پیش‌بینی نوسان و بازده با رویکرد فیزیک دفتر سفارش
خلاصه
این مطالعه روشی با الهام از فیزیک آماری برای پیش‌بینی نوسان قیمت و بازده مورد انتظار از داده‌های دفتر سفارش محدود سطح 3 پیشنهاد می‌کند. سفارش‌ها را عناصر یک سامانه فیزیکی در نظر می‌گیرد و برای توصیف وضعیت دفتر، معیارهایی شبیه انرژی جنبشی و تکانه تعریف می‌کند. هدف رویکرد، ثبت ریزساختار بازار فراتر از بهترین قیمت خرید و فروش است.
ویژگی محوری این روش «عمق فعال» است؛ روشی از نظر محاسباتی کارآمد برای شناسایی سطوح دفتر سفارش که برای پویایی قیمت مهم تلقی می‌شوند. نویسندگان گزارش می‌کنند که مدلشان در مقایسه‌های تجربی از معیارهای مرجع سنتی و یک الگوریتم یادگیری ماشین بهتر عمل می‌کند و پیش‌بینی نوسان و بازده مورد انتظار را بهبود می‌دهد. گزیده بازار، دوره داده، جزئیات معیارهای مرجع، سنجه‌های ارزیابی یا معناداری آماری را مشخص نمی‌کند؛ بنابراین نمی‌توان بهبودهای ادعاشده را فقط بر اساس این توضیحات ارزیابی کرد. این روش چارچوبی برای پیش‌بینی است، نه استراتژی معاملاتی کامل؛ سودمندی آن ممکن است به کیفیت داده و شرایط بازار وابسته باشد.
ایده‌های کلیدی
- مدل برای پیش‌بینی نوسان و بازده مورد انتظار از داده‌های دفتر سفارش سطح 3 استفاده می‌کند.
- ویژگی‌های دفتر سفارش را به معیارهایی با الهام از انرژی جنبشی و تکانه در فیزیک نگاشت می‌کند.
- عمق فعال، سطوح دفتر سفارشِ مورد انتظار برای اثرگذاری بر پویایی قیمت را شناسایی می‌کند.
- مطالعه عملکرد پیش‌بینی بهتر از رویکردهای سنتی و یک معیار مرجع یادگیری ماشین را گزارش می‌کند.
- گزیده جزئیات ارزیابی کافی برای داوری درباره دامنه تعمیم نتایج ارائه نمی‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.