Глубокое обучение выявляет общие закономерности формирования цен акций в книге заявок

Сводка

В этом исследовании глубокое обучение применяется к высокочастотной базе котировок и сделок с акциями US, чтобы смоделировать связь спроса и предложения в книге заявок с последующими изменениями цен. Направление движения цены прогнозируется на основе истории цен и потока ордеров; результаты оцениваются для разных акций и периодов. Модель обучается на множестве акций, а не отдельно для каждого актива.

Авторы сообщают о стабильной точности вне выборки в разных секторах и периодах, в том числе для акций, исключённых из обучения. В сравнении объединённая модель превосходит линейные и нелинейные модели для отдельных активов, что указывает на общие закономерности формирования цен и ценность объединения данных по акциям. Стандартная нормализация и разделение обучающих данных по секторам или размеру шага цены не улучшили результаты, а добавление более длинной истории улучшило. Результаты указывают на зависимость от предшествующей динамики, однако в документе не приведены численные показатели точности, даты выборки или анализ торговых издержек. Поэтому прогнозирование направления само по себе не доказывает, что модель позволит получать прибыль после издержек исполнения.

Ключевые идеи

• Модель глубокого обучения связывает спрос и предложение в книге заявок с последующими изменениями цен акций.
• Объединение данных по акциям превосходит протестированные линейные и нелинейные модели для отдельных активов.
• По сообщению авторов, точность прогнозов стабильна для разных акций и периодов, включая акции вне обучающей выборки.
• Более длинная история цен и потока ордеров улучшает прогнозирование, что указывает на зависимость от предшествующей динамики.
• Документ сообщает о прогнозировании направления, но не доказывает прибыльность после торговых издержек.

Теги

# 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.

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.