分层半参数久期模型

本研究尝试将限价订单簿市场中的交易随机过程建模为一个标值点过程。我们提出了一个给定过去信息的条件分布的半参数模型，试图以非参数方式捕捉近期过去的影响，并使用参数时间序列模型捕捉更远期过去的影响。我们的框架在久期密度的形状和时间依赖的形式方面，比最常用的模型族——自回归条件久期（ACD）模型——提供了更大的灵活性。我们还提出了一种针对逐日变化的日内趋势的在线学习算法。这使我们既能预测未来的交易时间，也能纳入额外解释变量的影响。在本文中，我们利用纽约证券交易所的数据表明，该框架在预测对数似然和各种诊断检验方面均优于 ACD 模型族。总的来说，该框架既可用于估计点过程的强度，也可用于估计时间序列的联合密度。