コンテンツへスキップ
ライブラリの全資料

注文フローと市場インパクトのベイズ変化点検出

記事 arXiv papers · 著者: Ioanna-Yvonni Tsaknaki et al.
原文を読む

サマリー

本論文では、持続的な買い注文・売り注文のフローを、変化する市場体制の兆候としてモデル化します。これは、大口注文が分割され、時間をかけて執行されることで生じる場合があります。系列依存を許容し、各体制内でパラメータが変化するスコア駆動モデルを用いた、ベイズ型オンライン変化点検出法を提案します。目的は、変化をリアルタイムで検出し、注文フローと価格インパクトの予測を改善することです。

NASDAQデータを用いた実証分析では、観測値の独立性を仮定する体制モデルよりも、アウト・オブ・サンプル予測が改善したと報告されています。残差の検査では、提案モデルが分布と時間に関する特徴を適切に捉えていることが示されています。また体制内では、価格動態と時間および取引量との関係は凹型であり、体制情報を取り入れることで、それを使わないモデルよりオンライン予測が改善すると著者らは報告しています。これらの知見は対象データとモデル比較に固有であり、文書には実装の詳細や他市場での証拠はありません。

主なアイデア

  • 注文フローの持続性は、大口注文が段階的に執行されることを反映する場合があります。
  • ベイズ型オンライン変化点検出により、注文フローの体制変化を発生時に特定できます。
  • スコア駆動モデルは、時間依存性と体制内のパラメータ変化に対応します。
  • NASDAQを用いた分析では、体制情報を含めることで注文フローと市場インパクトの予測改善が報告されています。

タグ

市場マイクロストラクチャー統計機械学習注文執行
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。