Deep Learning erkennt gemeinsame Orderbuchmuster der Aktienkursbildung

Zusammenfassung

Diese Studie nutzt Deep Learning und eine hochfrequente Datenbank mit Kursnotierungen und Transaktionen von US-Aktien, um zu modellieren, wie Angebot und Nachfrage im Orderbuch mit späteren Kursänderungen zusammenhängen. Sie prüft anhand vergangener Preise und Orderflüsse Prognosen der Kursbewegungsrichtung und bewertet die Leistung über verschiedene Aktien und Zeiträume hinweg. Das Modell wird über viele Aktien hinweg trainiert und nicht für jedes Wertpapier einzeln.

Die Autoren berichten von stabiler Prognosegenauigkeit außerhalb der Stichprobe über Branchen und Zeiträume hinweg, auch bei Aktien, die nicht im Training enthalten waren. Das gemeinsame Modell übertrifft in ihren Vergleichen lineare und nicht lineare Modelle für einzelne Wertpapiere. Dies spricht für gemeinsame Muster der Kursbildung und den Nutzen, Daten verschiedener Aktien zusammenzuführen. Standardisierungen und die Aufteilung der Trainingsdaten nach Branchen oder Tick-Größen verbesserten die berichteten Ergebnisse nicht, mehr Beobachtungen aus der Vergangenheit hingegen schon. Die Ergebnisse deuten auf Pfadabhängigkeit hin; das Dokument nennt jedoch weder konkrete Genauigkeitswerte und Stichprobendaten noch eine Analyse der Handelskosten. Prognosen der Kursrichtung belegen daher nicht, dass das Modell nach Ausführungskosten profitable Trades ermöglichen würde.

Kernaussagen

• Ein Deep-Learning-Modell setzt Angebot und Nachfrage im Orderbuch mit späteren Kursänderungen von Aktien in Beziehung.
• Die Zusammenführung von Daten verschiedener Aktien übertrifft die getesteten linearen und nicht linearen Modelle für einzelne Wertpapiere.
• Die berichtete Prognosegenauigkeit ist über Aktien und Zeiträume hinweg stabil, auch bei Aktien außerhalb der Trainingsstichprobe.
• Längere Historien von Preisen und Orderflüssen verbessern die Prognosen und deuten auf Pfadabhängigkeit hin.
• Das Dokument berichtet Prognosen der Kursrichtung, belegt aber keine Profitabilität nach Handelskosten.

Schlagwörter

# Universal features of price formation in financial markets: perspectives from Deep Learning


# Universal features of price formation in financial markets: perspectives from Deep Learning









Using a large-scale Deep Learning approach applied to a high-frequency database containing billions of electronic market quotes and transactions for US equities, we uncover nonparametric evidence for the existence of a universal and stationary price formation mechanism relating the dynamics of supply and demand for a stock, as revealed through the order book, to subsequent variations in its market price. We assess the model by testing its out-of-sample predictions for the direction of price moves given the history of price and order flow, across a wide range of stocks and time periods. The universal price formation model is shown to exhibit a remarkably stable out-of-sample prediction accuracy across time, for a wide range of stocks from different sectors. Interestingly, these results also hold for stocks which are not part of the training sample, showing that the relations captured by the model are universal and not asset-specific. The universal model --- trained on data from all stocks --- outperforms, in terms of out-of-sample prediction accuracy, asset-specific linear and nonlinear models trained on time series of any given stock, showing that the universal nature of price formation weighs in favour of pooling together financial data from various stocks, rather than designing asset- or sector-specific models as commonly done. Standard data normalizations based on volatility, price level or average spread, or partitioning the training data into sectors or categories such as large/small tick stocks, do not improve training results. On the other hand, inclusion of price and order flow history over many past observations is shown to improve forecasting performance, showing evidence of path-dependence in price dynamics.

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.