퀀트 투자: 가격과 주문 흐름 분석 모델

기사 arXiv papers · 저자: Manuel Naviglio et al.

요약

이 문서는 큰 틱과 작은 틱 종목의 고빈도 수익률과 부호가 있는 거래량 간 비선형 상호작용을 심층 피드포워드 신경망으로 연구합니다. 신경망을 선형 벡터 자기회귀(VAR)와 비교하고, SHAP 기반 설명을 적용해 최근 시차 입력이 예측에 기여하는 방식을 살펴봅니다. 신경망은 특히 수익률 예측 성능을 높이며, 설명 결과는 가장 최근 시차의 중요성을 보여줍니다.

분석 결과, 시차를 둔 부호 있는 거래량은 부호를 보존하는 효과를 내지만 포화되며, 시차를 둔 수익률은 주문 흐름이 가격 변동을 이어가거나 약화하거나 반전할지를 좌우합니다. 모델이 시사하는 반응은 데이터에서 재구성한 조건부 평균과 비교해 확인합니다. 저자들은 이어서 이러한 패턴으로 다중 시차 확장 모델을 포함한 해석 가능한 비선형 모수 모델을 구성합니다. 이 모델은 신경망과 비슷한 성능을 내며 선형 VAR보다 우수합니다. 결과는 연구 대상 종목과 데이터 환경에 한정되므로 수익성을 입증하거나 다른 시장에도 자동으로 일반화되지는 않습니다.

핵심 아이디어

신경망은 선형 VAR이 포착하지 못하는 수익률과 부호 있는 거래량의 비선형 관계를 드러낼 수 있습니다.
SHAP 설명에 따르면 가장 최근 시차가 예측에 가장 크게 기여합니다.
시차를 둔 부호 있는 거래량은 수익률에 부호를 보존하지만 포화되는 효과를 냅니다.
시차를 둔 수익률은 주문 흐름의 효과가 이어질지, 약해질지, 반전할지를 좌우합니다.
해석 가능한 비선형 모델은 다중 시차 확장을 유지하면서 신경망과 비슷한 성능을 낼 수 있습니다.

Understanding the joint dynamics of prices and trades is central to market microstructure, where returns and order flow interact through nonlinear and state-dependent mechanisms. Linear models are interpretable but may miss these effects, while deep neural networks improve forecasting at the cost of transparency. We use neural networks as tools for structural discovery rather than only for prediction. A deep feed-forward network is trained on high-frequency returns and signed volumes for large- and small-tick stocks and compared with a linear VAR benchmark. The neural network improves predictive performance, especially for returns, revealing nonlinear dependencies beyond the linear specification. Using Shapley-based explainability, we show that the dominant contributions are concentrated at the most recent lags. Model-implied responses are consistent with conditional averages reconstructed from the data. Unlike empirical averages, however, the neural-network decomposition isolates individual regressor contributions to the aggregate dependence. Lagged signed volume generates sign-preserving and saturating effects, consistent with nonlinear price impact and order-flow persistence. Lagged returns act as state variables: when the previous trade does not move the price, the model predicts continuation in the direction of past order flow, whereas non-zero returns generate attenuation or reversal. Building on these findings, we introduce a parsimonious SHAP-inspired nonlinear parametric model. It reproduces the main return-volume dependencies, outperforms the linear VAR benchmark, and achieves performance comparable to the neural network. A multi-lag extension captures residual longer-memory effects while preserving interpretability. Overall, explainability offers a route from black-box prediction to economically meaningful parametric models of price and trade dynamics.

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

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

가격과 주문 흐름을 설명하는 신경망

요약

핵심 아이디어

태그