پیش‌بینی رفتار قیمت سهام توسط دفتر سفارشات محدود: شواهدی از بورس اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف، تهران، ایران

2 دانشیار دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف، تهران، ایران

3 کارشناسی ارشد اقتصاد مالی، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف، تهران، ایران

10.22108/amf.2020.120654.1495

چکیده

هدف: دفتر سفارشات محدود یکی از ابزارهای بازارهای مالی است که با نشان‌دادن حجم و قیمت پیشنهادی سفارشات خرید و فروش، به کشف قیمت دارایی کمک می‌کند. در این پژوهش با بررسی دفتر سفارشات محدود در بورس اوراق بهادار تهران به دو پرسش پاسخ داده می‌شود: 1. آیا اطلاعات موجود در دفتر سفارشات محدود رفتار قیمت سهام در آیندۀ کوتاه‌مدت را پیش‌بینی می‌کند؟ 2. آیا افزایش پله‌های در معرض نمایش عموم از سه پله به پنج پله در بورس اوراق بهادار تهران به معامله‌گران برای کشف قیمت سهام کمک می‌کند؟
روش: در راستای هدف فوق، از سه رگرسیون مختلف استفاده می‌شود که هر یک به شیوۀ متفاوتی اطلاعات حجم و قیمت سفارشات دو سمت عرضه و تقاضا را اندازه‌گیری و با این اطلاعات توانایی پیش‌بینی رفتار کوتاه‌مدت قیمت سهم را آزمون می‌کنند.
نتایج: براساس نتایج حاصل، در بورس اوراق بهادار تهران، دفتر سفارشات محدود حاوی اطلاعاتی است که با آن حرکت قیمت سهام در آیندۀ کوتاه‌مدت پیش‌بینی می‌شود؛ همچنین افزایش پله‌های در معرض نمایش عموم از سه پله به پنج پله در بورس اوراق بهادار تهران به معامله‌گران برای افزایش شفافیت قبل از معامله و کشف قیمت کمک می‌کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Limit Order Book and Short-term Stock Price Movement Predictability: Evidence from Tehran Stock Exchange

نویسندگان [English]

  • Ali Ebrahimnejad 1
  • shiva zamani 2
  • Mohammadreza Biria 3
1 Assistant Professor of Finance, Graduate School of Management and Economics, Sharif University of Technology, Tehran, Iran
2 Associate Professor of Economics, Graduate School of Management and Economics, Sharif University of Technology, Tehran, Iran
3 MSc. in Economics, Graduate School of Management and Economics, Sharif University of Technology, Tehran, Iran
چکیده [English]

Objective: Open limit order book can be used as a tool to enhance transparency and price discovery in financial markets by showing the offered volumes and prices of buy and sell orders. In this study, we aim to answer two questions by examining the limit order book on  Tehran Stock Exchange: 1) Does the information in the limit order book have the predictive power for stock price movements in the short-term?; 2) Can increasing the public disclosure of the limit order book from three to five levels enhance price discovery?
Method: For this purpose, three different regressions areused, each of which measures the volume and price information of the two sides of supply and demand in a different way and examines the ability to predict short-term behavior of stock price by this information.
Results: The results show that the limit order book contains information about future short-term returns. Our results also indicate that increasing the public disclosure of the limit order book from three to five levels can enhance transparency and price discovery but it causes the marginal predictive power of additional levels to decrease.

کلیدواژه‌ها [English]

  • Short-term Return Predictability
  • Limit-Order Book
  • Pre-trade Transparency
  • Price Discovery
  • Information Content

مقدمه

یکی از اصلی‌ترین کارکردهای بازارهای مالی، کمک به کشف قیمت دارایی‌ها است[1]. بازارهای مالی در راستای رسیدن به این هدف از ابزارها و سازوکار‌های مختلفی استفاده می‌کنند. یکی از ابزارهایی که در دهه‌های اخیر به‌طور روزافزونی استفاده شده، دفتر سفارشات محدود[2] است. در بازارهای سفارش‌محور، سفارشات معامله‌گران در قالب دفتر سفارشات محدود درمقابل یکدیگر قرار می‌گیرند و براساس اولویت قیمت و زمان معامله می‌شوند؛ افزون بر آن، دفتر سفارشات محدود، امکان شفافیت قبل از معامله[3] را در بازار فراهم می‌کند؛ به این معنا که معامله‌گران پیش از ارسال سفارش و انجام معامله، حجم و قیمت سایر سفارشات محدود موجود در دفتر سفارشات را مشاهده می‌کنند.

در دهه‌های اخیر، بازارهای مالی به سمت انتشار هرچه بیشتر اطلاعات دفتر سفارشات محدود حرکت کرده‌اند؛ مثلاً در بورس نیویورک تا پیش از معرفی سیستم «دفتر باز[4]» در سال ۲۰۰۲، معامله‌گران تنها بهترین سفارش خرید و فروش را مشاهده می‌کردند؛ اما با معرفی این سیستم امکان دسترسی معامله‌گران به اطلاعات سایر سفارش‌های موجود در دفتر سفارشات فراهم شد (بومر[5] و همکاران، ۲۰۰۵). بورس تایوان نیز از ابتدای سال ۲۰۰۳ اقدام به انتشار پنچ پله از دفتر سفارشات محدود کرده است (که[6] و همکاران، ۲۰۱۳).

در بورس اوراق بهادار تهران، پنج پله از بهترین سفارشات خرید و فروش به همراه حجم سفارش‌ها به‌صورت رایگان در اختیار عموم قرار می‌گیرد و کل اطلاعات دفتر سفارشات دردسترس کارگزاران است. باروک[7] (۲۰۰۵) نشان می‌دهد منحصربودن دسترسی به اطلاعات دفتر سفارشات برای بازارگردانان باعث می‌شود آنها ایجاد انحصار و کسب رانت کنند. گفتنی است که تا پیش از سال ۱۳۹۶ تعداد پله‌های در معرض نمایش برای سرمایه‌گذاران تنها سه پله بود و بعد از آن به پنج پله افزایش یافت.

روند افزایش دسترسی به اطلاعات دفتر سفارشات محدود در بازارهای مختلف جهان برمبنای این باور است که افزایش شفافیت‌ قبل از معامله، کارایی بازارهای مالی را افزایش می‌دهد و نقدشوندگی دارایی‌ها را بهبود می‌بخشد (بومر و همکاران، ۲۰۰۵).

انتظار می‌رود اطلاعات موجود در دفتر سفارشات، همچون متوازن‌نبودن سفارشات[8] با قیمت‌های آتی سهم ارتباط داشته باشد. برای این موضوع دست‌کم سه دلیل ذکر می‌شود: نخست اینکه متوازن‌نبودن سفارشات به معنای بیشتربودن عرضه یا تقاضای سهم است. این متعادل‌نبودن عرضه و تقاضا منجر به کاهش یا افزایش موجودی سهام بازارگردانان یا سهامداران عمده‌ای می‌شود که قصد دارند به متعادل‌نبودن بازار واکنش نشان دهند. بازارگردان یا سهامدار عمده با مشاهدۀ حجم بالای عرضه یا تقاضا و با هدف کنترل موجودی سهامش، قیمت سفارشات خود را تغییر می‌دهد؛ برای مثال در پاسخ به حجم بالای سفارشات فروش، در مقایسه با حجم سفارشات خرید، قیمت پیشنهادی خود برای خرید را تا حدی کاهش و در صورت وجود حجم بالای سفارش خرید، قیمت پیشنهادی برای فروش سهام خود را افزایش می‌دهد؛ درنتیجه حجم بالای سفارشات فروش منجر به کاهش قیمت سهم و حجم بالای سفارشات خرید منجر به افزایش قیمت می‌شود؛ بنابراین واکنش بازارگردان یا سهامداران عمده به متوازن‌نبودن دفتر سفارشات و تلاش آنها برای کنترل موجودی سهام خود در سطح دلخواه نوعی همبستگی میان متوازن‌نبودن سفارشات و قیمت‌های آتی ایجاد می‌کند (کردیا و سوبرامانیام[9]، ۲۰۰۴).

دوم اینکه معامله‌گران مطلع[10] در بورس سهام حضور فعال دارند و اطلاعات آنها از ارزش ذاتی سهم، بر قیمت آن در آینده اثرگذار خواهد بود. معامله‌گران مطلع در راهبرد‌های خرید و فروش خود در بازار از دو روش سفارش به قیمت بازار[11] یا سفارش محدود[12] استفاده می‌کنند. اگر معامله‌گران مطلع در معاملات خود تنها از سفارش به قیمت بازار استفاده کنند، سفارشات محدود ثبت‌شده در دفتر سفارشات هیچ اطلاعات خصوصی از معامله‌گران مطلع راجب ارزش ذاتی سهم در بر نخواهد داشت؛ برعکس ممکن است معامله‌گران مطلع با هدف مخفی نگه‌داشتن اطلاعات خود در بازار از معاملۀ فوری و تأثیرگذاری بر قیمت اجتناب کنند و به‌جای سفارش به قیمت بازار از سفارش محدود استفاده کنند؛ برای مثال کنیل و لیو[13] (۲۰۰۶) نشان می‌دهند در صورتی که اطلاعات خصوصی معامله‌گران مطلع، دارای ماندگاری بالا و تعداد این معامله‌گران در بازار محدود باشد، آنها ترجیح می‌دهند به‌جای سفارش به قیمت بازار از سفارش محدود استفاده کنند؛ به‌طور مشابه کولین - دوفرزن و فاس[14] (۲۰۱۵) با استفاده از داده‌های معاملات مدیران شرکت‌ها در جایگاه معامله‌گران مطلع نشان می‌دهند آنها از سفارشات محدود استفاده می‌کنند. در چنین حالتی ممکن است سفارشات موجود در دفتر سفارشات نیز حاوی اطلاعاتی دربارۀ قیمت آتی سهم باشد. این اطلاعات در ادامه ازطریق اجراشدن سفارشات محدود یا تبدیل آنها به سفارش به قیمت بازار توسط معامله‌گران مطلع در قیمت‌ها منعکس می‌شود.

سوم اینکه بروگارد[15] و همکاران (۲۰۱۹) نشان می‌دهند اثر کشف قیمت سفارشات محدود در مجموع از سفارشات بازاری بیشتر است، علاوه‌بر معامله‌گران مطلع، معامله‌گران فرکانس بالا[16] از سفارش محدود استفاده می‌کنند و اثر کشف قیمت سفارشات محدود معامله‌گران فرکانس بالا دو برابر اثر سفارشات محدود معامله‌گران مطلع است؛ درنتیجه اطلاعات موجود در دفتر سفارشات قیمت‌ها را پیش‌بینی می‌کند (هریس[17]، ۱۹۹۰)؛ بنابراین انتظار می‌رود میان اطلاعات موجود در دفتر سفارشات و رفتار آتی قیمت سهم ارتباط وجود داشته باشد.

در این پژوهش با بررسی دفتر سفارشات محدود در بورس اوراق بهادار تهران به این پرسش‌ها پاسخ داده می‌شود:

  • آیا دفتر سفارشات محدود در بورس اوراق بهادار تهران حاوی اطلاعاتی است که روند قیمت سهم را در آیندۀ کوتاه‌مدت پیش‌بینی کند؟
  • آیا افزایش پله‌های در معرض نمایش عموم از سه پله به پنج پله در بورس اوراق بهادار تهران به معامله‌گران برای افزایش شفافیت قبل از معامله و کشف قیمت کمک می‌کند؟

پاسخ به این پرسش‌ها به نهاد ناظر بازار در اتخاذ سیاست‌های مؤثر و انتخاب سطح بهینۀ شفافیت در بازار کمک می‌کند.

 

مبانی نظری

در سال‌های اخیر ادبیات گسترده‌ای دربارۀ رفتار معامله‌گران مطلع و محتوای اطلاعاتی دفتر سفارشات محدود شکل گرفته است. در حوزۀ پژوهش‌های نظری، کایل[18] (۱۹۸۵) مدلی ارائه می‌کند که در آن معامله‌گر مطلعی ازطریق سفارش‌ها به قیمت بازار سعی در کسب سود از اطلاعات خصوصی خود دارد؛ درمقابل بازارگردان با مشاهدۀ ورودی سفارشات[19] سعی در تشخیص ارزش واقعی سهم و کشف اطلاعات خصوصی معامله‌گر مطلع دارد و براساس آن قیمت سهم را تعیین می‌کند. این گروه از مدل‌های ریزساختار بازار را در اصطلاح مدل‌های انتخاب نامساعد[20] می‌نامند؛ زیرا فرض بنیادی آنها وجود معامله‌گران مطلع و واکنش بازارگردان به تغییرات سفارشات ورودی برای تشخیص معامله‌گران مطلع از سایرین است.

درمقابل، استول[21] (۱۹۷۸)، هو[22] و استول (۱۹۸۱) و آمیهود و مندلسون[23] (۱۹۸۰) فرض می‌کنند بازارگردان با تغییر مظنه‌های خرید و فروش، تلاش می‌کند موجودی[24] سهام خود را مدیریت کند و افزایش موجودی سهام وی پیش‌بینی‌کنندۀ کاهش قیمت‌ها و کاهش موجودی پیش‌بینی‌کنندۀ افزایش قیمت است. این دسته از مدل‌ها به مدل‌های موجودی سهام[25] شهرت دارند. در هر دو دستۀ مدل‌های انتخاب نامساعد و موجودی سهام انتظار می‌رود میان متوازن‌نبودن سفارشات و قیمت‌های آتی رابطه باشد؛ زیرا در مدل‌های انتخاب نامساعد، بازارگردان با مشاهدۀ بیشتربودن تعداد سفارشات خرید (فروش) فرض می‌کند معامله‌گران مطلع اطلاعاتی مبنی‌بر بالاتر (پایین‌تر) بودن ارزش ذاتی سهم نسبت به قیمت دارند؛ بنابراین قیمت سهم را افزایش (کاهش) می‌دهد؛ به‌طور مشابه در مدل‌های موجودی سهام با افزایش سفارشات خرید (فروش) بازارگردان اقدام به افزایش (کاهش) قیمت ‌می‌کند تا موجودی سهام خود را در سطح مطلوب حفظ کند.

 هم‌راستا با نتایج این مدل‌ها، پژوهش‌های تجربی متعددی مانند کوشینگ و مدهَوَن (۲۰۰۰) و استول (۲۰۰۰) وجود رابطۀ میان متوازن‌نبودن سفارشات و رفتار آتی قیمت سهم را تأیید می‌کنند. در سطح بازار، کردیا و همکاران (۲۰۰۲) اثر متوازن‌نبودن سفارشات روزانه به‌صورت تجمیعی، در سطح کل بازار، را بر بازده بازار بررسی کردند و نشان دادند متوازن‌نبودن سفارشات تجمیعی موجب افت بازار می‌شود و برعکس افت بازار متوازن‌نبودن سفارشات را به همراه دارد؛ همچنین آنها نشان دادند پس از افت (رشد) بازار، متوازن‌نبودن سفارشات افزایش (کاهش) می‌یابد؛ به نحوی که حجم سفارشات خرید (فروش) بر سفارشات فروش (خرید) پیشی می‌گیرد.کردیا و سوبرامانیام (۲۰۰۴) با بررسی شرکت‌های حاضر در بورس نیویورک و اندازه‌گیری متوازن‌نبودن سفارشات در مقیاس روزانه نشان دادند متوازن‌نبودن بر رفتار قیمت‌ سهام اثرگذار است. آنها این یافته را مؤید مدل‌های موجودی سهام می‌دانند؛ زیرا طبق نتایج، تغییر قیمت‌ها در اثر متوازن‌نبودن سفارشات پس از مدتی روند معکوس می‌گیرد و خنثی می‌شود. این موضوع نشانگر متوازن‌نبودن سفارشات ناشی از فشار قیمتی و تلاش بازارگردان برای مدیریت آن است؛ درمقابل اگر اثر متوازن‌نبودن سفارشات بر رفتار قیمت سهم، دائمی بود، نشانگر وجود اطلاعاتی از ارزش ذاتی سهم بود که با مدل‌های انتخاب نامساعد سازگار است. جانسون و واتسون[26] (۲۰۱۸) با تعریف دو معیار متوازن‌نبودن سفارشات، قدرت پیش‌بینی رفتار قیمت سهام با این معیارها را بررسی کرده‌اند. تارانتو[27] و همکاران (۲۰۱۸) نیز مستقل از رابطۀ بازارگردان و معامله‌گران مطلع، نحوۀ اثرگذاری ورود سفارشات بر قیمت یک دارایی را مدل‌سازی کرده‌اند.

پژوهش‌های مرتبط با متوازن‌نبودن سفارشات به‌طور عمده از اطلاعات پلۀ اول دفتر سفارشات، یعنی بهترین مظنۀ خرید و فروش، استفاده می‌کنند؛ این در حالی است که پله‌های دوم و بالاتر دفتر سفارشات نیز ممکن است حاوی اطلاعاتی دربارۀ قیمت‌ها باشد. هریس و پانچاپاگسان[28] (۲۰۰۵) با استفاده از داده‌های دفتر سفارشات محدود بورس نیویورک نشان دادند دفتر سفارشات حاوی اطلاعات مفیدی دربارۀ تغییرات قیمت در آینده است و متوازن‌نبودن هم در قیمت‌ها و هم در حجم‌ سفارشات به پیش‌بینی رفتار قیمت سهم کمک می‌کند؛ همچنین آنها نشان دادند بازارگردانان متخصص[29] در بورس نیویورک از اطلاعات دفتر سفارشات به نفع خود و به زیان سایر معامله‌گران استفاده می‌کنند[30].

با توجه به اینکه اطلاعات موجود در دفتر سفارشات، رفتار قیمت سهم را پیش‌بینی می‌کند، این پرسش مطرح می‌شود که آیا شفافیت‌های قبل از معامله، کشف قیمت را تسهیل می‌کند و نقدشوندگی و کیفیت بازار را بالا می‌برد. باروک (۲۰۰۵) نشان داد افزایش شفافیت پیش از معامله ازطریق افشای اطلاعات دفتر سفارشات محدود، به معامله‌گران مصرف‌کنندۀ نقدشوندگی[31] ازطریق سفارش‌های به قیمت بازار، سود می‌رساند؛ زیرا آنها را از میزان نقدشوندگی موجود در دفتر سفارشات مطلع می‌کند؛ درمقابل معامله‌گرانی که ازطریق سفارشات محدود عرضه‌کنندۀ نقدشوندگی[32] هستند، به‌دلیل افشای اطلاعات سفارشاتشان نسبت به حالت افشانشدۀ دفتر سفارشات محدود، متضرر می‌شوند؛ با این حال براساس نتایج وی افشای اطلاعات باعث کاراترشدن قیمت‌ها می‌شود.

بومر و همکاران (۲۰۰۵) با استفاده از داده‌های دفتر سفارشات محدود بورس نیویورک نشان دادند با افشای اطلاعات دفتر سفارشات، دامنک[33] کاهش و نقدشوندگی بازار افزایش یافته است؛ درمقابل مدهَوَن[34] و همکاران (۲۰۰۵) نشان دادند بعد از اینکه بورس تورنتو چهار پله‌ از دفتر سفارشات محدود را منتشر کرد، دامنک و نوسان‌های قیمت‌ها افزایش و درنتیجه نقدشوندگی کاهش یافت. آنها اینگونه استدلال کردند که افشای بیش از حد اطلاعات سفارشات، منجر به کاهش تمایل معامله‌گران برای ارسال سفارشات محدود می‌شود.

در حوزۀ ریزساختار بازار در بورس تهران نیز پژوهش‌های معدودی انجام شده است. راعی، محمدی و پویان‌فر (۱۳۸۸) فرآیند شکل‌گیری قیمت‌ها در بورس تهران با رویکرد ریزساختاری را بررسی و قیمت‌های معاملاتی در بورس تهران را مدل‌سازی کرده‌اند. از آنجا که در بورس تهران بازارگردان وجود ندارد و سرمایه‌گذاران مظنه‌ها را تعیین می‌کنند، مدل‌سازی قیمت‌های معاملاتی در پژوهش آنها برمبنای مدل‌های انتخاب نامساعد و نه مدل‌های موجودی‌محور[35] انجام شده است. همان‌طور که پیش‌تر بیان شد، در مدل‌های انتخاب نامساعد فرض می‌شود معامله‌گران دربارۀ ارزش واقعی دارایی‌ها اطلاعات نامتقارن دارند و همین موضوع موجب تغییر در قیمت‌ها و مظنه‌ها می‌شود.

احمدپور، آقاجانی و فدوی (۱۳۹۲) رابطۀ بین حجم معاملات و تغییر قیمت سهام در بورس تهران را بررسی کردند و نشان دادند تعداد دفعات معامله و تعداد سهام معامله‌شده در هر روز با تغییر قیمت روزانۀ سهام امروز و روز بعد رابطۀ مثبتی دارد.

حیدری و صباغ‌زاده (۱۳۹۷) اثر افزایش شفافیت اطلاعاتی دفتر سفارشات محدود بر کیفیت بورس اوراق بهادار تهران را بررسی کردند. در اردیبهشت سال ۱۳۹۶، بورس اوراق بهادار تهران تعداد سطوح دفتر سفارشات در معرض دید معامله‌گران بر خط را از سه پله به پنج پله افزایش داد. نتایج این پژوهش نشان می‌دهد این افزایش شفافیت منجر به کاهش کیفیت بازار، نقدشوندگی و عمق بازار، شده است.

مرتبط‌ترین پژوهش به پژوهش حاضر، پژوهش بدری، عرب مازار و سلطان زالی (۱۳۹۵) است که به کمک داده‌های درون‌روز، محتوای اطلاعاتی دفتر سفارشات بورس تهران را بررسی کردند و با استفاده از دو روش هزبروک[36] (۱۹۹۵) و گونزالو و گرنجر[37] (۱۹۹۵) نشان دادند سهم اطلاعاتی پله‌های دوم تا دهم دفتر سفارش بین ۱۸ تا ۲۵ درصد است که نشان‌دهندۀ اهمیت کل اطلاعات دفتر سفارشات است. سهم اطلاعاتی پله‌های چهارم تا دهم که برای عموم سرمایه‌گذاران مشاهده‌شدنی نیست نیز حدود ۸ تا ۱۰ درصد برآورد شد. تفاوت پژوهش حاضر با پژوهش بدری، عرب مازار و سلطان زالی (۱۳۹۵) این است که آنها سهم دفتر سفارشات محدود در کشف قیمت را بررسی کردند؛ در حالی که پژوهش حاضر به دنبال قابلیت پیش‌بینی حرکت قیمت سهام در آیندۀ کوتاه‌مدت براساس اطلاعات دفتر سفارشات محدود است؛ همچنین در حوزۀ پژوهش‌های نظری، تنها پژوهش در حوزۀ مدل‌سازی دفتر سفارشات، پژوهش باستانی و هنرمندی (۱۳۹۱) است که یک مدل پیوسته تصادفی برای مطالعۀ دفتر سفارشات محدود ارائه کرده است.

 

روش‌‌ پژوهش

داده‌های استفاده‌شده در این پژوهش اطلاعات درون‌روز[38] دفتر سفارشات و معاملات بورس اوراق بهادار تهران است و از کتابخانۀ سازمان بورس دریافت شده است. در این پژوهش از داده‌های ۱۰ شرکت حاضر در بورس تهران که به‌صورت تصادفی از میان شرکت‌های بزرگ و صنایع مختلف انتخاب شده‌اند، از تاریخ ۱/۱/۱۳۹۱ تا ۲۹/۱۲/۱۳۹۱، استفاده[39] و در جدول 1 ویژگی‌های آنها آورده شده است. به‌منظور حذف اثر مشاهده‌های خارج از رویه، داده‌های روزهایی که نماد بسته است یا به‌دلیل وجود صف، معامله‌ای انجام نشده است، داده‌های بازۀ زمانی ۸:۳۰ تا ۹ که مربوط به قبل از بازگشایی بازار است، داده‌های بازۀ زمانی ۹ تا ۹:۱۰ به‌دلیل حذف آثار گشایش بازار (به‌صورت تجربی) و درنهایت، داده‌های پرت[40] شامل داده‌هایی با حجم عرضه یا تقاضای بیشتر از یک میلیون در هر پله، قیمت‌های صفر چندین پلۀ پیاپی در طرف عرضه و تقاضا، حجم‌های صفر در چندین پلۀ پشت سر هم در طرف عرضه و تقاضا و بازده بیشتر از یک درصد در بازۀ پنج دقیقه، از جامعۀ نمونه حذف شده‌اند.

پس از حذف این داده‌ها، خلاصۀ آماری دفتر سفارشات این ده نماد در جدول 2 ارائه شده است.

در جدول 2، طول برای هر پلۀ دفتر سفارشات محدود برابر نسبت حجم سفارش مربوط به آن پله به مجموع حجم سفارشات پنج پلۀ تعریف شده است:

 

رابطۀ 1

 

 

ارتفاع نیز عبارت است از فاصلۀ قیمتی هر پله از پلۀ قبل که بر فاصلۀ پلۀ پنجم تا میانگین بهترین مظنۀ خرید و فروش، تقسیم شده است:

 

رابطۀ 2

 

 

برای فهم آسان‌تر و آشنایی با متغیرها، در شکل 1 نمونه‌ای از دفتر سفارشات محدود در بورس تهران و در شکل ۲ نمای کلی دفتر سفارشات شامل قیمت و حجم تقاضا و عرضه برای پنج پله در یک لحظه به تصویر کشیده شده است.

 

 

 

 


جدول (1) نمادهای معاملاتی و ویژگی‌های آنها

شماره

نماد

شرکت

تعداد روزهای معاملاتی

تعداد مشاهده‌ها ۵ دقیقه‌ای

تعداد کل داده‌ها

متوسط حجم معاملات روزانه

۱

وغدیر

هلدینگ سرمایه‌گذاری غدیر

۲۲۹

۶,۳۲۴

۲۳۲,۶۷۴

۶,۳۲۷,۳۹۶

۲

فولاد

فولاد مبارکه اصفهان

۲۲۲

۵,۳۱۶

۲۷۶,۹۸۲

۱۸,۴۵۴,۱۲۸

۳

خساپا

سایپا

۲۰۳

۳,۸۰۱

۱۸۰,۰۳۹

۲۲,۰۷۹,۹۴۸

۴

رمپنا

گروه مپنا

۱۹۴

۳,۶۱۵

۱۵۸,۵۱۰

۵,۲۳۸,۶۳۲

۵

اخابر

مخابرات ایران

۲۲۰

۴,۵۵۴

۱۰۹,۱۵۰

۵,۰۵۴,۷۲۲

۶

ومعادن

توسعۀ معادن و فلزات

۲۰۹

۴,۷۱۵

۱۹۹,۰۷۳

۹,۰۶۲,۳۳۹

۷

بترانس

ایران ترانسفو

۲۳۳

۴,۹۲۷

۱۴۷,۱۱۳

۲,۶۴۸,۰۸۵

۸

وپارس

بانک پارسیان

۲۳۵

۵,۹۶۷

۸۳,۹۰۵

۷,۶۱۰,۹۸۷

۹

حفاری

حفاری شمال

۲۳۰

۵,۱۶۱

۱۰۹,۱۳۳

۴,۲۰۴,۵۶۱

۱۰

وسینا

بانک سینا

۲۳۰

۵,۶۴۴

۴۰,۸۶۴

۶۳۷,۲۲۷

جمع

    -  

      -

-

۵۰,۰۲۴

۱,۵۳۷,۴۴۳

-

 

 

جدول (2) خلاصۀ آماری دفتر سفارشات محدود

 

طول (%)

ارتفاع (%)

پله

خرید

فروش

خرید

فروش

۱

۰۴/۱۶

۴۶/۱۶

۶۵/۳۱

۶۵/۲۸

۲

۹۲/۱۸

۲۶/۱۹

۷۰/۱۶

۳۲/۱۸

۳

۳۷/۲۰

۵۶/۲۰

۳۲/۱۶

۲۶/۱۷

۴

۵۸/۲۱

۲۸/۲۱

۰۳/۱۷

۵۳/۱۷

۵

۰۹/۲۳

۴۴/۲۲

۳۱/۱۸

۲۴/۱۸

 

 

 

تعداد

حجم

خرید

 

فروش

حجم

تعداد

۲

۲۷۶۷۱

۷۴۳۰

 

۷۴۳۳

۱۵۰۰۰

۱

۱

۱۵۰۰

۷۴۲۷

 

۷۴۳۴

۱۱۹۴۳

۲

۱

۱۵۰۰

۷۴۲۴

 

۷۴۳۹

۷۵۰

۲

۱

۱۵۰۰

۷۴۲۱

 

۷۴۴۰

۳۲۷۸۶

۲

۵

۱۱۲۸۹

۷۴۲۰

 

۷۴۴۸

۲۶۲۰۰

۴

شکل (۱)‌ نمایی از دفتر سفارشات محدود نماد «خودرو» در تاریخ ۲۱/۰۷/۱۳۹۸

 

 

شکل (۲)‌ نمای کلی سطوح مختلف سفارش‌ها و نام‌گذاری متغیرها

 


به‌منظور ملموس‌ترشدن موضوع، برای نمونه داده‌های نماد بترانس در چندین نمودار نشان داده شده است. در نمودار ۱، سری زمانی میانگین بهترین مظنۀ خرید و فروش نماد بترانس در سال ۱۳۹۱ آمده است.


 

نمودار (۱) سری زمانی میانگین بهترین مظنۀ خرید و فروش بترانس در سال ۱۳۹۱


در نمودار ۲، سری زمانی قیمت‌های تقاضا و عرضه برای پنج پلۀ دفتر سفارشات نماد بترانس در روز ۲۰ فروردین ۱۳۹۱ از ساعت ۱۰ تا ۱۲ صبح در فواصل 5 دقیقه‌ای آمده است.

 


 

نمودار (۲) قیمت‌های تقاضا و عرضه برای پنج پلۀ دفتر سفارشات نماد بترانس در تاریخ ۲۰/۰۱/۱۳۹۱

 


در نمودار ۳، سری زمانی درصد حجم تقاضا و عرضه برای پنج پلۀ دفتر سفارشات نماد بترانس در روز ۲۰ فروردین ۱۳۹۱ از ساعت ۱۰ تا ۱۲ صبح در فواصل 5 دقیقه‌ای آمده است. همان‌طور که مشاهده می‌شود در بیشتر مواقع حجم عرضه بیشتر از حجم تقاضا بوده است.

 

 

 

نمودار (۳) درصد حجم تقاضا و عرضه برای پنج پلۀ دفتر سفارشات نماد بترانس در تاریخ ۲۰/۰۱/۱۳۹۱

 

 

 

در این پژوهش مشابه پژوهش کائو[41] و همکاران (۲۰۰۹) به‌منظور بررسی قدرت پیش‌بینی دفتر سفارشات محدود از داده‌هایی با فاصلۀ زمانی ۵ دقیقه استفاده و در گام اول به کمک مدل رگرسیون رابطۀ ۳ اثر همبستگی‌ سریالی بازده از بین برده شده است:

 

رابطۀ 3

 

 

در این رابطه،  بازده در دورۀ t و n تعداد جملات تأخیر[42] است که با توجه به معیار آکایک[43] و بیزی شوارتز[44] در حالت بهینه قرار داده شده است. در ادامه، به کمک داده‌های دفتر سفارشات عبارت خطا پیش‌بینی شده است[45].

برای اندازه‌گیری اطلاعات موجود در دفتر سفارشات روش‌های مختلفی به کار گرفته می‌شود. در این پژوهش، مشابه کائو و همکاران (۲۰۰۹) از سه رگرسیون مختلف استفاده شده است که هریک به شیوۀ متفاوتی اطلاعات حجم و قیمت سفارشات دو سمت عرضه و تقاضا را اندازه‌گیری می‌کند. کائو و همکاران (۲۰۰۹) دفتر سفارشات محدود بورس سهام استرالیا را بررسی کردند. ویژگی این بازار این است که هیچ‌ دلال[46] یا بازارگردانی در آن تعبیه نشده است و مانند بورس تهران سفارشات به‌صورت مستقیم با یکدیگر درگیر می‌شوند. در این بازار، ده پله از سفارشات در هر طرف عرضه و تقاضا را عموم مشاهده می‌کنند. آنها در گام اول با استفاده از روش هزبروک (۱۹۹۵)، دی جانگ[47] (۲۰۰۲) و هوانگ[48] (۲۰۰۲) نشان دادند دفتر سفارشات ورای پلۀ اول یعنی پله‌های دوم تا دهم حاوی اطلاعاتی دربارۀ قیمت است؛ همچنین دریافتند متوازن‌نبودن سفارشات بین تقاضا و عرضه با بازده کوتاه‌مدت رابطۀ معناداری دارد؛ به عبارتی شفافیت قبل از معامله برای هر سهم به کشف رفتار قیمت سهم و پیش‌بینی آن در کوتاه‌مدت کمک می‌کند.

نخستین مدل رگرسیون به شکل زیر تعریف می‌شود:

 

رابطۀ 4

 

 

در رابطۀ ۴، منظور از Spread، دامنک یا همان فاصلۀ بهترین قیمت عرضه ( ) و تقاضا ( ) است و به‌صورت زیر تعریف می‌شود:

رابطۀ 5

 

 

هرچه دامنک بزرگ‌تر باشد نقدشوندگی سهم کمتر است و مشابه آمیهود و مندلسون (۱۹۸۶) انتظار می‌رود قیمت افزایش یابد و بدین ترتیب، ضریب مربوطه مثبت باشد.

متغیر  متوازن‌نبودن حجم را در دو طرف عرضه (s) و تقاضا (d) برای پلۀ j نشان می‌دهد. هرچه  بزرگ‌تر از باشد، در پلۀ j عرضه بیشتر از تقاضا است و درنتیجه انتظار می‌رود در آینده قیمت کاهش یابد و ضریب مربوطه منفی باشد. متغیر  متوازن‌نبودن فواصل قیمتی پله‌های هم‌رده را در دو طرف عرضه و تقاضا نشان می‌دهد و به‌صورت رابطۀ ۶ تعریف می‌شود:

 

رابطۀ 6

 

 

انتظار می‌رود ضریب  مثبت باشد؛ زیرا هرچه این متغیر بزرگ‌تر باشد،  کوچک‌تر‌ و  بزرگ‌تر است؛ به عبارتی فاصلۀ قیمتی پلۀ بعدی عرضه ( ) بیشتر و فاصلۀ قیمتی پلۀ بعدی تقاضا ( ) کمتر است؛ درنتیجه با توجه به اینکه تراکم سفارشات خرید بیشتر است، تمایل به خرید بیشتر از فروش است؛ بنابراین انتظار می‌رود قیمت‌ها افزایش یابد. در عبارت بالا و معادل میانگین بهترین مظنۀ خرید و فروش، مطابق رابطۀ ۷ تعریف می‌شوند:

 

رابطۀ 7

 

 

در مدل رگرسیون دوم، متغیرهای سمت عرضه و تقاضا به‌صورت مستقل به کار برده می‌شود:

رابطۀ 8

 

 

درنتیجه، انتظار می‌رود ضریب ارتفاع سمت تقاضا ( ) منفی و سمت عرضه ( ) مثبت باشد؛ به این معنا که هرچه فواصل قیمت‌ سفارش‌های خرید بیشتر باشد انتظار می‌رود قیمت کاهش یابد و هرچه این فواصل در سمت عرضه بیشتر باشد انتظار می‌رود قیمت افزایش یابد؛ همچنین انتظار می‌رود ضریب طول یا همان حجم‌های سفارشات سمت تقاضا ( ) مثبت و برای سمت عرضه ( ) منفی باشد؛ به این معنا که هرچه حجم تقاضا افزایش یابد انتظار می‌رود قیمت افزایش یابد و هرچه حجم عرضه افزایش یابد انتظار می‌رود قیمت کاهش یابد.

مدل رگرسیون 3 مشابه رگرسیون 1 است؛ با این تفاوت که متغیرها نرمال شده‌اند:

رابطۀ 9

 

در رابطۀ ۹  یا دامنک، فاصلۀ بهترین مظنۀ خرید و فروش است که با استفاده از میانگین مظنۀ خرید و فروش نرمال شده است.

 

رابطۀ 10

 

 

متغیر  متوازن‌نبودن طول را در دو طرف عرضه و تقاضا نشان می‌دهد و به‌صورت رابطۀ ۱۱ تعریف می‌شود:

 

رابطۀ 11

 

 

انتظار می‌رود ضریب QR در رگرسیون بالا منفی باشد، به این معنا که هرچه QR در پله‌ای خاص بزرگ‌تر باشد، عرضه بیشتر از تقاضا است و انتظار می‌رود در آینده قیمت کاهش یابد. متغیر  نیز متوازن‌نبودن ارتفاع در پلۀ j را در دو طرف عرضه و تقاضا نشان می‌دهد و به‌صورت رابطۀ ۱۲ تعریف می‌شود:

 

رابطۀ 12

 

 

انتظار می‌رود ضریب HR مثبت باشد؛ به این معنا که هرچه HR بزرگ‌تر باشد،  کوچک‌تر‌ و  بزرگ‌تر است؛ یعنی تراکم سفارش‌های خرید و درنتیجه علاقه به خرید بیشتر از فروش است؛ بنابراین انتظار می‌رود قیمت‌ها افزایش یابد.

 

یافته‌ها

در بخش قبل سه مدل رگرسیون معرفی شدند که نتایج حاصل از آنها در این بخش بررسی می‌شود. با توجه به اینکه ارائۀ نتایج برای تک تک سهام بررسی‌شده امکان‌پذیر نیست، برای نمونه نتایج رگرسیون برای نماد بترانس ارائه خواهد شد و سپس، خلاصۀ نتایج رگرسیون‌های ده سهم بررسی‌شده ارائه می‌شود.

همان‌طور که گفته شد، مشابه پژوهش‌های پیشین، فاصلۀ زمانی ۵ دقیقه‌ای معاملات، مبنای کار قرار گرفته است[49]. مدل رگرسیون 1 براساس رابطۀ ۴ تخمین زده می‌شود. براساس معیارهای آکایک و بیزین شوارتز تعداد بهینۀ تأخیر (n) برابر ۵ در نظر گرفته شده است. در جدول 3 نتایج مدل رگرسیون 1 برای پله‌های مختلف نماد بترانس ارائه شده است.

در ادامه، با تخمین مدل‌های فوق رابطۀ متوازن‌نبودن سفارشات بین تقاضا و عرضه و سایر اطلاعات موجود در دفتر سفارشات محدود با بازده کوتاه‌مدت سهام که نشان‌دهندۀ رفتار قیمت سهام است بررسی می‌شود.

همان‌طور که مشاهده می‌شود، علامت ضریب متغیر دامنک در رگرسیون بالا مثبت و معنادار است و با نتایج پژوهش‌های پیشین ازجمله قالیباف اصل و رزاقی (۱۳۹۱) سازگار است. قالیباف اصل و رزاقی (۱۳۹۱) رابطۀ بین بازده و دامنک را در بورس تهران بررسی کرده‌اند و نتایج آنها نشانگر وجود رابطۀ مثبت میان بازده و دامنک بوده است. متغیر  متوازن‌نبودن حجم را در دو طرف عرضه و تقاضا نشان می‌دهد و برای تمام پله‌ها به‌جز پلۀ سوم منفی است؛ اگرچه ازنظر معناداری تنها پله‌های اول و چهارم معنادار هستند. متغیر  نیز متوازن‌نبودن فواصل قیمتی پله‌های هم‌رده را در دو طرف عرضه و تقاضا نشان می‌دهد و برای تمامی پله‌ها مطابق انتظار، مثبت و معنادار است؛ به این معنا که وقتی فاصلۀ قیمتی پله‌ها در سمت تقاضا کمتر است، به معنای متراکم‌تر بودن سفارشات خرید است و بنابراین انتظار می‌رود قیمت سهم افزایش یابد.

 

 

جدول (۳) نتایج مدل رگرسیون ۱ برای نماد معاملاتی بترانس

5

4

3

2

1

پله

۰۱۰۳/۰***

۰۱۰۳/۰***

۰۱۰۳/۰***

۰۱۰۱/۰***

۰۰۹۸/۰***

 (×10-2)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

 

-۰۳۱۳/۰**

-۰۳۷۲/۰**

-۰۴۵۲/۰***

-۰۵۳۴/۰***

-۰۵۹۹/۰***

(×10-6)

(۰۱۵۳/۰)

(۰۱۵۲/۰)

(۰۱۴۸/۰)

(۰۱۴۸/۰)

(۰۱۴۹/۰)

 

۰۷۵۹/۰***

۰۷۷۰/۰***

۰۷۶۹/۰***

۰۷۴۸/۰***

 

(×10-3)

(۰۰۷۷/۰)

(۰۰۷۷/۰)

(۰۰۷۷/۰)

(۰۰۷۷/۰)

 

 

-۰۲۱۷/۰

-۰۱۸۹/۰

-۰۲۰۰/۰

-۰۱۱۲/۰

 

(×10-6)

(۰۲۳۰/۰)

(۰۲۳۰/۰)

(۰۲۳۱/۰)

(۰۲۳۱/۰)

 

 

۰۴۳۰/۰***

۰۳۷۴/۰***

۰۳۷۷/۰***

 

 

(×10-3)

(۰۰۵۴/۰)

(۰۰۵۲/۰)

(۰۰۵۲/۰)

 

 

 

۰۱۱۳/۰

۰۱۱۱/۰

۰۱۰۰/۰

 

 

(×10-6)

(۰۱۷۵/۰)

(۰۱۷۵/۰)

(۰۱۷۴/۰)

 

 

 

۰۰۹۹/۰**

۰۰۸۹/۰**

 

 

 

(×10-3)

(۰۰۴۴/۰)

(۰۰۴۴/۰)

 

 

 

 

-۰۳۵۴/۰***

-۰۳۴۹/۰***

 

 

 

(×10-6)

(۰۱۳۴/۰)

(۰۱۳۳/۰)

 

 

 

 

۰۱۱۰/۰***

 

 

 

 

(×10-3)

(۰۰۳۱/۰)

 

 

 

 

 

-۰۰۴۷/۰

 

 

 

 

(×10-6)

(۰۱۵۱/۰)

 

 

 

 

 

۴۹۲۷

۴۹۲۷

۴۹۲۷

۴۹۲۷

۴۹۲۷

تعداد مشاهده‌ها

۲۰/۰

۲۰/۰

۲۰/۰

۱۹/۰

۱۸/۰

R2

* نشانگر معناداری در سطح 10 درصد، ** در سطح 5 درصد و *** در سطح 1 درصد است. اعداد داخل پرانتز، خطای استاندارد هستند.

 

برای رعایت اختصار، متوسط میانگین درصد ضرایب معنادار برای همۀ ده سهم بررسی‌شده، در جدول 4 گزارش شده است. همان‌طور که مشاهده می‌شود، پله‌های میانی و به‌ویژه پله‌های دوم تا چهارم از بالاترین میزان ضرایب معنادار مطابق علامت مورد انتظار برخوردارند. این نتایج، با یافته‌های کائو و همکاران (۲۰۰۹) همخوانی دارد که نشان می‌دهند پله‌های دوم تا چهارم بیشترین میزان اطلاعات دربارۀ قیمت‌های آتی را دارند.

پله‌ّهای چهارم و پنجم نیز قدرت پیش‌بینی بالایی دارند؛ اما این قدرت پیش‌بینی نسبت به پله‌های پیشین کمتر است.

 

 

جدول (۴) متوسط درصد ضرایب معنادار ده نماد معاملاتی برای پله‌های مختلف (مدل رگرسیون ۱)

۵

۴

۳

۲

۱

پله

۵۰٪

۵۰٪

۵۰٪

۵۰٪

۵۰٪

متغیر دامنک

 

 

 

 

 

متغیرهای نمایندۀ دفتر سفارشات:

۴۸٪

۵۳٪

۶۰٪

۵۷٪

۱۰٪

مطابق علامت مورد انتظار و معنادار

۸۱٪

۸۳٪

۸۴٪

۸۷٪

۸۰٪

مطابق علامت مورد انتظار، بدون توجه به معناداری

معناداری در سطح 5% تعریف شده است.

 

مدل رگرسیون 2 مطابق رابطۀ ۸ تعریف شده و در آن متغیرهای سمت عرضه و تقاضا به‌صورت مستقل آمده است. نتایج این رگرسیون برای نماد بترانس در جدول 5 ارائه شده است.

مطابق انتظار، در بیشتر موارد اندازۀ سفارشات (Q) در سمت عرضه با قیمت آتی رابطۀ منفی دارد و در سمت تقاضا رابطه، مثبت است؛ اگرچه نتایج برای بیشتر پله‌ها ازنظر آماری معنادار نیست. دربارۀ فاصلۀ قیمتی پله‌ها ( )، نتایج پلۀ دوم مطابق انتظار و فاصلۀ قیمتی بیشتر در سفارشات خرید به معنای کمتربودن تقاضا و بنابراین کاهش قیمت است و برعکس، فاصلۀ قیمتی بزرگ‌تر در سمت عرضه به معنای افزایش قیمت است؛ اما نتایج سایر پله‌ها به‌ویژه برای سمت تقاضا مطابق انتظار نیست. در مجموع، به نظر می‌رسد آنچه دربارۀ فاصلۀ قیمتی پله‌ها اهمیت دارد، تفاوت آن در دو سمت عرضه و تقاضا (مطابق رگرسیون اول) و نه مقدار مطلق آن، است.

متوسط نتایج مدل رگرسیون 2 برای همۀ ده سهم بررسی‌شده در جدول 6 آمده است. همان‌طور که مشاهده می‌شود، مانند نتایج مدل رگرسیون 1، پله‌های میانی و به‌ویژه پله‌های دوم و سوم از بالاترین میزان ضرایب معنادار، مطابق علامت مورد انتظار، برخوردارند. کمتربودن قدرت پیش‌بینی پله‌های چهارم و پنجم نسبت به پله‌های دوم و سوم با یافته‌های ایوم[50] و همکاران (۲۰۰۷) و دانگ[51] و همکاران (۲۰۱۴) مرتبط است.

 

 

جدول (۵) نتایج مدل رگرسیون 2 برای نماد معاملاتی بترانس

5

4

3

2

1

پله

۰۱۰۵/۰***

۰۱۰۵/۰***

۰۱۰۵/۰***

۰۱۰۱/۰***

۰۰۹۹/۰***

 (×10-2)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

(۰۰۰۴/۰)

 

۰۲۲۳/۰

۰۲۲۶/۰

۰۲۳۸/۰

۰۱۵۲/۰

۰۱۲۳/۰

(×10-6)

(۰۳۷۷/۰)

(۰۳۷۷/۰)

(۰۳۷۸/۰)

(۰۳۷۹/۰)

(۰۳۷۹/۰)

 

-۰۳۵۲/۰**

-۰۳۵۹/۰**

-۰۵۲۶/۰***

-۰۶۲۳/۰***

-۰۶۸۳/۰***

(×10-6)

(۰۱۷۰/۰)

(۰۱۶۸/۰)

(۰۱۶۲/۰)

(۰۱۶۲/۰)

(۰۱۶۱/۰)

 

-۰۸۰۱/۰***

-۰۸۰۰/۰***

-۰۷۸۳/۰***

-۰۷۳۶/۰***

 

(×10-3)

(۰۰۷۸/۰)

(۰۰۷۷/۰)

(۰۰۷۷/۰)

(۰۰۷۸/۰)

 

 

۲۲۷۰/۰***

۲۲۶۰/۰***

۱۴۹۰/۰**

۱۳۳۰/۰**

 

(×10-3)

(۰۶۶۰/۰)

(۰۶۵۹/۰)

(۰۵۹۲/۰)

(۰۵۸۵/۰)

 

 

۰۳۶۶/۰

۰۳۶۷/۰

۰۳۲۴/۰

۰۱۳۵/۰

 

(×10-6)

(۰۳۷۱/۰)

(۰۳۷۰/۰)

(۰۳۷۱/۰)

(۰۳۷۳/۰)

 

 

-۰۱۰۰/۰

-۰۰۷۶/۰

-۰۱۱۳/۰

-۰۰۹۵/۰

 

(×10-6)

(۰۲۹۹/۰)

(۰۲۹۵/۰)

(۰۲۹۵/۰)

(۰۲۹۷/۰)

 

 

-۰۵۵۳/۰***

-۰۵۵۱/۰***

-۰۵۳۷/۰***

 

 

(×10-3)

(۰۰۵۹/۰)

(۰۰۵۹/۰)

(۰۰۵۹/۰)

 

 

 

۰۰۳۳/۰

-۰۱۳۳/۰

-۰۲۲۵/۰**

 

 

(×10-3)

(۰۲۹۷/۰)

(۰۱۲۰/۰)

(۰۱۱۴/۰)

 

 

 

-۰۱۴۴/۰

-۰۱۴۶/۰

-۰۱۸۶/۰

 

 

(×10-6)

(۰۲۳۰/۰)

(۰۲۳۰/۰)

(۰۲۳۰/۰)

 

 

 

۰۰۷۸/۰

۰۰۷۴/۰

-۰۰۲۰/۰

 

 

(×10-6)

(۰۲۶۷/۰)

(۰۲۶۷/۰)

(۰۲۶۶/۰)

 

 

 

-۰۱۵۹/۰***

-۰۱۵۸/۰***

 

 

 

(×10-3)

(۰۰۴۶/۰)

(۰۰۴۶/۰)

 

 

 

 

-۰۵۱۵/۰***

-۰۴۸۴/۰***

 

 

 

(×10-3)

(۰۱۸۶/۰)

(۰۱۸۲/۰)

 

 

 

 

۰۰۳۹/۰

۰۰۳۰/۰

 

 

 

(×10-6)

(۰۱۸۵/۰)

(۰۱۸۳/۰)

 

 

 

 

-۰۶۹۸/۰***

-۰۷۱۳/۰***

 

 

 

(×10-6)

(۰۱۹۶/۰)

(۰۱۹۵/۰)

 

 

 

 

-۰۰۰۶/۰

 

 

 

 

(×10-3)

(۰۰۴۰/۰)

 

 

 

 

 

۰۰۷۰/۰

 

 

 

 

(×10-3)

(۰۱۱۴/۰)

 

 

 

 

 

-۰۰۹۹/۰

 

 

 

 

(×10-6)

(۰۲۰۷/۰)

 

 

 

 

 

-۰۲۳۹/۰

 

 

 

 

(×10-6)

(۰۲۱۴/۰)

 

 

 

 

 

۴۹۲۷

۴۹۲۷

۴۹۲۷

۴۹۲۷

۴۹۲۷

تعداد مشاهده‌ها

۲۱/۰

۲۱/۰

۲۱/۰

۱۹/۰

۱۸/۰

R2

* نشانگر معناداری در سطح 10 درصد، ** در سطح 5 درصد و *** در سطح 1 درصد است. اعداد داخل پرانتز، خطای استاندارد هستند.

 

ایوم و همکاران (۲۰۰۷) با بررسی افزایش افشای دفتر سفارشات در دو مرحله، در سال‌های ۲۰۰۰ و ۲۰۰۲، در بورس کره نشان دادند افشای اطلاعات دفتر سفارشات منجر به بهبود نقدشوندگی در بازار می‌شود؛ اما افزایش شفافیت در مراحل اولیه اثر بیشتری دارد و این اثر در پله‌های بعدی دفتر سفارشات به‌تدریج کاهش می‌یابد. در بورس کره در مرحلۀ اول اطلاعات افشاشدۀ دفتر سفارشات از ۳ پله به ۵ پله و در مرحلۀ دوم این میزان به ده پله افزایش یافت. آنها کاهش تدریجی اثر شفافیت را این‌طور توضیح دادند که شفافیت زیاد به معامله‌گران اجازه می‌دهد در پله‌های بالا سفارش‌های گمراه‌کننده و با حجم بالا قرار دهند؛ در حالی که احتمال اجراشدن آن سفارش‌ها کم است.

دانگ و همکاران (۲۰۱۴)  نیز بازار آتی سیدنی را بررسی کردند که شفافیت آن در سال ۲۰۰۱ از داده‌های مربوط به بهترین مظنه‌ها به داده‌های سه پلۀ اول و در سال ۲۰۰۳ از سه به پنج پله ارتقا یافت. آنها نشان دادند دفتر سفارشات محدود حاوی اطلاعات دربارۀ رفتار قیمت سهم و تلاطم آیندۀ آن است و افزایش قدرت پیش‌بینی رفتار قیمت سهم و تلاطم‌ها در مرتبۀ اول بیشتر بوده که نشان‌دهندۀ کاهشی‌بودن فایدۀ حاصل از افزایش شفافیت دفتر سفارشات است. بررسی دقیق‌تر این موضوع در بورس تهران نیازمند دسترسی به داده‌های جامع‌تر از کل دفتر سفارشات است و بنابراین به پژوهش‌های آتی موکول می‌شود.

 

 

جدول (۶) متوسط درصد ضرایب معنادار ده نماد معاملاتی برای پله‌های مختلف (مدل رگرسیون ۲)

۵

۴

۳

۲

۱

پله

۵۰٪

۵۰٪

۵۰٪

۵۰٪

۵۰٪

متغیر دامنک

 

 

 

 

 

متغیرهای نمایندۀ دفتر سفارشات:

۳۴٪

۳۷٪

۴۱٪

۴۲٪

۲۵٪

مطابق علامت مورد انتظار و معنادار

۷۷٪

۷۶٪

۷۷٪

۷۷٪

۵۵٪

مطابق علامت مورد انتظار، بدون توجه به معناداری

معناداری در سطح 5% تعریف شده است.

 

 

مدل رگرسیون 3 به‌صورت رابطۀ ۹ تعریف شده است که در آن متغیرها نرمال شده‌اند. نتایج این رگرسیون برای نماد بترانس در جدول 7 ارائه شده است.

نتایج مدل رگرسیون 3 تا حد زیادی مشابه مدل 1 است؛ با این تفاوت که میزان معناداری ضرایب مختلف کاهش یافته است؛ بنابراین به نظر می‌رسد نرمال‌سازی متغیرها باعث افزایش نویز و کاهش قدرت پیش‌بینی آنها می‌شود.

متوسط نتایج برای همۀ ده سهم بررسی‌شده در جدول 8 آمده است. مشابه نتایج مربوط به نماد بترانس، به نظر می‌رسد قدرت توضیح‌دهندگی متغیرها در مقایسه با رگرسیون 1 با متغیرهای نرمال‌سازی‌نشده، کاهش یافته است.

 

 

 

جدول (۷) نتایج مدل رگرسیون 3 برای نماد معاملاتی بترانس

5

4

3

2

1

پله

۲۲۲۰/۰***

۲۱۸۰/۰***

۲۱۶۰/۰***

۲۱۶۰/۰***

۲۱۷۰/۰***

 

(۰۰۹۳/۰)

(۰۰۹۲/۰)

(۰۰۹۱/۰)

(۰۰۹۰/۰)

(۰۰۸۹/۰)

 

-۰۵۳۸/۰

-۰۵۵۸/۰

-۰۵۵۹/۰

-۰۵۶۵/۰

-۰۵۴۰/۰

(×10-2)

(۰۸۰۷/۰)

(۰۸۰۷/۰)

(۰۸۰۷/۰)

(۰۸۰۶/۰)

(۰۸۰۱/۰)

 

۰۹۹۸/۰

۰۹۱۷/۰

۰۹۳۲/۰

۰۹۳۰/۰

 

(×10-2)

(۰۹۸۸/۰)

(۰۹۸۸/۰)

(۰۹۸۷/۰)

(۰۹۸۷/۰)

 

 

۰۱۰۴/۰

۰۰۸۷/۰

۰۰۹۱/۰

۰۰۷۱/۰

 

(×10-2)

(۰۸۳۹/۰)

(۰۸۳۹/۰)

(۰۸۳۹/۰)

(۰۸۳۴/۰)

 

 

-۰۰۰۹/۰

-۰۰۹۶/۰

-۰۱۰۹/۰

 

 

(×10-2)

(۱۰۲۰/۰)

(۱۰۲۰/۰)

(۱۰۲۰/۰)

 

 

 

-۰۰۷۸/۰

-۰۱۰۳/۰

-۰۱۸۵/۰

 

 

(×10-2)

(۰۸۳۸/۰)

(۰۸۳۸/۰)

(۰۸۳۱/۰)

 

 

 

-۰۰۳۶/۰

-۰۱۸۵/۰

 

 

 

(×10-2)

(۱۰۱۰/۰)

(۱۰۱۰/۰)

 

 

 

 

-۱۱۷۰/۰

-۱۵۲۰/۰*

 

 

 

(×10-2)

(۰۸۳۱/۰)

(۰۸۲۰/۰)

 

 

 

 

-۲۰۵۰/۰**

 

 

 

 

(×10-2)

(۰۹۹۹/۰)

 

 

 

 

 

-۱۵۸۰/۰*

 

 

 

 

(×10-2)

(۰۸۲۱/۰)

 

 

 

 

 

۴۹۲۷

۴۹۲۷

۴۹۲۷

۴۹۲۷

۴۹۲۷

تعداد مشاهده‌ها

۱۸/۰

۱۸/۰

۱۸/۰

۱۸/۰

۱۸/۰

R2

* نشانگر معناداری در سطح 10 درصد، ** در سطح 5 درصد و *** در سطح 1 درصد است. اعداد داخل پرانتز، خطای استاندارد هستند.

 

جدول (۸) متوسط درصد ضرایب معنادار ده نماد معاملاتی (مدل رگرسیون ۳)

۵

۴

۳

۲

۱

پله

۵۰٪

۵۰٪

۵۰٪

۵۰٪

۵۰٪

متغیر دامنک

 

 

 

 

 

متغیرهای نمایندۀ دفتر سفارشات:

۲۹٪

۳۱٪

۳۴٪

۳۷٪

۲۰٪

مطابق علامت مورد انتظار و معنادار

۷۶٪

۸۰٪

۸۰٪

۸۷٪

۷۰٪

مطابق علامت مورد انتظار، بدون توجه به معناداری

معناداری در سطح 5% تعریف شده است.

 

همان‌طور که مشاهده شد، دفتر سفارشات در بورس اوراق بهادار تهران حاوی اطلاعاتی دربارۀ رفتار قیمت سهم در آینده است و این نتیجه با یافته‌های پژوهش‌های پیشین سازگار است؛ برای مثال ایوم و همکاران (۲۰۰۷) با بررسی داده‌های بورس کره نشان دادند دفتر سفارشات حاوی اطلاعاتی دربارۀ رفتار قیمت سهم و تلاطم قیمت‌های آتی است. کائو و همکاران (۲۰۰۹) چندین سنجۀ مبتنی‌بر دفتر سفارشات را معرفی کردند و با بررسی ‌داده‌های بورس استرالیا نشان دادند پله‌های مختلف دفتر سفارشات اطلاعاتی دربارۀ تغییرات آتی قیمت سهام دارد. دانگ و همکاران (۲۰۱۴) بازار آتی سیدنی را بررسی کردند و نشان دادند دفتر سفارشات محدود حاوی اطلاعاتی دربارۀ رفتار قیمت و تلاطم آیندۀ سهم است و معامله‌گران مطلع سفارش محدود را ترجیح می‌دهند. تیان[52] و همکاران (۲۰۱۹) با بررسی داده‌های قراردادهای آتی نفت نشان دادند دفتر سفارشات دارای اطلاعاتی دربارۀ تلاطم قیمت‌های آتی است. ارزنده و فرنک[53] (۲۰۱۹) نیز با بررسی داده‌های قرارداد آتی محصولات کشاورزی در آمریکا[54] نشان دادند دفتر سفارشات اطلاعاتی پیرامون کشف قیمت قراردادهای آتی دارد و معامله‌گران مطلع، سفارش محدود ورای پلۀ اول را ترجیح می‌دهند.

 

نتایج و پیشنهادها

ایجاد شفافیت‌ قبل از معامله و کشف قیمت یکی از کارکردهای اصلی بازارهای مالی است. دفتر سفارشات محدود یکی از ابزارهای طراحی‌شده با این هدف است و در بازارهای مختلف ازجمله بورس تهران استفاده می‌شود. به دلایل مختلفی ازجمله استفادۀ معامله‌گران مطلع از سفارشات محدود، دفتر سفارشات حاوی اطلاعاتی دربارۀ قیمت سهام است و رفتار قیمت سهم را پیش‌بینی می‌کند. در این پژوهش، با استفاده از سنجه‌های متعدد مبتنی‌بر قیمت و حجم سفارشات خرید و فروش در دفتر سفارشات، قدرت پیش‌بینی رفتار آتی قیمت سهام با استفاده از اطلاعات دفتر سفارشات بررسی شد.

نتایج حاصل از سه رگرسیون شامل سنجه‌های مختلف نشان می‌دهد اطلاعات موجود در دفتر سفارشات محدود در بورس اوراق بهادار تهران، رفتار سهم در آیندۀ کوتاه‌مدت را پیش‌بینی می‌کند. این نتایج با یافته‌های پژوهش‌های پیشین در سایر بورس‌ها مانند بورس آمریکا (کردیا و سوبرامانیام، ۲۰۰۴) و استرالیا (کائو و همکاران، ۲۰۰۹) سازگار است؛ افزون بر آن براساس نتایج پژوهش، پله‌های دوم و سوم به‌طور متوسط از قدرت پیش‌بینی بیشتری برخوردارند و پله‌های چهارم و پنجم قدرت پیش‌بینی نسبی و کمتر از پله‌های دوم و سوم دارند. در میان سه مدل رگرسیون بررسی‌شده، بیشترین قدرت پیش‌بینی متعلق به رگرسیون 1 است که متغیرهای دفتر سفارشات را با ترکیب دو سمت عرضه و تقاضا برای هر پله محاسبه می‌کند؛ اما آنها را نرمال‌سازی نمی‌کند.

یکی از کاربردهای عملی تحلیل و بررسی آثار شفافیت قبل از معامله، راهنمایی قانون‌گذار در انتخاب سطح بهینۀ شفافیت در بازار و اتخاذ سیاست‌های مؤثر دربارۀ افشای اطلاعات دفتر سفارشات است. نتایج اینگونه پژوهش‌ها به سیاست‌گذار در تصمیم‌گیری برای افزایش پله‌های دفتر سفارشات به‌منظور بهبود بازار کمک می‌کند. در بورس اوراق بهادار تهران تا پیش از سال ۱۳۹۶ تنها سه پله از بهترین پیشنهادهای خرید و فروش طرف تقاضا و عرضه به همراه حجم سفارش‌ها به‌صورت رایگان در اختیار عموم قرار می‌گرفت و بعد از آن این تعداد به پنج پله افزایش یافت[55]. این پژوهش با بررسی پنج پله از دفتر سفارشات انجام شده است[56] و نشان می‌دهد پله‌های چهارم و پنجم دفتر سفارشات نیز حاوی اطلاعاتی دربارۀ قیمت‌های آتی است که البته سهم این پله‌ها از سه پلۀ اول کمتر است؛ بنابراین افزایش پله‌های در معرض نمایش عموم از سه پله به پنج پله در بورس اوراق بهادار تهران به سرمایه‌گذاران و معامله‌گران برای پیش‌بینی قیمت سهم در آینده و کشف قیمت کمک می‌کند.

علاوه‌بر کاربرد این پژوهش در سیاست‌گذاری، نتایج آن از منظر سرمایه‌گذاران و به‌ویژه بازارگردان‌های سهام گام مهمی در ایجاد استراتژی‌های معاملاتی براساس اطلاعات دفتر سفارشات محدود است؛ بنابراین با توجه به قدرت پیش‌بینی قیمت‌های آتی با کمک اطلاعات دفتر سفارشات، پیشنهاد می‌شود در پژوهش‌های آتی، استراتژی‌های معاملاتی مبتنی‌بر دفتر سفارشات و تخمین میزان سودآوری آنها، برای مثال مشابه کوژن و سالمون[57] (۲۰۱۲)، بررسی شود.



[1]. اقتصاددانان مالی اصطلاح رایجی دارند که می‌گوید: «اگر می‌خواهی ارزش یک دارایی مالی را بدانی، خیلی آسان به قیمت آن دارایی در بازارهای مالی نگاه کن.»

[2]. Open Limit Order Book

[3]. Pre-trade transparency

[4]. Open Book

[5]. Boehmer

[6]. Ke

[7]. Baruch

[8]. Order imbalance

[9]. Chordia & Subrahmanyam

[10]. Informed traders

[11]. سفارش به قیمت بازار (Market Order) سفارشی است که معامله‌گر مایل است بلافاصله و در بهترین قیمت ممکن، خرید یا فروش را انجام دهد.

[12]. سفارش محدود (Limit Order) سفارشی است که معامله‌گر تنها در قیمتی مشخص یا قیمتی بهتر از آن مایل به خرید یا فروش است.

[13]. Kaniel & Liu

[14]. Collin-Dufresne & Fos

[15]. Brogaard

[16]. High-frequency trading (HFT)

[17]. Harris

[18]. Kyle

[19]. Order flow

[20]. Adverse selection

[21]. Stoll

[22]. Ho

[23]. Amihud & Mendelson

[24]. Inventory

[25]. برای توضیحات بیشتر دربارۀ مدل‌های انتخاب نامساعد و موجودی سهام به بیایس، گلوستن و اسپت (۲۰۰۵) مراجعه کنید.

[26]. Johnson & Watson

[27]. Taranto

[28]. Panchapagesan

[29]. Specialist

[30]. این مطالعه در زمانی انجام شده است که اطلاعات دفتر سفارشات به‌طور انحصاری در اختیار بازارگردانان متخصص قرار می‌گرفت.

[31]. Liquidity taker

[32]. Liquidity maker

[33]. دامنک (Spread) فاصلۀ میان بهترین مظنۀ خرید و فروش است.

[34]. Madhavan

[35]. اگرچه نقش سهامداران عمده در بورس تهران که در بسیاری از موارد از قیمت سهم «حمایت» می‌کنند و سعی در برقراری تعادل در بازار دارند تا حدی مشابه نقش بازارگردان است.

[36]. Hasbrouck

[37]. Gonzalo & Granger

[38]. Intraday

[39]. ملاک انتخاب شرکت‌ها بازبودن نماد شرکت در دست‌کم ۸۰ درصد از سال، یعنی بیش از ۱۹۰ روز معاملاتی در سال، بوده است و سپس شرکت‌ها به‌صورت تصادفی انتخاب شده‌اند.

[40]. Outliers

[41]. Cao

[42]. Lag

[43]. Akaike information criterion (AIC)

[44]. Bayesian information criterion (BIC)

[45] . با آزمون‌های مختلف نشان داده می‌شود که متغیر پسماند، نوفۀ سفید نیست؛ بنابراین از منظر ملاحظات اقتصادسنجی پیش‌بینی آن امکان‌پذیر است.

[46]. Dealer

[47]. De Jong

[48]. Huang

[49]. برای بررسی پایداری (robustness) تخمین‌ها، بازه‌های ۳، ۷ و ۱۰ دقیقه نیز آزمون شدند که نتایج مشابه نتایج بازۀ ۵ دقیقه‌ای بود؛ اما دارای قدرت کمتری هستند.

[50]. Eom

[51]. Duong

[52]. Tian

[53]. Arzandeh & Frank

[54]. CME Group

[55]. البته گفتنی است که اطلاعات دفتر سفارشات برای همۀ پله‌های موجود همواره دردسترس کارگزاران بوده است.

[56]. تا پیش از سال ۱۳۹۲، شرکت مدیریت فناوری اطلاعات، اطلاعات پنج پله را ذخیره می‌کرد؛ ولی بعد از آن تنها اطلاعات سه پله ذخیره و نگهداری می‌شود؛ بنابراین در این پژوهش از به‌روزترین داده‌های موجود برای پنج پله، یعنی داده‌های سال ۱۳۹۱، استفاده شده است.

[57]. Kozhan, R., & Salmon

احمدپور، الف.، آقاجانی، ح.، و فدوی، م. (۱۳۹۲). بررسی رابطۀ بین حجم معاملات و تغییر قیمت سهام در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، ۱(۱)، ۸۴-۱۰۷. dx.doi.org/10.22051/jfm.2014.956.
بدری، الف.، عرب‌مازار، م.، و سلطان‌زالی، م. (۱۳۹۵). محتوای اطلاعاتی دفتر سفارش در بورس اوراق بهادار تهران. فصل‌نامۀ علمی پژوهشی دانش سرمایه‌گذاری، ۵(۱۸)، ۹۵-۱۱۷.
پویان‌فر، الف.، راعی، ر.، و محمدی، ش. (۱۳۸۸). فرآیند شکل‌گیری قیمت‌ها در بورس تهران - رویکرد ریزساختاری. بررسی‌های حسابداری و حسابرسی، ۱۶(۵۶)، ۲۱-3۸. dx.doi.org/10.22059/acctgrev.2012.28795.
حیدری، م.، و صباغ‌زاده، م. (۱۳۹۷). شفافیت و کیفیت: اثر افزایش سطوح دفتر سفارش‌های محدود بر کیفیت بورس اوراق بهادار تهران. تحقیقات مالی، ۲۰(۳)، ۳۴۳-۳۶۴. dx.doi.org/10.22059/frj.2018.258078.1006662.
فروش باستانی، ع.، و هنرمندی، ث. (۱۳۹۱). بررسی یک مدل تصادفی پیوستۀ زمان برای مطالعۀ دینامیک دفتر سفارش‌های محدود. سومین کنفرانس ریاضیات مالی و کاربردها، دانشکدۀ ریاضی، گروه ریاضیات مالی دانشگاه سمنان.
قالیباف اصل، ح.، و رزاقی، م. (۱۳۹۱). رابطۀ بین بازده و اسپرد در بورس اوراق بهادار تهران. تحقیقات مالی، ۱۴(۱)، ۱۰۰-۸۵. dx.doi.org/10.22059/jfr.2012.36636.
 
References
Ahmadpour, A., Aghajani, H., & Fadavi, M. (2013). Stock price changes and trading volume in companies listed in Tehran Stock Exchange. Financial Management Strategy. 1(1): 84-107. dx.doi.org/10.22051/jfm.2014.956. (In Persian)
Amihud, Y., & Mendelson, H. (1980). Dealership market: Market-making with inventory. Journal of Financial Economics. 8(1): 31-53. doi.org/10.1016/0304-405X(80)90020-3.
Amihud, Y., & Mendelson, H. (1986). Asset pricing and the bid-ask spread. Journal of Financial Economics. 17(2): 223-249. doi.org/10.1016/0304-405X(86)90065-6.
Arzandeh, M., & Frank, J. (2019). Price discovery in agricultural futures markets: Should we look beyond the best bid-ask spread? American Journal of Agricultural Economics. 101(5): 1482-1498. doi.org/10.1093/ajae/aaz001.
Badri, A., Arab Mazar, M., & Soltanzali, M. (2016). Information content of limit order book in Tehran Stock Exchange. Quarterly Journal of Investment Knowledge. 5(18): 95-117. (In Persian)
Baruch, S. (2005). Who Benefits from an Open Limit-Order Book? The Journal of Business. 78(4): 1267-1306. doi.org/10.1086/430860.
Biais, B., Glosten, L., & Spatt, C. (2005). Market microstructure: A survey of microfoundations, empirical results, and policy implications. Journal of Financial Markets. 8(2): 217-264. doi.org/10.1016/j.finmar.2004.11.001.
Boehmer, E., Saar, G., & Yu, L. (2005). Lifting the veil: An analysis of pre‐trade transparency at the NYSE. The Journal of Finance. 60(2): 783-815. doi.org/10.1111/j.1540-6261.2005.00746.x.
Brogaard, J., Hendershott, T., & Riordan, R. (2019). Price discovery without trading: Evidence from limit orders. The Journal of Finance. 74(4): 1621-1658. doi.org/10.1111/jofi.12769.
Cao, C., Hansch, O., & Wang, X. (2009). The information content of an open limit-order book. Journal of Futures Markets. 29(1): 16. doi.org/10.1002/fut.20334.
Chordia, T., Roll, R., & Subrahmanyam, A. (2002). Order imbalance, liquidity, and market returns. Journal of Financial Economics. 65(1): 111-130. doi.org/10.1016/S0304-405X(02)00136-8.
Chordia, T., & Subrahmanyam, A. (2004). Order imbalance and individual stock returns: Theory and evidence. Journal of Financial Economics. 72(3): 485-518. doi.org/10.1016/S0304-405X(03)00175-2.
Collin-Dufresne, Pierre., & Fos, V. (2015). Do prices reveal the presence of informed trading? The Journal of Finance. 70(4): 1555-1582. doi.org/10.1111/jofi.12260.
Cushing, D., & Madhavan, A. (2000). Stock returns and trading at the close. Journal of Financial Markets. 3(1): 45-67. doi.org/10.1016/S1386-4181(99)00012-9.
De Jong, F. (2002). Measures of contributions to price discovery: a comparison. Journal of Financial Markets. 5(3): 323-327. doi.org/10.1016/S1386-4181(02)00028-9.
Duong, H. N., Kalev, P. S., & Sun, Y. (2014). Pre-Trade Transparency and the Information Content of the Limit Order Book. Springer International Publishing. (pp. 25-50) doi.org/10.1007/978-3-319-05212-0_2.
Eom, K. S., Ok, J., & Park, J. H. (2007). Pre-trade transparency and market quality. Journal of Financial Markets. 10(4): 319-341. doi.org/10.1016/j.finmar.2007.06.001.
Foroush-Bastani, A., & Honarmandi, S. (2012). A survey on continuous stochastic time model for study of the dynamics of the orders office. 3rd Conference on Financial Mathematics and Applications, Department of Mathematical Fiance, Semnan University. (In Persian)
Gonzalo, J., & Granger, C. (1995). Estimation of common long-memory components in cointegrated systems. Journal of Business & Economic Statistics. 13(1): 27-35. doi.org/10.1080/07350015.1995.10524576.
Harris, L. (1990). Liquidity, trading rules and electronic trading systems (No. 8-91).
Harris, L. E., & Panchapagesan, V. (2005). The information content of the limit order book: Evidence from NYSE specialist trading decisions. Journal of Financial Markets. 8(1): 25-67. doi.org/10.1016/j.finmar.2004.07.001.
Hasbrouck, J. (1995). One security, many markets: Determining the contributions to price discovery. The Journal of Finance. 50(4): 1175-1199. doi.org/10.1111/j.1540-6261.1995.tb04054.x.
Heidari, M., & Sabbaghzadeh, M. H. (2018). Transparency & quality: The impact of increasing limit order book levels on Tehran Stock Exchange. Financial Research Journal. 20(3): 343-364. dx.doi.org/10.22059/frj.2018.258078.1006662. (In Persian)
Ho, T., & Stoll, H. R. (1981). Optimal dealer pricing under transactions and return uncertainty. Journal of Financial Economics. 9(1): 47-73. doi.org/10.1016/0304-405X(81)90020-9.
Huang, R. D. (2002). The quality of ECN and NASDAQ market maker quotes. The Journal of Finance. 57(3): 1285-1319. doi.org/10.1111/1540-6261.00461.
Johnson IV, B. H., & Watson, E. D. (2018). The Explanatory power of order imbalance measures. Quarterly Journal of Finance. 8(01): 1850003. doi.org/10.1142/S2010139218500039.
Kaniel, R., & Liu, H. (2006). So what orders do informed traders use? The Journal of Business. 79(4): 1867-1913. doi.org/10.1086/503651.
Ke, M. C., Huang, Y. S., Liao, T. L., & Wang, M. H. (2013). The impact of transparency on market quality for the Taiwan Stock Exchange. International Review of Economics & Finance. 27, 330-344. doi.org/10.1016/j.iref.2012.10.008.
Kozhan, R., & Salmon, M. (2012). The information content of a limit order book: The case of an FX market. Journal of Financial Markets. 15(1): 1-28. doi.org/10.1016/j.finmar.2011.07.002.
Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica. 53: 1315-1335. doi.org/ 10.2307/1913210.
Madhavan, A., Porter, D., & Weaver, D. (2005). Should securities markets be transparent? Journal of Financial Markets. 8(3): 265-287. doi.org/10.1016/j.finmar.2005.05.001.
Pouyanfar, A., Raei, R., & Mohammadi, S. (2009). The process of formation of prices in Tehran Stock Exchange - Market microstructure approach. Accounting and Auditing Review. 16(56): 21-38. dx.doi.org/10.22059/acctgrev.2012.28795. (In Persian)
Qalibaf-Asl, H., & Razzaghi, M. (2012). The relationship between returns and spread in Tehran Stock Exchange. Financial Research. 14(1): 85-100. dx.doi.org/10.22059/jfr.2012.36636. (In Persian)
Stoll, H. R. (1978). The supply of dealer services in securities markets. The Journal of Finance. 33(4): 1133-1151. doi.org/10.1111/j.1540-6261.1978.tb02053.x.
Stoll, H. R. (2000). Presidential address: friction. The Journal of Finance. 55(4): 1479-1514. doi.org/10.1111/0022-1082.00259.
Taranto, D. E., Bormetti, G., Bouchaud, J. P., Lillo, F., & Toth, B. (2018). Linear models for the impact of order flow on prices. II. The Mixture Transition Distribution model. Quantitative Finance. 1-15. doi.org/10.1080/14697688.2017.1397283.
Tian, X., Duong, H. N., & Kalev, P. S. (2019). Information content of the limit order book for crude oil futures price volatility. Energy Economics. 81: 584-597. doi.org/10.1016/j.eneco.2019.04.026.