رفتار گله‌داری در طول همه‌گیری کووید-19: مقایسه بین بازارهای سهام آسیایی و اروپایی بر اساس چندفراکتی درون روز

  • 2022-02-27

این مقاله از طریق زیرمجموعه دسترسی آزاد PMC برای استفاده مجدد از تحقیقات نامحدود و تجزیه و تحلیل ثانویه به هر شکل یا به هر وسیله ای با اذعان به منبع اصلی در دسترس است. این مجوزها برای مدت زمان اعلام سازمان بهداشت جهانی (WHO) در مورد COVID-19 به عنوان یک بیماری همه گیر جهانی اعطا می شود.

داده های مرتبط

داده های ارائه شده در این مطالعه به درخواست نویسنده مسئول در دسترس است.

کدهای مورد استفاده در این مطالعه در صورت درخواست نویسنده مسئول در دسترس است.

چکیده

با گسترش کووید-19، انتظارات سرمایه گذاران در طول سال 2020 و همچنین واکنش های سیاست بازارهای مالی و ساختار خود واسطه گری مالی جهانی تغییر کرد. این پویایی‌ها در این مقاله مورد بررسی قرار می‌گیرند، که تغییرات فصلی در رفتار گله‌داری را با کمی کردن شدت خود شباهت شش بازار سهام در آسیا و اروپا تحلیل می‌کند. تجزیه و تحلیل نوسانات بدون روند چندفراکتال (MFDFA) با استفاده از قیمت‌های تجارت روزانه با فرکانس 15 دقیقه از ژانویه 2020 تا دسامبر 2020 اعمال می‌شود. نتایج تجربی تأیید می‌کند که کووید-19 تأثیر قابل‌توجهی بر کارایی بازارهای سهام مورد مطالعه داشته است، اگرچه با تأثیر متفاوت سه ماهه. در سه ماهه اول سال، بازارهای سهام اروپا در مقایسه با بازارهای آسیایی کارآمد باقی ماندند. در دو سه ماهه بعدی، بازار سهام چین بهبود قابل توجهی در کارایی خود نشان داد و با کاهش کارایی بازار بریتانیا و ژاپن، به کم‌بازده ترین بازار تبدیل شد. علاوه بر این، بازارهای اروپایی نسبت به بازارهای آسیایی نسبت به زیان دارایی‌ها حساس‌تر هستند، بنابراین سرمایه‌گذاران احتمال بیشتری دارد که در بازار اول گله‌داری نشان دهند. گله‌داری در سه ماهه دوم سال 2020 در اوج خود بود. این یافته‌ها می‌تواند به ناکارآمدی‌های احتمالی بازار و رفتار گله‌داری مرتبط باشد، که حاکی از احتمال شکل‌گیری استراتژی‌های تجاری سودآور توسط سرمایه‌گذاران است.

معرفی

4 مورد اول ابتلا به ویروس کرونا (کووید-19) به طور رسمی در 31 دسامبر 2019 در ووهان چین اعلام شد و این بیماری تا دسامبر 2020 تقریباً 80 میلیون نفر را مبتلا کرده و باعث نزدیک به 1. 8 میلیون مرگ در سراسر جهان شده است (WHO, 2020). این ویروس جدید دارای نرخ مرگ و میر نزدیک به 6. 07٪ است در حالی که نرخ مرگ و میر آنفلوانزا کمتر از 1٪ است (Gormsen & Koijen, 2020; Peters et al., 2020; WHO, 2020). مقیاس گسترش و مسیر کووید-19 باعث شد سازمان بهداشت جهانی (WHO) آن را به عنوان یک وضعیت اضطراری جهانی در 20 فوریه 2020 و سپس یک بیماری همه گیر در 11 مارس 2020 اعلام کند. رویدادهای قو سیاه، مانند اپیدمی ها و حملات تروریستی، باعث شوک، ترس و وحشت در بین سرمایه گذاران بین المللی می شود و منجر به واکنش شدید فروش وحشتناک می شود (برچ و همکاران، 2016). شدت گله‌داری در لحظات استرس بازار به دلیل عدم قطعیت افزایش می‌یابد. همه‌گیری کووید-19، که یک مسئله بهداشت عمومی واضح است، همچنین یک بحران اقتصادی و مالی بی‌سابقه بود. شیوع کووید-19 محیطی از عدم اطمینان و ترس را در سطح جهانی ایجاد می کند که باعث حرکت بازار شده است (Aslam et al., 2020a; Lyócsa et al., 2020). در چنین فضایی، سرمایه‌گذارانی که اطلاعات کمتری دارند، سعی می‌کنند از رفتار عواملی که اطلاعات بیشتری دارند، تقلید کنند که منجر به وضعیت روانی سوگیری‌های رفتاری مانند رفتار گله‌ای می‌شود.

بدون اطلاعات کافی ، در اولین نشانه مشکل ، سرمایه گذاران جستجو می کنند و به پناهگاه های ایمن تر فرار می کنند. به عنوان مثال ، براساس داده های ملی سپرده گذاری محدود (NSDL) ، سرمایه گذاران نمونه کارها خارجی (FPI) مبلغ عظیمی از 247. 76 میلیارد و 140. 50 میلیارد روپیه از سهام هند و بازارهای بدهی هند را تنها از 13 روز از 01 مارس 2020 تا 13 مارس پس گرفتند. 2020. در یک مطالعه جدید ، سالیسو و آکانی (2020) نشان می دهند که تعداد فزاینده مرگ و میر COVID-19 و موارد به دلیل خطر ابتلا به بهداشت و فعالیتهای اقتصادی در سراسر جهان ، ترس را در بین سرمایه گذاران ایجاد می کند. این ترس از مرگ و عفونت می تواند منجر به افزایش تجارت و رفتارهای گله بین سرمایه گذاران بورس شود. شایع ترین دلایل رفتار گله دار شامل اطلاعات ناقص ، نگرانی در مورد شهرت و ساختار جبران خسارت است (Bikhchandani & Sharma ، 2000). به طور خاص در یک وضعیت بحران ، عدم اطمینان در مورد صحت اطلاعات خصوصی افزایش می یابد و منجر به حباب قیمت و رفتار ناکارآمد و ناکارآمد می شود. علاوه بر این ، ترس و وحشت در مورد کاهش شهرت و جبران خسارت در این دوره نیز در توانایی مدیر در رسیدگی به نمونه کارها ذکر شده است ، که منجر به رفتار گله دار می شود ، به ویژه اگر سایر متخصصان سرمایه گذاری در همان موقعیت قرار داشته باشند.

مفهوم گله دار در زمینه های تحقیقاتی مختلف ، از جمله عصب شناسی ، جانورشناسی ، جامعه شناسی ، روانشناسی ، اقتصاد و امور مالی ، همانطور که توسط Spyrou (2013) ذکر شده است ، که از نظر تئوری و تجربی در مورد آن صحبت می کند ، وجود دارد. گرگ مشاهده می شود: زیرا مأمورین می خواهند شهرت خود را حفظ کنند (گراهام ، 1999 ؛ راجان ، 2006 ؛ شارفشتین و استین ، 1990 ؛ ترومن ، 1994) ؛سرمایه گذاران غیر منطقی ممکن است به دلیل محرک های روانشناختی یا محدودیت ها گله کنند (بدللی و همکاران ، 2004 ؛ کینز ، 1936). به عنوان یک انتخاب منطقی (Devenow & Welch ، 1996 ؛ Froot et al. ، 1992) ، به عنوان استراتژی های داوری عقلانی (شلیفر و سامرز ، 1990) ؛به دلیل آبشارهای اطلاعاتی (Bikhchandani و همکاران ، 1992) ؛به دلیل احساسات سرمایه گذار (باربریس و همکاران ، 1998). Bikhchandani و Sharma (2000) بین "گله های فریبنده" تمایز قائل می شوند ، همانطور که سرمایه گذاران بر اساس مجموعه مشابهی از اطلاعات اساسی و "گله عمدی" تصمیمات مشابه می گیرند ، وقتی سرمایه گذاران به طور هدفمند از اقدامات دیگران تقلید می کنند.

به عنوان مثال ، شارفشتاین و استین (1990) ادعا می کنند که با ترس از دست دادن شهرت خود ، مدیران مالی به جای استفاده از اطلاعات خصوصی قابل توجه ، از رفتارهای دیگران تقلید می کنند. این رفتار می تواند آنها را به سمت رفتار گله ای عقلانی اما ناکارآمد اجتماعی سوق دهد که ممکن است به عنوان محافظت در برابر کمبود آنها تلقی شود (راجان ، 2006). علاوه بر این ، اگر سرمایه گذاران (دلالان) افق کوتاهی داشته باشند و ممکن است اطلاعات مشابهی را گله کنند ، می تواند یک انتخاب منطقی باشد ، بنابراین از دانش سایر سرمایه گذاران آگاه یاد می گیرد (Froot et al. ، 1992). این نشان می دهد که منابع تحقیقاتی به روشی غیر بهینه اختصاص داده می شوند که ممکن است به کارآیی اطلاعاتی آسیب برساند. به همین ترتیب ، آبشارهای اطلاع رسانی در صورتی اتفاق می افتد که شرکت کنندگان جدید در بازار ترجیح می دهند اطلاعات خصوصی خود را نادیده بگیرند و از استراتژی های تجاری سرمایه گذاران موجود تقلید کنند ، با فرض اینکه این سرمایه گذاران اطلاعات خصوصی بهتری دارند (بانرجی ، 1992 ؛ بیخچندانی و همکاران ، 1992). اگرچه گله دار را می توان کاملاً منطقی درک کرد و ممکن است منجر به حباب شود ، برخی از نویسندگان (اوری و زمسکی ، 1998 ؛ سیپریانی و گوارینو ، 2005 ؛ درهمن و همکاران ، 2005) استدلال می کنند که ایجاد گله به ویژه در فرم امکان پذیر نیستاز آبشار اطلاع رسانی اما هنگامی که ساختار اطلاعات ساده و مکانیسم قیمت در نظر گرفته می شود. با این حال ، در مورد ساختارهای اطلاعاتی پیچیده ، گله دار قابل دوام است و می تواند بر قیمت اکثر دارایی ها فقط در صورت عدم اطمینان بازار تأثیر بگذارد. حتی عوامل باتجربه به دلیل عدم تقارن و کمبود اطلاعات و قوانین اکتشافی مشترک می توانند به سمت گله حرکت کنند (بددلی و همکاران ، 2004). جالب اینجاست که داوری ها به عنوان معامله گران کاملاً منطقی و سر و صدا در نظر گرفته می شوند (Shleifer & Summers ، 1990) اما وقتی قیمت ها نزدیک به بالا هستند برای جمع آوری سود خود از بازار خارج می شوند. سرانجام ، احساسات سرمایه گذار نیز ممکن است بر رفتار تجارت تأثیر بگذارد و منجر به سوءاستفاده سیستماتیک شود (باربریس و همکاران ، 1998).

در سال 1992 ، یک اقدام جدید برای تجزیه و تحلیل گله در بازارهای مالی پیشنهاد شد: اندازه گیری Lakonishok ، Shleifer و Vishny (LSV) (Lakonishok و همکاران ، 1992) ، و بعداً توسط Uchida و Nakagawa (2007) یا Tiniç et استفاده کردند. هم(2020). معیار LSV میزان انحراف مدیران صندوق از متوسط تصمیمات سرمایه گذاری را بسته به شرایط کلی اقتصادی ، ثبت می کند. طبق اقدامات LSV ، گله به عنوان تمایل معامله گران به تجمع در همان طرف و در عین حال برای سهام خاص خاص ، هنگامی که یک تجارت مستقل انتظار می رود ، تعریف می شود (لاکونیشوک و همکاران ، 1992). معمولاً برای تعیین کمیت گله سرمایه گذار نهادی مورد استفاده قرار می گیرد زیرا عدم تعادل در تعداد خریداران و فروشندگان هر سهام را در یک دوره معین اندازه گیری می کند. با این حال ، این رویکرد دارای اشکالاتی خاص است ، به عنوان مثال ، فرض فروش کوتاه ، با توجه به تعداد کمی از سرمایه گذاران درگیر در گله یا این واقعیت که بین مدیرانی که از الگوهای تجاری خود پیروی می کنند و کسانی که از رفتار دیگران تقلید می کنند ، تمایز قائل نیست(سیا ، 2004 ؛ ویلی ، 2005). به عنوان مثال ، Bikhchandani و Sharma (2000) استدلال می کنند که LSV حجم معاملات را به خود اختصاص نمی دهد ، بنابراین ، قدرت گله را کاهش نمی دهد. اندازه گیری گله ای که توسط کریستی و هوانگ (1995) پیشنهاد شده است ، فقط یک شکل گله دار را جستجو می کند و از موقعیت های دیگر جلوگیری می کند. در رویکرد خود ، کریستی و هوانگ (1995) از یک مدل انحراف استاندارد مقطعی (CSSD) استفاده کردند و استدلال می کنند که در مورد رفتار گله دار ، پراکندگی بازار از بازده متوسط پیش بینی می شود. برای حرکات شدید بازار ، سرمایه گذاران تمایل دارند از رفتار معاملاتی نمایندگان ارشد آگاه تر تقلید کنند. با این حال ، اشکال اصلی CSSD این است که می توان در دوره های حرکات شدید به راحتی تحت تأثیر قرار گرفت (تان و همکاران ، 2008). بنابراین ، یافتن حضور رفتار گله در شرایط معمول دشوار است. بعداً ، چانگ و همکاران.(2000) اندازه گیری پراکندگی را افزایش داده و مدل انحراف مطلق (CSAD) مقطع را توصیه می کند.

مطالعات مختلف شامل هر دو مدل CSSD و CSAD برای بررسی حضور رفتارهای گله دار در بازار است (Mnif et al. ، 2019). برخی از مطالعات نشان داده اند که دوره های بی ثباتی و بحران باعث ایجاد رفتار تجارت نسبت به گله می شود ، و این در طول بحران مالی جهانی (GFC) و دوره های حباب مکرر بود (Benmabrouk & Litimi ، 2018 ؛ Bensaïda ، 2017 ؛ Litimi et al. ، 2016)وادبوو و دوتا (2004) مستند كردند كه سرمایه گذاران خارجی بیشتر از سرمایه گذاران داخلی مستعد رفتار گله هستند. علاوه بر این ، ادبیات موجود در مورد چگونگی تأثیر همه گیر بودن بر رفتار گله دار ، به ویژه برای Covid-19 محدود است (گودل ، 2020). به عنوان مثال ، چانگ و همکاران.(2020) با استفاده از رویکردهای CSSD و CSAD ، تأثیر بحران مالی جهانی ، SARS و COVID-19 را بر بازارهای سهام انرژی بررسی می کند و نتیجه می گیرد که رفتار گله در بورس سهام وجود دارد زیرا پس از سرمایه گذاران GFC نسبت به ضرر حساس تر شده اند. بنابراین ، در طول SARS و COVID-19 ، وحشت سرمایه گذاران باعث شده است که آنها به طور ناخواسته دارایی خود را بفروشند. به همین ترتیب ، Espinosa-Méndez و Arias (2021) شواهدی از تأثیر COVID-19 بر رفتار گله دار در بازارهای سرمایه اروپا با استفاده از انحراف استاندارد مقطع (CSAD) می یابند.

ثبات بازارهای مالی برای سرمایه گذاری های ایمن و ایمن بسیار مهم است. وجود حباب های نوسانات که توسط گله و سایر رفتارهای تجاری مورد بررسی قرار می گیرد می تواند برای یک دوره خاص ناپایداری بازار را نشان دهد. به همین دلیل ، تغییرات در قیمت بازار و نوسانات را می توان با ابزارهای مالی نوآورانه بر اساس اکتشافی ریاضیات بررسی کرد (لی و همکاران ، 2014). مدلهای اولیه مبتنی بر توزیع گاوسی برای پیش بینی رفتار معاملاتی بازارهای مالی کافی نیستند. بنابراین ، این رفتار گله دار را می توان به خوبی توسط سیستم های پیچیده فراکتال توصیف کرد. در این زمینه ، ماندلبروت (1975) اولین کسی بود که نظریه فراکتالی را که بعداً در امور مالی عملیاتی شد تا بحران ها و تصادفات پیترز (1991) را انجام دهد ، مطالعه کرد. تجزیه و تحلیل بازار فراکتال ابزاری ارزشمند است زیرا یک چارچوب نوآورانه برای اضافه کردن مدل سازی دقیق برای بحران ، عدم انسجام و عدم تجویز که بازارهای مالی را توصیف می کند ، می دهد.

تجزیه و تحلیل نوسانات دفع شده (DFA) و تجزیه و تحلیل نوسان چند منظوره (MFDFA) دو روش اصلی هستند که به طور کلی در تجزیه و تحلیل بازار فراکتال استفاده می شوند. این روشها وجود وابستگی را مورد بررسی قرار می دهد و بین پایداری و ضد اشتعال در رفتار بازارهای مالی تمایز قایل می شود (Dewandaru و همکاران ، 2015). در سری زمانی مالی غیر ثابت ، DFA معمولاً به عنوان ابزاری پویا برای شناسایی همبستگی ها و همبستگی های دوربرد استفاده می شود. رویکرد MFDFA روش کلی DFA است که الگوی چند عاملی سری زمانی مالی را بررسی می کند (دا سیلوا فلاو و همکاران ، 2018). اثربخشی این روشها در بررسی ویژگی های چند عاملی ، همبستگی های حافظه طولانی و عدم تقارن بازارهای مالی در طول بحران ها منعکس شده است (حسن و محمد ، 2015 ؛ ریزوی و همکاران ، 2014). تغییرات قیمت در سهام را می توان از طریق الگوهای چند عاملی که دید واقعی تری از عدم قطعیت های بازار ارائه می دهد ، بهتر توضیح داد. علاوه بر این ، فراکتال ها به همراه مفهوم مقیاس گذاری برای اندازه گیری حباب قیمت بهترین استفاده می شوند (Ghosh & Kozarević ، 2019). اخیراً ، Mnif و همکاران.(2020) رفتار گله دار بازار رمزنگاری قبل و در طول COVID-19 را با استفاده از تکنیک MFDFA با نمایانگر Hurst و بزرگی حافظه طولانی (MLM) بررسی کرد ، همانطور که توسط Fernández-Martínez و همکاران پیشنهاد شده است.(2017) و Khuntia و Pattanayak (2020).

علاوه بر استفاده از MFDFA ، ما ضریب همبستگی را از تجزیه و تحلیل همبستگی متقابل (ρDCCA) با هدف تجزیه و تحلیل همبستگی متقابل ، در مورد ما ، بین چینی ها و سایر بازارهای سهام محاسبه می کنیم. ما بورس اوراق بهادار چین را به عنوان معیار به دلیل COVID-19 در این کشور انتخاب کردیم که به ما امکان می دهد تا تأثیر آشفتگی بین بازارها را بررسی کنیم. همانطور که داده های خود را در چهار چهارم سال 2020 جدا می کنیم ، می توان تحول همبستگی متقابل بین بازارهای مشخص شده در سال 2020 را تجزیه و تحلیل کرد.

ما تعداد فزاینده ای از مطالعات در مورد تأثیرات مالی همه گیر COVID-19 را می یابیم. اخیراً ، مضامین مختلفی از جمله شبکه های مالی ایجاد شده است (اسلم و همکاران ، 2020c ؛ ژانگ و همکاران ، 2020) ، واکنش های بازار سهام (اسلم و همکاران 2020E ، 2021 ؛ هارون و ریزوی ، 2020 ؛ ژانگ و همکاران ،2020) ، نوسان نرخ ارز در طول همه گیر (Aslam et al. ، 2020b ؛ Njindan Iyke ، 2020) ، واکنش های بازار نفت (Apergis & Apergis ، 2020 ؛ Devpura & Narayan ، 2020) ، عملکرد کیفیت هوا و چند منظوره (مینگ و همکاران.، 2020 ؛ Sipra و همکاران ، 2021) ، بیمه (وانگ و همکاران ، 2020) و ارزهای طلا و رمزنگاری (کوربت و همکاران ، 2020). همه گیر Covid-19 همچنین بر کارآیی بازارهای مختلف مالی تأثیر گذاشته است. به عنوان مثال ، راندمان داخلی بازار سهام اروپا (اسلم و همکاران ، 2020d) و بازارهای نرخ ارز (اسلم و همکاران ، 2020b) در طی شیوع COVID-19 کاهش یافت. علاوه بر این ، اسلم و همکاران.(2020E) گزارش داد که راندمان بازار سهام با تکامل COVID-19 متفاوت است ، با کاهش کارایی در فوریه-مارس (2020) و بهبودی در آوریل-مه (2020). همچنین ، در زمینه Covid-19 ، اما استفاده از DCCA یا انواع آن ، وانگ و همکاران.(2020) تأثیر COVID-19 را بر کالاهای کشاورزی نشان داد ، با افزایش همبستگی های متقابل ، در حالی که چاکربارتی و همکاران.(2021) و اوکوری و لین (2021) شواهدی از اثرات مسری در بازارهای سهام پیدا می کنند.

تا آنجا که ما می دانیم ، هیچ مطالعه مقایسه ای جامع وجود ندارد که با درج تکامل همه گیر Covid-19 ، به تغییرات در رفتار گله دار بپردازد. اگرچه عوامل روانشناختی به طور مستقیم قابل مشاهده نیستند ، اما می توان با تعیین میزان شدت خودآگاهی در بازارهای سهام ، رفتار گله را تشخیص داد. بنابراین ، ما پیشنهاد می کنیم با استفاده از مدل سازی اکونوفیزیک ، این اثر را در شش بازار سهام تجزیه و تحلیل کنیم. اکونوفیزیک یک زمینه تحقیق بین رشته ای است که رویکردهای متنوعی را با منشأ آن در فیزیک آماری پوشش می دهد و برای مطالعه پدیده های اقتصادی و اجتماعی مورد استفاده قرار می گیرد (به عنوان مثال ، Jovanovic & Schinckus ، 2013). با پر کردن این شکاف ، این مطالعه از سه جنبه اصلی به ادبیات کمک می کند. در مرحله اول ، به منظور فاش کردن پویایی داخلی جدید ، از داده های فرکانس بالا ، 15 دقیقه ای از سه بازار آسیایی و سه اروپا استفاده می کند. بازارهای آسیا هند ، چین و ژاپن است و بازارهای اروپا بر اساس تعداد بالای موارد COVID-19 و مرگ و میر (WHO ، 2020) بریتانیا ، فرانسه و اسپانیا هستند. ثانیا ، با گسترش COVID-19 ، چندین تغییر در انتظارات سرمایه گذاران ، پاسخ های سیاست بازارهای مالی و ساختار واسطه گری مالی جهانی ، در طول سال 2020 رخ داده است. برای گنجاندن این پویایی ها ، این مطالعه تغییرات سه ماهه در رفتار هنجاری را از طریق چند فرفوریت با استفاده از استفاده می کند. تکنیک MFDFA Kantelhardt و همکاران.(2002) به همراه نماینده عمومی Hurst. ثالثاً ، این مطالعه کشورها را بر اساس شاخص بزرگی از حافظه طولانی (MLM) برای تعیین کمیت سطح گله و کارآیی بازار ، همانطور که توسط Khuntia و Pattanayak پیشنهاد شده است ، رتبه بندی می کند.

یافته های اصلی ما نشان می دهد که COVID-19 تأثیر قابل توجهی اما متغیر زمان بر کارآیی بازارهای سهام آسیایی و اروپا داشته است. در سه ماهه اول سال ، بازار سهام اروپا در مقایسه با بازارهای آسیا کارآمد باقی مانده است ، اما در دو چهارم بعدی ، بازار سهام چین با کاهش کارآیی بازار انگلیس و ژاپن پیشرفت چشمگیری را نشان می دهد. علاوه بر این ، بازارهای سهام اروپا در مقایسه با بازارهای آسیا از رفتار گله پیروی می کنند. هرینگ در سه ماهه دوم سال 2020 در اوج خود بود.

داده ها و روش شناسی

شرح داده ها

این مطالعه از داده های داخلی با فرکانس بالا از بازارهای اروپایی (انگلیس ، فرانسه و اسپانیا) و بازارهای سهام آسیا (چین ، هند و ژاپن) استفاده می کند. این شاخص ها بر اساس تعداد کل مرگ و میر و موارد COVID-19 و در دسترس بودن داده های با فرکانس بالا انتخاب می شوند. سالیسو و آکانی (2020) با پیوند دادن تعداد فزاینده مرگ و میر COVID-19 و موارد با ترس در بین سرمایه گذاران ، وجود رفتار گله را تأیید کردند. در بازارهای آسیا ، بالاترین سطح موارد COVID-19 و مرگ و میر در هند گزارش شده است ، در حالی که انگلیس بیشترین آسیب در منطقه اروپا است (WHO ، 2020). برای آشکار کردن دینامیک داخلی و رفتار گله دار ، داده های فرکانس بالا ، 15 دقیقه ای برای دوره اعم از 01 ژانویه 2020 تا 03 دسامبر 2020 جمع آوری شد (دسترسی به داده ها از سال 2019 برای مقایسه دوره های قبل و امکان پذیر نبودبعد از Covid-19). علاوه بر این ، برای کشف تغییرات در انتظارات سرمایه گذاران با تکامل COVID-19 ، تغییرات سه ماهه در رفتار گله دار با تقسیم داده ها به چهار چهارم متوالی سال 2020 تخمین زده می شود. در طول تمیز کردن داده ها ، قیمت های کپی که منجر به بازده صفر می شود حذف شد. پس از تمیز کردن داده ها ، تعداد دقیق مشاهدات برای هر سه ماهه در هر کشور در جدول 1 ، 1 به همراه نماد شاخص انتخاب شده آورده شده است.

میز 1

لیست کشورها ، شاخص سهام مربوطه و تعداد سه ماهه مشاهدات. منبع: محاسبات خود نویسنده

برچسب ها

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.