Examining high-frequency patterns in Robinhood users’ trading behavior
Notice bibliographique
Résumé
Using intraday (hourly) and overnight changes in the number of Robinhood (RH) investors holding a stock, we examine their high-frequency trading behaviors in response to contemporaneous and lagged returns. RH investors do not react to contemporaneous returns. However, they respond to lagged intraday or overnight returns, exhibiting three high-frequency behaviors: (i) the number of RH investors increases more for stocks with extreme lagged returns than for those with moderate returns, suggesting attention-driven buying; (ii) this reaction is asymmetric, with larger increases in the number of RH users following extreme negative returns compared to extreme positive returns, suggesting that their contrarian buying is stronger than their momentum buying; (iii) this asymmetry is strongest immediately after extreme returns and dissipates over time. Compared to findings from daily data, our analysis shows that daily data underestimates this asymmetry. Further analyses reveal greater attention to overnight movements, exacerbated behaviors during COVID-19, and variation across firm sizes, with more contrarian buying for larger-cap firms. • Robinhood investors do not react to contemporaneous returns but respond to lagged intraday and overnight returns. • They show attention-driven buying, with more buying after extreme lagged returns than moderate ones. • Their reaction is stronger after extreme lagged negative returns. • This asymmetry is underestimated in daily data and is more pronounced for overnight movements, large-cap firms, and during COVID-19.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».