基于贝叶斯变点检测方法的订单流与市场影响的在线学习
交易与市场微观结构
2024-05-06 v2 计量经济学
摘要
金融订单流表现出显著的持续性，其中买（卖）交易之后常在较长时期内继以后续的买（卖）交易。这种持续性可归因于大单的拆分与逐步执行。因此，可能会出现不同的订单流状态，可通过应用于市场数据的适当时间序列模型来识别。在本文中，我们提出使用贝叶斯在线变点检测（BOCPD）方法实时识别状态切换，并实现订单流与市场影响的在线预测。为提升我们方法的有效性，我们开发了一种使用得分驱动方法的新颖BOCPD方法。该方法在每个状态内容纳时间相关性与时变参数。通过对NASDAQ数据的实证应用，我们发现：（i）我们新提出的模型相比假设各状态内独立同分布行为的现有模型表现出更优的样本外预测性能；（ii）在考察残差时，我们的模型在分布假设与时间相关性方面均表现出良好的设定；（iii）在给定状态内，价格动态相对于时间与成交量呈凹关系，反映了实际大单的特征；（iv）通过纳入状态信息，我们的模型相比不考虑状态的模型产生了更准确的订单流与市场影响在线预测。
引用
@article{arxiv.2307.02375,
title = {Online Learning of Order Flow and Market Impact with Bayesian Change-Point Detection Methods},
author = {Ioanna-Yvonni Tsaknaki and Fabrizio Lillo and Piero Mazzarisi},
journal= {arXiv preprint arXiv:2307.02375},
year = {2024}
}
备注
25 pages, 10 figures, 4 tables. This paper is funded by European Union Next Generation EU with the grant PNRR IR0000013 SoBigData.it