Estimativa do impacto no mercado acionário a partir do desequilíbrio do fluxo de ordens

Resumo

Este estudo examina fatores que moldam a liquidez do mercado acionário, com foco na relação entre o fluxo de ordens com sinal e o impacto nos preços. Ele conecta modelos teóricos de negociação e liquidez no estilo de Kyle a padrões em dados públicos de negócios e cotações. O resultado empírico relatado é que, para pequenos fluxos de ordens com sinal, o impacto nos preços aumenta de forma aproximadamente linear com o desequilíbrio do fluxo de ordens.

Os autores também aplicam aprendizado de máquina para prever o impacto no mercado a partir do fluxo de ordens com sinal e relatam maior precisão preditiva do que métodos estatísticos tradicionais. Essas estimativas podem ajudar traders a antecipar custos de transação antes da execução e avaliar a qualidade da execução depois. O documento não informa detalhes do conjunto de dados, especificações do modelo, métricas de previsão ou evidências de desempenho além da comparação mencionada. Portanto, é melhor tratar os resultados como uma descrição do que o estudo relata, e não como prova de que um modelo específico se generalizará para diferentes ativos ou condições de mercado.

Ideias principais

• O impacto nos preços é apresentado como uma medida estatística da liquidez do mercado.
• Para pequenos fluxos de ordens com sinal, o estudo relata uma relação aproximadamente linear entre desequilíbrio e impacto nos preços.
• Os autores usam aprendizado de máquina para prever o impacto a partir do fluxo de ordens com sinal.
• As estimativas de impacto podem embasar estimativas de custos antes da operação e avaliações da execução após a operação.
• O documento não apresenta detalhes do modelo nem resultados quantitativos de previsão.

Tags

# Empirical Study of Market Impact Conditional on Order-Flow Imbalance


# Empirical Study of Market Impact Conditional on Order-Flow Imbalance









In this research, we have empirically investigated the key drivers affecting liquidity in equity markets. We illustrated how theoretical models, such as Kyle's model, of agents' interplay in the financial markets, are aligned with the phenomena observed in publicly available trades and quotes data. Specifically, we confirmed that for small signed order-flows, the price impact grows linearly with increase in the order-flow imbalance. We have, further, implemented a machine learning algorithm to forecast market impact given a signed order-flow. Our findings suggest that machine learning models can be used in estimation of financial variables; and predictive accuracy of such learning algorithms can surpass the performance of traditional statistical approaches. Understanding the determinants of price impact is crucial for several reasons. From a theoretical stance, modelling the impact provides a statistical measure of liquidity. Practitioners adopt impact models as a pre-trade tool to estimate expected transaction costs and optimize the execution of their strategies. This further serves as a post-trade valuation benchmark as suboptimal execution can significantly deteriorate a portfolio performance. More broadly, the price impact reflects the balance of liquidity across markets. This is of central importance to regulators as it provides an all-encompassing explanation of the correlation between market design and systemic risk, enabling regulators to design more stable and efficient markets.

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.