ऑर्डर फ़्लो और बाज़ार प्रभाव के लिए बेज़ियन बदलाव-बिंदु पहचान
सारांश
यह शोधपत्र लगातार खरीद और बिक्री ऑर्डर फ़्लो को बदलती बाज़ार अवस्थाओं का साक्ष्य मानकर मॉडल करता है; ऐसा तब हो सकता है जब बड़े ऑर्डर बाँटकर समय के साथ निष्पादित किए जाएँ। यह स्कोर-संचालित मॉडल वाली बेज़ियन ऑनलाइन बदलाव-बिंदु पहचान विधि प्रस्तावित करता है, जो क्रमिक निर्भरता और प्रत्येक अवस्था में बदलते पैरामीटर की अनुमति देती है। इसका उद्देश्य बदलावों को वास्तविक समय में पहचानना और ऑर्डर फ़्लो तथा मूल्य प्रभाव, दोनों के पूर्वानुमान सुधारना है।
NASDAQ डेटा पर अनुभवजन्य अनुप्रयोग में स्वतंत्र अवलोकन मानने वाले अवस्था मॉडलों की तुलना में नमूने-बाहर बेहतर पूर्वानुमान रिपोर्ट किए गए हैं; अवशिष्ट जाँचों से संकेत मिलता है कि प्रस्तावित मॉडल वितरण और समय संबंधी विशेषताओं को उचित रूप से पकड़ता है। लेखक यह भी पाते हैं कि अवस्थाओं के भीतर मूल्य गतिशीलता समय और वॉल्यूम से अवतल रूप में संबंधित है और अवस्था संबंधी जानकारी शामिल करने से बिना ऐसी जानकारी वाले मॉडलों की तुलना में ऑनलाइन पूर्वानुमान सुधरते हैं। ये निष्कर्ष अध्ययन किए गए डेटा और मॉडल तुलनाओं तक विशिष्ट हैं; दस्तावेज़ कार्यान्वयन का विवरण या अन्य बाज़ारों के साक्ष्य नहीं देता।
मुख्य विचार
- ऑर्डर फ़्लो का बने रहना बड़े ऑर्डर के क्रमिक निष्पादन को दर्शा सकता है।
- बेज़ियन ऑनलाइन बदलाव-बिंदु पहचान होने के साथ ही ऑर्डर फ़्लो की अवस्था में बदलाव पहचान सकती है।
- स्कोर-संचालित मॉडल समयगत निर्भरता और अवस्थाओं के भीतर बदलते पैरामीटर को समायोजित करता है।
- NASDAQ अनुप्रयोग में अवस्था संबंधी जानकारी शामिल करने पर ऑर्डर फ़्लो और बाज़ार प्रभाव के पूर्वानुमान सुधरने की बात कही गई है।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।