آیا پروکسی های نقدینگی نقدینگی را به طور دقیق در ETF اندازه گیری می کنند؟

ما عملکرد پروکسی های نقدینگی را در ETF ها مستند می کنیم. بیشتر پروکسی ها برای استفاده در سهام توسعه یافته اند. با این حال ، ETF ها دارای اطلاعات نامتقارن کمتری ، تجارت الگوریتمی بیشتر و یک بازار اولیه فعال هستند که در آن واحدها به طور مکرر ایجاد و بازخرید می شوند. با استفاده از یک بانک اطلاعاتی جامع بیش از 600 ETF ، می فهمیم که با وجود تفاوت بین ETF و نقدینگی سهام ، پروکسی هایی مانند گسترش روزانه ، کم کم ، نزدیک به پایین و Amihud همه کار خوبی در گرفتن تغییرات در موثر و مؤثر دارندبه نقل از هزینه های معاملات گسترش یافته. با این حال ، هیچ پروکسی به طور دقیق حرکات تأثیر قیمت یا سطح هزینه های واقعی معاملات را منعکس نمی کند.

معرفی

نقدینگی ابعاد اصلی بازارهای مالی است ، بنابراین اندازه گیری دقیق آن مهم است. از پروکسی های نقدینگی غالباً در تحقیقات تجربی در مواردی استفاده می شود که داده های با فرکانس بالا مبتنی بر اندازه گیری نقدینگی ، که می توانند از نظر محاسباتی بسیار فشرده باشند ، ضروری نیست. با این حال ، این رویکرد سؤالاتی را در مورد اثربخشی این پروکسی ها مطرح می کند. این موضوع به طور جامع در سهام (به عنوان مثال ، Goyenko et al. ، 2009 ، Corwin and Schultz ، 2012 ، Abdi and Ranaldo ، 2017) ، بازارهای اوراق بهادار (به عنوان مثال ، Schestag و همکاران ، 2016) ، بازارهای ارز (به عنوان مثال ، مانچینی و و همکارانش) مورد بررسی قرار گرفته است. Al. ، 2013 ، Kaaukh et al. ، 2015) و بازارهای کالا (به عنوان مثال ، مارشال و همکاران ، 2012).

با این حال ، نسبتاً کمی در مورد چگونگی اندازه گیری نقدینگی در ETF شناخته شده است. پرداختن به این موضوع ، تمرکز این مقاله ، از اهمیت زیادی برخوردار است زیرا بیشتر پروکسی های نقدینگی برای سهام توسعه یافته اند. با این حال ، ETF و نقدینگی سهام از نظر بسیاری متفاوت است. اول ، همانطور که Subrahmanyam (1991) نشان می دهد ، انتظار می رود یک سبد اوراق بهادار (مانند ETF) به دلیل کم هزینه تر انتخاب نامطلوب ، نقدینگی بالاتری نسبت به سهام زیرین داشته باشد. این هزینه ها جنبه مهمی از پروکسی های نقدینگی و نقدینگی سهام (به عنوان مثال ، Glosten ، 1987) است ، زیرا وقتی نگرانی هایی وجود دارد که سایر شرکت کنندگان در بازار اطلاعات برتر دارند (به عنوان مثال Admati و Pfleider ، 1988) ، عدم تمایل به تأمین نقدینگی وجود دارد. در ضمیمه A ، ما نشان می دهیم که گسترش مؤثر در میانگین ETF صنعتی داو جونز (DIA) پایین تر از گسترش موثر قیمت سهام سهام است که DJIA را تشکیل می دهد ، که از تئوری Subrahmanyam (1991) پشتیبانی می کند. 1

دوم، ما پیشنهاد الکساندر و باربوسا، 2008، بن دیوید و همکاران، 2015 را تایید می کنیم که ETF ها تقاضای بیشتری را از سوی معامله گران فعال جذب می کنند. هندرسات و همکاران(2011) پیشنهاد می کند تجارت الگوریتمی (از این پس "الگو") با ارسال و لغو سریع سفارش همراه است، بنابراین پروکسی معاملاتی الگوی ما این است که ارزش معاملات بر تعداد پیام ها (که به عنوان یک مظنه یا به روز رسانی تجاری تعریف می شود) به دنبال بومر و همکاران تقسیم می شود.(2015). ما نشان می دهیم (در ضمیمه A) سطح بالاتری از معاملات الگوریتم در ETF DIA نسبت به سهام اصلی آن وجود دارد. این، همراه با شواهدی مبنی بر اینکه معامله گران الگوریتم نقدینگی را زمانی مصرف می کنند که اسپردهای پیشنهادی باریک و نقدینگی ارزان است، و نقدینگی عرضه می کنند زمانی که گران است (مانند هندرسات و ریوردان، 2013)، سؤالاتی را در مورد توانایی پراکسی های نقدینگی برای اندازه گیری نقدینگی ایجاد می کند. در ETF ها

سوم، همانطور که مالامود (2015، ص 1) تاکید می کند، ETF ها دارای یک ساختار بازار ETF دو لایه با یک مبادله متمرکز (بازار ثانویه) و یک مکانیسم ایجاد/بازخرید (بازار اولیه) هستند که از طریق شرکت های بازارساز شناخته می شوند. شرکت کنندگان مجازدر مدل مالامود (2015)، تغییرات نقدینگی در بازار اولیه پیامدهای مهمی برای نوسانات ETF و خطای ردیابی دارد. در ضمیمه A، میانگین نسبت روزها را در تمام ETFهای نمونه خود گزارش می دهیم، جایی که ایجاد بازار اولیه یا بازخریدها بسته به نحوه محاسبه این میانگین، از 14٪ تا 21٪ متغیر است. ما همچنین نتایج رگرسیونی تولید می کنیم که نشان می دهد کاهش نقدینگی ETF در بازار اولیه در یک روز معین منجر به افزایش، به طور متوسط، انتشار مؤثر ETF در بازار ثانویه در روز بعد می شود. همچنین شواهدی وجود دارد که اسپردهای کمتر در دو روز قبل با جریان خالص بالاتر در روز t مرتبط است. این با مشارکت کنندگان مجاز، که به عنوان بازارسازان ETF عمل می کنند، مطابقت دارد، وقتی که بازار ثانویه نقدشونده تر است، در بازار اولیه فعال تر هستند. آربیتراژ از طریق ایجاد و بازخرید واحدهای ETF بازار اولیه زمانی جذاب تر است که هزینه های معاملات بازار ثانویه کمتر باشد. در مجموع، به این نتیجه رسیدیم که شواهدی مبنی بر ارتباط دو طرفه قوی بین نقدینگی بازار اولیه و ثانویه وجود دارد.

چهارم ، ETF ها با سایر کلاسهای دارایی مورد مطالعه در ادبیات پروکسی نقدینگی متفاوت هستند ، زیرا آنها بر اساس طیف گسترده ای از دارایی های اساسی است. ETF در نمونه ما شامل مواردی است که مربوط به شاخص های سهام ، بخش های سهام ، اوراق قرضه ، کالاها ، ارزها ، املاک و مستغلات و سایر کلاسهای دارایی "عجیب و غریب" است. بنابراین ممکن است که برخی از پروکسی های نقدینگی در بعضی از ETF ها عملکرد خوبی داشته باشند اما نه برخی دیگر ، به این معنی که هیچ پروکسی واحدی وجود ندارد که بتواند در کل جهان ETF استفاده شود.

لازم به ذکر است که تجزیه و تحلیل ما براساس این فرض است که معیارهای هزینه معامله که ما از آنها استفاده می کنیم ، علی رغم تفاوت بین ETF و سایر بازارها ، نقدینگی واقعی در ETF ها را نشان می دهد. ما احساس می کنیم این یک فرض معقول است. روشی که بازپرداخت محاسبه می شود در کلاسهای دارایی متفاوت نیست و به همان روش ، هیچ دلیلی برای انتظار یک معیار نقدینگی مانند گسترش مؤثر وجود ندارد ، که تفاوت بین قیمت معامله و میانی نقطه را اندازه گیری می کندگسترش ، برای استفاده در کلاسهای دارایی مختلف. علاوه بر این ، مانچینی و همکاران ، 2013 ، مارشال و همکاران ، 2012 اقدامات نقدینگی با فرکانس بالا مانند گسترش مؤثر را به عهده می گیرند ، هزینه واقعی تجارت در بازارهای ارز و کالا را به دست می آورند. 2

افزایش شدید تعداد ، تنوع و ارزش دارایی ETF وجود داشته است. در حالی که ETF های اصلی توسط دارایی های فیزیکی پشتیبانی می شوند ، بسیاری از ETF ها اکنون از طریق قراردادهای مشتق ، قرار گرفتن در معرض کلاس دارایی را ارائه می دهند. ETF های اولیه قرار گرفتن در معرض بازار سهام طولانی مدت را فراهم کردند ، اما اکنون می توان ETF ها را با قرار گرفتن در معرض کوتاه و اهرم در طیف وسیعی از کلاس های دارایی پیدا کرد. دارایی های ETF های لیست شده در ایالات متحده در ابتدای سال 2014 بیش از 1/7 تریلیون US برآورد شده است که ETF ها به طور معمول بین 25 تا 40 درصد از کل حجم دلار تجارت در مبادلات ایالات متحده را نشان می دهند (به عنوان مثال ، هیل و همکاران ، 2015). در حالی که به خوبی شناخته شده است که اولین ETF های موجود در شاخص های بزرگ سهام دارای گسترش بسیار کم پیشنهاد (به عنوان مثال ، هیل و همکاران ، 2015) هستند ، هزینه های معامله نسبتاً بزرگ ETF های عجیب و غریب تر توجه بیشتری را به خود جلب می کنند. 3

اولین سهم ما ارائه اقدامات جامع از هزینه های معاملات در ETF و در طول زمان است. این اقدامات احتمالاً مورد توجه تعدادی از طرفین از جمله سرمایه گذاران و محققان خواهد بود. لسندون و همکاران.(2004) نشان می دهد که هزینه های معامله یک ورودی تحلیلی مهم برای تعیین اینکه آیا استراتژی های سرمایه گذاری فعال ارزش افزوده می کنند ، در حالی که De Roon و همکاران.(2001) دریافت که مزایای تنوع ظاهری اغلب در صورت حساب هزینه های معامله ناپدید می شود. مدیران ریسک نیز این اقدامات را مفید خواهند دید. التون و همکاران.(2002) دریافت که ETF ها ابزارهای محبوب پرچین هستند و Perold و Schulman (1988) خاطرنشان می کنند که هزینه های معاملات یک ورودی کلیدی در داوری اثربخشی محافظت است. هزینه های معامله نیز برای مبادلات بسیار مهم است ، زیرا هریس (2003) نشان می دهد که آنها تعیین کننده مهمی از سطح مشاغل مورد نظر خود هستند. سرانجام ، Chordia و همکاران.(2008) نشان می دهد که بین هزینه های معاملات و کارآیی بازار ارتباط مستقیمی وجود دارد. بنابراین ، هزینه های معامله بر همه شرکت کنندگان در بازار تأثیر می گذارد.

نمونه ما شامل ایالات متحده ، بین المللی ، سهام بخش ، اوراق قرضه شهرداری ، اوراق مشمول مالیات ، کالا ، ارز ، تخصیص (مانند محافظه کارانه) و ETF های جایگزین (از جمله اهرم) است. نتایج ما نشان می دهد که میانگین گسترش موثر از 0. 115 ٪ برای ارزها تا 0. 391 ٪ برای ETF هایی که در معرض تخصیص دارایی قرار دارند ، متغیر است. به طور کلی ، هزینه های معاملات ETF بسیار مطلوب با میانگین گسترش بازار توسعه یافته و در حال ظهور به ترتیب 2. 2 ٪ و 2. 7 ٪ ، به ترتیب ، مستند شده توسط فونگ و همکاران.(2017) برای دوره 1996-2007.

این امکان وجود دارد که پروکسی های نقدینگی موجود، که عمدتاً برای استفاده در بازار سهام توسعه یافته اند، در ETF ها عملکرد خوبی داشته باشند. با این حال، ممکن است تفاوت های موجود در بازارهای ETF از جمله هزینه های انتخاب نامطلوب کمتر، معاملات الگوی بالاتر، و وجود یک بازار اولیه که در آن ETFها ایجاد و بازخرید می شوند، منجر به عدم عملکرد مناسب پراکسی های سهام سنتی در ETF شود. دلایل معتبری برای حمایت از هر دو احتمال بالا وجود دارد. از این گذشته، یک ETF در یک شاخص اصلی با توجه به ویژگی هایی مانند تأثیر احتمالی اطلاعات خصوصی کاملاً متفاوت از سهام فردی است. با این حال، همچنین شواهدی وجود دارد که نشان دهنده نقدینگی برای سهام هایی که به خوبی روی ارزها و کالاهایی کار می کنند، وجود دارد که احتمال کمتری دارد نقدشوندگی آنها تحت تأثیر اطلاعات خصوصی قرار گیرد. پرداختن به این سوال در مورد عملکرد تثبیت شده نقدینگی در ETFها، دومین سهم این مقاله است. ما متوجه شدیم که صرفه جویی محاسباتی زیادی از استفاده از پراکسی ها بر اساس نسبت نقاط داده با فرکانس بالا به فرکانس پایین وجود دارد. در تمام ETFها، این نسبت از 29 در سال 1996 به بیش از 3000 در سال 2014 افزایش یافت.

پروکسی های نقدینگی که ما آزمایش می کنیم شامل رول (از رول، 1984)، گیبس (از هاسبروک، 2009)، صفر (از لزموند و همکاران، 1999)، Zeros2 (از گوینکو و همکاران، 2009)، FHT (از فونگ و همکاران) است..، 2017)، EffTick (از گوینکو و همکاران، 2009، و هولدن، 2009)، High-Low (از کوروین و شولتز، 2012)، DSpread (از چانگ و ژانگ، 2014)، CHL (از عبدی و رانالدو،2017)، Amihud (از Amihud، 2002)، Amivest (از Amihud و همکاران، 1997)، PS (از Pastor-Stambaugh، 2003)، و طیف وسیعی از پراکسی های اسپرد که با تقسیم بر میانگین حجم دلار روزانه به پراکسی های تاثیر قیمت تبدیل شده اند. طبق گفته گوینکو و همکاران.(2009).

نتایج ما حاکی از حرکات در پروکسی های DSPREAD ، LOW-LOW ، CHL و AMIHUD بهترین حرکات آینه در معیار گسترش مؤثر است. این همبستگی ها در تمام ETF ها به ترتیب 0. 74 ، 0. 72 ، 0. 68 و 0. 57 است. الگوی مشابهی هنگامی مشهود است که عملکرد این پروکسی ها در برابر معیار گسترش نقل شده در نظر گرفته شود. در این مثال ، همبستگی با DSPREAD ، کم کم ، CHL و Amihud به ترتیب 0. 68 ، 0. 68 ، 0. 63 و 0. 51 است. با توجه به اندازه گیری DSPREAD در این تست ها بهترین عملکرد را دارد و همچنین بهترین مجری در دوره های مختلف نوسانات ، سطوح مختلف تجارت ALGO و اندازه های مختلف تجارت است. ما به محققانی پیشنهاد می کنیم که در جستجوی پراکسی های گسترده در اولین نمونه و بالاترین سطح از DSPREAD استفاده کنند. در دومبا این حال ، هیچ اقدامی به طور مداوم حرکات آینه در معیار تأثیر قیمت را نشان نمی دهد. بهترین پروکسی های عملکردی با همبستگی 0. 20 ، 0. 18 و 0. 16 به ترتیب ، تأثیر رول ، Amihud و Ifftick Impact است. ما همچنین در نظر می گیریم که چگونه پروکسی های نقدینگی در یک قیمت دارایی عملکرد دارند. ما با استفاده از رویکرد کلی و جیانگ (2014) ، ریسک دم نقدینگی را از معیارها اندازه گیری می کنیم و سپس توانایی سه پروکسی را که می توانند به راحتی در فرکانس روزانه (DSPREAD ، AMIHUD و AMIVEST) محاسبه کنند ، تعیین می کنیم تا این خطر دم را نشان دهند. هر سه پروکسی کار خوبی از این کار دارند.

همبستگی برای محققان در زمینه هایی مانند قیمت گذاری دارایی مهم است. با این حال ، Goyenko و همکاران.(2009) تأکید می کند که درک اینکه آیا بزرگی پروکسی نقدینگی با هزینه واقعی تجارت سازگار است ، یکی دیگر از موارد مهم است ، به ویژه برای محققانی که موضوعاتی مانند استراتژی های معاملاتی فعال و شرکت کنندگان در بازار را که نیاز به برآورد دقیق هزینه های معامله دارند ، مطالعه می کنند. بنابراین ما میانگین خطای مربع ریشه بین پروکسی های نقدینگی و معیارها را محاسبه می کنیم. نتایج ما نشان می دهد که همه پروکسی ها دارای مقیاس هستند که از نظر آماری تفاوت معنی داری با معیار دارند. این نشان می دهد که محققانی که نیاز به اقدامات دقیقی از سطح نقدینگی دارند ، نمی توانند به پروکسی های نقدینگی اعتماد کنند.

باقیمانده این مقاله به شرح زیر است. بخش 2 داده ها را ارائه می دهد. روش و نتایج در بخش 3 مورد بحث قرار گرفته است. سرانجام ، بخش 4 نتیجه گیری های ما را بیان می کند.

قطعه قطعه

داده ها

ما طبقه بندی صندوق و داده های اولیه ایجاد و بازخرید بازار را از Moingstar منبع می دهیم. قیمت ، حجم روزانه و داده های برجسته از CRSP ؛و داده های داخلی از تاریخچه تیک تامسون رویترز (TRTH). این داده ها ، که توسط مرکز تحقیقات صنعت اوراق بهادار آسیا اقیانوس آرام (SIRCA) در اختیار ما قرار می گیرد ، توسط بانکهای مرکزی ، تنظیم کننده ها ، صندوق های تامینی ، بانکهای سرمایه گذاری و محققانی مانند مارشال و همکاران ، 2012 ، هندرسوت و ریوردان استفاده می شود. 2013.

ما شامل تمام ETF هایی هستیم که

هزینه های معامله ETF

ما از سه معیار هزینه معامله استفاده می کنیم: گسترش مؤثر ، به نقل از گسترش و تأثیر قیمت. ما گسترش مؤثر را به صورت معادله محاسبه می کنیم.(1): گسترش مؤثر = 2 · |ln (p k) - ln (m k) |، جایی که P_kقیمت و م_kنقطه میانی پیشنهاد است و از نقل قول ها هنگام وقوع تجارت در این زمینه سؤال می کند. به دنبال Goyenko و همکاران.(2009) ، ما میانگین ماهانه گسترش موثر را با وزن گسترش در داخل کشور با حجم دلار محاسبه می کنیم.

ما به نقل از گسترش به صورت معادله محاسبه می کنیم.(2): به نقل از گسترش = (A K - B K) / M K ، جایی که A K ، B K و M_kقیمت پرسید ، پیشنهاد

نتیجه گیری

ما هزینه معامله در ETF ها و اثربخشی پروکسی های نقدینگی در گرفتن این هزینه را مستند می کنیم. در حالی که این مسائل به طور کامل در بازارهای موجودی ، اوراق قرضه ، ارز و کالاها مورد بررسی قرار گرفته است ، اما در مورد آنها در ETF بسیار کمتر شناخته شده است. تعداد ETF ها در سالهای اخیر به سرعت رشد کرده است و ETF ها از چند روش مهم با سهام متفاوت هستند. اول ، هزینه های انتخاب نامطلوب در ETF کمتر است. دوم ، تجارت ALGO بیشتر در ETF وجود دارد. سوم ، ETF ها دارای یک سیستم دو لایه هستند که در آن واحدها

تصدیق

ما از ویراستار ، جاناتان باتن و داور ناشناس بخاطر اظهارنظرهایی که مقاله را بهبود بخشیده اند تشکر می کنیم. ما همچنین از آندره بنت ، هنک برکمن ، گلن بویل ، پل گرتسما ، جان لی ، دیمیتریس مارگاریتس ، لری رز ، هانز ویلکه ، شرکت کنندگان در سمینار در دانشگاه اوکلند و شرکت کنندگان در کنفرانس در کلوکوم مالی 2016 نیوزلند در کوئینستاون 2016 تشکر می کنیم. کنفرانس بازارهای مالی و حاکمیت در ملبورن ، کنفرانس FMA 2016 در لاس وگاس ، و

منابع (38)

• دیوید لسمون و همکاران.