Intraday-Preisverläufe aus synthetischem Auftragfluss erzeugen

Zusammenfassung

Das Paper modelliert hochfrequenten Auftragfluss als Quelle von Intraday-Preisänderungen und nutzt Sequence Generative Adversarial Networks, um synthetische Auftragssequenzen zu erzeugen. Mithilfe dieser Sequenzen simuliert es Preisverläufe und vergleicht das erzeugte Verhalten mit realen Marktdaten. Als Benchmark dient ein parametrisches Modell aus der quantitativen Finanzwirtschaft. Beide Modelle werden angepasst, bevor zufällige Auftragflussverläufe gezogen werden.

Die Bewertung untersucht, ob simulierte Preise empirische Merkmale realer Preisbewegungen reproduzieren, darunter Log-Renditeverteilungen, Volatilität und fat tails. Die Autoren berichten, dass die aus dem generativen Modell hervorgehenden Preisvariationen beobachtetes statistisches Verhalten besser abbilden als die Benchmark. Der Auszug nennt weder den Markt und den Stichprobenzeitraum noch Modelldetails oder das quantitative Ausmaß der Verbesserung. Die Ergebnisse betreffen die statistische Genauigkeit der Simulation. Sie belegen nicht, dass synthetische Preisverläufe profitablen Handel ermöglichen oder alle relevanten Marktmerkmale erfassen.

Kernaussagen

• Die Methode nutzt eine Sequenz GAN, um synthetischen hochfrequenten Auftragfluss zu erzeugen.
• Erzeugte Auftragssequenzen werden in simulierte Intraday-Preisbewegungen umgewandelt.
• Ein parametrisches Modell der quantitativen Finanzwirtschaft dient als Benchmark.
• Die Bewertung vergleicht Renditeverteilungen, Volatilität und fat tails mit realen Daten.
• Die berichtete Verbesserung betrifft die statistische Ähnlichkeit, nicht die Profitabilität des Handels.

Schlagwörter

# Intra-Day Price Simulation with Generative Adversarial Modelling of the Order Flow


# Intra-Day Price Simulation with Generative Adversarial Modelling of the Order Flow









Intra-day price variations in financial markets are driven by the sequence of orders, called the order flow, that is submitted at high frequency by traders. This paper introduces a novel application of the Sequence Generative Adversarial Networks framework to model the order flow, such that random sequences of the order flow can then be generated to simulate the intra-day variation of prices. As a benchmark, a well-known parametric model from the quantitative finance literature is selected. The models are fitted, and then multiple random paths of the order flow sequences are sampled from each model. Model performances are then evaluated by using the generated sequences to simulate price variations, and we compare the empirical regularities between the price variations produced by the generated and real sequences. The empirical regularities considered include the distribution of the price log-returns, the price volatility, and the heavy-tail of the log-returns distributions. The results show that the order sequences from the generative model are better able to reproduce the statistical behaviour of real price variations than the sequences from the benchmark.

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.