Инвариантность микроструктуры развивающихся рынков акций: издержки слабой ликвидности тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гуров Сергей Вячеславович

• Гуров Сергей Вячеславович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Гуров Сергей Вячеславович

Введение

Глава 1. Анализ внутридневной торговой активности на российском рынке акций

1. 1 Теоретические модели взаимодействия между переменными рыночной активности

1.2 Основные обозначения и методология тестирования

1.3 Принципы внутридневной инвариантности и детали регрессионного анализа

1.4 Описание данных

1.5 Тестирование гипотез на интервале 2014-2018 гг

1.5.1 Пятиминутные наблюдения

1.5.2 Дневные наблюдения

1.5.3 Интервальные наблюдения

1.6 Инвариантность во время глубоких рыночных спадов

1.6.1 Обсуждение вопроса

1.6.2 Эмпирические результаты

Выводы по первой главе

Глава 2. Анализ эффектов ограниченной ликвидности на российском рынке акций

2.1 Рыночная ликвидность в контексте ценообразования активов

2.2 Данные, гипотезы, эмпирические модели ценообразования

2.3 Эмпирические результаты

2.3.1 Кросс-секционный анализ

2.3.2 Портфельный эффект ограниченной ликвидности

2.3.3 Эффекты ожидаемой и сюрпризной неликвидности

Выводы по второй главе

Глава 3. Анализ соотношений между торговыми и информационными потоками на российском и китайском рынках акций

3. 1 Подходы к оценке взаимодействий информационных и торговых потоков

3.2 Анализ соотношения между торговой активностью и прокси-переменными информационного потока по российским акциям на промежутке 2018-2021 гг

3.2.1 Методология тестирования и данные

3.2.2 Результаты тестирования

3.3 Анализ соотношения между медиа-сентиментом, количеством новостных статей и рыночной ликвидностью акций китайских девелоперов во время кризиса ликвидности на рынке недвижимости Китая

3.3.1 Обсуждение темы

3.3.2 Гипотезы и методология тестирования

3.3.3 Данные

3.3.4 Результаты эмпирического тестирования

Выводы по третьей главе

Заключение

Введение

Введение диссертации (часть автореферата) на тему «Инвариантность микроструктуры развивающихся рынков акций: издержки слабой ликвидности»

Актуальность исследования.

Одной из главных функций финансовой системы является обеспечение эффективного распределения финансовых ресурсов между участниками рынка посредством трансфера рисков. Рыночная ликвидность признается ключевой характеристикой данного процесса. Традиционные модели ценообразования активов (например, модель ценообразования капитальных активов, разработанная Sharpe, 1964; Lintner, 1965; Mossin, 1966) опираются в том числе на предположение об отсутствии издержек, связанных с торговлей финансовыми активами. Однако реальные финансовые рынки несовершенны: инвесторы вынуждены нести как явные транзакционные издержки (например, брокерские комиссии), так и неявные затраты (например, воздействие на состояние предложения и спроса по активу в результате совершения сделки).

Проблема учета разнообразных отклонений в поведении биржевых характеристик акций (с точки зрения классической теории ценообразования), возникающих из-за высоких транзакционных издержек, является важной как для развитых, так и для развивающихся рынков капитала: например, кризисы, связанные с резким исчезновением рыночной ликвидности, характерны и для самого развитого в мире американского фондового рынка ("Черный понедельник" в октябре 1987 г., крах хедж-фонда LTCM в 1998 г., Flash Crash в мае 2010 г.), и для значительно менее ликвидного российского фондового рынка (например, кризис на валютном рынке России в середине декабря 2014 г.). Корректное измерение ликвидности и учет рисков, связанных с высокими неявными транзакционными издержками по торговле активами, является критически важной проблемой для финансовых аналитиков и институциональных инвесторов. Исследование микроструктурных особенностей слабо изученного российского рынка акций является не менее актуальной темой; результаты анализа важны не только для высокочастотных трейдеров, но и для финансовых регуляторов, осуществляющих мониторинг

сектора с целью минимизации системных рисков. Теория инвариантности рыночной микроструктуры, разработанная А. Кайлом и А. Обижаевой (Kyle and Obizhaeva, 2016) и успешно протестированная для ряда рынков, предоставляет возможность изучить масштаб изменений в совместной динамике торговых переменных, возникающих во время высокой волатильности, на российском фондовом рынке с нового ракурса.

Помимо эффектов ограниченной рыночной ликвидности, информационная неэффективность и влияние новостного сентимента и инвестиционного внимания на динамику биржевых характеристик акций также являются примерами отклонений от классической финансовой теории, которая основывается на предположении о равном доступе к информации среди инвесторов и о их рациональности. Согласно выводам из ряда теоретических и эмпирических работ по финансовой экономике, существуют определенные каналы взаимосвязи между активностью по торговле финансовыми инструментами и различными метриками информационной интенсивности. Многие статьи, в которых фокусируется внимание на данной теме, посвящены изучению фондовых рынков развитых стран (прежде всего, США), тогда как в данной работе исследуются два развивающихся рынка акций - России и Китая. Важность изучения российского рынка акций заключается в том, что на протяжении последних лет инвесторы сталкивались с крупными обвалами рынка. Не менее актуальным является исследование взаимосвязей между рыночной ликвидностью, скоростью публикации финансовых новостей, а также медиа-сентимента для множества акций китайских девелоперов во время продолжающегося кризиса ликвидности на китайском рынке недвижимости.

Степень разработанности темы.

Несмотря на то, что в течение последних нескольких десятков лет произошел значительный прогресс в понимании основных процессов, связанных с торговлей финансовыми активами, исследователи не пришли к

консенсусу в отношении определения рыночной ликвидности. Black (1971) был одним из первых исследователей, предложивших рассматривать отдельные атрибуты рыночной ликвидности. По его мнению, "ликвидный рынок является непрерывным рынком в том смысле, что практически любое количество акций может быть моментально куплено или продано, и эффективным рынком в том смысле, что небольшое количество акций может быть куплено или продано по цене, очень близкой к текущему значению, и в том смысле, что большое количество акций может быть куплено или продано за долгий период времени по ценам, которые, в среднем, близки к текущему значению" (Black, 1971). Kyle (1985) cформулировал следующие размерности ликвидности: глубину ("depth"; величина потока заявок, которая изменяет рыночную цену на данную величину), сжатость ("tightness"; издержки по открытию противоположной позиции за короткий период времени) и релаксацию ("resilience"; скорость, с которой цены восстанавливаются после случайного неинформативного шока).

Многие исследователи, среди которых O'Hara (1995) и Cochrane (2004), подчеркивали, что чрезвычайно сложно дать определение рыночной ликвидности, а также изучить сопутствующие эффекты. За последние десятилетия было разработано множество теоретических моделей, связывающих такие микроструктурные показатели, как ликвидность и асимметрия информации, с процессом ценообразования активов (например, Brunnermeier and Pedersen, 2008; Glebkin et al., 2022).

Значительная часть эмпирических работ, в которых авторы анализировали динамику переменных торговой активности на высокочастотных и низкочастотных интервалах, а также эффекты ликвидности в контексте ценообразования активов, проведена, прежде всего, на рынке акций США и других развитых рынках акций (Osborne, 1962; Amihud and Mendelson, 1986a; Chordia et al., 2000; Huberman and Halka, 2001; Ane and Geman, 2000; Hasbrouck and Seppi, 2001; Amihud et al., 2005; Leirvik et al., 2017).

Ряд исследователей (например, Brockman et al., 2009), изучавших процесс торговли финансовыми активами на развивающихся рынках акций, отмечали, что страны с формирующейся рыночной экономикой более уязвимы перед риском исчезновения ликвидности по сравнению с развитыми рынками.

Начиная с 1990-х годов, когда информация о финансовых инструментах в электронном виде стала доступной для широкого круга участников рынка, отдельным направлением в области финансовой экономики стало изучение взаимосвязей между количественными метриками, характеризующими новостной поток, и различными переменными рыночной активности (например, волатильность и торговый объем). В то же время в течение долгого времени не существовало эмпирически тестируемых теоретических моделей, предполагающих определенные функциональные зависимости между наблюдаемыми рыночными характеристиками и скоростью публикаций экономически релевантных новостей. Kyle et al. (2017) впервые применили принципы рыночной микроструктурной инвариантности в контексте изучения торгового и информационного процессов на американском рынке акций.

Крайне малое количество эмпирических работ, в которых используются последние теоретические наработки в области микроструктуры финансовых рынков (в особенности, по развивающимся рынкам) для изучения обозначенных выше процессов, связанных с ценообразованием и торговой активностью, определили объект и предмет исследования, цель диссертации и задачи.

Объект исследования - акции публичных компаний российского и китайского фондовых рынков.

Предмет исследования - эффекты ликвидности, торговые и информационные характеристики ценных бумаг, обращающиеся на развивающихся рынках акций России и Китая.

Целью исследования является выявление эффектов ограниченной ликвидности на двух развивающихся рынках акций с применением принципов инвариантности микроструктуры финансового рынка.

Для достижения поставленной цели решаются следующие задачи:

1. Тестирование принципов микроструктурной инвариантности на высокочастотных временных интервалах на множестве наиболее ликвидных российских акций.

2. Проведение сравнительного анализа двух низкочастотных мер ограниченной ликвидности в контексте исследования прибыльности инвестиционных стратегий, формируемых с использованием фактора ликвидности, на российском фондовом рынке.

3. Выявление степени синхронизации между торговой активностью по российским акциям и скоростью распространения различных информационных потоков по данным ценным бумагам.

4. Развитие модели инвариантности информационного потока с последующим тестированием на развивающемся рынке капитала Китая.

Теоретическая и методологическая основа исследования.

Теоретическую основу настоящей диссертации составляют работы российских и зарубежных авторов в области микроструктуры рынка, ценообразования активов и поведенческих финансов (Kyle and Obizhaeva, 2016; Amihud, 2002; Heston and Sinha, 2018 и др.).

Методологическая основа исследования - методы эконометрического и статистического анализа, а также методы формализации, сравнения и обобщения. Для проведения эконометрического и статистического анализа использовались языки программирования Python и R.

Информационная база исследования охватывает данные "Московской Биржи", сервиса Google Trends, информационно-аналитических агентств Thomson Reuters Eikon и Cbonds, Лаборатории анализа институтов и финансовых рынков РАНХиГС.

Научная новизна исследования заключается в следующем:

1. Предложена новая методика обработки данных по поисковым запросам, предоставляемых сервисом Google Trends, для изучения различных эффектов внимания посредством проведения кросс-секционного регрессионного анализа на широком множестве активов.

2. Впервые произведена оценка константы пропорциональности, связывающей (в контексте теории инвариантности) денежные издержки в процессе исполнения "ставки" на рынке акций с производительностью и заработной платой финансовых специалистов, оперирующих на данном рынке.

3. Исследованы различные эффекты ограниченной ликвидности на российском рынке акций как в кросс-секции, так и через формирование портфелей на основе ранжирования по прошлым значениям ликвидности.

4. Доказано, что размер компании эмитента влияет на наличие и доходность стратегий, основанных на факторе ограниченной ликвидности, на российском рынке акций.

5. Проанализирована динамика прокси-переменной величины рублевого риска, переносимого одной "ставкой" в единицу делового времени, в том числе во время высокой рыночной волатильности (под метазаявкой или "ставкой" подразумевается покупка или продажа определенного количества акций чаще всего посредством разделения на ряд отдельных заявок, исполняемых с временными перерывами), а также ее прогностическая сила в отношении будущей реализованной волатильности доходности.

6. На стыке поведенческих финансов и микроструктуры финансовых рынков произведено исследование эффектов публикации, а также положительного и отрицательного медиа-сентимента для множества акций крупных китайских девелоперов во время кризиса ликвидности в секторе недвижимости 2020-2022 гг.

Апробация результатов исследования. Результаты исследовательской работы были представлены на следующих научных конференциях и семинарах:

- второй научный семинар Центра финансовых исследований и анализа данных (г. Москва, март 2021 г.);

- PhD Workshop "Актуальные темы финансовых исследований. Как подготовить публикации" (г. Москва, февраль 2022 г.);

- международная конференция "First International Conference on Market Sentiment and Investment in Emerging Markets" (г. Москва, май 2022 г.);

- 7-ой международный семинар "Financial Markets and Nonlinear Dynamics" (FMND) (г. Париж, июнь 2023 г.).

- международная конференция "World Finance Conference" (г. Кристиансанн, август 2023 г.)

Публикации. Основные положения исследования отражены в четырех работах автора общим объемом 6.1 п.л. (личный вклад автора 3.7 п.л.):

1. Гуров С.В. Эффекты неликвидности на российском рынке акций // Экономический журнал ВШЭ. - 2023. - Т. 27. - №1. - С. 78-102. DOI: 10.17323/1813-8691-2023-27-1-78-102 (Список C).

2. Teplova T. and Gurov S. New evidence on the impact of implicit trading costs on asset prices in the Russian stock market // Applied Economics. - 2022. - Т. 54. - № 51. - С. 5943-5955. DOI: 10.1080/00036846.2022.2055743 (Список A).

3. Teplova T. and Gurov S. Nonlinear intraday trading invariance in the Russian stock market // Annual Operating Research. - C. 1-29. DOI: 10.1007/s10479-022-04683-7 (Список A).

4. Gurov S. and Teplova T. Media sentiment, news, and liquidity of Chinese property developer stocks amidst the shadow of a mortgage crisis in China // International Journal of Emerging Markets. - C. 1-21. DOI: 10.1108/IJOEM-08-2022-1232 (Список A).

Структуры работы. Диссертация состоит из введения, трех глав, заключения, библиографического списка, 18 рисунков и 26 таблиц.

Глава 1. Анализ внутридневной торговой активности на российском рынке акций

Первая глава посвящена тестированию гипотез, предполагающих различные соотношения между переменными рыночной активности на коротких временных интервалах: гипотезу внутридневной торговой инвариантности и различные спецификации гипотезы смеси распределений. Кроме того, в главе отдельным образом рассматриваются наиболее волатильные дни на российском рынке акций на промежутке с 6 января 2014 г. по 31 июля 2018 г.; проверяются возможные отклонения в величине риска, переносимого одной метазаявкой в единицу делового времени, и сопоставляются с динамикой усредненного бид-аск спреда. Также исследуется, насколько хорошо мера, предполагаемой гипотезой внутридневной инвариантности, предсказывает будущую реализованную волатильность доходности.

1.1 Теоретические модели взаимодействия между переменными рыночной активности

Начиная с основополагающей работы Bachelier (1900), взаимосвязи между флуктуациями цен финансовых активов и различными характеристиками торгового процесса находились в фокусе внимания экономистов. Идеи Л. Башелье о том, что цены акций следуют случайному блужданию, а волатильность доходности пропорциональна квадратному корню из величины времени, стали основными предположениями, на которые опирались ученые, моделирующие взаимодействия между торговыми переменными. В статье Osborne (1962) была впервые сформулирована гипотеза о том, что дисперсия доходности пропорциональна торговому объему и количеству транзакций. В 1970-1980-х гг. многие исследователи (например, Epps and Epps, 1976; Jain and Joh, 1988; Tauchen and Pitts, 1983) фиксировали положительные корреляции между торговым объемом и

изменениями цен американских акций.1 Главным теоретическим объяснением данного феномена стало предположение, получившее наименование "гипотеза смеси распределений" (mixture of distributions hypothesis, MDH): изменения цен акций выбираются из набора распределений, характеризующихся различными дисперсиями. Помимо проверки линейного соотношения между дисперсией доходности и торгового объема V (например, Westerfield, 1977), исследователи также концентрировались на изучении подобного соотношения, только вместо торгового объема использовались данные по количеству транзакций N (например, Ané and Geman, 2000). В статье Andersen et al. (2020) данные спецификации получили именования "гипотеза смеси распределений по объему" (Mixture-of-Distributions-Hypothesis in Volume: o2~V) и "гипотеза смеси распределений по транзакциям" (Mixture-of-Distributions-Hypothesis in Volume: g2~N).

В данной работе исследователи впервые сформулировали и протестировали на ликвидном рынке фьючерсных контрактов E-mini S&P 500 гипотезу внутридневной инвариантности (Intraday Trading Invariance, ITI), которая отражает главный смысл гипотезы рыночной микроструктурной инвариантности (Market Microstructure Invariance), изложенной в статье Kyle and Obizhaeva (2016), только в приложении к внутридневной, а не дневной или месячной торговой активности. Главное количественное предположение гипотезы внутридневной инвариантности следующее: лог-доходность вариации доходности на одну транзакцию пропорциональна возведенному в степень -2 произведению размера транзакции и цены акции. Andersen et al. (2020) отмечают, что в отличие от MDH гипотеза ITI подразумевает, что при прочих равных условиях снижение интенсивности торговли или рост рыночной волатильности приводит к тому, что средний размер транзакции уменьшается эндогенным образом. Andersen and Bondarenko (2014)

1 Обзор теоретических и эмпирических работ по данной области, опубликованных в 1950-1980-х гг.,

представлен в Karpoff (1987).

подтверждает данное предположение в процессе анализа внутридневной динамики метрики VPIN (volume-synchronized probability of informed trading) на рынке фьючерсов E-mini S&P 500.

Как и платформа CME Group Globex, на которой происходят торги данными фьючерсными контрактами, Московская биржа является централизованной площадкой, что позволяет корректным образом идентифицировать размер транзакций. Более того, минимальные размеры шагов цены и лотов корректируются регуляторами, что препятствует возникновению значительных рыночных трений. Благодаря данной структуре российского рынка акций становится возможным тестирование гипотезы внутридневной инвариантности с использованием тиковых данных по наиболее ликвидным российским акциям на промежутке с января 2014 г. по июль 2018 г.

1.2 Основные обозначения и методология тестирования

Перед формулированием тестируемых гипотез необходимо ввести необходимые обозначения, следуя методологии, описанной в работе Andersen et al. (2020).

Выборка начинается в момент времени 0 и содержит D торговых дней. Каждый день состоит из Т внутридневных интервалов длины At = 1/Т. Таким образом, выборка состоит из т = 1, ...,D •Т непересекающихся интервалов. Для удобства также вводим обозначения с использованием двух индексов: d Е D = 1,...,D для торгового дня и tET=1,...,T для внутридневного интервала. Данное обозначение может быть преобразовано в обозначение с одним индексом, следуя правилу т = (d — 1) •Т + t.

Для каждой акции i Е I и каждого интервала т из выборки определяем случайные реализации переменной посредством постановки знака "тильда" над ней: QlT - это усредненное число акций в одной транзакции для интервала т; - дисперсия лог-доходности для интервала т (в единицу времени); Г1Т -число транзакций в единицу времени; VlT - кумулятивный торговый объем (в

количестве акций в единицу времени); Р1Т - средняя цена, по которой происходили транзакции внутри интервала т (в количестве рублей за акцию). В свою очередь строчные буквы обозначают логарифмы данных величин: q^ = \n&T; s^T = lnо}х; у^т = \пТ\т; v^ = lnV^T; ftT = \n1\T.

Если следовать предположению, что ненаблюдаемый кумулятивный объем метазаявок совпадает с наблюдаемым кумулятивным торговым объемом, то автоматическим образом выполняются следующие равенства: Vit = Qit ' Ц.т и Цх = Ц^х + Yit 2 Для обозначения математического ожидания случайной переменной на интервале т (условно на доступную информацию на момент т — 1) знак "тильда" убирается. Например, siT = ET-1{s^-}.

Методология оценивания условных математических ожиданий базируется на мультипликативной модели ошибки (multiplicative error model, MEM)3: случайная величина YlT, отображающая одну из торговых переменных (например, дисперсию лог-доходности) и принимающая строго положительные значения, описывается следующим образом:

Yn = Yix' (1)

где UlT - строго положительные независимые и одинаково распределенные случайные переменные с математическим ожиданием E{UlT} = 1 и дисперсией V ar{ UlT] = ofi.

Таким образом, условное математическое ожидание и условная дисперсия переменной YlT равны ET-1{YlT] = YiT и VarT-1{YlT] = Y2 ' <Гц соответственно. Данная методология предполагает, что для каждой пары ( i, т) оценка YiT является несмещенной и имеет конечную дисперсию. Соответствующие логарифмы переменных могут быть представлены как

У?т = У1т + с + Кт> (2)

2 Как отмечает Obizhaeva (2012), в случае, когда исследователь для построения прокси-переменных к размеру ненаблюдаемых метазаявок использует данные по исполненным сделкам, возникает существенная проблема эндогенности, так как подобные базы данных не содержат информацию по неисполненным сделкам.

3 Общая структура данной модели представлена в Engle (2002).

где yix - условное математическое ожидание логарифма переменной, а ё -случайная величина с Е[её} = 0 и Уаг[ёёг} < ю. Согласно неравенству Йенсена, E{ln UlT] < ln E[UlT], и поэтому константа с = Е[уёх — yiT] < 0.

Следует отметить, что в случае, когда дисперсия ошибки ¥аг[ё} является большой, могут возникать значительные смещения в оценках. Для уменьшения влияния данных эффектов агрегируем высокочастотные переменные, следуя схеме (3); в результате по каждой акции i Е I имеем D дневных наблюдений. Также рассматривается схема (4), после применения которой для каждой акции i Е I фиксируется Т отдельных наблюдений:

yid = 1-lLifidt ~ с + 1-lLiyidt при d = 1,...,D; i El, (3)

1 1 Уи = 1-1а=1Уёг ~ с+ i-ld=iyidt при t=1,...,T; i El. (4)

Согласно закону больших чисел, вследствие межвременного агрегирования по большому количеству наблюдений вклад ошибки ё значительным образом снижается.

1.3 Принципы внутридневной инвариантности и детали регрессионного анализа

Гипотеза внутридневной инвариантности формулируется следующим образом: случайные величины Vz, определяемые как

V ' _ PirQlT^lT

¡Л = Z1T2 , (5)

' IT

являются независимыми и одинаково распределенные для всех акций i и интервалов т. В работе Kyle et al. (2016) обсуждается экономический смысл, стоящий за данной величиной: I является "денежным риском, переносимом одной метазаявкой в единицу делового времени". Предположение о том, что VlT характеризуются одинаковым распределением для акций i и интервалов т, базируется на условии отсутствии арбитража на финансовом рынке. Исследователи приводят следующий пример. Пусть в какой-то момент времени доходность акций (с поправкой на риск) компаний крупной капитализации опережает соответствующий показатель акций компаний

малой капитализации. Вследствие этого более информированные трейдеры начинают открывать все больше длинных позиций по первому множеству акций, и ожидаемая скорость прихода на рынок новых метазаявок (обратная величина делового времени) по данным активам возрастает. Среднее отклонение между наблюдаемыми ценами и ненаблюдаемыми фундаментальными стоимостями, наоборот, уменьшается, и участники рынка эндогенным образом подстраивают размер своих транзакций в ответ на изменение неявных транзакционных издержек. В результате долларовая (или рублевая) величина риска, переносимого одной "ставкой" в единицу делового времени, в равновесии остается постоянной.

Уравнение (5) может быть сформулировано альтернативным образом, если взять логарифмы от его обеих частей и затем перейти к условным математическим ожиданиям:

ii

ET-i[lnVlT} = piT + qiT + -siT — -yiT = с при t = 1,...,D -Т; i El. (6)

Принимая во внимание наличие случайной ошибки модели, получаем следующее лог-линейное соотношение между торговыми переменными: Гипотеза внутридневной инвариантности:

Sir — Yir + 2Pir = с — 2qiT + eiT при t=1,...,D -T; i El, (7)

где с - константа, а eiT - остатки модели.4

Спецификации гипотезы смеси распределений формулируются следующим образом:

1. Гипотеза смеси распределений по транзакциям (MDH-N)

Sir = с + Yir + eir при t = 1,...,D - Т; i El, (8)

где с - константа, а eix - остатки модели.

2. Гипотеза смеси распределений по объему (MDH-V)

4 В качестве базовой спецификации Andersen et al. (2020) рассматривают модель с зависимой переменной sir — Yît (без включения слагаемого 2piT), аргументируя это тем, что вариации уровня цены фьючерсного контракта значительно уступают вариациям в уровнях других торговых переменных (волатильность доходность и количество транзакций в единицу времени).

siT = с + viT + eiT при т = 1,...,D 'T; i e I, (9)

где с - константа, а еiT - остатки модели.

Обобщим спецификации (8) и (9), учитывая, что У[Х = qtT + /¿т.

3. Гипотезы смеси распределений

Sir — YiT = с + P4iT + eiT при т = 1,.,D 'T; i e I, (10)

где с - константа, а еix - остатки модели.

При Р = 0, спецификации (8) и (10) становятся эквивалентными друг другу; при Р = 1 - спецификации (9) и (10). Данные две спецификации гипотезы смеси распределений резко контрастируют с гипотезой внутридневной инвариантности, предполагающей Р = —2. Необходимо отметить, что переход к лог-линейным моделям возможен только при том условии, что значения переменных принимают строго положительные значения. Вследствие этого необходимо внести следующие изменения в формулировку оригинальной гипотезы внутридневной инвариантности:

Модифицированная гипотеза внутридневной инвариантности: 11Т являются независимыми и одинаково распределенными случайными величинами для всех акций и интервалов, характеризующихся ненулевой торговой активностью. 1.4 Описание данных

Для анализа используются исторические тиковые данные по лучшим ценам на покупку/продажу российских акций на интервале с января 2014 г. по июль 2018 г., предоставленные Московской биржей. В выборку были добавлены только те 32 обыкновенные или привилегированные акции, которые были включены в базу расчета Индекса МосБиржи на протяжении всего рассматриваемого периода. Следует отметить, что данное ограничение связано с использованием лог-линейных спецификаций для тестирования гипотез; включение в выборку менее ликвидных акций привело бы к резкому возрастанию количества временных интервалов с нулевой торговой активностью. Также вводится следующий дополнительный фильтр:

рассматриваются только сделки, совершенные в течение основной торговой сессии.

На первом этапе наблюдения агрегируются по пятиминутным интервалам следующим образом. Переменная PiT рассчитывается как средняя цена акции i, по которой были совершены сделки в течение интервала т; Vix -кумулятивный торговый объем по акции i за период т. Реализованная дисперсия доходности о^ рассчитывается с использованием стандартной несмещенной высокочастотной оценки (Andersen et al., 2003): на конец каждой минуты рассчитывается среднее арифметическое из цен бид и аск, а затем суммируются пять последовательных минутных лог-доходностей, возведенных в квадрат. Так как используются лог-линейные модели, все пятиминутные наблюдения с нулевым торговым объемом или близкой к нулю реализованной дисперсией доходности (менее 10-30) удаляются из выборки.

Список литературы диссертационного исследования кандидат наук Гуров Сергей Вячеславович, 2024 год

Список литературы

1. Гуров С.В. Эффекты неликвидности на российском рынке акций // Экономический журнал ВШЭ - 2023. - Т. 27. - №1. - С. 78-102.

2. Обижаева А.А. Кризис рубля в декабре 2014 года // Вопросы экономики - 2016. - №5. - С. 66-86.

3. Теплова Т.В., Микова Е.С. Инвестиции на рыночных неэффективностях и поведенческих искажениях. - М.: ИНФРА-М, 2019. - С. 1-404.

4. Теплова Т.В., Микова Е.С. Размер компании-эмитента, торговая активность и ликвидность акций как детерминанты моментум-стратегии портфельного инвестирования. Часть 1 // Мир экономики и управления - 2014.

- Т. 14. - №2. - С. 14-23.

5. Теплова Т.В., Микова Е.С. Размер компании-эмитента, торговая активность и ликвидность акций как детерминанты моментум-стратегии портфельного инвестирования. Часть 2 // Мир экономики и управления - 2014.

- Т. 14. - №3. - С. 5-21.

6. Теплова Т.В., Соколова Т.В., Томтосов А.Ф., Бучко Д.В., Никулин Д.Д. Сентимент частных инвесторов в объяснении различий в биржевых характеристиках акций российского рынка. // Журнал Новой экономической ассоциации - 2022. Т. 1. - №53. - С. 53-84.

7. Теплова Т.В., Соколова Т.В., Файзулин М.С., Куркин А.В. Сентимент инвесторов и аномалии в поведении биржевых характеристик инвестиционных активов: монография. - М.: ИНФРА-М, 2022. - 199 с. -(Научная мысль).

8. Hays Salary Guide 2017. Исследование рынка труда и обзор заработных плат в России - 2017. - C. 1-257.

9. Hays Salary Guide 2018. Исследование рынка труда и обзор заработных плат в России - 2018. - C. 1-284.

10. Acharya V.V. and Pedersen L.H. Asset pricing with liquidity risk // Journal of Financial Economics - 2005. - T. 77. - № 2. - C.375-410.

11. Albuquerque R., Song S. and Yao C. The price effects of liquidity shocks: A study of the SEC's tick size experiment // Journal of Financial Economics - 2020. - T. 138. - № 3. - C.700-724.

12. Allen D.E., McAleer M.J., and Singh A.K. Daily market news sentiment and stock prices // Applied Economics - 2019. - T. 51. - № 30. - C.3212-3235.

13. Amihud Y. Illiquidity and stock returns: Cross-section and time-series effects // Journal of Financial Markets - 2002. - T. 5. - № 1. - C.31-56.

14. Amihid Y. and Mendelson H. Asset pricing and the bid-ask spread // Journal of Financial Economics - 1986. - T. 17. - № 2. - C.223-249.

15. Amihid Y. and Mendelson H. Liquidity and stock returns // Financial Analysts Journal - 1986. - T. 42. - № 3. - C.43-48.

16. Amihud Y., Mendelson H. and Pedersen, L.H. Liquidity and Asset Prices // Foundations and Trends® in Finance - 2005. - T. 1. - № 4. - C.269-364.

17. An J., Ho K.-Y. and Zhang Z. What drives the liquidity premium in the Chinese stock market? // The North American Journal of Economics and Finance -2020. - T. 54.

18. Andersen T. G., Bollerslev T., Diebold F. X. and Labys P. Modeling and Forecasting Realized Volatility // Econometrica - 2003. - T. 71. - № 2. - C.579-625.

19. Andersen T.G. and Bondarenko O. VPIN and the flash crash // Journal of Financial Markets - 2014. - T. 17. - C.1-46.

20. Andersen T.G. and Bondarenko O. Assessing Measures of Order Flow Toxicity and Early Warning Signals for Market Turbulence // Review of Finance -2015. - T. 19. - C.1-54.

21. Andersen T.G., Bondarenko O., Kyle A.S. and Obizhaeva A.A. Intraday Trading Invariance in the E-mini S&P 500 Futures Market // NES Working Paper №272, New Economic School (NES) - 2020. - C.1-51.

22. Ané T. and Geman H. Order Flow, Transaction Clock, and Normality of Asset Returns // The Journal of Finance - 2000. - T. 55. - № 5. - C.2259-2284.

23. Aouadi A., Arouri M., and Teulon F. Investor attention and stock market activity: Evidence from France // Economic Modelling - 2013. - T. 35. - C.674-681.

24. Bachelier L. Théorie de la speculation // Annales scientifiques de l'É.N.S.

- 1900. - T. 17. - №3. - C.21-86.

25. Barardehi Y.H., Bernhardt D., Ruchti T.G. and Weidenmier, M. The Night and Day of Amihud's (2002) Liquidity Measure // The Review of Asset Pricing Studies - 2021. - T. 11. - №2. - C.269-308.

26. Bekaert G., Harvey C. and Lundblad C. Liquidity and Expected Returns: Lessons from Emerging Markets // The Review of Financial Studies - 2007. - T. 20.

- №6. - C.1783-1831.

27. Ben-Rephael A., Kadan O. and Wohl. A. The Diminishing Liquidity Premium // The Journal of Financial and Quantitative Analysis - 2015. - T. 50. -№1/2. - C.197-229.

28. Berry T.D. and Howe K.M. Public Information Arrival // The Journal of Finance - 1994. - T. 49. - №4. - C.1331-1346.

29. Black F. Toward a Fully Automated Stock Exchange // Financial Analysts Journal - 1971. - T. 27. - №4. - C.28-35.

30. Bogousslavsky V. and Collin-Dufresne P. Liquidity, Volume, and Order Imbalance // The Journal of Finance - 2023. - T. 78. - C.2189-2232.

31. Borisenko D. and Gelman S. Liquidity, asymmetric information and asset pricing on the Russian stock market // Working paper WP9/2012/01. Publishing House of the University - Higher School of Economics - 2012. - C.1-39.

32. Boudoukh J., Feldman R., Kogan S. and Richardson, M. Information, Trading, and Volatility: Evidence from Firm-Specific News // The Review of Financial Studies - 2019. - T. 32. - №3. - C.992-1033.

33. Brennan M.J. and Subrahmanyam A. Market microstructure and asset pricing: On the compensation for illiquidity in stock returns // Journal of Financial Economics - 1996. - T. 41. - №3. - C.441-464.

34. Brockman P., Chung D.Y. and Perignon C. Commonality in Liquidity: A Global Perspective // Journal of Financial and Quantitative Analysis - 2009. - T. 44. -№4. - C.851-882.

35. Brooks R.M. Bid-ask spread components around anticipated announcements // Journal of Financial Research - 1994. - T. 17. - №3. - C.375-386.

36. Brunnermeier M.K. and Pedersen L.H. Market Liquidity and Funding Liquidity // The Review of Financial Studies - 2008. - T. 22. - №6. - C.2201-2238.

37. Bucci F., Lillo F., Bouchard J.-P., and Benzaquen M. (2020). Are trading invariants really invariant? Trading costs matter. // Quantitative Finance - 2020. -T. 20. - №7. - C.1059-1068.

38. Cakici N. and Zaremba A. Liquidity and the cross-section of international stock returns // Journal of Banking & Finance - 2021. - T. 127.

39. Carhart M.M. On Persistence in Mutual Fund Performance // The Journal of Finance - 1997. - T. 51. - №1. - C.57-82.

40. Cascino S., Clatworthy M., Osma B.G., Gassen J., Imam S. and Jeanjean, T. Who uses financial reports and for what purpose? Evidence from capital providers // Accounting in Europe - 2014. - T. 11. - №2. - C.185-209.

41. Chan K., Chung Y.P. and Johnson H. The Intraday Behavior of Bid-Ask Spreads for NYSE Stocks and CBOE Options // The Journal of Financial and Quantitative Analysis - 1995. - T. 30. - №3. - C.329-346.

42. Chordia T., Roll R., and Subrahmanyam A. Commonality in liquidity // Journal of Financial Economics - 2000. - T. 56. - №1. - C.3-28.

43. Cobandag Guloglu, Z. and Ekinci C. Liquidity measurement: A comparative review of the literature with a focus on high frequency // Journal of Economic Surveys - 2022. - T. 36. - №1. - C.41-74.

44. Cochrane J. Asset pricing: Liquidity, trading, and asset prices // NBER Reporter Online, National Bureau of Economic Research (NBER), Cambridge, MA

- 2004. - C.1-12.

45. Constantinides G.M. Capital Market Equilibrium with Transaction Costs // Journal of Political Economy - 1986. - T. 94. - №4. - C.842-862.

46. Czasonis M., Kritzman M., and Turkington D. Event Time // The Journal of Portfolio Management - 2003. - T. 49. - №7. - C.1-12.

47. Da Z., Engelberg J, and Gao P. In Search of Attention // The Journal of Finance - 2011. - T. 66. - №5. - C.1461-1499.

48. Das S.R. and Chen M.Y. Yahoo! for Amazon: Sentiment Extraction from Small Talk on the Web // Management Science - 2007. - T. 53. - №9. - C.1375-1388.

49. Diaz A. and Escribano A. Measuring the multi-faceted dimension of liquidity in financial markets: A literature review. // Research in International Business and Finance - 2020. - T. 51. - C.1-16.

50. diBartolomeo, D. Incorporation of Text News Analytics in Risk Assessment, paper presented at New York University, 2 October 2018, New York, NY. - 2020.

51. Dimson E. Risk measurement when shares are subject to infrequent trading // Journal of Financial Economics - 1979. - T. 7. - №2. - C.197-226.

52. Driscoll J.C. and Kraay A.C. Consistent Covariance Matrix Estimation with Spatially Dependent Panel Data // Review of Economics and Statistics - 1998.

- T. 80. - №4. - C.549-560.

53. Easley D., Hvidkjaer S. and O'Hara M. Is Information Risk A Determinant of Asset Returns? // Journal of Finance - 2002. - T. 57. - №5. - C.2185-2221.

54. Easley D., López de Prado M.M. and O'Hara M. Flow Toxicity and Liquidity in a High-frequency World // The Review of Financial Studies - 2012. -T. 22. - №5. - C.1457-1493.

55. Easley D., O'Hara M. and Paperman, J. Financial analysts and information-based trade // Journal of Financial Markets - 1998. - T. 1. - №2. -C.175-201.

56. Eleswarapu V.R. and Reinganum M.R. The seasonal behavior of the liquidity premium in asset pricing // Journal of Financial Economic - 1993. - T. 34.

- №3. - C.373-386.

57. Engelberg J. Costly Information Processing: Evidence from Earnings Announcements // AFA 2009 San Francisco Meetings Paper - 2008. - C.1-49.

58. Engle R.F. New frontiers for ARCH models // Journal of Applied Econometrics - 2002. - T. 17. - №5. - C.425-446.

59. Epps T.W. and Epps M.L. The Stochastic Dependence of Security Price Changes and Transaction Volumes: Implications for the Mixture-of-Distributions Hypothesis // Econometrica - 1976. - T. 44. - №2. - C.305-321.

60. Fama E.G. and French K.R. Common risk factors in the returns on stocks and bonds // Journal of Financial Economics - 1993. - T. 33. - №1. - C.3-56.

61. Fama E.G. and MacBeth J.D. Risk, Return, and Equilibrium: Empirical Tests // Journal of Political Economy - 1973. - T. 81. - №3. - C.607-636.

62. Fong K.Y.L., Holden C.W. and Trzcinka C.A. Are Volatility Over Volume Liquidity Proxies Useful for Global or US Research? // Kelley School of Business Research Paper No. 17-9 - 2018. - C.1-60.

63. Fong K.Y.L., Holden C.W. and Trzcinka, C.A. What Are the Best Liquidity Proxies for Global Research? // Review of Finance - 2017. - T. 21. - №4.

- C.1355-1401.

64. French J.J. and Taborda R. Disentangling the relationship between liquidity and returns in Latin America // Global Finance Journal - 2018. - T. 36. -C.23-40.

65. French K.R. Presidential Address: The Cost of Active Investing. // The Journal of Finance - 2008. - T. 63. - №4. - C.1537-1573.

66. Garcia D. Sentiment during Recessions // The Journal of Finance - 2013.

- T. 68. - №3. - C.1267-1300.

67. Garman M.B. and Klass M.J. On the Estimation of Security Price Volatilities from Historical Data // The Journal of Business - 1980. - T. 53. - №1.

- C.67-78.

68. Gibbons M.R., Stephen A.R., and Shanken J. A Test of the Efficiency of a Given Portfolio // Econometrica - 1989. - T. 57. - №5. - C.1121-1152.

69. Glebkin S., Malamud S. and Teguila A. Illiquidity and Higher Cumulants. Swiss Finance Institute Research Paper № 20-80 // Review of Financial Studies, Forthcoming - C.1-76.

70. Goldman E., Martel J. and Schneemeier, J. A theory of financial media // Journal of Financial Economics - 2022. - T. 145. - №1. - C.239-258.

71. Goyenko R.Y., Holden C.W., and Trzcinka C.A. Do liquidity measures measure liquidity? // Journal of Financial Economics - 2009. - T. 92. - №2. -C.153-181.

72. Gregoire V. and Martineau C. How is Earnings News Transmitted to Stock Prices? // Journal of Accounting Research - 2022. - T. 60. - №1. - C.261-297.

73. GroB-KluBmann, A. and Hautsch, N. When machines read the news: Using automated text analytics to quantify high frequency news-implied market reactions // Journal of Empirical Finance - 2011. - T. 18. - №2. - C.321-340.

74. Gu S., Kelly B. and Xiu D. Empirical Asset Pricing via Machine Learning // The Review of Financial Studies - 2020. - T. 33. - №5. - C.2223-2273.

75. Gurov S. and Teplova T. Media sentiment, news, and liquidity of Chinese property developer stocks amidst the shadow of a mortgage crisis in China // International Journal of Emerging Markets - 2022. - C. 1-21.

76. Harris L. and Amato A. Illiquidity and Stock Returns: Cross-Section and Time-Series Effects: A Replication // Critical Finance Review - 2019. - T. 8. - №12. - C.203-221.

77. Hasbrouck K. Trading Costs and Returns for U.S. Equities: Estimating Effective Costs from Daily Data // The Journal of Finance - 2009. - T. 64. - №3. -C.1445-1477.

78. Hasbrouck J. and Seppi D.J. Common factors in prices, order flows, and liquidity // Journal of Financial Economics - 2001. - T. 59. - №3. - C.383-411.

79. Hendershott T., Jones C.M. and Menkveld A.J. Does Algorithmic Trading Improve Liquidity? // The Journal of Finance - 2011. - T. 66. - №1. - C.1-33.

80. Heston S.L. and Sinha N.R. News vs. Sentiment: Predicting Stock Returns from News Stories // Financial Analysts Journal - 2018. - T. 73. - №3. - C.67-83.

81. Holden C.W. and Jacobsen S. Liquidity measurement problems in fast, competitive markets: Expensive and cheap solutions. // Journal of Finance - 2014.

- T. 69. - №4. - C.1747-1785.

82. Huberman G. and Halka D. Systematic Liquidity // Journal of Financial Research - 2001. - T. 24. - №2. - C. 161-178.

83. Ibbotson R., Chen Z., Kim D. and Hu W. Liquidity as an Investment Style // Financial Analysts Journal - 2013. - T. 69. - №3. - C.30-44.

84. Jain P. and Joh G. The Dependence between Hourly Prices and Trading Volume // Journal of Financial and Quantitative Analysis - 1988. - T. 23. - №3. -C.269-283.

85. Kalev P.S., Liu W.M., Pham P.K. and Jarnecic, E. Public Information Arrival and Volatility of Intraday Stock Returns // Journal of Banking and Finance

- 2004. - T. 28. - №6. - C.1441-1467.

86. Karpoff J. The relation between price changes and trading volume: A survey // Journal of Financial and Quantitative Analysis - 1987. - T. 22. - №1. -C.109-126.

87. Kraus A. and Stoll H.R. Price Impacts of Block Trading on the New York Stock Exchange // The Journal of Finance - 1972. - T. 27. - №3. - C.569-588.

88. Kyle A.S. Continuous auctions and insider trading // Econometrica - 1985.

- T. 53. - №6. - C.1315-1336.

89. Kyle A.S. and Obizhaeva A.A. Adverse Selection and Liquidity: From Theory to Practice // NES Working Paper №268, New Economic School (NES) -2020. - C.1-46.

90. Kyle A.S. and Obizhaeva A.A. Dimensional Analysis and Market Microstructure Invariance // NES Working Paper №234, New Economic School (NES) - 2017. - C.1-14.

91. Kyle A.S. and Obizhaeva A.A. Market Microstructure Invariance: A Dynamic Equilibrium Model // Working Paper - 2020. - C.1-56.

92. Kyle A.S. and Obizhaeva A.A. Market Microstructure Invariance: Empirical Hypotheses // Econometrica - 2016. - T. 84. - №4. - C.1345-1404.

93. Kyle A.S., Obizhaeva A.A. and Kritzman M. A Practitioner's Guide to Market Microstructure Invariance // The Journal of Portfolio Management - 2016.

- T. 43. - №1. - C.43-53.

93. Kyle A.S., Obizhaeva A.A., Sinha N.R. and Tuzun T. News Articles and Equity Trading // NES Working Paper №233, New Economic School (NES) - 2017.

- C.1-44.

95. Lee C.M., Mucklow B., and Ready M.J. Spreads, depths, and the impact of earnings information: An intraday analysis. // Review of Financial Studies - 1993.

- T. 6. - №2. - C.345-374.

96. Leirvik T., Fiskerstrand S.R., and Fjellvikâs A.B. Market liquidity and stock returns in the Norwegian stock market // Finance Research Letters - 2017. -T. 21. - C.272-276.

97. Lesmond D.A., Ogden J.P. and Trzcinka C. A New Estimate of Transaction Costs // Review of Financial Studies - 1999. - T. 12. - №5. - C.1113-1141.

98. Lintner J. Security prices, risk, and maximal gains from diversification // Journal of Finance - 1965. - T. 20. - №4. - C.587-615.

99. Lischewski J. and Voronkova S. Size, value and liquidity. Do They Really Matter on an Emerging Stock Market? // Emerging Markets Review - 2012. - T. 13.

- №1. - C.8-25.

100. Loughran T. and McDonald B. When is a Liability Not a Liability? Textual Analysis Dictionaries, and 10-Ks. // The Journal of Finance - 2011. - T. 66.

- №1. - C.35-65.

101. Madhavan A., Richardson M. and Roomans M. Why Do Security Prices Change? A Transaction-Level Analysis of NYSE Stocks. // Review of Financial Studies - 1997. - T. 10. - №4. - C.1035-1064.

102. Mitchell M.L. and Mulherin J.H. The Impact of Public Information on the Stock Market // The Journal of Finance - 1994. - T. 49. - №3. - C.923-950.

103. Mitra G. and Yu X. Progress in Sentiment Analysis Applied to Finance: an overview // Handbook of Sentiment Analysis in Finance, Kindle Edition - 2016.

- C.41-93.

104. Modigliani F. and Miller M. The Cost of Capital, Corporation Finance and the Theory of Investment. // American Economic Review - 1958. - T. 48. - №3.

- C.261-297.

105. Mossin J. Equilibrium in a capital asset market // Econometrica - 1966.

- T. 34. - №4. - C.768-783.

106. Newey W.K. and West K.D. A Simple, Positive Semi-definite Heteroskedasticity and Autocorrelation Consistent Covariance Matrix // Econometrica - 1987. - T. 55. - №3. - C.703-708.

107. Obizhaeva A.A. Liquidity Estimates and Selection Bias // CEFIR/NES Working Paper №225. Centre for Economic and Financial Research at New Economic School - 2012. - C.1-27.

108. Office of Financial Research 2014 Annual Report - 2014. - C. 1-164.

109. O'Hara M. Market Microstructure Theory // Blackwell Publishers, Cambridge - 1995. - C. 1-304.

110. O'Hara M. Presidential Address: Liquidity and Price Discovery // The Journal of Finance - 2003. - T. 58. - №4. - C. 1335-1354.

111. Osborne M.F.M. Periodic Structure in the Brownian Motion of Stock Prices // Operations Research - 1962. - T. 10. - №3. - C.345-379.

112. Pastor L. and Stambaugh R.F. Liquidity Risk and Expected Returns // Journal of Political Economy - 2003. - T. 111. - №3. - C.642-685.

113. Perold A.F. The implementation shortfall: Paper versus reality. // The Journal of Portfolio Management - 1998. - T. 14. - №3. - C.4-9.

114. Riordan R., Storkenmaier A., Wagener M. and Zhang S.S. Public information arrival: Price discovery and liquidity in electronic limit order markets. // Journal of Banking & Finance - 2013. - T. 37. - №4. - C.1148-1159.

115. Roll R. A Simple Implicit Measure of the Effective Bid-Ask Spread in an Efficient Market // The Journal of Finance - 1984. - T. 39. - №4. - C.1127-1139.

116. Sharpe S.A., Sinha N.R. and Hollrah A. The Power of Narratives in Economic Forecasts // Finance and Economics Discussion Series 2020-001r1. Washington: Board of Governors of the Federal Reserve System - 2020. - C.1-58.

117. Sharpe W. Capital asset prices: A theory of market equilibrium under conditions of risk // Journal of Finance - 1964. - T. 19. - №3. - C.425-442.

118. Sinha N.R. Essays on News and Asset Prices // PhD thesis, University of Maryland - 2010. - C.1-121.

119. Sinha N.R. Underreaction to News in the US Stock Market // The Quarterly Journal of Finance - 2016. - T. 6. - №2. - C.1-46.

120. Sinha N.R. Using Big Data in Finance: Example of Sentiment-Extraction from News Articles // FEDS Notes. Washington: Board of Governors of the Federal Reserve System, March 26, 2014. - 2014.

121. Soroka S.N. Good News and Bad News: Asymmetric Responses to Economic Information // Journal of Politics - 2006. - T. 68. - №2. - C.372-385.

122. Sterenczak S., Zaremba A. and Umar Z. Is there an illiquidity premium in Frontier markets? // Emerging Markets Review - 2020. - T. 42. - C.1-19.

123. Stoll H.R. Presidential Address: Friction // The Journal of Finance -2000. - T. 55. - №4. - C.1479-1514.

124. Tauchen G.E. and Pitts M. The Price Variability-Volume Relationship on Speculative Markets // Econometrica - 1983. - T. 51. - №2. - C.485-505.

125. Teplova T. and Gurov S. New evidence on the impact of implicit trading costs on asset prices in the Russian stock market // Applied Economics - 2022. - T. 54. - №51. - C.5943-5955.

126. Teplova T. and Gurov S. Nonlinear intraday trading invariance in the Russian stock market // Annual Operating Research - 2022. - C.1-29.

127. Tetlock P.C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market // The Journal of Finance - 2007. - T. 62. - №3. - C.1139-1168.

128. Tetlock P.C., Saar-Tsechansky M. and Macskassy S. More Than Words: Quantifying Language to Measure Firms' Fundamentals // The Journal of Finance -2008. - T. 63. - №3. - C.1437-1467.

129. Tham E. The Unbearable Lightness of Expectations of the Chinese Investor // Handbook of Sentiment Analysis in Finance, Kindle Edition - 2016. -C.543-566.

130. The Financial Services Fact Book 2012 - 2012. - C. 1-250.

131. Tuzun, T. Are Leveraged and Inverse ETFs the New Portfolio Insurers? // Finance and Economics Discussion Series 2013-48. Board of Governors of the Federal Reserve System (U.S.) - 2013. - C.1-43.

132. Watanabe A. and Watanabe M. Time-Varying Liquidity Risk and the Cross Section of Stock Returns // The Review of Financial Studies - 2008. - T. 21. - №6. - C.2449-2486.

133. Westerfield R. The distribution of common stock price changes: An application of transactions time and subordinated stochastic models // Journal of Financial and Quantitative Analysis - 1977. - T. 12. - №5. - C.743-765.

134. Wood R.A., McInish T.H. and Ord J.K. An Investigation of Transactions Data for NYSE Stocks // The Journal of Finance - 1985. - T. 40. - №3. - C.723-739.

135. Yu X., Mitra G. and Yu K. Impact of News on Asset Behavior: Return, Volatility and Liquidity in an Intra-Day Setting // SSRN Electronic Journal -C.1-32.