본문으로 건너뛰기
라이브러리 문서 전체

지정가 주문 이벤트 군집화로 주문 흐름 신호 구축

기사 arXiv papers · 저자: Yichi Zhang et al.
원문 읽기

요약

ClusterLOB는 주문별 시장 데이터에서 얻은 개별 시장 이벤트를 시간 의존적 특징 6개로 군집화합니다. K-means++ 군집화 결과는 방향성, 기회 추구형, 시장조성형 참여자로 해석되며, 지정가 주문장에서 서로 다른 행동을 연구하는 방법을 제공합니다.

연구는 소형·중형·대형 틱 주식을 아우르는 NASDAQ년 치 데이터를 사용합니다. 군집별 주문 흐름 불균형을 30분 간격으로 측정하고, 학습 데이터와 테스트 데이터에서 군집화하지 않은 벤치마크와 비교하는 등 트레이딩 전략으로 신호를 평가합니다. 주문 추가, 취소, 거래에 따른 불균형 신호도 살펴봅니다. 학습 데이터에서 샤프 비율을 기준으로 선택한 전략이 테스트 데이터에서 더 강한 성과를 냈다고 보고하지만, 문서는 구체적인 성과 수치나 이 데이터셋을 넘어선 일반화에 관한 추가 근거를 제시하지 않습니다.

핵심 아이디어

  • 주문별 시장 이벤트를 군집화하기 전에 시간 의존적 특징 6개로 표현합니다.
  • K-means++로 이벤트를 세 그룹에 배정하고 이를 방향성, 기회 추구형, 시장조성형 행동으로 해석합니다.
  • 군집별 주문 흐름 불균형을 30분 간격의 트레이딩 신호로 계산합니다.
  • 연구는 이 신호를 사용한 전략을 벤치마크와 비교하고 학습 데이터와 테스트 데이터를 분리합니다.
  • 주문 추가, 취소, 거래를 따로 분석해 불균형 신호를 살펴봅니다.

태그

주식시장 미시구조머신러닝고빈도 매매백테스트
전문
# 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.

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

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