Phân cụm sự kiện sổ lệnh giới hạn để xây dựng tín hiệu luồng lệnh
Tóm tắt
ClusterLOB phân nhóm các sự kiện thị trường riêng lẻ từ dữ liệu thị trường theo từng lệnh bằng sáu đặc trưng phụ thuộc thời gian và phương pháp phân cụm K-means++. Các nhóm thu được được diễn giải là những người tham gia theo hướng, tìm kiếm cơ hội và tạo lập thị trường, qua đó cung cấp cách nghiên cứu các hành vi khác nhau trong sổ lệnh giới hạn.
Nghiên cứu sử dụng dữ liệu NASDAQ trong một năm, bao gồm cổ phiếu có bước giá nhỏ, trung bình và lớn. Nghiên cứu đo mức mất cân bằng luồng lệnh theo cụm trong các khoảng 30 phút và đánh giá tín hiệu thông qua các chiến lược giao dịch, bao gồm so sánh với chuẩn không phân cụm trên dữ liệu huấn luyện và kiểm tra. Nghiên cứu cũng xem xét tín hiệu mất cân bằng của lệnh bổ sung, lệnh hủy và giao dịch. Hiệu suất kiểm tra được báo cáo cao hơn đối với chiến lược được chọn theo tỷ số Sharpe trên dữ liệu huấn luyện, nhưng tài liệu không cung cấp số liệu hiệu suất chi tiết hoặc thêm bằng chứng về khả năng khái quát hóa ngoài tập dữ liệu này.
Ý chính
- Các sự kiện từ dữ liệu thị trường theo từng lệnh được biểu diễn bằng sáu đặc trưng phụ thuộc thời gian trước khi phân cụm.
- K-means++ gán sự kiện vào ba nhóm được diễn giải là hành vi theo hướng, tìm kiếm cơ hội và tạo lập thị trường.
- Mức mất cân bằng luồng lệnh theo cụm được tính trong các khoảng 30 phút làm tín hiệu giao dịch.
- Nghiên cứu so sánh các chiến lược dùng những tín hiệu này với chuẩn, đồng thời tách riêng dữ liệu huấn luyện và kiểm tra.
- Các phân tích mất cân bằng riêng biệt bao gồm lệnh bổ sung, lệnh hủy và giao dịch.
Thẻ
Toàn văn
# 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.
Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0
Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.