Agrupar eventos del libro de órdenes limitadas para crear señales de flujo
Resumen
ClusterLOB agrupa eventos de mercado individuales a partir de datos de mercado por orden, utilizando seis características dependientes del tiempo y el algoritmo de agrupamiento K-means++. Los grupos resultantes se interpretan como participantes direccionales, oportunistas y creadores de mercado, lo que permite estudiar distintos comportamientos dentro de un libro de órdenes limitadas.
El estudio utiliza datos de NASDAQ de un año que abarcan acciones con ticks pequeños, medianos y grandes. Mide el desequilibrio del flujo de órdenes por grupo en intervalos de 30 minutos y evalúa señales mediante estrategias de trading, incluidas comparaciones con referencias sin agrupamiento en datos de entrenamiento y de prueba. También examina señales de desequilibrio para incorporaciones de órdenes, cancelaciones y operaciones. El rendimiento de prueba señalado es superior para la estrategia seleccionada según el ratio de Sharpe en los datos de entrenamiento, pero el documento no ofrece cifras detalladas de rendimiento ni pruebas adicionales de generalización más allá de este conjunto de datos.
Ideas clave
- Los eventos de datos de mercado desglosados por orden se representan mediante seis características dependientes del tiempo antes de agruparse.
- K-means++ asigna los eventos a tres grupos interpretados como comportamientos direccionales, oportunistas y de creación de mercado.
- Los desequilibrios del flujo de órdenes por grupo se calculan en intervalos de 30 minutos como señales de trading.
- El estudio compara estrategias basadas en estas señales con referencias y separa los datos de entrenamiento de los de prueba.
- Los análisis de desequilibrio por separado abarcan incorporaciones de órdenes, cancelaciones y operaciones.
Etiquetas
Texto completo
# ClusterLOB: Enhancing Trading Strategies by Clustering Orders in Limit Order Books # ClusterLOB: Enhancing Trading Strategies by Clustering Orders in Limit Order Books In the rapidly evolving world of financial markets, understanding the dynamics of limit order book (LOB) is crucial for unraveling market microstructure and participant behavior. We introduce ClusterLOB as a method to cluster individual market events in a stream of market-by-order (MBO) data into different groups. To do so, each market event is augmented with six time-dependent features. By applying the K-means++ clustering algorithm to the resulting order features, we are then able to assign each new order to one of three distinct clusters, which we identify as directional, opportunistic, and market-making participants, each capturing unique trading behaviors. Our experimental results are performed on one year of MBO data containing small-tick, medium-tick, and large-tick stocks from NASDAQ. To validate the usefulness of our clustering, we compute order flow imbalances across each cluster within 30-minute buckets during the trading day. We treat each cluster's imbalance as a signal that provides insights into trading strategies and participants' responses to varying market conditions. To assess the effectiveness of these signals, we identify the trading strategy with the highest Sharpe ratio in the training dataset, and demonstrate that its performance in the test dataset is superior to benchmark trading strategies that do not incorporate clustering. We also evaluate trading strategies based on order flow imbalance decompositions across different market event types, including add, cancel, and trade events, to assess their robustness in various market conditions. This work establishes a robust framework for clustering market participant behavior, which helps us to better understand market microstructure, and inform the development of more effective predictive trading signals with practical applications in algorithmic trading and quantitative finance.
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.