Agrupamento de eventos de ordens limitadas para criar sinais de fluxo
Resumo
ClusterLOB agrupa eventos individuais do mercado com dados market-by-order usando seis características dependentes do tempo e agrupamento K-means++. Os grupos resultantes são interpretados como participantes direcionais, oportunistas e formadores de mercado, oferecendo uma forma de estudar diferentes comportamentos em um livro de ordens limitadas.
O estudo usa um ano de dados NASDAQ, abrangendo ações com ticks pequenos, médios e grandes. Ele mede o desequilíbrio do fluxo de ordens por grupo em intervalos de 30 minutos e avalia os sinais por meio de estratégias de trading, incluindo comparações com referências sem agrupamento nos dados de treinamento e teste. Também examina sinais de desequilíbrio para adições de ordens, cancelamentos e negociações. O desempenho de teste relatado é superior para a estratégia selecionada pelo índice de Sharpe nos dados de treinamento, mas o documento não fornece números detalhados de desempenho nem outras evidências sobre a generalização para além desse conjunto de dados.
Ideias principais
- Eventos market-by-order são representados por seis características dependentes do tempo antes do agrupamento.
- O K-means++ distribui os eventos em três grupos interpretados como comportamentos direcionais, oportunistas e de formação de mercado.
- Desequilíbrios do fluxo de ordens por grupo são calculados em intervalos de 30 minutos como sinais de trading.
- O estudo compara estratégias que usam esses sinais com referências e separa os dados de treinamento dos dados de teste.
- Análises separadas de desequilíbrio abrangem adições de ordens, cancelamentos e negociações.
Tags
Texto completo
# 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.
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.