Estimer l’impact sur les actions à partir du déséquilibre du flux d’ordres

Résumé

Cette étude examine les facteurs qui façonnent la liquidité du marché des actions, en se concentrant sur le lien entre le flux d’ordres signé et l’impact sur les prix. Elle relie les modèles théoriques de trading et de liquidité de type Kyle aux régularités observées dans des données publiques de transactions et de cotations. Le résultat empirique rapporté est que, pour les faibles flux d’ordres signés, l’impact sur les prix augmente approximativement de façon linéaire avec le déséquilibre du flux d’ordres.

Les auteurs appliquent également l’apprentissage automatique pour prévoir l’impact de marché à partir du flux d’ordres signé et rapportent une meilleure précision prédictive que les approches statistiques traditionnelles. Ces estimations peuvent aider les traders à anticiper les coûts de transaction avant l’exécution et à évaluer ensuite la qualité d’exécution. Le document ne fournit ni détails sur les jeux de données, ni spécifications des modèles, ni mesures de prévision, ni données de performance autres que la comparaison indiquée. Les résultats doivent donc être considérés comme une description des conclusions rapportées par l’étude, et non comme la preuve qu’un modèle particulier se généralisera à différents titres ou conditions de marché.

Idées clés

• L’impact sur les prix est présenté comme une mesure statistique de la liquidité du marché.
• Pour les faibles flux d’ordres signés, l’étude rapporte une relation approximativement linéaire entre le déséquilibre et l’impact sur les prix.
• Les auteurs utilisent l’apprentissage automatique pour prévoir l’impact à partir du flux d’ordres signé.
• Les estimations d’impact peuvent éclairer les estimations de coûts avant la transaction et l’évaluation de l’exécution après celle-ci.
• Le document ne fournit ni détails sur les modèles ni résultats quantitatifs de prévision.

Étiquettes

# Empirical Study of Market Impact Conditional on Order-Flow Imbalance


# Empirical Study of Market Impact Conditional on Order-Flow Imbalance









In this research, we have empirically investigated the key drivers affecting liquidity in equity markets. We illustrated how theoretical models, such as Kyle's model, of agents' interplay in the financial markets, are aligned with the phenomena observed in publicly available trades and quotes data. Specifically, we confirmed that for small signed order-flows, the price impact grows linearly with increase in the order-flow imbalance. We have, further, implemented a machine learning algorithm to forecast market impact given a signed order-flow. Our findings suggest that machine learning models can be used in estimation of financial variables; and predictive accuracy of such learning algorithms can surpass the performance of traditional statistical approaches. Understanding the determinants of price impact is crucial for several reasons. From a theoretical stance, modelling the impact provides a statistical measure of liquidity. Practitioners adopt impact models as a pre-trade tool to estimate expected transaction costs and optimize the execution of their strategies. This further serves as a post-trade valuation benchmark as suboptimal execution can significantly deteriorate a portfolio performance. More broadly, the price impact reflects the balance of liquidity across markets. This is of central importance to regulators as it provides an all-encompassing explanation of the correlation between market design and systemic risk, enabling regulators to design more stable and efficient markets.

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.