IMF Working Paper
INS
Estimating a Structural Model of Herd Behavior in Financial Markets
Prepared by Marco Cipriani and Antonio Guarino
Authorized for distribution by Ling Hui Tan
December 2010
Abstaract
This Working Paper should not be reported as representing the views of the IMF.
The views expressed in this Working Paper are those of the author(s) and do not necessarily represent those of the IMF or IMF policy. Working Papers describe research in progress by the author(s) and are published to elicit comments and to further debate.
We develop a new methodology to estimate the importance of herd behavior in financial markets: we build a structural model of informational herding that can be estimated with financial transaction data. In the model, rational herding arises because of information-event uncertainty. We estimate the model using data on a NYSE stock (Ashland Inc.) during 1995. Herding often arises and is particularly pervasive on some days. The proportion of herd buyers (sellers) is 2 percent (4 percent) and is greater than 10 percent in 7 percent (11 percent) of information-event days. Herding causes important informational inefficiencies, amounting, on average, to 4 percent of the expected asset value.
JEL Classification Numbers:G14, D82, C13
Keywords: Herd Behavior, Market Microstructure, Structural Estimation
Authorrsquo;s E-Mail Address: mcipriani@imf.org
-
- INTRODUCTION
In recent years there has been much interest in herd behavior in financial markets. This interest has led researchers to look for theoretical explanations and empirical evidence of herding. There has been, however, a substantial disconnect between the empirical and theoretical literatures: the theoretical work has identified motives for herding in abstract models that cannot easily be brought to the data; the empirical literature has mainly looked for atheoretical, statistical evidence of trade clustering, which is interpreted as herding.
This paper takes a novel approach: we develop a theoretical model of herding in financial markets that can be estimated with financial markets transaction data. This methodology allows us to measure the quantitative importance of herding, to identify when it happens, and to assess the informational inefficiency that it generates.
The theoretical work on herd behavior started with the seminal papers of Banerjee (1992), Bikhchandani, Hirshleifer, and Welch (1992), and Welch (1992).[1] These papers model herd behavior in an abstract environment in which agents with private information make their decisions in sequence. They show that, after a finite number of agents have chosen the same action, all following agents disregard their own private information and imitate their predecessors. More recently, a number of papers (see, among others, Avery and Zemsky, 1998; Lee, 1998; Cipriani and Guarino, 2008) have focused on herd behavior in financial markets. In particular, these studies analyze a market where informed and uninformed traders sequentially trade a security of unknown value. The price of the security is set by a market maker according to the order flow. The presence of a price mechanism makes it more difficult for herding to arise. Nevertheless, there are cases in which it occurs. In Avery and Zemsky (1998), for instance, herd behavior can occur when there is uncertainty not only about the value of the asset but also about the occurrence of an information event or about the model parameters.
As mentioned above, whereas the theoretical research has tried to identify the mechanisms through which herd behavior can arise, the empirical literature has followed a different track. The existing work (see, e.g., Lakonishok, Shleifer, and Vishny, 1992; Grinblatt, Titman, and Wermers, 1995; and Wermers, 1999) does not test the theoretical herding models directly, but analyzes the presence of herding in financial markets through statistical measures of clustering.[2]These papers find that, in some markets, fund managers tend to cluster their investment decisions more than would be expected if they acted independently. This empirical research on herding is important, as it sheds light on the behavior of financial market participants and in particular on whether they act in a coordinated fashion. As the authors themselves emphasize, however, decision clustering may or may not be due to herding (for instance, it may be the result of a common reaction to public announcements). These papers cannot distinguish spurious herding from true herd behavior, that is, the decision to disregard onersquo;s private information to follow the behavior of others (see Bikhchandani and Sharma, 2001; and Hirshleifer and Teoh, 2009).
Testing models of informational herd behavior is difficult. In such models, a trader herds if he trades against his own private information. The problem that empiricists face is that there are no data on the private information available to traders and, therefore, it is difficult to know when traders decide not to follow it. Our purpose in this paper is to present a methodology to overcome this problem. We develop a theoretical model of herding and estimate it using financial market transaction data. We are able to identify the periods in the trading day in which traders act as herders and to measure the informational inefficiency that this generates. This is the first paper on informational herding that, instead of using a statistical, atheoretical approach, brings a theoretical social learning model to the field data.[3]
Our theoretical an
剩余内容已隐藏，支付完成后下载完整资料
国际货币基金组织的工作论文
INS
评估金融市场羊群行为的结构模型
由马可·奇普里亚尼和安东尼奥·瓜里诺编写
经谭玲慧授权发行
2010年12月
摘要
这份工作文件不应被报道为代表IMF的观点。
本工作文件所表达的观点是作者的观点，并不一定代表IMF或IMF政策的观点。工作论文描述了作者正在进行的研究，并被发表以引起评论和进一步的辩论。
我们开创了一种新的方法来评估羊群行为在金融市场中的重要性:我们建立了一个羊群信息的结构模型，可以来估计金融交易数据。在该模型中，信息事件的不确定性导致了理性羊群效应的产生。我们使用1995年纽约证券交易所股票(Ashland Inc.)的数据来估计模型。羊群行为经常发生，在某些日子尤其普遍。在信息事件日的7%(11%)中，从众买家(卖家)的比例为2%(4%)，大于10%。羊群行为导致了重要的信息效率低下，平均而言，这一比率达到了预期资产价值的4%。
JEL分类号:G14、D82、C13
关键词:羊群行为，市场微观结构，结构估计
作者邮箱:mcipriani@imf.org
-
- 介绍
近年来，人们对金融市场的羊群行为产生了浓厚的兴趣。这种兴趣促使研究人员寻找羊群行为的理论解释和经验证据。然而，实证和理论文献之间有着实质性的脱节:理论工作已经通过建立不易录入数据的抽象模型，确定了羊群效应的动机;实证文献主要寻找贸易集群化的理论和统计证据，并将其解释为羊群效应。
本文采用了一种新颖的方法:我们建立了一个可以用金融市场交易数据进行估算市场羊群行为的理论模型。这种方法使我们能够量化羊群效应的重要性，来确定羊群行为何时发生，并评估其产生的信息效率低下。
羊群行为的理论研究始于班纳吉(1992)、比赫钱达尼、赫什莱弗和韦尔奇(1992)以及韦尔奇(1992)的开创性论文。[1]这些论文将羊群行为的模型建立在一个抽象的环境中，在这个环境中，拥有私有信息的代理按顺序做出决策。它们表明，在有限数量的代理选择了相同的行为之后，所有的后续代理们都不顾自己的私有信息而去模仿他们的前辈。最近，一些论文(见Avery和Zemsky, 1998;李,1998;Cipriani和Guarino(2008)一直关注金融市场中的羊群行为。特别地，这些研究分析了一个市场，其中知情和不知情的交易者依次交易价值未知的证券。证券的价格是由市场的制造商根据订单流确定的。价格机制的存在使得羊群行为的出现更加困难。尽管如此，这种情况还是有发生。例如，在Avery和Zemsky(1998)的研究中，当不但对资产的价值存在不确定性，而且对信息事件或模型参数的发生也存在不确定性时，羊群行为就会发生。
如上所述，虽然理论研究试图确定羊群行为产生的机制，但实证文献遵循了不同的轨迹。现有工作(见，例如，Lakonishok, Shleifer, and Vishny, 1992;Grinblatt, Titman，和Wermers, 1995;Wermers, 1999)并没有直接对理论羊群模型进行检验，而是通过统计聚类测度的方式来分析金融市场中羊群的存在。[2]这些论文发现，在一些市场中，基金经理的投资决策往往比他们独自行动时的预期决策更为集中。这种关于羊群的实证研究很重要，因为它揭示了金融市场参与者的行为，特别是他们是否以一种协调的方式行动。然而，正如作者自己所强调的，决策集群既可能是因为羊群效应，又可能不是因为羊群效应(例如，它可能是对公共公告的共同反应的结果)。这些论文无法区分虚假的羊群行为和真实的羊群行为，真实的羊群行为是即不顾个人信息而追随他人行为的决定(参见Bikhchandani and Sharma, 2001;还有Hirshleifer和Teoh, 2009)。
测试信息性羊群行为的模型是困难的。在这种模型中，如果交易者违背其私有信息而进行交易，那么他就是做了羊群行为。经验主义者面临的问题是，交易员没有私有信息的数据，因此，很难知道交易员何时决定不遵循这些信息。本文的目的是提出一种解决这一问题的方法。我们建立了一个羊群行为的理论模型，并利用金融市场的交易数据进行了估算。我们能够确定交易员在交易日中做出羊群行为的时间段，并衡量由此产生的信息效率低下。这是第一篇关于信息性羊群的论文，它没有使用统计的理论方法，而是将理论社会学习模型带入实地数据。[3]
我们的理论分析以Avery和Zemsky(1998)的工作为基础，他们使用了一个类似Glosten和Milgrom(1985)的序列交易模型来展示金融市场中羊群效应产生的条件。Avery和Zemsky(1998)的研究表明，如果不确定性的唯一来源是资产的基本价值，那么交易者总是会发现根据他们自己的信息(交易历史和私有信号)和常用信息(只有历史)之间的差异进行交易是最优的。因此，代理商永远不会忽视他们的信息而去模仿以前的交易者的决定(即,他们产生羊群行为)。相反，当交易者和市场制造商之间存在多个不对称信息来源(例如，关于资产波动性的不对称信息)时，羊群行为就会出现。[4]
在我们的模型中，羊群现象的产生与Avery和Zemsky(1998)揭示的机制相似。然而，他们感兴趣的是提供羊群效应的理论例子，而我们的目标是提供一种实证方法来衡量羊群效应在实际金融市场中的重要性。为此，我们建立了一个可以用金融市场交易数据进行估算的羊群模型。在该模型中，一项资产在许多天内进行交易;在每一天的开始，可能会发生一个信息事件，它导致基本资产价值相对于前一天发生变化。如果发生了信息性事件，一些交易员会收到关于资产新的价值的私有信息。[5]这些交易者交易资产是为了利用他们相对于市场制造商的信息优势。如果没有事件发生，市场上所有的交易者都是杂讯交易者，也就是说，他们只是出于非信息的原因(流动性或对冲动机)进行交易。尽管知情交易员知道自己身处一个拥有私有信息的市场(因为他们自己也是知情的)，但市场制造商却不知道。交易员和市场制造商之间信息的不对称意味着市场制造商为了考虑资产价值可能没有变化的可能性(在这种情况下，所有的交易活动都是由于非信息动机)而“缓慢”地移动价格。因此，举例来说，在有过买入历史之后，即使有不好的信号，交易员对资产的估值也可能高于市场制造商。因此，他将利用自己的私人信息进行交易，进行羊群购买。
我们使用Easley, Kiefer, and O Hara(1997)首先提出的策略，通过最大似然估计股票市场交易数据的模型，来估 计Glosten and Milgrom(1985)模型的参数。然而，伊斯利、基弗和奥哈拉(1997)的方法与我们的方法有一个重要的区别。在他们的设置中，知情的交易者完全了解资产的价值;因此，他们的决策从不受之前交易者决策的影响，他们从不从众。因此，每天只有买入、卖出的总数和没有交易是重要的;这些交易到达的顺序无关紧要。相反，在我们的框架中，私有信息的精度是我们估计的参数之一。这就为消息灵通的交易员可能接收到嘈杂信号提供了可能性，他们可能会发现忽略这些信号并参与羊群行为是最佳选择。在这种情况下,市场交易到达的顺序也很重要:相比伊斯利,基弗,和奥哈拉(1997), 我们无法仅根据某一天的买入或卖出订单数量估算我们的模型，但我们必须考虑交易日的交易活动的整个历史。
为了说明该方法，我们使用纽约证券交易所股票(Ashland Inc.) 1995年的交易数据来估算模型。数据突破了私有信号是完全精确的这一限制，这意味着羊群行为是在均衡状态下产生的，交易序列中存在信息内容。特别地，我们发现，知情的交易员有40%的时间接收到不正确的信息。
这对交易信息的估算有重要影响。大量文献使用了基于伊斯利、基弗和奥哈拉(1997)的测量方法(通常称为PIN，是基于私有信息的交易的缩写)研究了交易活动的信息内容。使用这种方法，我们的样本中基于信息的活动的度量将是9%。相反，用我们的方法,我们获得的结果是19%。产生差异的原因是因为存在这样一个事实,之前的文献中不正确的交易(例如,销售好的事件)只能由于外生的，信息贫乏(例如,流动性)的原因,而在我们的设置中我们不排除这些存在的可能性,因此这个差异可能是由于知情交易者获得错误的信息或出现羊群行为。
我们根据估计参数来研究交易员的观念在每天的交易中是如何演变的。通过将这些与价格进行比较，我们能够确定交易员在交易日中发生羊群行为的时间段。在大多数交易时段，消息灵通的交易员产生一种积极(尽管规模较小)的羊群效应。在一个信息事件发生的日子里，消息灵通的交易员中，平均有2%(4%)的人会蜂拥买入(卖出)。
羊群行为在交易模式中产生了序列依赖，这一现象在实证文献中有记载。羊群行为还会导致市场信息效率低下。平均而言，我们观察到有羊群和没有羊群时的价格之间的偏差等于资产无条件基本价值的4%
本文的其余部分组织如下。第二节对理论模型进行了描述。第三节给出似然函数。第四节描述了数据。第五节给出了结果。第六节结束。
模型
在伊斯利和奥哈拉(1987)之后，我们将最初的Glosten和Milgrom(1985)模型推广到一个交易发生在许多天内的经济体。
资产是由一系列与市场制造商进行互动的交易员进行交易的。交易日按d = 1,2,3，hellip;每一天的时间都是离散的， t = 1,2,3，hellip;
资产
我们用Vd .表示d 天资产的基本价值。资产价值不会在一天内发生变化，但可以日复一日地变化。在一天的开始，资产价值与前一天 (Vd =vd-1 ) ,保持一致的概率是 1-alpha;，发生改变的概率是alpha;[6]。在后一种情况下，由于我们发现市场上有知情交易员，所以我们说发生了信息事件。如果一个信息事件发生了,当 lambda; L gt; 0 和 lambda; H gt; 0 时，有 1-delta; 的概率资产的价值会减少到 vd-1- lambda; L （“坏信息事件”），以及有delta;的概率资产的价值增加到 vd-1 lambda; H （“好信息事件”）。信息事件在交易期间独立分布。为了简化符号，我们定义 := vd—1 lambda; H 和:= vd—1 — lambda; L。最后,我们假定 (1-delta; )lambda; L = delta; lambda; H ，这一点稍后会变得很清楚，它保证了收盘价是一个鞅。
市场
资产在专业市场上进行交换。它的价格是由一个市场制造者与一系列的交易者互动来决定的。在任意时刻t = 1,2,3hellip;在这一天中，交易员随机选择行动，可以买卖，也可以决定不交易。每笔交易都是用一个单位的资产换取现金。因此,交易员的行为空间可以用这个式子来表示A =｛buy, sell, notrade｝。我们用来表示交易者在第d 天第t 时刻的行为，用 来表示第d 天直到t — 1 时刻的交易历史和价格。
市场的制造商
在 d 天的任意时刻 <st
剩余内容已隐藏，支付完成后下载完整资料</st
资料编号：[17612]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
