LOS COMPONENTES DEL DIFERENCIAL OFERTA-DEMANDA: UN ENFOQUE

GENERAL

Tabla de Contenido
1. Un modelo básico.....................................................................................................................6
1.1 Comparación con los modelos de covarianza del diferencial.................................8
1.2 Comparación con los modelos de diferencial de indicadores de comercio......11
1.3 Tamaño de la operación..................................................................................................12
1.4 Resumen.............................................................................................................................13
2. Descripción de los datos......................................................................................................14
3. Proceso de estimación..........................................................................................................15
4. Descomposición bi-direccional del diferencial...............................................................17
5. Descomposición tripartita del diferencial basado en la correlación serial inducida
en los flujos de operaciones....................................................................................................22
5.1 El modelo ampliado con correlación serial inducida en los flujos de operación
.....................................................................................................................................................22
6. Descomposición tripartita del diferencial basado en la presión de compra y venta
.........................................................................................................................................................36
6.1 El modelo ampliado basado en la presión de negociación de cartera................36
6.2 Resultados empíricos basados en la presión de la cartera de negociación......37
7. Conclusiones...........................................................................................................................40
Anexo A: El modelo Glosten y Harris (1988)....................................................................42
Anexo B: Modelo básico con categorías de tamaño de operación.............................43
Anexo C: Muestra de Títulos................................................................................................44
REFERENCIAS.............................................................................................................................44
Roger D. Huang
Hans R. Stoll
Universidad Vanderbilt

Se construye un modelo simple de micro-estructura de mercado de serie de

tiempo dentro del cual se compaginan los modelos existentes de los componentes
del diferencial. Demostramos que los modelos existentes no consiguen
descomponer el diferencial en todos sus componentes. Se desarrollan dos
extensiones alternativas del modelo simple para identificar todos los componentes
del diferencial y estimar el diferencial en el que se producen las operaciones. Los
resultados empíricos apoyan la presencia de un componente de procesamiento de
pedidos de gran tamaño y de componentes de inventario y selección adversa,
aunque más pequeños, significativos. Los componentes de diferencial difieren
significativamente según el tamaño de la operación y también son sensibles a las
suposiciones sobre la relación entre órdenes y operadores.

La diferencia entre las cotizaciones de la demanda y de la oferta -el diferencial- ha

sido desde hace mucho tiempo de interés para los comerciantes, reguladores e
investigadores. Si bien reconocen que el diferencial de oferta y demanda debe
cubrir los costes de procesamiento de órdenes incurridos por los proveedores de
liquidez del mercado, los investigadores se han centrado en dos costes
adicionales de la creación de mercado que también deben reflejarse en el
diferencial.

Nos hemos beneficiado de los comentarios de los participantes del seminario en la

Universidad Estatal de Arizona, Universidad Estatal de Luisiana. Universidad Rice.
Universidad de California en Los Ángeles. Universidad de Carolina del Norte en
Chapel Hill, University of Southern California, Universidad de Vanderbilt, y la
Conferencia de la Asociación Financiera del Pacifico Asiático de 1995.
Agradecemos también a Ravi jagannathan (editor) y a dos árbitros anónimos por
sus comentarios. Esta investigación fue apoyada por el Dean's Fund for Research
y por el Financial Markets Research Center de la Owen Graduate School of
Management, Vanderbilt University.

Amihud y Mendelson (1980), Demsetz (1968), Ho y Stoll (1981,1983) y Stoll

(1978) destacan los costes de mantenimiento de inventarios de los proveedores
de liquidez. Copeland y Galai (1983), Easley y O' Hara (1987), y Glosten y Milgrom
(1985) se concentran en los costes de selección adversos a los que se enfrentan
los proveedores de liquidez cuando se informa a algunos operadores.

Varios modelos estadísticos miden empíricamente los componentes del diferencial

de precios. En una clase de modelos pioneros de Roll (1984), las inferencias
acerca del diferencial de la oferta y la demanda se realizan a partir de las
propiedades de covarianza en serie de los precios de transacción observados.
Siguiendo a Roll, otros modelos de diferencial de covarianza incluyen Choi,
Salandro y Shastri (1988), George, Kaul y Nimalendmn (1991), y Stoll (1989). En
otra categoría de modelos, las inferencias sobre el diferencial se realizan sobre la
base de un modelo de regresión del indicador mercantil. Glosten y Harris (1988)
fueron los primeros en modelar el problema en esta forma, pero no tenían la
información de la cotización para estimar el modelo directamente. Un artículo
reciente de Madhavan, Richardson y Roomans (1996) también entra en esta
categoría. Otros artículos relacionados incluyen Huang y Stoll (1994), que
muestran que las variaciones de precios a corto plazo de las existencias pueden
predecirse sobre la base de factores de microestructura y algunas otras variables,
Lin, Sanger y Booth (1995b), que estiman el efecto del tamaño de la operación en
el componente de información adversa del diferencial, y Hasbrouck (1988,1991),
que modela las series cronológicas de cotizaciones y operaciones en un esquema
autorregresivo vectorial para hacer inferencias acerca de las fuentes del
diferencial.

Los modelos estadísticos de los componentes de propagación se han aplicado de

varias maneras: para comparar los mercados de distribución y subasta[Affleck-
Graves, Hegde y Miller (1994), Jones y Lipson (1995), Lin, Sanger y Booth
(1995a), Porter y Weaver (1995)], para analizar la fuente de las devoluciones de
retorno a corto plazo. (Jegadeesh y Titman (1995)], para determinar las fuentes de
las variaciones del diferencial durante el día[Madhavan, Richardson y Roomans
(1996)], para probar la importancia de la selección adversa para los diferenciales
de fondos cerrados[Neal y Wheatley (1994)], y para evaluar el efecto de los
anuncios de absorción sobre los componentes del diferencial[Jennings (1994)].
Otras aplicaciones, sin duda, serán encontradas.

La mayor parte de la investigación existente no proporciona ni un modelo ni

estimaciones empíricas de una descomposición tripartita del diferencial en
componentes de procesamiento de órdenes, inventario e información adversa.
Además, gran parte de la investigación actual utiliza sin saberlo modelos
estrechamente relacionados para examinar el tema. Demostramos la similitud
subyacente de varios modelos y proporcionamos dos enfoques para una
descomposición a tripartita del diferencial.

El primer objetivo de este estudio es construir y estimar un modelo básico de

indicadores de comercio de componentes del diferencial dentro del cual se puedan
compaginar los diversos modelos existentes. Una característica distintiva de los
modelos de indicadores de comercio es que están impulsados únicamente por la
dirección del comercio, ya sea que los pedidos entrantes sean compras o ventas.
Los modelos de covarianza también dependen de las probabilidades de cambios
en la dirección de la negociación. Demostramos que el indicador de comercio
existente y los modelos de covarianza no logran descomponer completamente el
diferencial, ya que típicamente tienen costos globales de procesamiento de
pedidos y costos de inventario en una sola categoría, aunque estos componentes
son diferentes.

El segundo objetivo es proporcionar un método para identificar los tres

componentes del diferencial: procesamiento de órdenes, información adversa y
costo de mantenimiento del inventario. El inventario y los componentes de
información adversos son difíciles de distinguir porque las cotizaciones reaccionan
a las operaciones de la misma manera en ambos casos. Proponemos y probamos
dos extensiones de los modelos básicos de indicadores de comercio para separar
los dos efectos. La primera extensión se basa en la correlación serial de los flujos
comerciales. Los ajustes de las cotizaciones por razones de inventario tienden a
ser invertidos con el tiempo, mientras que los ajustes de las cotizaciones por
información adversa no lo son. Los precios de comercio también se invierten
(incluso si las cotizaciones no lo hacen), que es una medida del componente de
procesamiento de órdenes. Utilizamos el comportamiento de las cotizaciones y los
precios de comercio después de una operación para inferir los efectos de
inventario y procesamiento de órdenes que son distintos de los efectos adversos
de la información. La segunda extensión se basa en la correlación cruzada
contemporánea de los flujos comerciales entre las existencias. Debido a que los
proveedores de liquidez, como los creadores de mercado, mantienen carteras de
títulos, ajustan las cotizaciones de un título en respuesta a las operaciones con
otros títulos para cubrir existencias [Ho y Stoll (1983). Utilizamos la reacción a las
operaciones en otros títulos para inferir el componente de inventario a diferencia
de los componentes adversos de selección y procesamiento de órdenes. Los
resultados empíricos arrojan inventarios separados y componentes de información
adversos que son sensibles a la agrupación de las transacciones y al tamaño del
comercio medido por el volumen de participación.

Los modelos de indicadores de comercio básicos y extendidos propuestos y

probados en este estudio tienen la ventaja de la simplicidad. Las características
esenciales de la negociación se capturan sin estructuras de retraso complicadas u
otra información1. A pesar de su simplicidad, nuestro enfoque es lo
suficientemente general como para acomodarnos a las muchas formulaciones
anteriores sin hacer demandas adicionales sobre la información. Un segundo

1
Los modelos econométricos de microestructura de mercado más involucrados requieren determinantes
adicionales. Por ejemplo, Hasbrouck (1988) basó inferencias sobre el diferencial en estructuras de retraso
más largas. Huang y Stoll (1994) consideran las restricciones simultáneas impuestas a las cotizaciones y
precios de transacción por variables retrasadas, tales como los precios de los futuros sobre índices. Véase
también Huntsman, Lo y MacKinlay (1992).
beneficio es que los modelos pueden ser implementados fácilmente con un
procedimiento de regresión de un solo paso que proporciona una mayor
flexibilidad para abordar innumerables problemas estadísticos como errores de
medición, heterocedasticidad y correlación en serie.

Un tercer beneficio es que los modelos de indicadores de comercio proporcionan

un marco flexible para examinar una variedad de aspectos microestructurales. Un
aspecto es la importancia del tamaño del comercio para los componentes del
diferencial. Adaptamos nuestro modelo de indicadores de comercio para estimar
los componentes del diferencial entre la oferta y la demanda para tres categorías
de tamaño del comercio. Nosotros encontramos que los componentes del
diferencial son una función del tamaño del comercio.

Otro aspecto que se examina fácilmente en nuestro marco es la variación del

tiempo de los diferenciales y componentes del diferencial durante el día. El modelo
de indicadores de comercio puede ser fácilmente modificado para estudiar este
aspecto utilizando variables de indicadores para las horas del día. Madhavan,
Richardson y Roomans (1996), en un modelo similar al nuestro, examinan las
variaciones intradía de la volatilidad de los precios debidas a los costes de
negociación y las perturbaciones de la información pública. Concluyen que los
costes de información adversos disminuyen a lo largo del día y otros componentes
del diferencial incrementan. Sin embargo, no separan los componentes de
procesamiento de inventario y ordenes del diferencial.

Un aspecto que también podría examinarse dentro de nuestro marco es la

asimetría observada en el efecto de los precios de las operaciones en bloque.
Holthausen, Leftwich y Mayers (1987) y Kraus y Stoll (1972), por ejemplo, buscan
que el comportamiento de los precios de las operaciones en bloque en la oferta
difiere de los de la demanda. En este artículo nos centramos en el punto medio del
diferencial, pero el modelo puede ser fácilmente modificado para incluir variables
de indicador para las ubicaciones del diferencial donde puede ocurrir un comercio.
Un enfoque de covarianza para estimar los componentes del diferencial, como en
Stoll (1989), no se puede utilizar para determinar los componentes del diferencial
para las operaciones en la oferta versus las operaciones en la demanda.

El resto del artículo está organizado de la siguiente manera. La Sección 1

construye un modelo básico de indicadores de comercio y muestra cómo se puede
derivar de este modelo, los modelos de covarianza existentes del diferencial y los
modelos de indicadores de comercio existentes. También se presenta una variante
del modelo básico que incorpora diferentes categorías de tamaño de comercio. Si
bien el modelo básico (y los modelos existentes que implica) proporciona
importantes perspectivas sobre las fuentes de la variabilidad de los precios a corto
plazo, mostramos que no es lo suficientemente abundante como para identificar
por separado la información adversa de los efectos del inventario. La Sección 2
describe el conjunto de datos que consiste en todas las operaciones y
cotizaciones de 20 acciones NYSE grandes en 1992. La sección 3 describe la
metodología econométrica. En la Sección 4 se presentan los resultados de estimar
el modelo básico, incluyendo el efecto del tamaño del comercio. La sección 5
presenta el primer modelo ampliado en el que se descomponen los tres
componentes del diferencial sobre la base de las anulaciones entre comillas.
También mostramos cómo los componentes se ven afectados por la secuencia
observada de tamaños comerciales. La sección 6 descompone el diferencial sobre
la base de la información sobre las presiones de los inventarios en todo el
mercado. Las conclusiones están en la sección 7.

1. Un modelo básico
En esta sección desarrollamos un modelo simple de precios de transacción,
cotizaciones y el diferencial dentro del cual otros modelos son compaginados.
Adoptamos la convención de que el subíndice temporal (t) abarca tres eventos
separados y secuenciales. El valor fundamental inobservable del activo en
ausencia de costos de transacción, V t, se determina justo antes de la publicación
de las cotizaciones de oferta y demanda en el momento t. El punto medio de la
cotización, Mt, se calcula a partir de las cotizaciones de la oferta-demanda que
prevalecen justo antes de una transacción. Denotamos el precio de la transacción
en el momento t como P t, También definimos Q t, para ser la variable indicador de
compra-venta para el precio de transacción, P t. Equivale a +1 si la transacción es
iniciada por el comprador y ocurre por encima del punto medio, -1 si la transacción
es iniciada por el vendedor y ocurre por debajo del punto medio, y 0 si la
transacción ocurre en el punto medio.

Modelamos la Vt inobservable, como:

Donde S es el diferencial constante, α es el porcentaje del diferencial medio

atribuible a la selección adversa, y ɛt, es el choque de información pública no
correlacionado en serie. La ecuación (1) descompone el cambio en V t, en dos
componentes. En primer lugar, el cambio en V t, refleja la información privada
revelada por la última operación, α(S/2)Q t-1, como en Copeland y Galai (1983) y
Glosten y Milgrom (1985). En segundo lugar, el componente de información
pública es capturado por ɛt.
Mientras que Vt, es una construcción hipotética, observamos el punto medio, M t,
del diferencial oferta-demanda. De acuerdo con las teorías de inventario del
diferencial, los proveedores de liquidez ajustan el punto medio de cotización
relativo al valor fundamental sobre la base del inventario acumulado para inducir
las operaciones de equilibrio de inventarios [Ho y Stoll (1981) y Stoll (1978)].
Asumiendo que las operaciones pasadas tienen un tamaño normal de uno, el
punto medio se relaciona, bajo estos modelos, con el valor de los títulos
fundamentales según

Cuando β es la proporción del diferencial medio atribuible a los costes de

t-1
mantenimiento de existencias, Σ t=1 Qi, es el inventario acumulado del mercado
abierto hasta el momento t-1, y Q i, es el inventario inicial del día. A falta de costos
de almacenamiento de inventario, habría un mapeo de uno a uno entre V t y Mt.
Como asumimos que el diferencial es constante, la ecuación (2) es válida para las
cotizaciones de la demanda y oferta como para el punto medio.

La primera diferencia de la ecuación (2) combinada con la ecuación (1) implica

que las cotizaciones se ajustan para reflejar la información revelada por la última
operación y el coste de inventario de la última operación:

Donde Δ es el primer operador de la diferencia.

La ecuación final muestra la constante suposición del diferencial:

Donde el término de error n t capta la desviación del diferencial medio observada,
Pt – Mt, del diferencial medio constante, S/2, e incluye errores de redondeo
asociados con la discreción del precio.

El diferencial, S, se estima a partir de la información y nos referimos a él como el

diferencial negociado. Se diferencia de la dispersión observada, S t, en que refleja
las operaciones dentro del diferencial pero fuera del punto medio. Las operaciones
dentro del diferencial y por encima del punto medio se codifican como operaciones
de demanda, y las operaciones dentro del diferencial y por debajo del punto medio
se codifican como operaciones de oferta. Si las operaciones se producen entre el
punto medio y la cotización, S es menor que el diferencial publicado, como es el
caso de los datos que analizamos. Si las operaciones se producen sólo en la
oferta pública o la demanda publica, S es el diferencial publicado. La S estimada
es mayor que el diferencial efectivo observado definido como |P t – Mt| porque las
operaciones de punto medio codificadas como Q t = 0 son ignoradas en la
estimación2.

Combinando las ecuaciones (3) y (4) se obtiene el modelo de regresión básico:

Donde λ = α + β y et = ɛt + Δm. La ecuación (5) es una ecuación no lineal con

limitaciones dentro de las ecuaciones. El único determinante es un indicador de si
las operaciones en t y t - 1 se producen en la demanda, la oferta o el punto medio.
Este modelo de indicador variable proporciona estimaciones del diferencial
negociado, S, y el ajuste total de las cotizaciones a las operaciones, λ(S/ 2).
Basándonos únicamente en la ecuación (5), no podemos identificar por separado
los componentes de la selección adversa (α) y de la retención de inventario (β) del
diferencial medio. Sin embargo, podemos estimar que la porción del diferencial
medio no se debe a información adversa o inventario como 1 - λ. Esta porción
restante es una estimación de los costos de procesamiento de la orden, tales
como mano de obra y costos de equipo.

1.1 Comparación con los modelos de covarianza del diferencial

La covarianza serial en el flujo comercial, Q t, desempeña un papel importante en
los primeros modelos de covarianza del diferencial. Específicamente, la
2
Por el contrario, las estimaciones de S derivadas de la covarianza en serie de los precios comerciales, como
en Roll (1984), se ven influenciadas por el número de operaciones en el punto medio. Harris (1990) muestra
usando simulaciones que el estimador Roll (1984) puede ser seriamente sesgado. Para estimar el diferencial
efectivo |Pt – Mt|, véase Huang y Stoll (1996a, 1996b).
covarianza es una función de la probabilidad de una reversión en el flujo de una
operación, π, o una continuación, 1 - π. Se dice que se produce una reversión si
después de una operación en la oferta (demanda), la siguiente operación está en
la demanda (oferta). La ecuación (5) da cuenta de las reversiones, pero no asume
una probabilidad específica de reversión. En su lugar, se basa en la dirección de
las operaciones individuales y la magnitud de los cambios de precios y
cotizaciones.

Roll (1984) propone un modelo de diferencial entre la oferta y la demanda que se

basa exclusivamente en los datos del precio de transacción y asume que π = 1/2:

Su modelo asume la existencia de sólo el costo de procesamiento de la

transacción, ya que el valor de los inventarios es independiente del flujo de
operación y no hay ajustes de inventario. Para derivar el modelo de Roll de la
Ecuación (5), establece α = β = 0 en la Ecuación (5) para obtener:

Calcule las covarianzas en serie de ambos lados de la ecuación (7), usando el

hecho de que cov (ΔQt, ΔQt-1) es igual a - 1 cuando π = 1/2, para producir el
estimador de Roll de la ecuación (6)3.

Choi, Salandro y Shastri (CSS) (1988) extienden el modelo de Roll (1984) para
permitir la dependencia en serie en el tipo de transacción. La covarianza en serie
en los flujos de operación puede ocurrir si las órdenes grandes se rompen o si las
órdenes de límite "obsoletas" están en el libro. Cuando π no se limita a la mitad, la
ecuación (7) implica el estimador del CSS:

Cuál es el modelo Roll si π = 1/2. Es importante destacar que en el modelo de

CSS, la desviación de π de la mitad no se debe al comportamiento de ajuste de
inventarios de los proveedores de liquidez.

3
La covarianza en los cambios en las operaciones es cov (ΔQ t, ΔQt-1) = -4π2, que es -1 cuando JT = 1/2. La
covarianza en las operaciones es cov (ΔQ t, ΔQt-1) = (1-2π), que es cero cuando π = 1/2.
En términos más generales, la probabilidad de que se produzca una inversión de
los flujos de operaciones (continuación) es mayor (menos) que 0,5 cuando los
proveedores de liquidez ajustan los diferenciales entre la oferta y la demanda para
equilibrar el inventario. Stoll (1989) modela este aspecto de la creación de
mercados y permite la presencia de costos de selección adversos, costos de
mantenimiento de inventarios y costos de procesamiento de pedidos. Las
transacciones de compra y venta ya no son independientes en serie y su
covarianza en serie proporciona información sobre los componentes del
diferencial. El modelo consta de dos ecuaciones:

Donde S es la
4
magnitud de una continuación de precio como porcentaje del diferencial . Las dos
ecuaciones se utilizan para estimar las dos incógnitas S y π. Los estimadores de
covarianza de Stoll, Ecuaciones (9) y (10), resultan directamente de las
covarianzas de las Ecuaciones (5) y (3), respectivamente, cuando se utiliza la
transformación S = λ / 2. Stoll muestra que los ingresos esperados obtenidos por
un proveedor directo en una operación de ida y vuelta son 2(π-S)S. Esta cantidad
es una compensación por el procesamiento de pedidos y los costes de inventario.
El resto del diferencial,[1-2 (π - S)]S, es la porción del diferencial no obtenida por
el proveedor directo, y esta cantidad refleja el componente de información adversa
del diferencial5.

George, Kaul y Nimalendran (GKN) (1991) ignoran el componente de inventario

del diferencial de oferta y demanda y asumen una no dependencia en serie en el
tipo de movimiento para que π= 1/2 6. Su modelo en nuestra observación es la
4
Bajo el supuesto de un diferencial constante, escribir la covarianza en términos de puntos medios de
cotización como en la ecuación (10) equivale a escribirla en términos de la oferta o demanda como hace
Stoll.

5
Stoll descompone aún más el componente de ingresos, 2 (π-S) S en componentes de procesamiento de
pedidos y de inventario argumentando que π = 0,5 y β = 0,0 para el procesamiento de pedidos y π > 0,5 y S
= 0,5 para el mantenimiento de inventarios. pero esta descomposición es para esto.

6
George, Kaul y Nimalendran (1991) usan datos diarios y consideran cambiar las expectativas en su modelo.
Su formulación de expectativas que varían en el tiempo puede ser incorporada a nuestro sistema
expresando el precio de la transacción y el valor bursátil fundamental en logaritmos naturales e incluyendo
un término linealmente aditivo para un retorno esperado durante el período t-1 a t en la Ecuación (1). Dado
que nuestro análisis se centra en los efectos de la microestructura a nivel de los datos de las transacciones,
Ecuación (5) con β = 0. Bajo los supuestos de GKN, la ecuación (5) implica el
estimador de covarianza de GKN:

Donde 1-α es el componente de procesamiento de órdenes del diferencial de

oferta-demanda. La ecuación (11) es observacionalmente equivalente a la de Stoll,
las ecuaciones (9) y (10), bajo los supuestos de GKN de que π= 1/2, β = 0.

1.2 Comparación con los modelos de diferencial de indicadores de comercio

El modelo básico, la Ecuación (5), también generaliza algunos modelos de
indicadores de comercio existentes. Ofrecemos dos ejemplos:

Glosten y Harris (GH) (1988) desarrollan un enfoque variable del indicador de

comercio para modelar los componentes del diferencial entre la oferta y la
demanda. Su modelo básico bajo nuestra convención temporal es 7:

Donde Zt, es el componente de diferencial de selección adversa, C t, es el

componente de diferencial transitorio que refleja el procesamiento de órdenes y
los costos de inventario, y et, se define como en la ecuación (5). GH utiliza los
datos de transacción de Fitch, que contiene precios y volúmenes de transacción
pero no información sobre cotizaciones. En consecuencia, no pueden observar Q t,
y no pueden estimar la Ecuación (12) directamente. En cambio, estiman Z t, y Ct,
condicionándolos en el volumen observado en el momento t. Somos capaces de
observar Q, y podemos estimar la Ecuación (12) directamente. Bajo el supuesto
de GH de que hay dos componentes en el diferencial y haciendo nuestra
suposición de un diferencial constante, el componente de selección adversa de
GH es Zt, = α (S/2) y su componente de procesamiento de pedidos es C t = (1-α)
(S/2). Asumen que β = 0. Haciendo estas sustituciones en la Ecuación (12) y
reordenando los términos, se obtiene una versión restringida de la Ecuación (5).
No proporcionan estimaciones del diferencial. Detallamos la derivación del modelo
GH en el Apéndice A.

donde es probable que las expectativas cambiantes no sean importantes, ignoramos esta complicación en el
artículo.
7
Ecuación 2 en Glosten y Harris (1988, p. 128).
Madhavan, Richardson y Roomans (MRR) (1996) también ofrecen un modelo de
indicadores de comercio a lo largo de las líneas de GH. Usando nuestra
convención temporal y asumiendo flujos comerciales no correlacionados en serie,
su modelo es el siguiente8:

Donde θ es el componente de selección adversa, Φ es el componente de

procesamiento de pedidos y de inventario, y e t, es como se detalla en la ecuación
(5). Al reorganizar, la Ecuación (13) se convierte en

Que tiene la misma forma que el modelo GH [Ecuación (12)]. Al igual que en GH,
MRR asume que β = 0. Como lo hacemos más adelante en este artículo, con
respecto a nuestro modelo básico [Ecuación (5)], MRR extiende su modelo para
permitir que la sorpresa en los flujos de operación afecte los valores estimados 9.

1.3 Tamaño de la operación

La ecuación (5) generaliza los modelos de diferencial existentes como se describe
en las secciones 1.1 y 1.2. A continuación mostramos en la Sección 3 que la
configuración de regresión implícita en la Ecuación (5) facilita la consideración de
una variedad de cuestiones econométricas. La ecuación (5) también puede
generalizarse fácilmente a numerosas aplicaciones nuevas simplemente
introduciendo variables indicadoras que son 1 bajo ciertas condiciones y 0 en otras
condiciones. Por ejemplo, el modelo puede ser utilizado para estimar S y λ para
diferentes horas del día de negociación mediante la introducción de variables de
indicador de tiempo. Este es el objetivo principal de Madhavan, Richardson y
Roomans (1996). También se puede utilizar para estimar S y λ en diferentes
ubicaciones de diferencial para determinar cuestiones tales como si los
componentes de diferencial para las operaciones en la demanda difieren de los de
las operaciones en la oferta.

En este artículo generalizamos la Ecuación (5) para permitir diferentes coeficientes

estimados por categoría de tamaño de operación. Escogemos tres categorías de

8
Ecuación 3 en Madhavan, Richardson y Roomans (1996, p. 7).

9
MRR también proporciona estimaciones de la probabilidad incondicional de una operación que ocurre
dentro de los diferenciales cotizados
tamaño de operación, aunque cualquier número de categorías es posible. El
modelo se desarrolla escribiendo las ecuaciones (1) y (2) con variables
indicadoras para cada categoría de tamaño, como se muestra en detalle en el
Apéndice B. El resultado es

Donde

Si el volumen de la acción en t<= 1000 acciones

De lo contrario
1000 acciones < si el volumen de la acción en t<10000 acciones
De lo contrario
Si el volumen de la acción en t>=10000 acciones
De lo contrario

La ecuación (15) permite que las estimaciones de los coeficientes para

operaciones pequeñas (s), medianas (m) y grandes (I) difieran. La estimación de λ
depende del tamaño del comercio en el tiempo t-1, que determina la reacción de la
cotización, y la estimación de S depende principalmente del tamaño del comercio
en t, que determina donde el comercio es relativo al punto medio. Las
estimaciones de los parámetros no dependen de la secuencia de las operaciones.
En las extensiones del modelo básico que se proporcionan más tarde, la
secuencia de las operaciones importa.

1.4 Resumen
Hemos integrado los modelos de diferencial existentes impulsados únicamente por
una variable de indicador de operación. La mayoría de los modelos simplemente
tratan de identificar el componente de selección adversa y asumen que el resto del
diferencial refleja el inventario y el procesamiento de pedidos. De hecho, las
estimaciones de la información adversa probablemente incluyen también efectos
de inventario, ya que los procedimientos existentes no pueden distinguirlos.
Nuestro modelo [(ecuación (5)], que hemos utilizado como marco para integrar el
trabajo existente, tampoco puede hacer esa distinción. Sólo puede identificar el
componente de procesamiento de pedidos y la suma de inventarios e información
adversa. Ahora describimos los datos y los procedimientos econométricos, y
estimamos la Ecuación (5) y la generalización [Ecuación (15)] que explican las
categorías de tamaño del comercio. En secciones posteriores del artículo
proponemos y probamos dos extensiones alternativas que proporcionan una
descomposición completa de tres vías del diferencial.

2. Descripción de los datos

Los datos de operación y cotización son tomados de los datos recopilados por el
Instituto para el Estudio de Mercados de Valores (ISSM). Utilizamos una muestra
preconcebida de las acciones más grandes y más activamente negociadas
examinando las 20 acciones en el Índice de Mercado Mayor para todos los días de
negociación en el año calendario 1992. Los títulos se enumeran en el Apéndice C.

Para asegurar la integridad del conjunto de datos, el análisis se realiza en

transacciones codificadas como operaciones regulares y cotizaciones que son las
mejores ofertas o puja elegibles (BBO). Todos los precios y cotizaciones deben
ser divisibles por 16, ser positivos, y las demandas deben exceder las ofertas.
Restringimos el conjunto de datos a las operaciones y cotizaciones de NYSE.
Cada operación se empareja con la última cotización publicada al menos 5
segundos antes, pero dentro del mismo día de negociación.

El NYSE abre a menudo con un mercado de compra y opera como mercado

continuo el resto del día. Para evitar mezclar diferentes estructuras de
negociación, ignoramos los cambios de precios y cotizaciones de la noche a la
mañana. También excluimos el primer precio de transacción del día si no está
precedido por una cotización, que será el caso si la apertura es una subasta de
compra basada en órdenes acumuladas a un día.

La Tabla 1 presenta las estadísticas resumidas de las 20 empresas en la muestra.

El número de observaciones oscila entre un mínimo de 15.682 (62 operaciones al
día) para USX (X) y un máximo de 181.663 (715 operaciones al día) para Philip
Morris (MO). El siguiente número más bajo de observaciones corresponde a 3M
(MMM) que promedia cerca de 165 operaciones al día. Dada la gran disparidad en
la actividad de negociación en USX con respecto a las otras empresas de la
muestra, la excluimos del análisis posterior.

El cuadro 1 también contiene estadísticas sobre la cotización bursátil y el

diferencial publicado. Estas estadísticas se proporcionan para todas las
operaciones, para los tamaños de negociación inferiores o iguales a 1.000
acciones (pequeñas), para los tamaños de negociación entre 1.000 y 10.000
acciones (medianas) y para los tamaños de negociación superiores o iguales a
10.000 acciones (grandes). La cotización bursátil varía considerablemente de una
acción a otra y dentro del año para determinadas acciones. La media del
diferencial publicado, que es una media ponderada de las operaciones, siempre
supera los 12,5 céntimos, pero generalmente es inferior a los 20 céntimos. La
media del diferencial publicado también tiende a aumentar con el tamaño de la
operación; IBM y MRK son notables excepciones.

3. Proceso de estimación
La ecuación (5) puede estimarse mediante procedimientos que impongan
supuestos de distribución sólidos, tales como los métodos de probabilidad máxima
(ML) o cuadrado mínimo (LS). Por ejemplo, el enfoque ML adoptado por Glosten y
Harris (1988) ilustra las dificultades prácticas de utilizar una técnica ML cuando el
modelo se basa en la especificación de la discrecionalidad del precio. Optamos
por un método generalizado de procedimiento de momentos (GMM) que impone
unos supuestos de distribución muy débiles. Esto es especialmente importante ya
que el concepto de error, e , incluye errores de redondeo. El procedimiento del
GMM también explica fácilmente la presencia de heterocedasticidad condicional
de una forma desconocida.

Define f (xt, w) para ser una función vectorial tal que para estimar el modelo básico
[Equation (5)], es

Donde w = (Sλ)’ es el vector de los parámetros de interés, y para estimar el

modelo básico con las categorías de tamaño [Equation (15)], es el siguiente

Donde w = (Ss λs Sm λm SL λL)’. Los modelos básicos implican las condiciones de

ortogonalidad E [f (xt, w)] = 0. En el procedimiento GMM, las estimaciones de los
parámetros elegidos son aquellas que minimizan la función de criterio

Donde gT (w) es la media de la muestra de f (xt, w), y ST es una simple matriz de

ponderación simétrica. Hansen (1982) demuestra que, en condiciones de
regularidad débil, el estimador GMM wT es consistente y se identifican
exactamente los modelos básicos [Equations (5) y (15)].

Donde

También probamos modelos sobre-identificados donde el número de condiciones

de ortogonalidad excede el número de parámetros que necesitan ser estimados.
Una característica atractiva del procedimiento del GMM es que proporciona una
prueba para las restricciones de sobre-identificación. Específicamente, Hansen
demuestra que T veces el valor minimizado de la Ecuación (18) es distribuido
asintóticamente como chi cuadrado, con el número de grados de libertad igual al
número de condiciones de ortogonalidad menos el número de parámetros
estimados.

Cabe destacar las diferencias entre el procedimiento propuesto y la estimación de

Stoll (1989) de su modelo de covarianza. Nuestro procedimiento arroja
estimaciones de los diferenciales, mientras que Stoll se basa en los diferenciales
contabilizados. Además, evitamos la crítica planteada por George, Kaul y
Nimalendran (1991) de que las estimaciones de Stoll pueden estar sesgadas, ya
que son transformaciones no lineales de los parámetros lineales obtenidos a partir
de las covarianzas regresivas de los cambios de precios y las revisiones de las
cotizaciones en la media de los diferenciales. Nuestro procedimiento de
estimación GMM proporciona estimaciones consistentes de los parámetros no
lineales directamente. Por último, el procedimiento GMM se adapta fácilmente a la
heterocedasticidad condicional de una forma desconocida y a la correlación en
serie de los residuales.

4. Descomposición bi-direccional del diferencial

La Tabla 2 presenta las estimaciones GM de nuestro modelo de indicadores
variables [Ecuación (5)]. Aunque no es posible separar los costos adversos de
selección y mantenimiento de inventarios, el modelo separa los costos de
procesamiento de órdenes, 1-λ, de otras fuentes del diferencial, y proporciona
estimaciones del margen negociado, S. Además, la estimación de la ecuación (5)
no supone la probabilidad condicional de las operaciones, π.

Las estimaciones del diferencial comercializado que figuran en la Tabla 2 van

desde un mínimo de 9,9 centavos para IBM hasta un máximo de 13,5 centavos
para Procter and Gamble. Una comparación con el diferencial medio contabilizado
en el cuadro 1 muestra que el diferencial negociado estimado es menor para cada
acción que el diferencial publicado, como se esperaba.

La proporción del diferencial negociado que se debe a efectos adversos de

información e inventarios, λ, oscila entre un mínimo del 1,9% del diferencial
negociado para ATT y un máximo del 22,3% del diferencial negociado para 3M. La
parte restante del diferencial negociado, 98,1% y 77,7%, respectivamente, es el
componente de procesamiento de órdenes. El componente de procesamiento de
órdenes tiene un promedio del 88,6% en todos los títulos. Dada la presunción en
numerosos modelos de que la información adversa es un gran componente de la
dispersión, la fracción relativamente pequeña de la dispersión estimada tanto para
la información adversa como para el inventario es sorprendente. Las estimaciones
coinciden con las de George, Kaul y Nimalendran (1991). Son más pequeños que
los de Lin, Sanger y Booth (1995b) y Stoll (1989). El bajo componente de
información adversa también es consistente con el resultado de Easley et al.
(1996) que el riesgo de negociación basada en la información es menor para los
valores activos que para los valores negociados con poca frecuencia. Esto se
debe a que la presencia de operadores relativamente más desinformados en una
acción activa reduce la probabilidad de que un creador de mercado termine
operando con un operador informado.

La tabla presenta los resultados de estimar la Ecuación (5). Se muestran el

diferencial estimado negociado en dólares y la proporción de diferencial negociado
debido a selección adversa y costo de mantenimiento de inventarios. La
proporción de procesamiento de pedidos es 1 menos la proporción debida a
selección adversa y coste de mantenimiento de inventario. La última línea informa
de las estadísticas medias de todos los stocks.

La fuente de la estimación de α + β es el cambio en las cotizaciones en respuesta

a las operaciones especificadas en la ecuación (3). Si muchas operaciones se
realizan con las mismas cotizaciones, la información adversa estimada y los
efectos del inventario serán pequeños. Las estimaciones bajas de α+β pueden ser
parcialmente falsas si se negocia en la oferta o puja porque se rompen las
grandes operaciones o porque los programas de compra o venta provocan que
varias transacciones se realicen en una oferta o demanda sin cambios. En la
siguiente sección, además de modificar nuestro modelo básico para proporcionar
una descomposición de información adversa y efectos de inventario, también
proporcionamos estimaciones con y sin agrupamiento comercial.

Antes de descomponer la selección adversa y los costos de mantenimiento del

inventario en la siguiente sección, consideramos el modelo básico con categorías
de tamaño [Ecuación (15)]. Los resultados de las estimaciones se presentan en el
cuadro 3. Las diferencias en los diferenciales negociados entre las pequeñas y
medianas operaciones son generalmente económicamente insignificantes, pero
las grandes operaciones experimentaron diferenciales negociados que son casi
1,5 centavos más altos en promedio. La variación en el componente λ a través de
los tamaños de las operaciones es mucho más dramática. La selección adversa y
los componentes del mantenimiento de inventarios representan en promedio el
3,3% del diferencial negociado para las operaciones pequeñas. Esto aumenta
hasta el 21,7% para las operaciones de tamaño medio y se duplica hasta casi el
43% para las grandes operaciones. Los pequeños coeficientes λ reportados en la
Tabla 2 sugieren que las estimaciones están fuertemente influenciadas por las
ocurrencias más frecuentes de pequeñas transacciones.

Para examinar formalmente la variación en las estimaciones entre las categorías

de tamaño de las operaciones, consideramos dos limitaciones que imponen
restricciones de sobre-identificación a la ecuación (15). La primera limitación
(limitación 1) requiere que los diferenciales negociados pero no los costes de
procesamiento de la orden sean los mismos en todas las categorías de tamaño:

La segunda limitación (limitación 2) requiere que tanto el diferencial negociado

como los costes de procesamiento de la orden sean iguales en todas las
categorías de tamaño, que es el modelo básico [Ecuación (5)].

Los resultados de las pruebas de sobre-identificación se presentan en el cuadro A

de la Tabla 4. Las estadísticas chi-cuadrado rechazan las limitaciones 1 y 2 en los
niveles habituales de significancia. Sin embargo, la magnitud de las estadísticas
chi-cuadrado son mucho mayores para la Limitación 2 que para la Limitación 1,
resaltando las pequeñas diferencias en los diferenciales negociados reportados en
la Tabla 3. Los resultados resaltan la importancia de considerar la composición del
diferencial por tamaño de la operación. El Panel B de la Tabla 4 presenta el
promedio entre compañías de las estimaciones de parámetros restringidas para
las dos limitaciones. Bajo la Limitación 1, las estimaciones medias de A difieren
sustancialmente entre las categorías de tamaño del comercio y son comparables a
las estimaciones medias de la Tabla 3. Bajo la Limitación 2, A es del 8,4%,
reflejando el predominio de pequeñas operaciones en la muestra. Esta estimación
de los costos adversos de selección y mantenimiento de inventarios es algo menor
que la estimación promedio (11.4%) reportada para el modelo básico sin
categorías de tamaño en la Tabla 2.

La tabla presenta los resultados de la estimación de la Ecuación (15). Se muestran

el diferencial estimado negociado en dólares y la proporción del diferencial
negociado debido a la selección adversa y el costo de tenencia de inventarios por
tamaño de la operación. La proporción de procesamiento de órdenes es 1 menos
la proporción debida a selección adversa y coste de mantenimiento de inventario.
Una pequeña operación tiene 1000 acciones o menos, una operación mediana
tiene más de 1000 pero menos de 10.000 acciones, y una operación grande tiene
10.000 o más acciones. Las dos últimas filas informan de las estadísticas medias
de todos los stocks.

El Panel A presenta pruebas de sobre-identificación de limitaciones en el modelo

básico [Ecuación (15)] del diferencial negociado y el componente de
procesamiento de órdenes estimado en la Tabla 3. Las estadísticas reportadas de
chi-cuadrado tienen el número de grados de libertad igual al número de
condiciones de ortogonalidad menos el número de parámetros a estimar.

El Panel B presenta los promedios de las estimaciones restringidas entre las

empresas para las restricciones establecidas en el panel A.
5. Descomposición tripartita del diferencial basado en la correlación serial
inducida en los flujos de operaciones.
Para distinguir los componentes de selección adversa (α) e inventario (β) del
diferencial negociado, utilizamos por primera vez el hecho de que, bajo modelos
de inventario, los cambios en las cotizaciones afectan a la tasa de arribo posterior
de las operaciones. Después de una venta pública (compra) en la oferta
(demanda), el comerciante disminuye (aumenta) la oferta (demanda) en relación
con el precio fundamental de las acciones para aumentar la probabilidad de una
posterior compra pública (venta)[ver, por ejemplo, Ho y Stoll (1981)]. El
intermediario es entonces compensado por el riesgo de inventario porque el
cambio de cotización medio esperado es positivo después de una venta del
intermediario y negativo después de una compra del intermediario. La probabilidad
de una compra (venta) es mayor que 0,5 justo después de una venta (compra). En
otras palabras, bajo un modelo de inventario, se induce la covarianza en serie
negativa en las operaciones (Q t). A medida que las operaciones se revierten, las
cotizaciones se revierten. En consecuencia, en los modelos de inventario se
induce una correlación serial negativa en los cambios de cotización (así como en
las operaciones) y esta implicación puede utilizarse, al menos en principio, para
identificar el componente de inventario. La correlación serial negativa en las
operaciones, Qt, y los cambios de cotización, ΔM, es independiente de, y en
adición a, la correlación serial negativa en los cambios de precio de transacción,
ΔPt resulta del rebote de la oferta-demanda (como en el modelo Roll, por ejemplo).

5.1 El modelo ampliado con correlación serial inducida en los flujos de

operación
Las ecuaciones (1)-(5) no asumen la probabilidad de las operaciones y, por lo
tanto, no pueden distinguir los efectos de los inventarios y de la información
adversa. Modificamos el modelo para reflejar la correlación en serie de los flujos
de operación. La expectativa condicional del indicador de operación en el
momento t-1, dado que Qt-2 se muestra fácilmente como10:

Donde π es la probabilidad de que la operación en t sea opuesta en signo a la

operación en t-1. Una vez que permitamos que π difiera de la mitad, la Ecuación
(1) debe ser modificada para tener en cuenta la información predecible contenida
en la operación en el momento t-2. Suponiendo que el mercado conozca la
ecuación (21), el cambio en el valor fundamental vendrá dado por
10
La expectativa condicional puede ser fácilmente calculada a partir del hecho de que Q t-1.= Qt-2 con
probabilidad (1-π) y Qt-1= -Qt-2 con probabilidad π.
Donde el segundo término del lado derecho resta la información en Q t-1 no es una
sorpresa. Cuando π= 0.5, el signo de la operación es totalmente impredecible y la
ecuación (22) se reduce a la ecuación (1). Obsérvese que los cambios en el valor
fundamental, ΔVt, no están correlacionados en serie y son impredecibles, ya que
los cambios son inducidos por las innovaciones de la operación (los dos primeros
términos) y los anuncios de información pública inesperados (el último término).
Considere, por ejemplo, la expectativa de ΔV t, condicionada a la información
después de que se observe Qt-2 pero antes de que se observe Qt-1:

No se puede predecir el cambio en el valor subyacente de la información pública o

comercial anterior. Combinando las ecuaciones (22) y (2) obtenemos

Note que al llegar a la Ecuación (23) usamos la Ecuación (2) directamente sin
modificación para el signo esperado de la operación. Lo que importa para los
costes de inventario es el efecto real del inventario, no la parte inesperada. Hay
riesgo de inventario sólo cuando se adquiere el inventario (incluso si se esperaba
el cambio de inventario), y no hay riesgo de inventario si no se adquiere el
inventario (incluso si la falta de cambio de inventario era inesperada). Por lo tanto,
los ajustes de las cotizaciones por razones de inventario dependen de las
operaciones reales, no de las sorpresas de las operaciones. Esta distinción es lo
que nos permite estimar separadamente los componentes de inventario e
información adversa.

A diferencia del cambio esperado en el valor subyacente, el cambio esperado en

el punto medio de la cotización puede predecirse sobre la base de las operaciones
anteriores. Considere la expectativa de ΔM t, condicionada a que se observe la
información disponible después de Mt-1 (y por lo tanto Qt-2), pero antes de que se
observen Qt-1 y Mt,:
En primer lugar, el cambio previsto del punto medio de la cotización no depende
del componente de información adversa. Aunque el cambio observado en el punto
medio de la cotización depende del componente de información adversa, el
cambio esperado no se debe a que el cambio en el valor real V t no está
correlacionado en serie. En segundo lugar, la expectativa condicional destaca el
importante resultado de que el cambio esperado en las cotizaciones es mucho
más pequeño que el signo opuesto al cambio inmediato en las cotizaciones tras
una operación. A falta de cualquier cambio en el valor fundamental de la acción, la
respuesta inmediata al inventario de las cotizaciones a una operación es β(S/2)Q t-2
mientras que el cambio esperado en las cotizaciones es el lado derecho de la
ecuación (24), que es mucho menor. La ecuación (24) refleja el hecho, señalado
por varios autores, de que los ajustes de inventario son duraderos y difíciles de
observar [ver, por ejemplo, Hasbrouck (1988) y Hasbrouck y Sofianos (1993)].
Cuando los inventarios son lentos para volver a sus niveles deseados, π está
cerca de la mitad, lo que reduce la inversión esperada en la Ecuación (24). La
ecuación indica que lo que se está midiendo por el cambio de cotización esperado
es cuánto del ajuste de cotización inducido por el inventario se espera que se
invierta en la negociación posterior. Por ejemplo, si[β = 0.25, S/2 = 10 centavos,
π=0.7, la respuesta inmediata de inventario de las cotizaciones a una operación
en la oferta es β(S/2)Qt-2 = -2.5 centavos, pero el cambio esperado en las
cotizaciones en la operación posterior es β(S/2)(1 - 2π)Q t-2 = +1 centavo.

Combinando las ecuaciones (23) y (4) se produce

Que es el análogo de la ecuación (5) 11. La estimación del diferencial negociado S,

los tres componentes del diferencial α, β, y 1 - α- β, y la probabilidad de una
reversión de la operación π pueden entonces ser logrados estimando las
Ecuaciones (21) y (25) simultáneamente.

Es posible estimar los componentes del diferencial directamente desde la

ecuación de cambio de cotización si no se necesitan estimaciones del diferencial
de operación. Específicamente, no combinan la Ecuación (23) con la
especificación de un diferencial de operación en la Ecuación (4) como se deriva en
la Ecuación (25), sino que consideran la siguiente variante de la Ecuación (23):

11
El cambio de precio esperado por acción al proveedor directo que compra o vende en el momento t - 1
Donde los diferenciales de operación constantes en la ecuación (23) son
reemplazados por diferenciales publicados 12. Estimamos el modelo extendido que
consiste en las ecuaciones (21) y (26). El espacio de parámetros se reduce al no
estimar el diferencial de operación, algo que simplifica la implementación empírica,
particularmente para el modelo con categorías de tamaño de operación.

Ahora incorporamos categorías de tamaño en el modelo extendido. Cuando se

consideran las categorías de tamaño de operación, la estimación π variará según
las categorías de tamaño de operación en el momento t-2 y t-1. Por ejemplo,
cuando se observa una operación pequeña en t-1, la probabilidad de una
reversión esperada dependerá de si la operación anterior en t-2 era una operación
pequeña, mediana o grande. Denotamos las probabilidades de reversión como π ij,
donde el superíndice i se refiere a la categoría de tamaño de operación en t-2 y j
se refiere a la categoría de tamaño de operación en t-1. El modelo ampliado con
categorías de tamaño es

Proviene de la ecuación (25)

Donde Q*t-1 = Qt-1-(1-2π) Qt-2, es el indicador de operación inesperado. El primer

término es la reversión de la operación inducida si π > 0,5. El segundo término es
el de la reversión usual. El tercer término es una atenuación de la reversión debida
al ajuste de las cotizaciones en respuesta a los efectos de inventario. El cuarto
término es la atenuación de la reversión debida a cambios permanentes en las
cotizaciones para reflejar la información contenida en la operación en t-1.La
reversión esperada puede mostrarse como la misma que Stoll (1989) reversión
esperada de (π-s) S (donde s= (α+β)/2) excepto por la diferencia entre Q *t-1 y Qt-
*
1Stoll supone que la operación es totalmente inesperada de modo que Q t-1 = Qt-1

12
Puesto que los diferenciales publicados se combinan con variables de indicador de comercio que codifican
las operaciones de punto medio como ceros, las operaciones de punto medio aun se ignoran como en un
diferencial de operación.
 Si el volumen de la acción en t<= 1000 acciones
De lo contrario esta censurado

1000 acciones < si el volumen de la acción en t<10000 acciones

De lo contrario esta censurado

Si el volumen de la acción en t>=10000 acciones

De lo contrario esta censurado

El modelo, Ecuaciones (27) y (28), es bastante complejo, ya que requiere la

estimación de nueve valores diferentes de α y β para cada una de las nueve
transiciones de tamaño de operación entre t-2 y t-1. Utilizamos puntos de datos
para cada posible transición y censuramos los datos de lo contrario.

El procedimiento GMM es fácilmente modificado para estimar el modelo extendido

considerando un conjunto ampliado de condiciones de ortogonalidad. Los
resultados empíricos se presentan en el panel A de la Tabla 5 para el modelo
extendido sin categorías de tamaño, es decir, las ecuaciones (21) y (26). El
componente de procesamiento de órdenes (1-α-β) es sorprendentemente grande,
con un promedio del 84% del diferencial de operación en todas las acciones,
ligeramente superior a los resultados del modelo básico de la Tabla 2. Lo más
llamativo en el panel A es el valor negativo del componente de selección adverso.
Este resultado se puede rastrear a las estimaciones de π que son inferiores a 0,5.
Cuando π es menos de 0.5, los cambios en ΔV t, se atenúan, lo que puede verse
examinando la Ecuación (22). Si se reduce el cambio en el valor subyacente de la
acción en reacción a una operación (porque se anticipa el signo de la operación),
el cambio en el punto medio de cotización de la acción atribuido a los efectos de
inventario se incrementa. Por consiguiente, el efecto neto es reducir α y aumentar
β. Sin embargo, un valor negativo de α parece irrazonable.

Los resultados de la estimación para el modelo extendido con categorías de

tamaño se encuentran en el panel B. Los resultados reportados son los promedios
entre compañías para cada transición de tamaño ij. Al igual que en el panel A, los
componentes de selección adversos son negativos, con la excepción de la
categoría de Grande a Grande (ij=ll), y las estimaciones de π son todas inferiores
a 0,5.

Mientras que un valor negativo de α y un valor de π inferior a 0.5 son

empíricamente posibles, tales valores son teóricamente inaceptables bajo la clase
de modelos de diferencial que consideramos. La información adversa no puede
ser negativa siempre y cuando al menos un inversor esté mejor informado que
aquellos inversores o intermediarios que cotizan. Los modelos de diferenciales
también especifican el límite inferior para π como 0,5 cuando no hay costes de
mantenimiento de inventarios. Dado que un creador de mercado recupera los
costos de almacenamiento de inventario de la operación y las reversiones de
cotización, se requiere una covarianza en serie negativa en los flujos de
operación. Sin embargo, las estimaciones de π inferiores a 0,5 indican una
covarianza en serie positiva en los flujos de operación.

La tabla presenta los resultados de utilizar la correlación serial en los flujos de

operación para estimar los componentes del diferencial. α es el componente de
selección adversa estimada del diferencial, β es el componente de mantenimiento
de inventario estimado del diferencial, y π es la probabilidad estimada de una
reversión de la operación.
En el Panel A, el modelo consiste en las ecuaciones (21) y (26) y no distingue
entre las categorías de tamaño de las operaciones. AVG indica las estadísticas
promedio de todas las acciones.

En el Panel B, el modelo consiste en las ecuaciones (27) y (28) y se estima para

cada categoría de tamaño de operación por separado y se reportan los promedios
entre las empresas. Las categorías de tamaño de operación se refieren a los
tamaños de operación en el momento t-2 y t-1 cuando los cambios en las
cotizaciones del punto medio ocurren entre t-1 y t. Un tamaño de operación
pequeño tiene 1000 acciones o menos, un tamaño de operación mediano tiene
más de 1000 pero menos de 10.000 acciones, y un tamaño de operación grande
tiene 10.000 o más acciones.

Una fuente de correlación serial positiva es que las órdenes se rompen a medida
que se ejecutan. Una orden grande puede, por ejemplo, ser negociada a un solo
precio, pero puede ser reportada en una serie de operaciones más pequeñas.
Alternativamente, una sola orden limitada de gran tamaño puede ser ejecutada a
un solo precio contra varias órdenes de mercado entrantes. En otras palabras, las
órdenes podrían estar correlacionadas en serie en forma negativa como sugiere la
teoría, pero las operaciones que observamos están correlacionadas en forma
positiva. El efecto empírico es reducir tanto π como α. Un enfoque para hacer
frente a este problema es derribar una secuencia de informes de operación
relacionados a un solo orden, es decir, agrupar datos relacionados. Para alinear
las operaciones y órdenes, nosotros definimos que las operaciones de los
componentes de una orden fraccionada sean operaciones secuenciales al mismo
precio en el mismo lado del mercado sin ningún cambio en las cotizaciones de la
oferta o de la demanda. Bajo esta definición hay una relación de uno a uno entre
una orden y una operación. En efecto, nuestro enfoque consiste en tratar un grupo
de operaciones al mismo precio y cotizaciones sin cambios como una sola orden.
Este procedimiento se sobrecorregirá por el problema porque agrega algunas
órdenes independientes y, en consecuencia, los resultados empíricos de este
conjunto de datos proporcionan un límite superior en el componente de
información adversa y la probabilidad de reversión del precio.

Alternativamente, podríamos proponer un modelo de presentación de órdenes por

parte de los inversores que podría ser utilizado para separar la correlación serial
del lado de la demanda para evitar la correlación serial inducida por
microestructuras. Nuestra suposición extrema asigna todo el agrupamiento a
factores de microestructura y consecuentemente agrupa las operaciones que son
independientes. Otro enfoque consistiría en imponer filtros adicionales para las
operaciones agrupadas. Por ejemplo, todas las operaciones secuenciales al
mismo precio sin cambio de cotización en una ventana de 2 minutos pueden ser
borradas. Desafortunadamente, la efectividad de tal procedimiento para identificar
las operaciones desintegradas es probable que varíe en el tiempo y la
especificidad de las existencias y no se implemente. Al final nos basamos en
nuestro sencillo procedimiento, reconociendo que proporciona un límite superior
en α y π.

La Tabla 6 presenta los resultados basados en el conjunto de datos agrupados

que colapsa todas las operaciones secuenciales al mismo precio sin ajustes de
cotización para una sola operación. El Panel A proporciona estimaciones para el
modelo extendido sin categorías de tamaño. Las probabilidades de reversión son
todas superiores a 0,5, con un promedio de 0,87. El componente de información
adversa es ahora positivo, promediando el 9,6% del diferencial sobre todas las
acciones, y es menor que el componente de inventario, que promedia el 28,7% del
diferencial. El componente de procesamiento de pedidos sigue siendo el
componente individual más grande, con un promedio del 61,7% en todos los
stocks.

Pasamos ahora a la cuestión de cómo afecta el tamaño de la operación en el

modelo ampliado a las estimaciones de los componentes del diferencial. Los
resultados se presentan en el recuadro B de la tabla 6. Con este fin, se mantiene
el procedimiento de agrupación utilizado en el panel A, y la categoría de tamaño
se determina por la suma de todos los volúmenes de acciones de las operaciones
agrupadas. Presentamos los valores promedios de las acciones en nuestra
muestra13. El coeficiente π supera el 0,5 y son de magnitud similar a los del panel
A, pero ahora existe una variabilidad entre las secuencias de tamaño de la
operación. Por ejemplo, la probabilidad de reversión, π, es claramente mayor para
una secuencia de dos pequeñas operaciones que para una secuencia de dos
grandes operaciones. El componente de información adversa sigue siendo
pequeño, consistente con las encontradas en el panel A. Varía de 1.44 a 21.99%
dependiendo de la secuencia de tamaños de operación utilizados en la estimación.
Los componentes de inventario varían considerablemente según la secuencia del
tamaño de la operación, que oscila entre un mínimo de 9,19% para las secuencias
de una operación media seguida por una pequeña operación y un máximo de
73,71% para las secuencias de una pequeña operación seguida por una gran
operación.

13
El promedio es de 19 empresas, salvo en el caso de la categoría grande a grande, para la que una empresa
se ha reducido debido a la escasez de observaciones.
La tabla presenta los resultados de utilizar la correlación serial en los flujos de
operación para estimar los componentes del diferencial cuando se agrupan las
operaciones. a es el componente de selección adversa estimada del diferencial, B
es el componente de almacenamiento de inventario estimado del diferencial. Y JT
es la probabilidad estimada de una reversión de operación. El agrupamiento
colapsa todas las operaciones secuenciales al mismo precio y las mismas
cotizaciones a una operación agrupada. El tamaño de la operación para la
operación agrupada es la suma de todas las operaciones agrupadas.
En el Panel A, el modelo consiste en las ecuaciones (21) y (26) y no distingue
entre las categorías de tamaño de operación. AVG indica las estadísticas
promedio de todas las acciones.

En el Panel B, el modelo consiste en las ecuaciones (27) y (28) y se estima para

cada categoría de tamaño de operación por separado y se reportan los promedios
entre las empresas. Las categorías de tamaño de operación se refieren a los
tamaños de operación en el momento t- 2 y t-1 cuando los cambios en las
cotizaciones del punto medio ocurren entre t-1 y t. Un tamaño de operación
pequeño tiene 1000 acciones o menos, un tamaño de operación mediano tiene
más de 1000 pero menos de 10.000 acciones, y un tamaño de operación grande
tiene 10.000 o más acciones.

Las estimaciones del modelo básico con el tamaño de operación (Tabla 3)

mostraron que los ajustes de las cotizaciones dependen del tamaño de la
operación, pero ese modelo no pudo determinar cuánto del efecto se debía a la
información adversa y cuánto era debido al inventario. Los resultados del modelo
extendido con el tamaño de operación en el panel B del Cuadro 6 indican que una
parte sustancial del efecto del tamaño de la operación se debe a los efectos del
inventario. Por ejemplo, la estimación basada en secuencias de dos grandes
operaciones implica que la información adversa asociada a la segunda operación
de la secuencia es 0.0514 del diferencial, y el efecto de inventario es 0.6645. El
efecto de tratamiento de la orden es, por lo tanto, 0,2841. La estimación basada
en secuencias de dos pequeñas operaciones implica que la información adversa
asociada con la segunda operación en la secuencia es 0.1049, y el efecto de
inventario es 0.0980. El efecto de procesamiento de la orden es por lo tanto
0,7971. Si bien la estimación de la información adversa es una vez más pequeña,
las diferencias entre estos dos casos (grande o pequeña) en el inventario y los
componentes de costos de procesamiento de pedidos son bastante razonables.
Debido a que existe un gran componente de costos de procesamiento de pedidos
fijo para una operación, una pequeña operación tendrá un mayor costo de
procesamiento de pedidos por acción que una gran operación. Por otra parte, los
costos de inventario aumentan con el tamaño de la operación.

Las estimaciones de α son más pequeñas para las secuencias de dos

operaciones que terminan en un gran comercio que para las secuencias que
terminan en un comercio mediano o pequeño. En otras palabras, no sólo el efecto
adverso de la información es pequeño en general, sino que tiende a ser menor
como una fracción del diferencial para las grandes operaciones que para las
pequeñas o medianas. Hay tres posibles explicaciones para este resultado. En
primer lugar, una gran operación suele ser prenegociada en "upstairs 14" y puede ir
precedida de transacciones que transmiten información sobre el bloque. El hecho
de que el diferencial de cotización antes de una operación grande sea elevado,
como se muestra en el cuadro 7, sugiere que este es el caso. En otras palabras,
una gran operación en sí misma puede no transmitir mucha información y no tener
mucho impacto posterior en las cotizaciones más allá de lo que contienen los
diferenciales existentes15. Segundo, las grandes transacciones pueden ser
facilitadas a través del mercado "upstairs" donde los intermediarios pueden
"certificar" el comercio. En tercer lugar, un pequeño componente adverso de los
costos de información sigue siendo una gran cantidad de dólares en el caso de
una gran operación.

La tabla presenta los promedios de diferenciales de cotización medio, S, a veces t-

2 y t-1 para las secuencias alternativas del tamaño de operación. Las categorías
de tamaño de operación se refieren a los tamaños de operación en el momento t-2
y t-1 cuando los cambios en las cotizaciones de punto medio ocurren entre t-1 y t.
Un tamaño de operación pequeño tiene 1000 acciones o menos, un tamaño de
operación mediano tiene más de 1000 pero menos de 10.000 acciones, y un
tamaño de operación grande tiene 10.000 o más acciones.

14
La negociación de valores, tales como acciones, que se produce dentro de una firma de corredores de
bolsa en lugar de una bolsa
15
La causalidad podría fácilmente ir por el otro lado y los diferenciales más amplios podrían atraer grandes
operaciones. Por ejemplo, Madhavan y Cheng (1996) y que la probabilidad de una operación "upstair" es
mayor cuando los diferenciales son amplios porque la intermediación "upstairs" ofrece costos
potencialmente más bajos.
Para facilitar la interpretación de las estimaciones de la Tabla 6, en la Tabla 8 se
simulan los cambios de cotización de punto medio en base a las estimaciones del
panel B de la Tabla 6. Los cambios en la cotización se expresan como una
fracción del promedio del diferencial medio en el tiempo t-1 y se calculan de
acuerdo con la Ecuación estimada (28), cuya versión notacionalmente simplificada
es la siguiente

Donde α, β y π son los parámetros estimados de la Ecuación (28) que se

entienden para una secuencia de tamaño de operación particular, donde Q t-1 y Qt-2,
son los indicadors de la secuencia de operaciones, y donde S t-1 y St-2, son los
diferenciales promedio cotizados para una secuencia de tamaño de operación
particular. En la Tabla 7 se muestran los valores promedio de S y S para las nueve
posibles secuencias de tamaño. En el panel A de la Tabla 8, presentamos los
cambios en el punto medio del precio durante el período t-1 a t como una fracción
del promedio del diferencial medio en el tiempo t-1 para las secuencias de
indicador de operación, Qt-2=-1, Qt-1= +1 (oferta a demanda), Qt-2=+1, Qt-1=+1
(demanda a demanda), Qt-2=0, Qt-1= +1 (medio a demanda) y Q t-2=-1, Qt-1=0
(demanda a medio) y para todas las posibles secuencias de tamaño. En el panel B
de la Tabla 8, presentamos la cantidad del cambio de punto medio que se debe a
información adversa, los dos primeros términos en el lado derecho de la ecuación
(29), y la cantidad debida al inventario, el último término en el lado derecho de la
ecuación (29).
Los cálculos de la tabla se basan en el promedio de diferenciales medios
presentado en la Tabla 7. Las estimaciones se basan en el modelo con correlación
serial en los flujos de intercambio con las operaciones agrupadas presentado en la
Tabla 6, panel B. Las categorías de tamaño de operación se refieren a los
tamaños de operación en el momento t-2 y t-1 cuando los cambios en las
cotizaciones de punto medio ocurren entre t-1 y t. Un tamaño de operación
pequeño tiene 1000 acciones o menos, un tamaño de operación mediano tiene
más de 1000 pero menos de 10.000 acciones, y un tamaño de operación grande
tiene 10.000 o más acciones. El agrupamiento colapsa todas las operaciones
secuenciales al mismo precio y las mismas cotizaciones a una operación
agrupada. El tamaño de operación para la operación agrupada es la suma de
todas las operaciones agrupadas. Las estimaciones no mostradas son las
negativas de las presentadas cuando las ofertas y demandas son sustituidas por
demandas y ofertas, respectivamente.

El Panel A presenta los cambios implícitos en las cotizaciones del punto medio
como una proporción del diferencial medio cotizado para una secuencia de
compra-venta dada (Qt-2 seguida por Qt-1) y categorías alternativas de tamaño
comercial (pequeño, mediano y grande).

El Panel B descompone el cambio implícito en la cantidad debida a la información

transmitida por la operación y la cantidad debida a efectos de inventario.

Considere, por ejemplo, una operación grande que ocurra en la demanda en el

momento t-1. ¿Cuál es la respuesta de la cotización del punto medio a esta
operación? Si la operación anterior en t-2 era grande y estaba en la oferta, el
punto medio se ajusta al alza en 0,6992 del diferencial medio (véase el primer
caso en el panel A). Si la operación anterior en la oferta fue mediana, el ajuste al
alza es de 0.7197, y si la operación anterior en la oferta fue pequeña, el ajuste al
alza es de 0.7409. En otras palabras, el ajuste de la cotización depende
principalmente del tamaño de la operación observada, y menos del tamaño de la
operación anterior. De acuerdo con las estimaciones de a y B en la Tabla 6, el
componente de información adversa del ajuste al alza de 0.6992 es 0.0347 y el
componente de inventario es 0.6645, como se muestra en el panel B. El
componente de información adversa es menor que la estimación de a en la Tabla
6 de 0.0514 porque una operación en la demanda después de una operación en la
oferta no es una gran sorpresa. Tal secuencia refleja el rebote normal de la oferta-
demanda y, en consecuencia, no refleja mucha información. La pauta es similar,
aunque el componente de información adversa es más pequeño, para una gran
operación precedida de una pequeña operación en la oferta. En ese caso, el
ajuste ascendente del punto medio, que es 0,7409, está compuesto por un
componente de información adversa de 0,0038 y un componente de inventario de
0,7371. Una vez más, el efecto de información adversa es pequeño porque cabe
esperar la secuencia de oferta a demanda.

Un efecto de información adversa más pronunciado es evidente para una

secuencia de dos operaciones en la demanda, que es el segundo caso en el
cuadro 8. Esto es evidente en todas las categorías de tamaño de las operaciones
en t-1, pero es particularmente evidente para las operaciones medianas. El efecto
de información adversa estimada es mayor en una secuencia de dos operaciones
en la demanda porque esta secuencia es una sorpresa, y consecuentemente la
operación transmite información adversa. La probabilidad de que el operador en el
momento t-1 sea informado es mayor si la operación es contraria al rebote de la
oferta-demanda habitual dado por la probabilidad π. La operación de tamaño
medio puede tener el componente de información adversa más amplio porque no
está prenegociada y, por lo tanto, puede reflejar la presencia de un operador
informado en el mercado. El componente de inventario es independiente de la
operación anterior.

El tercer caso en la Tabla 8 muestra los ajustes del punto medio después de la
secuencia medio a demanda. El ajuste del punto medio que sigue a tal secuencia
es típicamente menor que para la secuencia de demanda a demanda y mayor que
para la -secuencia de oferta a demanda. Esta diferencia refleja diferencias en el
contenido informativo de las operaciones. Una operación en la demanda después
de una operación en el punto medio transmite más información adversa que una
operación en la demanda después de una operación en la oferta porque la
segunda secuencia es más probable que la primera. Los valores en la Tabla 8
para este caso son los mismos que los estimados de α y β en la Tabla 6, ya que
Qt-2=0.

El cuarto caso en la Tabla 8 muestra los ajustes del punto medio después de la
secuencia de operaciones de la oferta a el punto medio. Hay poco ajuste de
cotización después de una operación en el punto medio, ya que dicha operación
no tiene ningún efecto de inventario identificable y sólo tiene un pequeño efecto de
información adversa. El pequeño efecto de información adversa se deriva del
hecho de que, tras una operación en la oferta, no se espera una operación en el
punto medio. El hecho de que la operación no se haya realizado en la demanda da
alguna información.

Resumiendo, nuestro propósito ha sido desarrollar un modelo que separe el

inventario y los efectos adversos de la información sobre la base de las
características de las series cronológicas de las operaciones y cotizaciones.
Hemos demostrado que esto es posible. También hemos demostrado que el
tamaño de estos dos efectos depende de la secuencia de tamaños e indicadores
de operación comerciales. Nuestras estimaciones implican que para nuestra
muestra de acciones grandes y activamente negociadas, el efecto adverso de la
información es pequeño.

6. Descomposición tripartita del diferencial basado en la presión de compra

y venta
Un segundo enfoque para distinguir los componentes adversos de la selección y el
inventario del diferencial hace uso del hecho de que los cambios en las
cotizaciones inducidos por el inventario no sólo son el resultado de los cambios en
las existencias que se están examinando, sino también de los cambios de
inventario de otras existencias. Este enfoque supone que la información adversa
es específica de las acciones, pero que los efectos del inventario se refieren a la
totalidad de las carteras mantenidas por los proveedores de liquidez.
Específicamente, modelamos a los proveedores de liquidez tomando una
perspectiva de cartera en el ajuste de inventarios de acciones específicas 16. Un
proveedor de liquidez que compre acciones j en la oferta no sólo bajará los precios
de oferta y demanda de las acciones j, sino que también bajará los precios de
oferta y demanda de otras acciones correlacionadas, cuya venta cubriría su
posición en las acciones j. Por el contrario, si otras acciones están sujetas a
presión de compra, el proveedor de liquidez puede decidir no bajar los precios de
oferta y demanda de las acciones j, ya que desea alentar ventas adicionales de las
acciones j para cubrir sus compras de otras acciones. El enfoque de cartera
permite la posibilidad de que las cotizaciones en la acción j se ajusten por una
cantidad diferente a la implícita por el contenido de la información o el efecto de
inventario en la acción j solamente. En particular, la presión de compra y venta en
otras acciones producirá cambios en las cotizaciones de las acciones j a medida
que los proveedores de liquidez intentan mantener sus carteras globales en
equilibrio.

Este tipo de ajustes fueron quizás los más obvios durante el colapso del mercado
del 19 de octubre de 1987, cuando la presión implacable de las ventas en la
ausencia de noticias específicas produjo cambios en las cotizaciones inducidas
por inventarios en acciones especificas.

6.1 El modelo ampliado basado en la presión de negociación de cartera

El modelo básico [Ecuación (5)] ignora el impacto de la presión comercial general,
ya que el ajuste de inventario modelado en la Ecuación (2) está determinado
únicamente por el inventario de acción propio. Ahora distinguimos entre tipos de

16
Ho y Stoll (1983) modelan la relación entre los cambios de cotización en una acción específica y los
cambios de inventario en otras acciones. Demuestran que el ajuste de cotización en el stock K: en respuesta
a un comercio de activos * depende de cov (R k R*)/σ2 (R*).
transacción de acciones diferentes. Deja que el superíndice k designe el valor de
seguridad k, y reemplaza la ecuación (2) con:

Donde Q es la variable indicativa de compra-venta agregada. La variable indicativa

de compra-venta agregada se mide como

Donde n es el número de valores que los proveedores de liquidez ofrecen para

hacerse una idea de la dirección del mercado.

Con la ecuación (30), el modelo se convierte en

La ecuación (31) sigue limitando los determinantes de precios y cotizaciones de

las variables del indicador de operación y produce la ecuación (5) como caso
especial cuando no hay efectos derivados de otras acciones. Sin embargo, a
diferencia de la ecuación (5), todos los componentes de los diferenciales de oferta
y demanda son identificables por separado.

6.2 Resultados empíricos basados en la presión de la cartera de negociación

El modelo extendido [Ecuación (31)] puede estimarse utilizando el procedimiento
GMM descrito anteriormente con las modificaciones apropiadas a las condiciones
de ortogonalidad. Ilustramos los resultados de estimar la Ecuación (31) usando
nuestra muestra de 19 valores MMI 17. Para cada acción en nuestra muestra, la
variable del indicador de operación agregada se calcula a partir de los datos de
operación utilizando todas las acciones de la muestra. Para estimar la ecuación
(31), se necesita una alineación del tiempo de negociación entre los valores.
Especificamos un intervalo de 5 minutos en nuestros datos de transacciones para
la alineación temporal. Los datos subyacentes no se modifican, excepto por la
adición de un filtro que contiene todos los datos de 9:30 a. m. a 4:00 p. m. EST.
Para obtener el intervalo de 5 minutos, conservamos el último precio de
transacción y lo combinamos con las últimas cotizaciones que son más de 5
segundos antes de la operación para cada intervalo de 5 minutos. Si el valor k no
se negocia dentro del intervalo de 5 minutos, Q kt se fija en falta en la ecuación
(31), pero se pone a cero al construir nuestra variable de indicador de compra-
venta agregada.

Los resultados de estimar la Ecuación (31) se muestran en la Tabla 9, panel A.

Los resultados dan lugar a un componente de procesamiento de órdenes que
promedia el 68,9%. El componente de información adversa tiene un promedio del
21,5% y el componente de inventario un promedio del 9,6%. La alineación de
tiempo necesaria para estimar la ecuación (31) en parte resuelve los problemas de
agrupamiento de operación que nos preocupaban antes. Esto se debe a que
tomamos sólo una operación de cada intervalo de 5 minutos y eliminamos las
operaciones agrupadas dentro del intervalo de 5 minutos. Sin embargo, nuestra
muestra de 5 minutos contiene algunas operaciones agrupadas que se extienden
a intervalos de 5 minutos. En el panel B de la Tabla 9, proveemos estimaciones
totales de la Ecuación (31) donde todas las observaciones secuenciales de 5
minutos al mismo precio y las mismas cotizaciones son contraídas a una
observación. Esto es una sobre corrección para el agrupamiento ya que podemos
contraer observaciones de 5 minutos donde hubo cambios en el precio o la
cotización18. El Panel B del Cuadro 9 muestra, como en la Tabla 6, que el ajuste
de agrupamiento reduce el componente de procesamiento de órdenes y aumenta
el componente de selección adversa. En el panel B, el componente de
procesamiento de órdenes promedia 41.7%, el componente de selección adversa
promedia 46.2% y el componente de inventario promedia 12.1%.

El componente de procesamiento de órdenes estimado por el enfoque de la

sección representativa e informado en el panel A de la Tabla 9 es de la misma

17
No estimamos el modelo con categorías de tamaño debido a la creciente complejidad en su
implementación.
18
El número promedio de observaciones por acción es de más de 16.000 para las estimaciones en el panel A
de la Tabla 9 y más de 11.000 para las estimaciones en el panel B de la Tabla 9.
magnitud que la estimación del enfoque de las series cronológicas en la Tabla 6,
panel A (68.9% versus 61.8%). Con respecto a los demás componentes del
diferencial, el enfoque por secciones representativas arroja un componente de
inventario más pequeño y un componente de información adversa más amplio que
el enfoque por series cronológicas de la Tabla 6. Esto demuestra que
identificamos el efecto de inventario sobre la base de una reacción a las
operaciones en una cartera que probablemente se mide con error y, en
consecuencia, conduce a una subestimación del efecto de inventario. Sin duda,
nuestro enfoque de sección representativa se puede reordenar eligiendo carteras
particulares, como la de un especialista, y por otros métodos. 19

El modelo calculó la ecuación Ls (31). Se utiliza un índice de la presión de compra

y venta del mercado para estimar el diferencial negociado y sus componentes. S
es el diferencial negociado estimado, α es el componente de selección adversa
19
Para artículos recientes sobre el comportamiento de inventarios especializados ver Hasbrouclt y Sofianos
(1993), Madhavan y Smidt (1991,1993), Madhavan y Sofianos (1994) y Sofianos (1995).
estimado del diferencial negociado, y β es el componente de mantenimiento de
existencias estimado del diferencial negociado. La muestra consta de datos de 5
minutos. Los resultados del Panel A se basan en todas las observaciones.
mientras que las estimaciones del Panel B se basan en un conjunto de datos que
agrupa todas las operaciones secuenciales observadas al mismo precio y las
mismas cotizaciones de una operación agrupada. La última categoría designada
como AVG presenta las estadísticas promedio de todas las acciones.

También empleamos un perfeccionamiento econométrico que tiene en cuenta las

correlaciones entre valores. Dado que todas las acciones responden a la
información pública de todo el mercado, las perturbaciones de la información
pública incorporadas en ekt podrían estar correlacionadas simultáneamente entre
valores. Así pues, la estimación de la ecuación (31) es más eficaz con un
modelado simultáneo de n valores. Un modelo conjunto de la ecuación (31) puede
expresarse como:

Donde r, es un vector (n x 1) con elemento típico AP, S es una matriz (n x n)

diagonal con elemento típico S/2, q es un vector (n x 1) con elemento típico Q, A
es una matriz (n x n) diagonal con elemento típico (a-1)(S/2), B es una matriz (n x
n) diagonal con elemento típico B (S/2), y v, es un vector (n x 1) con el elemento
típico e. La estimación conjunta de las 19 ecuaciones reduce el número de
observaciones a 2532 cuando no se hace ninguna exclusión para la agrupación. A
pesar de la gran reducción en el tamaño de la muestra, estos resultados apoyan
las mismas inferencias hechas para el panel A en la Tabla 9 y no se reportan.
Cuando los datos se reducen para tener en cuenta la agrupación, no es posible
realizar una estimación conjunta debido al número inadecuado de observaciones.

7. Conclusiones
Un modelo de indicador de operación básico se construye para unificar los
modelos de diferencial existentes, que típicamente descomponen el diferencial en
sólo dos componentes. Las estimaciones empíricas del modelo básico para 19
grandes valores negociados activamente en 1992 arrojan estimaciones de la suma
de información adversa y efectos de inventario que son proporciones
relativamente pequeñas del diferencial. Sin embargo, estas proporciones
aumentan dramáticamente cuando el modelo de indicador es modificado para
tener en cuenta las operaciones medianas y grandes.

El modelo básico se amplía de dos maneras para estimar tres componentes del
diferencial - procesamiento de órdenes, información adversa e inventario - algo
que hasta ahora no se ha logrado con éxito. Los modelos anteriores generalmente
han agrupado el inventario y el procesamiento de órdenes. Los modelos también
pueden utilizarse para proporcionar estimaciones del diferencial al que se
producen las operaciones. La primera ampliación se basa en el hecho de que los
efectos del inventario inducen una correlación serial negativa en las órdenes y en
las cotizaciones, además de la correlación serial del rebote de precios de la oferta-
demanda. La segunda ampliación adopta un enfoque transversal y utiliza
información sobre las presiones de negociación en otras acciones para inferir el
componente de inventario del diferencial en una acción concreta. Demostramos
que este enfoque también puede ser utilizado para separar los tres componentes
del diferencial. La base para este enfoque es que las cotizaciones se ajustan en la
acción A en respuesta a las operaciones con otras acciones para cubrir el riesgo
de inventario, pero las operaciones con otras acciones proporcionan poca
información sobre la acción A.

La mayor parte de nuestra evidencia empírica es para la primera extensión.

Estimamos este modelo extendido con datos de operaciones y cotizaciones de
1992 para 19 acciones grandes y activamente negociadas. Debido a que las
operaciones no se comparan una por una con las órdenes, estimamos el modelo
con y sin ajustar para agrupar las operaciones. El grupo de ajuste agrupa todas las
operaciones al mismo precio y, en ausencia de cotización, cambia a una única
orden. El ajuste produce un límite superior en el componente de información
adversa del diferencial porque aumenta la frecuencia con la que las cotizaciones
responden a las operaciones. En los resultados ajustados, el promedio del
componente de procesamiento de órdenes del diferencial negociado es de 61.8%,
el promedio del componente de información adversa es de 9.6% y el promedio del
componente de costo de inventario es de 28.7%.

El modelo extendido también se estima para diferentes secuencias de tamaño de

operación que arrojan nuevos e interesantes resultados. En primer lugar, el ajuste
de cotización a una operación es mayor cuanto más grande es la operación. En
segundo lugar, el diferencial cotizado tiende a ser mayor cuando se realizan
grandes operaciones. Esto sugiere que las grandes operaciones se anticipan a
través de filtraciones en el mercado "upstairs". En tercer lugar, el componente de
información adversa del diferencial es menor para las grandes operaciones que
para las medianas y pequeñas. Parece ser que las grandes operaciones se
negocian previamente de tal manera que el precio de la operación refleja
plenamente la información transmitida por la operación. En cuarto lugar, la
reacción del punto medio y los componentes del diferencial varían en función de
las operaciones anteriores. Por ejemplo, el efecto adverso de la información es
mayor para una operación mediana en la demanda si la operación anterior estaba
en la demanda y si la operación anterior era grande.

Anexo A: El modelo Glosten y Harris (1988)

Usando nuestra convención de tiempos, Glosten y Harris (GH) modelan el precio
"verdadero" como

Cuando Vt+1, el precio real inmediatamente después de la operación en t, contiene

la información pública et, más la información transmitida por la operación en t. En
nuestra correspondiente ecuación (1), el precio real incluye la información pública
hasta el punto en que se evalúa el precio real. Debido a que el tiempo es
inmediato, las dos convenciones de tiempo son equivalentes. Modelan el proceso
de precios en relación con el precio real como

Lo que corresponde a nuestra ecuación (4). Nuestra ecuación contiene un término

de error porque imponemos una suposición de diferencial constante, mientras que
ellos no lo hacen.

Toma las primeras diferencias de la ecuación (A2) y combínala con la ecuación

(A1) para obtener

Lo cual es análogo al modelo de GH [Ecuación (12)] dado en el texto. Esto puede

ser reordenado para dar

Que es igual a la Ecuación (5) bajo el supuesto de que β = 0.

Anexo B: Modelo básico con categorías de tamaño de operación
Denota una pequeña operación como s, una mediana como m, y una gran
operación como l. La siguiente definición:

Si el volumen de la acción en t<= 1000 acciones

De lo contrario
1000 acciones < si el volumen de la acción en t<10000 acciones
De lo contrario
Si el volumen de la acción en t>=10000 acciones
De lo contrario

Las ecuaciones correspondientes a las ecuaciones (1) y (2) en el texto son,

respectivamente, las siguientes

Para j ϵ [s, m, I] para las tres categorías de tamaño. La primera diferencia de la

ecuación (B2) es

Combinando las ecuaciones (B1) y (B3) se obtiene la contraparte de la ecuación

(3)

La contraparte de la ecuación (4) es

Combinando las ecuaciones (B4) y (B5) se obtiene nuestro modelo básico con
diferentes categorías de tamaño de operación:

Donde

Anexo C: Muestra de Títulos

Nombre de la compañía Símbolo
American Express AXP

Chevron CHV
Du Pont DD

Dow Chemical DOW

Eastman Kodak EK
General Electric GE
General Motors GM
IBM IBM
International Paper IP
Johnson &Johnson JNJ
Coca Cola KO
3M MMM
Philip Morris MO
Mobil MOB
Merck MRK
Procter & Gamble PG
S
Sears Roebuck
AT&T T
USX X

Exxon XON

REFERENCIAS
Affleck-Graves, J. S. Hegde. and R. Miller, 1994. “Trading Mechanisms and the
Components of the Bid-Ask Spread,” Journal of Finance, 49, 1471—1488.

Amihud, Y., and H. Mendelson, 1980, “Dealership Market: Market Making with
Inventory," Journal of financial Economics, 8, 31—53.

Copeland, T. C., and D. Galai, 1983, “Information Effects on the Bid-Ask Spread,”
Journal of Finance, 38, 1457—1469.

Choi, J. Y. D. Salandro. and K. Shastrí, 1988, “On the Estimation of Bid-Ask

Spreads: Theory and Evidence,” journal of Financlal and Quantitative Analysis 23,
219—230.

Demsetz, H., 1968, “The Cost of Transacting," Quarterly Journal of Economics, 82,
33—53.

Easley, D, and M O'Hara, 1987. “Price, Trade Size, and Information in Securities
Markets,” Journal
of Financial Economics. 19, 69—90.

Easley, D, N. M. Kiefer. M. O'Hara, and J. B. Paperman, 1996, “Liquidity,

Information, and lnfrequently Traded Stocks,” Journal of Finance, 51, 1405-1436.

George, T. J. G. Kaul, and M. Nimalendran, 1991, “Estimation of the Bid-Ask

Spreads and its Components: A New Approach," Review of Financial Studies, 4,
623-656.

Glosten,L R, and L. E. Harris, 1988. “Estimating the Components of the Bid-Mk

Spread,”Journal of Financial Economics, 21, 123-142.

Glosten, L. R.. and P. R. Milgrom, 1985, “Bid, Ask and Transaction Prices in a
Specialist Market with Heterogeneously informed Traders," Journal of Financial
Economics, 14, 71—100.

Hansen, L P., 1982, “Large Sample Properties of Generalized Method of Moments

Estimators,” Econometrica, 50, 1029—1054.

Harris, L, 1990. “Statistical Properties of the Roll Serial Covariance Bid/Ask Spread
Estimator,“ Journal of Finance, 45, 579—590.

Hashrouck, J, 1988, “Trades, Quotes, Inventories, and Information," Journal of

Financial Economics, 22. 229—252.

Hasbrouck, J., 1991, “Measuring the Information Content of Stock Trades," Journal
of Finance, 46, 179—207.

Hasbrouck J, and G. Sofianos, 1993, “The Trades of Market Makers: An Empirical

Analysis of NYSE Specialists,“ Journal of Finance. 48, 1565—1593.

Hausman, J, A. W. Lo, and A. C. MacKinlay, 1992, “An Ordered Probit Analysis of

Transaction Stock Prices.” Journal of Financial Economics, 31, 319—380.

Ho, T. and H. R Stoll, 1981, “Optimal Dealer Pricing under Transactions and
Return Uncertainly,” Journal of Financial Economics 9, 47—73.

Ho, T, and H. R. Stoll. 1983, “The Dynamics of Dealer Markets under Competition,“
Journal of Finance, 38, 1053—1074.

Holthausen, R. W. R. W. Leftwich, and D. Mayers, 1987, “The Effect of Large Block

Transactions on Security Prices: A Cross-Sectional Analysis,” Journal of Financial
Economics, 19, 237—267.

Huang, R. D., and H. R. Stoll, 1994, “Marker Microstructure and Stock Return
Predictions,” Review of Financial Studies. 7, 179—213.

Huang, R. D., and H. R. Stoll, 1996a. “Competitive Trading of NYSE Listed Stocks:
Measurement and Interpretation of Trading Costs," Financial Markets, Institutions
& Instruments, 5, 1—55.

Huang, R. D., and H. R. Stoll, 1996b, “Dealer versus Auction Markets: A Paired
Comparison of
Execution Costs on NASDAQ and the NYSE,“ Journal of Financial Economics, 41,
313—357.

Jegadeesh N, and S. Titman, 1995, “Short-Horizon Return Reversals and the Bid-
Ask Spread," Journal of Financial lntermediafion, 4 116-132.

Jennings, R., 1994, “Intraday Changes in Target Firms Share Price and Bid-Ask
Quotes around Takeover Announcements.” Journal of Financial Research, 17, 255
—270.

Jones, C. and M. Lipson. 1995, “Continuations, Reversals, and Adverse Selection

on the Nasdaq
and NYSE/AMEX." Financial Research Center Memorandum No. 152, Department
of Economics, Princeton University.

Kraus, A. and H. R. Stoll, 1972, “Price Impacts of Block Trading on the New York
Stock Exchange.” Journal of Finance, 27 569-588.

Lin,J.C. G. Sanger, and G. G. Booth, 1995a, “External Information Costs and the
Adverse Selection
Problem: A Comparison of Nasdaq and NYSE Stocks," working paper, Louisiana
State University.

Lin,J.-C. G. Sanger, and G. G. Booth, 1995b, “Trade Size and Components of the
Bid-Ask Spread,“ Review of Financial Studies, 8, 1153-1183.

Madhaven, A. and M. Cheng, 1996, “ln Search of Liquidity: Block Trades in the
Upstairs and Downstairs Markets," Review of Financial Studies, 10, 175—203.
Madhavan, A, M. Richardson, and M. Roomans, 1996, “Why Do Security Prices
Change? A Transaction-Level Analysis of NYSE Stocks," working paper, University
of Southern California.

Madhavan, A., and S. Smidt, 1991, “A Bayesian Model of lntraday Specialist

Pricing," Journal of Financial Economics, 30, 99-134.

Madhavan, A., and S. Smidt, 1993, “An Analysis of Changes in Specialist Quotes
and Inventories,” Journal of Finance, 48, 1595-1628.

Madhavan, A. and G. Sofianos, 1994, “Auction and Dealer Markets: An Empirical

Analysis of NYSE Specialist Trading," Working Paper 94-1, New York Stock
Exchange.

Neal, R, and S. Wheatley, 1994, “How Reliable are Adverse Selection Models of
the Bid-Ask Spread?" working paper, Federal Research Bank of Kansas City.

Porter, D., and D. Weaver, 1996, “Estimating Bid-Ask Spread Components:

Specialist versus Multiple Market Maker Systems," Review of Quantitative Finance
and Accounting, 6, 167-180.

Roll, R., 1984, “A Simple Implicit Measure of the Effective Bid-Ask Spread in an
Efficient Market,” Journal of Finance, 39, 1127-1139.

Sofianos, G., 1995, “Specialist Gross Trading Revenues at the New York Stock
Exchange,” Working Paper 95-1, New York Stock Exchange.

StolI, H. R., 1978, “The Supply of Dealer Services in Securities Markets," Journal
of Finance, 33, 1133-1151

StolI, H. R. 1989, “Inferring the Components of the Bid-Ask Spread: Theory and
Empirical Tests,” Journal of Finance, 44, 115-134