Regrouper les événements du carnet à cours limité pour créer des signaux de flux d’ordres
Résumé
ClusterLOB regroupe des événements de marché individuels issus de données marché par ordre au moyen de six caractéristiques dépendant du temps et d’un algorithme de clustering K-means++. Les groupes obtenus sont interprétés comme des participants directionnels, opportunistes et teneurs de marché, ce qui permet d’étudier différents comportements dans un carnet d’ordres à cours limité.
L’étude utilise une année de données NASDAQ couvrant des actions à faible, moyen et fort pas de cotation. Elle mesure le déséquilibre du flux d’ordres par groupe sur des intervalles de 30 minutes et évalue les signaux au moyen de stratégies de trading, notamment par comparaison avec des références sans regroupement sur les données d’entraînement et de test. Elle examine également les signaux de déséquilibre pour les ajouts d’ordres, les annulations et les transactions. Les performances de test rapportées sont meilleures pour la stratégie sélectionnée selon le ratio de Sharpe sur les données d’entraînement, mais le document ne fournit pas de chiffres détaillés ni d’éléments supplémentaires sur la généralisation au-delà de ce jeu de données.
Idées clés
- Les événements marché par ordre sont représentés par six caractéristiques dépendant du temps avant leur regroupement.
- K-means++ répartit les événements en trois groupes interprétés comme des comportements directionnels, opportunistes et de tenue de marché.
- Les déséquilibres du flux d’ordres par groupe sont calculés sur des intervalles de 30 minutes et servent de signaux de trading.
- L’étude compare les stratégies fondées sur ces signaux aux références, avec séparation des données d’entraînement et de test.
- Des analyses distinctes du déséquilibre portent sur les ajouts d’ordres, les annulations et les transactions.
Étiquettes
Texte intégral
# 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.
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.