Orderbuchdaten für Volatilitäts- und Renditeprognosen

Zusammenfassung

Diese Studie schlägt eine von der statistischen Physik inspirierte Methode vor, um Preisvolatilität und erwartete Renditen anhand von Orderbuchdaten der Stufe 3 zu prognostizieren. Sie stellt Orders als Elemente eines physikalischen Systems dar und definiert Größen ähnlich kinetischer Energie und Impuls, um den Zustand des Orderbuchs zu beschreiben. Der Ansatz soll die Markt-Mikrostruktur über das beste Geld- und Briefangebot hinaus erfassen.

Ein zentrales Merkmal ist die „aktive Tiefe“: eine recheneffiziente Methode, um Orderbuchniveaus zu bestimmen, die als relevant für die Preisdynamik gelten. Die Autoren berichten, dass ihr Modell in empirischen Vergleichen traditionelle Benchmarks und einen Algorithmus des maschinellen Lernens übertrifft und bessere Prognosen für Volatilität und erwartete Renditen liefert. Der Auszug nennt weder den Markt und den Datenzeitraum noch Benchmarkdetails, Evaluierungskennzahlen oder statistische Signifikanz. Die behaupteten Verbesserungen lassen sich anhand dieser Beschreibung allein daher nicht beurteilen. Die Methode ist ein Prognoseframework und keine vollständige Handelsstrategie; ihr Nutzen kann von der Datenqualität und den Marktbedingungen abhängen.

Kernaussagen

• Das Modell verwendet Orderbuchdaten der Stufe 3, um Volatilität und erwartete Renditen zu prognostizieren.
• Es bildet Orderbucheigenschaften auf Kennzahlen ab, die von kinetischer Energie und Impuls inspiriert sind.
• Die aktive Tiefe bestimmt Orderbuchniveaus, von denen ein Einfluss auf die Preisdynamik erwartet wird.
• Die Studie berichtet eine bessere Prognoseleistung als bei traditionellen Ansätzen und einem Benchmark aus dem maschinellen Lernen.
• Der Auszug enthält nicht genügend Evaluierungsdetails, um zu beurteilen, wie weit sich die Ergebnisse verallgemeinern lassen.

Schlagwörter

# An Empirical Analysis on Financial Markets: Insights from the Application of Statistical Physics


# An Empirical Analysis on Financial Markets: Insights from the Application of Statistical Physics









In this study, we introduce a physical model inspired by statistical physics for predicting price volatility and expected returns by leveraging Level 3 order book data. By drawing parallels between orders in the limit order book and particles in a physical system, we establish unique measures for the system's kinetic energy and momentum as a way to comprehend and evaluate the state of limit order book. Our model goes beyond examining merely the top layers of the order book by introducing the concept of 'active depth', a computationally-efficient approach for identifying order book levels that have impact on price dynamics. We empirically demonstrate that our model outperforms the benchmarks of traditional approaches and machine learning algorithm. Our model provides a nuanced comprehension of market microstructure and produces more accurate forecasts on volatility and expected returns. By incorporating principles of statistical physics, this research offers valuable insights on understanding the behaviours of market participants and order book 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.