Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
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.
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:
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.
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 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:
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.
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
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.
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
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.
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.
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
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.
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.
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
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 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.
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.
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:
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
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.
Donde
Chevron CHV
Du Pont DD
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.
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.
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.
Harris, L, 1990. “Statistical Properties of the Roll Serial Covariance Bid/Ask Spread
Estimator,“ Journal of Finance, 45, 579—590.
Hasbrouck, J., 1991, “Measuring the Information Content of Stock Trades," Journal
of Finance, 46, 179—207.
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.
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.
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, 1993, “An Analysis of Changes in Specialist Quotes
and Inventories,” Journal of Finance, 48, 1595-1628.
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.
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