BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Kopczewski Tomasz (Uniwersytet Warszawski), Bil Łukasz
Tytuł
Exploring Stock Markets Dynamics:a Two-Dimensional Entropy Approach in Return/Volume Space
Eksploracja dynamiki rynku akcji: podejście oparte na dwuwymiarowej entropii w przestrzeni zwroty/wolumen obrotów
Źródło
Bank i Kredyt, 2024, nr 6, s. 731-757, rys., aneks, bibliogr. s. 749-751
Bank & Credit
Słowa kluczowe
Rynek akcji, Rynki finansowe, Entropia, Dywergencja
Equity market, Financial markets, Entropy, Divergence
Uwagi
Klasyfikacja JEL: G12, C58, C49
streszcz., summ.
Abstrakt
Badanie rozpoczyna się od eksperymentu myślowego: czy na podstawie próbek finansowych szeregów czasowych, bez znajomości okresów, z których pochodzą, można zidentyfikować te z okresu pandemii oraz te sprzed pandemii, bazując na ich unikalnych cechach lub statystykach? Okazało się, że trudno jest znaleźć statystykę, która jednoznacznie pozwalałaby przypisać próbki do jednego z tych dwóch okresów. Zachowanie rynków finansowych w trakcie pandemii było opisywane jako dziwne, nieprzewidywalne i nieadekwatne w odniesieniu do realnej gospodarki, co sugeruje, że entropia, jako miara nieuporządkowania, mogłaby być rozsądnym kryterium odróżnienia tych okresów. Entropia była już wcześniej stosowana do badania niepewności na rynkach finansowych. W prezentowanym badaniu rynek finansowy jest traktowany inaczej - jako system informacyjny, który generuje dwa równoczesne sygnały dla inwestorów: zwroty i wolumen obrotów, dlatego miara entropii powinna uwzględniać oba te aspekty. Dotychczasowe badania koncentrowały się na relacji między cenami/ zwrotami a wolumenem obrotów, głównie w kontekście prognozowania zmian cen na podstawie wolumenu. Niniejsze badanie wyróżnia się, proponując zastosowanie miar entropii łącznej do analizy wpływu pandemii na statystyki rynków finansowych oraz sprawdzenie, czy możliwe jest przypisanie charakterystycznych cech określonym okresom. Główne pytanie badawcze brzmi: czy miary entropii mogą służyć jako narzędzie do rozróżniania okresów przed pandemią i w trakcie pandemii na rynkach finansowych, biorąc pod uwagę dwie kluczowe zmienne charakteryzujące aktywa finansowe: zwroty i wolumen obrotów? Badanie ma charakter eksploracyjny, co oznacza, że jego celem jest odkrywanie i zrozumienie wzorców oraz zależności w danych, które do tej pory nie zostały dobrze zdefiniowane w literaturze. Podejście to umożliwia elastyczne traktowanie problemu badawczego i formułowanie nowych hipotez, które mogą być testowane w przyszłych pracach. Analiza miar entropii pozwala odkryć wzajemne relacje między zwrotem a wolumenem obrotów, zwłaszcza w kontekście wstrząsów makroekonomicznych. Oczekiwaliśmy, że entropia i jej składowe będą znacząco wyższe w okresach szoków, a w okresach spokojniejszych ulegną obniżeniu, oraz że wzajemne relacje między poszczególnymi składnikami łącznej entropii będą różne w analizowanych okresach. Badanie zakłada, że rynki finansowe nie są systemami izolowanymi oraz że zwiększony napływ zewnętrznych informacji wpływa na ceny i wolumeny obrotów, wprowadzając większe nieuporządkowanie w ich kształtowaniu się. (skrócony abstrakt oryginalny)

This paper presents an entropy-based analysis of returns and trading volumes in stock markets. We introduce a measure of entropy in the return/volume space, leveraging Shannon's entropy, Theil's index, Relative Entropy, Tsallis distribution, and the Kullback-Leibler Divergence. We assess one- and two-dimensional returns and volume distributions, separately and jointly. This exploratory study aims to discover and understand patterns and relationships in data that are not yet well-defined in the literature. By exploring entropy measures, we identify mutual relations between returns and volume in financial data during global shocks such as the COVID-19 pandemic and the war in Ukraine. Revealing entropy changes in the return/volume space consistent with changes in the real economy allows for the inclusion of a new variable in machine learning algorithms that reflects the system's unpredictability. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Aaronson S., Carroll S.M., Ouellette L. (2014), Quantifying the rise and fall of complexity in closed systems: the coffee automaton, arXiv:1405.6903.
  2. Ahmadi-Javid A. (2012), Entropic value-at-risk: a new coherent risk measure, Journal of Optimization Theory and Applications, 155(3), 1105-1123, DOI: 10.1007/s10957-011-9968-2.
  3. Addy W.A., Ajayi-Nifise A.O., Bello B.G., Tula S.T., Odeyemi O., Falaiye T. (2024), Machine learning in financial markets: a critical review of algorithmic trading and risk management, International Journal of Science and Research Archive, 11(1), 1853-1862.
  4. AlMomani A.A.R., Sun J., Bollt E. (2020), How entropic regression beats the outliers problem in nonlinear system identification, Chaos: An Interdisciplinary Journal of Nonlinear Science, 30(1), 013108, DOI: 10.1063/1.5129775.
  5. Ben-Naim A. (2019), Entropy and information theory: uses and misuses, Entropy, 21(12), 1170, DOI: 10.3390/e21121170.
  6. Bentes S.R., Menezes R. (2012), Entropy: a new measure of stock market volatility?, Journal of Physics: Conference Series, 394(1), 012033.
  7. Bil Ł., Grech D., Podhajska E. (2016), Methods of non-extensive statistical physics in analysis of price returns on Polish stock market, Acta Physica Polonica A, 129(5), 986-992.
  8. Bil Ł., Grech D., Zienowicz M. (2017), Asymmetry of price returns - analysis and perspectives from a non-extensive statistical physics point of view, Plos One, 12(11), e0188541, DOI: 10.1371/journal. pone.0188541.
  9. Borwein J., Choksi R., Marechal P. (2003), Probability distributions of assets inferred from option prices via the principle of maximum entropy, SIAM Journal on Optimization, 14(2), 464-478.
  10. Bray M. (1981), Futures trading, rational expectations, and market efficiency, Econometrica, 49(3), 575-596.
  11. Buchen P.W., Kelly M. (1996), The maximum entropy distribution of an asset inferred from option prices, Journal of Financial and Quantitative Analysis, 31(1), 143-159.
  12. Clausius R. (1867), The Mechanical Theory of Heat: With Its Applications to the Steam-Engine and to the Physical Properties of Bodies, John van Voorst.
  13. Cont R. (2001), Empirical properties of asset returns: stylized facts and statistical issues, Quantitative Finance, 1(2), 223-236, DOI: 10.1088/1469-7688/1/2/304.
  14. Devi S. (2018), Financial portfolios based on Tsallis relative entropy as the risk measure, MPRA Paper, 91614, University Library of Munich.
  15. Dinga E., Oprean-Stan C., Tänäsescu C.R., Brätian V., Ionescu G.M. (2021), Entropy-based behavioural efficiency of the financial market, Entropy, 23(11), 1396, https://doi.org/10.3390/e23111396.
  16. Faes L., Marinazzo D., Nollo G., Porta A. (2016), An information-theoretic framework to map the spatiotemporal dynamics of the scalp electroencephalogram, IEEE Transactions on Biomedical Engineering, 63(12), 2488-2496.
  17. Fama E.F. (1965), The behavior of stock-market prices, Journal of Business, 38(1), 34-105, DOI: 10.1086/294743.
  18. Fama E.F. (1970), Efficient capital markets: a review of theory and empirical work, The Journal of Finance, 25(2), 383-417.
  19. Fisher I. (1925), Mathematical Investigations in the Theory of Value and Prices, Yale University Press.
  20. Georgescu-Roegen N. (1971), The Entropy Law and the Economic Process, Harvard University Press.
  21. Giannerini S., Goracci G. (2023), Entropy-based tests for complex dependence in economic and financial time series with the R package tseriesEntropy, Mathematics, 11(3), 757, DOI: 10.3390/math11030757.
  22. Gervais S., Kaniel R., Mingelgrin D.H. (2001), The high-volume return premium, The Journal of Finance, 56(3), 877-919.
  23. Granger C. (1980), Tests for causation - a personal viewpoint, Journal of Economic Dynamics and Control, 2, 329-352.
  24. Guo W.Y. (2001), Maximum entropy in option pricing: a convex-spline smoothing method, Journal of Futures Markets, 21(9), 819-832.
  25. Gulko L. (1997), Dartboards and asset prices: Introducing the entropy pricing theory, Advances in Economics, 12, 237-276.
  26. Gulko L. (1999), The entropy theory of stock option pricing, International Journal of Theoretical and Applied Finance, 2(3), 331-355.
  27. Gulko L. (2002), The entropy theory of bond option pricing, International Journal of Theoretical and Applied Finance, 5(3), 355-383.
  28. Hilbert M., Darmon D. (2020), How complexity and uncertainty grew with algorithmic trading, Entropy, 22(5), 499, DO: 10.3390/e22050499.
  29. Hou K., Xiong W., Peng L. (2009), A tale of two anomalies: the implications of investor attention for price and earnings momentum, unpublished working paper, Ohio State University, City University of New York, Princeton University.
  30. Huang J., Yong W.A., Hong L. (2016), Generalization of the Kullback-Leibler divergence in the Tsallis statistics, Journal of Mathematical Analysis and Applications, 436(1), 501-512.
  31. Jakimowicz A. (2020), The role of entropy in the development of economics, Entropy, 22(4), 452, DOI: 10.3390/e22040452.
  32. Jones R.D., Redsun S.G., Frye R.E., Myers K.D. (2003), The Maxwell Demon and market efficiency, arXiv:physics/0311074.
  33. Keskin Z., Aste T. (2020), Information-theoretic measures for nonlinear causality detection: application to social media sentiment and cryptocurrency prices, Royal Society Open Science, 7(9), 200863, DOI: 10.1098/rsos.200863.
  34. Kim M., Sayama H. (2017), Predicting stock market movements using network science: an information theoretic approach, Applied Network Science, 2(35), 1-14, DOI: 10.1007/s41109-017-0055-y.
  35. Kim S., Ku S., Chang W., Song J.W. (2020), Predicting the direction of US stock prices using effective transfer entropy and machine learning techniques, IEEE Access, 8, 111660-111682.
  36. King M., Kay J. (2020), Radical Uncertainty: Decision-Making for an Unknowable Future, Hachette UK.
  37. Kopczewska K. (2014), L-moments skewness and kurtosis as measures of regional convergence and cohesion, Statistica Neerlandica, 68(4), 251-266.
  38. Kopczewska K., Churski P., Ochojski A., Polko A. (2017), Measuring Regional Specialisation: A New Approach, Springer.
  39. Krishnan H., Nelken L. (2001), Estimating implied correlations for currency basket options using the maximum entropy method, Derivatives Use, Trading & Regulation, 7(1), 1-7.
  40. Kullback S., Leibler R.A. (1951), On information and sufficiency, The Annals of Mathematical Statistics, 22(1), 79-86.
  41. Liao J., Peng C., Zhu N. (2022), Extrapolative bubbles and trading volume, The Review of Financial Studies, 35(4), 1682-1722.
  42. Maasoumi E., Racine J. (2002), Entropy and predictability of stock market returns, Journal of Econometrics, 107(1-2), 291-312.
  43. Madiman M. (2008), On the entropy of sums, 2008 IEEE Information Theory Workshop, IEEE.
  44. Mandelbrot B. (1997), Fractals, Hasard et Finance, Flammarion.
  45. Marschinski R., Kantz H. (2002), Analysing the information flow between financial time series, The European Physical Journal B, 30(2), 275-281.
  46. Merton R.C. (1973), Theory of rational option pricing, The Bell Journal of Economics and Management Science, 4(1), 141-183.
  47. Merton R.C. (1987), A simple model of capital market equilibrium with incomplete information, The Journal of Finance, 42(3), 483-510.
  48. Natal J., Avila I., Tsukahara V.B., Pinheiro M., Maciel C.D. (2021), Entropy: from thermodynamics to information processing, Entropy, 23(10), 1340, DOI: 10.3390/e23101340.
  49. Neto D. (2022), Examining interconnectedness between media attention and cryptocurrency markets: a transfer entropy story, Economics Letters, 214, 110460, DOI: 10.1016/j.econlet.2022.110460.
  50. Nichols J.M., Bucholtz F., Michalowicz J.V. (2013), Linearized transfer entropy for continuous second-order systems, Entropy, 15(8), 3186-3204.
  51. Patra S., Hiremath G.S. (2022), An entropy approach to measure the dynamic stock market efficiency, Journal of Quantitative Economics, 20(2), 337-377.
  52. Philippatos G.C., Wilson C.J. (1972), Entropy, market risk, and the selection of efficient portfolios, Applied Economics, 4, 209-220.
  53. Riek R. (2020), Entropy derived from causality, Entropy, 22(6), 647, DOI: 10.3390/e22060647.
  54. Rothenstein R. (2018), Quantification of market efficiency based on informational-entropy, arXiv:1812.02371.
  55. Schinckus C. (2009), Economic uncertainty and econophysics, Physica A: Statistical Mechanics and its Applications, 388(20), 4415-4423.
  56. Schreiber T. (2000), Measuring information transfer, Physical Review Letters, 85(2), 461.
  57. Shannon C.E. (1948), A mathematical theory of communication, The Bell System Technical Journal, 27(3), 379-423.
  58. Simon H.A. (1971), Designing organizations for an information-rich world, in: M. Greenberger (ed.), Computers, Communications, and the Public Interest, Johns Hopkins University Press.
  59. Smith J. (2017), Maximum entropy and information theory approaches to economics, SSRN 3094757.
  60. Syczewska E., Struzik Z. (2015), Granger causality and transfer entropy for financial returns, Acta Physica Polonica A, 127(3-A), A-129-A-135.
  61. Tsallis C. (1988), Possible generalization of Boltzmann-Gibbs statistics, Journal of Statistical Physics, 52(1-2), 479-487, DOI: 10.1007/BF01016429.
  62. Tsallis C., Levy S.V., Souza A.M., Maynard R. (1995), Statistical-mechanical foundation of the ubiquity of Lévy distributions in nature, Physical Review Letters, 75(20), 3589.
  63. Wang Z. (2021), The high volume return premium and economic fundamentals, Journal of Financial Economics, 140(1), 325-345.
  64. Wolfram S. (2023), The Second Law: Resolving the Mystery of the Second Law of Thermodynamics, Wolfram Media.
  65. Yao C.Z., Li H.Y. (2020), Effective transfer entropy approach to information flow among EPU, investor sentiment, and stock market, Frontiers in Physics, 8, 206, DOI: 10.3389/fphy.2020.00206.
  66. Zhou R., Cai R., Tong G. (2013), Applications of entropy in finance: a review, Entropy, 15(11), 4909-4931, DOI: 10.3390/e15114909.
Cytowane przez
Pokaż
ISSN
0137-5520
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu