El aprendizaje profundo detecta patrones compartidos en la formación de precios de acciones

Resumen

Este estudio utiliza aprendizaje profundo sobre una base de datos de alta frecuencia de cotizaciones y operaciones de acciones de US para modelar cómo se relacionan la oferta y la demanda del libro de órdenes con los cambios de precios posteriores. Evalúa predicciones sobre la dirección de los movimientos de precios utilizando historiales de precios y flujo de órdenes, y mide el rendimiento en distintas acciones y periodos. El modelo se entrena con muchas acciones, en lugar de hacerlo por separado para cada activo.

Los autores informan de una precisión estable fuera de muestra entre sectores y periodos, incluso para acciones excluidas del entrenamiento. En sus comparaciones, el modelo conjunto supera a los modelos lineales y no lineales específicos para cada activo, lo que respalda la existencia de patrones compartidos en la formación de precios y el valor de combinar datos de distintas acciones. Las normalizaciones estándar y la división de los datos de entrenamiento por sectores o grupos de tamaño de tick no mejoraron los resultados comunicados; incluir más observaciones pasadas sí lo hizo. Los hallazgos indican dependencia de la trayectoria, pero el documento no proporciona cifras de precisión, fechas de la muestra ni análisis de costes de negociación. Por tanto, las predicciones direccionales no demuestran que el modelo generaría operaciones rentables tras los costes de ejecución.

Ideas clave

• Un modelo de aprendizaje profundo relaciona la oferta y la demanda del libro de órdenes con cambios posteriores en los precios de las acciones.
• Agrupar datos de distintas acciones supera a los modelos lineales y no lineales específicos para cada activo que se probaron.
• La precisión predictiva comunicada se mantiene estable entre acciones y periodos, incluso para acciones fuera de la muestra de entrenamiento.
• Los historiales más largos de precios y flujo de órdenes mejoran las previsiones, lo que sugiere dependencia de la trayectoria.
• El documento presenta resultados de predicción direccional, pero no demuestra rentabilidad después de los costes de negociación.

Etiquetas

# Universal features of price formation in financial markets: perspectives from Deep Learning


# Universal features of price formation in financial markets: perspectives from Deep Learning









Using a large-scale Deep Learning approach applied to a high-frequency database containing billions of electronic market quotes and transactions for US equities, we uncover nonparametric evidence for the existence of a universal and stationary price formation mechanism relating the dynamics of supply and demand for a stock, as revealed through the order book, to subsequent variations in its market price. We assess the model by testing its out-of-sample predictions for the direction of price moves given the history of price and order flow, across a wide range of stocks and time periods. The universal price formation model is shown to exhibit a remarkably stable out-of-sample prediction accuracy across time, for a wide range of stocks from different sectors. Interestingly, these results also hold for stocks which are not part of the training sample, showing that the relations captured by the model are universal and not asset-specific. The universal model --- trained on data from all stocks --- outperforms, in terms of out-of-sample prediction accuracy, asset-specific linear and nonlinear models trained on time series of any given stock, showing that the universal nature of price formation weighs in favour of pooling together financial data from various stocks, rather than designing asset- or sector-specific models as commonly done. Standard data normalizations based on volatility, price level or average spread, or partitioning the training data into sectors or categories such as large/small tick stocks, do not improve training results. On the other hand, inclusion of price and order flow history over many past observations is shown to improve forecasting performance, showing evidence of path-dependence in price dynamics.

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.