Байесовское выявление точек сдвига в потоке заявок и влиянии на рынок
Сводка
В статье устойчивый поток заявок на покупку и продажу рассматривается как признак смены рыночных режимов, которая может возникать, когда крупные заявки дробятся и исполняются со временем. Предлагается метод байесовского онлайн-выявления точек сдвига с оценочно-управляемой моделью, допускающей серийную зависимость и изменение параметров внутри каждого режима. Цель — выявлять сдвиги в реальном времени и улучшать прогнозы потока заявок и влияния на цену.
Эмпирическое применение к данным NASDAQ показывает более точные прогнозы вне выборки, чем у моделей режимов, предполагающих независимость наблюдений. Проверки остатков указывают, что предложенная модель достаточно хорошо описывает распределительные и временные характеристики. Авторы также обнаруживают, что внутри режимов зависимость динамики цены от времени и объёма является вогнутой, а учёт информации о режимах улучшает онлайн-прогнозы по сравнению с моделями без неё. Эти выводы относятся к изученным данным и сравнениям моделей; в документе нет подробностей реализации или свидетельств по другим рынкам.
Ключевые идеи
- Устойчивость потока заявок может отражать постепенное исполнение крупных заявок.
- Байесовское онлайн-выявление точек сдвига позволяет обнаруживать смену режимов потока заявок по мере её возникновения.
- Оценочно-управляемая модель учитывает временную зависимость и изменение параметров внутри режимов.
- В применении к данным NASDAQ сообщается об улучшении прогнозов потока заявок и влияния на рынок при учёте информации о режимах.
Теги
Полный текст
# 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.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.