Оценка ценового воздействия по дисбалансу ордеров

Сводка

В исследовании рассматриваются факторы, определяющие ликвидность фондового рынка, и прежде всего связь направленного потока ордеров с ценовым воздействием. Теоретические модели торговли и ликвидности в духе Кайла сопоставляются с закономерностями в общедоступных данных о сделках и котировках. Согласно описанному эмпирическому результату, при небольших направленных потоках ордеров ценовое воздействие растёт примерно линейно с дисбалансом потока.

Авторы также применяют машинное обучение для прогноза рыночного воздействия по направленному потоку ордеров и сообщают о более высокой точности, чем у традиционных статистических методов. Такие оценки могут помочь трейдерам прогнозировать транзакционные издержки до исполнения и оценивать качество исполнения после него. В документе нет подробностей о наборе данных, спецификациях моделей, метриках прогноза или результатах за пределами указанного сравнения. Поэтому выводы лучше считать описанием результатов исследования, а не доказательством того, что конкретная модель будет применима к разным ценным бумагам и рыночным условиям.

Ключевые идеи

• Ценовое воздействие представлено как статистическая мера ликвидности рынка.
• Для небольших направленных потоков ордеров исследование показывает приблизительно линейную связь дисбаланса с ценовым воздействием.
• Авторы используют машинное обучение для прогноза воздействия по направленному потоку ордеров.
• Оценки воздействия помогают прогнозировать издержки до сделки и оценивать исполнение после неё.
• В документе нет подробностей о моделях или количественных результатах прогнозирования.

Теги

# 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.

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.