L’apprentissage profond révèle des structures communes du carnet d’ordres dans la formation des prix des actions

Résumé

Cette étude utilise l’apprentissage profond sur une base de données à haute fréquence des cotations et transactions d’actions des US pour modéliser le lien entre l’offre et la demande du carnet d’ordres et les variations ultérieures des prix. Elle teste les prévisions de direction des mouvements de prix à partir des historiques de prix et de flux d’ordres, en évaluant les résultats selon les actions et les périodes. Le modèle est entraîné sur de nombreuses actions plutôt que séparément pour chaque actif.

Les auteurs rapportent une précision hors échantillon stable selon les secteurs et les périodes, y compris pour les actions exclues de l’entraînement. Dans leurs comparaisons, le modèle regroupé surpasse les modèles linéaires et non linéaires propres à chaque actif, ce qui étaye l’existence de structures communes dans la formation des prix et l’intérêt de combiner les données de plusieurs actions. Les normalisations habituelles et le découpage des données d’entraînement par secteur ou taille de tick n’ont pas amélioré les résultats rapportés, contrairement à l’ajout d’observations passées. Les résultats indiquent une dépendance au chemin, mais le document ne fournit ni précision chiffrée, ni dates d’échantillonnage, ni analyse des coûts de trading. Les prévisions directionnelles n’établissent donc pas que le modèle produirait des transactions rentables après coûts d’exécution.

Idées clés

• Un modèle d’apprentissage profond relie l’offre et la demande du carnet d’ordres aux variations ultérieures des cours des actions.
• Le regroupement des données de plusieurs actions surpasse les modèles linéaires et non linéaires propres aux actifs testés.
• La précision prédictive rapportée est stable selon les actions et les périodes, y compris pour les actions absentes de l’échantillon d’entraînement.
• Des historiques plus longs de prix et de flux d’ordres améliorent les prévisions, ce qui suggère une dépendance au chemin.
• Le document rapporte des prévisions directionnelles, mais n’établit pas leur rentabilité après coûts de trading.

Étiquettes

# 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.

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.