Short squeeze dynamics : an empirical analysis of short interest metrics and price spikes in GameStop stock

Abstract

This study explores the short squeeze phenomenon through the specific case of GameStop’s stock during the market events. The study focuses on the role of short interest–related metrics in connection with significant upward price movements. The study aims to contribute to the understanding of whether short interest metrics can serve as predictors of extreme price movements and to provide insights into the dynamics of highly shorted stocks during periods of high volatility.

The study is a quantitative study that aims to find a model to detect price spikes with short interest metrics such as the percentage of float shorted and days to cover. The study uses GameStop’s historical market data. Data concerning price and stock volume is gathered from Yahoo Finance, while data concerning short metrics is collected from MarketBeat. Data analysis is created with Python. Two predictive models, the logistic regression model and the decision tree model, are built to predict price spikes when the 3-day return exceeds 20%. Same explanatory variables, “Days to Cover”, “Percentage of Float Shorted”, and “Closing Price”, are used in both predictive models. There were shared conditions for every variable between all decision tree models and the study found that the percentage of float shorted stood out as the most influential predictor in both models.

Gamestopin ja muiden meemiosakkeiden poikkeuksellinen arvonnousu ja -vaihtelu ovat olleet laajasti esillä mediassa. Tämä tutkimus tarkastelee short squeeze -ilmiötä tapaustutkimuksen kautta hyödyntäen GameStopin osakkeen historiallista dataa. Tutkimuksessa keskitytään erityisesti lyhyeksimyyntiin liittyvien tekijöiden vaikutuksiin sekä niiden yhteyteen osakkeen voimakkaaseen hinnannousuun. Tavoitteena on selvittää, miten lyhyeksimyyntitekijät vaikuttavat osakekurssin muutoksiin ja voidaanko niiden avulla ennustaa tulevia hinnan ääriliikkeitä. Tutkimus on kvantitatiivinen ja sen tavoitteena on löytää ennustavamalli, jonka avulla voidaan havaita osakkeen hinnan äkillisiä nousupiikkejä lyhyeksimyyntitekijöiden avulla. Tutkimuksessa hyödynnetään GameStopin historiallista markkinadataa. Hinta- ja volyymitiedot kerätään Yahoo Financesta, ja lyhyeksimyyntiin liittyvät mittarit MarketBeatistä. Datan analysointi toteutetaan Pythonilla. Tutkimuksessa rakennetaan kaksi ennustemallia – logistinen regressiomalli ja päätöspuumalli, joiden tavoitteena on ennustaa hinnan nousupiikkejä, kun kolmen päivän tuotto ylittää 20 %. Molemmissa ennustemalleissa käytetään samoja selittäviä muuttujia: “Days to Cover”, “Percentage of Float Shorted” ja “Closing Price”. Tutkimuksen tulokset osoittavat, että “Percentage of Float Shorted” on molemmissa malleissa merkittävimpänä selittäjänä.