Limit-Order-Ereignisse clustern, um Orderflow-Signale zu erzeugen
Zusammenfassung
ClusterLOB gruppiert einzelne Marktgeschehnisse aus Market-by-Order-Daten anhand von sechs zeitabhängigen Merkmalen und verwendet dazu K-means++. Die resultierenden Gruppen werden als richtungsorientierte, opportunistische und Market-Making-Teilnehmer interpretiert und ermöglichen so die Untersuchung unterschiedlicher Verhaltensweisen in einem Limit-Orderbuch.
Die Studie verwendet ein Jahr an NASDAQ-Daten für Aktien mit kleinen, mittleren und großen Ticks. Sie misst das Ungleichgewicht im Orderflow je Cluster in Intervallen von 30 Minuten und bewertet Signale anhand von Handelsstrategien. Dazu gehören Vergleiche mit nicht geclusterten Benchmarks auf Trainings- und Testdaten. Außerdem untersucht sie Ungleichgewichtssignale für Orderaufgaben, Stornierungen und Geschäfte. Die berichtete Test-Performance ist für die anhand der Sharpe Ratio auf den Trainingsdaten ausgewählte Strategie stärker; das Dokument nennt jedoch keine detaillierten Performancezahlen und liefert keine weiteren Belege für eine Verallgemeinerung über diesen Datensatz hinaus.
Kernaussagen
- Market-by-Order-Ereignisse werden vor dem Clustering mit sechs zeitabhängigen Merkmalen dargestellt.
- K-means++ ordnet Ereignisse drei Gruppen zu, die als richtungsorientiertes, opportunistisches und Market-Making-Verhalten interpretiert werden.
- Clusterbezogene Ungleichgewichte im Orderflow werden in Intervallen von 30 Minuten als Handelssignale berechnet.
- Die Studie vergleicht Strategien mit diesen Signalen mit Benchmarks und trennt Trainings- von Testdaten.
- Separate Analysen des Ungleichgewichts betrachten Orderaufgaben, Stornierungen und Geschäfte.
Schlagwörter
Volltext
# ClusterLOB: Enhancing Trading Strategies by Clustering Orders in Limit Order Books # ClusterLOB: Enhancing Trading Strategies by Clustering Orders in Limit Order Books In the rapidly evolving world of financial markets, understanding the dynamics of limit order book (LOB) is crucial for unraveling market microstructure and participant behavior. We introduce ClusterLOB as a method to cluster individual market events in a stream of market-by-order (MBO) data into different groups. To do so, each market event is augmented with six time-dependent features. By applying the K-means++ clustering algorithm to the resulting order features, we are then able to assign each new order to one of three distinct clusters, which we identify as directional, opportunistic, and market-making participants, each capturing unique trading behaviors. Our experimental results are performed on one year of MBO data containing small-tick, medium-tick, and large-tick stocks from NASDAQ. To validate the usefulness of our clustering, we compute order flow imbalances across each cluster within 30-minute buckets during the trading day. We treat each cluster's imbalance as a signal that provides insights into trading strategies and participants' responses to varying market conditions. To assess the effectiveness of these signals, we identify the trading strategy with the highest Sharpe ratio in the training dataset, and demonstrate that its performance in the test dataset is superior to benchmark trading strategies that do not incorporate clustering. We also evaluate trading strategies based on order flow imbalance decompositions across different market event types, including add, cancel, and trade events, to assess their robustness in various market conditions. This work establishes a robust framework for clustering market participant behavior, which helps us to better understand market microstructure, and inform the development of more effective predictive trading signals with practical applications in algorithmic trading and quantitative finance.
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.