Моделирование книги лимитных заявок с потоком заявок Хоукса

Сводка

В рамках этого исследовательского подхода детерминированный симулятор книги лимитных заявок объединяется со стохастическим поступлением заявок, генерируемым многомерными маркированными процессами Хоукса. В документе объясняется, как линейные и нелинейные модели Хоукса могут описывать кластеризацию потока заявок; также приводятся результаты об устойчивости и эргодичности для обоих типов моделей. Подход включает диагностику на основе преобразования времени и диагностику соответствия модели данным для оценки подогнанных моделей событий.

Авторы калибруют экспоненциальные ядра и ядра со степенным законом на данных Binance BTCUSDT и LOBSTER AAPL. Они сообщают, что для воспроизведения реалистичной кластеризации потока заявок важен почти неустойчивый, но субкритический режим. В документе описаны метод исследования и эмпирическая калибровка, а не торговая стратегия или проверка прибыльности. Выводы зависят от выбранных наборов данных и предположений модели; в кратком описании нет подробностей калибровки, результатов диагностики или данных об эффективности при реальном исполнении.

Ключевые идеи

• Процессы Хоукса позволяют моделировать кластеризацию поступающих событий в книге лимитных заявок.
• В подходе стохастический поток заявок сочетается с детерминированным симулятором книги лимитных заявок.
• Устойчивость и эргодичность анализируются для линейных и нелинейных моделей Хоукса.
• Для оценки подогнанных процессов используются диагностика на основе преобразования времени и диагностика соответствия модели данным.
• Согласно калибровкам, почти критическая субкритическая динамика помогает воспроизводить реалистичную кластеризацию.

Теги

# A Deterministic Limit Order Book Simulator with Hawkes-Driven Order Flow


# A Deterministic Limit Order Book Simulator with Hawkes-Driven Order Flow









We present a reproducible research framework for market microstructure combining a deterministic C++ limit order book (LOB) simulator with stochastic order flow generated by multivariate marked Hawkes processes. The paper derives full stability and ergodicity proofs for both linear and nonlinear Hawkes models, implements time-rescaling and goodness-of-fit diagnostics, and calibrates exponential and power-law kernels on Binance BTCUSDT and LOBSTER AAPL datasets. Empirical results highlight the nearly-unstable subcritical regime as essential for reproducing realistic clustering in order flow. All code, datasets, and configuration files are publicly available at https://github.com/sohaibelkarmi/High-Frequency-Trading-Simulator

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.