Détection bayésienne des ruptures des flux d’ordres et de l’impact de marché

Résumé

L’article modélise la persistance des flux d’ordres d’achat et de vente comme le signe de changements de régime de marché, qui peuvent survenir lorsque de gros ordres sont fractionnés et exécutés dans le temps. Il propose une méthode bayésienne de détection en ligne des ruptures, avec un modèle piloté par le score qui autorise une dépendance sérielle et des paramètres variables selon le régime. L’objectif est de repérer les changements en temps réel et d’améliorer les prévisions des flux d’ordres et de leur impact sur les prix.

Une application empirique aux données de NASDAQ rapporte de meilleures prévisions hors échantillon que les modèles de régime supposant des observations indépendantes. Les vérifications des résidus indiquent que le modèle proposé rend raisonnablement bien compte des caractéristiques distributionnelles et temporelles. Les auteurs constatent également qu’au sein des régimes, la dynamique des prix dépend de façon concave du temps et du volume, et que l’intégration de l’information sur les régimes améliore les prévisions en ligne par rapport aux modèles qui l’ignorent. Ces résultats sont propres aux données étudiées et aux comparaisons de modèles ; le document ne fournit pas de détails de mise en œuvre ni d’éléments pour d’autres marchés.

Idées clés

• La persistance des flux d’ordres peut refléter l’exécution progressive de gros ordres.
• La détection bayésienne en ligne des ruptures peut repérer les changements de régime des flux d’ordres au moment où ils surviennent.
• Un modèle piloté par le score prend en compte la dépendance temporelle et la variation des paramètres au sein des régimes.
• L’application aux données NASDAQ rapporte de meilleures prévisions des flux d’ordres et de l’impact sur les prix lorsque l’information sur les régimes est intégrée.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.