Detección bayesiana de cambios en el flujo de órdenes e impacto de mercado

Resumen

El artículo modela la persistencia del flujo de órdenes de compra y venta como evidencia de cambios en los regímenes de mercado, que pueden surgir cuando las órdenes grandes se dividen y ejecutan a lo largo del tiempo. Propone un método bayesiano en línea de detección de puntos de cambio con un modelo basado en puntuaciones que permite la dependencia serial y que los parámetros varíen dentro de cada régimen. El objetivo es detectar cambios en tiempo real y mejorar las previsiones tanto del flujo de órdenes como del impacto en los precios.

Una aplicación empírica a datos de NASDAQ informa de mejores predicciones fuera de muestra que los modelos de régimen que suponen observaciones independientes; las comprobaciones de residuos indican que el modelo propuesto captura razonablemente bien características distributivas y temporales. Los autores también encuentran que, dentro de los regímenes, la dinámica de los precios se relaciona de forma cóncava con el tiempo y el volumen, y que incorporar información sobre los regímenes mejora las previsiones en línea frente a los modelos que la omiten. Estos resultados se limitan a los datos y las comparaciones de modelos estudiados; el documento no aporta detalles de implementación ni evidencia en otros mercados.

Ideas clave

• La persistencia del flujo de órdenes puede reflejar la ejecución gradual de órdenes grandes.
• La detección bayesiana en línea de puntos de cambio puede identificar cambios de régimen en el flujo de órdenes a medida que ocurren.
• Un modelo basado en puntuaciones admite la dependencia temporal y parámetros cambiantes dentro de los regímenes.
• La aplicación a NASDAQ informa de mejores previsiones del flujo de órdenes y del impacto de mercado al incluir información sobre los regímenes.

Etiquetas

# Online Learning of Order Flow and Market Impact with Bayesian Change-Point Detection Methods


# Online Learning of Order Flow and Market Impact with Bayesian Change-Point Detection Methods









Financial order flow exhibits a remarkable level of persistence, wherein buy (sell) trades are often followed by subsequent buy (sell) trades over extended periods. This persistence can be attributed to the division and gradual execution of large orders. Consequently, distinct order flow regimes might emerge, which can be identified through suitable time series models applied to market data. In this paper, we propose the use of Bayesian online change-point detection (BOCPD) methods to identify regime shifts in real-time and enable online predictions of order flow and market impact. To enhance the effectiveness of our approach, we have developed a novel BOCPD method using a score-driven approach. This method accommodates temporal correlations and time-varying parameters within each regime. Through empirical application to NASDAQ data, we have found that: (i) Our newly proposed model demonstrates superior out-of-sample predictive performance compared to existing models that assume i.i.d. behavior within each regime; (ii) When examining the residuals, our model demonstrates good specification in terms of both distributional assumptions and temporal correlations; (iii) Within a given regime, the price dynamics exhibit a concave relationship with respect to time and volume, mirroring the characteristics of actual large orders; (iv) By incorporating regime information, our model produces more accurate online predictions of order flow and market impact compared to models that do not consider regimes.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.