Marktaktivitätsmuster mit nichtnegativer Tensorfaktorisierung finden

Zusammenfassung

Diese Arbeit nutzt nichtnegative Tensorfaktorisierung (NTF), um Muster der Handelsaktivität in Online-Finanzmärkten über mehrere Zeitskalen hinweg zu identifizieren. Zunächst wird die Methode anhand synthetischer Daten demonstriert, anschließend wird sie auf Interbanktransaktionen am italienischen Online-Markt e-MID angewendet. Ziel ist es, latente Muster der Handelsaktivität aufzudecken und Bankengruppen zu unterscheiden, deren Verhalten normalen, frühen oder Flash-Handel umfasst.

Die Autoren nutzen die extrahierten Muster außerdem, um zu untersuchen, wie sich die Marktaktivität bei systemischen Störungen, darunter die Finanzkrise 2008, verändert. Sie berichten von Anomalien im Zusammenhang mit endogenen und exogenen Schocks und beschreiben handelsbezogene Muster während der Krise. Es handelt sich um eine explorative Analyse eines bestimmten Interbankenmarkts und historischen Datensatzes; der Auszug enthält keine Leistungskennzahlen für Trading-Strategien und belegt nicht, dass sich die gefundenen Muster auf andere Handelsplätze oder Zeiträume übertragen lassen.

Kernaussagen

• Nichtnegative Tensorfaktorisierung wird auf Handelsdaten aus mehreren Zeitskalen angewendet.
• Synthetische Daten demonstrieren die Methode, bevor sie auf reale Transaktionen angewendet wird.
• Die Analyse von e-MID identifiziert unterschiedliche Aktivitätsmuster bei Bankengruppen.
• Der Ansatz charakterisiert ungewöhnliches Handelsverhalten während der Krise 2008.
• Die Ergebnisse beschreiben Muster in einem Markt und belegen nicht die Profitabilität einer Trading-Strategie.

Schlagwörter

# Extracting the multi-timescale activity patterns of online financial markets


# Extracting the multi-timescale activity patterns of online financial markets









Online financial markets can be represented as complex systems where trading dynamics can be captured and characterized at different resolutions and time scales. In this work, we develop a methodology based on non-negative tensor factorization (NTF) aimed at extracting and revealing the multi-timescale trading dynamics governing online financial systems. We demonstrate the advantage of our strategy first using synthetic data, and then on real-world data capturing all interbank transactions (over a million) occurred in an Italian online financial market (e-MID) between 2001 and 2015. Our results demonstrate how NTF can uncover hidden activity patterns that characterize groups of banks exhibiting different trading strategies (normal vs. early vs. flash trading, etc.). We further illustrate how our methodology can reveal "crisis modalities" in trading triggered by endogenous and exogenous system shocks: as an example, we reveal and characterize trading anomalies in the midst of the 2008 financial crisis.

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.