Aprendizado Profundo Identifica Padrões Comuns na Formação de Preços de Ações

Resumo

Este estudo usa aprendizado profundo em um banco de dados de alta frequência de cotações e negociações de ações dos US para modelar como a oferta e a demanda no livro de ofertas se relacionam com variações posteriores de preços. Ele testa previsões da direção dos movimentos de preços usando históricos de preços e fluxo de ordens, avaliando o desempenho entre ações e períodos. O modelo é treinado com muitas ações, em vez de separadamente para cada ativo.

Os autores relatam precisão estável fora da amostra entre setores e períodos, inclusive para ações excluídas do treinamento. Nas comparações, o modelo agrupado supera modelos lineares e não lineares específicos de cada ativo, o que apoia a existência de padrões comuns na formação de preços e o valor de combinar dados de várias ações. Normalizações padrão e a divisão dos dados de treinamento por setor ou grupo de tamanho de tick não melhoraram os resultados relatados, enquanto incluir mais observações passadas melhorou. Os resultados indicam dependência do caminho, mas o documento não informa a precisão numérica, as datas da amostra nem uma análise dos custos de trading. Portanto, previsões direcionais não demonstram que o modelo geraria operações lucrativas após os custos de execução.

Ideias principais

• Um modelo de aprendizado profundo relaciona a oferta e a demanda no livro de ofertas às variações subsequentes nos preços das ações.
• O agrupamento de dados de várias ações supera os modelos lineares e não lineares específicos de cada ativo testados.
• A precisão preditiva relatada é estável entre ações e períodos, inclusive para ações fora da amostra de treinamento.
• Históricos mais longos de preços e fluxo de ordens melhoram as previsões, sugerindo dependência do caminho.
• O documento relata resultados de previsões direcionais, mas não demonstra lucratividade após os custos de trading.

Tags

# Universal features of price formation in financial markets: perspectives from Deep Learning


# Universal features of price formation in financial markets: perspectives from Deep Learning









Using a large-scale Deep Learning approach applied to a high-frequency database containing billions of electronic market quotes and transactions for US equities, we uncover nonparametric evidence for the existence of a universal and stationary price formation mechanism relating the dynamics of supply and demand for a stock, as revealed through the order book, to subsequent variations in its market price. We assess the model by testing its out-of-sample predictions for the direction of price moves given the history of price and order flow, across a wide range of stocks and time periods. The universal price formation model is shown to exhibit a remarkably stable out-of-sample prediction accuracy across time, for a wide range of stocks from different sectors. Interestingly, these results also hold for stocks which are not part of the training sample, showing that the relations captured by the model are universal and not asset-specific. The universal model --- trained on data from all stocks --- outperforms, in terms of out-of-sample prediction accuracy, asset-specific linear and nonlinear models trained on time series of any given stock, showing that the universal nature of price formation weighs in favour of pooling together financial data from various stocks, rather than designing asset- or sector-specific models as commonly done. Standard data normalizations based on volatility, price level or average spread, or partitioning the training data into sectors or categories such as large/small tick stocks, do not improve training results. On the other hand, inclusion of price and order flow history over many past observations is shown to improve forecasting performance, showing evidence of path-dependence in price dynamics.

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.