آرڈر فلو کے عدم توازن سے ایکویٹی مارکیٹ اثر کا تخمینہ

مضمون arXiv papers · مصنف: Anastasia Bugaenko

خلاصہ

یہ مطالعہ ایکویٹی مارکیٹ کی لیکویڈیٹی کو تشکیل دینے والے عوامل کا جائزہ لیتا ہے، اور خرید و فروخت کے رخ کے ساتھ نشان زد آرڈر فلو اور قیمت پر اثر کے تعلق پر توجہ دیتا ہے۔ یہ کائل طرز کے ٹریڈنگ اور لیکویڈیٹی کے نظریاتی ماڈلز کو عوامی طور پر دستیاب ٹریڈ اور کوٹ ڈیٹا کے نمونوں سے جوڑتا ہے۔ رپورٹ شدہ تجرباتی نتیجہ یہ ہے کہ خرید و فروخت کے رخ کے ساتھ نشان زد چھوٹے آرڈر فلو میں، آرڈر فلو کے عدم توازن کے ساتھ قیمت پر اثر تقریباً خطی طور پر بڑھتا ہے۔

مصنفین دستخط شدہ آرڈر فلو سے مارکیٹ اثر کی پیش گوئی کے لیے مشین لرننگ بھی استعمال کرتے ہیں اور روایتی شماریاتی طریقوں سے بہتر پیش گوئی کی درستگی رپورٹ کرتے ہیں۔ ایسے تخمینے ٹریڈرز کو نفاذ سے پہلے لین دین کے اخراجات کا اندازہ لگانے اور بعد میں نفاذ کے معیار کو جانچنے میں مدد دے سکتے ہیں۔ دستاویز ڈیٹا سیٹ کی تفصیلات، ماڈل کی تخصیصات، پیش گوئی کے پیمانے، یا بیان کردہ تقابل سے آگے کارکردگی کے شواہد نہیں دیتی۔ لہٰذا اس کے نتائج کو مطالعے کے رپورٹ شدہ نتائج کی وضاحت سمجھنا بہتر ہے، اس بات کا ثبوت نہیں کہ کوئی مخصوص ماڈل مختلف سیکیورٹیز یا مارکیٹ حالات میں بھی لاگو ہوگا۔

اہم خیالات

قیمت پر اثر کو مارکیٹ لیکویڈیٹی کا شماریاتی پیمانہ پیش کیا گیا ہے۔
خرید و فروخت کے رخ کے ساتھ نشان زد چھوٹے آرڈر فلو میں، مطالعہ عدم توازن اور قیمت پر اثر کے درمیان تقریباً خطی تعلق رپورٹ کرتا ہے۔
مصنفین خرید و فروخت کے رخ کے ساتھ نشان زد آرڈر فلو سے قیمت پر اثر کی پیش گوئی کے لیے مشین لرننگ استعمال کرتے ہیں۔
اثر کے تخمینے ٹریڈ سے پہلے لاگت کے اندازے اور ٹریڈ کے بعد نفاذ کی جانچ میں معاون ہو سکتے ہیں۔
دستاویز میں ماڈل کی تفصیلات یا پیش گوئی کے مقداری نتائج نہیں ہیں۔

ٹیگز

حصص مارکیٹ مائیکرو اسٹرکچر مشین لرننگ آرڈر پر عمل درآمد شماریات

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔