コンテンツへスキップ
ライブラリの全資料

指値注文イベントのクラスタリングによる注文フローシグナルの構築

記事 arXiv papers · 著者: Yichi Zhang et al.
原文を読む

サマリー

ClusterLOBは、マーケット・バイ・オーダーのデータから、時間依存の6つの特徴量とK-means++クラスタリングを用いて個々の市場イベントをグループ化します。得られたグループは、方向性を重視する参加者、機会主義的な参加者、マーケットメイキングを行う参加者として解釈され、指値注文板内の異なる行動を調べる方法となります。

この研究では、小型・中型・大型ティック株を含むNASDAQの1年分のデータを使っています。30分間隔でクラスタ別の注文フロー不均衡を測定し、訓練データとテストデータで非クラスタ化ベンチマークと比較するなど、トレード戦略を用いてシグナルを評価しています。また、注文の追加、取消、約定に関する不均衡シグナルも検討しています。報告によると、訓練データでシャープレシオを基準に選んだ戦略はテストデータでより高いパフォーマンスを示しましたが、このデータセットを超えた一般化について、詳細な数値や追加の証拠は示されていません。

主なアイデア

  • マーケット・バイ・オーダーのイベントを、クラスタリング前に時間依存の6つの特徴量で表現します。
  • K-means++でイベントを3グループに分類し、方向性取引、機会追求型、マーケットメイキングの行動として解釈します。
  • クラスタ別の注文フロー不均衡を30分間隔で算出し、トレードシグナルとして用います。
  • これらのシグナルを使う戦略をベンチマークと比較し、訓練データとテストデータを分けています。
  • 注文の追加、取消、約定について、個別に不均衡を分析しています。

タグ

株式市場マイクロストラクチャー機械学習高頻度取引バックテスト
全文
# 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.

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。