Detecção bayesiana de mudanças no fluxo de ordens e impacto de mercado

Resumo

O artigo modela a persistência do fluxo de ordens de compra e venda como evidência de mudanças nos regimes de mercado, que podem surgir quando grandes ordens são divididas e executadas ao longo do tempo. Propõe um método bayesiano online de detecção de pontos de mudança com um modelo baseado em escores, que permite dependência serial e parâmetros variáveis dentro de cada regime. O objetivo é detectar mudanças em tempo real e melhorar as previsões do fluxo de ordens e do impacto nos preços.

Uma aplicação empírica a dados da NASDAQ relata previsões fora da amostra melhores do que as de modelos de regime que presumem observações independentes; verificações dos resíduos indicam que o modelo proposto capta razoavelmente bem características da distribuição e temporais. Os autores também constatam que, dentro dos regimes, a dinâmica dos preços se relaciona de forma côncava com o tempo e o volume, e que incorporar informações de regime melhora as previsões online em comparação com modelos que não as incluem. Esses resultados são específicos aos dados estudados e às comparações entre modelos; o documento não apresenta detalhes de implementação nem evidências em outros mercados.

Ideias principais

• A persistência do fluxo de ordens pode refletir a execução gradual de grandes ordens.
• A detecção bayesiana online de pontos de mudança pode identificar alterações nos regimes do fluxo de ordens enquanto ocorrem.
• Um modelo baseado em escores acomoda a dependência temporal e parâmetros variáveis dentro dos regimes.
• A aplicação à NASDAQ relata previsões melhores de fluxo de ordens e impacto de mercado quando inclui informações de regime.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.