跳至正文
返回文库全部文档

利用订单簿物理学预测波动率与收益

文章 arXiv papers · 作者: Haochen Li et al.
阅读原文

总结

本研究提出一种受统计物理学启发的方法，利用 3 级限价订单簿数据预测价格波动率和预期收益。该方法将订单视为物理系统中的元素，并定义类似动能和动量的指标来描述订单簿状态。其目标是捕捉最优买价和卖价之外的市场微观结构。

其中一个核心特征是“主动深度”，这是一种计算效率较高的方法，用于识别被认为与价格动态相关的订单簿价位。作者报告称，与传统基准和一种机器学习算法相比，该模型在实证比较中表现更好，对波动率和预期收益的预测也有所改善。摘录没有说明市场、数据时期、基准详情、评估指标或统计显著性，因此仅凭这段描述无法评估所称的收益。该方法是一种预测框架，而非完整交易策略，其效用可能取决于数据质量和市场条件。

核心观点

  • 模型使用 3 级订单簿数据预测波动率和预期收益。
  • 模型将订单簿特征映射为受物理学中动能和动量启发的指标。
  • 主动深度用于识别预计会影响价格动态的订单簿价位。
  • 研究报告称，其预测表现优于传统方法和一种机器学习基准。
  • 摘录没有提供足够的评估细节，无法判断结果可在多大范围内推广。

标签

市场微观结构波动率统计学机器学习交易执行
全文
# An Empirical Analysis on Financial Markets: Insights from the Application of Statistical Physics


# An Empirical Analysis on Financial Markets: Insights from the Application of Statistical Physics









In this study, we introduce a physical model inspired by statistical physics for predicting price volatility and expected returns by leveraging Level 3 order book data. By drawing parallels between orders in the limit order book and particles in a physical system, we establish unique measures for the system's kinetic energy and momentum as a way to comprehend and evaluate the state of limit order book. Our model goes beyond examining merely the top layers of the order book by introducing the concept of 'active depth', a computationally-efficient approach for identifying order book levels that have impact on price dynamics. We empirically demonstrate that our model outperforms the benchmarks of traditional approaches and machine learning algorithm. Our model provides a nuanced comprehension of market microstructure and produces more accurate forecasts on volatility and expected returns. By incorporating principles of statistical physics, this research offers valuable insights on understanding the behaviours of market participants and order book dynamics.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。