본문으로 건너뛰기
라이브러리 문서 전체

주문 흐름과 시장충격을 위한 베이지안 변화점 탐지

기사 arXiv papers · 저자: Ioanna-Yvonni Tsaknaki et al.
원문 읽기

요약

지속적인 매수·매도 주문 흐름을 시장 국면이 바뀌고 있다는 증거로 모델링합니다. 큰 주문을 나눠 시간에 걸쳐 체결할 때 이러한 변화가 나타날 수 있습니다. 시계열 의존성을 허용하고 각 국면 안에서 매개변수가 변할 수 있는 점수 기반 모델을 사용한 베이지안 온라인 변화점 탐지 방법을 제안합니다. 목표는 변화를 실시간으로 감지해 주문 흐름과 가격 충격의 예측을 개선하는 것입니다.

NASDAQ 데이터에 적용한 실증 분석은 관측치가 서로 독립이라고 가정하는 국면 모델보다 표본 외 예측이 더 좋았다고 보고합니다. 잔차 검사는 제안 모델이 분포적·시간적 특성을 상당히 잘 포착함을 보여줍니다. 저자들은 국면 안에서 가격 동학이 시간 및 거래량과 오목한 관계를 보이며, 국면 정보를 반영하면 반영하지 않은 모델보다 온라인 예측이 개선된다고도 설명합니다. 이 결과는 연구한 데이터와 모델 비교에 한정되며, 문서에는 다른 시장에서의 구현 세부사항이나 증거가 없습니다.

핵심 아이디어

  • 주문 흐름의 지속성은 대규모 주문이 점진적으로 체결되는 과정을 반영할 수 있습니다.
  • 베이지안 온라인 변화점 탐지로 주문 흐름 국면의 변화를 실시간으로 식별할 수 있습니다.
  • 점수 기반 모델은 시간 의존성과 국면 내 매개변수 변화를 반영합니다.
  • NASDAQ 적용 연구에서는 국면 정보를 포함할 때 주문 흐름과 시장충격 예측이 개선됐다고 보고합니다.

태그

시장 미시구조통계머신러닝주문 집행
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.