Marktauswirkungen bei Aktien anhand des Orderflow-Ungleichgewichts schätzen

Zusammenfassung

Diese Studie untersucht Faktoren, die die Liquidität am Aktienmarkt beeinflussen, und konzentriert sich auf den Zusammenhang zwischen vorzeichenbehaftetem Orderflow und Preiseinfluss. Sie verknüpft theoretische Handels- und Liquiditätsmodelle nach Kyle mit Mustern in öffentlich verfügbaren Handels- und Kursquotierungsdaten. Der berichtete empirische Befund lautet: Bei kleinen vorzeichenbehafteten Orderflows steigt der Preiseinfluss annähernd linear mit dem Ungleichgewicht im Orderflow.

Die Autoren wenden außerdem maschinelles Lernen an, um anhand des vorzeichenbehafteten Orderflows die Marktauswirkungen vorherzusagen, und berichten eine höhere Prognosegenauigkeit als bei traditionellen statistischen Ansätzen. Solche Schätzungen können Händlern helfen, Transaktionskosten vor der Ausführung einzuschätzen und danach die Ausführungsqualität zu beurteilen. Das Dokument enthält weder Datensatzdetails noch Modellspezifikationen, Prognosekennzahlen oder Belege zur Leistung über den genannten Vergleich hinaus. Die Ergebnisse sind daher als Beschreibung der berichteten Studienresultate zu verstehen und nicht als Nachweis, dass ein bestimmtes Modell auf verschiedene Wertpapiere oder Marktbedingungen übertragbar ist.

Kernaussagen

• Preiseinfluss wird als statistisches Maß für die Marktliquidität dargestellt.
• Bei kleinen vorzeichenbehafteten Orderflows berichtet die Studie einen annähernd linearen Zusammenhang zwischen Ungleichgewicht und Preiseinfluss.
• Die Autoren nutzen maschinelles Lernen, um den Preiseinfluss anhand des vorzeichenbehafteten Orderflows vorherzusagen.
• Schätzungen des Preiseinflusses können Vorabschätzungen der Kosten und nachträgliche Bewertungen der Ausführung unterstützen.
• Das Dokument enthält weder Modelldetails noch quantitative Prognoseergebnisse.

Schlagwörter

# Empirical Study of Market Impact Conditional on Order-Flow Imbalance


# Empirical Study of Market Impact Conditional on Order-Flow Imbalance









In this research, we have empirically investigated the key drivers affecting liquidity in equity markets. We illustrated how theoretical models, such as Kyle's model, of agents' interplay in the financial markets, are aligned with the phenomena observed in publicly available trades and quotes data. Specifically, we confirmed that for small signed order-flows, the price impact grows linearly with increase in the order-flow imbalance. We have, further, implemented a machine learning algorithm to forecast market impact given a signed order-flow. Our findings suggest that machine learning models can be used in estimation of financial variables; and predictive accuracy of such learning algorithms can surpass the performance of traditional statistical approaches. Understanding the determinants of price impact is crucial for several reasons. From a theoretical stance, modelling the impact provides a statistical measure of liquidity. Practitioners adopt impact models as a pre-trade tool to estimate expected transaction costs and optimize the execution of their strategies. This further serves as a post-trade valuation benchmark as suboptimal execution can significantly deteriorate a portfolio performance. More broadly, the price impact reflects the balance of liquidity across markets. This is of central importance to regulators as it provides an all-encompassing explanation of the correlation between market design and systemic risk, enabling regulators to design more stable and efficient markets.

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.