微观极限订单簿模型下的算法交易
本研究采用极限订单簿模型,考察了订单动态与现有最佳价格及当前交易量密度函数的关系,并得出了订单簿模型在个体订单大小、价格变动、订单到达率等趋近于零或无限大时, 连续时间极限的一些结论,同时在该极限情况下,两个阵营的交易量密度可分别用非线性偏微分方程来描述。
Feb, 2015
利用先进的深度学习方法,研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame',高效处理大规模的限价挂单簿数据,定量评估最新的深度学习模型的预测能力。研究结果有两个方面:我们证明股票的微观结构特征影响深度学习方法的有效性,而高预测能力并不一定对应可执行的交易信号。我们认为,传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代,我们提出了一种创新的操作框架,通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径,从而做出明智而稳健的决策。
Mar, 2024
本研究针对目前 LOB 数据普及性不高的问题,扩展了 LOBRM 模型的应用范围,提出了一种包含时间加权 z 分数标准化和指数衰减核的 LOBRM 流程,并通过沿用实时应用场景的数据集进行实验证明,其预测准确率优于传统非线性模型。同时,本研究提出了 TAQ 的稀疏编码方法,实现了对多种任务的提升。
Jul, 2021
本文研究了限价订单簿的随机模型,使用马尔可夫队列系统描述市场订单、限价订单和订单取消的到达情况,进而通过分析推导出价格变化之间的时间分布、价格变化的分布和自相关性以及条件下价格上涨的概率,并分析了价格过程的扩散极限和与买卖订单和撤单到达率相关的价格波动性。这些分析结果提供了订单流量和价格动态之间关系的一些见解。
Apr, 2011
引入了一种新型的大规模深度学习模型来预测限价单簿的中间价格变动,称为 HLOB。该模型利用信息过滤网络 (Triangulated Maximally Filtered Graph) 来揭示卷面层次之间更深层次和非平凡的依赖结构,并通过从同源卷积神经网络 (Homological Convolutional Neural Networks) 中汲取灵感来保证处理底层系统复杂性的确定性设计。我们对三个包含 15 只在纳斯达克交易所交易的股票的真实限价单簿数据集进行了对比实验,将我们的模型与 9 种最先进的深度学习模型进行了系统性的比较,我们系统地表征了 HLOB 优于最先进模型的情景。我们的方法揭示了限价单簿信息在空间分布上的情况,并揭示了它在增加的预测时间范围内的退化情况,缩小了微观结构建模和基于深度学习的高频金融市场预测之间的差距。
May, 2024
该论文考虑了极限订单簿中解决最优清算问题的框架,其中订单到达被建模为点过程,其强度取决于清算价格。通过构建随机控制问题来选择策略,目标是最大化清算所持有的全部头寸的预期收益,通过粘性解决方案的技术展示了异质性和连续出售极限的优化方案使离散状态问题及其最优解一致收敛于分段均匀的连续状态。
May, 2011
该研究提出了一种基于 Hawkes 模型的极限订单簿(LOB)数据的新型预测算法,通过利用未来财务交互的预测,精确预测收益方向,并利用原始时间序列的非均匀采样结构,该策略在交易环境中实现了比基准模型更高的预测准确性和累积利润。
Dec, 2023
本文概述了大量实证和理论研究在限价订单簿上取得的洞见,探讨了统计分析历史价位和数量数据所报告的研究结果,说明了许多 LOB 模型并不像真实 LOB 一样。此外,我们还发现了一些关键未解决问题。
Dec, 2010
本文介绍一种利用深度学习通过限价单数据预测股票价格的方法,并通过 LSTM 模块和卷积滤波器提高了预测精度和时间依赖性,同时通过敏感度分析的方法解释了 LOB 中最重要的组件。
Aug, 2018