رابطه غیرخطی بین نرخ بازار پول و نقدینگی بازار سهام در چین: تجزیه و تحلیل چند عاملی

در این مقاله از مدل تجزیه و تحلیل همبستگی متقابل چند منظوره (MF-DCCA) برای برآورد رابطه غیرخطی بین نرخ بازار پول و نقدینگی بازار سهام در چین از دیدگاه چند عاملی استفاده می شود و منجر به درک بهتر پیچیدگی در رابطه بین روابط بین می شود. نرخ بهره و نقدینگی بازار سهام. نتایج تجربی نشان می دهد که همبستگی های متقابل بین نرخ بازار پول و نقدینگی بورس سهام ، ضد پایداری را در دراز مدت نشان می دهد و تمایل دارند که در کوتاه مدت به طور مثبت پایدار باشند. همبستگی های متقابل بین نرخ بهره و نقدینگی بورس سهام از همبستگی های مثبت متقابل بیشتر است. علاوه بر این ، همبستگی های متقابل بین نرخ بازار پول و نقدینگی بازار سهام خصوصیات چند عاملی را نشان می دهد و تغییرات در رابطه بین نرخ بهره و نقدینگی بازار سهام را در مقیاس های مختلف زمانی توضیح می دهد. علاوه بر این ، درجه پایین چندان همبستگی در همبستگی های متقابل بین نرخ بازار پول و نقدینگی بازار سهام تأیید می کند که برای کنترل نقدینگی بازار سهام برای نرخ بهره مؤثر است. نقدینگی بازار سهام چین در کوتاه مدت نسبت به نوسانات در نرخ بازار پول حساس تر است و در پاسخ به نرخ بازار پول در دراز مدت غیرقانونی است. به طور خاص ، همبستگی های متقابل مثبت بین نرخ بازار پول و نقدینگی بازار سهام در کوتاه مدت در دوره های بحران و شرایط اضطراری قوی می شود. تمام شواهد ثابت می کند که سیاست نرخ بهره یک واکنش اضطراری است نه یک پاسخ مؤثر در مورد نگرانی های گسترده در مورد تأثیر اقتصادی اضطراری های غیر منتظره برونزا و این که سیاست کاهش نرخ بهره به همان اندازه که انتظار می رود مؤثر نخواهد بود.

استناد: Sun Y ، Yuan X (2021) رابطه غیرخطی بین نرخ بازار پول و نقدینگی بازار سهام در چین: تجزیه و تحلیل چند عاملی. PLOS ONE 16 (4): E0249852. https://doi. org/10. 1371/journal. pone. 0249852

ویراستار: J E. Trinidad Segovia ، دانشگاه Almeria ، اسپانیا

دریافت: 20 اکتبر 2020 ؛پذیرفته شده: 25 مارس 2021 ؛منتشر شده: 16 آوریل 2021

کپی رایت: © 2021 خورشید ، یوان. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: داده ها متعلق به شخص ثالث است و نویسندگان اجازه به اشتراک گذاری داده ها را ندارند. قیمت بسته شدن روزانه و نرخ گردش مالی شاخص کامپوزیت شانگهای برای محاسبه نقدینگی بازار سهام شانگهای (SHSML) استفاده می شود و از باد به دست می آید. داده های Shibor (O/N) از http://www. shibor. org جمع آوری می شود. محققان علاقه مند می توانند در صورت خرید ترمینال مالی Win. D و دسترسی به بانک اطلاعاتی Win. D ، داده های قیمت بسته شدن و نرخ گردش مالی شاخص کامپوزیت شانگهای را بدست آورند. محققان علاقه مند می توانند با ایمیل زیر تماس بگیرند: [email protected] com. cn یا به صفحه اصلی http://www. wind. com. cn مراجعه کنید تا درخواست های دسترسی به داده ها را ارسال کنید. نویسندگان از طریق خرید مؤسسه دارایی ترمینال ، امتیازات ویژه ای در دسترسی به داده های ترمینال مالی Win. D داشتند.

بودجه: Xuemei Yuan 17BJY184 صندوق ملی علوم اجتماعی چین http://www. nopss. gov. cn/ بله - تصمیم برای انتشار.

علایق رقابتی: هیچ نویسنده ای علایق رقیب ندارد.

معرفی

با توجه به تشدید مداوم اصطکاک تجاری، شیوع گسترده COVID-19 و افزایش تدریجی ریسک‌های ژئوپلیتیکی، عدم اطمینان بیشتر در شرایط اقتصادی وجود دارد که بازارهای مالی را به طور فزاینده‌ای بی‌ثبات و در معرض خطرات نقدینگی بزرگ قرار می‌دهد. سیاست پولی منبع عرضه نقدینگی برای بازار سهام است که نقش مهمی در کنترل نقدینگی بازار سهام ایفا می کند [1-3]. سیاست پولی بر حسب نرخ بهره یکی از رایج‌ترین ابزارهای مورد استفاده بانک‌های مرکزی بزرگ در نظارت بر نقدینگی کشورهای مختلف به‌دلیل مزایای نرخ‌های بهره از نظر قابلیت اندازه‌گیری، کنترل‌پذیری و ارتباط با بازارهای مالی است. تعدیل نرخ بهره در افزودن نقدینگی اضافی بازار سهام اهمیت بیشتری پیدا می کند [4،5]. با این حال، برخی از اقتصاددانان در مورد کاهش نرخ بهره در دوره های استرس و عدم اطمینان در اقتصاد اختلاف نظر دارند. به عنوان مثال، دور جدید تسهیل کمی نامحدود (QE)، تلاشی برای جلوگیری از افت نقدینگی بازار سهام توسط دولت فدرال در بحبوحه COVID-19، در محافل دانشگاهی و تجاری مورد سوال قرار گرفته است. آنچه اهمیت دارد، روشن کردن رابطه بین نرخ بهره و نقدینگی بازار سهام برای پایداری اجتماعی است. به ویژه، مکانیسم نفوذ داخلی نرخ بهره بر نقدینگی بازار سهام برای دستیابی به توافقی در مورد رابطه بین نرخ بهره و نقدینگی بازار سهام در مطالعات اخیر بسیار پیچیده است.

سیاست نرخ بهره می تواند محیط های مختلف اقتصادی اقتصادی را برای نتایج اقتصادی مطلوب ایجاد کند تا نیازهای خاص را برآورده کند ، یعنی مقامات بانک مرکزی به طور سنتی نرخ بهره را افزایش می دهند وقتی اقتصاد به عنوان راهی برای مقابله با تورم در حال رشد است و تمایل به کاهش نرخ بهره در هنگام محافظت از آنها در برابر آنها دارد. رکود به عنوان راهی برای تلاش برای تشویق وام و هزینه بیشتر در اقتصاد. همانطور که بیشتر مطالعات مستند شده اند ، بین نرخ بهره و نقدینگی بازار سهام رابطه منفی قابل توجهی وجود دارد. به عنوان مثال ، ماری-هلین و سین (2013) [6] شواهدی را ارائه می دهند که نشان می دهد کاهش نرخ بهره کوتاه مدت باعث کاهش موقت نوسانات و افزایش نقدینگی در بازارهای سهام آمریکای شمالی می شود. این سناریو همچنین توسط جیانگ (2014) [7] تأیید شده است ، که می یابد افزایش نرخ بهره نقدینگی سهام را کاهش می دهد زیرا این امر به یک سیاست پولی انقباضی اشاره دارد و احتمالاً منجر به کاهش نقدینگی تأمین کنندگان می شود. این اثر برای سهام با سرمایه پایین بازار و نقدینگی کم بزرگتر است. چو (2015) [8] ساختار وابستگی بین سیاست پولی و نقدینگی بازار سهام را بررسی می کند ، نشان می دهد که یک بورس سهام با نقدینگی بالا به یک سیاست پولی انبساط بستگی دارد ، زیرا نرخ بهره پایین محدودیت هایی را برای وام گرفتن حاشیه کاهش می دهد و بنابراین بودجه را بهبود می بخشد. نقدینگیLawal و همکاران.(2018) [9] از مدل ARDL و مدل EGARCH استفاده می کند تا تأیید کند که کاهش نرخ بهره می تواند به طور مستقیم هزینه سرمایه را کاهش دهد تا ارزش فعلی جریان نقدی آینده را تغییر دهد و به طور غیرمستقیم سرمایه گذاری را از طریق کانال های اعتباری برای افزایش نقدینگی بورس تأثیر بگذارد. ژانگ و همکاران.(2019) [10] به طور تجربی رابطه بین تعدیل سیاست پولی و نقدینگی سهام را از تأثیر سرمایه گذاری شرکتها بر نقدینگی سهام و مکانیسم اساسی تأثیرگذار مطالعه می کند ، با اشاره به اینکه سیاست نرخ بهره تأثیر منفی بر نقدینگی بورس سهام تحت تأثیر شرکت ها داردسرمایه گذاری.

برخلاف نظر سنتی که بین نرخ بهره و نقدینگی بازار سهام رابطه منفی وجود دارد ، برخی از مطالعات یافته های متناقض را به دست می آورند که نشان می دهد رابطه بین نرخ بهره و نقدینگی بازار سهام در طی برخی از دوره های خاص مثبت است. آنها تغییر جهت در رابطه بین نرخ بهره و نقدینگی بازار سهام پیدا کردند. Gali and Gambetti (2015) [11] پاسخ قیمت سهام به شوک های سیاست پولی را با استفاده از ضرایب متغیر زمان VAR تخمین می زنند. آنها یک نتیجه نسبتاً ضد انعطاف پذیر را مشاهده می کنند: یک شوک سیاست پولی مثبت در واقع تأثیر مثبتی بر بازار سهام دارد و بعید است که با پاسخ درون زا حق بیمه سهام عدالت به شوک سیاست پولی حساب شود. همانطور که Smimou و Khallouli (2015) [12] ثبت کردند ، نرخ بهره هنگام معرفی یورو در کشورهای منطقه یورو تأثیر مثبتی بر نقدینگی بازار سهام داشت. توضیحات مربوط به رابطه مثبت بین نرخ بهره و نقدینگی بازار سهام ممکن است این باشد که بخشی از رشد اقتصادی در نقدینگی بازار سهام وجود دارد. به همین ترتیب ، Balafas و همکاران.(2018) [13] شواهدی ارائه می دهد که نشان می دهد رابطه منفی بین نرخ بهره و نقدینگی بازار سهام انگلیس علامت آن را معکوس کرده و تمایل دارد که در بحران های مالی به طور قابل توجهی مثبت باشد. لی و همکاران.(2019) [14] با استفاده از مدل TVP-VAR از دیدگاههای نظری و تجربی ، رابطه بین سیاست نرخ پایین نرخ بهره و بورس را تشخیص دهید و تأثیر نامشخص نرخ بهره را در نقدینگی بورس سهام تأیید کنید. آنها استدلال می کنند که کاهش نرخ بهره معمولاً نقدینگی سهام را تقویت می کند ، اما شرایط مخالف در برخی دوره ها یافت می شود.

یافته های مطالعات اخیر همچنین نشان دهنده تنوع چرخه ای در رابطه بین نرخ بهره و نقدینگی بورس سهام است که پاسخ نقدینگی بازار سهام به نرخ بهره در سناریوهای مختلف و مکانی بسیار قوی تر است. Arabinda و Alexander (2008) [15] پاسخ بسیار قوی تری از بازار سهام به تغییرات غیر منتظره در نرخ هدف صندوق های فدرال در یک رکود اقتصادی و در شرایط سخت بازار اعتباری پیدا می کنند ، که نشانگر تغییر چرخه ای در رابطه بین نرخ بهره و سهام استنقدینگی بازار. نتایج مشابه از Reinder و همکاران.(2016) [16] ، Caraiani and Călin (2018) [17] ، و Collingro and Frenkel (2019) [18] همچنین نشان دهنده تفاوت های قابل توجهی در تأثیر نرخ بهره در نقدینگی بورس در منطقه یورو استنتایج در طی و در نتیجه یک بحران با استفاده از یک روش مطالعه رویداد ، مدل VAR Bayesian با زمان و رویکرد GMM. نتایج آنها حاکی از آن است که سیاست نرخ بهره تأثیر قوی تری بر نقدینگی بازار سهام در هنگام بحران بورس سهام و بحران های مالی نشان می دهد و پاسخ ارزش و سهام بازنده گذشته به تغییرات نرخ بهره بزرگتر است.

مطالعات قبلی شواهد قابل توجهی در مورد رابطه واقعی بین نرخ بهره و نقدینگی بازار سهام ارائه کرده است. با این حال، رابطه بین نرخ بهره و نقدینگی بازار سهام هنوز نامشخص است. تغییرات جهت و چرخه ای در رابطه بین آنها در مقیاس های زمانی و سناریوهای مکانی مختلف وجود دارد. این تغییرات ممکن است با پیچیدگی بازار مالی مرتبط باشد. از آنجایی که بازارهای مالی بازارهای کاملاً کارآمدی نیستند، سری زمانی بازارهای مالی همبستگی خودکار دارند و به جای توزیع گاوسی، توزیع دم چربی را نشان می دهند. برای یک مدل ریاضی عمومی تشخیص رابطه واقعی بین سری زمانی غیر ثابت نرخ بهره و نقدینگی بازار سهام دشوار است. بنابراین، در مورد رابطه بین نرخ سود و نقدینگی بازار سهام در چارچوب یک فرضیه بازار کارا، سوء تفاهماتی وجود دارد که باعث یافته‌های ناسازگار به‌دست‌آمده از مطالعات قبلی می‌شود.

سیستم پیچیده دارای ویژگی هایی شبیه به مکانیک فیزیکی مانند ساختارهای فراکتال و آشوب است. نظریه چندفراکتالی، زیرشاخه‌ای از نظریه ابعاد در سیستم‌های دینامیکی، فراکتال‌های پیچیده را به بسیاری از مناطق کوچک با درجات تکینگی متفاوت تقسیم می‌کند تا قوانین موجود در پدیده‌های پیچیده نامنظم را با جزئیات بیشتر توصیف کند و دیدگاه جدیدی برای مطالعه همبستگی‌های غیرخطی بین سیستم‌های پیچیده ارائه دهد. بر اساس تئوری چندفراکتالی، هرست (1951) [19،20] برای اولین بار تجزیه و تحلیل دامنه مجدد (R/S) را برای مطالعه سری های زمانی با حافظه بلند توسعه داد. پنگ و همکاران(1994) [21] تحلیل نوسان بدون روند (DFA) را برای رسیدگی به مسائل حساسیت به خودهمبستگی های کوتاه برد در روش R/S پیشنهاد کرد. کانتلهارت و همکاران(2002) [22] تجزیه و تحلیل نوسانات بدون روند چندفراکتال پیشرفته (MF-DFA) برای کشف ویژگی های چندفراکتالی سری های زمانی غیر ثابت. سپس، پودوبنیک و استنلی (2008) [23] تجزیه و تحلیل همبستگی متقاطع بی‌رویه (DCCA) را برای مطالعه همبستگی‌های متقابل دوربرد بین سری‌های زمانی غیر ثابت بر اساس روش MF-DFA توسعه دادند. ژو (2008) [24] برای مطالعه چندفرکتالی سری‌های زمانی غیرایستا خودهمبسته، تحلیل همبستگی همبستگی چندفراکتالی (MF-DCCA) را با ادغام DCCA در MF-DFA معرفی کرد.

علاوه بر این ، تعدادی از تکنیک ها و رویکردهای مربوط به MF-DCCA برای تشخیص وابستگی طولانی مدت و تعیین همبستگی متقابل بین سری های زمانی غیر ایستگاه وجود دارد. Zebende (2011) [25] ضریب جدیدی را ارائه داد که از نظر روش DFA و روش DCCA با هدف تعیین میزان همبستگی بین سری زمانی غیر ایستگاه تعریف شده است. Podobnik (2011) [26] از DCCA استفاده کرد و ضریب همبستگی متقاطع (ρDCCA (T ، N)) را برای تعیین کمیت متقاطع و همبستگی متقابل دو سری زمانی غیر ایستگاه پیشنهاد داد. جیانگ و ژو (2011) [27] یک کلاس از الگوریتم های MF-DCCA را بر اساس تجزیه و تحلیل متوسط متحرک ، به نام MF-XDMA تهیه کردند. وانگ و همکاران.(2013) [28] از ماتریس های همبستگی تجربی ساخته شده توسط ضریب DCCA برای نشان دادن خواص در مقیاس های زمانی مختلف در بازار سهام ایالات متحده استفاده کرد. یوان و همکاران.(2015) [29] تجزیه و تحلیل همبستگی جزئی جزئی (DPCCA) را بر اساس DCCA برای تعیین کمیت روابط دو سیگنال غیر ایستگاه (با تأثیر سایر سیگنال های حذف شده) در مقیاس های مختلف ارائه داد. سپس ، لین و همکاران.(2018) [30] ضریب تجزیه و تحلیل همبستگی متقابل (DCCA) و ضریب تجزیه و تحلیل همبستگی جزئی (DPCCA) را برای بررسی همبستگی های متقابل و همبستگی های خالص بین پنج بازارهای بزرگ جهانی جهان به کار گرفت. کیان و همکاران.(2015) [31] اقدامات دوتایی چند عاملی را با سر و صدای سفید قوی مورد تجزیه و تحلیل قرار داد و دریافت که روش MF-DPXA ماهیت چند منظوره پنهان را تعیین می کند.

اخیراً ، روش MF-DCCA به طور گسترده برای مطالعات زلزله [32] و هیدرولوژی [33] مورد استفاده قرار گرفته است ، به ویژه در رابطه با بازارهای مالی [34،35]. ژانگ و همکاران.(2018) [36] و Xiong و همکاران.(2019) [37] روش MF-DCCA را برای مطالعه بازار سهام چین معرفی کرد. ژانگ و همکاران.(2018) [38] و ژانگ و همکاران.(2018) [39] روش MF-DCCA را برای آزمایش کارآیی بازار رمزنگاری اتخاذ کرد و همبستگی متقابل رابطه برگشتی و بازده بازار رمزنگاری را بررسی کرد. بنابراین ، در این مقاله از الگوی تجزیه و تحلیل همبستگی چند منظوره (MF-DCCA) استفاده می کند تا رابطه بین نرخ بازار پول و نقدینگی بازار سهام در چین را از منظر چند عاملی بررسی کند. ما می دانیم که همبستگی بین نرخ بازار پول و نقدینگی بازار سهام غیرخطی و پویا است. علاوه بر این ، همبستگی بین نرخ بازار پول و نقدینگی بازار سهام در چین نیز ویژگی های چند عاملی را نشان می دهد و تغییرات در رابطه بین نرخ بهره و نقدینگی بازار سهام را توضیح می دهد.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 رویکردی را که در این مطالعه استفاده کرده ایم معرفی می کند. بخش 3 داده ها را توصیف می کند. بخش 4 تجزیه و تحلیل تجربی را ارائه می دهد. بخش 5 بحث و گفتگو را ارائه می دهد.

روش شناسی

از سری X (i) و y (i) ، i = (1 ، 2 ،… ، n) استفاده کنید ، جایی که n طول سری زمانی است. مدل MF-DCCA شامل هفت مرحله است:

مرحله 1: توزیع تجمعی سری دو زمانی را محاسبه کنید.(1) به ترتیب مقادیر متوسط سری X (i) و y (i) به ترتیب و در کجا و هستند.

مرحله 2: دو سکانس را به بخش های غیر همپوشانی با طول مساوی N تقسیم کنید_حرف= int [n / s].

از آنجا که طول n سری زمانی همیشه یک عدد صحیح از مقیاس زمانی نیست ، بخش کوچکی از سری X (i) و y (i) در پایان حفظ می شود. برای اطمینان از یکپارچگی اطلاعات موجود در سری زمانی ، همان فرآیند از پایان دو دنباله تجمع x (i) و y (i) تکرار می شود و در کل بخش های 2NS به دست می آید.

مرحله 3: کواریانس بدون روند را محاسبه کنید.

در هر بخش λ ، از روش کمترین مربعات برای تعیین چند جملهای متناسب استفاده می شود_λو y_λ.

برای λ = 1 ، 2 ،… ، ns ، کواریانس دفع کننده است: (2) برای λ = ns+1 ،… ، 2ns ، کواریانس دفع کننده است: (3) مرحله 4: عملکرد موج q-orge را با میانگین بدست آوریدهمه بخش ها λ.(4) به طور کلی ، Q می تواند هر شماره غیرزرو باشد. طبق قانون L'Opital ، وقتی q = 0 ، عملکرد موج q-order نشان داده شده در زیر بدست آمده است: (5) مرحله 5: عملکرد موج f را محاسبه کنید_سعدی(ها) در مقیاس های مختلف s. اگر دو سری زمانی با همبستگی دوربرد باشند ، رابطه قدرت قانون را می توان به صورت زیر بیان کرد: (6) ، سپس لگاریتم را بگیرید تا فرمول زیر را بدست آورید: (7) که در آن C ثابت است و H_باسله(س) یک نماینده همبستگی متقابل است که می تواند با محاسبه شیب طرح ورود به سیستم f بیان شود_سعدی(ها) در مقابل s.

اگر h_باسله(س) با Q متفاوت است ، همبستگی های متقابل بین دو سری زمانی چند منظوره است. هنگامی که q = 2 ، نماینده همبستگی متقابل h_باسله(س) ، که در محدوده (0 ، 1) است ، همانند Hurst Exponent H است. اگر H = 0. 5 ، دو سری زمانی با همبستگی متقابل نیستند ، به این معنی که تغییر یک سری در پیاده روی تصادفی روی دیگری تأثیر نمی گذارد. اگر 0. 5 باشد ، همبستگی های متقابل بین دو سری زمانی مربوط به Q ضد تحمل است و افزایش یک سری ممکن است با کاهش دیگری دنبال شود. اگر 05 ، همبستگی های متقابل بین دو سری زمانی مداوم است و این دو سری روند تغییر یکسانی دارند. علاوه بر این ، در توضیحات H_باسله (q) , q>0 نشان می دهد که در بازه نوسان زیادی وجود دارد و Q به معنای وجود نوسان کوچک در بازه است.

مرحله ششم: نمایشگر RENYI را محاسبه کنید ، که می تواند برای توصیف خصوصیات چند منظوره استفاده شود. رابطه بین τ (q) و نماینده Hurst عمومی H_باسله(q) می تواند توسط MF-DCCA بدست آید: (8) اگر رابطه بین τ (q) و q خطی باشد ، آنگاه همبستگی متقابل بین دو توالی یکنواخت است. در غیر این صورت ، چند عاملی است.

مرحله 7: عرض F (α) طیف چند عاملی را که توسط تبدیل Legendre به عنوان: (9) (10) ساعت "محاسبه می کند ، محاسبه کنید._باسله(س) مشتق H است_باسله(س) با توجه به q. α شدت مفرد است و توصیف تکینگی و وحدت در سری زمانی است. F (α) یک طیف چند عاملی است ، و مقدار آن نشان دهنده ابعاد فراکتال از نماینده Hölder α است.

Δ H عرض طیف چند عاملی است و می تواند برای بیان شدت چند عاملی مورد استفاده قرار گیرد.

Shibor (نرخ بین بانکی شانگهای) ، نرخ بهره معیار برای بازار پول چین ، یک گروه نقل قول از 18 بانک تجاری است که در بازار ارز چین نسبتاً فعال هستند. شیبور می تواند عرضه و تقاضای بودجه در بازار داخلی را توصیف کند و به طور گسترده در قیمت گذاری صدور اوراق بهادار ، معاملات مشتقات ، قیمت گذاری قبض و قیمت گذاری موسسه مالی داخلی مورد استفاده قرار گرفته است. در این مقاله ، نقدینگی بورس سهام شیبور و شانگهای (SHSML) با داده های روزانه از 9 اکتبر 2006 ، تا 31 مارس 2020 ، برای تشخیص رابطه غیرخطی بین نرخ بازار پول و نقدینگی بازار سهام در چین با توجه به در دسترس بودن داده ها انتخاب می شود. قیمت بسته شدن روزانه و نرخ گردش مالی شاخص کامپوزیت شانگهای برای محاسبه نقدینگی بازار سهام شانگهای (SHSML) استفاده می شود و از باد به دست می آید. داده های Shibor (O/N) از http://www. shibor. org جمع آوری شده است.

اجازه دهید r_حرفشیبور در روز t باشد. حرف_حرفتفاوت لگاریتمی بین r است_حرفو r_t-1واد(12) نقدینگی بازار سهام ، همانطور که توسط Amihud و Mendelson (1986) پیشنهاد شده است [40] ، زمان یا هزینه لازم برای تکمیل مبادله در یک دوره زمانی خاص است. به عبارت دیگر ، زمان یا هزینه لازم برای یافتن قیمت ایده آل است. اگر سرمایه گذاران بتوانند تعداد زیادی سهام را با هزینه کمتری بدون نوسانات زیاد در بازار سهام خریداری یا بفروشند ، نقدینگی بازار سهام خوب است. با انگیزه TPI ارائه شده توسط Angelidis و Andrikopoulos (2010) [41] ، ما شاخص نقدینگی بورس سهام را به شرح زیر ساختیم: (13) در اینجا ، TPI نقدینگی بازار سهام است ، که به عنوان نسبت بازده سهام تعریف شده است_شناسهبه نرخ گردش به_شناسهوادTPI بالاتر نشانگر نقدینگی بهتر بازار سهام است.

شکل 1 تغییرات پویا در Shibor و SHSML را نشان می دهد ، که تغییرات نوسانات در نرخ بازار پول و نقدینگی بازار سهام را در چین نشان می دهد.