Bayes’sche Erkennung von Strukturbrüchen bei Orderfluss und Markteinfluss

Zusammenfassung

Das Paper modelliert anhaltende Kauf- und Verkaufsorderflüsse als Hinweis auf wechselnde Marktregime, die entstehen können, wenn große Orders über die Zeit aufgeteilt und ausgeführt werden. Es schlägt eine Bayes’sche Methode zur Online-Erkennung von Strukturbrüchen mit einem Score-driven-Modell vor, das serielle Abhängigkeiten zulässt und Parameter innerhalb jedes Regimes variieren lässt. Ziel ist es, Veränderungen in Echtzeit zu erkennen und Prognosen sowohl für den Orderfluss als auch für den Preiseinfluss zu verbessern.

Eine empirische Anwendung auf NASDAQ-Daten berichtet bessere Prognosen außerhalb der Stichprobe als Regimemodelle, die unabhängige Beobachtungen voraussetzen. Residuenprüfungen deuten darauf hin, dass das vorgeschlagene Modell Verteilungs- und Zeiteigenschaften angemessen erfasst. Die Autoren stellen außerdem fest, dass die Preisdynamik innerhalb der Regime konkav mit Zeit und Volumen zusammenhängt und die Einbeziehung von Regimeinformationen Online-Prognosen gegenüber Modellen ohne diese Informationen verbessert. Diese Befunde gelten für die untersuchten Daten und Modellvergleiche; das Dokument enthält keine Angaben zur Implementierung und keine Belege für andere Märkte.

Kernaussagen

• Anhaltender Orderfluss kann die schrittweise Ausführung großer Orders widerspiegeln.
• Die Bayes’sche Online-Erkennung von Strukturbrüchen kann Veränderungen der Orderflussregime in Echtzeit erkennen.
• Ein Score-driven-Modell berücksichtigt zeitliche Abhängigkeiten und wechselnde Parameter innerhalb der Regime.
• Die NASDAQ-Anwendung berichtet bessere Prognosen für Orderfluss und Markteinfluss, wenn Regimeinformationen einbezogen werden.

Schlagwörter

# Online Learning of Order Flow and Market Impact with Bayesian Change-Point Detection Methods


# Online Learning of Order Flow and Market Impact with Bayesian Change-Point Detection Methods









Financial order flow exhibits a remarkable level of persistence, wherein buy (sell) trades are often followed by subsequent buy (sell) trades over extended periods. This persistence can be attributed to the division and gradual execution of large orders. Consequently, distinct order flow regimes might emerge, which can be identified through suitable time series models applied to market data. In this paper, we propose the use of Bayesian online change-point detection (BOCPD) methods to identify regime shifts in real-time and enable online predictions of order flow and market impact. To enhance the effectiveness of our approach, we have developed a novel BOCPD method using a score-driven approach. This method accommodates temporal correlations and time-varying parameters within each regime. Through empirical application to NASDAQ data, we have found that: (i) Our newly proposed model demonstrates superior out-of-sample predictive performance compared to existing models that assume i.i.d. behavior within each regime; (ii) When examining the residuals, our model demonstrates good specification in terms of both distributional assumptions and temporal correlations; (iii) Within a given regime, the price dynamics exhibit a concave relationship with respect to time and volume, mirroring the characteristics of actual large orders; (iv) By incorporating regime information, our model produces more accurate online predictions of order flow and market impact compared to models that do not consider regimes.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.