全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1063 30
2022-05-10
英文标题:
《A Semi-Markovian Modeling of Limit Order Markets》
---
作者:
Anatoliy Swishchuk and Nelson Vadori
---
最新提交年份:
2016
---
英文摘要:
  R. Cont and A. de Larrard (SIAM J. Finan. Math, 2013) introduced a tractable stochastic model for the dynamics of a limit order book, computing various quantities of interest such as the probability of a price increase or the diffusion limit of the price process. As suggested by empirical observations, we extend their framework to 1) arbitrary distributions for book events inter-arrival times (possibly non-exponential) and 2) both the nature of a new book event and its corresponding inter-arrival time depend on the nature of the previous book event. We do so by resorting to Markov renewal processes to model the dynamics of the bid and ask queues. We keep analytical tractability via explicit expressions for the Laplace transforms of various quantities of interest. We justify and illustrate our approach by calibrating our model to the five stocks Amazon, Apple, Google, Intel and Microsoft on June 21^{st} 2012. As in R. Cont and A. de Larrard, the bid-ask spread remains constant equal to one tick, only the bid and ask queues are modeled (they are independent from each other and get reinitialized after a price change), and all orders have the same size.
---
中文摘要:
R.Cont和A.de Larrard(SIAM J.Finan.Math,2013)为限价订单簿的动态引入了一个易于处理的随机模型,计算各种利息量,如价格上涨的概率或价格过程的扩散极限。正如经验观察所建议的,我们将其框架扩展到1)书籍事件到达时间(可能非指数)的任意分布,以及2)新书事件及其相应到达时间的性质都取决于前一本书事件的性质。为此,我们采用马尔可夫更新过程来模拟买卖队列的动态。我们通过各种感兴趣的拉普拉斯变换的显式表达式来保持分析的可处理性。我们在2012年6月21日将我们的模型校准为亚马逊、苹果、谷歌、英特尔和微软的五种股票,以此证明并说明我们的方法。与R.Cont和A.de Larrard一样,买卖价差保持不变,等于一个刻度,只对买卖队列进行建模(它们相互独立,在价格变化后重新初始化),所有订单的大小相同。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Mathematical Finance        数学金融学
分类描述:Mathematical and analytical methods of finance, including stochastic, probabilistic and functional analysis, algebraic, geometric and other methods
金融的数学和分析方法,包括随机、概率和泛函分析、代数、几何和其他方法
--
一级分类:Quantitative Finance        数量金融学
二级分类:Trading and Market Microstructure        交易与市场微观结构
分类描述:Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构,流动性,交易和拍卖设计,自动化交易,基于代理的建模和做市
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-10 14:11:10
限价订单市场的半马尔可夫模型加拿大阿尔伯塔省卡尔加里西北大学大道2500号卡尔加里大学卡尔加里分校数学与统计系1N4aswish@ucalgary.ca, nvadori@ucalgary.caMarch11 2015年摘要。R.Cont和A.de Larrard[5]引入了一个可处理的随机模型,用于限制订单簿的动态,计算各种感兴趣的数量,例如价格上涨的概率或价格过程的差异限制。根据经验观察,我们将其框架扩展到1)书籍事件到达时间的任意分布(可能是非指数分布)和2)新书事件的性质及其相应的到达时间取决于前一本书事件的性质。为此,我们采用马尔可夫更新过程来模拟买卖队列的动态。我们通过各种感兴趣的拉普拉斯变换的显式表达式来保持分析的可处理性。2012年6月21日,我们将我们的模型校准为五种股票,即亚马逊、苹果、谷歌、英特尔和微软,以此证明我们的方法是合理的,并对其进行了说明。与[5]一样,买卖价差保持不变,等于一个刻度,只对买卖队列进行建模(它们相互独立,在价格变化后重新初始化),所有订单的大小相同。关键词。限价订单簿,马尔可夫更新过程,扩散极限,持续时间分析,威布尔,伽马。AMS科目分类。60K15、60K20、90B22、91B24、91B701介绍最近,对限价订单市场建模的兴趣增加了。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 14:11:13
一些研究侧重于高频环境下的最优交易策略:例如[8]在股票价格遵循半马尔可夫过程,而市场订单通过与股票价格本身相关的点过程到达限价订单簿的情况下研究此类最优交易策略。[2] 为寻求同时使用限价和市场订单执行大型订单的投资者制定最佳执行策略,并限制此类订单的数量。[13] 研究在固定时间间隔内购买大量金融资产股份的最佳执行策略。另一方面,另一类文章旨在对股票价格本身的高频动态进行建模,或对出现在限价指令簿的买入和卖出端的未完成限价指令的各种队列进行建模,从而产生股票价格的特定动态。在[7]中,引入了股票价格的半马尔可夫模型:价格增量与刻度大小的任意倍数相关且相等。这些价格增量之间的相关性仅通过它们的符号出现,而不是它们的(绝对)大小。在[4]中,通过整数值连续时间马尔可夫链对整个限价订单簿进行建模(而不仅仅是询问和出价队列)。使用Laplaceanalysis,他们计算各种感兴趣的数量,比如中间价上涨的概率,或者在中间价变动之前执行订单的概率。还介绍了参数估计的详细章节。有关限价指令市场的更全面文献,请参阅上述文章及其参考文献。本手稿的出发点是[5]一文,文中给出了限价订单簿动态的随机模型。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 14:11:16
只对买卖队列进行建模(它们彼此独立,在价格变化后重新初始化),买卖价差保持不变,等于一个刻度,所有订单大小相同。他们的模型在分析上易于处理,并允许他们计算各种利益量,如价格变化之间持续时间的分布、价格变化的分布和自相关性、价格上升的概率以及价格过程的扩散极限。在本文提出的各种假设中,我们试图在保持分析可压缩性的同时挑战其中两个假设:i)假设账面事件(限价订单、市场订单、订单取消)之间的到达时间是独立的,呈指数分布。ii)新书活动在投标或询价时的到来与之前的活动无关。假设i)在现有文献中比较常见([9]、[12]、[3]、[6]、[11]、[15]、[4])。尽管如此,如下文所示,当校准威布尔分布和伽马分布(亚马逊、苹果、谷歌、英特尔和微软,2012年6月21日)的间隔时间经验分布时,我们发现形状参数在所有情况下都显著不同于1(~ 0.1到0.3),这表明指数分布通常不足以捕捉这些到达时间间隔的行为。关于假设ii),我们将图书事件分为两种不同的类型:增加相应出价或询问队列大小的限制订单,以及减少相应队列大小的市场订单/订单取消。将前者同化为“+1”型,将后者同化为“1”型-1“,我们从经验上发现,获得“±1”型事件的概率与之前事件的性质无关。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 14:11:25
事实上,我们在下面给出了2012年6月的ask图书事件和微软股票出价之间的估计转换概率。可以看出,无条件概率P(1)和P(-1) 分别获取“+1”和“1”类型的事件-1“相对接近1/2,如[5]所示。尽管如此,鉴于最后一个事件属于类型i,我们表示P(i,j)获得类型j事件的条件概率,我们观察到P(i,j)可以显著依赖于前一个事件i。例如,在投标方,P(1,1)=0.63,而P(-1, 1) = 0.36.微软出价AskP(1,1)0.63 0.60便士(-1,1)0.36 0.41便士(-1.-1) 0.64 0.59便士(1,-1) 0.37 0.40便士(1)0.49 0.51便士(-1) 0.51 0.49预订活动到达的估计概率。2012年6月21日。在另一方面,我们将证明,我们可以获得股票价格的扩散极限结果,而无需诉诸于[5]的强对称假设。特别是,假设价格增量为i.i.d.,这与经验观察结果相反,如[7]所示。论文组织如下:第2节介绍了我们对limitorder book的半马尔可夫模型,第3节介绍了在该半马尔可夫模型的背景下获得的主要概率结果(直到下一次价格变化的持续时间、价格上涨的概率以及驱动股价过程的马尔可夫更新过程的特征),第4节介绍了股票价格过程的不同使用限制结果,第5节介绍了真实市场数据的一些校准结果。2限价订单市场的半马尔可夫模型贯穿本文,为了使阅读更方便,我们将在适当的时候使用与[5]相同的符号,因为这是本文的出发点。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 14:11:28
在本节中,我们将介绍我们的模型,必要时强调与[5]中模型的主要差异。让st、sat和sbtbe分别进行中期、询价和投标价格流程。将δ表示为“ticksize”,假设这些量通过以下关系联系起来:st=(sat+sbt),sat=sbt+δ。我们还将假设SBI具有确定性和积极性。在这种情况下,sa=sb+δ和s=sb+δ也具有确定性和积极性。如[5]所示,假设买卖价差-sbtis常数和等于一个刻度并不完全符合经验观察结果,但这是一个合理的假设,因为[5]表明——根据2008年6月26日对花旗集团、通用电气和通用汽车的股票分析——超过98%的观察结果表明,askspread等于一个刻度。这对应于订单簿不包含空级别(也称为“间隙”)的情况。假设价格过程为分段常数:在随机时间{Tn}n≥0(我们设置T:=0),它从之前的值sT跳转-nto一个新值sTn=sT-n±δ。通过构造,相同的买卖价格过程包括SAT和sbt。这些随机时间{Tn}对应于bid或ask队列耗尽的时间,因此,这些时间{Tn}的分布将作为我们将选择对bid和ask队列建模的动力学的结果而获得。让我们将qa和qb表示为非负整数值过程,它们表示在时间t时询问和出价队列的各自大小,即每个队列上未完成的限制顺序的数量。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群