使用聚合数据重建订单流

2022-5-19 15:10:25

法国CentraleSupelec定量金融主席，使用聚合数据重建订单流。ERIM，新喀里多尼亚新喀里多尼亚大学。CREST，日本科技厅，日本。2016年4月12日摘要在这项工作中，我们调查了TRTH数据库为三个不同交易所（巴黎-泛欧交易所、伦敦和法兰克福-德意志交易所）的几个股票提供的5年期逐笔数据。我们使用一个简单的算法来帮助交易和报价数据源的同步，并根据时间段和交换情况对基本过程进行了增强，这显示出重要的意义。我们表明，对该算法性能的分析是一种评估综合数据库质量的法医工具：我们能够通过数据跟踪所研究交易所发生的一些重大技术变化。我们还说明了这样一个事实，即在构建订单流时所做的选择会对根据此类数据校准的定量模型产生影响。我们的研究还提供了有关商业签名的要素，我们能够对标准Lee Ready程序进行更详细的了解，并给出了使用此方法时应选择最佳滞后的新要素。

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

2022-5-19 15:10:28

这些发现与财务推理和订单流量的说明性泊松模型分析一致。1简介高频金融市场的发展每天产生大量数据。在对20世纪上半叶羊毛月度价格的研究（Mandelbrot（1963）报道）之后，每日指标（开放、高、低、闭……）20世纪80年代和90年代常用的日内数据甚至（非常）高频数据现在是学者和从业者定量金融建模的共同研究对象。然而，目前交易所对完整和透明数据的公开程度不高，据我们所知，没有此类数据共享计划。由于交易所希望保护市场参与者的身份，因此不愿发布非常详细的数据。即使是匿名版本的此类数据也可能不容易找到，而且，在任何情况下，学术界都可以以不可忽视的价格获得更为详细/粗糙/聚合的数据。因此，大多数研究人员可用的基本数据库是逐笔“交易和报价”数据库，该数据库报告交易日内出现的匿名交易和汇总报价的更新。这些是（据推测是详尽的）有限订单状态快照，但它们没有详细说明触发从一种状态到另一种状态转换的消息。因此，研究人员设计了一些程序和算法来推断这些消息的某些特征，例如通过解决签名问题来推断，签名问题的目的是确定交易是由买方还是卖方发起的。在这方面，Lee&Ready（1991）的开创性工作仍然是当前的研究对象（参见e.g.Easley et al。

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

2022-5-19 15:10:31

（2016）avery最近的贡献）。然而，市场微观结构的最新发展侧重于更详细的观点，其中需要研究每个订单的特征，以便更好地掌握限价订单簿的动态。此类工作的两个示例包括限额订单簿建模（例如，见Cont et al.（2010）、Muni Toke（2015）、Huang et al.（2015）等）或采用Hawkes流程的订单流量建模（见第6节中的参考资料）。这项工作涉及从标准的“交易”和“报价”数据库重建详细的订单流。如果数据库是完美的，也就是说，如果它们从未错过更新，如果它们的时间戳精确到一个不确定的精度，如果它们的所有源都完全同步，那么这项练习将是非常简单和直接的。由于情况显然并非如此，因此订单流的构建需要一些适应的算法。在第2节中，我们描述了可用的数据库，在第3节中，我们详细介绍了在尝试同步“交易”和“报价”来源时遇到的困难，以及匹配过程的后果。我们提出了一个匹配程序，显著改善了基本原因。为了便于说明，本节介绍了2010年和2011年巴黎交易的股票结果，但第4节提供了更广泛的结果，其中在5年的时间窗口内对三个不同交易所（巴黎-泛欧交易所、伦敦和法兰克福-德意志交易所）的匹配程序进行了测试。结果表明，所提出的匹配显著提高了有序流重建的性能。

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

2022-5-19 15:10:35

非常有趣的是，这些测试表明，在这些时期影响这些交易所的技术变化在逐点数据上留下了深刻的印记，即使在交易所和数据供应商进行了几步转换和格式化之后也是如此。在第5节中，我们使用订单流重建来帮助评估Lee Ready贸易签名算法。因为我们在订单簿中准确地将交易与其顺序匹配，所以我们知道它们的“真实”标志，并可以评估LeeReady程序的性能。我们表明，不应建议Lee Readyprocedure使用绝对滞后值，因为最佳滞后是时间相关的。此外，对算法性能的研究提供了一些影响交易所的事件的信息，甚至是对聚合数据的商业签名等高级操作，揭示了影响数据生产的技术变化。最后，第6节说明了重建订单流时所做的选择如何可能影响重建样本上定量模型的校准，强调了拟定程序的重要性。2数据描述我们使用汤森路透Tick History（TRTH）数据库，其格式可在法国巴黎CentraleSup\'elec定量金融主席处获得。该数据库提供了大量股票和期货的所有报告交易和限额指令簿报价的所有更新，最多可提供给定数量的限额（通常为5或10，取决于所研究的日期和股票）。第四个数据库通过其（唯一的）路透社工具代码（RIC）识别金融产品。

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

能者818

2022-5-19 15:10:39

为了举例说明，“拉加。“PA”表示在巴黎交易的股票Lagard，“BARC”。巴克莱在伦敦交易的标准，“FEIZ9”是2009年12月3个月欧元银行同业拆借利率（Euribor）等的期货。CentraleSup’elec托管的版本涵盖了2008年至2013年大约五年的数据，但存在一些差距。数据库中的基本提取为我们提供了任何给定产品和交易日两个文件。第一个文件称为“交易”文件，列出了所有记录的交易（价格和交易量），时间戳以毫秒为单位。因此，“交易”文件有三个领域：“时间戳”、“价格”和“数量”。第二个文件将被称为“报价”文件，列出了排列在五个或十个最佳限制下的订单簿中股票数量的所有更新（价格和数量）。因此，“报价”文件有五个字段：“时间戳”、“侧面”、“水平”、“价格”和“数量”。表1显示了股票数据库实际摘录的“交易”文件的结构。2010年1月28日，宾夕法尼亚州。表1中所示的“交易”文件直接涉及到时间戳价格数量35977。101 27.54 18035987.244 27.545 20035987.244 27.55 4735987.244 27.55 12935987.247 27.55 100表1：股票LAGA“交易”文件摘录。PA于2015年1月28日宣读。表1的第一行表示在时间35977.101（以秒为单位，即上午9:59:37.101）时，以27.54欧元的价格进行了180股的交易。换言之，“交易”基本提取的每一行都是由法国巴黎银行开发的脚本完成的，我们并不控制该脚本。一些文件可根据要求提供给学术研究人员。文件可以转化为触发交易的市场秩序。

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…

nandehutu2022

2022-5-19 15:10:42

然而，“交易”明确规定了给定市场订单的价格和数量，但没有说明这是买入还是卖出市场订单：我们不知道微观结构方面的侵略者，即最后一方达成交易并因此触发交易。这将在第5节中讨论。表2显示了股票LAGA数据库实际摘录的“报价”文件的结构。2010年1月28日，宾夕法尼亚州。表2倒数第二行是指，通过比较Timestamp侧面价格数量36003。97 A 3 27.585 69736003.97 A 3 27.585 17736004.067 A 3 27.59 39136004.067 A 4 27.595 31136004.067 A 5 27.6 42736004.067 A 6 27.605 168836004.067 A 7 27.61 58636004.067 A 8 27.615 67736004.067 A 9 27.62 199936004.067 A 10 27.625 56836004.613 A 6 27.605 231536005.314 B 1 27.55 6829表2：摘自股票LAGA的“报价”文件。PA于2015年1月28日发布了从顶部开始的第六行，即在时间10:00:04.613，价格27.605欧元，尺寸2315-1688=627的订单量（新limitorder）有所增加。表2的第二行表示，与提取物的第一行相比，10:00:03.97时的有效量（取消长期限额订单）有所减少，价格为27.585欧元，size697-177=520。简言之，我们的数据是逐条记录的数据，因为所有修改订单簿的事件都被单独报告，而我们无法访问消息/订单的粒度，只能访问限额订单簿中订单大小的聚合量。3订单流量的重建我们的目标是重建精确的订单流量，即市场订单、限价订单和取消的完整序列，以及导致生成给定“交易”和“报价”文件的价格和数量。

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

2022-5-19 15:10:45

如果数据库完全一致，确定订单流量的一般算法将很简单，但存在不一致，主要是因为交易和报价的时间戳不同步，也可能是因为数据构建过程中可能存在不准确之处。3.1样本描述为了说明算法的构造，我们在数据库中从CAC 40中随机选择了七种流动股票（液化空气公司AIRP.PA、阿尔斯通公司Alstom ALSO.PA、法国巴黎银行BNPP.PA、布伊格银行BOUY.PA、家乐福银行家乐福分行、法国电力公司EDF.PA、Lagard\'ere LAGA.PA）。对于每只股票，我们从数据库中提取上述2011年1月17日起的“报价”和“交易”信息。请注意，此示例仅用于说明，第4节将提供更多库存和广泛日期范围的更详细结果。3.2分析“报价”我们从2N对“价格”-“数量”的空结构开始，表示订单的状态，即N个最佳出价和要价的可用股份数量及其价格。（N=5或10个限额通常可用，具体取决于风险核保和交易日）。我们逐行扫描“报价”文件。读取第一行可以初始化订单簿的状态。下面的每一行都是对给定数量和价格的更新：在第一种方法中，每一行都是一个新的限额订单（增加以给定价格提供的股票数量），或取消现有的限额订单（减少以给定价格提供的股票数量），如表2所示。在分析“引号”文件时，必须小心“移位”。

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

何人来此

2022-5-19 15:10:48

例如，如果在价差内提交限额订单，或以当前N个最佳报价内的价格提交，而之前没有限额订单，则会创建一个新级别，并对所有后续级别重新编号。这会在“报价”文件中提供多条非实际订单的更新消息。表3提供了一个示例。前十行描述订单簿的当前状态。eleventhline显示，在价差内以27.52欧元的价格提交了尺寸为66的新ask限额订单。接下来的九行不描述任何限制顺序，只更新级别编号（新的级别2是级别1，依此类推）。分析这些行时，要将leveln处的可用卷与leveln处的前一个卷进行比较- 1，以跟踪潜在的变化。由于我们观察到一个固定数量的价格N（通常等于10），变动可能会使一些信息消失：例如，在表3中，由于本书这一侧的左移，更新时失去了1638股股票在询价侧的价格为27.59的事实。通过互惠机制，提问方右移（或出价方左移）可能会带来新的信息，这不能解释为新的秩序。

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

2022-5-19 15:10:52

例如，在下面的表4中，最后一行表明598股股票在出价的第十个限额27.095时可用，这不是一个新的限额指令，尽管这是一个新的信息，因为之前没有对该价格进行监控。当解析整个“报价”文件时，我们有一系列的限价订单和取消订单——目前还没有市场订单——其时间戳为毫秒、边长、级别、价格和数量。时间戳边级价格数量34819。37 A 1 27.54 326344819.37 A 2 27.545 53034819.37 A 3 27.55 98934819.37 A 4 27.555 31834819.37 A 5 27.56 7934819.37 A 6 27.565 27534819.37 A 7 27.57 46834819.37 A 8 27.58 10034819.37 A 9 27.585 61234819.37 A 10 27.59 163834819.37 A 1 27.52 6634819.37 A 2 27.54 326344819.37 A 3 27.545 53034819.37 37 A 4 27.55 98934819.37 A 5 27.555 31834819.37 A 6 27.56 7934819.37 A 7 27.565 27534819.37 A 8 27.5746834819.37 A 9 27.58 10034819.37 A 10 27.585 612表3：由于以之前没有限额订单的价格提交的限额而导致的报价“变动”，在本例中的价差内。摘自LAGA的“报价”文件。PA于2010年1月28日发布。3.3在完美情况下解析“交易”文件订单流量重建的第二步处理“交易”文件的解析。如果一切都被完美记录，那么“交易”文件的每一行都应该代表一个市场订单，在完全相同的时间戳，我们应该在“报价”文件中看到相同价格和相同数量的数量减少。换言之，“交易”文件的每一行都应与相同数量、相同价格和时间戳的订单流中的取消订单相匹配，该订单流由“报价”文件的解析产生。表4中记录了这一完美案例的一个例子。

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

2022-5-19 15:10:55

在分析表4中“报价”文件的摘录后，我们将得到以下时间戳价格数量32472。252 27.32 267时间戳边级价格数量32472。086 B 1 27.32 26732472.086 B 2 27.31 50032472.086 B 3 27.29 58532472.086 B 4 27.285 12732472.086 B 5 27.27 50032472.086 B 6 27.2 30032472.086 B 7 27.16 50032472.086 B 8 27.155 20032472.086 B 9 27.15 175032472.086 B 10 27.1 22332472.086 B 2 27.31 71032472.252 B 1 27.31 71032472.252 B 2 27.29 58532472.252 B 3 27.285 12732472.252 B 4 27.27 50032472.252 B 5 27.2 30032472.252 B 6 27.16 50032472.252 B7 27.155 20032472.252 B 8 27.15 175032472.252 B 9 27.1 22332472.252 B 10 27.095 598表4：“交易”和“报价”文件之间的完美匹配。“交易”摘录（toptable）的行与“报价”文件（bottomtable）摘录中的相同时间戳完全匹配。库存LAGA。2010年1月28日，宾夕法尼亚州。订单流量：32472.086限额B 2 27.31 21032472.252取消B 1 27.32 267但在分析“交易”文件后，我们得出结论，时间32472.252的更新不是取消，而是市场订单的结果。因此，我们将订单流量更改为：32472.086 LIMIT B 2 27.31 21032472.252 MARKET B 1 27.32 2673.4一般情况下，交易匹配的基本方法上述完美情况很少出现。在我们的7只股票1天说明性样本中，完美案例出现的频率低于0.001（但应避免泛化此图，因为第4节将显示匹配结果具有强烈的交换性和时间依赖性）。造成这种情况的原因是，用于标记“交易”和“报价”文件时间的时钟不同步。因此，很难将“交易”文件中读取的对应市场订单与“报价”文件中读取的取消订单精确匹配。

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

kedemingshi

2022-5-19 15:10:59

大多数情况下，交易记录在“交易”文件中，更新发布在“报价”文件中，延迟数毫秒。因此，在交易匹配的第一种方法中，当我们解析“交易”文件并在根据“报价”文件构建的订单流中查找匹配取消时，我们不仅要查看准确的交易时间戳，还要查看-此事务时间戳周围的δ和+δ秒。如果可能有多个匹配，我们会选择一个能够最大限度地减少时间戳差异的匹配。从现在起，此过程将称为“匹配1”。图1绘制了对样本应用匹配1程序后未匹配的交易比例。似乎所有股票的匹配表现都是相似的。正如所料，当δ增加时，匹配性能提高，但出乎意料的是，所有股票的δ都达到了一个平台≈ 150- 200 ms。超过该值，增加δ对性能没有影响，匹配1程序在大约5-在本示例中，交易文件中报告的交易占20%。为了更准确地了解这一现象，我们在图2中绘制了测量时间滞后的经验分布τ=τq-τt其中τ是“交易”文件中交易的时间戳，τq是“报价”文件中匹配修改的时间戳。这一分布提供了主要的积极支持，表明“报价”文件的更新大部分时间是在“交易”文件中的交易报告之后进行的。此外，所有经验密度在150 ms左右下降到0，这表明在“引号”文件中很少匹配超过150 ms的顺序。3.5增强的交易匹配方法之前的匹配过程留下了大量不匹配的交易。

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

2022-5-19 15:11:02

我们经常发现，“交易”文件中的连续行只会导致0中的一次更新。0 0.1 0.2 0.3 0.40.0 0.2 0.4 0.6 0.8 1.0匹配1未匹配交易的deltafraction性能●●●●●●●● ●●●●●●●● ● ●●●●●●●●● ●●●●●●●●● ●●●●●●●● ● ●●●●●●●● ● ●●●●●●● ● ● ●航空公司。PAALO公司。PABNPP。巴布伊。帕卡尔。PAEDF。巴拉加。图1：匹配1未匹配的交易比例。2011年1月17日09:05至17:20之间数据库中报告的所有交易均被视为匹配。-0.05 0.00 0.05 0.10 0.15 0.20 0.250 5 10 15 20 25匹配1时间戳差异（引号文件更新延迟）密度的时间戳滞后分布● ● ●●● ●●●●● ●●●●●●●●●●●●●●●●●●●●●● ● ●●● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●● ● ● ● ●●● ● ● ●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●● ● ●●●●● ● ●●●●● ●●●●●●●●●●●●●●●●●●● ●● ● ●●●●● ●●● ●●●●●●● ●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●● ● ● ● ● ● ● ● ● ● ●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●航空公司。PAALO公司。PABNPP。巴布伊。帕卡尔。PAEDF。巴拉加。图2：时滞的经验密度τ在“交易”中记录的交易与“报价”文件中的匹配取消之间，采用δ=0.4的“匹配1”程序引号“文件”。对这种现象的常见解释是，交易所为每个等待的限额指令发布一条消息，该指令（部分）与传入的市场指令匹配。在这种情况下，必须以相同的价格汇总连续的“交易”文件行，才能在“报价”文件中找到相应的取消。表5对此进行了说明。

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

2022-5-19 15:11:05

时间戳价格数量32951的结果。412 27.45 30032951.412 27.45 182时间戳侧面价格数量32951。419 A 1 27.45 48232951.419 A 2 27.455 73032951.419 A 3 27.465 20032951.419 A 4 27.47 20032951.419 A 5 27.475 20032951.419 A 6 27.48 27932951.419 A 7 27.485 181332951.419 A 8 27.495 52932951.419 A 9 27.5 303032951.419 A 10 27.505 20032951.419 A 1 27.455 730表5：两行“交易”文件的汇总（上表）以匹配“报价”文件（下表）的更新。库存LAGA。PA于2010年1月28日对表5中“报价”文件的摘录进行解析，即取消订单（cancel，32951.419，A，1，27.45，482）。在分析“报价”文件后，我们得出结论，事实上，在“交易”文件中记录为两笔交易的市场订单的记录延迟了700万秒。困难在于，没有简单的规则可以使此过程自动化，因为在同一时间戳上的所有市场订单不一定要进行聚合以匹配“报价”文件。为了解决这些困难，我们增强了匹配过程：在解析“交易”文件时，我们将具有相同价格和相同时间戳（目前，请参见下文）的连续行（交易）分组到一个批次中。然后，对于每个构建的批次，我们测试其所有可能的视图到连续行分区的匹配，并将匹配原始“交易”文件中最大行数的匹配作为我们的解决方案。

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

2022-5-19 15:11:08

例如，在分析“交易”文件时，如果我们在同一时间戳上发现三个交易，如下所示（合成示例，非真实数据）：时间戳价格数量36000。000 20.00 10036000.000 20.00 5036000.000 20.00 200然后除了连续匹配这三条线外，我们还将测试匹配2 100.00 0.05 0.10 0.15 0.20未匹配交易的匹配性能●●●●●● ●●●●●●●●●● ● ● ● ●●●●●●●●●● ●●●●●●● ● ●●●●●●●●● ● ●● ●●●●●●● ●● ●●●●●● ● ● ● ● ● ●航空公司。PAALO公司。PABNPP。巴布伊。帕卡尔。PAEDF。巴拉加。图3：匹配2未匹配的交易比例。2011年1月17日09:05至17:20之间数据库中报告的所有交易均被视为匹配。在本例中，δ=0.4。交易安排如下：时间戳价格数量36000。000 20.00 15036000.000 20.00 200时间戳价格数量36000。000 20.00 10036000.000 20.00 250时间戳价格数量36000。000 20.00 350为了说明由于这一增强而带来的性能提高，图3绘制了此匹配2程序未匹配的交易的细分，作为Nb的函数，Nb是单个批次降低的最大规模。当Nb=1（左侧第一点）时，匹配与匹配1程序相同（在绘制的示例中δ=0.4）。正如预期的那样，当NB增加时，匹配情况会得到改善：在我们的样本中，以前不匹配的交易中，现在至少有12%（LAGA.PA）和33%（BNPP.PA）与BNPP的限额订单簿匹配。PA或IRP。PA占总交易量的4%以上。

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

2022-5-19 15:11:11

然而，请注意，在此样本上，将批次大小增加到5或6行以上不会对性能产生任何显著影响。在匹配2仍无法匹配的订单中，通过仔细观察数据文件发现了另一个困难：时间不完全相同的市场订单有时必须进行聚合以匹配“报价”文件。表6对此进行了说明。Intimestamp价格数量33095。296 27.51 10033095.296 27.51 20233095.296 27.51 30333095.296 27.51 48633095.296 27.51 33433095.296 27.535 21033095.299 27.535 140时间戳侧面价格数量33046。84 A 1 27.535 3951[…]33085.836 B 1 27.51 226433095.297 B 1 27.51 83933095.31 A 1 27.535 3601表6：具有不同时间戳的“交易”文件行的聚合，以匹配“报价”文件的更新（下表）。库存LAGA。2010年1月28日，宾夕法尼亚州。表6，“交易”文件摘录的第五行必须进行聚合，以匹配订单（33095.297，CANCEL，B，1，27.51，1425），滞后1毫秒。但是，尽管最后两个订单有两个不同的时间戳，间隔为3毫秒，但必须进行聚合以匹配订单（CANCEL、A、A、27.5353350），其中一个订单的延迟为11毫秒，另一个订单的延迟为14毫秒。为了跟踪这些特殊情况，我们将上述匹配2过程分组到相同的批处理行中，这些批处理行的时间戳接近第一次读取的时间戳，但不一定相等。测量单个批次的最大允许时滞的参数将表示为δb。为了说明由于这种增强而导致的性能提高，图4绘制了此匹配3程序未匹配的交易比例作为δb的函数。

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

2022-5-19 15:11:14

在该样本中，要聚合的事务似乎有一个非常接近的时间戳，要考虑的典型时间延迟为2-3 ms。对于δbn的较高值，没有观察到匹配改进。匹配3的改进允许匹配3%（也是.PA、BOUY.PA、EDF.PA）到之前不匹配交易（CARR.PA、BNPP.PA）的10%以上，LAGA除外。性能没有改善的PA。然而，这种改进在任何情况下都不到观察到的总交易的1%。0.000 0.005 0.010 0.0150.00 0.05 0.10 0.15匹配3delta\\u B未匹配交易的绩效●●●●●●●●● ●●●●●●●●●● ●●●● ●●●●●●●● ● ● ● ●航空公司。PAALO公司。PABNPP。巴布伊。帕卡尔。PAEDF。巴拉加。图4：匹配3未匹配的交易比例。2011年1月17日09:05至17:20之间数据库中报告的所有交易均被视为匹配。在本例中，δ=0.4，Nb=9。表7总结了上述匹配程序的性能。简而言之，匹配1匹配2匹配3AIRP。PA 83.11%、87.63%、88.75%。PA 88.21%89.78%90.15%BNPP。PA 87.81%91.85%92.67%BOUY。PA 85.07%87.90%88.22%CARR。PA 89.15%92.11%93.03%EDF。PA 90.99%92.14%92.41%LAGA。PA 96.89%97.30%97.30%表7：文本中描述的不同匹配程序匹配的“交易”文件中的交易百分比在这7种股票样本中，我们的详细算法平均允许匹配“交易”文件中报告的大约92%的交易，这比标准匹配1程序平均提高了总交易的3%。这听起来可能不多，但请记住，这一小段1天的样本仅用于说明匹配过程。

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

2022-5-19 15:11:17

下一节将提供更详细的结果，表明对于某些股票和日期，增强匹配（匹配3）至关重要。3.6不匹配交易的来源其他一些难题可通过进一步改进上述匹配程序来解决，但成本可能很高，但改进幅度不大。对文件的手动观察表明，一些仍然不匹配的订单确实“出界”，其数量或价格在限额订单簿中根本没有观察到。然而，对于许多不匹配的订单，只有很小的数量差异才能阻止匹配：即使价格等于最佳出价，并且我们观察到以最佳出价取消订单，我们也无法准确地将它们的数量相等，无论信息多么贫乏。在这种情况下，无法获得精确匹配。我们只能推测这些交易的来源，平均约有10%的交易不匹配。最明显的解释是，报告的交易是在隐藏流动性的情况下执行的，这是许多交易所允许的，而在巴黎泛欧交易所（Euronext Paris）上采取的是“冰山”订单的形式。订单簿上仅显示冰山订单大小的一小部分（例如，假设在1000个完整大小的股票中，以最佳报价单独显示100份股票）。当amarket订单发生并消耗部分流动性时（比如说50股），报价通常会更新（我们观察到减少了50股，这很容易匹配）。但是，如果市场订单的数量超过了显示的数量（比如125股），那么它将针对首批100股执行，这些股份立即被之前隐藏的100股所取代，最后25股将针对新显示的数量执行。

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

kedemingshi

2022-5-19 15:11:21

如果此单一市场有一个更新●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●500 1000 2000 5000 10000 200001e-08 1e-06 1e-04订单尺寸密度体积密度●●●●●●●●●●●●●●●●● ● ●●匹配未匹配●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●10： 00 12:00 14:00 16:002e-08 3e-08 4e-08 5e-08有序分布的ts密度●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●MatchedUnmatchedFigure 5：与匹配交易相比，未匹配交易的规模（左，对数-对数比例）和时间戳（右）的经验密度分布。在本例中，匹配3用于股票BNPP。2011年1月整月的PA。顺序，那么最终观察结果是减少了25股。这就解释了这样一个事实，即尽管观察到交易情况，并以相同的价格取消了相应的交易，但价格却不匹配。另一种解释是，一些行报告的交易发生在限额订单簿之外，因此它们对“报价”文件没有影响。不准确之处将出现在“交易”文件中，因为此类交易被视为“账面价值”。为完整起见，图5绘制了规模的经验密度分布和不匹配交易的时间戳，这是我们对这些交易仅有的两个信息。在这些图上，我们观察到，不匹配的交易整天都在发生，其时间戳的密度与不匹配的交易的密度相似，遵循一个众所周知的表示每日季节性的NU型模式。因此，我们无法将不匹配的交易与一天中的特定时段联系起来。然而，我们观察到，不匹配订单的大小明显大于匹配订单的大小（Kolmogorov-Smirnov检验证实了这一观察）。这可能与之前的两个假设一致。

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