روش های مطالعه رویداد بازار اوراق بهادار

رویه های مورد استفاده در مطالعات رویدادهای اوراق بهادار شرکت تا به امروز به دلیل اختلاف در نوسانات بازده بر اساس بلوغ ، رتبه بندی و سایر عوامل منجر به قدرت آزمایش کم ، کنترل ناهمگونی را کنترل نمی کند. استاندارد سازی بازده اوراق بهادار تست های قابل توجهی قدرتمندتر است. همچنین ، به دلیل تجارت نادر ، استفاده از مشاهدات قیمت معاملات اوراق بهادار در طی چند روز قبل و بعد از یک رویداد ، در حالی که وزن بیشتری به بازده محاسبه شده از معاملات نزدیک به این رویداد می دهد ، تست های قابل توجهی قدرتمندتر از بازده های مبتنی بر معاملات روز گذشته استو روز بعد از این رویدادبا بررسی تعصب آزمایش ناشی از تاریخ های همپوشانی رویداد ، می فهمیم که ، تنظیم شده برای رتبه بندی و بلوغ ، همبستگی بین بازده باند غیر طبیعی استاندارد اندک است اما حتی همبستگی های نسبتاً کمی می تواند منجر به آمار آزمون مغرضانه شود. اصلاح بازار اوراق بهادار از روش Kolari و Pynnönen (2010) این تعصب را تصحیح می کند.

معرفی

در این مقاله به بررسی موضوعات در ساخت مطالعات رویداد اوراق بهادار شرکت می پردازیم. نحوه واکنش قیمت اوراق بهادار به وقایع یا اطلاعات جدید مربوط به موضوعات بی شماری در امور مالی است. به عنوان مثال ، آیا سود سهام باعث افزایش خبرهای خوب برای صاحبان اوراق قرضه می شود زیرا این نشان می دهد که مدیریت انتظار درآمد بالایی در آینده یا خبرهای بد است زیرا این پول نقد موجود برای ارائه بدهی را کاهش می دهد؟همچنین ، چندین مورد وجود دارد که در آن تئوری های رقابتی توضیح می دهند که واکنش قیمت سهام به یک رویداد پیامدهای مختلفی برای قیمت اوراق قرضه دارد. به عنوان مثال ، آیا قیمت های سهام موجود در مورد اعلامیه جدید سهام فصلی منفی واکنش نشان می دهد زیرا سرمایه گذاران دلیل این امر را نشان می دهد که مدیریت فکر می کند دارایی های این شرکت بیش از حد ارزیابی شده است (که احتمالاً خبر بدی برای دارندگان اوراق بهادار نیز خواهد بود) یا به دلیل اینکه اهرم از این طریق کاهش می یابددارندگان اوراق قرضه با هزینه سهامداران؟

در حالی که مطالعات رویداد بازار سهام لژیون است ، مجموعه مطالعه رویداد اوراق بهادار بسیار کوچکتر است. همانطور که در Bessembinder و همکاران بحث شد.(2009) ، از نظر تاریخی این احتمالاً تا حدی به دلیل عدم وجود داده های با کیفیت بوده است. تا دهه اخیر ، محققان بازار اوراق بهادار به نقل قول های ماهانه از مودی ، برادران استاندارد و پور ، یا لمان یا قیمت بسته شدن روزانه از مبادله اوراق قرضه NYSE ، که یک بازار کوچک و عجیب و غریب است ، محدود می شود ، که فقط برای یک برآمدگی از آن حساب می کند. حجم معاملات اوراق قرضه. با این حال ، در ژوئیه 2002 ، انجمن ملی فروشندگان اوراق بهادار (NASD) گزارش معاملات بدون نسخه از اوراق قرضه را از طریق موتور گزارشگری و موتور انطباق خود (TRACE) آغاز کرد. در فوریه 2005 ، پوشش تقریباً به کلیه معاملات اوراق بهادار شرکت ها گسترش یافت. علاوه بر این ، Mergent FISD و سایر منابع در حال حاضر معاملات شرکت بیمه را از انجمن ملی کمیسیون های بیمه (NAIC) ارائه می دهند ، DataStream و رویترز تخمین قیمت فروشنده روزانه را ارائه می دهند و چندین ارائه دهنده داده های مبادله پیش فرض اعتباری را می فروشند. در دسترس بودن این پایگاه داده های جدید با درآمد ثابت شرکت ، چشم انداز انجام همان نوع مطالعات رویداد را برای بدهی شرکت ها که در بازارهای سهام همه گیر شده اند ، ایجاد می کند. 1

در مقاله اصلی در مورد روش های مطالعه رویداد باند ، Bessembinder و همکاران.(2009) (از این پس BKMX) نشان می دهد که: (1) در بین بانکهای اطلاعاتی اوراق قرضه که آنها را بررسی می کنند ، داده های ردیابی قدرتمندترین آمار آزمون رویداد را ارائه می دهند ، (2) آمار t-test برای داده های ماهانه مشخص می شود ، و (3)تست های غیر پارامتری بهتر از آزمون t مشخص شده و قدرتمندتر هستن د-هرچند که هنگام بازده پیوند ، قدرت کمتری دارند. برای مطالعات مبتنی بر ردیابی ، آنها توصیه می کنند: (1) محاسبه بازده اوراق قرضه از میانگین قیمت تجارت روزانه که در آن هر قیمت معامله با اندازه تجارت وزن می شود ، (2) به استثنای معاملات کمتر از 100000 دلار در هنگام محاسبه متوسط قیمت روزانه ، (3)محاسبه بازده اوراق بهادار غیر طبیعی با استفاده از معیارهای رتبه بندی/بلوغ ارزش وزن ، و (4) ترکیب بازده اوراق بهادار یک شرکت در یک بازده شرکت واحد. ما بر اساس مطالعه آنها نشان می دهیم که در حالی که روشهای آزمایش مورد استفاده در مطالعات رویداد اوراق بهادار تا به امروز (از جمله روش BKMX) از قدرت آماری نسبتاً کمی برای تشخیص واکنش قیمت اوراق بهادار به وقایع یا اطلاعات جدید برخوردار هستند ، می توان آزمایش های بسیار قدرتمندتری را ساخت. ما همچنین تعصب آزمون ناشی از همپوشانی تاریخ رویداد را کشف می کنیم و Kolari و Pynnönnen (2010) تصحیح t-test را با بازار اوراق قرضه تطبیق می دهیم.

در طراحی یک مطالعه رویداد بازار اوراق بهادار ، یک محقق با موانعی روبرو است که یا در بازار سهام وجود ندارد یا در آنجا جدی تر است. برای شروع ، بازده اوراق قرضه با ناهمگونی مقطعی قابل توجه مشخص می شود. به طور خاص ، قیمت اوراق قرضه بلند مدت بسیار بی ثبات تر از قیمت های یادداشت های کوتاه مدت است و قیمت اوراق قرضه کم نسبت به قیمت اوراق بهادار بالا بی ثبات است. همچنین ، نوسانات با گذشت زمان متفاوت است. از آنجا که آزمون t فرض می کند که بازده اوراق بهادار به طور یکسان توزیع می شود ، عدم کنترل برای این ناهمگونی (همانطور که در تمام مطالعات موجود در دانش ما وجود دارد) منجر به آزمون t مشخص شده می شود. ما می دانیم که قدرت کم t مستند شده توسط BKMX (2009) در درجه اول به دلیل این نقض فرض همسایه است. مهمتر از همه ، ما می دانیم که کاهش ناهمگونی با استاندارد سازی بازده هر پنجره رویداد با نوسانات بازگشت آن منجر به افزایش قابل توجهی در قدرت t-test می شود. در حالی که بهبود قدرت آزمون t بسیار چشمگیر است ، استاندارد سازی همچنین منجر به افزایش قابل توجهی در قدرت تست رتبه بندی امضا شده می شود. به عنوان نمونه ای از اهمیت استاندارد سازی ، می فهمیم که برای رویدادی که اوراق بهادار را تغییر می دهد با 15 امتیاز پایه ، احتمال خطای نوع II برای یک آزمون t بر اساس نمونه ای از 300 تاریخ رویداد ممکن برای شرکت از 78. 4 ٪ کاهش می یابدآزمایشات مبتنی بر بازده غیر طبیعی غیر طبیعی از پنجره (T - 1 ، T + 1) به 31. 5 ٪ برای تست های مبتنی بر بازده استاندارد. 2 گذشته از اجرای تست های جداگانه برای درجه سرمایه گذاری و اوراق بهادار درجه سوداگرانه ، به دانش ما ، هیچ مطالعه رویدادهای اوراق قرضه تا به امروز برای ناهمگونی در بازده اوراق قرضه اصلاح نشده است.

مشکل جدی دیگر این است که اوراق قرضه بسیار کمتر از سهام تجارت می کند. به طور متوسط روز در ژانویه 2005 - دسامبر 2011 نمونه ردیابی ، 54. 6 ٪ اوراق بهادار صنعتی به هیچ وجه تجارت نمی کنند. از آنجا که محاسبه بازده به مشاهدات قیمت در دو روز نیاز دارد ، مشکل بزرگ می شود. با فرض اینکه یک رویداد در روز تصادفی T رخ می دهد ، بازده 2 روزه از روز T-1 به روز T + 1 فقط می تواند برای 31. 3 ٪ از روزهای ممکن رویداد حتی پس از حذف اوراق قرضه به ندرت معامله شود. از آنجا که برخی از بنگاهها چندین اوراق قرضه برجسته دارند ، درصد روزهایی که برای آن بازده پیوند محکم برای پنجره رویداد (T-1 ، T + 1) محاسبه می شود تا حدودی بالاتر باشد اما هنوز فقط 38. 6 ٪ است. از آنجا که بیشتر روزها مشاهدات برگشتی ندارند ، این باعث می شود که روشهای رگرسیون پانل که گاهی اوقات در مطالعات رویداد سهام عدالت استفاده می شود برای اوراق قرضه بسیار دشوار است.

علاوه بر این ، هنگامی که اوراق بهادار تجارت می کند ، تعداد معاملات اندک است. تعداد متوسط معاملات در وثیقه داده شده حداقل یک تجارت فقط سه روز است. از آنجا که گزاف گویی پیشنهادات برای اوراق قرضه نسبتاً زیاد است ، این باعث می شود صدای بازده قابل توجهی ایجاد شود و این سؤال را ایجاد می کند که آیا بزرگنمایی پنجره رویداد برای به دست آوردن مشاهدات تجاری بیشتر-به عنوان مثال ، استفاده از قیمت معاملات در روزهای t-2 ، سودمند است. T - 3 ، و غیره ، علاوه بر T - 1 ، و در روزهای T + 2 ، T + 3 و غیره و همچنین روز T + 1 ، در محاسبه بازده پنجره رویداد. گسترش پنجره رویداد باعث افزایش تعداد مشاهدات تجاری می شود ، اما همچنین احتمال اینکه نیروهای غیر از رویداد علاقه باعث تغییر قیمت اوراق شوند ، افزایش می یابد ، بنابراین تأثیر خالص بر قدرت آزمون پیشینی مشخص نیست. ما می دانیم که ، علی رغم سر و صدای غیر رویداد بیشتر در ویندوزهای طولانی تر ، استفاده از قیمت معاملات در چند روز قبل و بعد از یک رویداد برای محاسبه بازده پنجره رویداد (در حالی که وزن بیشتری به معاملات نزدیک به این رویداد می دهد) ، به طور قابل توجهی قدرت قدرت را افزایش می دهدآزمون هاهمچنین بنگاههای کوچک بیشتری را به نمونه وارد می کند. البته ، انتخاب عرض پنجره نیز به عوامل دیگری بستگی دارد ، مانند احتمال انتشار اطلاعات مهم آلودگی در پنجره.

به عنوان نمونه ای از افزایش قدرت آزمون که ناشی از گسترش پنجره رویداد است ، می فهمیم که استفاده از مشاهدات قیمت معاملات طی سه روز قبل و سه روز پس از رویداد برای محاسبه پنجره رویداد ، احتمال T-test خطای نوع II را کاهش می دهدیک رویداد 15 پایه در یک نمونه از 300 بنگاه فقط 11. 8 ٪ در مقایسه با 31. 5 ٪ برای بازده استاندارد (و 78. 4 ٪ برای بازده غیر استاندارد) بر اساس معاملات در روزهای قبل و بعد از این رویداد. برای آزمون رتبه بندی امضا شده ، احتمال خطای نوع II از 44. 1 ٪ برای تست های مبتنی بر غیر استاندارد (T-1 ، T + 1) کاهش می یابد و اوراق قرضه غیر طبیعی برای تست های مبتنی بر استاندارد (T-1 ، T + 1 به 20. 0 ٪ باز می گردد.) با گسترش پنجره رویداد ، فقط به 5. 6 ٪ باز می گردد. 3

ما همچنین چندین مسئله نمونه برداری و محاسبه را بررسی می کنیم - برای WIT: که در هنگام محاسبه قیمت اوراق بهادار روزانه و نحوه وزن گیری معاملات مختلف در محاسبه میانگین قیمت اوراق و بازده ، کدام یک از آنها را شامل می شود. محدود کردن نمونه به معاملات 100 یا بیشتر اوراق قرضه ، همانطور که BKMX توصیه می کند ، باعث کاهش سر و صدای قیمت تجارت می شود اما تعداد مشاهدات را به شدت کاهش می دهد. با توجه به هر دو سر و صدا و اثرات اندازه نمونه ، می فهمیم که قدرت آزمایش تقریباً یکسان است که آیا معاملات کمتر از 100 اوراق قرضه شامل می شود یا خیر. از طرف دیگر ، می فهمیم که اگر نمونه به معاملات بین دلاری محدود شود ، قدرت آزمایش کاهش می یابد. از آنجا که معاملات کوچک نسبت به معاملات بزرگ سر و صدای بیشتری دارد ، مسئله مرتبط با آن چگونه می توان معاملات مختلف را در محاسبه قیمت متوسط وزن کرد. ما می دانیم که قدرت آزمون بسته به اینکه آیا میانگین قیمت اوراق بهادار/روز با وزنه برداری قیمت معاملات فردی محاسبه می شود: (1) با اندازه تجارت ، (2) با ریشه مربع اندازه تجارت یا (3) به طور مساوی - با مربع محاسبه می شود. وزنه برداری ریشه دادن به تست های کمی قدرتمندتر. با مقایسه قدرت آمار مختلف آزمون ، می فهمیم که آزمون رتبه بندی شده به طور کلی از آزمون t یا تست نشانه قدرتمندتر است.

سرانجام ما تعصب احتمالی را در آمار آزمون ناشی از همبستگی مقطعی بین بازده اوراق بهادار بنگاه های مختلف هنگام همپوشانی رویداد آنها بررسی می کنیم. نتایج ما نشان می دهد که همبستگی های مقطعی بین بازده باند استاندارد غیر طبیعی اندک است که بازده غیر طبیعی نسبت به اوراق بهادار با همان رتبه و بلوغ محاسبه می شود و نشان می دهد که خطاهای نوع I احتمالاً در مطالعات رویداد پیوند مناسب با تاریخ رویداد همپوشانی نسبت به تاریخچه های همپوشانی کمتر هستند. مطالعات رویداد. با این وجود ، حتی همبستگی های جزئی جزئی می تواند منجر به تست های مغرضانه T ، رتبه بندی شده و تست های امضا شود. مهمتر از همه ، ما می دانیم که سازگاری بازار اوراق قرضه از تصحیح Kolari و Pynnönen (2010) باعث می شود t-statistics بی طرفانه باشد.

ادامه مقاله به شرح زیر تدوین شده است. در بخش بعدی ، ما داده ها و محاسبات بازگشت خود را شرح می دهیم. در بخش 3 ، اندازه ، یعنی احتمال خطای نوع I و قدرت ، یعنی احتمال عدم ارتکاب خطای نوع II ، آمار مختلف آزمون را برای بازده های محاسبه شده در یک رویداد (t - 1 ، t + 1) بررسی می کنیم. پنجره به دنبال روشهای مطالعه رویداد اوراق قرضه موجود. در بخش 4 ، ما روش تصحیح ناهمگونی خود را توسعه می دهیم و نشان می دهیم که چگونه قدرت آمار آزمون را بهبود می بخشد. مسائل مربوط به نمونه گیری از تجارت ، به ویژه آیا بهتر است بازده از همه معاملات را محاسبه کنیم ، فقط معاملات اندازه نهادی یا فقط معاملات بین دلاری ، در بخش 5 در نظر گرفته می شود. قیمت اوراق بهادار روزانه. در بخش 7 ، عواقب قدرت تست های گسترش پنجره رویداد را در نظر می گیریم. در بخش 8 ، تعصب احتمالی ایجاد شده توسط همبستگی متقابل در بازده اوراق قرضه را بررسی می کنیم وقتی که تاریخ رویداد با هم همپوشانی و گسترش Kolari و Pynnönnen (2010) تصحیح T- آزمون به بازارهای پیوند را گسترش می دهیم. بخش 9 نتیجه می گیرد.

تجزیه و تحلیل ما با استفاده از قیمت معاملات اوراق بهادار از ردیابی غیر پیشرفته انجام می شود. نتایج ما در مورد لزوم اصلاح ناهمگونی با استاندارد سازی بازده در بخش 4 ، و تعصب احتمالی در هنگام همپوشانی تاریخ رویداد در بخش 8 باید به همان اندازه برای آزمایشات مبتنی بر پایگاه داده های برآورد قیمت فروشنده ، مانند DataStream و در مورد پخش پیش فرض اعتباری اعمال شود. داده ها. نتایج در بخش 5 نمونه برداری از تجارت ، 6 محاسبه قیمت متوسط ، 7 انتخاب پنجره رویداد مخصوص منابع داده معامله مانند ردیابی و NAIC است.

قطعه قطعه

داده ها و اقدامات

از ردیابی ما داده های تجارت اوراق بهادار را از اول ژانویه 2005 تا 31 دسامبر 2011 بدست می آوریم. ویژگی های اوراق قرضه مانند کوپن ، سررسید و رتبه بندی ها از پایگاه داده FISD Mergent بدست می آیند. آمار مربوط به کل دارایی های صادرکننده از جستجوهای Compustat و اینترنت بدست می آید. مانند BKMX (2009) ، ما نمونه خود را به اوراق قرضه کوپن صنعتی ، غیر قابل تبدیل ، غیر قابل تحسین و غیر صفر محدود می کنیم. علاوه بر این ، ما نیاز داریم که اوراق قرضه به دلار آمریکا مشخص شود ، 1000 دلار ارزش داشته باشد ، کوپن نیمه سالانه درست کند

اندازه و قدرت آمار آزمون مطالعه رویداد اوراق قرضه موجود

برای آزمایش اندازه و قدرت روشها و آمار مختلف آزمون ، ما از روشهای مونت کارلو مانند Bessembinder و همکاران ، 2009 ، Brown and Waer ، 1980 ، Brown and Waer ، 1985 ، Barber and Lyon ، 1997 ، Lyon et al. استفاده می کنیم. 1999 ، Boehmer et al. ، 1991 ، Kolari and Pynnönen ، 2010. برای آزمایش اندازه (یا احتمال خطای نوع 1) و تعصب آزمایشات ، ما شرکت ها و روزها را به طور تصادفی انتخاب می کنیم و محاسبه می کنیم که چند بار آزمایشات شواهدی از یک رویداد پیدا می کنندهنگامی که هیچکدام اتفاق نیفتاد. به طور خاص ، ما 300 را انتخاب می کنیم

استاندارد سازی بازگشت غیر طبیعی

یک کاندیدای احتمالی برای قدرت کم t مشاهده شده در جدول 2 نقض فرض همجنسگرا است. در حالی که t-test فرض می کند که تمام بازده های غیر طبیعی دارای یک واریانس یکسان هستند ، اما به وضوح اینگونه نیست. همانطور که BKMX (2009) گزارش می دهد ، واریانس بازگشت غیر طبیعی برای نمره سوداگرانه نسبت به اوراق درجه سرمایه گذاری بیشتر است. علاوه بر این ، قیمت ها در اوراق قرضه بلند مدت متغیر تر از یادداشت های کوتاه مدت هستند. در جدول 3 ، ما انحراف استاندارد Bond ABR را برای 24 کلاس رتبه بندی/بلوغ خود گزارش می دهیم.

نمونه گیری تجارت

بعد توجه ما به موضوع نمونه گیری تجارت را معطوف می کنیم. تا این مرحله ما تمام معاملات را در محاسبه بازده اوراق بهادار گنجانده ایم. با این حال ، بسیاری از معاملات گزارش شده در مورد ردیابی بسیار اندک هستند. در نمونه ما ، 69. 4 ٪ برای کمتر از 100 اوراق قرضه و 53. 5 ٪ برای 25 اوراق قرضه یا کمتر است و بازده بر اساس این معاملات کوچک احتمالاً پر سر و صدا است. واضح است که در معاملات کوچکتر ، گزاف گویی پیشنهادات بیشتری وجود دارد. به عنوان مثال ، ادواردز و همکاران.(2007) تخمین می زند که این رقم در معاملات 20 اوراق قرضه 1. 24 ٪ اما فقط

محاسبه قیمت متوسط

همانطور که در بخش قبلی مورد بحث قرار گرفت ، برای همان شرکت ، بازده استاندارد محاسبه شده از معاملات کوچک تمایل به واریانس بالاتری نسبت به بازده های محاسبه شده از معاملات بزرگ دارد به طوری که حتی پس از استاندارد سازی احتمالاً برخی از ناهمگونی ها باقی مانده است. این مسئله این مسئله را مطرح می کند که چگونه به بهترین وجه برای تجارت معاملات مختلف در محاسبه میانگین قیمت اوراق قرضه در یک روز معین ، بهتر می شود. از لحاظ تئوریکی ، اگر بازده محاسبه شده از معاملات اندازه X یک انحراف استاندارد از S (x) و معاملات اندازه y در همان روز داشته باشد

انتخاب پنجره رویداد

مسئله بعدی که ما در نظر می گیریم انتخاب پنجره رویداد هنگام کار با پایگاه داده های معامله مانند ردیابی است. از روزهای احتمالی شرکت در نمونه ما ، فقط حدود 40. 2 ٪ معاملات در هر دو T-1 و T + 1 دارند تا بازده استاندارد شده از پنجره رویداد (T-1 ، T + 1) محاسبه شود. این مشکل احتمالاً برای بانکهای اطلاعاتی کمتری مانند پایگاه داده NAIC حتی شدیدتر خواهد بود ، یا اگر نمونه به معاملات بزرگ محدود شده باشد. به همین ترتیب ، ممکن است فقط یک یا دو معامله در روزهای t - 1 انجام شود

خوشه بندی تاریخ رویداد و همبستگی مقطعی

در شبیه سازی های مونت کارلو در بالا ، ما براون و وارنر ، 1980 ، براون و وارنر ، 1985 ، باربر و لیون ، 1997 ، لیون و همکاران ، 1999 ، بومر و همکاران ، 1991 و BKMX (2009) در انتخاب بنگاه ها دنبال کرده ایم. و تاریخ رویداد به طور تصادفی. در نتیجه ، همپوشانی تاریخ رویداد کمی وجود دارد. با این حال ، غالباً تاریخ رویداد با هم همپوشانی دارد که در این صورت تست های معمول ، که استقلال را فرض می کنند ، اگر بازده از نظر مقطعی با هم ارتباط داشته باشد ، مغرضانه هستند. به عنوان مثال ، فرض کنید ، یکی علاقه مند به آزمایش چگونگی یک واحد است

خلاصه و نتیجه گیری

مطالعات رویداد بازار اوراق بهادار تا به امروز از آزمایشاتی با قدرت نسبتاً کم برای تشخیص واکنش قیمت اوراق بهادار به اطلاعیه ها و رویدادها استفاده کرده است. ما نشان می دهیم که با استاندارد سازی بازده و گسترش پنجره رویداد ، می توان تست های بسیار قدرتمندتری را بدست آورد. بازده های غیرمجاز بسیار ناهمگن هستند زیرا نوسانات پیوند از نظر واسطه ، رتبه بندی و سایر خصوصیات از نظر قابل توجهی متفاوت است. استاندارد سازی بازگشت این ناهمگونی را که منجر به افزایش قابل توجهی در آن می شود حذف می کند