Кластеризация событий книги лимитных заявок для построения сигналов потока ордеров
Сводка
ClusterLOB группирует отдельные рыночные события по данным market-by-order, используя шесть зависящих от времени признаков и кластеризацию K-means++. Полученные группы интерпретируются как направленные, оппортунистические и маркет-мейкерские участники, что позволяет изучать разные модели поведения в книге лимитных заявок.
В исследовании используются данные NASDAQ за один год, охватывающие акции с малым, средним и крупным тиком. Авторы измеряют дисбаланс потока заявок для каждого кластера в интервалах по 30 минут и оценивают сигналы с помощью торговых стратегий, в том числе сравнивают их с эталонными стратегиями без кластеризации на обучающих и тестовых данных. Также рассматриваются сигналы дисбаланса для добавления и отмены заявок и сделок. По сообщаемым результатам, на тестовой выборке стратегия, выбранная по коэффициенту Шарпа на обучающих данных, показывает лучшие результаты; однако в документе нет подробных численных показателей или дополнительных данных об обобщаемости за пределами этого набора данных.
Ключевые идеи
- События market-by-order представлены шестью зависящими от времени признаками перед кластеризацией.
- Алгоритм K-means++ распределяет события по трём группам, интерпретируемым как направленное, оппортунистическое и маркет-мейкерское поведение.
- Дисбаланс потока заявок для каждого кластера рассчитывается через интервалы по 30 минут и используется как торговый сигнал.
- В исследовании стратегии на основе этих сигналов сравниваются с эталонными, а данные разделяются на обучающую и тестовую выборки.
- Отдельный анализ дисбаланса охватывает добавление и отмену заявок, а также сделки.
Теги
Полный текст
# 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.
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.