Hasbrouck Information Share: बाज़ारों के बीच प्राइस डिस्कवरी मापना

एक ही security कई venues पर कारोबार कर सकती है, या निकटता से जुड़े instruments एक अंतर्निहित मूल्य दिखा सकते हैं। हर क्षण उनके देखे गए भावों का मेल खाना ज़रूरी नहीं। एक venue का quote पहले बदल सकता है, दूसरा उसके बाद प्रतिक्रिया दे सकता है और अंततः दोनों साझा दीर्घकालीन पथ के आसपास आ सकते हैं। Price discovery यह देखता है कि नई जानकारी उस साझा स्थायी घटक में कैसे शामिल होती है; यह trading volume, दिखाई देने वाली liquidity या आख़िरी transaction किस venue में हुई, इनसे अलग है।

Hasbrouck information share इसी सवाल के लिए बनाया गया है। इसके ढाँचे में जुड़े हुए बाज़ारों की कीमतों का एक अप्रत्यक्ष, न दिखने वाला efficient price होता है, जबकि देखी गई हर कीमत में अस्थायी विचलन भी हो सकते हैं। किसी बाज़ार का share, साझा efficient-price innovation के variance में उसके innovations का आनुपातिक योगदान है (Hasbrouck, 1995)। अनुमान निर्दिष्ट system, sample और observation design पर निर्भर करता है। इससे यह पता नहीं चलता कि सूचना पहले किसे मिली, कोई causal channel सिद्ध नहीं होता, और यह नहीं दिखता कि कोई venue हर घटना में आगे रहता है।

किसी venue का volume अधिक या quotes संकरे हों, तब भी यह भेद ज़रूरी है। ऐसे गुण price discovery से जुड़े हो सकते हैं, लेकिन information share मॉडल-आधारित साझा दीर्घकालीन कीमत के बदलाव में योगदान मापता है। किसी venue पर बड़ा volume हो सकता है, जबकि साझा long-run price को हिलाने वाले innovations में दूसरे venue का योगदान बड़ा हो।

मान लें \(p_t\), एक ही asset या आर्थिक रूप से समकक्ष दावों का कारोबार करने वाले \(d\) venues की देखी गई कीमतों का vector है। सामान्य market-microstructure ढाँचे में price levels non-stationary, अक्सर \(I(1)\), माने जाते हैं, जबकि दीर्घकालीन arbitrage price differences को stationary रखता है। दो venues और एक साझा trend में एक cointegrating relation होती है, आमतौर पर normalized price difference। सामान्य रूप से, एक साझा stochastic trend वाले \(d\) जुड़े prices का cointegration rank \(d-1\) होता है।

यह जाँचने योग्य empirical assumption है, दो स्क्रीन पर एक ticker दिखने से निकली पहचान नहीं। Contract terms, currency, funding, dividends, delivery या लगातार बना basis भावों को अलग कर सकता है। Venue migration, fee change, market-structure reform या data definition बदलने के बाद संबंध भी बदल सकता है। यदि चुने गए sample में series मान ली गई long-run relation साझा नहीं करतीं, तो efficient-price decomposition और उसके shares का अपेक्षित अर्थ नहीं रहता।

Cointegration और error correction, stationary long-run relation को short-run price-change model से जोड़ते हैं (Engle and Granger, 1987)। VECM इस संरचना को स्पष्ट करता है: साझा कीमत के आसपास अस्थायी adjustment और long-run component को प्रभावित कर सकने वाले innovations को अलग करता है।

<!-- learn:illustration --> <!-- बिना पाठ की अवधारणा: दो venue price paths एक साझा, अधिक smooth दीर्घकालीन path के आसपास बदलते हैं; हर venue में अस्थायी अलगाव भी है। यह market data, causal diagram या forecast नहीं है। -->

\(d\) price series के लिए VECM को इस तरह लिखा जा सकता है:

\[ \Delta p_t=\alpha\beta^{\mathsf T}p_{t-1} +\sum_{j=1}^{q-1}\Gamma_j\Delta p_{t-j}+\varepsilon_t, \qquad \Pi=\alpha\beta^{\mathsf T}. \]

\(\beta\) cointegrating relations को span करता है, \(\alpha\) adjustment loadings रखता है, \(\Gamma_j\) short-run lag dynamics पकड़ता है, और \(\varepsilon_t\) reduced-form innovations का vector है जिसकी covariance matrix \(\Omega\) है। एक common efficient price के मामले में इन innovations के long-run effect को row vector \(\psi\) से संक्षेपित किया जा सकता है। स्थायी कीमत में बदलाव है

\[ \Delta m_t=\psi\varepsilon_t, \]

मॉडल की चुनी गई normalization और deterministic terms के अनुसार। इस बदलाव का variance है

\[ \operatorname{Var}(\Delta m_t)=\psi\Omega\psi^{\mathsf T}. \]

\(\psi\), fitted system के long-run representation से आता है; यह केवल adjustment coefficient \(\alpha\) या cointegrating vector \(\beta\) नहीं है। Short-run price moves बड़े लेकिन अस्थायी हो सकते हैं, जबकि छोटा innovation अधिक महत्त्वपूर्ण हो सकता है यदि उसका असर साझा स्थायी घटक में बना रहे।

साझा trend और उसकी normalization बतानी चाहिए। Efficient-price representation को किसी स्थिरांक से गुणा करने पर \(\psi\) की इकाइयाँ और common-price variance बदलते हैं, लेकिन normalized information shares नहीं। यदि system में एक से अधिक common stochastic trend हों, तो एक scalar efficient price पर्याप्त नहीं; तय करना होगा कि किस permanent component या linear combination का decomposition किया जा रहा है।

यदि venue innovations uncorrelated हों, तो \(\Omega\) diagonal होती है। तब हर बाज़ार का योगदान सीधे अलग किया जा सकता है:

\[ \operatorname{IS}_i= \frac{\psi_i^2\Omega_{ii}}{\psi\Omega\psi^{\mathsf T}}, \qquad \sum_{i=1}^{d}\operatorname{IS}_i=1. \]

यह सूत्र long-run market impact को उसके अपने innovation variance से weight करता है। किसी venue को बड़ा share मिल सकता है यदि उसके price innovation का स्थायी असर अधिक हो या innovation variance बड़ी हो। VECM adjustment coefficients के absolute size की तुलना भर पर्याप्त नहीं।

जब innovations एक ही समय पर correlated हों, तो total variance में covariance terms भी शामिल होती हैं। केवल \(\Omega\) से उन साझा terms को अलग-अलग venues में बाँटने का कोई एकमात्र तरीका नहीं है। Hasbrouck, orthogonal innovations बनाने के लिए Cholesky factorization \(\Omega=FF^{\mathsf T}\) का उपयोग करता है। किसी चुनी हुई variable ordering में orthogonal shock \(i\) को दिया गया share है

\[ \operatorname{IS}_i(F)= \frac{(\psi F)_i^2}{\psi\Omega\psi^{\mathsf T}}. \]

Factorization shocks को orthogonal बनाती है, लेकिन triangular संरचना में क्रम के पहले वाले variables को साझा contemporaneous variation सोखने में प्राथमिकता मिलती है। यह decomposition की allocation convention है, आर्थिक information hierarchy का सबूत नहीं।

यदि दो venues के prices एक sampling interval में update होने के कारण उनके innovations बहुत correlated हों, तो data से यह साफ़ अलग नहीं किया जा सकता कि किस बाज़ार का innovation पहले आया। Cholesky decomposition साझा movement को अलग तरह से बाँटता है, यह इस पर निर्भर है कि कौन-सा venue पहले रखा गया। Hasbrouck की विधि किसी market को सबसे आखिर में रखकर lower bound और सबसे पहले रखकर upper bound देती है, संबंधित orderings पर।

ये bounds किसी एक सुविधाजनक ordering से बेहतर सवाल का जवाब देते हैं: correlated innovations के स्वीकार्य recursive allocations में इस market का share कितना बदल सकता है? संकरे bounds का अर्थ है कि fitted sample में यह ordering effect सीमित है। चौड़े bounds बताते हैं कि contemporaneous price innovations, venues के बीच हिस्से को कमज़ोर ढंग से पहचानते हैं। Midpoint को कभी summary के रूप में दिया जाता है, लेकिन यह uniquely identified estimate नहीं है और इसे bounds या घोषित ordering की जगह नहीं लेना चाहिए।

यदि एक venue दूसरे से पहले update होता है, तो अधिक frequent sampling कुछ apparent contemporaneous correlation कम कर सकती है, पर शून्य correlation की गारंटी नहीं देती। मोटी sampling update sequence छिपाती है; बहुत fine sampling stale observations और asynchronous quote problems पैदा कर सकती है। Sampling rule और ordering sensitivity, दोनों बताएं।

केवल समझाने के लिए मान लें कि दो-बाज़ार का fitted VECM normalized permanent-price impact vector \(\psi=(0.6,0.4)\) देता है। Reduced-form innovation covariance matrix है

\[ \Omega= \begin{pmatrix} 1 & 0.8\\ 0.8 & 1 \end{pmatrix}. \]

Innovations का variance एक और correlation \(0.8\) है। Permanent-price innovation का कुल variance है

\[ \psi\Omega\psi^{\mathsf T} =0.6^2+0.4^2+2(0.6)(0.4)(0.8) =0.904. \]

Market A को पहले रखें। Lower-triangular Cholesky factor है

\[ F_A= \begin{pmatrix} 1 & 0\\ 0.8 & 0.6 \end{pmatrix}, \qquad \psi F_A=(0.92,0.24). \]

इसके परिणामस्वरूप A का share \(0.92^2/0.904\approx93.6\%\), और B का \(0.24^2/0.904\approx6.4\%\) है। क्रम उलटकर B को पहले रखें तो यही गणना B को लगभग 85.7% और A को 14.3% देती है। इसलिए ordering-based bounds A के लिए लगभग 14.3%–93.6% और B के लिए 6.4%–85.7% हैं। हर ordering में shares का योग 100% है; अलग-अलग markets के lower bounds या upper bounds का 100% जोड़ना अपेक्षित नहीं।

यहाँ सभी संख्याएँ काल्पनिक हैं: VECM impact vector, unit innovation variances और 0.8 correlation केवल दोहराई जा सकने वाली गणना के लिए चुने गए। यह किसी exchange, asset या sample का परिणाम नहीं है। उदाहरण दिखाता है कि correlated innovations के कारण दिखने वाली सटीक market ranking Cholesky order पर निर्भर हो सकती है।

Gonzalo–Granger decomposition observed prices के normalized linear combination के रूप में permanent component बनाता है। Adjustment matrix \(\alpha\) वाले VECM में common-factor weights, \(\alpha\) के orthogonal complement में होते हैं: weight vector \(w\) के लिए \(\alpha^{\mathsf T}w=0\), और साथ में ऐसी normalization होती है जैसे weights का योग एक हो। परिणामस्वरूप common factor long run में error-correction terms पर प्रतिक्रिया नहीं करता। Gonzalo और Granger ने cointegrated systems के लिए यह permanent–transitory decomposition विकसित किया (Gonzalo and Granger, 1995)।

Component weights बताते हैं कि venue prices से common price level कैसे बनता है। इसके विपरीत, Hasbrouck information shares, common permanent-price innovation के variance में हर venue के योगदान को मापते हैं। दोनों माप पास-पास हो सकते हैं, पर information share हर venue के innovation variance को भी शामिल करता है। de Jong और Baillie, Booth, Tse तथा Zabotina का विश्लेषण बताता है कि innovations uncorrelated होने पर माप समान क्यों दिख सकते हैं और correlated या अलग variance होने पर क्यों बदलते हैं (de Jong, 200200028-9); Baillie et al., 200200027-7))।

ऊपर के काल्पनिक inputs \(\psi\) और \(\Omega\), Gonzalo–Granger component weights तय नहीं करते; वे VECM की adjustment matrix \(\alpha\) और बताई गई normalization पर निर्भर हैं। केवल variance-decomposition inputs से कोई संख्यात्मक component weight नहीं निकलता। यह मुख्य अंतर है: component weights देखी गई कीमतों से स्थायी कीमत बनाते हैं, जबकि Hasbrouck information shares उस कीमत के innovation का variance decompose करते हैं।

Price series तुलनीय दावों का वर्णन करें और किसी बचाव योग्य clock पर align हों। बताएं कि हर observation trade price है, midpoint है या कोई अन्य quote measure; locked या crossed quotes, stale prices, auctions, market closures और out-of-sequence messages को कैसे संभाला; तथा sample में दोनों venues खुले थे या नहीं। Futures के लिए contract rolls और delivery differences दर्ज करें। Cross-listed instruments में VECM estimate करने से पहले currencies, corporate actions और units align करें।

Asynchronous observations एक मुख्य समस्या हैं। यदि एक venue 10:00:00.100 पर और दूसरा 10:00:00.700 पर update करता है, तो एक-second sampling grid क्रमिक प्रतिक्रिया को simultaneous दिखा सकता है; और मोटा grid उसे और धुंधला कर सकता है। बहुत fine grid stale prices को आगे ढोकर कृत्रिम lead–lag patterns पैदा कर सकता है। Sampling frequency, synchronization rule, quote filters और उचित विकल्पों के प्रति sensitivity बताएं। छोटे intervals aggregation-induced correlation घटा सकते हैं, लेकिन वास्तविक common shocks, simultaneous updates या timestamp error नहीं मिटाते।

Share lag order, deterministic terms, sample endpoints और structural stability पर भी निर्भर करता है। बहुत कम lags VECM innovations में serial dependence छोड़ सकते हैं; बहुत अधिक lags estimation noise बढ़ा सकते हैं। Venue rules या trading hours में बदलाव adjustment process बदल सकता है। Residual diagnostics और uncertainty estimates इस्तेमाल करें; ऐसा bootstrap विचारें जो पूरे VECM और share bounds को फिर estimate करे। किसी एक specification पर conditional छोटा standard error, data और model choices की uncertainty को नहीं समेटता।

किसी निश्चित VECM और orthogonalization के तहत modeled venues के innovations, estimated permanent-price variance में कितना योगदान देते हैं, information share यही मापता है। ऊँचा share यह सिद्ध नहीं करता कि venue ने खबर बनाई, हर घटना में पहले चला या अगला return predict किया। साझा जानकारी venues तक लगभग एक साथ पहुँच सकती है; market frictions और observation timing मापे गए हिस्से को प्रभावित करते हैं।

यह market quality का सीधा माप भी नहीं है। कोई venue साझा कीमत में योगदान देते हुए wide spread, कम displayed depth या ऊँची execution costs रख सकता है। दूसरा venue कम लागत पर liquidity दे सकता है, लेकिन चुने sample में permanent-price innovation में कम योगदान कर सकता है। Roll spread estimator return autocovariance से एक अलग मात्रा का अनुमान लगाता है; order-flow imbalance long-run innovation variance के बजाय displayed queues के बदलाव का सार देता है।

Trading claim के लिए पहले से तय, chronological out-of-sample strategy test चाहिए, जिसमें fees, bid–ask spread, latency, slippage, market impact और venue access शामिल हों। Engle–Granger guide single-equation cointegration alternative समझाता है; Johansen rank guide system cointegration rank बताता है। Cointegration या ऊँचा information share किसी भी profitable rule को सिद्ध नहीं करता।