دانلود مقاله ISI انگلیسی شماره 16533 + ترجمه فارسی
عنوان فارسی مقاله

فعالیت های تجاری روزانه و بی ثباتی بازارهای بیست و چهار ساعته آتی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
16533 2012 15 صفحه PDF 32 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Intraday trading activities and volatility in round-the-clock futures markets
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : International Review of Economics & Finance, Volume 21, Issue 1, January 2012, Pages 195–209

فهرست مطالب ترجمه فارسی
اطلاعات مقاله
کلید واژه ها
چکیده
1.مقدمه
2.مرور منابع
3.داده ها و روش شناسی
3.1.مجموعه داده ها
3.2.ساخت سنجه های تعداد تجارت و عدم تعادل تجاری 
3.3.مهیاسازی داده ها و مدل تجربی
4.نتایج تجربی
4.1.خلاصه آمار 
جدول 1.توضیح های آماری برای نوسان پنج دقیقه ای، TNR و TIBR.
جدول 2.رابطه بین نوسان، نسبت تعداد تجارت و نسبت عدم تعادل تجاری برای 5 دقیقه. متغیر وابسته مقدار مطلق باقیمانده 
4.2.روابط نوسان-حجم در حوزه های زمانی متفاوت 
5.قدرت نتیجه
جدول 3.حاصلجمع مقادیر تعداد تجارت و عدم تعادل تجاری بر نوسان زیاد- کم   در وقفه 5 دقیقه ای. متغیر وابسته نوسان 
6.نتیجه گیری
جدول 4.حاصلجمع مقادیر تعداد تجارت و عدم تعادل تجاری در مورد نوسان در وقفه 15 دقیقه ای.
کلمات کلیدی
تعداد تجارت - عدم توازن بازرگانی - رابطه نوسانات حجم - سوگیری مکان بازرگانی - محدوده های زمانی -
ترجمه چکیده
در این مقاله به بررسی رابطه بین نوسانات سود روزانه و حجم معاملات آتی ین ژاپن، آتی یورو FX، و آتی E-mini S&P می پردازیم که در نظام تجاری بیست و چهار ساعته GLOBEX در شش محدوده زمانی داد و ستد شده است. نتایج از فرضیه ترکیب-توزیع (MDH) حمایت می کند، این فرضیه از ارتباط همزمان معنی دار بین حجم و نوسان پشتیبانی می کند، نتایج از فرضیه توالی-ورود- اطلاعات نیز حمایت می کند، این فرضیه از ارتباطات نوسان-حجم تاخیری پشتیبانی می کند. اثر خالص تعداد تجارت مثبت است، این اثر از فرضیه باور پراکنده حمایت می کند، در حالی که اثر خالص عدم تعادل تجاری منفی است و از فرضیه اطلاعات نامتقارن حمایت می کند. نتایج ما نشان می دهند که چهار نظریه ارتباطات حجم- نوسان رقابتی نیستند بلکه تکمیلی هستند. علاوه بر این، بیشترین اثر عدم تعادل تجاری بر نوسان در ساعات تجاری معمول آمریکا، و نه بازار دارایی داخلی قراردادهای آتی، دیده شده است بنابراین تعصب در مورد مکان تجاری تصدیق می شود.
ترجمه مقدمه
علاقه به بررسی ارتباط بین حجم و نوسان سود دارایی مالی از دیرباز در تحقیقات مالی وجود داشته است. مطالعات زیادی ارتباط مثبت بین حجم و نوسان سود را نشان داده اند (کارپوف، 1987). چهار نظریه متفاوت به تشریح کامل ارتباط نوسان- حجم پرداخته اند. اول، فرضیه ترکیب-توزیع (MDH) حجم تجاری را به تعداد ورودی های جدید اطلاعات مربوط می کند (مثلاً کلارک، 1973؛ اپس و اپس، 1976؛ تاچن و پیت، 1983). دوم، فرضیه توالی-ورود-اطلاعات (SAIH) نشان می دهد که اطلاعات در زمان های مختلف به تاجران می رسد؛ نوسان به صورت بالقوه با شناخت حجم تجاری قابل پیش بینی است (مثلاً فاستر، 1995؛ وانگ و یو، 2000). سوم، فرضیه باور پراکنده مشخص می کند که تاجران مطلع و ناآگاه به تفسیر و واکنش متفاوت در مورد اطلاعات یکسان می پردازند (مثلاً هریس و راویو، 1993؛ شالن، 1993). در نهایت، فرضیه اطلاعات نامتقارن نشان می دهد که تاجران مطلع، با استفاده از اطلاعات خصوصی، اغلب در یک سمت بازار گروه بندی می شوند، این گروه بندی منتج به نوسان قیمت کمتر می شود (مثلاً دایگلر و ویلی، 1999؛ داونینگ و ژانگ، 2004). ظاهراً، اطلاعات عامل اصلی موثر بر روابط نوسان- حجم است. بلک (1986) استدلال کرد که تجار ناآگاه که با اطلاعات نادرست یا صرفاً به خاطر داد و ستد تجارت می کنند با افزایش نوسان باعث ریسک بیشتر برای قیمت سهام می شوند. استفاده از متغیر فعالیت تجاری خاص برای نمایش ارزش اطلاعات می تواند بسیار ابهام برانگیز باشد. از این رو، استفاده از حجم تجاری به نمایندگی از اطلاعاتی خاص همیشه مناسب نیست. در واقع، کیل (1985) و آدماتی و پفیدرر (1988) اشاره می کنند که در مدل مالی خردساختار، متغیر عدم تعادل تجاری/عدم تعادل سفارش متغیری اساسی است که می تواند تجار مطلع را نشان دهد. عدم تعادل تجاری می تواند اطلاعات مربوط به میزان عدم تقارن اطلاعات یا تفاوت نظریات تاجران را مشخص کند که مستقیماً در حجم تجاری دیده نشده است. تاجران مطلع از جمله تاجران کارگزاری و دلال ها به خاطر توانایی خود برای مشاهده منابع داد و ستدها و انحراف قیمت کوتاه مدت از اطلاعات برتر برخوردار هستند. سفارش های آنها اغلب برای تجارت در یک سوی بازار دسته بندی شده اند از آنجایی که این تاجران در مورد اطلاعات مطمئن هستند باعث تغییر متعاقب در قیمت ها می شوند. از این رو، میزان عدم تعادل سفارش یا عدم تعادل تجارت می تواند کیفیت اطلاعات خصوصی موثر بر نوسان را نشان دهد. جونز، کائل و لیپسون (1994) نشان می دهند که تعداد تجارت به خوبی نوسان را شرح می دهد در حالی که متغیر اندازه تجاری نقشی جزئی ایفا می کند. برخلاف جونز و همکاران (1994)، چان و فانگ (2000) متوجه می شوند که ارتباط نوسان- حجم بعد از کنترل اثر سود عدم تعادل سفارش خیلی ضعیفتر می شود که نشان می دهد عدم تعادل سفارش باعث نتیجه می شود. با این حال، زو و وو (1999) و چان و فانگ (2006) نتایج جونز و همکاران (1994) را تایید کردند که تعداد تجارت عامل غالب ورای رابطه حجم-نوسان است. علاوه بر این، وو و زو (2000) پیشنهاد می کنند که عدم تعادل تجاری مضمونی غنی از اطلاعات خصوصی دارد، و متوجه می شوند که عدم تعادل تجاری مضمون اطلاعات تصادفی در مورد رفتار تجاری کارگزارها فراتر از عدد تجاری دارد. به عبارت دیگر، عدم تعادل (تجاری) سفارش یا تعداد تجارت نقشی قابل ملاحظه در مورد نوسان ایفا می کند. اهمیت نسبیِ نقش ایفا شده توسط تعداد تجارت و عدم تعادل تجاری در مورد نوسان در این مطالعه مشخص می شود. این مطالعه روابط حجم- نوسان روزانه را برای سه دارایی بین المللی مبادله شده (ین ژاپن آتی، FX یورو آتیو E-mini S&P 500 آتی) که در GLOBEX (قالب بازار تجارتی شیکاگو) داد و ستد شده تا چند مسئله جالب مشخص شود. اول، مقاله ما از داده هایی با تکرار بالا برای روشن کردن چهار فرضیه مرتبط با روابط نوسان- حجم استفاده می کند که متفاوت از سایر مطالعاتی است که از داده های روزانه استفاده می کنند. برای این منظور، از تعداد تجارت برای نمایش تاجران نامطلع و عدم تعادل تجاری برای تاجران مطلع استفاده می کنیم. داده های روزانه به ما اجازه می دهند تا به نتیجه گیری های تجربی دقیقتر در مورد نقش تعداد تجارت و عدم تعادل تجاری در مورد نوسان برسیم و ما را قادر می سازد تا روابط نوسان-حجم را در حوزه های زمانی متفاوت مقایسه کنیم. دوم، در این مقاله اثرات مشترک تعداد تجارت و عدم تعادل تجاری را در مورد نوسان برای دوره های تاخیری متفاوت و معاصر بررسی می شود. در انجام این کار، می توانیم به شکلی صحیح شواهد حمایت کننده از چهار فرضیه ورای رابطه حجم- نوسان را بررسی می کنیم. به شکلی خاص، می توانیم بررسی کنیم که آیا تعداد تجارت یا عدم تعادل تجاری در شرح نوسان به ایفای نقشی تکمیلی می پردازند یا غالب (چان و فانگ، 2000، 2006؛ جونز و همکاران 1994 را ببینید). در نهایت، مطالعه ما به بررسی فرضیه تعصب خانگی یا تعصب به مکان تجاری در روابط نوسان-حجم می پردازد. دارایی های اصلی سه قرارداد آتی در سه منطقه تجاری عمده معامله شده اند (با مرکزیت توکیو، لندن و نیویورک). به میزان تاثیرگذاری دارایی های اصلی (که فرض شده خارجی هستند) بر فعالیت های تجاری و نوسان دارایی های آتی ایالات متحده علاقمند هستند. از آنجایی که GLOBEX سیستم تجاری بیست و چهار ساعته است، براساس بازار خانگی دارایی های اصلی آتی، می توانیم داده های خود را به شش منطقه زمانی تقسیم کنیم: حوزه آسیایی، Gap 1 (ژاپن بسته- اروپا هنوز باز نشده)، حوزه اروپایی، حوزه اروپایی- آمریکایی، حوزه آمریکایی و Gap2 (آمریکایی بسته- ژاپنی هنوز باز نشده). تسه (1999)، در بررسی نحوه پردازی اطلاعات بیست و چهار ساعته بین اوراق قرضه ده ساله آتی دولت ژاپن (JGB) که در بورس اوراق بهادار توکیو (TSE) مبادله شده و بورس گزینه ها و آتی مالی بین المللی لندن (LIFFE)، متوجه می شود که اطلاعات بیشتر در طی ساعات مبادله TSE مشخص می شود، که از تعصب خانگی در سرمایه گذاری بین المللی حمایت می کند، در حالی که چان، حامد و لائو (2003) پیشنهاد می کنند که مجاورت جغرافیایی تجاری بر سلائق سرمایه گذار و رفتار تجاری تاثیرگذار است. چنگ، فانگ و تسه (2008) متوجه می شوند که اوراق بهادار پذیرفته شده و مبادله شده در خارجی تاثیر بیشتری از مکان تجاری نسبت به بازار خانگی می گیرند. بنابراین، روابط نوسان-حجم را در حوزه های زمانی متفاوت بررسی می کنیم تا درک کنیم آیا تعصب خانگی یا تعصب به مکان تجاری در طی دوره های تجاری معمول و غیر معمول وجود دارد یا خیر. نتایج ما نشان می دهند که هر دو تعداد تجارت و عدم تعادل تجاری دارای اثر معاصر مثبت معنی دار بر نوسان هستند، هرچند، همراستا با جونز و همکاران (1994) و چان و فانگ (2006)، تعداد تجارت عامل غالب در روابط نوسان-حجم است. با این حال، متوجه می شویم که عدم تعادل تجاری دارای نقش قابل ملاحظه بر نوسان قیمتی است نتیجه رابطه هم زمان معنی دار از MDH حمایت می کند. علاوه بر این متوجه می شویم که ضرائب تاخیری تعداد تجارت و عدم تعادل تجاری، به ترتیب، در توضیح نوسان منفی و معنی دار هستند. این نتیجه در راستای نظر فاستر (1995) و وانگ و یائو (2000) هستند که باور دارند نوسان با حجم تاخیری رابطه منفی دارد. اثرات تاخیری معنی دار متغیرهای تجاری (TNR و TIBR) بر نوسان از SAIH حمایت می کنند. وقتی اثر ضرائب برآوردی متغیرهای تجاری بر نوسان به صورت کلی گرفته شده باشد، نتیجه جالب توجه است. مجموع ضرائب تعداد تجارت مثبت می شود، در حالی که مجموع ضرائب برآوردی عدم تعادل تجاری منفی است. حدس می زنیم که متغیر تعداد تجارت نمایشگر داد و ستد های غیر آگاهانه است و متغیر عدم تعادل تجاری نمایشگر داد و ستد های آگاهانه است. نتیجه ما با هلویگ (1980) و وانگ (1994) به این ترتیب همخوان است که تاجران مطلع عموماً نوسان را کاهش می دهند در حالی که تاجران ناآگاه عموماً نوسان را افزایش می دهند. به همین ترتیب، در مطالعات اخیر از سوی آوراموف، چوردیا و گویال (2006) و کیتیاکارسکان، تسه و وانگ (2009)، آنها نیز تایید می کنند که تجارت های ناآگاه (گروهی) نوسان را افزایش می دهند و تجارت های مطلع (مخالف) نوسان را کاهش می دهند. نتیجه ما با استفاده از تعداد تجارت نیز با فرضیه اعتقاد پراکنده (هریس و رویو، 1993؛ شالن، 1993) همخوانی دارد، و از این ایده حمایت می شود که تعداد تجارت نمایشگری برای تاجران غیرآگاه است، که اعتقادات متفاوت دارند. مجموع منفی عدم تعادل تجاری بر نوسان با پیامد فرضیه اطلاعات عدم تقارن همخوانی دارد، چرا که عدم تعادل تجاری، که قابل تصور به صورت نمایشگری برای تاجران مطلع متجانس است که برای داد و ستد در یک سمت بازار واقعی گروه بندی شده اند، می تواند نوسان را کاهش دهد. وقتی روابط نوسان-حجم را در حوزه های زمانی متفاوت بررسی می کنیم، بیشترین تاثیر عدم تعادل تجاری بر نوسان در حوزه های اروپایی- آمریکایی و آمریکایی یافت شد. این نتیجه نشان می دهد که اثرات مکان تجاری بر قراردادهای آتی ظاهراً بر اثرات بازار خانگی دارایی های اصلی آتی غالب است و از فرضیه تعصب مکان تجاری حمایت می کند. با این حال، این الگو با تعداد تجارت نشان داده شده است. نتایج ما در مورد تکرارهای متفاوت داده ها و معیار نوسان برای روابط نوسان-حجم قوی هستند. مابقی مقاله به شرح ذیل سازمان دهی شده است. بخش 2 به چهار نظریه تکمیلی در توضیح روابط نوسان-حجم می پردازد. بخش 3 به شرح پایگاه داده ها، تعریف حوزه های زمانی متفاوت و روش این پژوهش می پردازد. بخش 4 نتایج تجربی و بحث را مطرح می کند. در بخش 5 به قدرت نتایج پرداخته می شود. بخش نهایی خلاصه و نتیجه گیری فراهم می کند.
پیش نمایش مقاله
پیش نمایش مقاله فعالیت های تجاری روزانه و بی ثباتی بازارهای بیست و چهار ساعته آتی

چکیده انگلیسی

In this paper we examine the relationship between intraday return volatility and volume of trading for Japanese yen futures, euro FX futures, and E-mini S&P 500 futures traded on a 24-hour GLOBEX trading system in six time zones. The results support the mixture-of-distribution hypothesis (MDH), which endorses a significant contemporaneous relationship between volume and volatility, and the sequential-arrival-of-information hypothesis (SAIH), which advocates significant lagged volatility–volume relations. The net effect of trading number is positive, supporting the dispersed belief hypothesis, while the net effect of trading imbalance is negative, supporting the asymmetrical information hypothesis. Our results suggest that the four theories of volume–volatility relations are complementary, not competing. In addition, the largest effect of the trading imbalance on volatility is found during American regular trading hours, rather than the home asset market of the futures contracts, thus supporting the trading place bias.

مقدمه انگلیسی

The relationship between return volatility and volume of a financial asset is of enduring interest in financial research. A large number of studies have documented a positive relationship between return volatility and volume (Karpoff, 1987). Four different theories appear to explain well the volatility–volume relationship. First, the mixture-of-distribution hypothesis (MDH) relates trading volume to the number of new information arrivals (e.g., Clark, 1973, Epps and Epps, 1976 and Tauchen and Pitt, 1983). Second, the sequential-arrival-of-information hypothesis (SAIH) indicates that information arrives to traders at different times; the volatility is potentially predictable with knowledge of trading volume (e.g., Foster, 1995 and Wang and Yau, 2000). Third, the dispersed belief hypothesis suggests that informed and uninformed traders interpret and react to the same information in different ways (e.g., Harris and Raviv, 1993 and Shalen, 1993). Finally, the asymmetrical information hypothesis suggests that informed traders, using private information, often cluster on one side of a market, resulting in lower price volatility (e.g., Daigler and Wiley, 1999 and Downing and Zhang, 2004). Apparently, information is the key factor affecting volatility–volume relations. Black (1986) argued that noise traders who trade either on noisy information or simply for the sake of trading will bring additional risk into stock prices by increases in volatility. When a certain trading activity variable is used to proxy information, it may be too noisy. Thus, the use of trading volume to proxy for a certain type of information is not always appropriate. Indeed, Kyle, 1985 and Admati and Pfleiderer, 1988 point out that in a microstructure finance model, the order imbalance/trade imbalance variable is a critical variable that can signal informed trades. The trading imbalance can convey information about the degree of information asymmetry or difference in traders' opinion that is not directly revealed from the trading volume. Informed traders such as floor traders and brokers have superior information because of their ability to observe sources of trades and short-term price deviations. Their orders are often clustered to trade on one side of the market because these traders are confident of the information, inducing a subsequent change in prices. Hence, the extent of the order imbalance or trading imbalance could reflect the quality of private information affecting volatility. Jones, Kaul, and Lipson (1994) find that trading number explains volatility well while the trade size variable plays only a minor role. Unlike Jones et al. (1994), Chan and Fong (2000) find that the volatility–volume relationship becomes much weaker after controlling for the return effect of order imbalance, implying that the order imbalance drives the result. However, Xu and Wu, 1999 and Chan and Fong, 2006 confirm the results of Jones et al. (1994) that the trading number is a dominant factor behind the volume–volatility relation. Moreover, Wu and Xu (2000) suggest that the trading imbalance contains a rich content of private information, and find that the trading imbalance contains incremental information content in the trading behavior of agents over and beyond the trading number. In another word, the trading number or order (trading) imbalance plays an important role on volatility. Our study sheds light on the relative importance of the role played by the trading number and the trading imbalance on volatility. This study examines intraday volume–volatility relations for three internationally traded assets (Japanese yen futures, euro FX futures, and E-mini S&P 500 futures) traded on GLOBEX (the Chicago Mercantile Exchange's platform) to shed light on several interesting issues. First, our paper uses the high-frequency data to shed light on the four hypotheses related to volatility–volume relations, which differ from other studies using the daily data. To this end, we use the trading number to proxy for the uninformed trades and the trading imbalance for informed traders. The intraday data allow us to reach more precise empirical conclusions on the role of trading number and trading imbalance on volatility and enable us to compare volatility–volume relations in different time zones. Second, this paper examines the joint effects of trading number and trading imbalance on volatility for contemporaneous and different lagged periods. In so doing, we can adequately assess evidence supporting the four theories behind the volatility–volume relationship. Specifically, we can also test to see whether the trading number or trading imbalance plays a complementary or dominant role in explaining volatility (see Chan and Fong, 2000, Chan and Fong, 2006 and Jones et al., 1994). Finally, our study investigates the home bias or trading place bias hypothesis in volatility–volume relations. The underlying assets of the three futures contract are traded in three major trading areas (centered in Tokyo, London, and New York). We are interested in the extent to which underlying assets (which are supposed to be offshore) influence the volatility and trading activities of the U.S. futures assets. Because GLOBEX is a 24-hour trading system, based on futures underlying assets' home market, we can divide our data into six time zones: Asian zone, Gap1 (Japanese Closed–European Not Yet Open), European zone, European–American zone, American zone, and Gap2 (American Closed–Japanese Not Yet Open). Tse (1999), in examining how round-the-clock information is processed between ten-year Japanese government bond (JGB) futures traded on the Tokyo Stock Exchange (TSE) and the London International Financial Futures and Options Exchange (LIFFE), finds that more information is revealed during the trading hours of the TSE, which supports the home bias in international investment, while Chan, Hameed, and Lau (2003) suggest that the geographical proximity of trading affects investor interests and trading behavior. Cheng, Fung, and Tse (2008) find that securities listed and traded in offshore can be influenced more strongly by the trading place than by the home market. Therefore, we examine volatility–volume relations in different time zones to understand whether home bias or the trading place bias exists during regular and nonregular trading periods. Our results show that both trading number and trading imbalances have a significant positive contemporaneous effect on volatility, although the trading number is the dominant factor in volatility–volume relations, consistent with Jones et al., 1994 and Chan and Fong, 2006. However, we do find that trading imbalance has a nontrivial role on price volatility. The result of a significant contemporaneous relationship supports MDH. We also find that the lagged coefficients of trading number and trading imbalance, respectively, are negative and significant in explaining volatility. This result is consistent with Foster, 1995 and Wang and Yau, 2000, who believe that volatility has a negative relationship with the lagged volume. The significant lagged effects of the trading variables (TNR and TIBR) on volatility support the SAIH. When the effect of the estimated coefficients of trading variables on volatility is taken as a whole, the result is interesting. The sum of the trading number coefficients turns out to be positive, while the sum of the estimated coefficients of the trading imbalance is negative. We conjecture that the trading number variable is a proxy for uninformed trades and the trading imbalance variable is a proxy for informed trades. Our result is consistent with Hellwig, 1980 and Wang, 1994 in that informed traders generally reduce volatility while uninformed traders generally increase volatility. Similarly, in the recent studies by Avramov et al., 2006 and Kittiakaraskun et al., 2009, they further confirm that uninformed (herding) trades increase volatility and informed (contrarian) trades reduce volatility. Our result using the trading number is also consistent with the dispersed belief hypothesis (Harris and Raviv, 1993 and Shalen, 1993), supporting the idea that the trading number is a proxy for uninformed traders, who have different beliefs. The negative sum of trading imbalance on volatility is consistent with the implication of the asymmetry information hypothesis, because the trading imbalance, which can be thought to be a proxy for homogeneous informed traders who cluster to trade on one side of the market actually, can reduce volatility. When we examine volatility–volume relations in different time zones, the greatest impact of the trading imbalance on volatility is found in the European–American and American zones. The result implies that the effects of trading location on futures contracts appear to dominate the home market effects of the futures' underlying assets, supporting the trading place bias hypothesis. However, no such pattern is shown by the trading number. Our results are robust across different frequencies of data and volatility measure for volatility–volume relations. The rest of the paper is organized as follows. Section 2 discusses the four complementary theories in explaining volatility–volume relations. Section 3 describes the dataset, the definition of different time zones, and methodology in this study. Section 4 presents the empirical results and discussion. Section 5 discusses the robustness of results. The final section provides the summary and conclusions.

نتیجه گیری انگلیسی

Although there are a large number of empirical studies on volatility–volume relations, there is still no general consensus on what actually drives the relationship and how they affect volatility. This study contributes to the volatility–volume investigation by using (1) transaction data with five-minute intervals and (2) two complementary trading variables: trading number and trading imbalance. Our results support the idea that the trading number can be used as a proxy for noisy measures of information from uninformed traders and the trading imbalance metric can be thought as a proxy for private information of informed traders. We examine volatility–volume relations of the three futures contracts traded on the 24-hour GLOBEX trading system, which enables us to divide our data set into six time zones, based on the underlying asset's home market: Asia zone, Gap1 (Japanese Closed–European Not Yet Open), European zone, European–American zone, American zone, and Gap2 (American Closed–Japanese Not Yet Open). This study contributes to the literature by examining the volatility-volume relationship of three futures contracts across different time zones. Consistent with Jones et al. (1994) and Chan and Fong (2006), our result reconfirms that the trading number is the dominant factor in explaining volatility, while the trading imbalance has a nontrivial role in price volatility. The significant contemporaneous relationship supports the MDH, regardless of trading number or trading imbalance, while the lagged coefficients of trading number and trading imbalance are significantly negative, supporting the SAIH. The net effect of the trading number (i.e., the sum of contemporaneous and lagged trading number coefficients) is positive, indicating higher price volatility and supporting the dispersed belief hypothesis. The net effect of trading imbalance (i.e., the sum of contemporaneous and lagged trading imbalance coefficients) is negative, implying lower volatility and supporting theasymmetrical information hypothesis. Our results corroborate that of Chen and Daigler (2008) that the four theories on volatility– volume relations are complementary rather than competing. Further, we also investigate the transmission of volatility–volume relations across different time zones to examine whether the trading place bias or home bias exists. The largest effect of the trading imbalance is found during American regular trading hours (i.e., European–American and American zones): The effect of trading location dominates the home market effects of futures' underlying assets, supporting the trading place bias hypothesis. However, there is no clear pattern on the trading number. This result further supports that the trading imbalance contains more information about private signals than trading number which is a proxy for uninformed trades. Our study is the first to analyze and compare the volatility–volume relationship across different time zones. Examining the volatility–volume relationship including contemporaneous and lagged terms enables us to test the different theories of the volatility–volume hypotheses and sheds light on the trading place bias and the home bias hypotheses.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.