ارقام SSE ، 71. 5 ٪ از کل معامله شده توسط سرمایه گذاران محلی انجام می شود.

ساختار صنعت کارگزاری سهام در شیلی با گذشت زمان پایدار است ، که مشابه بازار سهام در کشورهای توسعه یافته است که توسط هایز و دیگران [28] و آناند و گالتوویچ [29] یافت می شود. جدول 1 سهم بازار 10 کارگزار برتر و 90 ٪ باقیمانده را نشان می دهد. بین سالهای 2006 و 2015 ، 80. 2 ٪ از کل معاملات فقط توسط 10 کارگزار سهام اجرا شد که به طور متوسط 32. 1 ٪ از کل کارگزاران را که در همان دوره در شیلی فعالیت می کنند ، نشان می دهد. 13

5. روش شناسی

همانطور که قبلاً مشخص شد ، هدف ما بررسی همبستگی احتمالی بین تمایل به تجارت با کارگزاران است که حجم مشابهی را به عنوان همتایان خود (هموفیلی درون زا) و افزایش قابل توجهی از بازده IPSA (پرش) می فروشند. اولین قدم ما مطالعه وابستگی مکانی متوسط حجم فروخته شده توسط هر کارگزار در شبکه معاملات روزانه در SSE است. سپس ، ما تأثیر هموفیلی اگزوژن را بر تصمیم همتایان تجارت کارگزاران ، یعنی هموفیلی درون زا (هتروفیل) ، بر افزایش زیاد بازده بازار جدا می کنیم. برای این کار ، ما سه زیر شبکه از شبکه معامله را تعریف می کنیم که با هم همپوشانی ندارند. این زیر شبکه ها زیر شبکه گره های نوع "A" 14 و زیر شبکه گره ها با نوع "Not-A" و زیر شبکه دو طرفه معاملات بین کارگزاران دو نوع مخالف هستند. 15

لازم به ذکر است که پرش IPSA به موقع پراکنده است. به همین دلیل و از آنجا که وقوع پرش IPSA یک رویداد دوگانگی است ، ما یک مشکل را برای مطالعه در نظر می گیریم که آیا تغییرات در الگوهای تطبیق شبکه با پرش های IPSA ارتباط دارد. به طور خاص ، ما همبستگی را برای 11 بزرگی مختلف پرش IPSA بررسی کردیم: افزایش می یابد که از 1 انحراف استاندارد با افزایش 0. 1 انحراف استاندارد برای رسیدن به افزایش بازده IPSA از 2 انحراف استاندارد است. 16 یعنی ، مشروط برای اولین مورد برای این سریال تخمین زده می شود که حاوی 1 در روزهایی است که IPSA از 1 انحراف استاندارد باز می گردد ، و اگر بازده IPSA از آن تجاوز نکند. به طور مشابه ، در مورد دوم ، سریال مقادیر 1 را می گیرد که تغییرات در IPSA از 1. 1 انحراف استاندارد و غیره تجاوز می کند. در کلاس دوم مدل ها ، شاخص افزایش قابل توجهی از بازده بازار متغیر وابسته است و یک شاخص از وابستگی مکانی (مثبت برای هموفیلی درون زا و منفی برای هتروفیل درون زا) متغیر مستقل مورد علاقه است.

یکی دیگر از عناصر مهم که باید در نظر بگیرید معاملات در نظر گرفته شده برای ایجاد شبکه ها در مطالعه است. همانطور که در ایبرهارد و دیگران [22] ، ما همبستگی شبکه های ساخته شده برای آستانه های مختلف کل مبالغ معامله شده بین کارگزاران را مطالعه می کنیم (از دهک های حجم به عنوان آستانه استفاده می شود). Decile 10 مربوط به 100 ٪ معاملات است ، در حالی که Decile 1 فقط شامل 10 ٪ برتر حجم معامله است. به این ترتیب ، ما فرضیه های خود را برای بزرگی های مختلف معاملات تجزیه و تحلیل می کنیم: از کوچکتر تا بزرگتر و برای شدت های مختلف افزایش در بازده IPSA. این به ما امکان می دهد تا ارزیابی کنیم که چگونه با در نظر گرفتن جریانهای معامله کوچکتر ، که به طور بالقوه نوسانات بیشتری را با توجه به حرکات بازار مالی شامل می شود ، بر همبستگی بین پرش در بازده IPSA با وابستگی مکانی تأثیر می گذارد. در عین حال ، ما می توانیم مطالعه کنیم که آیا همبستگی بین پرش IPSA و وابستگی مکانی بسته به شدت پرش IPSA قوی تر است یا خیر.

پس از ابرهارد و دیگران [22] ، تخمین پروبیت توسط متغیرهای مالی کنترل می شود که ممکن است بر بازده IPSA تأثیر بگذارد. به طور خاص ، ما برای تغییر متغیرهای زیر کنترل می کنیم: قیمت نفت ، قیمت دلار ، شاخص VIX ، شاخص بازارهای نوظهور ، قیمت مس ، مبادلات پیش فرض 5 ساله اعتبار و شاخص سهام S&P 500. علاوه بر این ، کنترل ها براساس ماه و سال برای جداسازی اثرات فصلی در ماه ها و سالهای خاص گنجانده شده است. به منظور ساده سازی ارائه نتایج و تسهیل تجسم الگوهای موجود در هنگام مقایسه رگرسیون های قبلی ، نتایج رگرسیون برای کنترل ها ارائه نمی شود. با این حال ، آنها برای خوانندگان علاقه مند در دسترس هستند. بر این اساس ، ارقام نتایج بر نشان دادن اهمیت متغیر وابستگی مکانی برای مدلهای پروبیت فوق الذکر متمرکز خواهد شد. هنگامی که وجود وابستگی مکانی مثبت و منفی با استفاده از آزمون Moran I ارزیابی شود ، ما یک متغیر شاخص را برای وابستگی مکانی مثبت یا هموفیلی و یک متغیر شاخص برای همبستگی وابستگی منفی یا ناهمگن ایجاد می کنیم. این متغیرها برای شبکه های تعریف شده برای 10 آستانه پرش مختلف در بازگشت IPSA ساخته شده اند.

به منظور مطالعه (H1) ، به عنوان مثال ، کارگزارانی که تمایل به تجارت با همتایان با حجم فروش مشابه در هر طرف تجاری دارند ، هنگامی که بازگشت بازار به طور قابل توجهی افزایش می یابد ، ابتدا کل شبکه معامله را به عنوان فضایی که ما موران I را انجام می دهیم در نظر می گیریم. تست. دوم ، ما مدل پروبیت را که قبلاً توضیح داده شده است ، مطالعه می کنیم. ضریب آماری معنی دار در نشانگر وابستگی مکانی ممکن است نشان دهد که یک رفتار بالقوه هموفیلی (یا هتروفیلیک) ممکن است بر بازده بازار سهام کل تأثیر بگذارد.

بر این اساس ، وجود وابستگی مکانی مثبت در شبکه معاملات نشان می دهد که کارگزاران با حجم متوسط فروخته شده در طول روز تمایل به تجارت با سایر کارگزاران دارند که در طول روز حجم متوسط زیادی را می فروشند. 17 این بدان معناست که ، هنگامی که وابستگی مکانی مثبت وجود دارد ، کارگزاران از نظر حجم متوسط داخل فروخته شده به همتایان مشابه می فروشند. از آنجا که شبکه معاملات کارگزاران مشخص می کند که چه کارگزاران به آن می فروشند ، یک الگوی هموفیلی در شبکه های معامله با حجم بزرگ (دهک های 1 ، 2 یا 3) مطابق با تمایل به فروش حجم زیادی به کارگزاران است که قصد فروش آن حجم ها را دارند. خوب. اگر مورد دوم باشد ، هموفیلی درون زا احتمال پرش IPSA را کاهش می دهد. مورد دوم اتفاق می افتد ، زیرا اگر بیشتر کارگزاران سفارش فروش را دریافت کنند که شامل حجم زیادی باشد (شبکه های معامله برای دهکدها 1 تا 4) ، فقط اقلیت کارگزاران در آن طرف بازار هستند ، یعنی خرید حجم زیادی از سهام. در چنین زمینه بازار ، سهام شبیه سیب زمینی داغ است. مورد مخالف هنگامی ظاهر می شود که معاملات کارگزاران از یک الگوی هتروفیل درون زا پیروی می کنند. چنین الگویی نشان می دهد که کارگزاران که حجم زیادی را می فروشند ، تمایل دارند این کار را به کارگزاران انجام دهند که حجم زیادی را نمی فروشند ، اما در نهایت می توانند حجم زیادی را خریداری کنند. این نشان می دهد که سهام یک سیب زمینی داغ نیست ، اما برعکس ، آنها دارایی هستند که برای به دست آوردن سود اقتصادی به دست می آیند. بنابراین ، باید بیشتر از پرش IPSA مشاهده شود. بنابراین ، لازم است که بپرسید: چه چیزی باعث تمایل کارگزاران به تجارت با همتایان مشابه/متفاوت می شود؟یعنی آیا می توان مکانیسم احتمالی را که از طریق آن الگوی تطبیق بین کارگزاران در حضور پرش IPSA بوجود می آید ، درک کرد. ما در نظر گرفتن نوع شناسی های اگزوژن موجود در ادبیات به این سؤال می پردازیم: (الف) فعالیت تجاری اختصاصی ، (ب) داشتن یک بخش تحقیقاتی ، ج) ارائه خدمات بانکی سرمایه گذاری ، و (د) داشتن عدالت بزرگ. بر این اساس ، تجزیه و تحلیل لازم برای مطالعه علل احتمالی هموفیلی درون زا (هتروفیل) به دو مرحله کلیدی نیاز دارد: مجموعه کارگزاران را با توجه به معیارهای ذکر شده تجزیه کنید ، و سپس شاخص های وابستگی مکانی را محاسبه کرده و مدلهای پروب را اجرا کنید.

اول ، ما شبکه معاملات را بر اساس نوع شناسی های برون زا کارگزاران تجزیه می کنیم تا تأثیر هموفیلی اگزوژن یا ناهمگن بر وابستگی مکانی متوسط حجم معامله شده در هر زیر شبکه معامله را ضبط کنیم. 19 طبقه بندی کارگزاران با توجه به یک نوع شناسی اگزوژن به ما امکان می دهد تا انتخاب کارگزاران را با دو بعد به طور همزمان مطالعه کنیم: یک درون زا (حجم معامله شده) و یک برونزا (به عنوان مثال ، خدمات بانکی سرمایه گذاری). دوم ، ما شاخص های همبستگی مکانی را که قبلاً در هر یک از زیر شبکه های تعریف شده توسط ویژگی های فوق الذکر توضیح داده شده است ، محاسبه می کنیم. 20 و به طور مشابه در مطالعه شبکه کامل ، ما از مدل Probit که قبلاً توضیح داده شده بود برای مطالعه همبستگی بین پرش های IPSA و الگوی مسابقات همتایان تجارت در هر زیر شبکه استفاده می کنیم. یعنی اگر به عنوان مثال ، در گروه کارگزاران با یک بخش تحقیقاتی ، بررسی خواهیم کرد ، مشاهده می کنیم که آنها با کارگزاران با حجم مشابه معامله می شوند یا خیر. این مدلهای پروبیت به ما امکان می دهد فرضیه های زیر را با توجه به نوع خاصی مطالعه کنیم: 21 (1) H2. A ضریب شاخص وابستگی مکانی مثبت از حجم متوسط روزانه فروخته شده در نوع کارگزار نوع "A" منفی و قابل توجه است.(2) H2. B ضریب شاخص وابستگی مکانی منفی حجم روزانه معامله شده در زیر شبکه کارگزار نوع "A" مثبت و معنی دار است. (3) H2. C ضریب شاخص وابستگی مکانی منفی حجم روزانهمعامله شده در زیر شبکه بین کارگزاران نوع "A" و نوع "NOT-A" مثبت و معنی دار است.

در صورت وجود پرش IPSA ، عدم وجود تطبیق سازنده مثبت سیستماتیک در حجم متوسط روزانه فروخته شده به این معنی نیست که تطابق منفی سیستماتیک در همان متغیر وجود دارد زیرا هیچ الگوی تطبیق وجود ندارد. بنابراین ، ما باید هر دو فرضیه H2. A و H2. B را آزمایش کنیم. علاوه بر این ، فرضیه های کاری ما هیچ گونه دلالی در مورد نحوه کارگزاران ، به عنوان مثال ، بدون تجارت بخش تحقیقاتی در بین یکدیگر ، ندارند. بنابراین ، ما بر مطالعه الگوهای خاص در زیر شبکه های نوع "Not-A" تمرکز نمی کنیم. 22

6. نتایج

شکل 1 نتایج رگرسیون مدل Probit را برای پرش IPSA با شدت های مختلف (ستون های 2-12) و برای آستانه های مختلف حجم مختلف که روزانه بین کارگزاران معامله می شود (ردیف های 2-11) نشان می دهد. هر سلول در شکل 1 حاوی ضریب مرتبط با شاخص وابستگی مکانی برای وابستگی مکانی مثبت 23 و مقدار P مربوطه است. یک سلول زرد نشان می دهد که برآوردگر ضریب در پروب منفی است ، در حالی که یک سلول آبی نشان می دهد که ضریب مثبت است. علاوه بر این ، اگر رنگ سلول سبک تر باشد ، آن زرد روشن یا آبی روشن است ، ضریب آن قابل توجه نیست ، در حالی که سلولهای رنگی تیره برای ضرایب قابل توجهی محفوظ هستند. 24 این کدگذاری رنگی به ما امکان می دهد تا به راحتی الگوهای بسیاری از رگرسیون های ارائه شده را شناسایی کنیم. در شکل 1 ، اکثریت قریب به اتفاق ضرایب منفی و معنی دار نیستند. این نشان می دهد که وجود وابستگی مکانی مثبت بر احتمال پرش IPSA برای بیشتر آستانه ها تأثیر نمی گذارد. یعنی وقتی واسطه ها تصمیم می گیرند چه کسی را بفروشند ، هیچ مدرکی مبنی بر الگوی خاص وجود ندارد. این واقعیت با مفهوم حاصل از نظریه کارآمد بازار سازگار است که FIS اهمیتی ندارد که آلن ذکر شده است [1]. با این حال ، شکل 1 حضور یک الگوی را نشان می دهد که ما روی شبکه های (روزانه) که منحصراً با حجم کل بزرگ که بین کارگزاران معامله می شود ، به ویژه دهکده های اول ، دوم و سوم معامله می کنیم. 25 در این موارد ، بیشتر ضرایب قابل توجه هستند و با افزایش شدت پرش IPSA ، تمایل روشنی به افزایش ارزش مطلق نشان می دهند. این شواهدی است که نشان می دهد اهمیت وابستگی مکانی مثبت با اندازه افزایش بازده IPSA رشد می کند.