Ước lượng tác động lên thị trường cổ phiếu từ mất cân bằng luồng lệnh

Tóm tắt

Nghiên cứu này xem xét các yếu tố định hình thanh khoản thị trường cổ phiếu, tập trung vào mối liên hệ giữa luồng lệnh có dấu và tác động giá. Nghiên cứu kết nối các mô hình lý thuyết kiểu Kyle về giao dịch và thanh khoản với các mô hình trong dữ liệu giao dịch và báo giá công khai. Phát hiện thực nghiệm được báo cáo là, với luồng lệnh có dấu nhỏ, tác động giá tăng gần tuyến tính theo mức mất cân bằng luồng lệnh.

Các tác giả cũng áp dụng học máy để dự báo tác động thị trường từ luồng lệnh có dấu và báo cáo độ chính xác dự báo cao hơn các phương pháp thống kê truyền thống. Những ước tính này có thể giúp nhà giao dịch dự đoán chi phí giao dịch trước khi thực hiện lệnh và đánh giá chất lượng thực thi sau đó. Tài liệu không nêu chi tiết bộ dữ liệu, đặc tả mô hình, chỉ số dự báo hay bằng chứng hiệu suất ngoài so sánh đã nêu. Vì vậy, tốt nhất nên xem các phát hiện như mô tả kết quả nghiên cứu được báo cáo, chứ không phải bằng chứng rằng một mô hình cụ thể sẽ khái quát được trên nhiều loại chứng khoán hay điều kiện thị trường.

Ý chính

• Tác động giá được trình bày như một thước đo thống kê về thanh khoản thị trường.
• Với luồng lệnh có dấu nhỏ, nghiên cứu báo cáo mối quan hệ gần tuyến tính giữa mất cân bằng và tác động giá.
• Các tác giả dùng học máy để dự báo tác động từ luồng lệnh có dấu.
• Ước tính tác động có thể hỗ trợ ước tính chi phí trước giao dịch và đánh giá thực thi sau giao dịch.
• Tài liệu không cung cấp chi tiết mô hình hay kết quả dự báo định lượng.

Thẻ

# 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.

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.